CN106599794A - 一种基于ar模型的六轴工业机器人故障诊断方法及系统 - Google Patents

一种基于ar模型的六轴工业机器人故障诊断方法及系统 Download PDF

Info

Publication number
CN106599794A
CN106599794A CN201611040267.9A CN201611040267A CN106599794A CN 106599794 A CN106599794 A CN 106599794A CN 201611040267 A CN201611040267 A CN 201611040267A CN 106599794 A CN106599794 A CN 106599794A
Authority
CN
China
Prior art keywords
vibration signal
fault
vector
expert system
industrial robot
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201611040267.9A
Other languages
English (en)
Inventor
张亚
何杏兴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
XIONGMAO INSTRUMENT AND METER CO Ltd NANJING
Nanjing Panda Electronics Co Ltd
Nanjing Panda Electronics Equipment Co Ltd
Original Assignee
XIONGMAO INSTRUMENT AND METER CO Ltd NANJING
Nanjing Panda Electronics Co Ltd
Nanjing Panda Electronics Equipment Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by XIONGMAO INSTRUMENT AND METER CO Ltd NANJING, Nanjing Panda Electronics Co Ltd, Nanjing Panda Electronics Equipment Co Ltd filed Critical XIONGMAO INSTRUMENT AND METER CO Ltd NANJING
Priority to CN201611040267.9A priority Critical patent/CN106599794A/zh
Publication of CN106599794A publication Critical patent/CN106599794A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Numerical Control (AREA)
  • Manipulator (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于AR模型的六轴工业机器人故障诊断方法及系统，在每个轴的运动部件的特定位置安装振动加速度传感器，用获得的振动加速度信号建立自回归模型AR，利用自回归模型AR获得工业机器人故障特征向量，并导入专家系统，进行故障诊断。本发明利用了自回归模型AR自回归参数对状态变化规律的敏感性，及AR功率谱的高分辨率，进行故障特征提取，进行敏锐、有效的工业机器人故障诊断及检测；有效解决了六轴工业机器人故障诊断困难，诊断周期长，诊断不准确等问题；极大的减小了判断故障的范围，节约了故障诊断的时间。

Description

一种基于AR模型的六轴工业机器人故障诊断方法及系统
技术领域
本发明涉及工业机器人技术领域，具体涉及一种基于AR模型的六轴工业机器人故障诊断方法及系统。
背景技术
六轴工业机器人是长期处于恶劣的工业环境下运作的机器人，比如焊接、铸造、切割等，环境的粉尘、高温、厂区的振动及机器人反复加减速等都会加剧机器人零部件的磨损及疲劳破坏。如减速机、轴承、齿轮、同步带磨损，电机异常，螺钉松动等时有发生，这些故障会引起机器人振动、异响、定位精度降低等问题，且机器人属于人机协作设备，严重时会导致极大的安全隐患，所以及时判断故障并修复是机器人使用的重中之重。
传统的故障诊断方法是先进行人工判断，并拆卸机器人，通过工程师的专业判断和逐步拆卸来找寻故障位置、诊断故障，再进而解决故障。然而这种检修方式需要检修人员具备丰富的先验知识，且故障发生位置广，故障诊断效率低，拆卸困难，不易做到实时监测。
发明内容
发明目的：本发明旨在提供一种提取敏感故障特征、缩小故障诊断范围、提高故障诊断效率的六轴工业机器人故障诊断方法及系统。
技术方案：一种基于AR模型的六轴工业机器人故障诊断方法，包括如下步骤：
(1)信号采集卡采集机器人各轴运动部件的加速度振动传感器的振动信号X(t)，并将采集的振动信号X(t)传输给处理装置；
(2)处理装置通过EMD对振动信号X(t)进行预处理，分解为具有不同特征尺度的平稳信号IMF分量c1(t)，c2(t)，…，cn(t)；
(3)对步骤(2)中EMD分解的任意一个IMF分量建立自回归模型AR(m)，提取其模型参数及方差作为故障特征向量
(4)利用步骤(3)中的自回归模型AR(m)进行AR功率谱估计，提取特定范围内，幅值大于设定值的频率作为特征频率，获得特征频率向量P＝(p1，p2，p3，p4，p5，p6)；
(5)将步骤(3)得到的故障特征向量与步骤(4)得到的特征频率向量输入到专家系统，将故障特征向量作为神经网络输入向量，获得神经网络输出矩阵，并利用方差σ2i求得Itakura信息距离；将神经网络输出矩阵及Itakura信息距离与专家系统先验知识进行对比，如对比结果超出预先设定范围，则判断为机器人出现故障；各轴振动信号分析结果分别进行对比，如所测轴振动信号分析结果超出预先设定范围，则判断为该轴出现故障；将特征频率向量与专家系统先验知识进行对比，如与预先设定范围频率相符，则判断为该故障频率所产生部件故障；判定后，由专家系统输出故障位置及故障原因。
本发明还提供一种基于AR模型的六轴工业机器人故障诊断系统，包括：
信号采集卡，信号采集卡采集机器人各轴运动部件的加速度振动传感器的振动信号X(t)，并将采集的振动信号X(t)传输给处理装置；
处理装置，用于对振动信号X(t)进行分析处理，其包括：
——用于通过EMD对振动信号X(t)进行预处理，分解为具有不同特征尺度的平稳信号(即IMF分量)c1(t)，c2(t)，…，cn(t)的单元；
——用于对EMD分解的任意一个IMF分量建立自回归模型AR(m)，提取其模型参数及方差作为故障特征向量的单元；
——用于利用自回归模型AR(m)进行AR功率谱估计，提取特定范围内，幅值大于设定值的频率作为特征频率，获得特征频率向量P＝(p1，p2，p3，p4，p5，p6)的单元；
——专家系统，其用于接收故障特征向量与特征频率向量的输入，将故障特征向量作为神经网络输入向量，获得神经网络输出矩阵，并利用方差σ2i求得Itakura信息距离；将神经网络输出矩阵及Itakura信息距离与专家系统先验知识进行对比，如对比结果超出预先设定范围，则判断为机器人出现故障；各轴振动信号分析结果分别进行对比，如所测轴振动信号分析结果超出预先设定范围，则判断为该轴出现故障；将特征频率向量与专家系统先验知识进行对比，如与预先设定范围频率相符，则判断为该故障频率所产生部件故障；判定后，输出故障位置及故障原因。
有益效果：本发明在每个轴的运动部件安装振动加速度传感器，用获得的振动加速度信号建立自回归模型AR，利用自回归模型AR获得工业机器人故障特征向量，并导入专家系统，进行故障诊断。本发明采用信号采集卡对机器人6个轴的振动信号进行检测；采用EMD对采集的信号进行分解；采用自回归模型AR及AR功率谱进行故障特征提取，获得机器人故障特征矩阵；采用专家系统与故障特征矩阵进行机器人故障诊断。利用自回归模型AR自回归参数对状态变化规律的敏感性，及AR功率谱的高分辨率，进行故障特征提取，进行敏锐、有效的工业机器人故障诊断及检测。有效解决了六轴工业机器人故障诊断困难，诊断周期长，诊断不准确等问题。极大的减小了判断故障的范围，节约了故障诊断的时间，提高故障诊断效率。
附图说明
图1为本发明系统示意图；
图2为本发明方法流程图。
具体实施方式
下面将结合附图，对本发明的实施案例进行详细的描述；
如图1所示，一种基于AR模型的六轴工业机器人故障诊断系统，包括：在特定的各轴运转速度下，由安装在特定位置的六个振动加速度传感器1，通过信号采集卡2，将振动信号X(t)传输到处理装置3，本实施例中处理装置为计算机。计算机通过EMD(Empirical ModeDecomposition，经验模态分解算法)对振动信号X(t)进行预处理，分解为具有不同特征尺度的平稳信号IMF分量c1(t)，c2(t)，…，cn(t)；对EMD分解的任意一个IMF分量建立自回归模型AR(m)，提取其模型参数及方差作为故障特征向量的单元；利用上述自回归模型AR(m)进行AR功率谱估计，提取特定范围内，幅值大于设定值的频率作为特征频率，获得特征频率向量P＝(p1，p2，p3，p4，p5，p6)的单元；计算机中的专家系统接收故障特征向量与特征频率向量的输入，将故障特征向量作为神经网络输入向量，获得神经网络输出矩阵，并利用方差σ2i求得Itakura信息距离；将神经网络输出矩阵及Itakura信息距离与专家系统先验知识进行对比，如对比结果超出预先设定范围，则判断为机器人出现故障；各轴振动信号分析结果分别进行对比，如所测轴振动信号分析结果超出预先设定范围，则判断为该轴出现故障；将特征频率向量与专家系统先验知识进行对比，如与预先设定范围频率相符，则判断为该故障频率所产生部件故障；判定后，输出故障位置及故障原因。
如图2所示，一种基于AR模型的六轴工业机器人故障诊断方法，包括如下步骤：
步骤1：
在特定的各轴运转速度下，由安装在特定位置的六个振动加速度传感器1，通过信号采集卡2，将振动加速度信号传输到处理装置3。
步骤2：
采用EMD对6组振动信号X(t)进行预处理，分解为6组具有不同特征尺度的平稳信号(即IMF分量)c1(t),c2(t),…,cn(t)。
步骤3：
对EMD分解的任意一个IMF分量建立如下自回归模型AR(m)：
式中m分别是分量ci(t)的自回归参数模型AR(m)的模型参数和模型阶数；ei(t)为模型的残差,是均值为零、方差为σ2i的白噪声序列。提取和σ2i作为故障特征向量
步骤4：
利用上述自回归模型AR(m)进行AR功率谱估计，提取特定范围内，幅值大于设定值的频率作为特征频率，获得特征频率向量P＝(p1，p2，p3，p4，p5，p6)。
步骤5：
将上述故障特征向量与特征频率向量输入到专家系统，将上述故障特征向量Ai作为神经网络输入向量，获得神经网络输出矩阵，并利用方差σ2i求得Itakura信息距离。将神经网络输出矩阵及Itakura信息距离与专家系统先验知识进行对比，对比结果超出所设定范围判断为机器人出现故障。6组加速度振动信号分析结果分别进行对比，所测轴振动加速度信号分析结果超出制定范围，则判断为该轴出现故障。将上述特征频率向量与专家系统先验知识进行对比，与规定范围频率相符，则判断为该故障频率所产生部件故障。判定后，由专家系统输出故障位置及故障原因。
本发明在每个轴的运动部件的特定位置安装振动加速度传感器，用获得的振动加速度信号建立自回归模型AR，利用自回归模型AR获得工业机器人故障特征向量，并导入专家系统，进行故障诊断。本发明包括：采用计算机、信号采集卡、加速度传感器对机器人6个轴的振动信号进行检测；采用EMD对采集的信号进行分解；采用自回归模型AR及AR功率谱进行故障特征提取，获得机器人故障特征矩阵；采用专家系统与故障特征矩阵进行机器人故障诊断。本发明利用自回归模型AR自回归参数对状态变化规律的敏感性，及AR功率谱的高分辨率，进行故障特征提取，进行敏锐、有效的工业机器人故障诊断及检测。有效解决了6轴工业机器人故障诊断困难，诊断周期长，诊断不准确等问题。极大的减小了判断故障的范围，节约了故障诊断的时间，提高了效率。

Claims (2)

1.一种基于AR模型的六轴工业机器人故障诊断方法，其特征在于，包括如下步骤：
(1)信号采集卡采集机器人各轴运动部件的加速度振动传感器的振动信号X(t)，并将采集的振动信号X(t)传输给处理装置；
(2)处理装置通过EMD对振动信号X(t)进行预处理，分解为具有不同特征尺度的平稳信号IMF分量c1(t)，c2(t)，…，cn(t)；
(3)对步骤(2)中EMD分解的任意一个IMF分量建立自回归模型AR(m)，提取其模型参数及方差作为故障特征向量
(4)利用步骤(3)中的自回归模型AR(m)进行AR功率谱估计，提取特定范围内，幅值大于设定值的频率作为特征频率，获得特征频率向量P＝(p1，p2，p3，p4，p5，p6)；
(5)将步骤(3)得到的故障特征向量与步骤(4)得到的特征频率向量输入到专家系统，将故障特征向量作为神经网络输入向量，获得神经网络输出矩阵，并利用方差σ2i求得Itakura信息距离；将神经网络输出矩阵及Itakura信息距离与专家系统先验知识进行对比，如对比结果超出预先设定范围，则判断为机器人出现故障；各轴振动信号分析结果分别进行对比，如所测轴振动信号分析结果超出预先设定范围，则判断为该轴出现故障；将特征频率向量与专家系统先验知识进行对比，如与预先设定范围频率相符，则判断为该故障频率所产生部件故障；判定后，由专家系统输出故障位置及故障原因。
2.一种基于AR模型的六轴工业机器人故障诊断系统，其特征在于，包括：
信号采集卡，信号采集卡采集机器人各轴运动部件的加速度振动传感器的振动信号X(t)，并将采集的振动信号X(t)传输给处理装置；
处理装置，用于对振动信号X(t)进行分析处理，其包括：
——用于通过EMD对振动信号X(t)进行预处理，分解为具有不同特征尺度的平稳信号(即IMF分量)c1(t)，c2(t)，…，cn(t)的单元；
——用于对EMD分解的任意一个IMF分量建立自回归模型AR(m)，提取其模型参数及方差作为故障特征向量的单元；
——用于利用自回归模型AR(m)进行AR功率谱估计，提取特定范围内，幅值大于设定值的频率作为特征频率，获得特征频率向量P＝(p1，p2，p3，p4，p5，p6)的单元；
——专家系统，其用于接收输入故障特征向量与特征频率向量的输入，将故障特征向量作为神经网络输入向量，获得神经网络输出矩阵，并利用方差σ2i求得Itakura信息距离；将神经网络输出矩阵及Itakura信息距离与专家系统先验知识进行对比，如对比结果超出预先设定范围，则判断为机器人出现故障；各轴振动信号分析结果分别进行对比，如所测轴振动信号分析结果超出预先设定范围，则判断为该轴出现故障；将特征频率向量与专家系统先验知识进行对比，如与预先设定范围频率相符，则判断为该故障频率所产生部件故障；判定后，输出故障位置及故障原因。
CN201611040267.9A 2016-11-21 2016-11-21 一种基于ar模型的六轴工业机器人故障诊断方法及系统 Pending CN106599794A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611040267.9A CN106599794A (zh) 2016-11-21 2016-11-21 一种基于ar模型的六轴工业机器人故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611040267.9A CN106599794A (zh) 2016-11-21 2016-11-21 一种基于ar模型的六轴工业机器人故障诊断方法及系统

Publications (1)

Publication Number Publication Date
CN106599794A true CN106599794A (zh) 2017-04-26

Family

ID=58592862

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611040267.9A Pending CN106599794A (zh) 2016-11-21 2016-11-21 一种基于ar模型的六轴工业机器人故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN106599794A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109407518A (zh) * 2018-12-20 2019-03-01 山东大学 家庭服务机器人运行状态自主认知方法及系统
CN109514560A (zh) * 2018-12-25 2019-03-26 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 工业机器人故障监控系统、方法以及装置
CN110896361A (zh) * 2019-10-29 2020-03-20 北京航空航天大学 一种基于增强现实的信息物理系统可视化及故障定位方法
CN111459274A (zh) * 2020-03-30 2020-07-28 华南理工大学 一种基于5g+ ar的针对非结构化环境的遥操作方法
CN111486943A (zh) * 2020-03-30 2020-08-04 伯朗特机器人股份有限公司 工业机器人振动状态分析方法、系统、装置及可读存储介质
CN112329341A (zh) * 2020-11-02 2021-02-05 浙江智昌机器人科技有限公司 一种基于ar和随机森林模型的故障诊断系统及方法
CN112894882A (zh) * 2020-12-30 2021-06-04 哈尔滨工业大学芜湖机器人产业技术研究院 基于工业互联网的机器人故障检测系统
CN113165172A (zh) * 2018-12-24 2021-07-23 Abb瑞士股份有限公司 用于诊断机器人的方法、设备和服务器
CN114029723A (zh) * 2021-11-05 2022-02-11 江苏昱博自动化设备有限公司 一种基于多源传感的装配机械手用高精度装配方法
CN114571459A (zh) * 2022-03-22 2022-06-03 浙江钱江机器人有限公司 一种工业机器人故障诊断方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103234750A (zh) * 2013-04-16 2013-08-07 北京工业大学 一种基于改进倒频谱法的等高齿锥齿轮故障诊断方法
CN103291600A (zh) * 2013-03-18 2013-09-11 北京航空航天大学 一种基于emd-ar和mts的液压泵故障诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103291600A (zh) * 2013-03-18 2013-09-11 北京航空航天大学 一种基于emd-ar和mts的液压泵故障诊断方法
CN103234750A (zh) * 2013-04-16 2013-08-07 北京工业大学 一种基于改进倒频谱法的等高齿锥齿轮故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张晨罡: ""基于经验模态分解的滚动轴承故障诊断方法研究"", 《中国优秀硕士论文全文数据库 工程科技Ⅱ辑》 *
张言 等: ""基于AＲ模型的螺纹连接故障诊断"", 《仪表技术与传感器》 *
王醇涛: ""基于EMD分解的柴油机故障诊断技术研究"", 《中国优秀硕士论文学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109407518A (zh) * 2018-12-20 2019-03-01 山东大学 家庭服务机器人运行状态自主认知方法及系统
US12064882B2 (en) 2018-12-24 2024-08-20 Abb Schweiz Ag Method for diagnosing a robot, device and server
CN113165172A (zh) * 2018-12-24 2021-07-23 Abb瑞士股份有限公司 用于诊断机器人的方法、设备和服务器
CN109514560A (zh) * 2018-12-25 2019-03-26 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 工业机器人故障监控系统、方法以及装置
CN110896361A (zh) * 2019-10-29 2020-03-20 北京航空航天大学 一种基于增强现实的信息物理系统可视化及故障定位方法
CN111459274A (zh) * 2020-03-30 2020-07-28 华南理工大学 一种基于5g+ ar的针对非结构化环境的遥操作方法
CN111486943A (zh) * 2020-03-30 2020-08-04 伯朗特机器人股份有限公司 工业机器人振动状态分析方法、系统、装置及可读存储介质
CN111486943B (zh) * 2020-03-30 2022-02-01 伯朗特机器人股份有限公司 工业机器人振动状态分析方法、系统、装置及可读存储介质
CN112329341A (zh) * 2020-11-02 2021-02-05 浙江智昌机器人科技有限公司 一种基于ar和随机森林模型的故障诊断系统及方法
CN112894882A (zh) * 2020-12-30 2021-06-04 哈尔滨工业大学芜湖机器人产业技术研究院 基于工业互联网的机器人故障检测系统
CN114029723A (zh) * 2021-11-05 2022-02-11 江苏昱博自动化设备有限公司 一种基于多源传感的装配机械手用高精度装配方法
CN114571459A (zh) * 2022-03-22 2022-06-03 浙江钱江机器人有限公司 一种工业机器人故障诊断方法及系统
CN114571459B (zh) * 2022-03-22 2023-07-21 浙江钱江机器人有限公司 一种工业机器人故障诊断方法及系统

Similar Documents

Publication Publication Date Title
CN106599794A (zh) 一种基于ar模型的六轴工业机器人故障诊断方法及系统
CN108038553B (zh) 轧机设备状态在线监测与诊断系统及监测诊断方法
CN107345857A (zh) 一种电主轴状态监测与故障诊断系统及其监测诊断方法
Barbieri et al. Analysis of automotive gearbox faults using vibration signal
CN104596766B (zh) 一种轴承早期故障确定方法及装置
WO2012149901A1 (zh) 基于相似度曲线的设备故障早期预警及优化的方法和系统
CN110469496B (zh) 一种水泵智能预警方法及系统
CN111678699B (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
CN116360367A (zh) 一种工业设备物联网数据采集方法及系统
CN109405889A (zh) 用于掘进机工作臂减速器故障预测的系统与方法
CN110579368A (zh) 基于仿真计算的旋转机械振动故障智能诊断系统及方法
CN109238727A (zh) 一种发动机故障监测预警系统
US20240053225A1 (en) Method and Apparatus for Identifying an Abnormality in Mechanical Apparatus or Mechanical Component
CN110457979A (zh) 基于张量Tucker分解模糊控制的柴油机故障诊断方法
DE102012111760A1 (de) System und Verfahren zur Verwendung bei der Überwachung einer Industrieanlage
CN108537260A (zh) 一种起重机传动轴故障诊断方法和系统
CN103267652A (zh) 一种智能早期设备故障在线诊断方法
CN110907031A (zh) 基于数据统计分析的调相机振动异动可视化监测方法
CN107704712A (zh) 基于全矢谱特征提取的机械故障诊断方法和系统
CN105784364A (zh) 基于总体经验模式分解与分形盒维数的轴承故障诊断方法
CN117826745A (zh) 一种基于数据分析的重型卡车电控故障诊断系统
CN117740242A (zh) 动力涡轮机动平衡测试系统
CN111456915A (zh) 风机机舱内部部件的故障诊断装置及方法
CN112528753A (zh) 一种针对轧机轧钢过程冲击振动信号的预处理方法
CN106680011A (zh) 一种基于声音信号的印刷机故障诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170426

RJ01 Rejection of invention patent application after publication