智能制造下的汽车行业工业设备能源监测及分析

杜文博，王彦秋

（1.北京奔驰汽车有限公司，北京 100176；2.童安福（北京）科技有限责任公司，北京 100073）

0 引言

当前世界各国都在积极寻求和开发新的能源，加之我国仍处于发展阶段，对能源的需求量巨大，节能降耗的问题越来越引起国家和社会的关注和重视。工业领域向来是能源消耗较多的领域，因此在工业领域实现节能尤为重要。工业领域的能源管理项目是发展循环经济、节能、环保实现可持续发展的重要途经。在工业系统中，汽车制造业又是国民经济的支柱产业之一，在汽车制造业实施先进的能源管理体系可以大幅降低资源和环境成本，获取更好的经济和社会效益，同时达到节能减排的目的。随着国家和社会对制造业节能减排的要求的提高，粗放型的能源管理方法已经不能满足未来发展的需要。因此，通过应用智能制造、工业互联网技术，精细化的能源管理方式以及基于数据驱动的能源消耗预测的建模已经成为当前重要的研究方向。

1 工厂工业设备能源监测分析系统简介

以某整车厂的焊装和总装车间为试点，搭建了工厂工业设备能源监测分析系统。此项目是以信息、计算机视频图像等控制技术为手段，面向汽车制造的生产过程，实现能源信息的数字化、能耗过程的可视化、决策处理集成化的综合性系统工程。汽车制造业工业设备能源监测分析系统项目的实施对生产车间提高产能、减少停机维修时间具有深远的意义。目前，该整车厂的各车间控制系统高度标准化，在试点项目实现此设备能源监测平台，也可推广到其他焊装、喷漆及总装，为今后设备故障的快速处理以及预防性检修做好准备。目前该项目第一阶段已经实施完毕，并取得了较好的成果。

2 汽车制造工业设备能源管理现状

目前整个汽车制造行业大部分企业对工厂的能源管理的认知是相当浮于表面且有盲点的。例如在用电高峰期强制停用高耗能设施；工业设备更换为具有节能功能的设备；但是诸如以上这些措施在本质上并不能达到节能降耗的目的。事实上，这种缺乏具体数据佐证的做法，可能投入了大成本却得不到相应的预期节能效果。在项目实施之前工厂内没有生产耗电的详细信息；因此即使存在用电浪费的情况也不能及时发现并找出其原因；同时人员抄表得到的数据也是有延时的，并非是实时的，一方面不能及时的发现问题，另一方面发现问题后回溯数据也非常的困难。

因此实现节能降耗必须实施先进的能耗管理方式，先进的能源管理方式必须首先实现用电数据的信息化。汽车制造业工业设备能源监测分析系统是目前可行且有效的解决方案。工业设备能源监测分析系统能够实现实时能源监控、能效分析、用能安全等功能。此方案可以分三阶段落地，第一阶段基于工厂现有的硬件设备搭建工业设备能源监测分析系统的基础架构并具有实现生产耗能的统计分析功能；第二阶段搭建基于数据驱动的能源消耗预测模型并实现可视化；第三阶段实现柔性化生产线根据不同车型排产实现最优能耗水平。

项目实施之前，工业设备的供电系统采用集成配电系统的电能表进行电能监测，需手动查看且无数据追溯功能，给整个装焊工厂带来了非常大的压力。汽车制造业工业设备能源监测分析系统实施之前，需要在现场通过仪表读数，费时费力且无记录功能，无法分析重点能耗设备情况和非生产耗能。设备间的用电干扰和上口电压等问题导致设备电气元器件频繁烧毁，从而造成设备停机，造成大量损失。因此，对能源（水、电、气）的实时检测，对于生产的可持续性具有重要意义。

在项目实施之前，此高端整车制造厂已经在新一代标准的车间工厂内引进了大量的高新技术和先进的工业设备。通过使用现场已有的硬件搭建能源监测分析系统，用以实现对工厂内的能源消耗与设备的运行状况实施精细化监测与分析，从而能够及时检测出系统内的重点能耗设备及非生产时的跑、冒、滴、漏和电机空转等增加能源消耗的问题。同时，也能及时分析出因能源供给不足或设备之间干扰而导致的相关问题。例如，上口电能质量不达标、三相电压不平衡、压缩空气供给不稳定（有细小的漏气）、工艺循环冷却水或设备电磁干扰等。通过搭建能源监测分析系统就可以及时排查因能源方面的问题而造成的设备故障（电器元件损坏、气动元件不稳定），并且能够更有针对性的进行预防检修，提升工业设备的使用寿命，达到节能减排的目标。

3 汽车制造业工业设备能源监测分析系统设计

能源监测分析系统的技术架构是利用现有的控制系统和现场总线来搭建设备能源检测分析系统，进行能源监测、分析功能的二次开发（图1）。目前，在实际的生产中缺少一种有效的解决措施来进行设备能源监测，预防上口电能质量不达标、三相电压不平衡、工艺循环冷却水或设备电磁干扰等故障，为了系统的解决设备能源质量问题，联合技术维修团队中分别负责机械、PLC、电气的责任工程师以及供应商，对控制系统进行了初步全面的分析，并制定详细的改造方案。初步改造方案从各个方面对设备能源监测平台进行自主开发，以提高能源系统的稳定性和可用性，降低故障率，减少维修时间，减轻车间的生产压力。

3.1 基于Profinet的工业物联网方案

目前此整车工厂目前有44 套西门子集成配电系统，其中装焊车间16 个，总装车间28 个分布在各自动化区域，实现以下3 个目标：

3.1.1 主要技术指标

通过硬件采集工厂设备层供电、压缩空气状态，利用现有的Profinet 控制网络系统，在服务器整合数据，建立管理平台进行处理和分析数据，实现设备能源监测、可视化、分析等功能（图1）。

图1 能源监测分析系统架构

3.1.2 电能实施方案

在电能监测实施方案中，计划利用现场现有的西门子PAC3200 多功能电能表，通过通信线缆改造，集成到PLC 控制系统，通过自主PLC 编程实现数据采集，最终在上位系统自主编程实现可视化（图2）。

图2 电能实施方案

3.1.3 压缩空气实施方案

在压缩空气监测及节能实施方案中，计划利用现场现有的Festo MSB9 气源模块，集成到PLC 控制系统，通过自主PLC 编程实现数据采集，最终在上位系统自主编程实现可视化。并且，可通过集成Festo MSE6-E2M 节能模块实现压缩空气的泄漏检测并及时报警，同时能够实现停机检测并自动关断。具体实施方案为在PLC 组态此模块，PLC 和模块之间持续通信，交换状态检测，如发生压缩空气泄漏可在上位机上发出警告，如在非生产时间可自动关断以避免压缩空气泄漏，生产时再进行复位（图3、图4）。

图3 压缩空气实施方案

图4 Festo 压缩空气警告及节能架构

水、电、气等能源介质质量不达标会干扰设备的正常运行，从而导致停机；不稳定的能源供给或设备间干扰，会烧毁或缩短元器件寿命。例如在装焊车间发生过几起激光焊烧毁电路板事件，螺柱焊机也频繁发生电流过低的供电故障。通过搭建此设备能源监测平台，可以对以上情况进行预警，从而避免由以上问题导致的停机，降低经济损失。

3.2 方案的效果与收益

3.2.1 以压缩空气为例

压缩空气节能系统如图5 所示，方案的效益与收益如图6所示。

图5 压缩空气节能系统

图6 方案的效益与收益

3.2.2 以电能回收为例（图7）

图7 电能回收系统

在升降工位通过部署能量回馈单元，电机功率11 kW，每天节省的能量约为18.36 kW·h。汽车制造业总装焊装17 个提升机工位每年可节约=17×1×250×18.36=78 030 元。目前每个工位每天耗能平均344.85 kW·h，仅电能一项可节省单车能耗=18.36/344.85=5.32%。

3.2.3 在现有上位系统自主二次开发

通过自主开发上位机程序，无需采购昂贵的能源管理平台。本系统技术出发点力求务实，提高经济性、可靠性，在原来的设备基础上进行改造。因此这次自主搭建的设备能源监测分析系统能有效降低供能系统对生产的压力，降低因设备故障导致的生产损失。可将工厂内的能源消费状况与设备运作状况实施精细化监视和分析，实现工业设备的高生产效率，提升设备使用寿命，降低能源消耗。

4 工业设备能耗预测模型

目前该整车制造工厂的工业设备能源监测分析系统只实现了统计分析功能，未来随着数据的积累以及算法的成熟，将能源的管理简单统计分析功能逐步实现基于数据驱动和算法的能源消耗实时预测的功能。从单个车间的能源预测逐渐普及到基于工业物联网的整个生产系统的能源管理及能源消耗预测，以采取有效的节能措施达到预期的节能目标。

该项目的第二阶段已经开始实施，正在试点工序内进行数据的收集以及数据处理工作，原始数据维度、数据收集频次以及数据源见表1。

本次研究使用某整车厂的焊装及总装车间的能耗及相关数据。目前数据还处于收集阶段，除了表1的数据维度之外，后期会通过进一步分析补充数据维度，包括车间环境参数、产品工艺参数、产量等。

表1 试点工序数据维度、频次及来源

4.1 特征工程

在数据模型建立过程中，数据的处理工作十分重要，模型能够达到的精度本质上是由数据处理特征提取的优劣所决定的，而所用的模型以及算法的选择只能尽可能使模型预测结果达到这一上限。因此，数据的处理和特征工程及算法的选择都是在建立能耗预测模型时需要关注的关键因素。下面对本次能耗建模预测特征工程考虑的因素进行简单总结。

4.1.1 提取所收集数据的关键信息

由于整车制造工业的能源消耗数据在时间上具有连续性特征，因此需要针对日期数据进行观察并提取特征信息。例如，因为季节原因生产系统的外部环境温度差异巨大，在特征提取时必须考虑到相关的信息。另外，不同车型耗能也有很大的差别，不同产品的参数信息也是要考虑到的关键信息。

4.1.2 对关键数据进行线性压缩

在汽车的制造中，不同车型的生产耗能也会有所不同，因此在特征工程中可以将产品的工艺信息（长度、重量、面积）加入其中。研究的汽车制造工业设备的主要工艺是焊装车间的工业机器人、冷连接及热连接工艺。在焊装车间的主要高能耗工艺就是给工业机器人及连接技术，因此选取各个车型的电能及压缩空气消耗为关键物理量。这些关键物理量与不同车型相对应，并对不同车型的每日产量进行线性压缩，再乘以一定的线性比例，来整合工艺信息与产量信息的整合。这样既不增加新的维度增加建模的复杂性，还能在已有的特征中加入新的信息提高模型的预测准确性。

4.1.3 创建多项式特征

一般情况下，模型会将各个维度都作为独立的输入，并不会考虑特征之间的关系。因此，如果不同的车型的产品之间存在一定的关系可以考虑加入多项式特征。例如，研究中不同的车型之间是有相互替代的关系的，因此在特征工程中就可以建立不同车型产量间的相关关系，来补充产量数据的多项式特征。

4.1.4 增加补充维度

数据维度的多样和有效是模型准确性的基础，如果模型预测结果不及预期，这时首先可以考虑是否增加新的数据维度。要从汽车工艺的流程入手，来观察是否缺失了影响能源消耗的关键数据，来补充数据维度，提高预测的准确性。目前该项目的建模过程还处于数据收集与处理阶段，整个过程中数据的维度也会根据业务知识的积累及未来模型的训练结果及时的调整。

4.2 预测模型的选择

支持向量机、神经网络、随机森林模型等算法都可以实现能源消耗的预测。但是汽车制造工业设备能源消耗预测数据量大且离散度较高，支持向量机和神经网络算法的运用就有一定的局限性。通常，SVM 算法比较适用于数据需要高维转低维的场景，适用于小样本分析，如果样本量较大则训练时间会比较长。BP 神经网络算法是一种局部搜索的优化方法，能够较好地反应出输入与输出之间的非线性关系，处理图像、语音、文本等高维数据。除了BP 神经网络算法还出现了一些新型的深度神经网络模型，这些算法也需要相当大的数据量为依托，对项目的能耗预测也不合适。其次，不论是支持向量机还是神经网络算法都需要经过复杂的调参才能达到较好的预测效果。

通过综合比较，研究中的项目拟采用XGBoost 算法进行建模分析。

4.2.1 XGBoost 模型的优势

XGBoost 是陈天奇等人开发的开源机器学习项目，高效地实现了GBDT 算法并进行了算法和工程上的许多改进。XGBoost算法能实现并行计算和分布式计算驱动快速学习；还可以与Flink，Spark及其他云数据流系统集成。同时，由于XGBoost在预测性能上强大且训练速度快，可以处理回归、分类和排序等多种任务。相对于SVM、BP神经网络算法，XGBoost 算法的训练时间短；对初始设置的参数依赖性较低；同时也能适用于不平衡分散数据的学习和预测；还能较好的处理表格数据。因此对于项目的能源消耗预测采用XGboost 模型相比于其他算法更有优势。

4.2.2 XGBoost 模型原理

XGBoost 是基于Boosting 来实现的。XGBoost 算法是将许多基础模型集成在一起，基础模型可以是分类与回归决策树也可以是线性模型，是一种集成式提升算法。集成学习方法提供了一种系统的解决方案，能够给出多个模型的聚合输出。对于一个有m 维输入、n 个样本点的集合了K 个子模型的模型,如式（1）。

式中 F——回归树集合所在的空间

fk——分类树，具有独立结构和独立叶权重

XGBoost 算法的特征如下：XGBoost 算法在损失函数中加入了正则项，防止过度拟合；XGBoost 算法结合了稀疏感知的分割查找算法能够处理稀疏数据；XGBoost 有一个分布式加权分位数草图算法能够有效地处理加权数据；XGBoost的系统设计中有并行学习的块结构，在CPU 上使用多个内核，能够实现更快的计算；XGBoost 在每个线程中分配内部缓冲区可以优化硬件的使用；XGBoost 具有核外计算的特性，优化了可用的磁盘空间。

5 结束语

在2021年全国两会，碳达峰和碳中和被首次写入政府工作报告，通过制造业的电气化升级改造，应用物联网技术打通设施供电和设备消耗的技术壁垒，实现透明化的工业用能管理。结合能源消耗实时预测的功能，优化结果显著，能较好地实现汽车制造业工业设备能耗预测工作。