智能服务 预测性维护实施案例、设备监测参数.pdfVIP

附 录 A （资料性附录） 预测性维护实施案例 A.1 概述 本附录以离散制造生产线为基础,介绍了生产单元预测性维护的系统架构、功能模型、生产单元中 机器人和机床的预测性维护实例，最后还介绍了预测性维护（第二类）的实施流程步骤，从而对在整个 工厂内制定最佳的预测性维护计划，降低工厂的停机损失提供指导。 A.2 功能模型 预测性维护功能的模型如图A.1所示。 图A.1 预测性维护功能模型示意图 如上述功能模型所示，通过设备的智能化，将设备端自带的数据处理功能与外部传感数据相结合的 方式，可以实现高效率高精度的预测性维护。 A.3 机器人的预测性维护 A.3.1 对象 机器人的预测性维护主要通过设备端自带的数据采集和获取功能，实现设备内部运转状态下的异 常监测。可开展预测性维护的机器人部件包括： ——驱动系统，包括电机、皮带、齿轮等； ——机械系统，包括内置减速器、轴承、滚珠丝杆、滚珠花键、减速器润滑油补给等； ——控制系统。 A.3.2 寿命预测 机器人驱动系统的寿命预测实例如图A.2所示。主要通过建立动力学模型和控制模型，与实际响应 进行对比的方法开展预测，其主要技术点包括： （1）动力学模型的建立 原因：机器人的动作不限定每次相同，动作可能导致判断结果不稳定 8 GB/T XXXXX—XXXX 方法：通过在机器人控制器内实时计算机器人的运行情况，构建动力学模型和控制模型，利用模型 响应与实际响应的差进行比较，可以实现不依存于动作稳定的寿命预测。建立动力学模型还可以通过自 动补偿，消除磨损的影响及个体间误差，提高预测精度 （2）过滤器处理 原因：实施基于模型的预测方法时，在实际的动作中也会嵌入不稳定等非常规的状态（如紊乱）， 如果紊乱较大，会导致难以正常判断故障的产生。 方法：采取预设的过滤手段进行稳定化处理，包括强制排除不用于寿命预测判断的数据，或者通过 加权易产生误差的动作，提高数据稳定性。 图A.2 机器人驱动系统寿命预测实施案例 A.4 数控机床的预测性维护 A.4.1 对象 可开展预测性维护的数控机床部件包括： ——主轴和丝杠，如主轴等价负载率、主轴电机绝缘劣化状态、累计移动距离（用于滚珠丝杆的寿 命诊断）； ——刀具，如加工精度和刀具磨损； ——其他：电机绝缘劣化状态、驱动装置电池电压。 A.4.2 滚珠丝杠 滚珠丝杆的寿命可通过伺服系统中电机转矩、摩擦（齿隙等）及加速度传感器数据进行异常监测。 滚珠丝杠异常诊断系统结构示意如图A.3所示。 9 边缘计算机 +实时分析仪 显示屏 （模型生成、数据分析） （趋势显示） 工业以太网/现场网络通讯协议 控制系统 运 P S 模 动 L D 拟 C 卡 视觉传感器 驱动器记录器 各种传感器（振动、声音等）