工业4.0时代来临，人们对产品的需求激增，单靠人力的流水线劳作已经无法满足大众的需要。工业机器人能够模拟或者替代人工劳动力进行有序的专职工作，例如有些机器人专门拧瓶盖，有的专门贴品牌标签。它们可以做到“007”工作制，堪称工业界的“超级劳模”。

 然而，即使是机器劳模也会“亚健康”甚至“生重病”。随着工业机器人的数量和使用时间不断上升，故障发生的频率和影响力也越来越高。一旦发生故障或者“罢工”，极易影响到生产产品的质量，甚至会出现“一机罢工，拖累全厂”的事故。

 因此，算法加持的故障预测和健康管理（PHM）技术系统相当于全天候的贴心健康助理，实时监测这些“劳模”的健康状态，能够对它们的状态做出合理预测和管理，保障工业机器人的健康安全。

 首先，归纳历史数据，利用算法建立健康检测模型。

 工业机器人健康和生病时的状态有所差异，所以需要收集工业机器人工作时的操作动作、频率、幅度、温度等历史数据，对健康状态下的工业机器人有基本了解；再通过生病期间的异常历史数据进行分析总结，对其故障症状和原因模式进行研究，最终学习总结出“健康检测管理笔记”，从而构建出全面、可用的健康检测模型，为投入使用打下关键基础。

 其次，传感器采集数据，处理并提取特征。

 在算法机器端有了分析模型，在工业机器人端也需要给它们配上“手机”保持实时联络，也就是传感器，从而监护工业机器人的健康状态。通过传感器能够获得工业机器人的参数指标，例如振动、温度、光强、电压的变化，每种变化的强弱和长短都可能与工业机器人的健康息息相关。为了诊断更准确，算法会对收集到的变化数据进一步处理并提取特征，找出与故障状态联系强的特征数据。

 举例来说，专门拧瓶盖的工业机器人原本1秒震动3次，但检测出它的频次有时1秒1次，有时1秒10次，数据出现了异常，接下来就需要进一步的判断。

 最后，通过故障预测模型判断设备健康状态，并生成健康报告。

 设备的各种信息特征都收集完毕后，算法就可以根据已有的健康检测模型进行判断，像翻优等生的笔记那样，找出最有关联的故障原因和解决方案，最终形成专业的健康报告，及时向设备管理人员通报，说明健康风险状态和主要风险部位，以便工厂能够合理安排工业机器人“住院检查”或“调休保养”。

 与此同时，我们还可以将新的“健康笔记”添加至健康检测模型之中，不断学习和优化相关模型，让下一次的诊断更加轻松。

 据统计，算法加持的故障预测和健康管理系统能够延长工业机器人的生命周期，减少约35%的设备停机时间，降低四分之一的维保成本，为企业省时省力，带来更高的经济效益。此外，对设备进行高效的维护检测，延长其生命周期，这样也尽可能地节约了资源，起到了保护环境的作用。