CN111823273B - 一种工业机器人在线轨迹预测的运行监测系统及其监测方法 - Google Patents

Abstract

本发明公开了一种工业机器人在线轨迹预测的运行监测系统及其监测方法，本发明针对工业机器人历史位姿数据建立了长短期记忆网络模型，重点关注了工业机器人在线轨迹预测与运行状况监测问题；所建立的预测模型可有效解决工业机器人运行位姿数据的非线性与动态性问题，使得运行状态监测的结果更加精确、可靠；本发明将工业机器人的未来时刻位姿坐标作为模型的预测输出，实现长短期记忆网络建模与非线性动态轨迹预测，用于监测工业机器人的实时运行状况。

Description

一种工业机器人在线轨迹预测的运行监测系统及其监测方法

技术领域

本发明涉及工业机器人控制技术领域，具体为基于长短期记忆网络的一种工业机器人在线轨迹预测的运行监测系统及其监测方法。

背景技术

随着生产自动化与智能化技术的不断发展，工业机器人在制造业中的使用比重日益提升。在工业机器人的应用过程中，如何保证其运行的可靠性与安全性，成为当前相关领域的一项研究热点；目前，针对工业机器人的运行状态监测以基于数据驱动的故障检测和故障诊断为主，例如华南理工大学陈世健提出了基于模糊理论的工业机器人故障诊断专家系统；然而，此类方法主要考虑了工业机器人本身的运行状态监测问题，而针对运行轨迹的实时状态和监测问题关注较少。

为了将在线运行轨迹纳入工业机器人运行状态监测范畴，可通过预测未来时刻位姿坐标作为工业机器人运行状态的输出指标，通过在线回归预测提升工业机器人运行状态监测的可靠性；其中，基于数据驱动的在线回归预测方法目前以偏最小二乘法(PartialLeast Squares,PLS)及其改进方法最为常用；此类方法利用离线历史数据建立一般运行变量与质量变量之间的偏最小二乘模型，用于在线运行阶段的实时预测与监测；然而，此类方法往往基于运行数据是线性与非动态等理想假设，或只解决了其中一种特性对建模带来的影响，难以解决工业机器人非线性动态数据的建模与监测问题。

发明内容

本发明的目的在于提供工业机器人在线轨迹预测的运行监测系统及其监测方法，具体将通过采集工业机器人关键部位的历史位姿数据，建立基于历史位姿矩阵的长短期记忆网络回归模型，最终实现工业机器人的非线性动态在线轨迹预测与运行状况监测。

为实现上述目的，本发明提供如下技术方案，

一种工业机器人在线轨迹预测的运行监测系统，具体包括：

数据采集单元，包括设在工业机器人机体各部位的位置传感器，用于采集工业机器人的位姿数据；

数据处理单元，包括处理器，用于将采集得到的工业机器人位姿数据进行建模和实时轨迹预测，并计算得出下一时刻的预测位姿坐标；具体包括：

通过位置传感器以固定的评论采集各部位的于历史位姿坐标数据集，基于历史位姿坐标数据集建立长短期记忆网络的预测模型，并通过基于时间的反向传播算法计算预测模型的各项参数；通过位置传感器以与离线数据采集相同的频率采集工业机器人各部位的位姿数据，得到工业机器人各部位在线位姿矩阵；利用过去时刻的在线位姿数据递推计算得到上一时刻的网络输出预测向量，结合当前时刻的位姿数据通过已建立的长短期记忆网络模型计算出当前时刻的网络输出预测向量，即下一时刻的工业机器人预测位姿坐标；

监测与报警单元：包括指示灯、蜂鸣器，用于比较历史数据与预测结果的偏差，在偏差超出允许范围之后通过指示灯和蜂鸣器进行实时报警；

数据处理单元分别与数据采集单元和监测与报警单元电连接。

一种如上述的基于长短期记忆网络的工业机器人在线轨迹预测的运行监测方法，包括设在工业机器人机体各部位的位置传感器，包括如下步骤：

S1.离线数据采集，通过位置传感器以固定频率采集各部位的位姿数据，得到工业机器人各部位t时刻的历史位姿矩阵

其中，k＝1,2,...,K表示传感器的序号，t＝1,2,...,T表示时间标签，则t时刻的工业机器人历史位姿矩阵表示为x_t＝[T_1,t,T_2,t,...,T_K,t]，其中

S2.离线建模，基于历史位姿坐标数据集X＝[x₁,x₂,...,x_T]建立长短期记忆网络的预测模型，并通过基于时间的反向传播算法计算预测模型的各项参数；

S3.在线数据采集，通过位置传感器以与离线数据采集相同的频率采集工业机器人各部位的位姿数据，得到工业机器人各部位在线位姿矩阵

其中k＝1,2,...,K表示传感器序号，t＝1,2,...,c表示时间标签，c表示当前时间，则t时刻的工业机器人在线位姿矩阵表示为

其中

S4.利用过去时刻的在线位姿数据

递推计算得到上一时刻的网络输出预测向量

结合当前时刻的位姿数据

可通过已建立的长短期记忆网络模型计算出当前时刻的网络输出预测向量

即下一时刻的工业机器人预测位姿坐标；

S5.将预测结果

与历史数据中下一时刻的位姿坐标x_c+1进行比较，判断当前工业机器人运行轨迹与运行状况。

优选的，所述S2步骤中关于长短期记忆网络的预测模型和各项参数计算具体为：

S21.提取历史位姿坐标数据集X；

S22.将各时刻的工业机器人历史位姿矩阵x_t作为模型输入建立如下模型：

①i_t＝σ(W_xix_t+W_hih_t-1+b_i)

②f_t＝σ(W_xfx_t+W_hfh_t-1+b_f)

③o_t＝σ(W_xox_t+W_hoh_t-1+b_o)

④cin_t＝tanh(W_xcx_t+W_hch_t-1+b_c)

⑤c_t＝f_t⊙c_t-1+i_t⊙cin_t

⑥h_t＝o_t⊙tanh(c_t)

式中，i_t表示输入门，f_t表示遗忘门，o_t表示输出门，cin_t表示细胞输入状态，c_t表示细胞状态，h_t表示t时刻的细胞输出状态，W_xi，W_xf，W_xo，W_xc表示各门结构的输入权重参数，W_hi，W_hf，W_ho，W_hc表示各门结构的递归权重参数，b_i，b_f，b_o，b_c表示各门结构偏置参数，σ表示sigmoid激活函数；

S23.利用基于时间的反向传播算法计算模型的各项权重和偏置参数：

W_h*＝W_h*-αδW_h*

W_x*＝W_x*-αδW_x*

b_*＝b_*-αδb_*

上述式中，E表示基于时间的输出累积误差，

表示权重梯度，

表示偏置梯度，*分别表示各门结构i，f，o，c，α表示梯度下降计算过程中的步长；在梯度下降计算收敛时，则可以得到各权重和偏置参数W_h*，W_x*，b_*的最终值；δ表示梯度。

优选的，所述S5步骤中所述工业机器人运行轨迹与状况判断方法具体为：

S51.提取历史数据集中下一时刻的工业机器人位姿坐标x_c+1；

S52.建立基于预测误差的统计量

将正常数据的统计量方差与均值分别记为S_c和m_c,则对应的控制限可表示为

其中χ² _α,F表示置信度为α，自由度为F的卡方统计量；

S53.当在线样本t时刻计算得到的SPE统计量大于控制限时，即SPE(t)＞Limit(t)时，则认为该时刻工业机器人出现了运行异常问题。

与现有技术相比，本发明的有益效果是：

(1)本发明针对工业机器人历史位姿数据建立了长短期记忆网络模型，重点关注了工业机器人在线轨迹预测与运行状况监测问题；

(2)所建立的预测模型可有效解决工业机器人运行位姿数据的非线性与动态性问题，使得运行状态监测的结果更加精确、可靠；

本发明将工业机器人的未来时刻位姿坐标作为模型的预测输出，实现长短期记忆网络建模与非线性动态轨迹预测，用于监测工业机器人的实时运行状况。

附图说明

图1为本发明工业机器人的平面示意图。

图2为本发明监测系统的结构框图。

图中所示：1.位置传感器、2.工业机器人机体。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-2所示的一种工业机器人在线轨迹预测的运行监测系统，具体包括：

数据采集单元，包括设在工业机器人机体2各部位的位置传感器1，用于采集工业机器人的位姿数据，在本实施例中，所述位置传感器1使用的是光电式坐标传感器；

数据处理单元，包括处理器，用于将采集得到的工业机器人位姿数据进行建模和实时轨迹预测，并计算得出下一时刻的预测位姿坐标；具体包括：

通过位置传感器1以固定的评论采集各部位的于历史位姿坐标数据集，基于历史位姿坐标数据集建立长短期记忆网络的预测模型，并通过基于时间的反向传播算法计算预测模型的各项参数；通过位置传感器1以与离线数据采集相同的频率采集工业机器人各部位的位姿数据，得到工业机器人各部位在线位姿矩阵；利用过去时刻的在线位姿数据递推计算得到上一时刻的网络输出预测向量，结合当前时刻的位姿数据通过已建立的长短期记忆网络模型计算出当前时刻的网络输出预测向量，即下一时刻的工业机器人预测位姿坐标；

监测与报警单元：包括指示灯、蜂鸣器，用于比较历史数据与预测结果的偏差，在偏差超出允许范围之后通过指示灯和蜂鸣器进行实时报警；

数据处理单元分别与数据采集单元和监测与报警单元电连接。

一种如上述的基于长短期记忆网络的工业机器人在线轨迹预测的运行监测方法，包括设在工业机器人机体各部位的位置传感器1，包括如下步骤：

S1.离线数据采集，通过位置传感器1以固定频率采集各部位的位姿数据，得到工业机器人各部位t时刻的历史位姿矩阵

其中，k＝1,2,...,K表示传感器的序号，t＝1,2,...,T表示时间标签，则t时刻的工业机器人历史位姿矩阵表示为x_t＝[T_1,t,T_2,t,...,T_K,t]，其中

S2.离线建模，基于历史位姿坐标数据集X＝[x₁,x₂,...,x_T]建立长短期记忆网络的预测模型，并通过基于时间的反向传播算法计算预测模型的各项参数；

S3.在线数据采集，通过位置传感器1以与离线数据采集相同的频率采集工业机器人各部位的位姿数据，得到工业机器人各部位在线位姿矩阵

其中k＝1，2，...，K表示传感器序号，t＝1，2，...，c表示时间标签，c表示当前时间，则t时刻的工业机器人在线位姿矩阵表示为

其中

S4.利用过去时刻的在线位姿数据

递推计算得到上一时刻的网络输出预测向量

结合当前时刻的位姿数据

可通过已建立的长短期记忆网络模型计算出当前时刻的网络输出预测向量

即下一时刻的工业机器人预测位姿坐标；

S5.将预测结果

与历史数据中下一时刻的位姿坐标x_c+l进行比较，判断当前工业机器人运行轨迹与运行状况。

在所述S2步骤中关于长短期记忆网络的预测模型和各项参数计算具体为：

S21.提取历史位姿坐标数据集X；

S22.将各时刻的工业机器人历史位姿矩阵X_t作为模型输入建立如下模型：

①i_t＝σ(W_xix_t+W_hih_t-1+b_i)

②f_t＝σ(W_xfx_t+W_hfh_t-1+b_f)

③o_t＝σ(W_xox_t+W_hoh_t-1+b_o)

④cin_t＝tanh(W_xcx_t+W_hch_t-1+b_c)

⑤c_t＝f_t⊙c_t-1+i_t⊙cin_t

⑥h_t＝o_t⊙tanh(c_t)

式中，i_t表示输入门，f_t表示遗忘门，o_t表示输出门，cin_t表示细胞输入状态，c_t表示细胞状态，h_t表示t时刻的细胞输出状态，W_xi,W_xf,W_xo,W_xc表示各门结构的输入权重参数，W_hi,W_hf,W_ho,W_hc表示各门结构的递归权重参数，b_i,b_f,b_o,b_c表示各门结构偏置参数，σ表示sigmoid激活函数；

具体来说：

其中，公式①表示在t时刻的模型细胞结构中，输入门的结构，i_t表示输入门计算结果，用于记录t时刻系统的输入状态，h_t表示t时刻的系统输出值，W_xi表示输入门的输入权重参数，W_hi表示输入门递归权重参数，b_i表示输入门偏置参数，σ表示sigmoid激活函数；

公式②表示在t时刻的模型细胞结构中，遗忘门的结构；f_t表示遗忘门计算结果，用于记录t时刻系统对上一时刻的记忆状态，h_t表示t时刻的系统输出值，W_xf表示遗忘门的输入权重参数，W_hf表示遗忘门递归权重参数，b_f表示遗忘门偏置参数，σ表示sigmoid激活函数；

公式③表示在t时刻的模型细胞结构中，输出门的结构；o_t表示输出门计算结果，用于记录t时刻系统的输出状态，h_t表示t时刻的系统输出值，W_xo表示遗忘门的输出权重参数，W_ho表示输出门递归权重参数，b_o表示输出门偏置参数，σ表示sigmoid激活函数；

公式④表示在t时刻的模型细胞结构中，输入权重状态的结构；cin_t表示t时刻系统对输入门的权重计算结果，用于记录t时刻系统的输入权重状态，h_t表示t时刻的系统输出值，W_xc表示遗忘门的输出权重参数，W_hc表示输出门递归权重参数，b_c表示输出门偏置参数，σ表示sigmoid激活函数；

公式⑤表示在t时刻的模型细胞结构中，系统的细胞隐层状态的结构；c_t表示t时刻系统细胞状态计算结果，由t时刻系统的输入门、输入权重、遗忘门以及t-1时刻的细胞状态计算结果求解得到的；

公式⑥表示在t时刻的模型细胞结构中，系统的输出结构；h_t表示t时刻的系统输出值，由t时刻系统的输出及细胞状态计算结果求解得到的；

S23.利用基于时间的反向传播算法计算模型的各项权重和偏置参数：

W_h*＝W_h*-αδW_h*

W_x*＝W_x*-αδW_x*

b_*＝b_*-αδb_*

上述式中，E表示基于时间的输出累积误差，

表示权重梯度，

表示偏置梯度，*分别表示各门结构i,f,o,c，α表示梯度下降计算过程中的步长；在梯度下降计算收敛时，则可以得到各权重和偏置参数W_h*,W_x*,b_*的最终值；δ表示梯度。

在所述S5步骤中所述工业机器人运行轨迹与状况判断方法具体为：

S51.提取历史数据集中下一时刻的工业机器人位姿坐标x_c+1；

S52.建立基于预测误差的统计量

将正常数据的统计量方差与均值分别记为S_c和m_c,则对应的控制限可表示为

其中χ² _α,F表示置信度为α，自由度为F的卡方统计量；

S53.当在线样本t时刻计算得到的SPE统计量大于控制限时，即SPE(t)＞Limit(t)时，则认为该时刻工业机器人出现了运行异常问题。

尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种工业机器人在线轨迹预测的运行监测系统，其特征在于，具体包括：

数据采集单元，包括设在工业机器人机体(2)各部位的位置传感器(1)，用于采集工业机器人的位姿数据；

数据处理单元，包括处理器，用于将采集得到的工业机器人位姿数据进行建模和实时轨迹预测，并计算得出下一时刻的预测位姿坐标；具体包括：

通过位置传感器(1)以固定的评论采集各部位的于历史位姿坐标数据集，基于历史位姿坐标数据集建立长短期记忆网络的预测模型，并通过基于时间的反向传播算法计算预测模型的各项参数；通过位置传感器(1)以与离线数据采集相同的频率采集工业机器人各部位的位姿数据，得到工业机器人各部位在线位姿矩阵；利用过去时刻的在线位姿数据递推计算得到上一时刻的网络输出预测向量，结合当前时刻的位姿数据通过已建立的长短期记忆网络模型计算出当前时刻的网络输出预测向量，即下一时刻的工业机器人预测位姿坐标；

监测与报警单元：包括指示灯、蜂鸣器，用于比较历史数据与预测结果的偏差，在偏差超出允许范围之后通过指示灯和蜂鸣器进行实时报警；

数据处理单元分别与数据采集单元和监测与报警单元电连接。

2.一种采用权利要求1所述的工业机器人在线轨迹预测的运行监测系统的在线轨迹预测的运行监测方法，其特征在于，包括如下步骤：

S1.离线数据采集，通过位置传感器(1)以固定频率采集各部位的位姿数据，得到工业机器人各部位t时刻的历史位姿矩阵

其中，k＝1,2,...,K表示传感器的序号，t＝1,2,...,T表示时间标签，则t时刻的工业机器人历史位姿矩阵表示为x_t＝[T_1,t,T_2,t,...,T_K,t]，其中

S2.离线建模，基于历史位姿坐标数据集X＝[x₁,x₂,...,x_T]建立长短期记忆网络的预测模型，并通过基于时间的反向传播算法计算预测模型的各项参数；

S3.在线数据采集，通过位置传感器(1)以与离线数据采集相同的频率采集工业机器人各部位的位姿数据，得到工业机器人各部位在线位姿矩阵

其中k＝1,2,...,K表示传感器序号，t＝1,2,...,c表示时间标签，c表示当前时间，则t时刻的工业机器人在线位姿矩阵表示为

其中

S4.利用过去时刻的在线位姿数据

递推计算得到上一时刻的网络输出预测向量

结合当前时刻的位姿数据

可通过已建立的长短期记忆网络模型计算出当前时刻的网络输出预测向量

即下一时刻的工业机器人预测位姿坐标；

S5.将预测结果

与历史数据中下一时刻的位姿坐标x_c+1进行比较，判断当前工业机器人运行轨迹与运行状况。

3.根据权利要求2所述的工业机器人在线轨迹预测的运行监测方法，其特征在于，所述S2步骤中关于长短期记忆网络的预测模型和各项参数计算具体为：

S21.提取历史位姿坐标数据集X；

S22.将各时刻的工业机器人历史位姿矩阵x_t作为模型输入建立如下模型：

①i_t＝σ(W_xix_t+W_hih_t-1+b_i)

②f_t＝σ(W_xfx_t+W_hfh_t-1+b_f)

③o_t＝σ(W_xox_t+W_hoh_t-1+b_o)

④cin_t＝tanh(W_xcx_t+W_hch_t-1+b_c)

⑤c_t＝f_t⊙c_t-1+i_t⊙cin_t

⑥h_t＝o_t⊙tanh(c_t)

式中，i_t表示输入门，f_t表示遗忘门，o_t表示输出门，cin_t表示细胞输入状态，c_t表示细胞状态，h_t表示t时刻的细胞输出状态，W_xi,W_xf,W_xo,W_xc表示各门结构的输入权重参数，W_hi,W_hf,W_ho,W_hc表示各门结构的递归权重参数，b_i,b_f,b_o,b_c表示各门结构偏置参数，σ表示sigmoid激活函数；细胞表示单一时刻内的模型基本组成单元；

S23.利用基于时间的反向传播算法计算模型的各项权重和偏置参数：

b_*＝b_*-αδb_*

式中，E表示基于时间的输出累积误差，

表示权重梯度，

表示偏置梯度，*分别表示各门结构i,f,o,c，α表示梯度下降计算过程中的步长；在梯度下降计算收敛时，则可以得到各权重和偏置参数

b_*的最终值；δ表示梯度。

4.根据权利要求3所述的工业机器人在线轨迹预测的运行监测方法，其特征在于，所述S5步骤中所述工业机器人运行轨迹与状况判断方法具体为：

S51.提取历史数据集中下一时刻的工业机器人位姿坐标x_c+1；

S52.建立基于预测误差的统计量

将正常数据的统计量方差与均值分别记为S_c和m_c,则对应的控制限可表示为

其中χ² _α,F表示置信度为α，自由度为F的卡方统计量；

S53.当在线样本t时刻计算得到的SPE统计量大于控制限时，即SPE(t)＞Limit(t)时，则认为该时刻工业机器人出现了运行异常问题。

Images