一种基于企业应用集成的工业机器人预测性维护系统

摘要

本申请提供一种基于企业应用集成的工业机器人预测性维护系统，包括：依次通信连接的集成应用端子系统、服务端子系统和客户端子系统，用于自汽车制造企业对应的不同类型的企业应用中分别获取汽车制造场地内的各个工业机器人的监测数据和工业机器人故障预测工具数据，存储监测数据并基于工业机器人故障预测工具数据和监测数据生成针对汽车制造场地的工业机器人故障预测结果，再对该工业机器人故障预测结果进行显示。本申请通过集成企业应用及多个子系统之间的数据交互来实现针对工业机器人的预测性维护，将各种不同的系统和数据进行整合，能够为预测性维护提供更加全面和准确的数据支持，进而能够有效提高针对工业机器人预测性维护的效率和全面性。

说明书

技术领域

本申请涉及工业设备维护管理技术领域，尤其涉及一种基于企业应用集成的工业机器人预测性维护系统。

背景技术

预测性维护是根据观察到的状况而决定的连续或间断进行的维护，以监测、诊断或预测机构物、系统或部件的条件指标。这类维护的结果应标明当前和未来的功能能力或计划维护的性质和时间表。在汽车制造行业中，为了维护工业机器人的运转可靠性和及时性，需要对工业机器人设备进行预测性维护。

目前，虽然现有的预测性维护方式能够在工业机器人运行时，对它的主要（或需要）部位进行定期（或连续）的状态监测和故障诊断，判定装备所处的状态，进而决定维修活动。然而，由于工业机器人数据量庞大且类型众多，现有的预测性维护过程由于缺少完整的大系统架构，因此面对汽车制造行业中工业机器人的预测性维护过程中涉及的庞大数据量和多种类型的企业应用时，使得针对工业机器人预测性维护的效率和有效性均受限，无法满足汽车制造企业的维护高效及全面性的要求。

发明内容

鉴于此，本申请实施例提供了一种基于企业应用集成的工业机器人预测性维护系统，以消除或改善现有技术中存在的一个或更多个缺陷。

本申请提供了一种基于企业应用集成的工业机器人预测性维护系统，包括：

集成应用端子系统，用于自汽车制造企业对应的不同类型的企业应用中，分别获取汽车制造场地内的各个工业机器人的监测数据和工业机器人故障预测工具数据；

服务端子系统，与所述集成应用端子系统通信连接，用于对所述集成应用端子系统获取的所述监测数据进行存储，并基于所述工业机器人故障预测工具数据和所述监测数据生成针对所述汽车制造场地的工业机器人故障预测结果；

客户端子系统，与所述服务端子系统通信连接，用于自所述服务端子系统获取所述工业机器人故障预测结果，并对该工业机器人故障预测结果进行显示。

在本申请的一些实施例中，所述集成应用端子系统包括：

工业物联网平台，用于基于工业物联网设备对所述汽车制造场地内的各个工业机器人进行实时监控，以采集各个所述工业机器人的监测数据，其中，所述监测数据包括：运行数据和状态信息；

故障预测工具模块，用于存储用于对工业机器人进行故障预测的工业机器人故障预测工具数据。

在本申请的一些实施例中，所述故障预测工具模块，包括：

知识库及规则单元，用于基于预设的知识库和规则引擎，根据预先获取的工业机器人的监测数据生成针对所述工业机器人的预测性维护规则；

人工智能单元，用于采用预先获取的工业机器人的历史监测数据以及对应的历史故障预测结果对预设的机器学习模型进行训练，以生成用于对工业机器人的监测数据进行故障预测的工业机器人故障预测模型。

在本申请的一些实施例中，所述服务端子系统包括：

数据库，与所述工业物联网平台之间通信连接，用于对所述工业物联网平台采集的各个工业机器人的监测数据进行存储；

大数据处理平台，分别与所述数据库、知识库及规则单元和所述人工智能单元之间通信连接，用于采用自所述知识库及规则单元获取的所述预测性维护规则和/或自所述人工智能单元获取的所述工业机器人故障预测模型，对自所述数据库提取的各个工业机器人的监测数据进行故障预测，以得到针对所述汽车制造场地当前的工业机器人故障预测结果。

在本申请的一些实施例中，所述客户端子系统还包括：

移动终端应用，分别与所述数据库和所述大数据处理平台之间通信连接，用于实时获取并显示各个所述工业机器人的监测数据和针对所述汽车制造场地的工业机器人故障预测结果；

桌面应用，分别与所述数据库和所述大数据处理平台之间通信连接，用于实时获取各个所述工业机器人的监测数据和针对所述汽车制造场地的工业机器人故障预测结果，并根据各个所述工业机器人的监测数据生成对应的图表并进行显示，根据所述工业机器人故障预测结果生成对应的预警信息并进行显示。

在本申请的一些实施例中，所述移动终端应用设置在一工业无线的PAD终端中。

在本申请的一些实施例中，所述服务端子系统还包括：

访问服务模块，分别与所述大数据处理平台、所述汽车制造企业对应的各个类型的所述企业应用和所述客户端子系统之间通信连接，用于将所述大数据处理平台生成的工业机器人故障预测结果发送至各个类型的所述企业应用、所述移动终端应用和桌面应用中的至少一个；

相对应的，所述移动终端应用和所述桌面应用分别基于所述访问服务模块与所述数据库和所述大数据处理平台之间通信连接。

在本申请的一些实施例中，所述服务端子系统还包括：

安全管理模块，分别与所述访问服务模块以及所述客户端子系统之间通信连接，用于在所述客户端子系统请求通过所述访问服务模块访问所述数据库和所述大数据处理平台时，对所述客户端子系统进行身份验证及数据访问权限校验，并在所述身份验证及数据访问权限校验均通过后，建立所述客户端子系统通过所述访问服务模块向所述数据库和所述大数据处理平台的访问连接。

在本申请的一些实施例中，所述服务端子系统还包括：

分布式数据模块，分别与所述大数据处理平台和访问服务模块之间通信连接，用于将所述大数据处理平台中的工业机器人故障预测结果进行分布式存储，并经所述访问服务模块将分布式存储的所述工业机器人故障预测结果发送至所述客户端子系统；所述分布式数据模块还用于经所述访问服务模块接收所述客户端子系统发送的针对所述工业机器人的维护记录数据，并对该维护记录数据进行分布式存储。

在本申请的一些实施例中，所述集成应用端子系统还包括：

资源管理平台，用于存储各个所述工业机器人的非监测数据，其中，所述非监测数据包括：工业机器人的运行环境数据、维修记录数据和备件库存数据。

本申请提供的基于企业应用集成的工业机器人预测性维护系统，包括：集成应用端子系统，用于自汽车制造企业对应的不同类型的企业应用中，分别获取汽车制造场地内的各个工业机器人的监测数据和工业机器人故障预测工具数据；服务端子系统，与所述集成应用端子系统通信连接，用于对所述集成应用端子系统获取的所述监测数据进行存储，并基于所述工业机器人故障预测工具数据和所述监测数据生成针对所述汽车制造场地的工业机器人故障预测结果；客户端子系统，与所述服务端子系统通信连接，用于自所述服务端子系统获取所述工业机器人故障预测结果，并对该工业机器人故障预测结果进行显示，通过集成企业应用及多个子系统之间的数据交互来实现针对工业机器人的预测性维护，将各种不同的系统和数据进行整合，能够为预测性维护提供更加全面和准确的数据支持，进而能够有效提高针对工业机器人预测性维护的效率和全面性。

本申请的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本申请的实践而获知。本申请的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。

本领域技术人员将会理解的是，能够用本申请实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本申请能够实现的上述和其他目的。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，并不构成对本申请的限定。附图中的部件不是成比例绘制的，而只是为了示出本申请的原理。为了便于示出和描述本申请的一些部分，附图中对应部分可能被放大，即，相对于依据本申请实际制造的示例性装置中的其它部件可能变得更大。在附图中：

图1为本申请一实施例中的基于企业应用集成的工业机器人预测性维护系统的第一种结构示意图。

图2为本申请一实施例中的基于企业应用集成的工业机器人预测性维护系统的第二种结构示意图。

图3为本申请一实施例中的基于企业应用集成的工业机器人预测性维护系统的第三种结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本申请做进一步详细说明。在此，本申请的示意性实施方式及其说明用于解释本申请，但并不作为对本申请的限定。

在此，还需要说明的是，为了避免因不必要的细节而模糊了本申请，在附图中仅仅示出了与根据本申请的方案密切相关的结构和/或处理步骤，而省略了与本申请关系不大的其他细节。

应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。

在此，还需要说明的是，如果没有特殊说明，术语“连接”在本文不仅可以指直接连接，也可以表示存在中间物的间接连接。

在下文中，将参考附图描述本申请的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。

伴随着业务量发展和新产品的推出，业务流程也越加复杂，流程中涉及的网元越来越多，不同网元间的联系更加紧密，网络结构更加复杂，规模不断扩大，网络互联网协议(Internet Protocol，以下简称：IP)化进程加快，新技术不断被采用和融合。然而，目前依然采用工人模式进行故障维护，维护工作完成的质量仍主要由维护人员的经验决定。降低总体设备停机时长是设备维护的关键绩效指标，同时业界大数据分析技术应用在设备状态预测已在其它行业有成功案例可循，目标达成可以显著提高设备可用性。

在实现本申请的过程中，发明人发现现有技术至少存在以下问题：维护人员不足，工作效率需进一步提升。随着业务和网络的快速发展，维护工作量不断增加，而根据维护集约化的要求，维护人员无法同步增加，现有经验丰富的维护人员的知识在现有机制下无法快速转化成其他维护人员可快速掌握的技能，因此，如何进一步提升维护效率是目前存在的一大难题。

在本申请应用实例的一个或多个实施例中，预测性维护（PredictiveMaintenance， PdM）是根据观察到的状况而决定的连续或间断进行的维护，以监测、诊断或预测机构物、系统或部件的条件指标。这类维护的结果可标明当前和未来的功能能力或计划维护的性质和时间表。

具体来说，预测性维护是以状态为依据的维护，在工业机器人运行时，对它的主要（或需要）部位进行定期（或连续）的状态监测和故障诊断，判定装备所处的状态，预测装备状态未来的发展趋势，依据装备的状态发展趋势和可能的故障模式，预先制定预测性维护计划，确定机器应该修理的时间、内容、方式和必需的技术和物资支持。预测性维护集装备状态监测、故障诊断、故障（状态）预测、维护决策支持和维护活动于一体。

为了提高针对工业机器人预测性维护的效率和全面性，以及为了向维护人员提供更为可靠的故障预测结果并设计一种针对工业机器人的预测性维护方式的完整的闭环管理方式以支撑工业机器人所处的复杂业务场景，本申请实施例提供一种基于企业应用集成的工业机器人预测性维护系统，参见图1，所述基于企业应用集成的工业机器人预测性维护系统具体包含有如下内容：

集成应用端子系统10，用于自汽车制造企业对应的不同类型的企业应用中，分别获取汽车制造场地内的各个工业机器人的监测数据和工业机器人故障预测工具数据。

服务端子系统20，与所述集成应用端子系统通信连接，用于对所述集成应用端子系统获取的所述监测数据进行存储，并基于所述工业机器人故障预测工具数据和所述监测数据生成针对所述汽车制造场地的工业机器人故障预测结果。

客户端子系统30，与所述服务端子系统通信连接，用于自所述服务端子系统获取所述工业机器人故障预测结果，并对该工业机器人故障预测结果进行显示。

在本申请的一个或多个实施例中，所述工业机器人是广泛用于工业领域的多关节机械手或多自由度的机器装置，具有一定的自动性，可依靠自身的动力能源和控制能力实现各种工业加工制造功能。相对应的，工业机器人数据是指与工业机器人的自身参数、运行过程以及历史记录等等相关的数据，所述工业机器人的监测数据即可以指工业机器人数据中的运行数据和状态信息等过程数据。

所述工业机器人的监测数据中的运行数据和状态信息，可以反映机器人设备的运行状态，包括电流、电压、功率、温度、速度等参数，可以用来评估设备的性能和健康状况；还可以包含有传感器数据：这种数据来自机器人设备上的传感器，如光电传感器、压力传感器、加速度传感器等，用来感知设备周围的环境和物理量，并反馈给控制系统进行处理。另外，所述工业机器人的监测数据中的运行数据和状态信息还可以包含有：图像数据：这种数据来自机器人设备上的视觉传感器，如工业相机、激光雷达等，可以用来进行图像识别、目标检测、三维建模等任务。所述工业机器人的监测数据中的运行数据和状态信息还可以包含有声音数据：这种数据来自机器人设备上的麦克风等声音传感器，可以用来进行声音识别、噪声监测、故障诊断等任务。

在集成应用端子系统10中，集成应用端子系统10可以通过采用批处理方式采集汽车制造场地内的各个类型的工业机器人的监测数据，能够在保证工业机器人的监测数据采集的全面性的同时，有效提高采集工业机器人的监测数据的及时性及有效性，进而能够为后续大数据处理平台的预测性维护提供可靠的数据基础，进而能够提高工业机器人预测性维护的效率及可靠性，并提高基于企业应用集成的工业机器人预测性维护的便捷性。

在客户端子系统30中，用户针对所述汽车制造场地中工业机器人进行预测性维护过程产生的维修数据，可以由用户通过客户端子系统30进行上传，也可以由汽车制造场地中工业机器人的现场数据记录设备进行上传，在获取到上传的维修数据后，可以从维修数据中抽取维护的部件的标识、该部件的原报错信息和维修后的该部件的更新数据，然后利用部件的更新数据对工业机器人知识图谱进行更新，例如将原实体“部件A1”的关联实体“电机”和“过流”中的“过流”修改为“运行正常”。业机器人数据平台还可以将部件的标识和该部件的原报错信息作为新的历史训练数据和标签对工业机器人故障预测模型进行迭代更新。

本申请实施例提供的基于企业应用集成的工业机器人预测性维护系统，通过企业应用端+服务器端+客户端之间的数据处理过程来实现针对工业机器人的预测性维护，是实现企业应用集成是一种有效的方式，可以提高针对工业机器人预测性维护的效率和全面性，通过实现企业应用集成，可以将各种不同的系统和数据进行整合，提高数据的全面性和准确性，为预测性维护提供更加全面和准确的数据支持。同时，应用集成还可以提高维护效率和准确性，提高企业的运营效率和竞争力。

为了进一步提高采集汽车制造场地内的各个类型的工业机器人数据的有效性及可靠性，在本申请实施例提供的一种基于企业应用集成的工业机器人预测性维护系统中，参见图2，所述基于企业应用集成的工业机器人预测性维护系统中的集成应用端子系统10具体包含有如下内容：

工业物联网平台11，用于基于工业物联网设备对所述汽车制造场地内的各个工业机器人进行实时监控，以采集各个所述工业机器人的监测数据，其中，所述监测数据包括：运行数据和状态信息。

其中，工业物联网设备具体可以包含有：不同类型的传感器及工业智能网关等，传感器具体可以包含有：光电传感器、压力传感器、加速度传感器、视觉传感器和麦克风等等。

在工业物联网平台11进行工业机器人的监测数据批处理采集过程中，可以通过数据采集器、协议转换器、中转服务器和定时器来实现，其中，所述数据采集器通过工业控制网络与目标设备相连接，所述协议转换器分别与所述数据采集器和所述中转服务器相连接，所述定时器设置在所述中转服务器中。该方式能够使得如汽车制造设备的批处理数据处理装置等自动对工作数据进行采集，并且能够通过协议转换器将采集到的不同协议的工作数据转化为统一协议格式的工作数据，同时还能够通过中转服务器批量向数据处理系统上传数据进行处理，从而达到对目标检测系统的工作数据进行全自动化采集的目的，进而缓解了现有的数据采集和分析装置无法系统的对数据进行采集，以及无法批量对数据进行采集和处理的技术问题。

故障预测工具模块12，用于存储用于对工业机器人进行故障预测的工业机器人故障预测工具数据。

为了进一步提高采集汽车制造场地内的各个类型的工业机器人数据的有效性及可靠性，在本申请实施例提供的一种基于企业应用集成的工业机器人预测性维护系统中，参见图3，所述基于企业应用集成的工业机器人预测性维护系统中的故障预测工具模块12具体包含有如下内容：

知识库及规则单元121，用于基于预设的知识库和规则引擎，根据预先获取的工业机器人的监测数据生成针对所述工业机器人的预测性维护规则。

人工智能单元122，用于采用预先获取的工业机器人的历史监测数据以及对应的历史故障预测结果对预设的机器学习模型进行训练，以生成用于对工业机器人的监测数据进行故障预测的工业机器人故障预测模型。

在知识库及规则单元121中，预设的知识库和规则引擎的一种举例可以采用工业机器人知识图谱，是一种用于存储工业机器人的实体和不同实体之间的关系的知识图谱。在本申请的一个或多个实施例中，所述实体并非单指工业机器人的各个部件，还包含有各个部件的故障失效模式（也可以称之为：现象）以及故障处理措施（也可以称之为：应急措施）等等，还可以包含有各个部件发生过故障或可能潜在的故障原因。

具体来说，知识库及规则单元121可以先获取所述工业机器人的监测对应的实体识别结果，并根据所述实体识别结果自所述工业机器人的监测数据中抽取不同实体之间的关系，然后根据所述实体识别结果和不同实体之间的关系构建或更新工业机器人知识图谱。

在一种具体举例中，工业机器人的监测若显示：“部件A在生产中电机过流”，则基于预设的实体提取规则提取对应的实体至少包含有：“部件A”、“电机”和“过流”，且这三者中的实体“部件A”和实体“电机”所属的实体类型为：“部件”；实体“过流”所属的实体类型为：“现象”。这样，若预先设置的查询条件为“部件A”，则在更新了工业机器人知识图谱之后，就可以从其中查找实体“部件A”以及与该“部件A”存在连线（关联关系）的其他实体“电机”和“过流”，进而形成用于表述查询条件对应的实体和该实体相关联的其他实体组成的故障预测结果。

在人工智能单元122中，所述工业机器人故障预测模型可以采用分别针对不同工业机器人的仿真模型、人工智能模型或概率统计模型，其中，为了提高工业机器人故障预测的自动化程度及智能化程度，可以优选机器学习模型。具体可以采用决策树、神经网络等作为所述工业机器人故障预测模型，可以根据实际应用需求进行选取，本申请不做限定。以使后续的服务端子系统20可以首先提取各个工业机器人的监测数据分别对应的特征向量，然后对这些特征向量进行聚合，在采用聚合后的向量输入预设的工业机器人故障预测模型，以使该工业机器人故障预测模型输出对应的故障预测结果。

具体来说人工智能单元122可以先获取自所述汽车制造场地中采集的各个类型的工业机器人的历史监测数据及各个所述历史监测数据分别对应的历史故障预测结果，其中，所述历史故障预测结果包括历史报错信息和所属部件位置数据之间的关联关系；构建各个所述报错信息和各个严重等级之间对应关系的故障严重等级表；采用各个所述历史监测数据和对应的历史故障预测结果训练工业机器人故障预测模型，以使该工业机器人故障预测模型用于根据输入的工业机器人数据，输出对应的故障预测结果，其中，所述故障预测结果包括：各个所述历史监测数据分别对应的报错信息和该报错信息的所属部件位置数据之间的关联关系。

也就是说，知识库及规则单元121和人工智能单元122通过采用知识图谱和工业机器人故障预测模型分别生成针对所述汽车制造场地中工业机器人的故障预测结果，并输出两个故障预测结果，能够有效提高针对工业机器人进行故障预测的可靠性及有效性，并能够为维护人员提供更为多样且可靠的数据基础，进而能够提高工业机器人预测性维护的全面性及可靠性，并提高基于企业应用集成的工业机器人预测性维护的全面性及有效性。

为了进一步提高汽车制造场地内的各个类型的工业机器人的故障预测有效性及可靠性，在本申请实施例提供的一种基于企业应用集成的工业机器人预测性维护系统中，参见图2和图3，所述基于企业应用集成的工业机器人预测性维护系统中的服务端子系统20具体包含有如下内容：

数据库21，与所述工业物联网平台11之间通信连接，用于对所述工业物联网平台采集的各个工业机器人的监测数据进行存储；

大数据处理平台22，分别与所述数据库21、知识库及规则单元121和所述人工智能单元122之间通信连接，用于采用自所述知识库及规则单元获取的所述预测性维护规则和/或自所述人工智能单元获取的所述工业机器人故障预测模型，对自所述数据库提取的各个工业机器人的监测数据进行故障预测，以得到针对所述汽车制造场地当前的工业机器人故障预测结果。

在本申请的一个或多个实施例中，所述大数据处理平台22是指用于对工业机器人的监测数据进行处理的数据平台，其中，数据平台可以基于工业物联网与大数据技术，将接收到的现场产生的海量数据进行处理，从而为进一步分析或监控提供基础。其一般架构由感知层、传输层、平台层及服务层组成，分别对应数据采集、传输、平台可视化及具体提供服务。

为了进一步提高汽车制造场地内的各个类型的工业机器人预测维护的效率及可靠性，在本申请实施例提供的一种基于企业应用集成的工业机器人预测性维护系统中，参见图2，所述基于企业应用集成的工业机器人预测性维护系统中的客户端子系统30具体包含有如下内容：

移动终端应用31，分别与所述数据库和所述大数据处理平台之间通信连接，用于实时获取并显示各个所述工业机器人的监测数据和针对所述汽车制造场地的工业机器人故障预测结果。

桌面应用32，分别与所述数据库和所述大数据处理平台之间通信连接，用于实时获取各个所述工业机器人的监测数据和针对所述汽车制造场地的工业机器人故障预测结果，并根据各个所述工业机器人的监测数据生成对应的图表并进行显示，根据所述工业机器人故障预测结果生成对应的预警信息并进行显示。

其中，移动终端应用31可以设置在一工业无线的PAD（平板电脑）终端中。通过开发移动终端应用程序，让用户随时随地监控机器人的运行状况。这种方式可以通过推送消息的形式，实现对机器人的实时监控和警报。

为了进一步提高汽车制造场地内的各个类型的工业机器人预测维护的效率及可靠性，在本申请实施例提供的一种基于企业应用集成的工业机器人预测性维护系统中，参见图3，所述基于企业应用集成的工业机器人预测性维护系统中的服务端子系统20中还具体包含有如下内容：

访问服务模块23，分别与所述大数据处理平台、所述汽车制造企业对应的各个类型的所述企业应用和所述客户端子系统之间通信连接，用于将所述大数据处理平台生成的工业机器人故障预测结果发送至各个类型的所述企业应用、所述移动终端应用和桌面应用中的至少一个；

相对应的，所述移动终端应用31和所述桌面应用32分别基于所述访问服务模块23与所述数据库21和所述大数据处理平台22之间通信连接。

所述访问服务模块23可以采用 Web服务和API：通过Web服务和API，将机器人预测性维护的数据和功能开放给企业内部的其他应用程序或者第三方应用程序使用，实现系统之间的集成和共享。

为了进一步提高汽车制造场地内的各个类型的工业机器人预测维护的效率及可靠性，在本申请实施例提供的一种基于企业应用集成的工业机器人预测性维护系统中，参见图3，所述基于企业应用集成的工业机器人预测性维护系统中的服务端子系统20中还具体包含有如下内容：

安全管理模块24，分别与所述访问服务模块23以及所述客户端子系统30之间通信连接，用于在所述客户端子系统请求通过所述访问服务模块访问所述数据库和所述大数据处理平台时，对所述客户端子系统进行身份验证及数据访问权限校验，并在所述身份验证及数据访问权限校验均通过后，建立所述客户端子系统通过所述访问服务模块向所述数据库和所述大数据处理平台的访问连接。

为了进一步提高汽车制造场地内的各个类型的工业机器人预测维护的效率及可靠性，在本申请实施例提供的一种基于企业应用集成的工业机器人预测性维护系统中，参见图3，所述基于企业应用集成的工业机器人预测性维护系统中的服务端子系统20中还具体包含有如下内容：

分布式数据模块25，分别与所述大数据处理平台22和访问服务模块23之间通信连接，用于将所述大数据处理平台中的工业机器人故障预测结果进行分布式存储，并经所述访问服务模块将分布式存储的所述工业机器人故障预测结果发送至所述客户端子系统；所述分布式数据模块还用于经所述访问服务模块接收所述客户端子系统发送的针对所述工业机器人的维护记录数据，并对该维护记录数据进行分布式存储。

为了进一步提高采集汽车制造场地内的各个类型的工业机器人数据的全面性及可靠性，在本申请实施例提供的一种基于企业应用集成的工业机器人预测性维护系统中，参见图3，所述基于企业应用集成的工业机器人预测性维护系统中的集成应用端子系统10中还具体包含有如下内容：

资源管理平台13，用于存储各个所述工业机器人的非监测数据，其中，所述非监测数据包括：工业机器人的运行环境数据、维修记录数据和备件库存数据。

为了进一步说明本方案，本申请还提供一种应用基于企业应用集成的工业机器人预测性维护系统实现的基于企业应用集成的工业机器人预测性维护方法的具体应用实例，是实现企业应用集成是一种有效的方式，可以提高针对工业机器人预测性维护的效率和全面性，通过实现企业应用集成，可以将各种不同的系统和数据进行整合，提高数据的全面性和准确性，为预测性维护提供更加全面和准确的数据支持。同时，应用集成还可以提高维护效率和准确性，提高企业的运营效率和竞争力。以下是具体的实现方式：

a)建立数据集成平台：将来自不同源头的数据进行整合和处理，构建一套完整的数据集成平台，为预测性维护提供更加全面和准确的数据支持。

b)建立业务流程集成平台：将工业机器人预测性维护的业务流程进行整合和优化，建立一套全面的业务流程集成平台，提高维护效率和准确性。

c)应用集成：将各种应用系统和工具集成到一个平台上，为工业机器人预测性维护提供更加全面和准确的数据分析和预测支持。

d)设备集成：将工业机器人设备与其他设备进行集成，通过物联网技术实现设备之间的数据共享和交互，为预测性维护提供更加全面和准确的数据支持。

e)人员集成：将不同职能部门和人员进行集成，协同完成预测性维护的任务，提高维护效率和准确性。

要实现针对工业机器人的预测性维护，需要通过企业应用端、服务器端和客户端之间的数据处理过程来获取、分析和处理机器人的运行数据，进行预测和诊断。通过企业应用端、服务器端和客户端之间的数据处理过程，可以实现对工业机器人的预测性维护，提高机器人的可靠性和稳定性，同时降低企业的维护成本和停机损失。

下面是应用基于企业应用集成的工业机器人预测性维护系统实现的基于企业应用集成的工业机器人预测性维护方法的主要过程如下：

步骤一、数据采集：企业应用端通过数据采集系统获取工业机器人的监测数据，监测数据可以包括机器人的运行数据、型号数据、维护数据及工艺数据等多种数据。

步骤二、数据传输：将采集到的数据，通过MSB（制造服务总线），创新型的在普渡模型的每一层传输到服务器端，实时监控工业机器人的运行状况。

步骤三、数据处理：服务器端通过预处理和清洗等技术，对采集到的数据进行处理和分析，提取特征和关键指标，建立机器学习模型，对机器人的运行状态进行预测和诊断。

步骤四、数据可视化：通过数据可视化技术，将处理后的数据以图表、曲线等形式呈现，让工程师和技术人员更加直观地了解机器人的运行状态和异常情况，方便快速决策。

步骤五、报警预警：客户端通过接收服务器端发送的数据，实时监控机器人的运行状态，并根据设定的规则和模型进行预警和报警，及时处理机器人的故障和异常情况。

（一）企业应用端（前述的集成应用端子系统10）

企业应用端是指在企业内部，用于管理工业机器人预测性维护的应用程序，通过企业应用端可以对机器人进行更加细致的管理和监控。企业应用端的实现方式可以根据企业内部的具体需求和情况进行选择和组合，通过企业应用端的实现，可以对机器人的预测性维护进行全面的管理和监控，提高维护的效率和质量。

下面是企业应用端的具体实现方式：

a)工业物联网平台，即上文的MSB（制造服务总线）：可以通过工业物联网平台来实现机器人的实时监控和预警，通过传感器和物联网设备，收集机器人的运行数据和状态信息，并进行分析和处理，提高预测性维护的效率和准确性。

b)数据仓库和数据分析平台：通过建立数据仓库和数据分析平台，可以对机器人的运行数据进行存储和处理，通过数据挖掘、机器学习等技术，对机器人的故障和异常进行预测和预警。

c)资源管理平台：通过资源管理平台，可以对机器人的运行环境、维修记录、备件库存等进行管理和维护，提高机器人的可靠性和稳定性。

d)知识库和规则引擎：通过建立知识库和规则引擎，可以对机器人的运行数据和历史记录进行分析和归纳，通过专家系统等技术，制定适合机器人的预测性维护规则，提高维护效率和准确性。

e)人工智能和机器学习算法：通过人工智能和机器学习算法，可以对机器人的运行数据进行分析和处理，预测机器人的故障和异常，提高机器人的可靠性和稳定性。

（二）服务器端（前述的服务端子系统20）

服务器端是指用于处理、存储、分析和管理工业机器人预测性维护数据的服务器系统，通过服务器端可以实现对机器人预测性维护的自动化管理和实时监控。服务器端的实现方式可以根据企业内部的具体需求和情况进行选择和组合，通过服务器端的实现，可以实现机器人预测性维护的自动化管理和实时监控，提高维护的效率和质量。

下面是服务器端的具体实现方式：

a)数据库系统：通过数据库系统对机器人的运行数据和状态信息进行存储和管理，实现对机器人运行状态的实时监控和维护。

b)大数据处理平台：通过大数据处理平台对机器人的运行数据进行处理和分析，提取有价值的信息，为机器人的预测性维护提供数据支持和决策依据。

c)云平台：通过云平台提供的资源和服务，实现机器人的预测性维护的自动化管理和实时监控。

d)分布式系统：通过分布式系统实现机器人预测性维护数据的分布式存储和处理，提高系统的稳定性和性能。

e)Web（全球广域网）服务和API（应用程序编程接口）：通过Web服务和API，将机器人预测性维护的数据和功能开放给企业内部的其他应用程序或者第三方应用程序使用，实现系统之间的集成和共享。

f)安全管理系统：通过安全管理系统实现对机器人预测性维护数据的安全保护和访问控制，确保机器人的运行数据不会被恶意访问或篡改。

g)智能化算法：通过智能化算法对机器人的运行数据进行处理和分析，预测机器人的故障和异常，提高机器人的可靠性和稳定性。

（二）客户端（前述的客户端子系统30）

客户端是工业机器人预测性维护系统中的一个重要组成部分，可以帮助用户及时了解机器人的运行状态和异常情况，并根据设定的规则和模型进行预警和报警，及时处理机器人的故障和异常情况。

下面是客户端的具体实现方式：

a)移动终端应用：结合改进点5-基于工业无线的PAD终端（智能移动装置），通过开发移动终端应用程序，让用户随时随地监控机器人的运行状况。这种方式可以通过推送消息的形式，实现对机器人的实时监控和警报。

b)桌面应用：通过Web应用，可以将机器人的运行数据以图表、曲线等形式呈现，实现对机器人的实时监控和预警。用户可以通过浏览器访问这些Web页面，随时查看机器人的运行状态和异常情况。

其中，基于工业无线的PAD终端（智能移动装置）可以用于实现对工业机器人的预测性维护，提高维护的效率和质量同时，同时基于工业无线的智能移动装置可以让维护人员随时随地对机器人进行监控和维护，避免了传统维护方法的时间和空间限制，更加灵活和高效。可以通过以下创新方法实现：

步骤一、无线传感器网络：部署无线传感器网络来收集机器人的实时运行数据，如温度、振动、声音、电流、电压等，利用这些数据来预测机器人的故障和异常。

步骤二、基于云计算的智能算法：利用云计算的高性能计算能力和大数据处理能力，采用智能算法对机器人的实时运行数据进行分析和处理，从而实现对机器人的预测性维护。

步骤三、移动维护装置：软件层面，开发基于移动终端设备的维护应用程序，应用基于工业无线的PAD终端（智能移动装置）。硬件层面，通过在移动维护装置上集成温湿检测传感器（红外），震动传感器（磁力吸附在设备上）。通过移动装置对机器人进行实时监控和维护，提高操作的的便捷性和时效性，保障维护的效率和质量。

步骤四、人工智能技术：利用人工智能技术对机器人的实时运行数据进行分析和处理，自动识别机器人的故障和异常，并提供相应的预测性维护建议。

（四）基于企业应用集成的工业机器人预测性维护方法在某汽车制造企业中的应用项目概述

本申请应用项目首次启用了大数据思维建立数据模型；在大数据平台上运行算法，进行数据挖掘与分析，支撑机器学习模式。通过对机器数据及日志文件的抽取和转换，将数据存储到中转服务器上；通过大数据平台的数据湖（DATA LAKE）对数据进行清洗和加工，形成可以被R语言识别的中间表；通过R语言的建模及分析，输出最终的预测结果并反馈给现场维修工程师；维修工程师根据预测结果到现场维修，将预测结果是否准确返回给系统，系统通过机器学习的方式继续优化模型及算法，提高预测的准确率。预测性维修项目通过大数据平台的创新实践实现了技术的创新，也让汽车制造企业开启了大数据分析的时代。具体说明如下：

1、维修流程优化

传统方式主要是定期巡检以及紧急性维修和预防性维修，是无法提前预知故障以及紧急性维修带来的停产风险。预防性维修通过对设备的系统性检查、设备测试和更换以防止功能故障发生，使其保持在规定状态所进行的全部活动。它可以包括调整、润滑、定期检查等。主要用于其故障后果会危及安全和影响任务完成，或导致较大经济损失的产品。预防性维修的目的是降低产品失效的概率或防止功能退化。它按预定的时间间隔或按规定的准则实施维修，通常包括保养、操作人员监控、使用检查、功能检测、定时拆修和定时报废等维修工作类型。

预测性维修是以状态为依据的维修，在机器运行时，对它的主要（或需要）部位进行定期（或连续）的状态监测和故障诊断，判定装备所处的状态，预测装备状态未来的发展趋势，依据装备的状态发展趋势和可能的故障模式，预先制定预测性维修计划，确定机器应该修理的时间、内容、方式和必需的技术和物资支持。预测性维修集装备状态监测、故障诊断、故障（状态）预测、维修决策支持和维修活动于一体，是一种新兴的维修方式

根据维修发展的四个阶段，本项目实施上线后预期可以达到预测性维修阶段的目标，即通过大数据的分析实现预测性维修。维修的流程也由原来的定期巡检及紧急性维修，优化为维修人员接收机器故障的提前预警配合巡检的方式，经过一定时间的验证及模型优化，未来期待可以完全用提前预警的方式实现维修，在故障产生前更换备件，大大减低了停产风险并提高了生产效率。

项目上线后的维修流程如下：维修工程师每天上班前登陆工作平台，查看实时的故障预测结果，对出现预警的工作区域及机器进行查看，并制订当天的维修及巡检计划，当天工作中如有预警出现，会发送相应信息给维修工程师，维修工程师进行紧急处理，尽可能在设备产生故障前进行修复。

2、基于ESB的预测性维护方法

为实现应用集成技术的整合，提高运营效率，力争更加精准地定位设备故障、调配人力物力资源，本申请应用实例建立基于MQTT（消息队列遥测传输）协议的数据平台MSB（Manufacture Service Bus，生产制造服务总线），MSB能够提供现场工艺设备数据的通用连接平台，从而优化业务模式。

搭建基于MQTT协议的数据平台，现场级设备通过MSB（生产制造总线）发送实时数据。现场级设备通过MQTT协议向MSB发送实时数据。在该架构下数千台工业机器人、工艺设备、传感器等数据采集进入企业云，并通过大数据处理分析技术，实现数据的聚合、数据的智能显示、故障的提前预知、智能终端数据支持、供应商云应用、辅助管理决策。MSB大数据平台成为汽车制造企业数字化的基础设施。前端可以通过数据看板直接监控实时数据获取设备状态信息，也可以调用大数据中心的历史数据进行智能算法研究与开发。未来与第三方云平台进行合作互联，驱动更高的数据价值。

汽车制造企业联合设备制造商升级设备功能，使设备具备发送MQTT消息的能力。通过多轮测试，性能稳定后，开始大范围推广安装升级程序，为数据收集奠定基础。另一方面，由于使用设备类型众多，对于无法开发MQTT设备，汽车制造企业采用了信息转化方案。利用基于流的编程工具Node-Red数据流工具获取设备控制器本地数据，再发送出MQTT消息，成功实现了信息转化。

汽车制造企业使用的设备种类多，设备发送海量的各类日志及报警信息，因此传统关系型数据库无法支持日志信息的时效分析。Elasticsearch（简称ES）可以作为一个大型分布式集群（数百台服务器）技术，处理PB级数据。它将全文检索、数据分析以及分布式技术合并在一起，能够近实时(near real-time，NRT)地对海量数据进行搜索和分析，且响应耗时控制在秒级。汽车制造企业采用了ES作为实时数据库，ES架构下的Kibana作为前端实时看板开发的可视化工具。迄今为止连入设备量达到4000+，各类设备监控可视化看板70个，为设备的智能管理与运维提供了强有力的支持。

以工业机器人状态监控系统为例，机器人通过MQTT协议与汽车制造企业制造服务总线平台（MSB）连接，实时将当前状态、资产信息等数据上传。通过定制开发的汽车制造企业机器人状态监控信息，工作人员在选择某一台机器人后可以看到该机器人当前状态，例如正在运行那段程序、运行速度、CPU（中央处理器）载荷等实时状态信息；同时还可以看到机器人IP（网际互连协议）地址、序列号、运行总时长、系统版本、机器人程序包版本、机器人工艺设备种类的资产信息。通过对过去半年该机器人报警信息的分析处理，系统还会自动对机器人的整体健康状态进行评分，并以雷达图的形式展现，便于直观展现设备整体状态。

本项目的主要实施方案是采用大数据平台对机器的各种状态数据及日志进行建模分析，并将预警推送给指定的维修人员。项目的第一步是对现场的机器人及其他设备的数据采集，包括库卡（KUKA）以及博世（Bosch）等的设备数据以及日志文件，通过脚本及软件将原始数据格式转换成CSV(逗号分隔值文件格式)格式，并传送到中转服务器上；然后通过定时的任务将CSV文件传送到大数据平台中；接下来大数据平台会将数据格式转换成数据仓库表（Hive table）进行存储和转换，并通过R语言进行建模分析，行成最终的预测结果；最后将预测结果推送到前台的UI（软件界面）以及返回大数据平台进行数据的校正以及算法的优化。

3、基于德国开发的企业管理系列软件SAP的预测性维护流程

目前大数据模型分析已经应用到实际维修场景，在提高设备可用性、缩短维修工时等方面发挥着积极作用。

在完成预测性维修项目的开发、部署、初验完成后，组织对上线准备和试运行进行了策划，编制了《预测性维修试运行方案》，对系统试运行时间、数据准备、业务准备、上线后问题处理流程、以及上线支持的关键用户和职责分工进行了明确。上线之前对所有相关的维修人员进行了使用培训。试运行开始后，对于上线试运行期间发现的问题进行了记录，包括故障预测是否及时准确以及优化意见等，项目组根据反馈意见继续优化算法，解决问题，提高故障预测及时率及准确率。

项目组在某装焊车间选取部分点焊、涂胶机器人进行验证。以涂胶机维修为例，在大数据建模基础上分析实时数据，提前预警，辅助维修，降低停机频率。

项目试运行时案例的电焊故障能够达到以80%的准确率提前8小时预测故障，案例3涂胶机漏胶能够以78%的准确率提前24小时预测故障，另一案例的汇流排烧坏由于目前数据量有限以及故障数量不足导致现有模型预测效率不高，目前仍在寻找更有效的模型，但鉴于创新性项目本身的前瞻性和风险性，能有目前的成果已经达到了预期的效果。

在利用大数据分析以及算法模型进行模拟的基础上，预测性维修项目实现了对故障的实时预测，帮助维修人员提前预警故障可能发生的位置及时间，极大的提高了维修效率，提高了设备可用性及产品质量，降低了维修工时，最终实现了生产效率的提高。

本申请实施例还提供了一种电子设备（也即电子设备），该电子设备可以包括处理器、存储器、接收器及发送器，处理器用于执行上述实施例提及的基于企业应用集成的工业机器人预测性维护系统，其中处理器和存储器可以通过总线或者其他方式连接，以通过总线连接为例。该接收器可通过有线或无线方式与处理器、存储器连接。所述电子设备可自所述无线多媒体传感器网络中的传感器接收实时运动数据，并自所述视频采集装置接收原始视频序列。

处理器可以为中央处理器（Central Processing Unit，CPU）。处理器还可以为其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-ProgrammableGate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中的基于企业应用集成的工业机器人预测性维护系统对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的基于企业应用集成的工业机器人预测性维护系统。

存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器中，当被所述处理器执行时，执行实施例中的基于企业应用集成的工业机器人预测性维护系统。

在本申请的一些实施例中，用户设备可以包括处理器、存储器和收发单元，该收发单元可包括接收器和发送器，处理器、存储器、接收器和发送器可通过总线系统连接，存储器用于存储计算机指令，处理器用于执行存储器中存储的计算机指令，以控制收发单元收发信号。

作为一种实现方式，本申请中接收器和发送器的功能可以考虑通过收发电路或者收发的专用芯片来实现，处理器可以考虑通过专用处理芯片、处理电路或通用芯片实现。

作为另一种实现方式，可以考虑使用通用计算机的方式来实现本申请实施例提供的服务器。即将实现处理器，接收器和发送器功能的程序代码存储在存储器中，通用处理器通过执行存储器中的代码来实现处理器，接收器和发送器的功能。

本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现前述基于企业应用集成的工业机器人预测性维护系统的步骤。该计算机可读存储介质可以是有形存储介质，诸如随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。

本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路（ASIC）、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。

需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

本申请中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。

以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域的技术人员来说，本申请实施例可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。