CN113246175B - 机器人末端震动分类方法、机器人及存储介质 - Google Patents

机器人末端震动分类方法、机器人及存储介质 Download PDF

Info

Publication number
CN113246175B
CN113246175B CN202110495873.4A CN202110495873A CN113246175B CN 113246175 B CN113246175 B CN 113246175B CN 202110495873 A CN202110495873 A CN 202110495873A CN 113246175 B CN113246175 B CN 113246175B
Authority
CN
China
Prior art keywords
acceleration
time
robot
frequency
curve
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.)
Active
Application number
CN202110495873.4A
Other languages
English (en)
Other versions
CN113246175A (zh
Inventor
赵安
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.)
Peitian Robot Technology Co Ltd
Original Assignee
Peitian Robot Technology 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 Peitian Robot Technology Co Ltd filed Critical Peitian Robot Technology Co Ltd
Priority to CN202110495873.4A priority Critical patent/CN113246175B/zh
Publication of CN113246175A publication Critical patent/CN113246175A/zh
Application granted granted Critical
Publication of CN113246175B publication Critical patent/CN113246175B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/0095—Means or methods for testing manipulators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Manipulator (AREA)

Abstract

本申请公开了一种机器人末端震动分类方法、机器人及计算机存储介质，该方法包括：采集机器人末端的加速度，得到加速度曲线；对加速度曲线进行去趋势波动处理；对处理后的加速度曲线进行时频分析，得到时频分布图；提取时频分布图中的指标，基于指标对震动类型进行分析。因此，能够通过采集机器人末端的加速度并对加速度处理、分析得到时频分析数据，并能够根据时频分析数据对机器人末端震动进行分类。

Description

机器人末端震动分类方法、机器人及存储介质
技术领域
本申请涉及机器人技术领域，特别涉及一种机器人末端震动分类方法、机器人及计算机存储介质。
背景技术
工业机器人作为机器人的一种，是先进制造业中不可替代的重要装备和手段。工业机器人通过其末端的末端执行器进行工业操作，所以工业机器人在工作空间中末端执行器运动轨迹轨的精度直接决定了加工品质。
由于工业机器人关节系统普遍使用减速器和传动轴承等柔性元件，这些柔性元件降低了机器人系统的固有频率，使机器人在运行过程中可能出现振动，进而使得末端震动造成末端执行器震动。这不仅会降低机器人寿命，也对会降低机器人末端执行器的运动轨迹精度，进而使得加工品质下降。
为抑制机器人振动，根据机器人振动形式，可以将机器人振动分为残余振动和匀速振动两种。抑制残余振动的常规方法包括增加系统阻尼、提高刚度、输入整形等。抑制匀速振动除了改进机械结构以外，常使用基于复杂模型的控制策略，如添加观测器、滤波器、陷波器和基于H无穷控制理论的复合控制方法等。
为了有针对性地抑制机器人振动，使用合适的振动抑制方法，区分机器人振动类型是十分有意义的。现有技术普遍使用快速傅里叶变换(FFT)分析机器人震动。而快速傅里叶变换缺乏时间分辨的能力，无法从频谱分析上区分机器人振动类型。
发明内容
本申请提供一种机器人末端震动分类方法、机器人及计算机存储介质，以判断机器人末端震动类型。
为解决上述技术问题，本申请采用的一个技术方案是：提供一种机器人末端震动分类方法，该方法包括：采集机器人末端的加速度，得到加速度曲线；对加速度曲线进行去趋势波动处理；对处理后的所述加速度曲线进行时频分析，得到时频分析数据，基于时频分析数据对机器人末端振动进行分类。
进一步，采集机器人末端的加速度，得到加速度曲线包括：采集机器人末端在X轴、Y轴以及Z轴方向上的加速度，合成在X轴、Y轴以及Z轴方向上的加速度，得到加速度曲线。
进一步，对加速度曲线进行去趋势波动处理包括：对加速度曲线进行线性拟合得到拟合直线；根据拟合直线对加速度曲线进行去趋势波动处理。
进一步，对加速度曲线进行线性拟合得到拟合直线包括：设置线性拟合的数据长度；根据数据长度对加速度曲线分段，得到多段曲线；对每段曲线对应的数据通过最小二乘法进行线性拟合，以得到拟合直线。
进一步，根据拟合直线对加速度曲线进行去趋势波动处理包括：将多段曲线中每段曲线的数据与对应的拟合直线的拟合值相减。
进一步，对加速度曲线进行去趋势波动处理之后还包括：对加速度曲线进行归一化处理。
进一步，对处理后的所述加速度曲线进行时频分析，得到时频分析数据，基于所述时频分析数据对机器人末端振动进行分类包括：通过自适应最优核时频分布算法对所述加速度曲线做时频分析，以得到所述加速度曲线的时频分布图；根据所述时频分布图显示的数据特征确定机器人末端的振动类型。
进一步，该方法还包括：根据所述时频分析数据，计算同一频率所有时间下的能量和以及同一频率所有时间下的能量熵，基于所述能量和以及所述能量熵进行振动类型分析。
为解决上述技术问题，本申请还提供一种机器人，机器人包括处理器以及传感器，传感器设置于机器人的末端，处理器用于接收传感器的传感信号并执行如上述任一项的方法。
为解决上述技术问题，本申请还提供一种计算机存储介质，计算机存储介质可以被处理器执行以实现上述任一项的方法。
本申请至少具备如下有益效果：本申请提供的机器人末端震动分类方法，能够通过采集机器人末端的加速度并对加速度处理、分析得到时频分析数据，并能够根据时频分析数据对机器人末端震动进行分类。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请的机器人末端震动分类方法的第一实施例的流程示意图；
图2是本申请的机器人末端震动分类方法的第二实施例的一流程示意图；
图3是X轴、Y轴以及Z轴方向上的加速度曲线；
图4是图3中X轴、Y轴以及Z轴方向上的加速度曲线的合成加速度曲线；
图5是本申请的机器人末端震动分类方法的第二实施例的另一流程示意图；
图6是图4中的加速度曲线经去趋势波动处理之后的加速度曲线；
图7是图6中的加速度曲线经过归一化处理之后的加速度曲线；
图8是图7中加速度曲线的时频分布图；
图9是图8中时频分布的E(f)以及H(f)的分布图；
图10是本申请的计算机存储介质一实施例的结构示意图。
具体实施方式
下面结合附图和实施例，对本申请作进一步的详细描述。特别指出的是，以下实施例仅用于说明本申请，但不对本申请的范围进行限定。同样的，以下实施例仅为本申请的部分实施例而非全部实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请提供一种机器人末端震动分类方法，用于判断机器人末端震动类型。请参阅图1，图1是本申请的机器人末端震动分类方法的第一实施例的流程示意图。如图1，该方法包括：
S101：采集机器人末端的加速度，得到加速度曲线。
其中，机器人可以是工业机器人，工业机器人末端设置有末端执行器。具体的，可以在机器人的末端设置一个或多个加速度传感器，以采集机器人末端的传感信号。当然，在一些其他的实施方式中，也可以使用位移传感器、速度传感器等传感器进行传感信号的采集。将采集的传感信号进行处理、分析得到机器人末端的加速度。进一步，通过获取的加速度建立加速度-时间变化关系，并得到关系曲线，即加速度曲线。
该加速度曲线反映了采集的加速度随加速度采集时间的变化关系，通过该变化关系能够获取某个时间点对应的加速度。
S102：对加速度曲线进行去趋势波动处理。
机器人在运行过程中会发生姿态变化，使得机器人的末端在水平方向或与水平方向呈一定角度的方向运动。当机器人的末端在与水平方向呈一定角度的方向运动时，会使得安装在末端的加速度传感器会受到重力加速度的影响。此时得到的加速度曲线表现出一定的上行或下行趋势，这种趋势带来的影响不利于对机器人末端震动类型的判断，去趋势波动处理能够消除这种趋势，以提高对震动类型判断的准确性。
S103：对处理后的加速度曲线进行时频分析，得到时频分析数据。加速度曲线反映了加速度信号随时间变化的关系，由于震动的不规则性，使得加速度曲线中的加速度信号是一种时变非平稳的信号。时频分析(JTFA)是时频联合域分析(Joint Time-FrequencyAnalysis)的简称，是分析时变非平稳信号的有力工具。
时频分析会设计时间和频率的联合函数，即时频分布函数，通过时频分布函数能够同时描述，加速度信号在不同时间和频率的能量密度或强度，能给出加速度信号在各个时刻的瞬时频率及其幅值。其中，短时距傅里叶变换(包含加伯转换)、科恩分布函数(包含韦格纳分布)、改进型韦格纳分布，以及加伯-韦格纳分布(Gabor-Wigner distributionfunction)函数及S转换都是常见的时频分布函数。
通过时频函数能够得到时频分析数据，时频分析数据反映了加速度信号在时间域与频率域的联合分布信息，通过该时频分析数据能够清楚地描述加速度信号频率随时间变化的关系。
S104：基于时频分析数据对机器人末端振动进行分类。
可以提取时频分析数据中的频率数据、时间数据或者频率以及时间结合数据，对所提取的数据进行量化分析，得到所提取数据的特性。根据不通过不同震动类型对应不同的数据特性这一特点，即可根据时频分析数据来对震动类型进行分类。
本实施例至少具备的有益效果是：本实施例的方法采集机器人末端的加速度，得到加速度曲线；对加速度曲线进行去趋势波动处理；对处理后的加速度曲线进行时频分析，得到时频分析数据；基于时频分析数据对机器人末端震动类型进行分类。因此，能够通过采集机器人末端的加速度并对加速度处理、分析得到时频分析数据，并能够根据时频分析数据对机器人末端震动类型进行分类。
请参阅图2，图2是本申请的机器人末端震动分类方法的第二实施例的一流程示意图，本实施例在上述第一实施例的基础上描述。如图2，该方法包括：
S201：采集机器人末端在X轴、Y轴以及Z轴方向上的加速度，合成在X轴、Y轴以及Z轴方向上的加速度，得到加速度曲线。
其中，本实施例的传感器可以是加速度传感器，通过加速度传感器直接采集加速度信号。机器人的末端执行器可能沿水平方向震动，也可能沿与水平方向呈一定角度的方向震动。
通过采集在X轴、Y轴以及Z轴方向上的加速度，可以全面的反应末端执行器在各个方向的加速度，利于提高对震动类型判断的准确性。其中，X轴方向、Y轴方向以及Z轴方向可以相互垂直，加速度传感器可以是三轴加速度传感器，三轴加速度传感器实时检测相互垂直的X轴、Y轴以及Z轴方向上加速度值。
具体的，机器人具有多个关节，每个关节对应于一个驱动器，用于驱动相应的关节转动，以最终使得末端执行器按照特定的运动轨迹进行运动。在采集机器人末端在X轴、Y轴以及Z轴方向上的加速度时，可以采集在一个关节转动时的加速度，也可以采集在多个关节同时转动时的加速度。
具体的，通过三轴加速度传感器采集的传感信号经过处理、分析，得到的代表每个方向的数字量与实际加速度值之间的转换关系如下：
其中，i代表X，Y，Z三个方向中的一个，di表示i方向的数字量输出值，其取值范围是[0，4096]，g是重力加速度。从上式可知，ai的取值范围是[-5g，5g]，当di等于2048时，ai等于0表示加速度传感器处于静止状态。
进一步，将X轴、Y轴以及Z轴方向上的加速度合成为一个加速度，通过一个加速度即能够反映末端执行器在各个方向上的加速度，便于震动类型的判断。
例如：采用AIR3-A型六轴工业机器人进行实验，在机器人末端执行器上安装机器人标准负载，负载上固定三轴加速度传感器，三轴加速度传感器采集末端在X轴、Y轴以及Z轴方向上加速度值。值得说明的是，以下采集的加速度曲线是只有一个关节转动时所采集的加速度曲线，即其他关节均不转动。
请参阅图3，图3是X轴、Y轴以及Z轴方向上的加速度曲线。
图3中由上到下依次分别是末端在在Z轴、Y轴以及X轴方向上的加速度曲线。其中，横坐标表示时间T，纵坐标表示加速度数字值D。
请参阅图4，图4是图3中X轴、Y轴以及Z轴方向上的加速度曲线的合成加速度曲线。其中，横坐标表示时间T，纵坐标表示加速度数字值D。
S202：对加速度曲线进行线性拟合得到拟合直线，根据拟合直线对加速度曲线进行去趋势波动处理。
线性拟合是曲线拟合的一种形式，得到的拟合直线能够反映加速度曲线的趋势，通过该拟合直线可以对加速度曲线进行去趋势波动处理。当然，在一些其他的实施方式中，也可以通过二次函数拟合、三角函数拟合得到拟合直线。
请参阅图5，图5是本申请的机器人末端震动分类方法的第二实施例的另一流程示意图。具体的，在一些实施方式中，S202包括：
S2021：设置线性拟合的数据长度，根据数据长度对加速度曲线分段，得到多段曲线，对每段曲线对应的数据通过最小二乘法进行线性拟合，以得到拟合直线。
设置线性拟合的数据长度即设置加速度曲线作线性拟合的曲线长度，曲线长度可以用连续的采样周期的个数表示。例如，设置数据长度为5，那么设置作线性拟合加速度曲线包括连续的5个采样周期的曲线长度。其中，线性拟合的数据长度至少能够包括一个震动周期，即作线性拟合的加速度曲线所包含的连续采样周期能够包括一个震动周期，以对至少一个震动周期内的震动作出分析。
根据数据长度对加速度曲线进行分段，可以是根据数据长度中所包含的采样周期的个数对加速度曲线进行分段，进而得到多段曲线，每端曲线包含一个采样周期，不足一个采样周期的曲线舍去。
对每段曲线对应的加速度数据进行最小二乘法处理，得到每段曲线的拟合直线，进而得到加速度曲线的拟合直线。
例如，分段得到5段曲线，那么分别将这五段曲线进行线性拟合得到这五段拟合直线，再根据这五段拟合直线得到加速度曲线的拟合直线。
S2022：将多段曲线中每段曲线的数据与对应的拟合直线的拟合值相减。
例如，加速度曲线中包含5段曲线L1、L2、L3、L4、L5，曲线L1、L2、L3、L4、L5对应的拟合直线的拟合值分别为l1、l2、l3、l4、l5。那么，将曲线L1的数据减去拟合值l1得到曲线S1，将曲线L2的数据减去拟合值l2得到曲线S2，将曲线L3的数据减去拟合值l3得到曲线S3，将曲线L4的数据减去拟合值l4得到曲线S4，将曲线L5的数据减去拟合值l5得到曲线S5。曲线S1、S2、S3、S4、S5即构成经过去趋势波动处理的加速度曲线。
请参阅图6，图6是图4中的加速度曲线经去趋势波动处理之后的加速度曲线。
其中，横坐标表示时间T，纵坐标表示测向加速度M1。
S203：对加速度曲线进行归一化处理。
归一化处理能够减低机器人不同运行工况下，加速度绝对值可能有差异而引起的分析的不准确性。
请参阅图7，图7是图6中加速度曲线经过归一化处理之后的加速度曲线。
其中，横坐标表示时间T，纵坐标表示测向归一化加速度M2。
其中，归一化处理的公式为：
其中aNDF表示经过归一化处理后的加速度值，aDF是进行归一化处理之前的加速度值。
S204：通过自适应最优核时频分布算法对加速度曲线做时频分析，以得到加速度曲线的时频分布图。
请参阅图8，图8是图7中加速度曲线的时频分布图。其中，Q1为图7中的加速度曲线图，横坐标表示时间T，纵坐标表示测向归一化加速度M2。Q2为图7中的加速度曲线图的时频分布图，横坐标表示时间T，纵坐标表示频率F。Q3为是对图7中的加速度曲线进行快速傅里叶变换(FFT)获得的频谱分布。
现有技术通常采取快速傅里叶变换(FFT)获得如Q3的频谱分布来分析震动，但由于其缺乏时间分布，无法从频谱分布中判断震动类型。
本实施例的自适应最优核时频分布算法利用随信号自适应变化的高斯核函数能够保持较好的时频聚集性，能够获取时间分布，同时有效抑制时频平面内的交叉项干扰。
其中，自适应最优核时频分布D(t,f)的计算公式如下：
D(t,f)＝∫∫S(t,τ,υ)·Φ(τ,υ)·e-j2π(tυ+τf)dτdυ
其中，υ为偏频，τ表示时延，t是时间，f代表频率。Φ(τ,υ)是用于产生自适应最优核时频分布的核函数，S(t,τ,υ)为短时模糊函数。其中，偏频υ以及时延τ均为根据频率以及加速度曲线设置的值。
具体的，通过归一化处理得到的多组测向归一化加速度值-时间序列值以及上述适应最优核时频分布公式，即可得到时频分布数据与时频分布图。
更具体的，频率f是加速度信号的频率，通过傅里叶级数变换可得到加速度信号的关于频率f的函数，当然，也可以通过其他方式获取加速度信号的关于频率f的函数，由于此部分为现有技术，不再赘述。
更具体的，可以基于自适应最优核时频分布D(t,f)根据多组测向归一化加速度值-时间值，得到时频分布数据以及时频分布图。
S205：根据时频分布图显示的数据特征确定机器人末端的振动类型。
在时频分布图中，对于不同的震动类型对应于不同的数据特征，可以通过不同的数据特征来确定不同的震动类型。
如图8，在Q2中，沿着时间T方向能够观察到两个明显的聚集带区域，即虚线框中的聚集带区域Q21以及实线框中的聚集带区域Q22，不同的聚集带区域反应了不同的数据特征，也即反应了不同的震动类型。其中，聚集带区域Q22代表了机器人启停的残余震动，聚集带区域Q21代表了机器人运行中的匀速震动。其中，残余震动持续的时间较短，只在机器人启停或换向时发生，即聚集带区域Q22代表了残余震动；匀速震动持续的时间较长，当机器人运行速度与机器人本体谐振频率一致或者接近时产生，即聚集带区域Q21代表了匀速震动。
在一些实施方式中，得到时频分析数据之后，该方法还包括：提取时频分布图中的同一频率所有时间下的能量和指标以及同一频率所有时间下的能量熵指标，基于能量和指标以及能量熵指标对震动类型进行分析。
设同一频率所有时间下的能量和为E(f)，同一频率所有时间下的能量熵H(f)。
设时间t的取值范围是[1,m]，m的取值范围是[1，+∞)，设频率f的取值范围是[1,n]，n的取值范围是[1，+∞)。
具体地，时间t可以根据加速度采样周期确定，时间t可以包括至少一个加速度采样周期。加速度采样周期可以根据实际需求改变，但加速度采样周期需要覆盖可能的抖动频率对应的时间长度。例如，可能发生的抖动频率包括200Hz，其对应的时间长度为5ms，那么加速度采样周期需要覆盖5ms的时间长度，即加速度采样周期的长度至少为5ms。此时，时间t可以取值为5ms、10ms、15ms等。
对于频率f，其对应于机器人末端的实际震动频率。结合上述内容，频率f取决于施加于机器人各个关节的转动方向、转动速度等关节运动因素。因此，当机器人关节的转动方向、转动速度发生改变时，其对应的实际震动频率可能发生变化，导致频率f发生变化。
其中，E(f)和H(f)的计算方法如下：
请参阅图9，图9是图8中时频分布的E(f)以及H(f)的分布图。其中，横坐标表示频率Frequency，左纵坐标表示能量和Energy，右纵坐标表示能量熵Entropy。
其中，点线91表示同一频率所有时间下的能量熵H(f)，点线92表示同一频率所有时间下的能量和为E(f)。
从图中可以得到：在频率f1处，同一频率所有时间下的能量熵H(f)具有一最小值。在频率f2处，同一频率所有时间下的能量和E(f)具有一最大值。
残余震动中心频率的特点是：具有较高的同一频率所有时间下的能量和，是同一频率所有时间下的能量和的一处极大值点；同时，具有较低的同一频率所有时间下的能量熵，是同一频率所有时间下的能量熵的一处极小值点。匀速震动中心频率的特点是：是同一频率所有时间下的能量和的又一处极大值点，且具有几乎最大的同一频率所有时间下的能量和；同时，具有较大的同一频率所有时间下的能量熵。
因此，从图9可以知道，频率f1是残余震动中心频率，频率f2是匀速震动中心频率。因此，在图8中靠近频率f1的频率分布是残余震动的频率分布，对应的震动是残余震动；靠近频率f2的频率分布是匀速震动的频率分布，对应的震动是匀速震动。
因此，通过提取时频分布图中的指标，能够基于所提取的指标对震动类型进行准确的分析。
当然，在一些其他的实施方式中，所提取的指标并不限于此。例如，可以将同一频率所有时间下的能量和进行归一化，即除以所有频率所有时间下的能量和，得到取值范围在[0，1]之间的归一化同一频率所有时间下的能量和，以方便设定确定的阈值进行震动频率的提取。可以将同一频率所有时间下的能量熵进行归一化，即除以所有频率所有时间下的能量熵，得到取值范围在[0，1]之间的归一化同一频率所有时间下的能量熵，以方便设定确定的阈值进行震动频率的提取。
值得说明的是，在一些实施方式中，机器人可以自动运行相应的程序进而通过上述方法自动地实现对震动类型的判断。紧接上述内容，以通过提取时频分布图中的指标，基于所提取的指标对震动类型进行准确的分析过程为例，具体可以是机器人自动地提取时频分析图中的指标，并基于所提取的指标对震动类型进行自动分析，进而得到具体的震动类型。
本实施例至少具备的有益效果是：在上述第一实施例的基础上，本实施例采取在三个相互垂直的X轴、Y轴、Z轴方向上的加速度，并进行合成，保证了判断的全面性、准确性。并且，将加速度曲线进行线性拟合进行去趋势波动处理，消除了其他趋势因素的影响，通过归一化处理降低了加速度绝对值可能有差异而引起的对震动类型分析的不准确性。并且，通过自适应最优核时频分布算法得到时频分布图，通过提取其中的指标能够对震动类型进行定量化的准确分析，提升了对震动类型判断的准确性。
为解决上述技术问题，本申请还提供一种机器人，机器人包括处理器以及传感器，传感器设置于机器人的末端，处理器用于接收传感器的传感信号并执行如上述任实施例的方法。关于传感器的说明，可参加上述方法部分的说明，不再赘述。
为解决上述技术问题，本申请实施例还提供一种计算机存储介质50。请参阅图10，图10是本申请的计算机存储介质50一实施例的结构示意图。其中，计算机存储介质50用于存储计算机程序51，计算机程序51在被处理器执行时，用于实现上述任一实施例中的方法。
其中，计算机存储介质50可以是服务端、U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (9)

1.一种机器人末端振动分类方法，其特征在于，所述方法包括：
采集机器人末端的加速度，得到加速度曲线；
对所述加速度曲线进行去趋势波动处理；
对处理后的所述加速度曲线进行时频分析，得到时频分析数据；
基于所述时频分析数据对机器人末端振动进行分类；
其中，对处理后的所述加速度曲线进行时频分析，得到时频分析数据，基于所述时频分析数据对机器人末端振动进行分类包括：
通过自适应最优核时频分布算法对所述加速度曲线做时频分析，以得到所述加速度曲线的时频分布图；根据所述时频分布图显示的数据特征确定机器人末端的振动类型；
所述数据特征包括所述时频分布图的聚集带区域的特征，所述振动类型包括残余震动和匀速震动。
2.根据权利要求1所述的方法，其特征在于，所述采集机器人末端的加速度，得到加速度曲线包括：
采集机器人末端在X轴、Y轴以及Z轴方向上的加速度，合成在所述X轴、所述Y轴以及所述Z轴方向上的加速度，得到所述加速度曲线。
3.根据权利要求1所述的方法，其特征在于，所述对加速度曲线进行去趋势波动处理包括：
对所述加速度曲线进行线性拟合得到拟合直线；
根据所述拟合直线对所述加速度曲线进行去趋势波动处理。
4.根据权利要求3所述的方法，其特征在于，所述对所述加速度曲线进行线性拟合得到拟合直线包括：
设置所述线性拟合的数据长度；
根据所述数据长度对所述加速度曲线分段，得到多段曲线；
对每段所述曲线对应的数据通过最小二乘法进行线性拟合，以得到拟合直线。
5.根据权利要求4所述的方法，其特征在于，所述根据所述拟合直线对所述加速度曲线进行去趋势波动处理包括：
将所述多段所述曲线中每段曲线的数据与对应的拟合直线的拟合值相减。
6.根据权利要求1所述的方法，其特征在于，对所述加速度曲线进行去趋势波动处理之后还包括：
对所述加速度曲线进行归一化处理。
7.根据权利要求1所述的方法，其特征在于，还包括：
根据所述时频分析数据，计算同一频率所有时间下的能量和以及同一频率所有时间下的能量熵，基于所述能量和以及所述能量熵进行振动类型分析。
8.一种机器人，其特征在于，所述机器人包括处理器以及传感器，所述传感器设置于所述机器人的末端，所述处理器用于接收所述传感器的传感信号并执行如权利要求1-7任一项所述的方法。
9.一种计算机存储介质，其特征在于，所述计算机存储介质可以被处理器执行以实现上述权利要求1-7任一项所述的方法。
CN202110495873.4A 2021-05-07 2021-05-07 机器人末端震动分类方法、机器人及存储介质 Active CN113246175B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110495873.4A CN113246175B (zh) 2021-05-07 2021-05-07 机器人末端震动分类方法、机器人及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110495873.4A CN113246175B (zh) 2021-05-07 2021-05-07 机器人末端震动分类方法、机器人及存储介质

Publications (2)

Publication Number Publication Date
CN113246175A CN113246175A (zh) 2021-08-13
CN113246175B true CN113246175B (zh) 2024-05-03

Family

ID=77224023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110495873.4A Active CN113246175B (zh) 2021-05-07 2021-05-07 机器人末端震动分类方法、机器人及存储介质

Country Status (1)

Country Link
CN (1) CN113246175B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114234903A (zh) * 2021-12-06 2022-03-25 安徽省配天机器人集团有限公司 安装角度的检测方法、振动检测方法以及检测系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003340755A (ja) * 2002-05-28 2003-12-02 Daihen Corp サーボモータ制御用コントローラにおけるゲイン設定法、コントローラの有効性検証法およびロボット制御法
CN104055529A (zh) * 2014-06-19 2014-09-24 西南大学 一种计算情感心电信号标度指数的方法
CN104166804A (zh) * 2014-08-20 2014-11-26 中国科学技术大学 一种基于时频域单源点稀疏成分分析的工作模态辨识方法
CN107271187A (zh) * 2017-08-09 2017-10-20 西华大学 一种对汽车变速器轴承故障进行定量诊断的方法
CN107825424A (zh) * 2017-10-31 2018-03-23 河北工业大学 一种高速机械手减少残余振动的非对称s型轨迹规划方法
CN110147826A (zh) * 2019-04-23 2019-08-20 中国科学技术大学 一种动态环境下机器人地面分类方法及系统
CN110909637A (zh) * 2019-11-08 2020-03-24 清华大学 一种基于视触融合的室外移动机器人地形识别方法
CN111015737A (zh) * 2019-12-25 2020-04-17 长安大学 一种单连杆柔性机械臂的减振方法
CN111144230A (zh) * 2019-12-06 2020-05-12 天津大学 一种基于vmd的时域载荷信号的去噪方法
CN111631682A (zh) * 2020-04-23 2020-09-08 平安国际智慧城市科技股份有限公司 基于去趋势分析的生理特征集成方法、装置和计算机设备
CN111680642A (zh) * 2020-06-11 2020-09-18 石家庄铁道大学 一种地形分类方法及装置
CN112394642A (zh) * 2020-11-27 2021-02-23 华中科技大学 一种基于超参数优化的机器人铣削加工颤振辨识方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003340755A (ja) * 2002-05-28 2003-12-02 Daihen Corp サーボモータ制御用コントローラにおけるゲイン設定法、コントローラの有効性検証法およびロボット制御法
CN104055529A (zh) * 2014-06-19 2014-09-24 西南大学 一种计算情感心电信号标度指数的方法
CN104166804A (zh) * 2014-08-20 2014-11-26 中国科学技术大学 一种基于时频域单源点稀疏成分分析的工作模态辨识方法
CN107271187A (zh) * 2017-08-09 2017-10-20 西华大学 一种对汽车变速器轴承故障进行定量诊断的方法
CN107825424A (zh) * 2017-10-31 2018-03-23 河北工业大学 一种高速机械手减少残余振动的非对称s型轨迹规划方法
CN110147826A (zh) * 2019-04-23 2019-08-20 中国科学技术大学 一种动态环境下机器人地面分类方法及系统
CN110909637A (zh) * 2019-11-08 2020-03-24 清华大学 一种基于视触融合的室外移动机器人地形识别方法
CN111144230A (zh) * 2019-12-06 2020-05-12 天津大学 一种基于vmd的时域载荷信号的去噪方法
CN111015737A (zh) * 2019-12-25 2020-04-17 长安大学 一种单连杆柔性机械臂的减振方法
CN111631682A (zh) * 2020-04-23 2020-09-08 平安国际智慧城市科技股份有限公司 基于去趋势分析的生理特征集成方法、装置和计算机设备
CN111680642A (zh) * 2020-06-11 2020-09-18 石家庄铁道大学 一种地形分类方法及装置
CN112394642A (zh) * 2020-11-27 2021-02-23 华中科技大学 一种基于超参数优化的机器人铣削加工颤振辨识方法

Also Published As

Publication number Publication date
CN113246175A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
Peng et al. A new method for the prediction of chatter stability lobes based on dynamic cutting force simulation model and support vector machine
Zhang et al. Integrating angle-frequency domain synchronous averaging technique with feature extraction for gear fault diagnosis
Udmale et al. Multi-fault bearing classification using sensors and ConvNet-based transfer learning approach
JP6792746B2 (ja) 周波数領域のセグメント特徴解析による状態識別法
CN113246175B (zh) 机器人末端震动分类方法、机器人及存储介质
CN110682159A (zh) 一种刀具磨损状态识别方法及装置
CN110018322B (zh) 一种基于深度学习的转速检测方法及系统
CN110705041B (zh) 一种基于easi的线性结构工作模态参数识别方法
Hussain et al. A novel method for real time gear fault detection based on pulse shape analysis
Windau et al. Inertial machine monitoring system for automated failure detection
Wang et al. An EMD-MRLS de-noising method for fiber optic gyro Signal
Thuan et al. Intelligent bearing fault diagnosis with a lightweight neural network
CN110782041A (zh) 一种基于机器学习的结构模态参数识别方法
CN117226836A (zh) 一种工业机器人诊断系统及诊断方法
CN117381547A (zh) 一种基于特征降维与径向基神经网络结合的小直径球头砂轮磨损状态预测方法及系统
Betea et al. Comparison between envelope detection methods for bearing defects diagnose
Van et al. Rolling element bearing fault diagnosis using integrated nonlocal means denoising with modified morphology filter operators
CN110542557A (zh) 图像积分驱动的机床大数据周期性故障特征快速分析方法
CN115406686A (zh) 一种基于工业机器人的振动状态分析方法
Bilgili et al. Tool flank wear prediction using high-frequency machine data from industrial edge device
Tatinati et al. Online LS-SVM based multi-step prediction of physiological tremor for surgical robotics
Al-Bugharbee et al. Autoregressive modelling for rolling element bearing fault diagnosis
Ali et al. Frequency features based fuzzy system for rotating machinery vibration analysis using smartphones low-cost MEMS sensors
CN113486523A (zh) 一种线性变参数振动系统全局辨识方法
Yan et al. Designing and Manufacturing of Industrial Robots with Dual-Angle Sensors Taking into Account Vibration Signal Fusion

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