CN115437358A - 工业机器人智能状态监测与故障诊断系统及故障诊断方法 - Google Patents

Abstract

本发明涉及一种工业机器人智能状态监测与故障诊断系统及故障诊断方法，通过传感器网络实时采集机器人多个部位的多种数据信息，将数据信息转换为电压信号；对所述电压信号进行调理，利用特征提取与监测预警模块对调理信号进行异常检测及异常信号报警，并将异常信号传输到上位机智能故障诊断系统；利用上位机智能故障诊断系统结合智能诊断算法对多个部位的所述异常信号进行故障综合分析及诊断，得到机器人系统的故障综合诊断结果。本发明通过采集工业机器人多个部件的多种数据类型，进行特征提取、特征分析及诊断，并将诊断结果进行融合，进而进行故障综合诊断，得到机器人综合故障诊断结果，能够全面准确地反映故障问题根源。

Description

工业机器人智能状态监测与故障诊断系统及故障诊断方法

技术领域

本发明涉及机器人故障诊断领域，特别是涉及一种工业机器人智能状态监测与故障诊断系统及方法。

背景技术

工业机器人在现代制造业中起到越来越重要的作用，并在世界范围内，尤其在中国迅速普及，而且长期处于高强度、频繁和重复运行状态下，工业机器人性能和健康状态不可避免地会发生退化，但是由于集多种高新技术于一体的工业机器人机构精密复杂，机器人对减速机、轴承部件磨损的退化故障无法实现检测预警，对维修技术人员的专业技能提出了极高的要求。目前工业机器人的应用企业普遍不具备监测预警的能力，当机器人部件退化至故障时，往往需要非计划性停机，然后才临时通知外部服务商到企业现场进行诊断维修，浪费了大量的时间和人力物力成本。

国内的工业机器人生产商还没有推出实用的远程监控和故障诊断的应用系统，工业机器人的运行状态监控和故障诊断还是依靠机器人单机自主报警，通过示教器显示错误代码，提醒维修技术人员完成相应的故障诊断和处理，但是在大多数情况下错误代码并不能全面准确的反映故障问题根源，仍需要专业工程师在故障现场进行分析和维修。因此，针对当前复杂工业机器人系统的复杂故障模式迫切需要开发智能化状态监测和故障诊断系统及方法。

发明内容

本发明的目的是提供一种工业机器人智能状态监测与故障诊断系统及故障诊断方法，通过对工业机器人多部位的多特征信息进行提取及故障诊断，实现对机器人系统的综合故障诊断。

为实现上述目的，本发明提供了如下方案：

一种工业机器人智能状态监测与故障诊断系统，包括：传感器网络，信号调理模块，特征提取与监测预警模块以及上位机智能故障诊断模块；

所述传感器网络，与所述信号调理模块连接，用于实时采集机器人多个部位的多种数据信息，并将多种所述数据信息转换为电压信号；

所述信号调理模块，与所述特征提取与监测预警模块连接，用于对所述电压信号进行信号调理；

所述特征提取与监测预警模块，与所述上位机智能故障诊断模块连接，用于对调理后的电压信号进行异常检测并报警；

所述上位机智能故障诊断模块，用于通过智能诊断算法对异常信号进行故障综合分析及诊断。

本发明还提供一种工业机器人智能状态监测与故障诊断方法，包括：

利用传感器网络实时采集机器人多个部位的多种数据信息，并将多种所述数据信息转换为电压信号；所述数据信息包括电压、电流、温度和振动数据；

利用信号调理模块对所述电压信号进行调理，得到调理后的信号，并将所述调理后的信号传输到特征提取与监测预警模块；

利用特征提取与监测预警模块对接收的信号进行异常检测及异常信号报警，并将异常信号传输到上位机智能故障诊断系统；

利用所述上位机智能故障诊断系统结合智能诊断算法对多个部位的所述异常信号进行故障综合分析及诊断，得到机器人系统的故障综合诊断结果。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供一种工业机器人智能状态监测与故障诊断系统及故障诊断方法，通过传感器网络实时采集机器人多个部位的多种数据信息，将数据信息转换为电压信号；对所述电压信号进行调理，利用特征提取与监测预警模块对调理信号进行异常检测及异常信号报警，并将异常信号传输到上位机智能故障诊断系统；利用上位机智能故障诊断系统结合智能诊断算法对多个部位的所述异常信号进行故障综合分析及诊断，得到机器人系统的故障综合诊断结果。本发明通过采集工业机器人多个部件的多种数据类型，进行特征提取、特征分析及诊断，并将诊断结果进行融合，进而进行故障综合诊断，得到机器人综合故障诊断结果，能够全面准确地反映故障问题根源。本发明分为两级故障预警和诊断，底层处理器完成初级特征提取和故障预警，上位机结合历史健康及故障特征数据研究，基于智能算法进行深层次故障学习、分析和推理，从而支持工业机器人不同类型和复杂程度的故障模式的分析诊断和辨识。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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为本发明实施例1提供的工业机器人智能状态监测与故障诊断系统结构图；

图2为本发明实施例1提供的工业机器人智能状态监测与故障诊断方法流程图。

符号说明：

1-传感器网络；2-信号调理模块；3-特征提取与监测预警模块；4-上位机智能故障诊断模块。

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。

由于长期处于高强度、频繁和重复运行状态下，工业机器人性能和健康状态不可避免地会发生退化，故障率很高，而且包括热机电等多个子系统。而现有技术方案只是针对工业机器人其中的某一关键部件的某几类故障进行检测、分析和诊断，不能覆盖工业机器人整机系统的故障模式。其次，现有方案采用ARM处理器进行数据处理和故障特征分析，数据采集通道有限，只能对一些简单的特征进行分析和提取，核心诊断方法为对关键故障信息分析处理能力有限，无法对多源数据信息及特征进行数据融合和提取。限于处理器数据处理能力有限，其诊断策略较为简单，诊断能力有限。而且，现有方案无法将故障前后的实时数据进行保存，不利于地勤人员对故障进行事后精确分析定位及辨识。综上所述，现有技术方案难以满足智能制造背景下的工业机器人高可靠性及高安全性等要求。

本发明的目的是提供一种面向高可靠性要求的工业机器人多特征信息提取及在线智能故障诊断系统以及故障诊断方法，实现支持工业机器人关键系统典型故障模式的监测预警和故障诊断。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1

本实施例提供一种工业机器人智能状态监测与故障诊断系统，请参阅图1，包括：传感器网络1，信号调理模块2，特征提取与监测预警模块3以及上位机智能故障诊断模块4；

本实施例的系统基于下位机(双DSP芯片+FPGA)和上位机组合的方案实现多特征信息融合的工业机器人在线智能状态监测与故障诊断。其中传感器网络1，信号调理模块2，特征提取与监测预警模块3均属于下位机，上位机智能故障诊断模块4属于上位机。

所述传感器网络1，与所述信号调理模块2连接，用于实时采集机器人多个部位的多种数据信息，并将多种所述数据信息转换为电压信号；

其中，本实施例所述的机器人的部位包括控制器、电机、基座、末端等部位，所述数据信息包括电压、电流、温度、振动等数据，需要说明的是，本实施例采集的数据信息并不限于上述列举出的部位和数据信息，本领域技术人员可根据具体情况采集其他的数据，例如位移、加速度，温湿度、倾角等。

所述信号调理模块2，与所述特征提取与监测预警模块3连接，用于对所述电压信号进行信号调理；

可选的，本实施例所述的信号调理包括电压跟随、滤波、放大处理。进行信号调理之后，将调理的信号传输到特征提取与检测预警模块中的A/D子模块进行模数转换。

所述特征提取与监测预警模块3，与所述上位机智能故障诊断模块4连接，用于对调理后的电压信号进行异常检测并报警；

特征提取与检测预警模块首先对调理后的信号分别进行初步分析与特征提取，具体包括时域特征和频域特征提取(时域和频域并列处理)，时域特征包括均值、方差、有效值、峰峰值、标准差、峭度信息；频域特征包括傅里叶变换、小波分解及EMD分解获得的特征频谱信息。

初步分析与特征提取之后，根据提取的特征，并基于经验和历史数据可进行超阈值(超过3倍标准差(3σ原则))异常检测。

在进行异常检测时，对于温度等数据可以直接进行比对判断是否异常，无需进行特征提取。而对于振动等数据信息，需要根据提取的时域特征和频域特征进行异常诊断。例如，当轴承的健康程度不同时，振动信号波形的幅值也不相同，并且波形的特征也不相同。通常来讲，当轴承出现磨损以后，振动信号的峰峰值幅值有效值，以及峭度值都会增大。因此，可基于振动信号的峰峰值以及峭度值判断轴承是否异常。

对于频域特征提取主要包括频带能量提取和特征频率提取。所谓频带能量提取是指，在频谱内指定的频段内提取所对应的能量。特征频率提取是指在特定的频率点提取该点锁定的幅值。频带能量提取通常会在FFT频谱或功率谱里边来进行。以FFT频谱为例，当要提取某一个频段内所对应的能量时，可以把该频段内所有的幅值进行相加，来作为该频段内所对应的能量。

以滚动轴承为例，当轴承出现磨损时，通常会在频谱中出现共振频带频率簇，并且在包络谱中出现轴承故障特征频率。磨损的轴承会在4000-8000Hz频段内出现一个共振频带，因此，可以将该频段所对应的能量作为区分发电机轴承磨损和正常的一个特征参数。

本实施例中，当诊断出异常数据时(即发生故障时)，还可将发生故障时故障前后的实时数据存入FLASH模块以便波形回调。

本实施例中，特征提取与监测预警系统还可将工业机器人故障深层分析涉及的多种关键特征量进行提取与融合，具体是指将时域和频域特征信息中的异常信息采用主成分分析方法进行分解与压缩，实现主特征成分的分析与提取，然后将提取的异常信息中的主特征成分传送到上位机的软件系统。为了进行异常信息备份，还将提取的特征实时存入下位机的SD卡。

所述上位机智能故障诊断模块4，用于通过智能诊断算法对异常信号进行故障综合分析及诊断。

上位机智能故障诊断模块4针对工业机器人典型故障模式进行故障综合分析及诊断，上位机在进行故障综合分析与诊断之前，需对工业机器人不同典型故障进行大量的故障注入及加速老化试验来获取不同典型故障模式的故障数据集，并基于典型故障样本数据进行特征分析提取及算法的学习训练(LM-BP神经网络、最小二乘支持向量机、SOM神经网络等)。需要说明的是，此处需采用不同故障模式的故障数据集分别对不同的神经网络模型进行训练，使得每一训练好的神经网络模型能够对一种故障类型的故障特征进行故障诊断。训练完成后，则针对下位机实时上传的测试数据进行分析和诊断，根据不同的故障模式和数据特征分别输入到n个BP神经网络完成m种故障模式的诊断，并将诊断结果输入到支持向量机进行信息融合及故障综合诊断，给出工业机器人系统的故障综合诊断结果。

本实施例提供的故障诊断系统，下位机包含双DSP+FPGA，FPGA的16路高速数据采样通道，可以采集工业机器人多个部位的多种数据信息，实现多达16路通道的数据高速采样处理；支持瞬变故障时刻实时原始数据回调；支持将工业机器人缓变故障分析涉及的多种关键特征量采集与融合，并进行多特征提取，实现特征值数据实时存储并上传；结合工业机器人历史健康及故障特征数据研究，基于傅里叶变换、小波分析、灰关联分析、经验模态分解及主成分分析等算法进行初步特征分析和提取，进而提取出能表征系统健康的特征因子用来跟踪表征系统的健康状态，再将底层故障特征信息输入神经网络及支持向量机等算法进行系统故障诊断及加权融合,从而实现工业机器人系统不同典型类型故障模式的发现和诊断。

实施例2

本实施例提供一种工业机器人智能状态监测与故障诊断方法，请参阅图2，包括：

S1、利用传感器网络1实时采集机器人多个部位的多种数据信息，并将多种所述数据信息转换为电压信号；所述数据信息包括电压、电流、温度和振动数据；

S2、利用信号调理模块2对所述电压信号进行调理，得到调理后的信号，并将所述调理后的信号传输到特征提取与监测预警模块3；

可选的，所述对所述电压信号进行调理包括：对所述电压信号进行电压跟随、滤波、放大处理。

S3、利用特征提取与监测预警模块3对接收的信号进行异常检测及异常信号报警，并将异常信号传输到上位机智能故障诊断系统；

作为一种可选的实施方式，所述步骤S3具体包括：

利用特征提取与监测预警模块3对接收的信号进行模数转换，得到转换后的数据，对所述转换后的数据进行初步特征提取，得到特征数据，基于历史数据检测所述特征数据中的异常数据，对所述异常数据进行异常报警，并采用主成分分析法提取所述异常数据中的主特征成分，将所述主特征成分传输到所述上位机智能故障诊断系统。

可选的，所述方法还包括提取出所述异常数据中的主特征成分之后，将所述主特征成分实时存入SD卡。

其中，初步特征提取包括时域特征提取和频域特征提取；

所述时域特征包括：均值、方差、有效值、峰峰值、标准差、峭度信息；

所述频域特征包括：傅里叶变换、小波分析及EMD分解获得的特征频谱信息。

作为一种可选的实施方式，所述方法还包括当检测出异常信号之后，将所述异常信号出现前后的实时数据进行存储。

S4、利用所述上位机智能故障诊断系统结合智能诊断算法对多个部位的所述异常信号进行故障综合分析及诊断，得到机器人系统的故障综合诊断结果。

在所述利用上位机智能故障诊断系统结合智能诊断算法对所述异常信号进行故障综合分析及诊断之前，所述方法还包括：利用加速老化试验获取包含工业机器人不同部位不同故障模式的故障数据集。

本实施例中，获得故障数据集之后，对所述故障数据集中不同故障类型的数据分别进行故障特征提取；

分别利用提取的不同类型的故障特征对不同的神经网络模型进行训练，获得多个训练好的神经网络模型；每一所述训练好的神经网络模型能够对一种故障类型的故障特征进行故障诊断；其中，所述神经网络模型训练时以故障数据集中的故障特征为输入，以故障特征对应的故障模式为标签；

根据故障类型，将所述主特征成分分别输入对应训练好的神经网络模型进行故障诊断，得到多个诊断结果；所述主特征成分为所述工业机器人的多个部位多种数据信息中的异常数据的主特征成分；

将多个所述诊断结果输入到支持向量机进行信息融合及故障综合诊断，得到机器人系统的故障综合诊断结果。

本实施例提供的方法，下位机的FPGA将故障诊断需要的数据进行预处理并将时域和频域信息送入下位机的DSP1进行特征分析提取，再将故障特征输入下位机的DSP2实现工业机器人特征信息的融合，并进行状态监测和故障报警，最后将特征值和监测结果实时存储并上传至上位机，上位机结合BP神经网络、支持向量机等智能诊断算法进行故障深层次推理和系统级故障诊断。

本实施例提供的方法分为两级故障预警和诊断，在底层处理器基于小波分析、灰关联分析、主元分析等完成初级特征提取和故障预警，在顶层上位机结合工业机器人历史健康及故障特征数据研究，基于神经网络、支持向量机等智能算法进行深层次故障学习、分析和推理,从而支持工业机器人不同类型和复杂程度的故障模式的分析诊断和辨识。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种工业机器人智能状态监测与故障诊断系统，其特征在于，包括：传感器网络，信号调理模块，特征提取与监测预警模块以及上位机智能故障诊断模块；

所述传感器网络，与所述信号调理模块连接，用于实时采集机器人多个部位的多种数据信息，并将多种所述数据信息转换为电压信号；

所述信号调理模块，与所述特征提取与监测预警模块连接，用于对所述电压信号进行信号调理；

所述特征提取与监测预警模块，与所述上位机智能故障诊断模块连接，用于对调理后的电压信号进行异常检测并报警；

所述上位机智能故障诊断模块，用于通过智能诊断算法对异常信号进行故障综合分析及诊断。

2.一种工业机器人智能状态监测与故障诊断方法，其特征在于，包括：

利用传感器网络实时采集机器人多个部位的多种数据信息，并将多种所述数据信息转换为电压信号；所述数据信息包括电压、电流、温度和振动数据；

利用信号调理模块对所述电压信号进行调理，得到调理后的信号，并将所述调理后的信号传输到特征提取与监测预警模块；

利用特征提取与监测预警模块对接收的信号进行异常检测及异常信号报警，并将异常信号传输到上位机智能故障诊断系统；

利用所述上位机智能故障诊断系统结合智能诊断算法对多个部位的所述异常信号进行故障综合分析及诊断，得到机器人系统的故障综合诊断结果。

3.根据根据权利要求2所述的方法，其特征在于，所述对所述电压信号进行调理包括：对所述电压信号进行电压跟随、滤波、放大处理。

4.根据权利要求2所述的方法，其特征在于，所述方法还包括当检测出异常信号之后，将所述异常信号出现前后的实时数据进行存储。

5.根据权利要求2所述的方法，其特征在于，所述利用特征提取与监测预警模块对接收的信号进行异常检测及异常信号报警，并将异常信号传输到上位机智能故障诊断系统，具体包括：

利用特征提取与监测预警模块对接收的信号进行模数转换，得到转换后的数据，对所述转换后的数据进行初步特征提取，得到特征数据，基于历史数据检测所述特征数据中的异常数据，对所述异常数据进行异常报警，并采用主成分分析法提取所述异常数据中的主特征成分，将所述主特征成分传输到所述上位机智能故障诊断系统。

6.根据权利要求5所述的方法，其特征在于，所述初步特征提取包括时域特征提取和频域特征提取；

所述时域特征包括：均值、方差、有效值、峰峰值、标准差、峭度信息；

所述频域特征包括：傅里叶变换、小波分析及EMD分解获得的特征频谱信息。

7.根据权利要求5所述的方法，其特征在于，在所述利用上位机智能故障诊断系统结合智能诊断算法对所述异常信号进行故障综合分析及诊断之前，所述方法还包括：利用加速老化试验获取包含工业机器人不同部位不同故障模式的故障数据集。

8.根据权利要求7所述的方法，其特征在于，所述利用上位机智能故障诊断系统结合智能诊断算法对所述异常信号进行故障综合分析及诊断，得到机器人系统的故障综合诊断结果，具体包括：

对所述故障数据集中不同故障类型的数据分别进行故障特征提取；

分别利用提取的不同类型的故障特征对不同的神经网络模型进行训练，获得多个训练好的神经网络模型；每一所述训练好的神经网络模型能够对一种故障类型的故障特征进行故障诊断；其中，所述神经网络模型训练时以故障数据集中的故障特征为输入，以故障特征对应的故障模式为标签；

根据故障类型，将所述主特征成分分别输入对应训练好的神经网络模型进行故障诊断，得到多个诊断结果；所述主特征成分为所述工业机器人的多个部位多种数据信息中的异常数据的主特征成分；

将多个所述诊断结果输入到支持向量机进行信息融合及故障综合诊断，得到机器人系统的故障综合诊断结果。

9.根据权利要求5所述的方法，其特征在于，所述方法还包括提取出所述异常数据中的主特征成分之后，将所述主特征成分实时存入SD卡。

Images