丰田、尼桑如何从精益工厂进化到智能工厂

来源:工业大数据

点击:4041

A+ A-

所属频道:新闻中心

关键词:汽车行业

    以丰田和NISSAN为代表的日本汽车制造企业是精益制造的典范,在生产过程管理和设备使用维护方面具有严格的执行规范和持续改进的文化机制,并且在生产流程监控和质量管理方面使用了大量的统计工具,确保在质量发生偏差时能够及时地进行纠正。


      这些方法在使用初期很快显示出了巨大的价值,使产品质量和生产过程中的浪费得到了极大的改善,也帮助日本汽车在美国市场占据了半壁江山。然而在精益制造推行到一定程度之后,这些企业开始发现提升的空间越来越小,一些设备的停机和产品的质量问题无论如何进行持续改善都无法完全消除,即使严格按照操作规范、每天对设备进行点检,定期对设备进行预防性维护,依然避免不了设备故障停机的现象。

      这是因为精益管理所解决的只是可见的问题和浪费,在问题发生时及时地发现和解决,却无法去预测和管理不可见因素造成的影响。

    于是这些企业纷纷意识到大型制造系统及设备须更好地应对动态的、变化的生产环境和客户需求,将固有的静态六西格玛管理模型改进为动态预测模型,从而将简单的生产制造偏差评估转化为预测型衰退评估,开发了许多可大规模应用的在线预测分析工具。


      以丰田公司的空气压缩机智能化升级为例,为了改进离线空气压缩机激流现象规避控制的准确度和效率,使用数据驱动的工具为激流曲线进行建模,为入口导流叶片设计反馈控制,在避免压缩机激流现象发生的同时尽可能靠近最佳效率区间。然而由于许多变量都与产生激流现象有关,激流曲线的确切位置很难被准确定位,因此在实际操作过程中大多选择保守的做法,使空气压缩机的运行参数尽量远离激流曲线,但这却造成了压缩机能耗的增加。


      为了有效解决这个问题,丰田公司引入了IMS的数据驱动建模方法,采集了在激流和非激流状态下的分类控制和监控参数,利用主成分分析方法将复杂多维的数据在保留最大方差的基础上进行了降维。随后利用支持向量机对激流和非激流状态的数据主成分建立了分类模型,分类模型的边界确保了激流和非激流状态的参数之间的距离最远,因此可以作为最佳激流曲线的边界。最终,通过验证的预测分析工具被集成到了压缩机的控制系统中,实现了具有在线激流监控和优化控制能力的智能压缩机设备。


    压缩机喘振预测分析流程

      NISSAN公司在工业机器人的健康管理方面引进了预测分析模型。由于工业机器人被大量使用,且生产环境十分复杂,因此不适合安装外部传感器,而是使用控制器内的监控参数对其健康进行分析。NISSAN的工业机器人中有相当一部分是六轴机械臂,任何一个轴发生故障都会造成机械臂的停机。在使用伺服轴的转速信号对机械臂的工况进行区分后,再对每一个工况内的状态参数(如扭矩和温度等)建立健康评估模型,从其分析结果中可以发现在故障发生前的三个星期前就可以预测到早期故障特征。


    对机械臂进行健康预诊的分析结果

      随后NISSAN开始在六轴伺服机械臂上推广预测分析模型,在大量机械臂的数据被采集和分析的条件下,对不同种类和运行工况的机械臂进行了聚类分析,形成了一个个机械臂的“虚拟社区”,社区内的机械臂的数据分析采用集群建模的方法,通过比较每一个机械臂与集群的差异性来判断其处于异常的程度,并对集群内所有机械臂的健康状态进行排序。


    NISSAN工厂机器人健康预测分析管理系统

      在对机械手臂的健康状态进行定量化分析之后,NISSAN对分析结果进行了网络化的内容管理,建立了“虚拟工厂”的在线监控系统。在“虚拟工厂”中,管理者可以从生产系统级、生产线级、工站级、单机级和关键部件级对设备状态进行垂直立体化的管理,根据设备的实时状态进行维护计划和生产计划的调度。该系统还能够每天生成一份健康报告,对生产线上所有设备的健康状态进行排序和统计分析,向设备管理人员提供每一台设备的健康风险状态和主要风险部位,这样在日常的点检中就可以做到详略得当,既不放过任何一个风险点,也尽可能避免了不必要的检查和维护工作,实现了从预防式维护到预测式维护的转变。


    (审核编辑: 智汇胡妮)