CN101509839A - 基于离群点挖掘的集群工业机器人故障诊断方法 - Google Patents

Abstract

本发明涉及一种基于离群点挖掘的集群工业机器人故障诊断方法，属于机电设备故障诊断领域。首先采集集群工业机器人原始运行状态数据并进行归类等预处理操作，然后用聚类分析的方法将多台工业机器人作为一个群体进行分析，使得多台设备根据运行状况进行归类。在聚类基础上，利用离群点挖掘方法计算每台工业机器人的离群因子得出其离群程度，并根据离群程度分离出离群点，进一步确定离群点所代表的个体工业机器人是否出现故障，并通过异常运行参数的种类判断出机器人出现故障的具体部位，获得故障诊断结果。利用本发明的故障诊断结果，可实施针对性预测性检修，避免设备故障的发生，提高设备的可靠性，保障集群作业机器人可靠运行。

Description

基于离群点挖掘的集群工业机器人故障诊断方法

技术领域

本发明涉及一种工业机器人故障诊断方法，尤其涉及一种基于离群点挖掘的集群工业机器人故障诊断方法，属于机电设备故障诊断技术领域。

背景技术

纵观整个装配制造业的发展现状，不难分析出其今后的发展趋势是：不断发展的自动化柔性生产系统。工业机器人因其集自动化生产和灵活性生产的特点于一身，因此近年来，装配制造业中大规模地使用了工业机器人来提高生产效率，如在汽车生产的冲压、焊装、涂装、总装等工艺过程中，工业机器人都有广泛的应用。工业机器人是集机械、液压、电子、光电、计算机等多种类型元器件和控制软件在内的复杂系统，在工业应用中通常带有较大负荷并长期连续运转，然而一旦工艺流程中的某个工业机器人失效或发生故障，将对整条生产线造成影响。发明一种工业机器人故障诊断方法，通过监测其运行数据达到预测故障的目的，并及时实施相应的检修与维护，对于保障生产线可靠运作，提高经济效益具有重要意义。

对自动化设备的故障诊断和性能评估有两种方法：一种是纵向评估：即根据设备自身的历史运行数据评估性能的变化趋势。这种评估方法可以借鉴传统的信号处理理论和方法，其研究相对比较成熟，但这种方法只能针对单台设备，具有单一性。另一种是横向评估，即多台相同或相似的设备，在其工作条件基本相同的情况下，相互之间进行横向的比较，以评估设备的性能状态。装配制造业中大量应用的工业机器人正符合这一特点。

经对现有技术的文献检索发现，公开文件“工业机器人故障的实时检测与诊断”(机器人，1992)提出了一种工业机器人的故障诊断方法，该公开文件自述为：“本文首先建立了直流电机驱动机器人的驱动系统的动态故障模型，它包容了电枢电组，电感等故障，随后建立了工业机器人传感器的动态故障摸型。可包容位置，速度及力传感器的阶跃型和缓变型故障。在此基础上，应用作者提出的可处理一类非线性系统参数偏差型故障的系统性算法，成功地检测并诊断出这些故障，仿真结果表明，本文方法具有检测时延较小的优点，不仅可以隔离出故障而且同时可估计出故障的大小”，其不足之处是通过建立已知故障的模型对工业机器人进行动态诊断，因此无法对未知故障进行诊断；此外，该方案只适用于对个体工业机器人进行诊断，而无法用于大规模生产线上集群作业的工业机器人。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于离群点挖掘的集群工业机器人故障诊断方法，通过监测其运行状态数据，实现对生产线上集群作业工业机器人的故障诊断，实施针对性预测性检修，避免设备故障的发生，提高设备的可靠性。

为实现上述目的，本发明首先采集集群工业机器人原始运行状态数据并进行归类等预处理操作，然后用聚类分析的方法将多台工业机器人作为一个群体进行分析，使得多台设备根据运行状况进行归类。在聚类基础上，利用离群点挖掘方法计算每台工业机器人的离群因子得出其离群程度，并根据离群程度分离出离群点，进一步确定离群点所代表的个体工业机器人是否出现故障，并通过异常运行参数的种类判断出机器人出现故障的具体部位，获得故障诊断结果。在数据库中存储集群工业机器人的运行数据和故障诊断结果；利用显示端口实时显示运行数据和故障诊断结果。

本发明的方法具体包括以下步骤：

1、采用多输入通道数据采集卡获取集群工业机器人的运行状态数据；所述运行状态数据包括：总消耗功率、基座振动、各电机的功率及工作电流、旋转关节的角速度、任务执行结果等。当诊断对象很多时，可以通过扩展多个采集卡来增加输入通道。

2、将获得的运行状态数据按统一格式整理归类，通过添加数据标识区分数据来源及数据类型，然后传输到系统数据库进行保存。

3、对集群工业机器人的运行状态数据进行聚类分析，利用离群点挖掘方法计算每台工业机器人的离群因子得出其离群程度，并根据离群程度分离出离群点，进一步确定离群点所代表的个体工业机器人是否出现故障，并通过异常运行参数的种类判断出机器人出现故障的具体部位，获得故障诊断结果。

4、将包括工业机器人的运行状态数据、故障诊断结果在内的信息存储到系统数据库中，并通过专用显示端口直接显示数据，作为管理、维修和更新工业机器人的依据。

显示运行数据和故障诊断结果可以保障工程师借此浏览工业机器人历史和当前的运行数据、性能评估结果、故障发生情况及维修情况等信息。

本发明方法直接从工业机器人的控制器获取其运行数据，如消耗功率、基座振动等能够表现其工作状态和设备健康状况的参数，并采用离群点挖掘方法对大量同类数据进行横向比较，分析其中异样的运行参数，进而达到诊断集群工业机器人中出故障的设备。

本发明对集群工业机器人的故障诊断是通过大量比较相似运行数据实现的，即通过异样的运行数据发现有可能出现故障的设备，因此比较数据种类越多，设备故障诊断效果越明显，具有可以诊断已知的故障和未知故障的能力。

根据本发明的故障诊断结果，可以实施针对性的预测性维修，避免设备故障的发生，提高设备的可靠性，起到了保障装配制造业中自动化生产线可靠运行的作用。

附图说明

图1为本发明基于离群点挖掘的集群工业机器人故障诊断方法流程图。

图2为本发明实施例集群工业机器人离群挖掘的结果。

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式，但本发明的保护范围不限于下述的实施例。

如图1所示，本发明包括以下步骤：采集集群工业机器人的运行数据、工业机器人运行数据的预处理、对工业机器人进行实时故障诊断、存储运行数据和故障诊断结果、显示运行数据和故障诊断结果。具体如下：

1、所述集群工业机器人的运行数据是由数据采集卡从集群工业机器人的控制器处获取，数据采集卡有多路输入通道，可以同时采集多个工业机器人的运行状态数据。当诊断对像很多时，可以通过扩展多个采集卡来增加输入通道。获取的数据包括：总消耗功率、基座振动、各电机的功率及工作电流、旋转关节的角速度、任务执行结果等。

2、将获得的运行状态数据进行预处理，按统一格式整理归类，通过添加数据标识区分数据来源及数据类型，如数据标识后第一项为总消耗功率、第二项为基座振动等。这种统一的数据表达方式便于数据库对机器人运行数据的管理，也便于故障诊断算法抽取集群工业机器人同类运行数据，并进行横向比较。然后传输到系统数据库进行保存。

3、所述的集群工业机器人故障诊断步骤是本发明的核心，故障诊断是基于比较多个工业机器人的同类数据，例如在相同负荷下的工作电流、基座振动等。首先对集群工业机器人的运行状态数据进行聚类分析，利用离群点挖掘方法分离出某些异样的个体数据，即计算每台工业机器人的离群因子得出其离群程度，并根据离群程度分离出离群点，进一步确定离群点所代表的个体工业机器人是否出现故障，并通过异常运行参数的种类判断出机器人出现故障的具体部位，获得故障诊断结果。

故障诊断采用在聚类基础上的离群点挖掘方法，首先采用聚类分析的方法将多台工业机器人作为一个群体进行分析，使得多台设备根据运行状况进行归类。在聚类分析的结果上，根据参数标识“大”簇和“小”簇，并对“小”簇中的离群点计算离群因子，离群因子定量地表示了离群点的离群程度。

所述聚类方法没有严格要求，只要能产生好的聚类结果就可以。本发明实施例采用一种群体智能聚类算法，具体步骤为把集群工业机器人中的个体运行状态参数当作对象(例如把一个机器人的总消耗功率、基座振动、主电机电流三个参数作为对象)，然后将来自于集群工业机器人的所有对象随机分布在一个二维网格上，并由虚拟的蚂蚁测量其中一个对象在该环境内的群体相似度，并将这种群体相似度通过概率转换函数转换成拾起或放下的概率，通过群体之间的这种相互作用，经多个循环后即可实现对象的聚类。

在聚类产生后，其中小簇中的对象有可能就是离群对象。给出几个关键的定义如下：

定义1：令数据集D表示数据的集合，聚类算法在D上执行后，其结果表示为：C＝{C₁，C₂，…，C_k}，其中

1≤i，j≤k且i

k是聚类后簇的数目。

定义2：(定义“大”簇和“小”簇)，设C＝{C₁，C₂，…，C_k}是簇的集合，并且满足|C₁|≥|C₂|≥…≥|C_k|，给定两个参数α和β，在满足下面的任一条件时，定义b是“大”(Large)和“小”(Small)簇的边界(Boundary)。

(|C₁|+|C₂|+…+|C_b|)≥|D|·α   (1)

|C_b|/|C_b+1|≥β   (2)

则，“大”簇的集合定义为：LC＝{C_i|i≤b}，“小”簇的集合定义为：

SC＝{C_j|j>b}

定义2给出了簇的大小的量化的判据。公式(1)的根据是：数据集中的大部分点都应该不是离群点，只有一小部分点才是，因此将数据集中的大部分点所在的簇看作是“大”簇是合理的。公式(1)和公式(2)满足其中的一个条件即可，公式(1)在任何条件下都可以满足，因此b的值一定能够得到。

定义3：基于聚类的局部离群因子(CBLOF)，设C＝{C₁，C₂，…，C_k}是簇的集合，并且满足|C₁|≥|C₂|≥…≥|C_k|，参数α，β，b，LC，SC的含义同定义2，对任意的数据集中的元组t，t的基于聚类的局部离群因子(CBLOF)定义为：

$\mathrm{CBLOF}=\left\{\begin{array}{cc}\min \left(\mathrm{dis}(t,C_j)\right)/\left|C_i\right|& \mathrm{where\; t}\∈C_i,C_i\∈\mathrm{SC},C_j\∈\mathrm{LC}\\ \mathrm{dis}(t,C_i)/\left|C_i\right|& \mathrm{where\; t}\∈C_i,C_i\∈\mathrm{LC}\end{array}\right.---\left(3\right)$

式中，dis(t，C_i)表示元组t到簇C_i的距离，可采用聚类中的距离公式进行计算。该定义给出了基于聚类的离群点的离群程度的度量方法。

图2为本实施例集群工业机器人离群挖掘的结果。如图2所示，设定α和β后，经过计算，图中的第三类属于离群设备，而且通过式3可计算每台离群设备的离群因子得出其离群程度。通过这种分析，对于离群对象，进一步确定该对象所代表的个体工业机器人是否可能出现故障，并通过异常运行参数的种类判断出机器人出现故障的具体部位。

这种基于离群点挖掘的集群工业机器人的故障诊断是通过大量比较相似运行数据实现的，即通过异样的运行数据发现有可能出现故障的设备，因此参与比较数据种类越多，设备故障诊断效果越明显。此外，本方法不需要事先知道故障的模式，具有诊断已知的故障和未知故障的能力。

4、将包括工业机器人的运行状态数据、故障诊断结果在内的信息存储到系统数据库中，并通过专用显示端口直接显示数据，作为管理、维修和更新工业机器人的依据。

工业机器人的运行状态数据和故障诊断结果均存储在系统数据库中，以备保障工程师随时查用。其它信息也可以根据需要存储到该数据库中，例如工业机器人的运行时间、故障发生情况和维修历史等信息。这些数据存储在故障诊断系统数据库中，经统计分析，可以作为管理、维修和更新工业机器人的依据。

运行数据和故障诊断结果可通过设置的专用显示端口显示，设备保障工程师借此浏览数据库中的历史数据。

Claims (2)

1.一种基于离群点挖掘的集群工业机器人故障诊断方法，其特征在于包括如下步骤：

1)采用多输入通道数据采集卡获取集群工业机器人的运行状态数据；所述运行状态数据包括：总消耗功率、基座振动、各电机的功率及工作电流、旋转关节的角速度、任务执行结果；

2)将获得的运行状态数据按统一格式整理归类，通过添加数据标识区分数据来源及数据类型，然后传输到系统数据库进行保存；

3)对集群工业机器人的运行状态数据进行聚类分析，利用离群点挖掘方法计算每台工业机器人的离群因子得出其离群程度，并根据离群程度分离出离群点，进一步确定离群点所代表的个体工业机器人是否出现故障，并通过异常运行参数的种类判断出机器人出现故障的具体部位，获得故障诊断结果；

4)将包括工业机器人的运行状态数据、故障诊断结果在内的信息存储到系统数据库中，并通过专用显示端口直接显示数据，作为管理、维修和更新工业机器人的依据。

2、根据权利要求1的基于离群点挖掘的集群工业机器人故障诊断方法，其特征在于对集群工业机器人根据运行状况进行聚类分析时，采用群体智能聚类法，即把集群工业机器人中的个体运行状态参数当作对象，将来自于集群工业机器人的所有对象随机分布在一个二维网格上，并由虚拟的蚂蚁测量其中一个对象在该环境内的群体相似度，并将这种群体相似度通过概率转换函数转换成拾起或放下的概率，通过群体之间的这种相互作用，经多个循环后实现对象的聚类。

Images