CN111230887B - 一种基于数字孪生技术的工业涂胶机器人运行状态监测方法 - Google Patents

Abstract

本发明涉及一种基于数字孪生技术的工业涂胶机器人运行状态监测方法，与现有技术相比解决了难以针对工业涂胶机器人进行运行状态预测的缺陷。本发明包括以下步骤：获取传感器所采集的工业涂胶机器人运行状态数据；工业涂胶机器人运行状态数据的预处理；构建数字孪生设备驱动模型；设备运行状态的初期评价；数字孪生设备驱动模型的修正；工业涂胶机器人运行状态的监测。本发明通过利用数字孪生驱动的设备运行模型，实现了工业涂胶机器人运行状态的实时评价，从而获得更为精准的操作建议、运维建议，实现设备运行的生命周期有效管理。

Description

一种基于数字孪生技术的工业涂胶机器人运行状态监测方法

技术领域

本发明涉及工业设备运行监测技术领域，具体来说是一种基于数字孪生技术的工业涂胶机器人运行状态监测方法。

背景技术

智能制造行业是立国之本、强国之基，从根本上决定着一个国家的综合实力和国际竞争力，我国经济进入新常态，制造业转型升级进入关键时期。运用互联网、物联网、机器人等新技术、新业态、新模式，大力改造提升传统制造业，将是我国从制造大国走向制造强国的重要一步。在利用智能机器人作业时，设备的稳定运行与准确的设备状态预测是保证安全生产的关键环节，对产业升级与企业经济效益的提升具有重大意义。

工业涂胶机器人在作业时，由于需要进行重物抓取、涂胶界面自我识别、喷涂、对接安装、放回、归位等复杂环节，长时间连续作业可能引起作业手臂的物理偏移。而目前的作业臂故障预警，往往是在出现较大设备故障或出现产线质量残次时的报警，这对产线正常生产及智能工厂效率总体提升产生不良影响。同时，复杂环节的作业臂操作所受的影响因素较多，难以利用简单的分析手段实现耦合数据的综合性能分析。

在已有的寿命预测技术中，多采用运行时间作为评价指标，量化指标单一，对于具有复杂、多维状态的工业机器人作业臂，难以实现准确的预判；且寿命预测后的健康指标评价对产线设备稳定生产意义重大。通过智能化软件服务系统及其辅助装置，可以实现设备在运行工况生命周期内的高效管控，实现产品生产的自适应与动态响应。

数字孪生技术是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。数字孪生思想是高维空间中的复杂系统,在数字孪生思想的背景下，需要解决耦合数据融合，量化不确定性，设计和优化结构，同时处理大而嘈杂数据等诸多问题。

目前国内外对产品数字孪生体的系统性研究成果较少,产品数字孪生体的实现主要分布在产品设计、工艺设计、产品制造、产品服务、产品报废回收等阶段，用于模拟、监控、诊断、预测和控制产品在现实环境中的形成过程和行为。尽管已经初步探索了数字孪生的相关应用，但数字孪生的关键技术在与智能制造生产系统相结合的技术研究方面尚不成熟，主要表现在：1、在模型构建、信息物理数据融合、交互与协同等方面的理论与技术比较缺乏；2、针对独立的生产、装配设备，难以适应不同产品生产周期的变化等问题，构建完善的实物与装配模型的关联机制方面缺乏深度融合与应用；3、故障捕捉，虚实自主交互方面，由于实际干扰因素的影响，难以获得精准判断。

因此如何利用数字孪生思想，实现设备与模型的虚实交互，预测设备在生产运行阶段生命周期内的疲劳状态、运维状态已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中难以针对工业涂胶机器人进行运行状态预测的缺陷，提供一种基于数字孪生技术的工业涂胶机器人运行状态监测方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种基于数字孪生技术的工业涂胶机器人运行状态监测方法，所述的工业涂胶机器人包括往复运动关节组件，往复运动关节组件的关联部位安装有用于获取位置信息三维数值的传感器，往复运动关节组件的作业臂前端安装有姿态传感器，图像采集装置的图像采集范围位于作业臂前端，位差监测终端的监测范围位于作业臂前端，所述的工业涂胶机器人运行状态监测方法包括以下步骤：

11)获取传感器所采集的工业涂胶机器人运行状态数据：所述的运行状态数据包括设备位置三维数值、姿态图片、数值、信号，反映设备环境状态的温度、噪声数值信息，反映设备运行状态的数值信息，反映设备生产运行状态的质量信息；

12)工业涂胶机器人运行状态数据的预处理：对工业涂胶机器人的运行状态数据进行初步比对，剔除干扰数据；

13)构建数字孪生设备驱动模型：根据工业涂胶机器人的分析需要构建数字孪生设备驱动模型；

14)设备运行状态的初期评价：将预处理后的工业涂胶机器人运行状态数据输入数字孪生设备驱动模型，数字孪生设备驱动模型以虚拟方式实现工业涂胶机器人作业，得到工业涂胶机器人随运行时间变化而演化的运行状态数值；

15)数字孪生设备驱动模型的修正：将数字孪生设备驱动模型演化后的运行状态数值与实时传输的设备状态进行对比匹配，实现数字孪生设备驱动模型的修正；

16)工业涂胶机器人运行状态的监测：获取传感器采集的工业涂胶机器人运行状态实时数据，将实时数据预处理后输入修正后的数字孪生设备驱动模型，预测出工业涂胶机器人运行的远期趋势，判定出运行疲劳点。

所述工业涂胶机器人运行状态数据的预处理使用经验模式分析与辅助机械报警相结合的处理方法，其具体步骤如下：

21)获取利用经验判断建立的专家库，输入数据符合专家库规则的判定为稳定数据，将辅助报警装置提供的故障报警规则作为排他判定，接近排他判定的运行数据，作为干扰数据进行剥离；

22)将经过预处理的数据进行多源数据融合：使用带有权重分析的特征融合法对影响模拟性能的关键数据进行权重分析，并抽取不同来源数据的数据特征开展模型训练，对不同结果进行合并，使得数字孪生模型中的数据特征能够准确反映工业机器人作业臂的实际工作状态用于下一步的状态预测，其表达式如下：

式中：k为影响因素的权重个数，u为影响因素代号，rec_k(u)为各项权重值，rec(u)为综合权重分析值。

所述构建数字孪生设备驱动模型包括以下步骤：

31)利用三维模型构建数字孪生设备驱动模型，实现通过逻辑控制构建出基于数字孪生的工业机器人作业臂运行工作特征；

32)利用虚拟引擎开发软件，开展针对三维模型的深度个性化定制，使其准确反映工业涂胶机器人作业臂的运行工况特性；自定义三维模型及适用于机器人产线工业作业水平的工艺流程；建立适用于工业涂胶机器人作业特征的控制逻辑规划，利用计算机语言及虚拟引擎的控制函数，完成逻辑控制触发，实现虚拟引擎软件开发环境下的适用于工业涂胶机器人真实产线设备的数字孪生体，用于运行特征的实时展现与关键部位、关键时间节点的个性化信息定制与评估；

33)将预处理后的数据信息，输入构建的数字孪生设备驱动模型当中，利用计算机语言及虚拟引擎的控制函数，调整逻辑控制，完成满足工业涂胶机器人实际个性化工作需求的点对点位置控制，实现实时数据输入与响应运行状态的耦合同步；通过在数字孪生虚拟开发环境中添加虚拟传感器，获得虚拟操作环境的工艺状态特征，使得数字孪生驱动系统具备在任意目标状态时点、任意目标操作位置实现工业涂胶机器人实时状态监控与个性化信息提取的目的；利用自定义控制函数，将预处理后的数据信息，在数字孪生设备驱动模型中建立数据偏差分析，结合耦合权重获得随记录时间变化的点对点偏差累积函数η(t)，用于远期偏差预测；

34)初步完善的数字孪生设备驱动模型，结合已采集信号的已知偏差，利用工业涂胶机器人实际运行工况的运行经验组建经验库，建立基于已知偏差的置信区间；利用自定义控制函数，根据实际工业涂胶机器人的工艺控制需要，选择相应的控制手段或编译自定义控制特征，采用记忆累加方式对偏差进行累加触发并满足△S(u_ii)＝△S(u_i0)+η(t)，使得数字孪生驱动模型具备适用于工业涂胶机器人个性化运行需求的随时间变化的远期演化分析能力；

其中△S(u)为系统触发故障偏差，△S(u_ii)为不同采集特征的末次触发偏差，△S(u_i0)为新触发前的原始偏差，u为影响因素代号，η(t)为随时间变化偏差累积函数；

35)设定构建数字孪生设备驱动模型利用持续采集的设备运行特征与演化结果进行比较，符合运行需求的结果直接进入下一轮迭代，不符合运行需求的结果，根据不同设备、部件特征及其允许的特征阈值偏差进行系统调整与自修正；

36)设定疲劳点判定：设定数字孪生设备驱动模型利用疲劳分析与算法优化实现机械臂疲劳点判定。

所述数字孪生设备驱动模型的修正包括以下步骤：

41)获取指标标准状态库，指标标准状态库中存放所采集信号的模糊症状、异常信息、故障规则、诊断专家初步的诊断逻辑；

42)预处理后的现场实时数据在导入数字孪生模型后形成状态子集S＝{N₁，N₂，N₃，…,N_m}，与标准库标准状态库子集P＝{T₁，T₂，T₃，…,T_n}之间建立模糊推理，

构建状态子集S的归属集合SX＝(X₁/N₁，X₂/N₂，X₃/N₃，…,X_m/N_m},根据X的拟合程度，判定状态的接近程度，其中Xi(i＝1,2..,m,)表示在状态表征过程中第i类采集数据值，Ni(i＝1,2..,m,)表示在状态表征过程中第i类状态数据值，X_i/N_i(i＝1,2..,m,)表示在状态表征过程中第i类采集数据对第i类状态数据的呈现度，SX_n(n＝1,2,..m)＝0表示不接近,SXn(n＝1,2,..m)＝1表示完全接近，S与P子集之间通过置信度Cm建立置信区间与偏差因子；

自修正模糊推理表示为：

所述设定疲劳点判定包括以下步骤：

51)将数字孪生模型中累积触发的工作臂运行状态，根据运行监控时点的需要，利用MCD软件结合UG或ANSYS建立工业涂胶机器人关键易受损部件的热力学分析模型计算应力场，或者持续运行状态下的设备作业演化分析云图，获得关键时点的疲劳点状态图；

52)在数字孪生驱动模型中，建立算法优化模块，采集并保存不同关键时点的数据特征，输入算法优化模块；模型采用神经网络Viterbi算法，将由数字孪生模型内演化训练得到的疲劳值进行聚类分析与疲劳状态评估，获得疲劳点数值精准分类，使疲劳评估结果按照所具有的最大可能性的疲劳状态序列进行排列分布，分布情况采用疲劳评价指标r(α,i)折合的0-1的占比值进行直观展示；

53)将Viterbi算法推测得到的最可能的状态序列与常规疲劳经验分析专家库的状态序列进行对比分析，得出疲劳评价指标r(α,i)用于疲劳指标的量化评价与准确率评估，其表达式如下：

r(α,i)＝(recentstates(α,i)-states(α,i))/states(α,i)

进而获得疲劳指标量化评分，其表达式如下：

式中：i为疲劳要素的权重个数，α为疲劳要素的代号，recentstates(α,i)为当前预测值，states(α,i)疲劳经验值，Score(α,i)为疲劳指标量化评分；

式中：m₁为健康值下限评分，m₁为健康值上限评分；

当Score(α,i)≥m₁时，系统输出等级为三级，显示为健康；当m₂＜Score(α,i)≤m₁时，输出等级为二级，显示为疲劳；当Score(α,i)≤m₂时，系统输出等级为一级，显示为极度疲劳。

有益效果

本发明的一种基于数字孪生技术的工业涂胶机器人运行状态监测方法，与现有技术相比通过利用数字孪生驱动的设备运行模型，实现了工业涂胶机器人运行状态的实时评价，从而获得更为精准的操作建议、运维建议，实现设备运行的生命周期有效管理。

本发明实现设备在运行工况生命周期内的高效管控，实现产品生产的自适应与动态响应；利用数字孪生思想，实现设备与模型的虚实交互，预测设备在生产运行阶段生命周期内的疲劳状态、运维状态，能够为设备的稳定运行与高效生产提供巨大保障。

本发明借助数字孪生技术探索耦合因素与虚实传递、数据融合、干扰评判、状态演化之间的准确性关联规律，获得状态监测的最优评价方法，有效验证数字孪生体演化分析的准确性，为真实复杂工况下，工业涂胶机器人作业臂的安全稳定运行与高效使用，提供有效增益。

附图说明

图1为本发明的方法顺序图；

图2为本发明所涉及的模块连接原理框图；

图3为本发明的方法原理图。

具体实施方式

为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：

本发明所应用的工业涂胶机器人包括往复运动关节组件，往复运动关节组件包括作业臂、抓手、摄像头、喷胶装置等组件。往复运动关节组件的关联部位安装有用于获取位置信息三维数值的传感器，往复运动关节组件的作业臂前端安装有姿态传感器，图像采集装置(摄像头、高速拍照相机)的图像采集范围位于作业臂前端，位差监测终端(误差分析仪、红外观测仪)的监测范围位于作业臂前端，在实际应用时，可以根据工业涂胶机器人的具体型号根据传统分析在相应位置安装传感或视频摄像装置。

如图1、图2和图3所示，本发明所述的一种基于数字孪生技术的工业涂胶机器人运行状态监测方法包括以下步骤：

第一步，获取传感器所采集的工业涂胶机器人运行状态数据。

在此运行状态数据可以包括设备位置三维数值、姿态图片、数值、信号，反映设备环境状态的温度、噪声数值信息，反映设备运行状态的数值信息，反映设备生产运行状态的质量信息等。

第二步，工业涂胶机器人运行状态数据的预处理。对工业涂胶机器人的运行状态数据进行初步比对，剔除干扰数据。针对工业涂胶机器人运行状态数据的预处理使用经验模式分析与辅助机械报警相结合的处理方法，其具体步骤如下：

(1)获取利用经验判断建立的专家库，输入数据符合专家库规则的判定为稳定数据，将辅助报警装置提供的故障报警规则作为排他判定，接近排他判定的运行数据，作为干扰数据进行剥离；

(2)将经过预处理的数据进行多源数据融合：使用带有权重分析的特征融合法对影响模拟性能的关键数据进行权重分析，并抽取不同来源数据的数据特征开展模型训练，对不同结果进行合并，使得数字孪生模型中的数据特征能够准确反映工业机器人作业臂的实际工作状态用于下一步的状态预测，其表达式如下：

式中：k为影响因素的权重个数，u为影响因素代号，rec_k(u)为各项权重值，rec(u)为综合权重分析值。

第三步，构建数字孪生设备驱动模型：根据工业涂胶机器人的分析需要构建数字孪生设备驱动模型。

产品数字孪生体将促进建模、仿真与优化技术无缝集成到产品全生命周期中的各个阶段，有效呈现机器人作业臂的运行演化趋势，获得在任何必要工况点的状态特征，有效降低故障率和故障的现实表现。

尽管数字孪生在产品开发与状态管理方面取的了一定成效，但针对复杂环境，耦合因素影响下的状态监测模拟及预测准确性研究依然是一大难题，主要表现在：1)针对工业涂胶机器人特殊运行条件和工况，耦合因素影响下的数据信息提取与数据融合准确性难以准确评价；2)故障状态捕捉，虚实自主交互方面，由于实际干扰因素的影响，难以获得精准判断；3)受耦合因素综合影响，单一流程评定，难以实现作业臂疲劳状态判定与运行状态演化的准确性关联。

因此，本发明在数据采集、提取、筛选、分析、算法优化、疲劳判断等诸多方面开展针对性方法优化，有效提高仿真技术应用于工业涂胶机器人实际作业需求的准确率。其具体步骤如下：

(1)利用三维模型构建数字孪生设备驱动模型，实现通过逻辑控制构建出基于数字孪生的工业机器人作业臂运行工作特征。

(2)利用虚拟引擎开发软件，开展针对三维模型的深度个性化定制，使其准确反映工业涂胶机器人作业臂的运行工况特性；自定义三维模型及适用于机器人产线工业作业水平的工艺流程；建立适用于工业涂胶机器人作业特征的控制逻辑规划，利用计算机语言及虚拟引擎的控制函数，完成逻辑控制触发，实现虚拟引擎软件开发环境下的适用于工业涂胶机器人真实产线设备的数字孪生体，用于运行特征的实时展现与关键部位、关键时间节点的个性化信息定制与评估。

目前特征构建主要用于3d游戏软件，在此将其应用于工业机器人作业臂运行，通过逻辑驱动实现后，可以模拟出工业机器人作业臂运行过程、工作特征。使得企业可利用虚拟环境有效呈现机器人作业臂的运行演化趋势，获得在任何必要工况点的状态特征，有效降低故障率和故障的现实表现，避免了故障带来的经济与能耗损失，便于企业开展早期故障排查与监测服务。

将预处理后的数据信息，输入构建的数字孪生设备驱动模型当中，利用计算机语言及虚拟引擎的控制函数，调整逻辑控制，完成满足工业涂胶机器人实际个性化工作需求的点对点位置控制，实现实时数据输入与响应运行状态的耦合同步。

通过在数字孪生虚拟开发环境中添加虚拟传感器，获得虚拟操作环境的工艺状态特征，使得数字孪生驱动系统具备在任意目标状态时点、任意目标操作位置实现工业涂胶机器人实时状态监控与个性化信息提取的目的。

再利用自定义控制函数，将预处理后的数据信息，在数字孪生设备驱动模型中建立数据偏差分析，结合耦合权重获得随记录时间变化的点对点偏差累积函数η(t)，用于远期偏差预测。

(3)初步完善的数字孪生设备驱动模型，结合已采集信号的已知偏差，利用工业涂胶机器人实际运行工况的运行经验组建经验库，建立基于已知偏差的置信区间。

利用自定义控制函数，根据实际工业涂胶机器人的工艺控制需要，选择相应的控制手段或编译自定义控制特征，采用记忆累加方式对偏差进行累加触发并满足△S(u_ii)＝△S(u_i0)+η(t)，使得数字孪生驱动模型具备适用于工业涂胶机器人个性化运行需求的随时间变化的远期演化分析能力；

其中△S(u)为系统触发故障偏差，△S(u_ii)为不同采集特征的末次触发偏差，△S(u_i0)为新触发前的原始偏差，u为影响因素代号，η(t)为随时间变化偏差累积函数。

使用偏差累加触发结合系统自修正，有助于准确反映和修正设备故障及疲劳累加的发展趋势，提高系统触发准确性。

(4)设定构建数字孪生设备驱动模型利用持续采集的设备运行特征与演化结果进行比较，预测过程可以采用基于神经网络的回归分析法，采用时间序列的实时递推演化思路，将每步演化结果经过递推演化自动进行自迭代，将迭代结果结合不确定性迭代值进行耦合输入后进入下一轮，系统将符合运行需求的结果直接进入下一轮迭代，不符合运行需求的结果，根据不同设备、部件特征及其允许的特征阈值偏差进行系统调整与自修正。通过算法优化，有效避免了单一迭代造成的理论偏差物理失真等问题，有效提高系统预测准确性。

(5)设定疲劳点判定：设定数字孪生设备驱动模型利用疲劳分析与算法优化实现机械臂疲劳点判定。

其具体步骤如下：

A1)将数字孪生模型中累积触发的工作臂运行状态，根据运行监控时点的需要，利用MCD软件结合UG或ANSYS建立工业涂胶机器人关键易受损部件的热力学分析模型计算应力场，或者持续运行状态下的设备作业演化分析云图，获得关键时点的疲劳点状态图。

A2)在数字孪生驱动模型中，建立算法优化模块，采集并保存不同关键时点的数据特征，输入算法优化模块，用于疲劳分析值的有效分类与疲劳点判定的准确划分，大幅降低常规采用的简单数值分类对系统疲劳判定的错误率；模型采用神经网络Viterbi算法，将由数字孪生模型内演化训练得到的疲劳值进行聚类分析与疲劳状态评估，获得疲劳点数值精准分类，使疲劳评估结果按照所具有的最大可能性的疲劳状态序列进行排列分布，分布情况采用疲劳评价指标r(α,i)折合的0-1的占比值进行直观展示，结果表明基于数字孪生仿真的改进算法优于传统故障预测算法。

A3)将Viterbi算法推测得到的最可能的状态序列与常规疲劳经验分析专家库的状态序列进行对比分析，得出疲劳评价指标r(α,i)用于疲劳指标的量化评价与准确率评估，其表达式如下：

r(α,i)＝(recentstates(α,i)-states(α,i))/states(α,i)

进而获得疲劳指标量化评分，其表达式如下：

式中：i为疲劳要素的权重个数，α为疲劳要素的代号，recentstates(α,i)为当前预测值，states(α,i)疲劳经验值，Score(α,i)为疲劳指标量化评分；

式中：m₁为健康值下限评分，m₁为健康值上限评分；

当Score(α,i)≥m₁时，系统输出等级为三级，显示为健康；当m₂＜Score(α,i)≤m₁时，输出等级为二级，显示为疲劳；当Score(α,i)≤m₂时，系统输出等级为一级，显示为极度疲劳。

第四步，设备运行状态的初期评价。

将预处理后的工业涂胶机器人运行状态数据输入数字孪生设备驱动模型，数字孪生设备驱动模型以虚拟方式实现工业涂胶机器人作业，得到工业涂胶机器人随运行时间变化而演化的运行状态数值。

第五步，数字孪生设备驱动模型的修正。采用基于数据驱动的自修正优化算法，将常规基于误差的比较过程变更为基于算法的修正优化过程，将数字孪生设备驱动模型演化后的运行状态数值与实时传输的设备状态进行对比匹配，实现数字孪生设备驱动模型的修正。

实际的算法优化过程，将实时传输的状态数据与初期标准库进行模糊映射，获得运行状态初步判断，使得高误差数据被优先排畸；随后将基于数字孪生模型的运行状态演化数值与处理后的末一期运行数值进行比较，构成拟合子集SX，根据拟合子集的数据接近呈现度，在有效置信区间内，确认偏差因子；偏差因子用于模型自修复，并计入累加触发的递归演化，实现作业臂状态的准确预测演化。其具体步骤如下：

(1)获取指标标准状态库，指标标准状态库中存放所采集信号的模糊症状、异常信息、故障规则、诊断专家初步的诊断逻辑。

(2)预处理后的现场实时数据在导入数字孪生模型后形成状态子集S＝{N₁，N₂，N₃，…,N_m}，与标准库标准状态库子集P＝{T₁，T₂，T₃，…,T_n}之间建立模糊推理，

构建状态子集S的归属集合SX＝(X₁/N₁，X₂/N₂，X₃/N₃，…,X_m/N_m},根据X的拟合程度，判定状态的接近程度，其中Xi(i＝1,2..,m,)表示在状态表征过程中第i类采集数据值，Ni(i＝1,2..,m,)表示在状态表征过程中第i类状态数据值，X_i/N_i(i＝1,2..,m,)表示在状态表征过程中第i类采集数据对第i类状态数据的呈现度，SX_n(n＝1,2,..m)＝0表示不接近,SXn(n＝1,2,..m)＝1表示完全接近，S与P子集之间通过置信度Cm建立置信区间与偏差因子；

自修正模糊推理表示为：

指标标准状态库利用预处理后的现场实时数据以及模型演化的计算数据，实现标准库的自我修正与完善，修正后的状态库为数字孪生模型提供反馈修正，以提高数字模型准确率；数字孪生设备驱动模型，利用已采集信号的已知偏差，结合状态库的修正反馈，采用记忆累加方式对偏差进行累加触发，帮助数字孪生设备驱动模型开展模型训练与演化预测。综合修正后的数字孪生模型得出疲劳评测分级指标，用于工业涂装机器人手臂的远期运行评价与运维建议。

第六步，工业涂胶机器人运行状态的监测。

获取传感器采集的工业涂胶机器人运行状态实时数据，将实时数据预处理后输入修正后的数字孪生设备驱动模型，预测出工业涂胶机器人运行的远期趋势，判定出运行疲劳点。

本发明相关算法曾应用于多变环境的发动机状态监控与寿命预测中，利用提出的疲劳分析模型与优化算法能够准确预测疲劳寿命的分布，预测结果与实验结果具有较好的吻合性。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (3)

1.一种基于数字孪生技术的工业涂胶机器人运行状态监测方法，所述的工业涂胶机器人包括往复运动关节组件，往复运动关节组件的关联部位安装有用于获取位置信息三维数值的传感器，往复运动关节组件的作业臂前端安装有姿态传感器，图像采集装置的图像采集范围位于作业臂前端，位差监测终端的监测范围位于作业臂前端，其特征在于，

所述的工业涂胶机器人运行状态监测方法包括以下步骤：

11)获取传感器所采集的工业涂胶机器人运行状态数据：所述的运行状态数据包括设备位置三维数值、姿态图片、数值、信号，反映设备环境状态的温度、噪声数值信息，反映设备运行状态的数值信息，反映设备生产运行状态的质量信息；

12)工业涂胶机器人运行状态数据的预处理：对工业涂胶机器人的运行状态数据进行初步比对，剔除干扰数据；

13)构建数字孪生设备驱动模型：根据工业涂胶机器人的分析需要构建数字孪生设备驱动模型；所述构建数字孪生设备驱动模型包括以下步骤：

131)利用三维模型构建数字孪生设备驱动模型，实现通过逻辑控制构建出基于数字孪生的工业机器人作业臂运行工作特征；

132)利用虚拟引擎开发软件，开展针对三维模型的深度个性化定制，使其准确反映工业涂胶机器人作业臂的运行工况特性；自定义三维模型及适用于机器人产线工业作业水平的工艺流程；建立适用于工业涂胶机器人作业特征的控制逻辑规划，利用计算机语言及虚拟引擎的控制函数，完成逻辑控制触发，实现虚拟引擎软件开发环境下的适用于工业涂胶机器人真实产线设备的数字孪生体，用于运行特征的实时展现与关键部位、关键时间节点的个性化信息定制与评估；

133)将预处理后的数据信息，输入构建的数字孪生设备驱动模型当中，利用计算机语言及虚拟引擎的控制函数，调整逻辑控制，完成满足工业涂胶机器人实际个性化工作需求的点对点位置控制，实现实时数据输入与响应运行状态的耦合同步；通过在数字孪生虚拟开发环境中添加虚拟传感器，获得虚拟操作环境的工艺状态特征，使得数字孪生驱动系统具备在任意目标状态时点、任意目标操作位置实现工业涂胶机器人实时状态监控与个性化信息提取的目的；利用自定义控制函数，将预处理后的数据信息，在数字孪生设备驱动模型中建立数据偏差分析，结合耦合权重获得随记录时间变化的点对点偏差累积函数η(t)，用于远期偏差预测；

134)初步完善的数字孪生设备驱动模型，结合已采集信号的已知偏差，利用工业涂胶机器人实际运行工况的运行经验组建经验库，建立基于已知偏差的置信区间；利用自定义控制函数，根据实际工业涂胶机器人的工艺控制需要，选择相应的控制手段或编译自定义控制特征，采用记忆累加方式对偏差进行累加触发并满足△S(u_ii)＝△S(u_i0)+η(t)，使得数字孪生驱动模型具备适用于工业涂胶机器人个性化运行需求的随时间变化的远期演化分析能力；

其中△S(u)为系统触发故障偏差，△S(u_ii)为不同采集特征的末次触发偏差，△S(u_i0)为新触发前的原始偏差，u为影响因素代号，η(t)为随时间变化偏差累积函数；

135)设定构建数字孪生设备驱动模型利用持续采集的设备运行特征与演化结果进行比较，符合运行需求的结果直接进入下一轮迭代，不符合运行需求的结果，根据不同设备、部件特征及其允许的特征阈值偏差进行系统调整与自修正；

136)设定疲劳点判定：设定数字孪生设备驱动模型利用疲劳分析与算法优化实现机械臂疲劳点判定；所述设定疲劳点判定包括以下步骤：

1361)将数字孪生模型中累积触发的工作臂运行状态，根据运行监控时点的需要，利用MCD软件结合UG或ANSYS建立工业涂胶机器人关键易受损部件的热力学分析模型计算应力场，或者持续运行状态下的设备作业演化分析云图，获得关键时点的疲劳点状态图；

1362)在数字孪生驱动模型中，建立算法优化模块，采集并保存不同关键时点的数据特征，输入算法优化模块；模型采用神经网络Viterbi算法，将由数字孪生模型内演化训练得到的疲劳值进行聚类分析与疲劳状态评估，获得疲劳点数值精准分类，使疲劳评估结果按照所具有的最大可能性的疲劳状态序列进行排列分布，分布情况采用疲劳评价指标r(α,i)折合的0-1的占比值进行直观展示；

1363)将Viterbi算法推测得到的最可能的状态序列与常规疲劳经验分析专家库的状态序列进行对比分析，得出疲劳评价指标r(α,i)用于疲劳指标的量化评价与准确率评估，其表达式如下：

r(α,i)＝(recentstates(α,i)-states(α,i))/states(α,i)

进而获得疲劳指标量化评分，其表达式如下：

式中：i为疲劳要素的权重个数，α为疲劳要素的代号，recentstates(α,i)为当前预测值，states(α,i)疲劳经验值，Score(α,i)为疲劳指标量化评分；

式中：m₁为健康值下限评分，m₁为健康值上限评分；

当Score(α,i)≥m₁时，系统输出等级为三级，显示为健康；当m₂<Score(α,i)≤m₁时，输出等级为二级，显示为疲劳；当Score(α,i)≤m₂时，系统输出等级为一级，显示为极度疲劳；

14)设备运行状态的初期评价：将预处理后的工业涂胶机器人运行状态数据输入数字孪生设备驱动模型，数字孪生设备驱动模型以虚拟方式实现工业涂胶机器人作业，得到工业涂胶机器人随运行时间变化而演化的运行状态数值；

15)数字孪生设备驱动模型的修正：将数字孪生设备驱动模型演化后的运行状态数值与实时传输的设备状态进行对比匹配，实现数字孪生设备驱动模型的修正；

16)工业涂胶机器人运行状态的监测：获取传感器采集的工业涂胶机器人运行状态实时数据，将实时数据预处理后输入修正后的数字孪生设备驱动模型，预测出工业涂胶机器人运行的远期趋势，判定出运行疲劳点。

2.根据权利要求1所述的一种基于数字孪生技术的工业涂胶机器人运行状态监测方法，其特征在于，所述工业涂胶机器人运行状态数据的预处理使用经验模式分析与辅助机械报警相结合的处理方法，其具体步骤如下：

21)获取利用经验判断建立的专家库，输入数据符合专家库规则的判定为稳定数据，将辅助报警装置提供的故障报警规则作为排他判定，接近排他判定的运行数据，作为干扰数据进行剥离；

22)将经过预处理的数据进行多源数据融合：使用带有权重分析的特征融合法对影响模拟性能的关键数据进行权重分析，并抽取不同来源数据的数据特征开展模型训练，对不同结果进行合并，使得数字孪生模型中的数据特征能够准确反映工业机器人作业臂的实际工作状态用于下一步的状态预测，其表达式如下：

式中：k为影响因素的权重个数，u为影响因素代号，rec_k(u)为各项权重值，rec(u)为综合权重分析值。

3.根据权利要求1所述的一种基于数字孪生技术的工业涂胶机器人运行状态监测方法，其特征在于，所述数字孪生设备驱动模型的修正包括以下步骤：

31)获取指标标准状态库，指标标准状态库中存放所采集信号的模糊症状、异常信息、故障规则、诊断专家初步的诊断逻辑；

32)预处理后的现场实时数据在导入数字孪生模型后形成状态子集S＝{N₁，N₂，N₃，…,N_m}，与标准库标准状态库子集P＝{T₁，T₂，T₃，…,T_n}之间建立模糊推理，

构建状态子集S的归属集合SX＝(X₁/N₁，X₂/N₂，X₃/N₃，…,X_m/N_m},根据X的拟合程度，判定状态的接近程度，其中Xi(i＝1,2..,m,)表示在状态表征过程中第i类采集数据值，Ni(i＝1,2..,m,)表示在状态表征过程中第i类状态数据值，X_i/N_i(i＝1,2..,m,)表示在状态表征过程中第i类采集数据对第i类状态数据的呈现度，SX_n(n＝1,2,..m)＝0表示不接近,SXn(n＝1,2,..m)＝1表示完全接近，S与P子集之间通过置信度Cm建立置信区间与偏差因子；

自修正模糊推理表示为：

Images