通過挖掘數據庫：PROFINET 和OPC UA可以實現預測性維護(PdM)

　　過多的意外停機次數常常降低生產速度。實際上，大多數生產企業都曾設想過預測性維護。但在操作過程中，這些維護常常失敗。原因是，實施預測性維護有兩個難點: 一、如何獲得可診斷故障的數據;二、對這些數據進行何種處理，才能讓機器繼續工作。現如今，奧迪的一個實例向我們展示了這兩個難點是如何被PROFINET+OPC UA模式解決的。

　　預測性維護在當下是熱門話題。但在實踐中，許多用戶會因為無法獲取到特定的數據而失敗。來自奧迪德國(Neckarsulm)的Mathias Mayer 也同樣面臨著這個難題。根據過往經驗，他說：“在機器構造中，90%的數據都無法獲取，如果要獲取的話，要增加額外的傳感器。”對此，Mayer認為應該先利用現有數據。

　　更好地利用可用數據是減少停機次數并增大工作效率的有效辦法。未來生產過程的復雜程度和自動化程度勢必會持續增加，因此有效利用數據會變得愈發重要。

　　為什么數據采集過程如此艱難? 通過研究來自奧迪德國(Neckarsulm)的設備構造，我們可以得到答案。德國Neckarsulm是奧迪A4,A6, A7, A8, R8 and A5 Cabrio的集中裝配地，那里有約2500個工業機器人。每個單獨的系統都受特定的PLC控制。Mayer在描述中說到: “PLC常常就像個指揮，可以同時讓十個工業機器人運作。而實際上，是工業機器人在工作的過程中創造了產品和價值，這也就是為什么來自工業機器人身上的數據是如此的重要。”

　　除了涉及大量的設備之外，生產方式的不同也給數據的獲取和診斷帶來了極大的困難。例如，要想在保持最大耐久性的同時減輕重量，唯一的解決方法就是組合不同的材料。這需要使用不同的工藝技術。僅新型A8就用到了大量的連接技術：其間需要協調總共15種不同的技術(包括焊接技術、鉚接技術等)。如果生產活動停滯不前，就需要所有的技術專家一同前來解決問題。若再考慮到這些專家還需要實行“三班制“的工作方式，那就需要更多的大量員工在被培訓并取得相關資質之后上崗。顯然，這一過程既費時又燒錢。

　　開辟新模式

　　Mayer認為解決這一難題，就需要進行大量的數據檢測。盡管在質檢過程中需要花費很多錢和時間，但是為了給客戶提供最高品質的產品，這也是必不可少的。他讓不同的員工簡單地檢測原本會產生不同的數據結果，但最后的結果都是相同的。Mayer堅信：” 通過這些數據，我們可以用來優化生產和工藝。為此，過程中的數據要盡可能地易于處理，舉個例子，作為非專家的使用者們也可以自行處理數據使得焊接過程得以重啟。

　　利用新模式，意外的生產系統停機次數將會減少，并且生產利用率和生產效率都會大幅提高。例如在實際情況中，可以把基于專家們的專業知識所產出的過程監控方法和優化方法保留在實時監控系統，并通過該系統，對一些過程參數的進行監控并自動調整。這些操作將降低維護成本，并減少檢測工作量。

　　實際應用

　　盡管如此，這個新模式是如何在實際情況中應用的呢?在未來的制造工藝鏈中，如果工業機器人通過學習，最終具備了足夠的技能;那么，無需額外的網關，就可以收集該設備的相應數據并使其可視化。在整個流程的最終階段，僅僅需要一名了解該流程的員工，讓他在必要的時候進行干預。據此，Mayer認為分工合作是成功的關鍵，只有在這個基礎上，數據挖掘和機器學習才能得到保障。

　　在奧迪的產業鏈中，OPC UA和MQTT 是傳輸數據的手段，這些數據位于覆蓋了大數據的平臺的邊緣層。一些用于狀態檢測的診斷分析，以及基于狀態做檢測的預測性分析的程序也位于這里。

　　在PROFINET OPC UA配套規范中，也有此方式，這個方式的基本內容包括資產管理和診斷數據的收集和展現。由此，目前使用設備的資產和診斷數據通過現有PROFINET服務被收集在系統控制器中，并通過OPC UA傳送到實例之中。例如PROFINET的開放性可以支持添加帶有OPC-UA接口的傳感器，這些傳感器可以將數據直接發送到相應的云服務或邊緣網關，而無需繁瑣地重構自動化解決方案。這是在現有系統中的一個嶄新的診斷方法。

　　挖掘到底

　　Mayer隨即給出了一個務實的解釋，他說:” 對于我們來說，工業機器人僅僅是PLC的輔助設備。我們只想深入挖掘到底層數據，但不想為了工業機器人而建立一個單獨的網絡。如果必須要為這2000多個工業機器人鋪設一條新的電纜，那就行不通了。不僅如此， 實際上，我們不僅只用了一個工業機器人制造商。根據不同的應用，我們用了許多不同的制造商。”

　　不僅如此，不是所有的制造商都運用了OPC UA。在一部分奧迪車的核心技術中，仍然缺少OPC UA(如點焊技術、螺柱焊技術、涂膠技術和鉚接技術等)。相比之下，機器人制造商已經領先了一大步，RFID制造商也是如此。Mayer還認為，事實上，奧迪一直都沒有積極利用OPC UA。不過，未來會逐漸改善。

　　具體實施

　　在實施過程引入了PROFINET+ OPC UA之后，它的優點很快就發揮了作用。

　　舉例說明：鉚釘從工業機器人手臂上的鉚接工具，經過高度柔性軟管，可以輸送到填充區域。而在奧迪(Neckarsulm)有一個在線測量系統，它反應了上述鉚釘傳輸系統內的運作情況。鉚釘的傳輸速度相對較高，可達到20米/秒。而較高的速度給系統帶來了極大的難題，因為在之前，軟管必須在輸送第500000個和第一百萬個鉚釘之間的某個時間進行更換，而每次更換都需要停止運作20到30分鐘。現如今，不必在生產過程中更換軟管，而是在運作空閑時間更換。研究小組隨后創建了一個時間序列分析，用于檢測鉚釘輸送軟管的磨損情況。實施起來也相對容易——由于小型多孔點的存在，有更多的空氣流過軟管。這些結果被記錄下來，同時數據通過OPC UA轉發到PROFINET使其可視化。現在，每個員工都可以得知底層的數據及其運行情況，即使沒有額外的電纜，也可以更快地采取維修行動。

　　展望：Mayer希望未來設備制造商能更快地實施這些規范。同時，他向廣大用戶保證，這很快就能實施成功。他認為：“為了獲取利益，要盡快實施PROFINET+OPC UA新模式。制造商們應早日貫徹實施工業4.0。”

對于奧迪來說，高品質的汽車質量得益于使用高效的生產系統和新的高科技解決方案。同時，更多的數字化也對智能工廠有著明顯幫助。

　　奧迪正用人工智能加強質量管理

　　新一代奧迪A8的車身結構將首次采用四種不同材料的智能組合。

　　這也對公司未來的自動化戰略有著深刻影響。

下一代奧迪A8的車身

　　奧迪A8: 在Neckarsulm 裝配汽車后板

　　奧迪 A8: 在Neckarsulm裝配全景天窗