CN112050782A - 一种基于功率的工业机械臂异常运动在线检测方法 - Google Patents
一种基于功率的工业机械臂异常运动在线检测方法 Download PDFInfo
- Publication number
- CN112050782A CN112050782A CN202010895795.2A CN202010895795A CN112050782A CN 112050782 A CN112050782 A CN 112050782A CN 202010895795 A CN202010895795 A CN 202010895795A CN 112050782 A CN112050782 A CN 112050782A
- Authority
- CN
- China
- Prior art keywords
- power
- data
- mechanical arm
- position data
- model
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C9/00—Measuring inclination, e.g. by clinometers, by levels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Power Engineering (AREA)
- Manipulator (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于功率的工业机械臂异常运动在线检测方法,该方法基于工业机械臂异常运动在线检测系统实现,该系统包括位置数据采集模块、功率数据采集模块和异常检测模块;两个数据采集模块获取机械臂正常运行时的位置、功率采样数据作为模型初始化样本;异常检测模块利用样本数据拟合工业机械臂的泛化动力学模型实现功率消耗模型的特异化,并进一步根据由功率消耗模型得到的预测功率与实际消耗功率间的累积偏差或瞬时偏差是否超过指定阈值实现异常检测及模型更新。本发明方法能够在不干预机械臂正常运行的条件下对虚假数据注入、重放、中间人等旨在通过篡改数据实现的隐蔽攻击进行在线检测。
Description
技术领域
本发明涉及工控系统安全领域,特别涉及一种基于功率的工业机械臂异常运动在线检测方法。
背景技术
随着工业化与信息化的深度融合,工业机械臂越来越多的接入到工业物联网平台,其控制系统也因此面临更多的信息安全风险,进而可能产生人员伤亡、设备损坏、降低生产效率等物理安全问题。如何在面临攻击者的恶意攻击下检测异常,已成为目前异常检测研究中所面临的一个重要问题。
目前,针对工业机械臂的异常检测方法主要从如下两个角度考虑:1)基于工业机械臂的运行状态信息:通过采集工业机械臂运行的状态信息,例如角度、速度、加速度等,利用系统辨识、机器学习、数据挖掘等方法得到工业机械臂的状态空间模型或安全状态域,不依赖除状态信息外的其他信息进行异常检测;2)基于侧信息:除收集工业机械臂的状态信息外,还利用附加传感器,例如功率传感器、陀螺仪、摄像头、麦克风等,采集额外的、可信的、与系统运行具有一定相关性的信息进行异常检测。
现有的异常检测技术在遭受攻击(例如重放攻击、数据注入攻击)时存在诸多问题,包括:1)基于工业机械臂运行状态信息的方法在面对攻击时上传的状态信息可能遭受篡改(重放、注入等),导致数据不可信,2)基于陀螺仪的方法需要花费较高代价进行相关传感器的安装,例如基于陀螺仪的异常检测需要将工业机械臂关停,并将陀螺仪安装至机械臂的末端执行器处,因此代价较高,3)基于摄像头的方法存在视频帧数据维度过大的问题,导致检测实时性下降,4)基于麦克风(采集音频)的方法容易遭受工厂噪声干扰的问题,导致异常检测的精度下降。因此,设计一种在工业环境中进行异常检测方法具有重要的理论意义和应用价值。
发明内容
本发明的目的是提供一种基于功率的工业机械臂异常运动在线检测方法,适用于在工业机械臂遭受诸如重放攻击、数据注入攻击等导致基于运行状态检测方法失效的情形。该在线检测方法能够在机械臂DH变换参数未知的情况下,利用工业机械臂的位置数据(各关节轴的角度、角速度、角加速度)和可信功率数据进行校验,检测工业机械臂的运行是否异常。检测系统采用非接触式的功率采集方法,不需要在安装时关停工业机械臂,易于部署;与此同时,检测系统不易受到外界干扰,检测准确率较高。
本发明的目的是通过以下技术方案实现的:一种基于功率的工业机械臂异常运动在线检测方法,该方法基于工业机械臂异常运动在线检测系统实现,该系统包括位置数据采集模块、功率数据采集模块和异常检测模块;其中,两个数据采集模块获取机械臂正常运行时的位置、功率采样数据作为模型初始化样本;异常检测模块利用样本数据拟合工业机械臂的泛化动力学模型实现功率消耗模型的特异化,并进一步根据由功率消耗模型得到的预测功率与实际消耗功率间的累积偏差或瞬时偏差是否超过指定阈值实现异常检测及模型更新,该方法具体包括如下步骤:
步骤1:对工业机械臂的位置数据和功率数据进行采样、预处理,并将位置数据和功率数据分别传输给异常检测模块;
步骤2:异常检测模块对功率数据和位置数据进行时间同步处理,剔除功率数据中无对应位置数据的无效数据,得到功率-位置数据组;
步骤3:基于功率-位置数据组推断工业机械臂的泛化动力学模型中的未知参数,从而实现功率消耗模型的特异化;
步骤4:异常检测模块基于机械臂的位置数据实时估计功率的输出值;
步骤5:异常检测模块根据预测功率与实际采样功率在给定时间窗内的累积偏差或瞬时偏差是否超过指定阈值实现异常检测及模型更新。
进一步地,所述步骤1中,功率数据采集模块经异常检测模块与现场控制网络间接相连,同时由于位置数据采集模块发送的数据格式简单明确,通过在位置数据采集模块和异常检测模块的通信信道上配置安全网关的数据过滤规则实现网络隔离;功率数据采集模块和位置数据采集模块采用分离信道进行通信,位置数据的采样频率远小于功率数据。
进一步地,所述步骤1中,功率数据采集模块直接采集工业机械臂供电电源的电流和电压数据;功率数据采集模块以连续采样模式对电流、电压采样通道进行配置,设置采样频率,与异常检测模块未建立连接时,将采样得到的数据进行序列化后缓存;
位置数据采集模块首先根据机械臂的“握手”报文识别机械臂的类型,然后根据识别出的机械臂类型调用相应的位置数据解析方法,并将提取出来的有效数据进行格式化处理,并在序列化后通过TCP/IP转发给异常检测模块,从而实现位置数据向异常检测模块的转发。
进一步地,所述步骤1中,位置数据采集模块扫描、识别出子网中活跃的机械臂控制器及其类型,将选择的待检测机械臂控制器通过TCP/IP协议与异常检测模块建立通信连接;异常检测模块接收到位置数据采集模块的连接请求后触发异常检测模块的通信机制,尝试与功率数据采集模块建立连接;若两条信道均建立成功,则开始进行功率数据和位置数据的采集。
进一步地,所述步骤2中,根据功率数据和位置数据的时间戳实现数据对齐;时间同步算法包括静态时间对齐和动态时间对齐两部分,静态时间对齐利用时间同步技术保证设备之间的全局时钟同步,动态时间对齐通过对功率数据和位置数据进行非同频采样,并利用时间戳的最近匹配原则选取对应的功率和位置数据组成功率-位置数据组,从而实现数据的时间对齐。
进一步地,所述步骤2中,时间对齐具体如下:
1)异常检测模块对包含位置数据的报文进行反序列化得到结构化的角度数据,然后利用后向差分求取角速度和角加速度,得到完整的位置状态信息;对功率数据进行预处理,将直接采样得到的电流、电压数据转换为功率数据,然后按时间戳缓存到有序链表;
2)异常检测模块接收到位置数据时,首先将该组位置数据添加到位置数据缓存队列的队尾,然后从缓存队列取出队首的位置数据组,并检查功率数据的有序链表缓存中是否存在与该组位置数据匹配的时间戳,若存在,从缓存中取出对应功率数据以组成功率-位置数据组,同时将缓存中该时间戳之前的数据删除,从而实现时间对齐;否则,进一步检查两次成功查询的间隔查询次数,若存在成功查询并且两次成功查询的间隔次数大于给定阈值则认为网络连接出现问题,给出提示信息;若不存在成功查询,则认为异常检测模块尚未找到位置数据和功率数据的基准时间,直接删除该组数据进行下一轮查询。
进一步地,所述步骤3中,机械臂功率消耗主要随角度、角速度、角加速度等位置数据变化,因此异常检测模块利用各关节轴的位置数据和相应的功率数据进行模型参数辨识,识别机械臂的泛化动力学模型中与位置数据无关的变量,进而得到功率消耗模型。
进一步地,所述步骤3中,机械臂的功率消耗模型如下:
P=Pm+Pf+Pa
其中,P为机械臂的总功率消耗,Pm为机械功率,Pf为摩擦功率,Pa为在机械臂工作过程中基本保持不变的组件运行附加功率;
基于拉格朗日方程对机械臂进行动力学建模推导可以得到各关节轴的转矩,从而得到n轴工业机械臂的机械功率Pm,公式如下:
其中,qi、分别表示机械臂关节轴i的角度、角速度和角加速度;Ii表示机械臂关节轴i的转动惯量;{i,j,k}均表示轴的编号;Dij、Dijk、Di是关于重力、角速度惯量、角加速度惯量的函数,可以利用标准DH建模法计算坐标转换矩阵相对于各关节轴角度的导数得到;
摩擦功率Pf的公式如下:
利用步骤2得到的样本数据拟合上述模型中的未知参数;得到功率消耗模型后,利用预测数据和实际采样数据的斯皮尔曼相关系数以及二者之间误差的标准差为衡量标准判断模型精度是否符合要求,若二者之一不符合要求,则扩大采样数据点重新进行模型计算。
进一步地,所述步骤4中,基于采样得到的位置数据利用辨识得到的功率消耗模型实现功率消耗的实时预测,并可以通过线程间通信实现机械臂位置轨迹、实际采样功率和预测功率的可视化展示。
进一步地,所述步骤5具体为:首先,判断预测功率和实际采样功率的最大瞬时偏差是否超过阈值,若未超过阈值,在时间窗口内对预测功率和实际采样功率的偏差进行累积,并根据累积误差值是否超过阈值触发报警信号;否则,需要根据偏离程度进行判断以确定是否需要进行模型更新;当需要进行功率消耗模型更新时,原功率消耗模型保持对机械臂运动的检测,同时,并发地训练新的功率消耗模型,若模型精度满足要求,则进行功率消耗模型的替换,否则重新计算直到有可用模型进行替换。
本发明的有益效果是:
1、现有基于侧信息的检测技术利用弱相关数据进行异常检测,存在数据源易受干扰、信息不完整的问题,本发明利用工业机械臂运动特性与功率消耗为强相关数据,可以完整、真实地反映工业机械臂的运动状态,从而降低误检率。
2、现有基于状态信息的检测技术依赖状态信息的真实有效,而由于信息域与物理域的边界逐渐模糊,攻击者可以通过工业物联网平台渗透到现场侧控制器的状态信息进行篡改,因此存在状态信息不可信的问题,本发明直接由供电电源采集侧信息,实现了与典型状态信息的隔离,从而可以降低被篡改的概率,具有更高的安全性。
3、现有技术存在数据源维度较高,在应用中存在检测效率低的问题,本发明基于动力学建模的功率消耗模型仅需要与各关节轴运动状态相关的数据,避免了高维状态数据的引入,因此具有良好的实时响应性能。
4、由于检测系统与机械臂本体分离,检测过程本身不会对机械臂的时间响应特性产生显著影响。
附图说明
图1为本发明工业机械臂异常运动在线检测系统框架图;
图2为本发明工业机械臂异常运动在线检测方法流程图;
图3为本发明的功率数据采集模块流程图;
图4为本发明的位置数据采集模块流程图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
本发明提出的基于功率的工业机械臂异常运动在线检测方法,利用功率和位置异步采样数据解决时间同步,然后通过模型参数辨识(例如可以采用回归拟合方式)识别工业机械臂的动力学模型中的泛化参数,为进一步通过累积偏差或瞬时偏差判断机械臂的运动状态提供依据。本发明提出的检测方法利用了强相关数据特征实现状态校验,为开放环境中的异常检测问题提供了一种新的思路。
本发明提出的基于功率的工业机械臂异常运动在线检测方法,该方法基于工业机械臂异常运动在线检测系统实现,如图1所示,该系统包括位置数据采集模块、功率数据采集模块和异常检测模块;其中,两个数据采集模块获取机械臂正常运行时的位置、功率采样数据作为模型初始化样本;异常检测模块利用样本数据拟合工业机械臂的泛化动力学模型实现功率消耗模型的特异化,并进一步根据由功率消耗模型得到的预测功率与实际消耗功率间的累积偏差或瞬时偏差是否超过指定阈值实现异常检测及模型更新,如图2所示,该方法具体包括如下步骤:
步骤1:对工业机械臂的位置数据和功率数据进行采样、预处理,并将位置数据和功率数据分别传输给异常检测模块;具体地:
1)如图3所示,功率数据采集模块直接采集工业机械臂供电电源的电流和电压数据;功率数据采集模块以连续采样模式对电流、电压采样通道进行配置,设置采样频率,与异常检测模块未建立连接时,将采样得到的数据进行序列化后缓存;
2)如图4所示,位置数据采集模块首先根据机械臂的“握手”报文识别机械臂的类型,然后根据识别出的机械臂类型调用相应的位置数据解析方法(二进制、字符串、XML),并将提取出来的有效数据(各关节轴的角度以及报文时间戳)进行格式化处理,确保异常检测模块可以以统一的逻辑处理位置数据,并在序列化后通过TCP/IP转发给异常检测模块,从而实现位置数据向异常检测模块的转发;位置数据采集模块支持同时对多个机械臂进行位置数据采样;
3)位置数据采集模块扫描、识别出子网中活跃的机械臂控制器及其类型,将选择的待检测机械臂控制器通过TCP/IP协议与异常检测模块建立通信连接;异常检测模块接收到位置数据采集模块的连接请求后触发异常检测模块的通信机制,尝试与功率数据采集模块建立连接;若两条信道均建立成功,则开始进行功率数据和位置数据的采集;
4)功率数据采集模块经异常检测模块与现场控制网络间接相连,同时由于位置数据采集模块发送的数据格式简单明确,可以通过在位置数据采集模块和异常检测模块的通信信道上配置安全网关的数据过滤规则实现网络隔离,因此最大程度上避免了攻击者通过篡改功率采样数据绕过检测的可能;
5)功率数据采集模块和位置数据采集模块采用分离信道进行通信,存在起始采样时刻偏差、时钟抖动等时间不同步因素的影响,会导致同频采样得到的功率和位置数据存在时钟偏移,为了减轻时钟偏移的影响,对位置数据和功率数据采用不同的频率进行采样;位置数据的采样频率远小于功率数据,本实施例中,功率数据采集频率设置为2000Hz,位置数据采集频率设置43Hz。
步骤2:异常检测模块对功率数据和位置数据进行时间同步处理,剔除功率数据中无对应位置数据的无效数据,得到功率-位置数据组;具体地:
1)异常检测模块对包含位置数据的报文进行反序列化得到结构化的角度数据,然后利用后向差分求取角速度和角加速度,得到完整的位置状态信息;对功率数据进行预处理,将直接采样得到的电流、电压数据转换为功率数据,然后按时间戳缓存到有序链表;
2)异常检测模块接收到位置数据时,首先将该组位置数据添加到位置数据缓存队列的队尾,然后从缓存队列取出队首的位置数据组,并检查功率数据的有序链表缓存中是否存在与该组位置数据匹配的时间戳,若存在,从缓存中取出对应功率数据以组成功率-位置数据组,同时将缓存中该时间戳之前的数据删除,从而实现时间对齐;否则,进一步检查两次成功查询的间隔查询次数,若存在成功查询并且两次成功查询的间隔次数大于给定阈值则认为网络连接出现问题,给出提示信息;若不存在成功查询,则认为异常检测模块尚未找到位置数据和功率数据的基准时间,直接删除该组数据进行下一轮查询。
步骤3:基于功率-位置数据组推断工业机械臂的泛化动力学模型中的未知参数,从而实现功率消耗模型的特异化,采用预测数据和采样数据的斯皮尔曼相关系数(spearman correlation)和误差的标准差作为模型的预测精度控制指标;其中,机械臂功率消耗主要随角度、角速度、角加速度等位置数据变化,因此异常检测模块可以利用各关节轴的位置数据和相应的功率数据进行模型参数辨识,识别机械臂的泛化动力学模型中与位置数据无关的变量(通常指机械臂与位置数据无关的固有参数),进而得到功率消耗模型;特别地,模型参数辨识不以机械臂的DH变换参数为依据,直接由时间戳匹配的功率数据和位置数据拟合得到,具有很强的泛化能力;具体地:
机械臂的功率消耗主要由关节轴的驱动转矩Ti和角速度确定,其中驱动转矩Ti又可以分为机械转矩和摩擦转矩,分别对应机械功率Pm和摩擦功率Pf;此外,机械臂控制器的CPU、风扇等组件的运行构成了附加功率Pa,该部分功率在机械臂工作过程中基本保持不变;从而可以得到如下机械臂的功率消耗模型:
P=Pm+Pf+Pa
其中,P为机械臂的总功率消耗;基于拉格朗日方程对机械臂进行动力学建模推导可以得到各关节轴的转矩,从而得到n轴工业机械臂的机械功率Pm,公式如下:
其中,qi、分别表示机械臂关节轴i的角度、角速度和角加速度;Ii表示机械臂关节轴i的转动惯量;{i,j,k}均表示轴的编号;Dij、Dijk、Di是关于重力、角速度惯量、角加速度惯量的函数,可以利用标准DH建模法计算坐标转换矩阵相对于各关节轴角度的导数得到,可以表示为如下公式:
其中,Ai表示DH建模法下得到的各轴的坐标转换矩阵,Qi表示坐标转换矩阵对qi求导得到的系数阵,Jp表示各轴的惯量矩阵,上标T表示矩阵转置,mp表示各轴的质量,gT表示重力矩阵,表示各轴质心在轴坐标系中的位置,trace表示取矩阵的对角线元素之和;
对于摩擦功率Pf,其与位置数据存在如下近似关系:
由机械臂功率消耗模型可以看到,由角速度、角加速度构成的各组成元素与总的功率消耗呈较强的相关性,因此,可以利用步骤2得到的样本数据拟合上述模型中的未知参数;得到功率消耗模型后,利用预测数据和实际采样数据的斯皮尔曼相关系数以及二者之间误差的标准差为衡量标准判断模型精度是否符合要求,若二者之一不符合要求,则扩大采样数据点重新进行模型计算。
步骤4:异常检测模块基于机械臂的位置数据实时估计功率的输出值;具体地,基于采样得到的位置数据利用辨识得到的功率消耗模型实现功率消耗的实时预测,并可以通过线程间通信实现机械臂位置轨迹、实际采样功率和预测功率的可视化展示。
步骤5:异常检测模块根据预测功率与实际采样功率在给定时间窗内的累积偏差或瞬时偏差是否超过指定阈值实现异常检测及模型更新,具体地:
首先,判断预测功率和实际采样功率的最大瞬时偏差是否超过阈值,若未超过阈值,在时间窗口内对预测功率和实际采样功率的偏差进行累积,并根据累积误差值是否超过阈值触发报警信号;否则,需要根据偏离程度进行判断以确定是否需要进行模型更新;当需要进行功率消耗模型更新(如负载变化、摩擦力矩显著变化)时,原功率消耗模型保持对机械臂运动的检测,同时,并发地训练新的功率消耗模型,若模型精度满足要求,则进行功率消耗模型的替换,否则重新计算直到有可用模型进行替换。
上述具体实施方法是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述内容做出各种修改,并把在此说明的一般原理应用到其他方面中而不必经过创造性的劳动。因此,在不脱离本发明技术原理的前提下,还可以对本发明做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种基于功率的工业机械臂异常运动在线检测方法,其特征在于,该方法基于工业机械臂异常运动在线检测系统实现,该系统包括位置数据采集模块、功率数据采集模块和异常检测模块;其中,两个数据采集模块获取机械臂正常运行时的位置、功率采样数据作为模型初始化样本;异常检测模块利用样本数据拟合工业机械臂的泛化动力学模型实现功率消耗模型的特异化,并进一步根据由功率消耗模型得到的预测功率与实际消耗功率间的累积偏差或瞬时偏差是否超过指定阈值实现异常检测及模型更新,该方法具体包括如下步骤:
步骤1:对工业机械臂的位置数据和功率数据进行采样、预处理,并将位置数据和功率数据分别传输给异常检测模块;
步骤2:异常检测模块对功率数据和位置数据进行时间同步处理,剔除功率数据中无对应位置数据的无效数据,得到功率-位置数据组;
步骤3:基于功率-位置数据组推断工业机械臂的泛化动力学模型中的未知参数,从而实现功率消耗模型的特异化;
步骤4:异常检测模块基于机械臂的位置数据实时估计功率的输出值;
步骤5:异常检测模块根据预测功率与实际采样功率在给定时间窗内的累积偏差或瞬时偏差是否超过指定阈值实现异常检测及模型更新。
2.如权利要求1所述的一种基于功率的工业机械臂异常运动在线检测方法,其特征在于,所述步骤1中,功率数据采集模块经异常检测模块与现场控制网络间接相连,同时由于位置数据采集模块发送的数据格式简单明确,通过在位置数据采集模块和异常检测模块的通信信道上配置安全网关的数据过滤规则实现网络隔离;功率数据采集模块和位置数据采集模块采用分离信道进行通信,位置数据的采样频率远小于功率数据。
3.如权利要求1所述的一种基于功率的工业机械臂异常运动在线检测方法,其特征在于,所述步骤1中,功率数据采集模块直接采集工业机械臂供电电源的电流和电压数据;功率数据采集模块以连续采样模式对电流、电压采样通道进行配置,设置采样频率,与异常检测模块未建立连接时,将采样得到的数据进行序列化后缓存;
位置数据采集模块首先根据机械臂的“握手”报文识别机械臂的类型,然后根据识别出的机械臂类型调用相应的位置数据解析方法,并将提取出来的有效数据进行格式化处理,并在序列化后通过TCP/IP转发给异常检测模块,从而实现位置数据向异常检测模块的转发。
4.如权利要求1所述的一种基于功率的工业机械臂异常运动在线检测方法,其特征在于,所述步骤1中,位置数据采集模块扫描、识别出子网中活跃的机械臂控制器及其类型,将选择的待检测机械臂控制器通过TCP/IP协议与异常检测模块建立通信连接;异常检测模块接收到位置数据采集模块的连接请求后触发异常检测模块的通信机制,尝试与功率数据采集模块建立连接;若两条信道均建立成功,则开始进行功率数据和位置数据的采集。
5.如权利要求1所述的一种基于功率的工业机械臂异常运动在线检测方法,其特征在于,所述步骤2中,根据功率数据和位置数据的时间戳实现数据对齐;时间同步算法包括静态时间对齐和动态时间对齐两部分,静态时间对齐利用时间同步技术保证设备之间的全局时钟同步,动态时间对齐通过对功率数据和位置数据进行非同频采样,并利用时间戳的最近匹配原则选取对应的功率和位置数据组成功率-位置数据组,从而实现数据的时间对齐。
6.如权利要求1所述的一种基于功率的工业机械臂异常运动在线检测方法,其特征在于,所述步骤2中,时间对齐具体如下:
1)异常检测模块对包含位置数据的报文进行反序列化得到结构化的角度数据,然后利用后向差分求取角速度和角加速度,得到完整的位置状态信息;对功率数据进行预处理,将直接采样得到的电流、电压数据转换为功率数据,然后按时间戳缓存到有序链表;
2)异常检测模块接收到位置数据时,首先将该组位置数据添加到位置数据缓存队列的队尾,然后从缓存队列取出队首的位置数据组,并检查功率数据的有序链表缓存中是否存在与该组位置数据匹配的时间戳,若存在,从缓存中取出对应功率数据以组成功率-位置数据组,同时将缓存中该时间戳之前的数据删除,从而实现时间对齐;否则,进一步检查两次成功查询的间隔查询次数,若存在成功查询并且两次成功查询的间隔次数大于给定阈值则认为网络连接出现问题,给出提示信息;若不存在成功查询,则认为异常检测模块尚未找到位置数据和功率数据的基准时间,直接删除该组数据进行下一轮查询。
7.如权利要求1所述的一种基于功率的工业机械臂异常运动在线检测方法,其特征在于,所述步骤3中,机械臂功率消耗主要随角度、角速度、角加速度等位置数据变化,因此异常检测模块利用各关节轴的位置数据和相应的功率数据进行模型参数辨识,识别机械臂的泛化动力学模型中与位置数据无关的变量,进而得到功率消耗模型。
8.如权利要求1所述的一种基于功率的工业机械臂异常运动在线检测方法,其特征在于,所述步骤3中,机械臂的功率消耗模型如下:
P=Pm+Pf+Pa
其中,P为机械臂的总功率消耗,Pm为机械功率,Pf为摩擦功率,Pa为附加功率;
基于拉格朗日方程对机械臂进行动力学建模推导可以得到各关节轴的转矩,从而得到n轴工业机械臂的机械功率Pm,公式如下:
其中,qi、分别表示机械臂关节轴i的角度、角速度和角加速度;Ii表示机械臂关节轴i的转动惯量;{i,j,k}均表示轴的编号;Dij、Dijk、Di是关于重力、角速度惯量、角加速度惯量的函数,可以利用标准DH建模法计算坐标转换矩阵相对于各关节轴角度的导数得到;
摩擦功率Pf的公式如下:
利用步骤2得到的样本数据拟合上述模型中的未知参数;得到功率消耗模型后,利用预测数据和实际采样数据的斯皮尔曼相关系数以及二者之间误差的标准差为衡量标准判断模型精度是否符合要求,若二者之一不符合要求,则增加采样数据点重新进行模型计算。
9.如权利要求1所述的一种基于功率的工业机械臂异常运动在线检测方法,其特征在于,所述步骤4中,基于采样得到的位置数据利用辨识得到的功率消耗模型实现功率消耗的实时预测,并可以通过线程间通信实现机械臂位置轨迹、实际采样功率和预测功率的可视化展示。
10.如权利要求1所述的一种基于功率的工业机械臂异常运动在线检测方法,其特征在于,所述步骤5具体为:首先,判断预测功率和实际采样功率的最大瞬时偏差是否超过阈值,若未超过阈值,在时间窗口内对预测功率和实际采样功率的偏差进行累积,并根据累积误差值是否超过阈值触发报警信号;否则,需要根据偏离程度进行判断以确定是否需要进行模型更新;当需要进行功率消耗模型更新时,原功率消耗模型保持对机械臂运动的检测,同时,并发地训练新的功率消耗模型,若模型精度满足要求,则进行功率消耗模型的替换,否则重新计算直到有可用模型进行替换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010895795.2A CN112050782B (zh) | 2020-08-31 | 2020-08-31 | 一种基于功率的工业机械臂异常运动在线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010895795.2A CN112050782B (zh) | 2020-08-31 | 2020-08-31 | 一种基于功率的工业机械臂异常运动在线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112050782A true CN112050782A (zh) | 2020-12-08 |
CN112050782B CN112050782B (zh) | 2021-11-30 |
Family
ID=73608236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010895795.2A Active CN112050782B (zh) | 2020-08-31 | 2020-08-31 | 一种基于功率的工业机械臂异常运动在线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112050782B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113623291A (zh) * | 2021-07-28 | 2021-11-09 | 三一汽车制造有限公司 | 臂架液压系统的故障诊断方法、装置及作业机械 |
CN114237180A (zh) * | 2021-12-17 | 2022-03-25 | 内蒙古工业大学 | 一种工业控制系统攻击检测方法及装置 |
WO2023089781A1 (ja) * | 2021-11-19 | 2023-05-25 | ファナック株式会社 | 制御装置及び制御方法 |
WO2023089780A1 (ja) * | 2021-11-19 | 2023-05-25 | ファナック株式会社 | 制御装置及び制御方法 |
WO2023089782A1 (ja) * | 2021-11-19 | 2023-05-25 | ファナック株式会社 | 制御装置及び制御方法 |
WO2023089783A1 (ja) * | 2021-11-19 | 2023-05-25 | ファナック株式会社 | 制御装置及び制御方法 |
GB2623130A (en) * | 2022-10-07 | 2024-04-10 | Johnson Electric Int Ag | Apparatus, System and Method |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150092795A1 (en) * | 2012-06-14 | 2015-04-02 | Huawei Technologies Co., Ltd. | Method and apparatus for determining clock desynchronization |
EP2939633A1 (en) * | 2012-12-25 | 2015-11-04 | Kawasaki Jukogyo Kabushiki Kaisha | Surgical robot and method for controlling same |
CN105955198A (zh) * | 2016-04-28 | 2016-09-21 | 江南大学 | 基于最小二乘迭代算法的机床工步能耗监测方法 |
CN108574449A (zh) * | 2017-03-14 | 2018-09-25 | 发那科株式会社 | 具有功率元件的异常检查功能的电动机驱动装置 |
CN109041093A (zh) * | 2018-07-10 | 2018-12-18 | 深圳无线电检测技术研究院 | 一种盲信号源功率位置联合估计方法及系统 |
CN110103222A (zh) * | 2019-05-24 | 2019-08-09 | 北京无线电测量研究所 | 一种工业机器人碰撞检测方法 |
CN110434848A (zh) * | 2018-05-03 | 2019-11-12 | 西南科技大学 | 一种机械臂工作区域内异常人员检测方法 |
-
2020
- 2020-08-31 CN CN202010895795.2A patent/CN112050782B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150092795A1 (en) * | 2012-06-14 | 2015-04-02 | Huawei Technologies Co., Ltd. | Method and apparatus for determining clock desynchronization |
EP2939633A1 (en) * | 2012-12-25 | 2015-11-04 | Kawasaki Jukogyo Kabushiki Kaisha | Surgical robot and method for controlling same |
CN105955198A (zh) * | 2016-04-28 | 2016-09-21 | 江南大学 | 基于最小二乘迭代算法的机床工步能耗监测方法 |
CN108574449A (zh) * | 2017-03-14 | 2018-09-25 | 发那科株式会社 | 具有功率元件的异常检查功能的电动机驱动装置 |
CN110434848A (zh) * | 2018-05-03 | 2019-11-12 | 西南科技大学 | 一种机械臂工作区域内异常人员检测方法 |
CN109041093A (zh) * | 2018-07-10 | 2018-12-18 | 深圳无线电检测技术研究院 | 一种盲信号源功率位置联合估计方法及系统 |
CN110103222A (zh) * | 2019-05-24 | 2019-08-09 | 北京无线电测量研究所 | 一种工业机器人碰撞检测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113623291A (zh) * | 2021-07-28 | 2021-11-09 | 三一汽车制造有限公司 | 臂架液压系统的故障诊断方法、装置及作业机械 |
CN113623291B (zh) * | 2021-07-28 | 2023-06-16 | 三一汽车制造有限公司 | 臂架液压系统的故障诊断方法、装置及作业机械 |
WO2023089781A1 (ja) * | 2021-11-19 | 2023-05-25 | ファナック株式会社 | 制御装置及び制御方法 |
WO2023089780A1 (ja) * | 2021-11-19 | 2023-05-25 | ファナック株式会社 | 制御装置及び制御方法 |
WO2023089782A1 (ja) * | 2021-11-19 | 2023-05-25 | ファナック株式会社 | 制御装置及び制御方法 |
WO2023089783A1 (ja) * | 2021-11-19 | 2023-05-25 | ファナック株式会社 | 制御装置及び制御方法 |
CN114237180A (zh) * | 2021-12-17 | 2022-03-25 | 内蒙古工业大学 | 一种工业控制系统攻击检测方法及装置 |
CN114237180B (zh) * | 2021-12-17 | 2023-10-13 | 内蒙古工业大学 | 一种工业控制系统攻击检测方法及装置 |
GB2623130A (en) * | 2022-10-07 | 2024-04-10 | Johnson Electric Int Ag | Apparatus, System and Method |
Also Published As
Publication number | Publication date |
---|---|
CN112050782B (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112050782B (zh) | 一种基于功率的工业机械臂异常运动在线检测方法 | |
CN113612733B (zh) | 一种基于孪生网络的少样本虚假数据注入攻击检测方法 | |
WO2019200944A1 (zh) | 基于串行通信总线信号分析的工控系统物理入侵攻击检测方法 | |
Zonzini et al. | Structural health monitoring and prognostic of industrial plants and civil structures: A sensor to cloud architecture | |
JP6906993B2 (ja) | 監視システム、処理装置、監視装置、監視方法およびプログラム | |
SE528607C2 (sv) | System och anordning för att tidsmässigt relatera händelser i ett fordon | |
WO2016137849A4 (en) | Fault detection in rotor driven equipment using rotational invariant transform of sub-sampled 3-axis vibrational data | |
US10181976B2 (en) | System and method of adjusting data collection frequency | |
CN103115667B (zh) | 一种基于传感器的振动监测装置 | |
CN111245848B (zh) | 一种分层依赖关系建模的工控入侵检测方法 | |
CN107328589A (zh) | 一种轨道车辆门系统远程监测系统及其监测方法 | |
Caselli et al. | On the feasibility of device fingerprinting in industrial control systems | |
CN102130791B (zh) | 一种在网关上检测代理的方法、装置及网关服务器 | |
CN108932581A (zh) | 多物理域信息融合的自主感知方法及系统 | |
CN111478893A (zh) | 一种慢速http攻击的检测方法 | |
FR3030808A1 (fr) | Procede de transmission de donnees issues d'un capteur | |
Xun et al. | Side channel analysis: A novel intrusion detection system based on vehicle voltage signals | |
CN110745163A (zh) | 一种实现转速跟踪采样的方法、系统及设备 | |
WO2022115419A1 (en) | Method of detecting an anomaly in a system | |
EP3367706B2 (en) | A method, a network node and a system for triggering a transmission of sensor data from a wireless device | |
Zhou et al. | A model-based method for enabling source mapping and intrusion detection on proprietary can bus | |
CN113395296B (zh) | 基于fpga的车载网络入侵检测系统及消息位时采集方法 | |
GB2551444A (en) | Wireless motion monitoring system and method thereof | |
Kneib | A survey on sender identification methodologies for the controller area network | |
WO2022198212A3 (en) | Fault detection and monitoring |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |