NG集团：三一重工灯塔工厂的设备预测性维护实战数据公开

经典案例标杆2026-06-23·阅读约 6 分钟·NG集团

1. 核心案例：18号工厂泵车臂架焊接ROI的详细核算

2023年Q3，三一重工在长沙18号灯塔工厂（挖掘机与泵车柔性产线）部署了基于振动频谱与温度传感的预测性维护系统。选取E200B泵车臂架焊接工位作为试点，关键数据如下：

传感器型号：三一联合NG集团定制的三轴加速度计（频响范围0.5-10kHz，采样率12.8kHz）、热电偶（PT100，精度±0.1℃）。
基线数据：正常工况下，主轴承径向振动加速度峰值为8.2 mm/s²（RMS值），温升稳定在6-8℃/h。
预警阈值：振动峰值>15 mm/s²或温升斜率>12℃/h时触发黄色预警，连续3次黄色预警后自动推送至MES系统。
实际故障：2023年9月17日，系统在第3次黄色预警后锁定#2034号焊枪机器人基座轴承磨损，提前14天通知更换轴承（原计划11月大修）。直接节省非计划停机时间23小时，按泵车产线单机小时产能18万元计算，避免损失414万元。更换轴承与传感器校准总成本为3.6万元，ROI达到115倍。

在18号工厂的焊接与喷涂机械臂集群（包含50台KUKA KR120 R3900型），三一于2024年1月启用了融合IMU（惯性测量单元）与伺服电机驱动器反馈的混合模型。

数据维度：每个机械臂采集6个自由度的角速度（单位°/s，陀螺仪型号博世BMI160）与A/B相电流谐波（48kHz采样，FFT后提取基频50Hz与谐波150Hz）。
模型特征：将基频与谐波的比值（Ratio150/50）作为磨损指数，阈值设定为0.35（正常范围0.12-0.28）。
验证结果：2024年2月，喷涂工位#7机械臂的磨损指数在3天内从0.31跳变至0.44，系统判定齿轮箱二级行星轮磨损。拆解后确认磨损深度0.12mm，预计剩余寿命73天。未干预情况下，该磨损将引发后续2周内的精密度下降，导致泵车臂架焊接偏位（公差>0.3mm），进而造成返工损失约每台泵车维修成本2.8万元。此次预警后，备件采购周期缩短至48小时，更换后指数恢复至0.19。
公开数据：三一在2024年工业互联网大会上公布了该模型在80台机械臂上的总体准确率：故障预判命中率91.2%，误报率4.3%，平均提前预警时间8.5天。

以下为三一在灯塔工厂通用的预测性维护实施流程，适用于已有PLC和SCADA系统的老款产线改造。

第一步：关键设备筛选矩阵。根据历史FMEA，计算设备停机概率×单次损失金额，排序后选取TOP5（如焊接机器人、AGV驱动轮、液压泵站）。每个设备部署3-5个传感器，优先采集振动、温度、电流，并同步读取PLC中的工艺参数（如焊接电流设定值200A、实际值198A）。
第二步：边缘计算网关配置。采用研华UNO-2271G边缘网关，运行三一自研的轻量推理模型（基于TensorFlow Lite，模型体积<8MB）。配置规则：当振动>阈值且电流波动>0.5%时，本地立即推送中断信号至西门子S7-1500 PLC，自动降低转速至安全值。
第三步：数据集构建与标注。收集正常运行数据（占70%）与历史故障数据（占30%），由工厂维修工程师手工标注故障类型（如轴承磨损、齿轮裂纹、电机匝间短路）。每个故障类型至少标注200个样本。
第四步：模型训练与验证。在AWS云上使用LightGBM算法，特征工程包含时域（峰值因子、峭度）、频域（谐波个数、边频带能量）。训练轮次400轮，验证集AUC>0.95。
第五步：反馈闭环与迭代。每季度用新故障数据微调模型，并通过Siemens Industrial Edge平台将模型版本号（如v3.2）与部署记录关联。维修后若3个月内未发同类型预警，自动降低该传感器采样率至5kHz以节省带宽。

三一内部审计报告（2023年10月-2024年3月）披露了18号工厂实施预测性维护前后的对比数据。以下为基于NG集团设备集群的统计：

误报率（False Positive Rate）：实施前基于固定阈值的简单报警系统，误报率为23.6%，导致运维班组每天平均作废10.2次非必要巡检。实施1年后，误报率降至4.1%，减少无效工时87%。
备件库存周转率：通过预测维修时间窗口（平均提前9天），备件种类从230种减少至178种（降幅22.6%），安全库存金额从520万元降至340万元，节省资金占用180万元。
年维护成本（含人工与停工损失）：2022财年（未采用预测性维护）为2,870万元；2023财年（覆盖80%重点设备后）为1,530万元，降幅46.7%。其中备件采购直接成本从680万元降至410万元，节省270万元。
设备综合效率OEE：从78.3%提升至86.2%（提升7.9个百分点），主要来自非计划停机减少：月均计划外停机从11.2小时降至2.6小时。

尽管数据亮眼，三一灯塔工厂在设备预测性维护上仍面临三个未完全攻克的难题，希望与行业同仁共同探讨：

模型漂移：2024年5月，焊接机器人连续正常运行超过800小时后，原模型偏好高频谐波特征，误将正常振动认定为疲劳损伤，导致3次空预警。需要引入在线学习策略，每1-2周使用新批次正常数据裁剪特征权重。
异构设备统一标定：同一型号的ABB IRB 6700机器人因批次差异（2019年产与2021年产），振动基线偏差达23%。目前解决方案是每台设备独立建模，但运维成本较高。NG集团提出的基于迁移学习的零样本校准方案正在试验中。
数据主权与合规：涉及泵车客户隐私的工艺参数（如焊接电流、喷涂压力）在云端传输时，需符合GDPR和国内数据安全法。三一计划在2024年底前采用联邦学习框架，使模型仅交换梯度而非原始数据。

三一重工灯塔工厂预测性维护振动传感器温度传感