CN114700988B - 一种面向工业机器人机械传动部件健康监测的关节动作划分方法 - Google Patents
一种面向工业机器人机械传动部件健康监测的关节动作划分方法 Download PDFInfo
- Publication number
- CN114700988B CN114700988B CN202210499683.4A CN202210499683A CN114700988B CN 114700988 B CN114700988 B CN 114700988B CN 202210499683 A CN202210499683 A CN 202210499683A CN 114700988 B CN114700988 B CN 114700988B
- Authority
- CN
- China
- Prior art keywords
- signal
- joint
- representing
- joint action
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 230000036541 health Effects 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000033001 locomotion Effects 0.000 title claims description 45
- 230000005540 biological transmission Effects 0.000 title claims description 14
- 230000009916 joint effect Effects 0.000 claims abstract description 75
- 230000015556 catabolic process Effects 0.000 claims abstract description 34
- 238000006731 degradation reaction Methods 0.000 claims abstract description 34
- 238000005070 sampling Methods 0.000 claims abstract description 19
- 230000009347 mechanical transmission Effects 0.000 claims abstract description 5
- 230000003595 spectral effect Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 235000008694 Humulus lupulus Nutrition 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract 1
- 238000012216 screening Methods 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000003857 wrist joint Anatomy 0.000 description 1
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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
- Numerical Control (AREA)
Abstract
面向工业机器人机械传动部件健康监测的关节动作划分方法,首先获取特定作业任务的工业机器人每种关节动作的运行时长;然后通过多物理源信号联动获取每个关节动作对应的信号区间,具体是获取外加振动、电流等多物理源信号,为减少计算量和增强关节动作变换带来的跳变效应,对采集的振动信号进行降采样,基于降采样信号利用跳变点识别算法获取跳变点集合,基于关节电流信号是否存在和采集的振动信号趋势特征对跳变点集合进行筛选以获取起始点,结合关节动作运行时长定位每次采样时长内每种关节动作运行时段;最后针对每种关节动作所对应的振动信号计算其退化指标,以实现多关节动作机器人的健康监测,本发明改善了机器人健康监测的精确性和可靠性。
Description
技术领域
本发明属于工业机器人健康监测技术领域,具体涉及一种面向工业机器人机械传动部件健康监测的关节动作划分方法。
背景技术
工业机器人由于具有通用性强、高效可靠、重复精度高等优点,在传统制造业等劳动密集型产业的转型升级中发挥着越来重要的作用,成为了企业提高生产效率、改进产品质量和一致性、降低企业生产及劳动力成本的关键。但是由于工业机器人作为一种结构精密复杂的机电一体化系统,集机械工程技术、电子工程技术、信息传感器技术以及计算机科学技术于一身,其日常维护与保养成本颇高、事故案例频发,因此亟待开展工业机器人的健康监测研究,进而全面掌控其健康动态,保障生产质量,提高生产效率。
目前基于外部振动信号的工业机器人健康监测是通过从安装于机器人腕关节处的加速度传感器采集到的机器人运行过程中的振动信号数据中提取退化指标进而实现的。然而对于实际工业场景,工业机器人在执行特定作业任务过程中往往存在多关节动作的切换,考虑到多关节动作的耦合以及单次振动信号数据采样样本内所包含的关节动作的差异性,如果直接针对单次振动信号数据采样样本提取退化指标,无法实现精确的健康监测功能甚至会造成健康状态的误判,因此需要考虑关节动作切换时振动信号表现的特点和外加传感器的布置方案来实现面向工业机器人机械传动部件健康监测的关节动作划分,进而提高工业机器人健康监测的精确性和可靠性。
发明内容
为了克服上述现有技术存在的缺点,本发明的目的在于提供了一种面向工业机器人机械传动部件健康监测的关节动作划分方法,首先确定执行特定作业任务的工业机器人振动信号采集方案,其次通过联合多物理源信号实现机器人关节运动划分,最终对不同关节动作进行分别监测,实现机器人机械传动部件健康监测精确性的提升。
为达到上述目的,本发明采取的技术方案如下:
一种面向工业机器人机械传动部件健康监测的关节动作划分方法,包括以下步骤:
1)获取特定作业任务的工业机器人不同关节动作的运行时长;
2)多物理源信号联动获取每个关节动作对应的振动信号区间;
3)计算每个关节动作对应的退化指标实现工业机器人机械传动部件的健康监测。
所述的步骤1)具体过程为:初期根据工业机器人特定作业任务需求,在布置轨迹规划算法时通过内部信号确定每种关节动作的运行时长,假设有p种关节动作,获得运行时长集合为T=(t1,...,ti,...,tp)。
所述的步骤2)具体过程为:当工业机器人发生关节动作切换时,即从一个关节动作切换到另一个关节动作,布置在工业机器人上的外部振动传感器所采集的振动信号波形必然会发生跳变,通过获取振动信号中的显著跳变点来定位不同的关节动作对应的信号区间,流程如下:
2.1)对采集的振动信号进行降采样:
降采样基本流程如下:
2.1.1)将采集的振动信号y1:n=(y1,...,yn)用lwin长度的窗口去切分,获得段信号,且每段信号表示为/>其中n为采集的振动信号总长度;
2.1.2)计算每个信号段的均方根值作为降采样后的信号:其中,/> 表示窗口切分后第k段采集的振动信号,m表示窗口切分后采集的振动信号的总段数,/>表示第k个降采样信号点取值,lwin表示降采样使用的窗口长度;
2.2)采用跳变点识别算法获取跳变点集合:
当工业机器人产生单次关节动作切换时,降采样信号中便会出现单个跳变点/>且满足下式表达:
其中,式(1)中的函数S(·)为表征信号统计属性的损失函数,式(2)为函数S(·)的典型计算方法,表示降采样信号/>区间,同理/>表示降采样信号区间,/>表示降采样信号/>区间;
当工业机器人产生多个关节动作切换时,即降采样信号中有w个跳变点并且他们的位置分别是τ1:w=(τ1,...τi,...,τw),其中τi∈[1,m-1],τ0=0,τw+1=m,将降采样信号分成w+1段,第i段表示根据对单一跳变点的分析同理可得,多跳变点的目标损失函数为:
其中,F(m)表示降采样信号区间存在τ∈{τ:0=τ0,...,τw+1=m}多跳变点时的目标函数,/>表示降采样信号/>区间,/>表示目标函数最小化时对应的最优跳变点位置集合τ∈{τ:0=τ0,...,τw+1=m},τi,τi-1分别表示第i-1和第i个跳变点在降采样信号中的位置,w表示跳变点总个数,m表示降采样信号总长度,β为惩罚系数;
对多跳变点目标损失函数做进一步变换如下:
其中,表示降采样信号/>区间;
因此通过依次递增t,t∈{1,2,...,m}通过优化下式获得新的跳变点:
其中,τ′表示对于信号段内最优跳变点,τ′={τ′1,...,τ′c}即为求解的跳变点位置集合,下标c表示最终获取的跳变点集合中元素总个数,τ′c<m;
2.3)结合关节电流信号和关节动作切换时采集的振动信号幅值跳变趋势确定最终跳变点作为关节动作的起始点:
对前期获取的跳变点集合中的每一个跳变点进行遍历,依次判断某关节电流信号在此跳变点附近一定范围内是否存在并且该处采集的振动信号是否符合该关节动作变换时的单调性规律,流程如下:
2.3.1)首先将根据降采样信号获得的跳变点位置转换到对应采集的振动信号中:
τ″={τ″1,...,τ″c},τ″i=τ′i·lwin (7)
其中,τ′i表示基于降采样信号获取的第i个跳变点位置,lwin表示降采样使用的窗口长度,τ″i表示在采集的振动信号中第i个跳变点位置;
2.3.2)判断电流信号z1:n=(z1,...,zn)在跳变点±δ范围内均值是否存在并且跳变点处信号趋势性是否符合:
其中,rms(·)表示均方根函数,pp(·)表示峰峰值函数,表示最终符合要求的跳变点集合,/>表示最终符合要求的第i个跳变点;
2.4)根据每一关节动作的运行时长和起始跳变点位置确定其相应的信号区间:
获取到最终符合要求的跳变点集合即获得了关节动作切换的起始点位置信息,则每一关节动作对应的采集的振动信号区间为:
其中表示第i次采样第i个关节动作对应的采集的振动信号区间,Ω表示i个关节动作对应的采集的振动信号区间索引,fs表示采样频率,/>表示最终符合要求的第1个跳变点,ti表示表示i个关节动作时长。
所述的步骤3)具体过程为:3.1)对上述步骤获取的每个关节动作对应的采集的振动信号区间分别提取退化指标:
其中,式(10)中的表示从第i次采样第i关节动作对应的采集的振动信号区间提取的退化指标值,f(·)表示退化指标提取函数,式(11)和(12)为使用的两种提取函数,其中rms(·)为均方根函数,FFT(·)为快速傅里叶变换函数,/>表示/>经过快速傅里叶变换得到的的频谱中第k条谱线的幅值,k=1,2,...,K,K为总谱线数,fk是第k条谱线的频率值;
3.2)经过N次采样后,获得每个关节动作退化指标序列,利用控制图法对其进行监测,进而实现机器人机械传动部件的健康监测,其中控制图法的上下监测边界计算如下:
其中,表示前α次采样第i关节动作得到退化指标序列/>UCLi表示第i关节动作的监测上边界,LCLi表示第i关节动作的监测下边界,/>前α次采样第i关节动作得到退化指标序列的平均值,/>前α次采样第i关节动作得到退化指标序列的标准差。
本发明的有益效果为:
本发明针对工业机器人,提出一种面向工业机器人机械传动部件健康监测的关节动作划分方法,基于工业机器人多关节动作变换场景,通过联合多物理源信号实现机器人关节动作划分,获取不同关节动作对应的信号区间后,提取退化指标进而实现工业机器人不同机械传动部件的健康监测,提高了工业机器人健康监测的精确性和可靠性。
附图说明
图1为本发明的整体流程图。
图2为采集的振动信号和降采样信号对比图。
图3为降采样信号和跳变点位置集合图。
图4为结合采集的电流信号和采集的振动信号趋势获取的最终跳变点位置集合图。
图5为单次采样时长内的每种关节动作相应的信号区间图。
图6为每种关节动作的退化指标序列和控制图上下边界监测图。
具体实施方式
下面结合附图和实施例对本发明做进一步阐述。
如图1所示,一种面向工业机器人机械传动部件健康监测的关节动作划分方法,包括以下步骤:
1)获取特定作业任务的工业机器人不同关节动作的运行时长:
初期根据工业机器人特定作业任务需求,在布置轨迹规划算法时通过内部信号确定每种关节动作的运行时长,假设有p种关节动作,获得运行时长集合为T=(t1,...,ti,...,tp);
2)多物理源信号联动获取每个关节动作对应的振动信号区间:
当工业机器人发生关节动作切换时,即从一个关节动作切换到另一个关节动作,布置在工业机器人上的外部振动传感器所采集的振动信号波形必然会发生跳变,通过获取振动信号中的显著跳变点来定位不同的关节动作对应的信号区间,流程如下:
2.1)对采集的振动信号进行降采样:
降采样基本流程如下:
2.1.1)将采集的振动信号y1:n=(y1,...,yn)用lwin长度的窗口去切分,获得段信号,且每段信号表示为/>其中n为采集的振动信号总长度;
2.1.2)计算每个信号段的均方根值作为降采样后的信号:其中,/> 表示窗口切分后第k段采集的振动信号,m表示窗口切分后采集的振动信号的总段数,/>表示第k个降采样信号点取值,lwin表示降采样使用的窗口长度;
2.2)采用跳变点识别算法获取跳变点集合:
当工业机器人产生单次关节动作切换时,降采样信号中便会出现单个跳变点/>且满足下式表达:
其中,式(1)中的函数S(·)为表征信号统计属性的损失函数,式(2)为函数S(·)的典型计算方法,表示降采样信号/>区间,同理/>表示降采样信号区间,/>表示降采样信号/>区间;
当工业机器人产生多个关节动作切换时,即降采样信号中有w个跳变点并且他们的位置分别是τ1:w=(τ1,...τi,...,τw),其中τi∈[1,m-1],τ0=0,τw+1=m,将降采样信号分成w+1段,第i段表示根据对单一跳变点的分析同理可得,多跳变点的目标损失函数为:
其中,F(m)表示降采样信号区间存在τ∈{τ:0=τ0,...,τw+1=m}多跳变点时的目标函数,/>表示降采样信号/>区间,/>表示目标函数最小化时对应的最优跳变点位置集合τ∈{τ:0=τ0,...,τw+1=m},τi,τi-1分别表示第i-1和第i个跳变点在降采样信号中的位置,w表示跳变点总个数,m表示降采样信号总长度,β为惩罚系数;
对多跳变点目标损失函数做进一步变换如下:
其中,表示降采样信号/>区间;
因此通过依次递增t,t∈{1,2,...,m}通过优化下式获得新的跳变点:
其中,τ′表示对于信号段内最优跳变点,τ′={τ′1,...,v′c}即为求解的跳变点位置集合,下标c表示最终获取的跳变点集合中元素总个数,τ′c<m;
2.3)结合关节电流信号和关节动作切换时采集的振动信号幅值跳变趋势确定最终跳变点作为关节动作的起始点:
对前期获取的跳变点集合中的每一个跳变点进行遍历,依次判断某关节电流信号在此跳变点附近一定范围内是否存在并且该处采集的振动信号是否符合该关节动作变换时的单调性规律,流程如下:
2.3.1)首先将根据降采样信号获得的跳变点位置转换到对应采集的振动信号中:
τ″={τ″1,...,τ″c},τ″i=τ′i·lwin (7)
其中,τ′i表示基于降采样信号获取的第i个跳变点位置,lwin表示降采样使用的窗口长度,τ″i表示在采集的振动信号中第i个跳变点位置;
2.3.2)判断电流信号z1:n=(z1,...,zn)在跳变点±δ范围内均值是否存在并且跳变点处信号趋势性是否符合:
其中,rms(·)表示均方根函数,pp(·)表示峰峰值函数,表示最终符合要求的跳变点集合,/>表示最终符合要求的第i个跳变点;
2.4)根据每一关节动作的运行时长和起始跳变点位置确定其相应的信号区间:
获取到最终符合要求的跳变点集合即获得了关节动作切换的起始点位置信息,则每一关节动作对应的采集的振动信号区间为:
其中表示第i次采样第i个关节动作对应的采集的振动信号区间,Ω表示i个关节动作对应的采集的振动信号区间索引,fs表示采样频率,/>表示最终符合要求的第1个跳变点,ti表示表示i个关节动作时长;
3)计算每个关节动作对应的退化指标实现工业机器人机械传动部件的健康监测:
3.1)对上述步骤获取的每个关节动作对应的采集的振动信号区间分别提取退化指标:
其中,式(10)中的表示从第i次采样第i关节动作对应的采集的振动信号区间提取的退化指标值,f(·)表示退化指标提取函数,式(11)和(12)为本方案使用的两种提取函数,其中rms(·)为均方根函数,FFT(·)为快速傅里叶变换函数,/>表示/>经过快速傅里叶变换得到的的频谱中第k条谱线的幅值,k=1,2,...,K,K为总谱线数,fk是第k条谱线的频率值;
3.2)经过N次采样后,获得每个关节动作退化指标序列,利用控制图法对其进行监测,进而实现机器人机械传动部件的健康监测,其中控制图法的上下监测边界计算如下:
其中,表示前α次采样第i关节动作得到退化指标序列/>UCLi表示第i关节动作的监测上边界,LCLi表示第i关节动作的监测下边界,/>前α次采样第i关节动作得到退化指标序列的平均值,/>前α次采样第i关节动作得到退化指标序列的标准差。
实施例:应用某型号工业机器人耐久性测试实验数据集,验证本发明的可行性。此型号工业机器人为典型六关节工业机器人,为模拟实际机器人执行特定作业任务的情景,设定机器人轨迹规划方案为:六关节依次往复摆动进而六关节联动,一共七种关节动作为一个工作周期;分别在基座、连杆2、连杆4和连杆6分别布置三向振动传感器,此外在每个关节处布置三向电流传感器和温度传感器,一共获取28通道信号;为获取完整工作周期信号,采样方案设定如下:单次采样时长为3分钟,其中包含大于3个机器人的工作周期,采样间隔为30分钟,采样频率为6250Hz;
以某次采样采集的振动信号分析如下:根据前期轨迹规划获得7种关节动作的运行时长集合为[9.16s,5.85s,6.27s,10.81s,9.63s,8.28s,7.50s],对连杆4上的三向传感器Y通道振动信号进行降采样,其中窗口长度lwin设置为100,并对窗口内信号求均方根值代替原始数值,获得降采样信号可视化如图2,基于降采样信号利用跳变点识别算法获得跳变点位置集合为[503,1433,4110,5038,7715,8643]可视化如图3,通过结合关节4电流信号的是否存在和关节4(关节动作4)开始运行时信号幅值出现递增的趋势这两个判断条件对获取的跳变点集合进行筛选,最终获得每次采样时长内关节动作4的起始点,可视化如图4,结合7种关节动作的运行时长最终获得每个关节动作的信号区间,可视化如图5;经过N=1568次采样后,获得每个关节动作退化指标序列并利用控制图法对其进行监测,退化指标序列和控制图上下边界如图6,最终实现工业机器人机械传动部件的健康监测。
Claims (2)
1.一种面向工业机器人机械传动部件健康监测的关节动作划分方法,其特征在于,包括以下步骤:
1)获取特定作业任务的工业机器人不同关节动作的运行时长;
2)多物理源信号联动获取每个关节动作对应的振动信号区间;
3)计算每个关节动作对应的退化指标实现工业机器人机械传动部件的健康监测;
所述的步骤1)具体过程为:初期根据工业机器人特定作业任务需求,在布置轨迹规划算法时通过内部信号确定每种关节动作的运行时长,假设有p种关节动作,获得运行时长集合为T=(t1,...,ti,...,tp);
所述的步骤2)具体过程为:当工业机器人发生关节动作切换时,即从一个关节动作切换到另一个关节动作,布置在工业机器人上的外部振动传感器所采集的振动信号波形必然会发生跳变,通过获取振动信号中的显著跳变点来定位不同的关节动作对应的信号区间,流程如下:
2.1)对采集的振动信号进行降采样:
降采样基本流程如下:
2.1.1)将采集的振动信号y1:n=(y1,...,yn)用lwin长度的窗口去切分,获得段信号,且每段信号表示为/>其中n为采集的振动信号总长度;
2.1.2)计算每个信号段的均方根值作为降采样后的信号:其中,/> 表示窗口切分后第k段采集的振动信号,m表示窗口切分后采集的振动信号的总段数,/>表示第k个降采样信号点取值,lwin表示降采样使用的窗口长度;
2.2)采用跳变点识别算法获取跳变点集合:
当工业机器人产生单次关节动作切换时,降采样信号中便会出现单个跳变点/>且满足下式表达:
其中,式(1)中的函数S(·)为表征信号统计属性的损失函数,式(2)为函数S(·)的典型计算方法,表示降采样信号/>区间,同理/>表示降采样信号/>区间,/>表示降采样信号/>区间;
当工业机器人产生多个关节动作切换时,即降采样信号中有w个跳变点并且他们的位置分别是τ1:w=(τ1,...τi,...,τw),其中τi∈[1,m-1],τ0=0,τw+1=m,将降采样信号分成w+1段,第i段表示根据对单一跳变点的分析同理可得,多跳变点的目标损失函数为:
其中,F(m)表示降采样信号区间存在τ∈{τ:0=τ0,...,τw+1=m}多跳变点时的目标函数,/>表示降采样信号/>区间,/>表示目标函数最小化时对应的最优跳变点位置集合τ∈{τ:0=τ0,...,τw+1=m},τi,τi-1分别表示第i-1和第i个跳变点在降采样信号中的位置,w表示跳变点总个数,m表示降采样信号总长度,β为惩罚系数;
对多跳变点目标损失函数做进一步变换如下:
其中,表示降采样信号/>区间;
因此通过依次递增t,t∈{1,2,...,m}通过优化下式获得新的跳变点:
其中,τ′表示对于信号段内最优跳变点,τ′={τ′1,...,τ′c}即为求解的跳变点位置集合,下标c表示最终获取的跳变点集合中元素总个数,τ′c<m;
2.3)结合关节电流信号和关节动作切换时采集的振动信号幅值跳变趋势确定最终跳变点作为关节动作的起始点:
对前期获取的跳变点集合中的每一个跳变点进行遍历,依次判断某关节电流信号在此跳变点附近一定范围内是否存在并且该处采集的振动信号是否符合该关节动作变换时的单调性规律,流程如下:
2.3.1)首先将根据降采样信号获得的跳变点位置转换到对应采集的振动信号中:
τ″={τ″1,...,τ″c},τ″i=τ′i·lwin (7)
其中,τ′i表示基于降采样信号获取的第i个跳变点位置,lwin表示降采样使用的窗口长度,τ″i表示在采集的振动信号中第i个跳变点位置;
2.3.2)判断电流信号z1:n=(z1,...,zn)在跳变点±δ范围内均值是否存在并且跳变点处信号趋势性是否符合:
其中,rms(·)表示均方根函数,pp(·)表示峰峰值函数,表示最终符合要求的跳变点集合,/>表示最终符合要求的第i个跳变点;
2.4)根据每一关节动作的运行时长和起始跳变点位置确定其相应的信号区间:
获取到最终符合要求的跳变点集合即获得了关节动作切换的起始点位置信息,则每一关节动作对应的采集的振动信号区间为:
其中表示第i次采样第i个关节动作对应的采集的振动信号区间,Ω表示i个关节动作对应的采集的振动信号区间索引,fs表示采样频率,/>表示最终符合要求的第1个跳变点,ti表示表示i个关节动作时长。
2.根据权利要求1所述的方法,其特征在于,所述的步骤3)具体过程为:3.1)对上述步骤获取的每个关节动作对应的采集的振动信号区间分别提取退化指标:
其中,式(10)中的表示从第i次采样第i关节动作对应的采集的振动信号区间提取的退化指标值,f(·)表示退化指标提取函数,式(11)和(12)为使用的两种提取函数,其中rms(·)为均方根函数,FFT(·)为快速傅里叶变换函数,/>表示/>经过快速傅里叶变换得到的的频谱中第k条谱线的幅值,k=1,2,...,K,K为总谱线数,fk是第k条谱线的频率值;
3.2)经过N次采样后,获得每个关节动作退化指标序列,利用控制图法对其进行监测,进而实现机器人机械传动部件的健康监测,其中控制图法的上下监测边界计算如下:
其中,表示前α次采样第i关节动作得到退化指标序列/>UCLi表示第i关节动作的监测上边界,LCLi表示第i关节动作的监测下边界,/>前α次采样第i关节动作得到退化指标序列的平均值,/>前α次采样第i关节动作得到退化指标序列的标准差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210499683.4A CN114700988B (zh) | 2022-05-09 | 2022-05-09 | 一种面向工业机器人机械传动部件健康监测的关节动作划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210499683.4A CN114700988B (zh) | 2022-05-09 | 2022-05-09 | 一种面向工业机器人机械传动部件健康监测的关节动作划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114700988A CN114700988A (zh) | 2022-07-05 |
CN114700988B true CN114700988B (zh) | 2023-10-24 |
Family
ID=82175780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210499683.4A Active CN114700988B (zh) | 2022-05-09 | 2022-05-09 | 一种面向工业机器人机械传动部件健康监测的关节动作划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114700988B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101082422B1 (ko) * | 2011-03-16 | 2011-11-10 | 강원규 | 자동화로봇의 작동상태 모니터링장치, 이상동작 검출시스템 및 그 제어방법 |
CN102521604A (zh) * | 2011-11-21 | 2012-06-27 | 上海交通大学 | 一种基于巡检系统的设备性能退化评估装置及方法 |
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 |
CN111936278A (zh) * | 2018-05-08 | 2020-11-13 | 欧姆龙株式会社 | 机器人控制装置、维护管理方法以及维护管理程序 |
CN111975784A (zh) * | 2020-09-03 | 2020-11-24 | 昆明理工大学 | 一种基于电流和振动信号的关节机器人故障诊断方法 |
JP2021102261A (ja) * | 2019-12-25 | 2021-07-15 | 日本電産サンキョー株式会社 | ロボットの監視システム |
CN113211424A (zh) * | 2020-12-11 | 2021-08-06 | 格创东智(深圳)科技有限公司 | 故障检测告警方法、装置、服务器及存储介质 |
CN114310907A (zh) * | 2022-01-25 | 2022-04-12 | 佛山智能装备技术研究院 | 一种多工况自适应的工业机器人末端振动抑制方法 |
-
2022
- 2022-05-09 CN CN202210499683.4A patent/CN114700988B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101082422B1 (ko) * | 2011-03-16 | 2011-11-10 | 강원규 | 자동화로봇의 작동상태 모니터링장치, 이상동작 검출시스템 및 그 제어방법 |
CN102521604A (zh) * | 2011-11-21 | 2012-06-27 | 上海交通大学 | 一种基于巡检系统的设备性能退化评估装置及方法 |
CN111936278A (zh) * | 2018-05-08 | 2020-11-13 | 欧姆龙株式会社 | 机器人控制装置、维护管理方法以及维护管理程序 |
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 |
JP2021102261A (ja) * | 2019-12-25 | 2021-07-15 | 日本電産サンキョー株式会社 | ロボットの監視システム |
CN111975784A (zh) * | 2020-09-03 | 2020-11-24 | 昆明理工大学 | 一种基于电流和振动信号的关节机器人故障诊断方法 |
CN113211424A (zh) * | 2020-12-11 | 2021-08-06 | 格创东智(深圳)科技有限公司 | 故障检测告警方法、装置、服务器及存储介质 |
CN114310907A (zh) * | 2022-01-25 | 2022-04-12 | 佛山智能装备技术研究院 | 一种多工况自适应的工业机器人末端振动抑制方法 |
Non-Patent Citations (1)
Title |
---|
嵌入式智能机器人自然步态关节轨迹规划方法;叶伟慧;廖才;;计算机仿真(第05期);第306-310页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114700988A (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105718876B (zh) | 一种滚珠丝杠健康状态的评估方法 | |
CN103471841B (zh) | 一种旋转机械振动故障诊断方法 | |
CN109884892B (zh) | 基于交叉相关时滞灰色关联分析的流程工业系统预测模型 | |
CN110008253B (zh) | 一种工业数据关联规则挖掘及异常工况预测方法 | |
CN113465920B (zh) | 云、雾、边缘端协同的轴承状态监测与管理方法及系统 | |
CN110008565A (zh) | 一种基于运行参数关联性分析的工业过程异常工况预测方法 | |
CN111947928A (zh) | 一种多源信息融合的轴承故障预测系统及方法 | |
CN110678816A (zh) | 用于控制技术系统的方法和控制机构 | |
CN111122162B (zh) | 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法 | |
CN113776794B (zh) | 一种嵌入式边缘计算的故障诊断方法、装置和系统 | |
CN112683535B (zh) | 基于多阶段维纳过程的轴承寿命预测方法 | |
CN101726414A (zh) | 一种航空发动机试车参数测量方法及其系统 | |
CN114167838A (zh) | 一种伺服系统多尺度健康评估与故障预测方法 | |
CN114700988B (zh) | 一种面向工业机器人机械传动部件健康监测的关节动作划分方法 | |
CN103267652B (zh) | 一种智能早期设备故障在线诊断方法 | |
CN110108474B (zh) | 一种旋转机械运行稳定性在线监测与评估方法及系统 | |
CN111222203B (zh) | 一种轴承使用寿命模型创建及其预测方法 | |
CN113239610A (zh) | 一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法 | |
CN109000924B (zh) | 一种基于k均值的滚珠丝杠副状态监测方法 | |
CN111475966A (zh) | 一种基于数字孪生的电力电子电路故障诊断方法 | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN113919173A (zh) | 一种采样流量特征参数自动识别方法 | |
WO2022031833A1 (en) | Methods and systems for predictive analysis and/or process control | |
CN114787735A (zh) | 预测系统、信息处理装置以及信息处理程序 | |
CN111561929A (zh) | 一种用于车载mems惯性传感器的时延降噪方法 |
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 |