CN113386139B - 一种基于k-s检验的机器人运行状态判断方法 - Google Patents
一种基于k-s检验的机器人运行状态判断方法 Download PDFInfo
- Publication number
- CN113386139B CN113386139B CN202110742611.3A CN202110742611A CN113386139B CN 113386139 B CN113386139 B CN 113386139B CN 202110742611 A CN202110742611 A CN 202110742611A CN 113386139 B CN113386139 B CN 113386139B
- Authority
- CN
- China
- Prior art keywords
- signal
- robot
- abnormal
- abnormality
- point
- 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
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/1653—Programme controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error analysis
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
- B25J9/1661—Programme controls characterised by programming, planning systems for manipulators characterised by task planning, object-oriented languages
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Manipulator (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种基于K‑S检验的机器人运行状态判断方法,属于机器人状态评估技术领域。本发明包括机器人基准周期信号建立,数据周期截取,当前机器人状态判断,异常程度及异常持续计算;可以对机器人运行状态进行监测,在运行异常时报警并给出异常程度和异常持续的判断。本方法已在工业机器人上进行过实验,实验表明本方法的精度较高,能够在机器人运行异常时准确的显示存在异常,并给出异常程度和异常持续。
Description
技术领域
本发明涉及一种基于K-S检验的机器人运行状态判断方法,属于机器人状态评估技术领域。
背景技术
随着工业自动化程度的不断提高,关节型工业机器人广泛应用于自动化工厂。工业机器人传动系统的核心是RV减速器,占到其总成本的1/3以上。其作为专业机器人中的主要旋转部件,随着服役时间的延长,可靠性逐渐降低,故障率上升。故障停机会造成自动化生产线停止运行,再加上机器人更换减速机需要将其调离工位,耗费大量时间,会给企业带来很大经济损失。
因此,有必要针对减速机运行状态进行监测,目前已经提出的关于工业机器人状态监测的方法已经较为成熟,但还是存在着一定的问题,目前机器人运行信号正常状态区间的建立主要方法有:调用数据库内数据,这种方法在机器人负载和动作路径未在数据库时无法进行状态判断;根据机器人往复运动时不同周期运动轨迹上同一点的监测值来建立基准范围,如果机器人运行周期中有一段机器人静止或者快速的在一个位置附近反复穿梭,可能会造成不同周期中相同运动位置的判断错误。目前的方法中针对机器人异常的判断主要停留在是否存在异常以及异常总持续时间或周期上,针对异常程度和一个周期中异常持续没有一个具体的判断方式,以及目前的方法中主要是针对一个周期进行异常判断,异常判断精度可能会存在误差。
发明内容
本发明提供了一种基于K-S检验的机器人运行状态判断方法,以用于解决上述针对基准周期建立和数据异常判断中存在的问题。
本发明的技术方案是:一种基于K-S检验的机器人运行状态判断方法,所述方法具体步骤如下:
Step1、获得Ka组机器人往复运动的正常运行离散周期信号Kai(n),和相同组数的Kb组机器人往复运动的测试周期信号Kbi(n);信号类型可以是扭矩、电流、转速等具有周期性变化的机器人运行信号;进一步地,所述步骤Step1中,对信号处理获得周期信号可以参照申请号为:201710486447.8的专利申请:基于频率校正和互相关原理的往复运动周期提取方法。
Step2、若选取的信号类型为交变信号,则对Kai(n)和Kbi(n)进行处理,分别获得其单边包络信号Pi(n)和Qi(n),若选取的信号类型是单边信号,则不需要进行处理,直接将Kai(n)和Kbi(n)等效于Pi(n)和Qi(n);所述Step2中,若需对Kai(n)和Kbi(n)进行处理,获得其单边包络信号的方法不做限。
Step4、将Step3中得到的Xi(n)与周期基准曲线G(n)进行比较,根据标准差计算公式计算标准差,再根据标准差倍数k建立基准状态上限曲线Gul(n)和基准状态下限曲线Gdl(n),Gul(n)=G(n)+kσ(n),Gdl(n)=G(n)-kσ(n);
Step5、将Step2中获得的信号Qi(n)选取其第一组Q1(n),通过M等分逐段平均得到Y1(n)与Step4中建立的基准状态上限和下限曲线进行对比,如果截取出的周期信号的单边包络信号满足以下公式:Gdl(n)≤Y1(n)≤Gul(n),则机器人状态判别为正常,反之,机器人状态存在异常;
Step6、若机器人往复运动的测试信号Kbi(n)存在异常,对Step2中得到的Qi(n)通过M等分逐段平均得到Yi(n);
Step7、将Xi(n)和Yi(n)逐点进行K-S检验,判断其是否具有显著性差异;
Step8、求出测试周期信号Kbi(n)的异常程度γ和异常持续β%。
作为本发明的进一步方案,所述Step7中,Xi(n)和Yi(n)逐点进行K-S检验的方法为:对于两组不同信号的同一时刻各组的值,分别设为A1和A2,每组都有a个信号值,对A1和A2分别做其累积分布函数F1(x)和F2(x),求得F1(x)和F2(x)差的绝对值的最大值D,最后判断D是否在指定的置信区间内,若D在指定的置信区间Dα内,则说明两组数据之间没有显著性差异,信号没有出现异常,若D在指定的置信区间Dα之外,则说明两组数据之间有显著性差异,信号出现异常。
作为本发明的进一步方案,所述累积分布函数的定义为:对连续函数,所有小于等于c的值,其出现概率的和,即F(c)=P(x≤c);置信区间的求取方法为:Dα通过查相关系数显著性检验表获得,其中,α为显著性水平。
作为本发明的进一步方案,所述步骤Step8中,异常程度γ的计算方法为:在Step7中逐点进行K-S检验的过程中,第i个点都会求得一个Di,一共有M个点,若Di在指定的置信区间Dα内,则此时异常程度γi=0,若Di在指定的置信区间Dα外,则此时异常程度γi=Di-Dα,全周期的异常程度γ为γi的最大值,异常持续β%的计算方法为:统计γi=0的个数记为m,
本发明的有益效果是:
针对机器人运行状态异常的监测问题,本发明提出的计算周期基准曲线,建立基准上下限曲线,计算运行信号与基准曲线差异判断是否存在异常,再通过K-S检验计算异常程度和异常持续的方法,不仅能够准确的判断存在异常,精准的计算异常程度和异常持续,在没有存在异常时只需判断一周期测试信号,内存占用小。本方法已在工业机器人上开展了实验测试,实验结果符合实际异常程度及异常持续,表明具有很高的计算精度。能准确对机器人运行状态异常进行判断。
本方法同样适用于内燃机等具有周期性运动形式的机械运行状态监测。
本方法不涉及很深的数学理解,计算过程不需要人工干预,易于编程实现,容易理解,因此在实际中有较好的应用价值。
附图说明
图1是本发明方法步骤流程图;
图2是未进行周期截取的工业机器人往复运动周期电流信号示例;
图3是建立的周期基准曲线
图4是建立的基准状态上下限曲线;
图5是异常信号一个周期的单边包络信号;
图6是本发明实施例结果,即异常信号与基准状态上下限曲线比较图。
具体实施方式
实施例1:如图1-6所示,一种基于K-S检验的机器人运行状态判断方法,本实例以某摆臂型工业机器人上实际的电流测试信号来说明本发明的实施过程;所述方法具体步骤如下:
Step1、获得Ka=100组同周期起始的机器人往复运动的正常运行离散周期信号Kai(b),和相同组数的Kb=100组同周期起始的机器人往复运动的测试周期信号Kbi(n);图2为未进行周期截取的工业机器人往复运动正常电流信号实例;
Step2、若选取的信号类型为交变信号,则对Kai(n)和Kbi(n)进行处理,分别获得其单边包络信号Pi(n)和Qi(n),若选取的信号类型是单边信号,则不需要进行处理,直接将Kai(n)和Kbi(n)等效于Pi(n)和Qi(n);
Step3、对Step2得到的Pi(n)通过M等分逐段平均得到信号Xi(n),其中M等分后第j段对应的信号为Xij(n),对周期基准信号每一段的值将Gj(n)连接起来得到周期基准信号G(n);本例中工业机器人上实际的电流测试信号的采样率为25.6kHz,一周期一共150016采样点,采取1024点分成一段,保证每一段持续时间为0.04s,此时M=146.5,舍弃最后部分数据,选择M=146,图3为建立的周期基准曲线;
Step4、将Step3中得到的Xi(n)与周期基准曲线G(n)进行比较,根据标准差计算公式计算标准差,再根据标准差倍数k建立基准状态上限曲线Gul(n)和基准状态下限曲线Gdl(n),本例中标准差倍数k=10,Gul(n)=G(n)+10σ(n),Gdl(n)=G(n)-10σ(n);图4为本例中建立的周期基准曲线和基准状态上下限曲线;
Step5、将Step2中获得的信号Qi(n)选取其第一组Q1(n),通过M等分逐段平均得到Y1(n)与Step4中建立的基准状态上限和下限曲线进行对比,如果截取出的周期信号的单边包络信号满足以下公式:Gdl(n)≤Y1(n)≤Gul(n),则机器人状态判别为正常,反之,机器人状态存在异常;图5为异常信号一个周期的单边包络信号,图6为异常信号与基准状态上下限曲线比较图,从图中可以明显看出Y1(n)没有全落在基准上下限范围内,因此机器人状态存在异常;
Step6、若机器人往复运动的测试信号Kbi(n)存在异常,对Step2中得到的Qi(n)通过M等分逐段平均得到Yi(n);此处具体参数与Step3中逐段平均一致。
Step7、将Xi(n)和Yi(n)逐点进行K-S检验,判断其是否具有显著性差异;
Step8、求出测试周期信号Kbi(n)的异常程度γ和异常持续β%。
作为本发明的进一步方案,所述Step7中,Xi(n)和Yi(n)逐点进行K-S检验的方法为:对于两组不同信号的同一时刻各组的值,分别设为A1和A2,每组都有a个信号值,对A1和A2分别做其累积分布函数F1(x)和F2(x),求得F1(x)和F2(x)差的绝对值的最大值D,最后判断D是否在指定的置信区间内,若D在指定的置信区间Dα内,则说明两组数据之间没有显著性差异,信号没有出现异常,若D在指定的置信区间Dα之外,则说明两组数据之间有显著性差异,信号出现异常。
作为本发明的进一步方案,所述累积分布函数的定义为:对连续函数,所有小于等于c的值,其出现概率的和,即F(c)=P(x≤c);置信区间的求取方法为:Dα通过查相关系数显著性检验表获得,其中,α为显著性水平。
本例中,在同周期起始的机器人往复运动的正常运行离散周期信号Kai(n)的组数Ka=100,同周期起始的机器人往复运动的测试周期信号Kbi(n)的组数Kb=100时,通过如下表格查询到,显著性水平α取0.01时,在显著性水平α取0.05时,
表1为部分相关系数显著性检验表
作为本发明的进一步方案,所述Step8中,异常程度γ的计算方法为:在Step7中逐点进行K-S检验的过程中,第i个点都会求得一个Di,一共有M个点,若Di在指定的置信区间Dα内,则此时异常程度γi=0,若Di在指定的置信区间Dα外,则此时异常程度γi=Di-Dα,全周期的异常程度γ为γi的最大值,异常持续β%的计算方法为:统计γi=0的个数记为m,
根据Step7中逐点判断得到的显著性差异结果,求出测试信号kbi(n)的异常程度γ和异常持续β%。本例中:在显著性水平α取0.01时,进行K-S检验得到Di的最大值为γ=1-Dα=0.01=0.769,M=146,m=23,在显著性水平α取0.05时,进行K-S检验得到Di的最大值为γ=1-Dα=0.05=0.808,M=146,m=21,
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (4)
1.一种基于K-S检验的机器人运行状态判断方法,其特征在于:所述方法具体步骤如下:
Step1、获得Ka组机器人往复运动的正常运行离散周期信号Kai(n),和相同组数的Kb组机器人往复运动的测试周期信号Kbi(n);
Step2、若选取的信号类型为交变信号,则对Kai(n)和Kbi(n)进行处理,分别获得其单边包络信号Pi(n)和Qi(n),若选取的信号类型是单边信号,则不需要进行处理,直接将Kai(n)和Kbi(n)等效于Pi(n)和Qi(n);
Step4、将Step3中得到的Xi(n)与周期基准曲线G(n)进行比较,根据标准差计算公式计算标准差,再根据标准差倍数k建立基准状态上限曲线Gul(n)和基准状态下限曲线Gdl(n),Gul(n)=G(n)+kσ(n), Gdl(n) =G(n)-kσ(n);
Step5、将Step2中获得的信号Qi(n)选取其第一组Q1(n),通过M等分逐段平均得到Y1(n)与Step4中建立的基准状态上限和下限曲线进行对比,如果截取出的周期信号的单边包络信号满足以下公式:Gdl(n)≤Y1(n)≤Gul(n),则机器人状态判别为正常,反之,机器人状态存在异常;
Step6、若机器人往复运动的测试信号Kbi(n)存在异常,对Step2中得到的Qi(n)通过M等分逐段平均得到Yi(n);
Step7、将Xi(n)和Yi(n)逐点进行K-S检验,判断其是否具有显著性差异;
Step8、求出测试周期信号Kbi(n)的异常程度γ和异常持续β%。
2.根据权利要求1所述的基于K-S检验的机器人运行状态判断方法,其特征在于:所述Step7中,Xi(n)和Yi(n)逐点进行K-S检验的方法为:对于两组不同信号的同一时刻各组的值,分别设为A1和A2,每组都有a个信号值,对A1和A2分别做其累积分布函数F1(x)和F2(x),求得F1(x)和F2(x)差的绝对值的最大值D,最后判断D是否在指定的置信区间内,若D在指定的置信区间Dα内,则说明两组数据之间没有显著性差异,信号没有出现异常,若D在指定的置信区间Dα之外,则说明两组数据之间有显著性差异,信号出现异常。
3.根据权利要求2所述的基于K-S检验的机器人运行状态判断方法,其特征在于:所述累积分布函数的定义为:对连续函数,所有小于等于c的值,其出现概率的和,即F(c)=P(x≤c);置信区间的求取方法为:Dα通过查相关系数显著性检验表获得,其中,α为显著性水平。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110742611.3A CN113386139B (zh) | 2021-07-01 | 2021-07-01 | 一种基于k-s检验的机器人运行状态判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110742611.3A CN113386139B (zh) | 2021-07-01 | 2021-07-01 | 一种基于k-s检验的机器人运行状态判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113386139A CN113386139A (zh) | 2021-09-14 |
CN113386139B true CN113386139B (zh) | 2022-09-20 |
Family
ID=77624845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110742611.3A Active CN113386139B (zh) | 2021-07-01 | 2021-07-01 | 一种基于k-s检验的机器人运行状态判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113386139B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101936767A (zh) * | 2010-09-27 | 2011-01-05 | 上海交通大学 | 提取工程机械运特征信号的方法 |
CN102103014A (zh) * | 2010-12-13 | 2011-06-22 | 苏州大学 | 一种信号中周期瞬态成分检测方法 |
CN104239681A (zh) * | 2014-07-17 | 2014-12-24 | 浙江工业大学 | 基于脉冲激励响应信号互功率谱函数的主轴系统运行模态分析方法 |
CN108638128A (zh) * | 2018-05-24 | 2018-10-12 | 哈工大机器人(合肥)国际创新研究院 | 一种工业机器人的实时异常监测方法及其系统 |
CN109976974A (zh) * | 2019-03-08 | 2019-07-05 | 昆明理工大学 | 一种针对运行状态判断的云计算环境下系统监测方法 |
CN110919657A (zh) * | 2019-12-10 | 2020-03-27 | 北京奔驰汽车有限公司 | 一种基于大数据的工业机器人预测性状态监控方法 |
CN112966016A (zh) * | 2021-03-01 | 2021-06-15 | 北京青萌数海科技有限公司 | 一种异常检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100106458A1 (en) * | 2008-10-28 | 2010-04-29 | Leu Ming C | Computer program and method for detecting and predicting valve failure in a reciprocating compressor |
-
2021
- 2021-07-01 CN CN202110742611.3A patent/CN113386139B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101936767A (zh) * | 2010-09-27 | 2011-01-05 | 上海交通大学 | 提取工程机械运特征信号的方法 |
CN102103014A (zh) * | 2010-12-13 | 2011-06-22 | 苏州大学 | 一种信号中周期瞬态成分检测方法 |
CN104239681A (zh) * | 2014-07-17 | 2014-12-24 | 浙江工业大学 | 基于脉冲激励响应信号互功率谱函数的主轴系统运行模态分析方法 |
CN108638128A (zh) * | 2018-05-24 | 2018-10-12 | 哈工大机器人(合肥)国际创新研究院 | 一种工业机器人的实时异常监测方法及其系统 |
CN109976974A (zh) * | 2019-03-08 | 2019-07-05 | 昆明理工大学 | 一种针对运行状态判断的云计算环境下系统监测方法 |
CN110919657A (zh) * | 2019-12-10 | 2020-03-27 | 北京奔驰汽车有限公司 | 一种基于大数据的工业机器人预测性状态监控方法 |
CN112966016A (zh) * | 2021-03-01 | 2021-06-15 | 北京青萌数海科技有限公司 | 一种异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113386139A (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108615088B (zh) | 机台零件剩余寿命的预测系统与预测方法 | |
JP5091604B2 (ja) | 分布の評価方法、製品の製造方法、分布の評価プログラム及び分布の評価システム | |
CN115425764B (zh) | 一种电力系统智能网络风险实时监控方法、系统及存储介质 | |
CN113899538B (zh) | 一种螺栓拧紧监测方法及系统 | |
CN112242971B (zh) | 一种流量异常检测方法、装置、网络设备及存储介质 | |
CN108334652B (zh) | 机台的预诊断方法及预诊断装置 | |
CN114625088B (zh) | 自动化生产线的效能优化方法、系统、设备及存储介质 | |
CN113386139B (zh) | 一种基于k-s检验的机器人运行状态判断方法 | |
JP2006220460A (ja) | ケーブル診断装置およびケーブル診断方法 | |
CN108508860B (zh) | 一种基于耦合关系的流程工业生产系统数据监测方法 | |
CN115796610A (zh) | 一种支管成型系统运行综合监测方法、系统及存储介质 | |
CN109816191A (zh) | 多工作站系统的质量预测方法及其系统 | |
US10824173B2 (en) | Method for operating at least one pump assembly of a multitude of pump assemblies | |
CN113934536A (zh) | 面向边缘计算的数据采集方法 | |
CN112100577A (zh) | 基于长程相关性的设备运行稳定性在线监测方法及系统 | |
CN109446629A (zh) | 一种基于概率图模型的工业过程报警根源识别方法 | |
EP3759344B1 (en) | A method for improving reporting of operational data of a wind turbine | |
CN113627885A (zh) | 一种电网供电异常监测系统及其监测方法 | |
CN112347094A (zh) | 工业通用设备物联数据清洗方法、装置和存储介质 | |
CN117420811B (zh) | 一种用于自动化生产的生产线质量监测方法及系统 | |
KR20200144268A (ko) | 반도체 제조공정 로봇 진단 방법 | |
CN117536691B (zh) | 一种综采工作面设备参数监控方法及系统 | |
CN114637654B (zh) | 基于AIOps智慧运营中心的故障监测分析方法 | |
CN115907104B (zh) | 基于物联网大数据与机器学习的液压泵故障预测方法 | |
CN117037327A (zh) | 点巡检标准制定方法及系统 |
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 |