CN116117827A - 工业机器人状态监控方法及装置 - Google Patents

Abstract

本申请提供一种工业机器人状态监控方法及装置，方法包括：获取汽车自动化生产线中的工业机器人实时采集的其自身的各个部件的各个状态参数分别在当前时刻的目标状态监测数据；基于目标状态监测数据以及预存储的各个部件的各个状态参数在当前时刻之前的历史时间段内的历史状态监测数据，采用各个部件各自对应的故障监控模式分别对各个部件进行故障预测，得到用于指示是否对工业机器人的各个部件进行故障预警的故障预测结果数据。本申请能够在不额外设置传感器以节省监控工业机器人作业的成本的基础上，能够提高针对工业机器人故障预测监控的准确性、有效性和及时性，进而能够提高工业机器人的运转过程的稳定性和可靠性。

Description

工业机器人状态监控方法及装置

技术领域

本申请涉及汽车自动化生产线智能维护技术领域，尤其涉及工业机器人状态监控方法及装置。

背景技术

伴随汽车制造业设备的信息化程度提高及工业物联网技术的发展，使大规模工业设备的信息采集、分析处理成为了可能。工业机器人作为汽车生产线上使用最为广泛的设备之一，其设备状态的稳定性对产能有着极大的影响。大规模工业机器人的使用也为设备维护工作带来了挑战。基于修正性维护和预防性维护传统维修模式存在维护效率低、工作量大、成本高等问题。然而机器人数量大、工况复杂，通过人工方式难以及时收集足够的设备信息，无法为更加精准高效的维护策略提供数据支撑。

近年来，为了提高设备状态监控的准确性和及时性，工业领域出现了不少基于的设备状态监控系统，通过外置的振动、温度、声音等传感器采集设备信息，并收集数据后进行基于单一判定规则的故障预测监控。然而，采用传感器进行监控的方式需要在设备上部设大量传感器，而工业机器人具有数量多、种类复杂、单体价值不高的特点，因此加装传感器的时间成本、设置复杂度及金钱成本都会大幅增加；且通过基于单一判定规则的故障预测监控方式也无法满足工业机器人故障预测监控的准确性及有效性的要求。

发明内容

鉴于此，本申请实施例提供了工业机器人状态监控方法及装置，以消除或改善现有技术中存在的一个或更多个缺陷。

本申请的一个方面提供了一种工业机器人状态监控方法，包括：

获取汽车自动化生产线中的工业机器人实时采集的其自身的各个部件的各个状态参数分别在当前时刻的目标状态监测数据；

基于各个所述部件的各个状态参数的在当前时刻的目标状态监测数据，以及预存储的各个所述部件的各个状态参数在当前时刻之前的历史时间段内的历史状态监测数据，采用各个所述部件各自对应的故障监控模式分别对各个所述部件进行故障预测，得到用于指示是否对所述工业机器人的各个所述部件进行故障预警的故障预测结果数据。

在本申请的一些实施例中，所述故障监控模式包括：阈值监控模式、卡尔曼滤波器监控模式和故障预测模型监控模式；

相对应的，在所述采用各个所述部件各自对应的故障监控模式分别对各个所述部件进行故障预测之前，还包括：

构建并存储工业机器人的各个部件分别与各个所述故障监控模式之间一对多的对应关系。

在本申请的一些实施例中，若所述部件对应的故障监控模式包括：阈值监控模式；则相对应的，所述基于各个所述部件的各个状态参数的在当前时刻的目标状态监测数据，以及预存储的各个所述部件的各个状态参数在当前时刻之前的历史时间段内的历史状态监测数据，采用各个所述部件各自对应的故障监控模式分别对各个所述部件进行故障预测，得到用于指示是否对所述工业机器人的各个所述部件进行故障预警的故障预测结果数据，包括：

采用预存储的各个所述部件在当前时刻之前且无故障预警记录的历史时间段内的各类状态参数各自对应的历史状态监测数据，分别动态设定各个所述部件的各类状态参数各自对应的阈值；

根据各个所述部件在当前时刻的各类状态参数各自的目标状态监测数据，判断各个所述部件中是否存在超出自身对应的阈值的状态参数，并基于对应的判断结果生成用于指示是否对所述工业机器人的各个所述部件进行故障预警的故障预测结果数据。

在本申请的一些实施例中，若所述部件对应的故障监控模式包括：卡尔曼滤波器监控模式；则相对应的，所述基于各个所述部件的各个状态参数的在当前时刻的目标状态监测数据，以及预存储的各个所述部件的各个状态参数在当前时刻之前的历史时间段内的历史状态监测数据，采用各个所述部件各自对应的故障监控模式分别对各个所述部件进行故障预测，得到用于指示是否对所述工业机器人的各个所述部件进行故障预警的故障预测结果数据，包括：

基于预设的卡尔曼滤波器模型，采用预存储的各个所述部件在当前时刻之前且无故障预警记录的历史时间段内的各类状态参数各自对应的历史状态监测数据，动态生成各个所述部件在当前时刻的各类状态参数各自的状态预测数据；

根据各个所述部件在当前时刻的各类状态参数各自的目标状态监测数据和所述状态预测数据，判断各个所述部件中是否存在所述目标状态监测数据和状态预测数据之间差值大于预设差值的状态参数，并基于对应的判断结果生成用于指示是否对所述工业机器人的各个所述部件进行故障预警的故障预测结果数据。

在本申请的一些实施例中，若所述部件对应的故障监控模式包括：故障预测模型监控模式；则相对应的，所述基于各个所述部件的各个状态参数的在当前时刻的目标状态监测数据，以及预存储的各个所述部件的各个状态参数在当前时刻之前的历史时间段内的历史状态监测数据，采用各个所述部件各自对应的故障监控模式分别对各个所述部件进行故障预测，得到用于指示是否对所述工业机器人的各个所述部件进行故障预警的故障预测结果数据，包括：

将所述各个所述部件在当前时刻的各类状态参数的目标状态监测数据输入预设的用于对工业机器人的各个部件进行故障预测的故障预测模型，以使该故障预测模型输出对应的用于指示是否对所述工业机器人的各个所述部件的各类状态参数的进行故障预警的故障预测结果数据；

其中，所述故障预测模型为预先基于各个所述部件在当前时刻之前的历史时间段内的各类状态参数的历史状态监测数据训练得到的。

在本申请的一些实施例中，所述工业机器人包括：6自由度机械臂；

所述工业机器人的各个部件包括：六个自由度、点焊枪、传动皮带和齿轮箱；

六个所述自由度的状态参数包括：六个所述自由度各自对应的电机温度、扭矩和电流；

所述点焊枪的状态参数包括：电焊枪的电机运动信号；

所述传动皮带的状态参数包括：该传动皮带所在的工业机器人的运行时间；

所述齿轮箱的状态参数包括：齿轮箱的润滑油的油品内铁含量数据与该齿轮箱所在的工业机器人的六个所述自由度的状态参数之间的对应关系。

在本申请的一些实施例中，还包括：

输出所述故障预测结果数据以对该故障预测结果数据进行显示。

本申请的另一个方面提供了一种工业机器人状态监控装置，包括：

数据获取模块，用于获取汽车自动化生产线中的工业机器人实时采集的其自身的各个部件的各个状态参数分别在当前时刻的目标状态监测数据；

故障预测模块，用于基于各个所述部件的各个状态参数的在当前时刻的目标状态监测数据，以及预存储的各个所述部件的各个状态参数在当前时刻之前的历史时间段内的历史状态监测数据，采用各个所述部件各自对应的故障监控模式分别对各个所述部件进行故障预测，得到用于指示是否对所述工业机器人的各个所述部件进行故障预警的故障预测结果数据。

本申请的第三个方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的工业机器人状态监控方法。

本申请的第四个方面提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的工业机器人状态监控方法。

本申请提供的工业机器人状态监控方法，通过获取汽车自动化生产线中的工业机器人实时采集的其自身的各个部件的各个状态参数分别在当前时刻的目标状态监测数据；基于各个所述部件的各个状态参数的在当前时刻的目标状态监测数据，以及预存储的各个所述部件的各个状态参数在当前时刻之前的历史时间段内的历史状态监测数据，采用各个所述部件各自对应的故障监控模式分别对各个所述部件进行故障预测，得到用于指示是否对所述工业机器人的各个所述部件进行故障预警的故障预测结果数据，能够在不额外设置传感器以节省监控工业机器人作业的成本的基础上，能够提高针对工业机器人故障预测监控的准确性、有效性和及时性，进而能够提高工业机器人的运转过程的稳定性和可靠性。

本申请的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本申请的实践而获知。本申请的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。

本领域技术人员将会理解的是，能够用本申请实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本申请能够实现的上述和其他目的。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，并不构成对本申请的限定。附图中的部件不是成比例绘制的，而只是为了示出本申请的原理。为了便于示出和描述本申请的一些部分，附图中对应部分可能被放大，即，相对于依据本申请实际制造的示例性装置中的其它部件可能变得更大。在附图中：

图1为本申请一实施例中的工业机器人状态监控方法的总流程示意图。

图2为本申请一实施例中的工业机器人状态监控方法的一种具体流程示意图。

图3为本申请另一实施例中的工业机器人状态监控装置的结构示意图。

图4为本申请应用实例中提供的面机器人状态监控系统数据流向图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本申请做进一步详细说明。在此，本申请的示意性实施方式及其说明用于解释本申请，但并不作为对本申请的限定。

在此，还需要说明的是，为了避免因不必要的细节而模糊了本申请，在附图中仅仅示出了与根据本申请的方案密切相关的结构和/或处理步骤，而省略了与本申请关系不大的其他细节。

应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。

在此，还需要说明的是，如果没有特殊说明，术语“连接”在本文不仅可以指直接连接，也可以表示存在中间物的间接连接。

在下文中，将参考附图描述本申请的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。

在本申请应用实例的一个或多个实施例中，工业机器人是面向工业领域的多关节机械手或多自由度的机器装置，具有一定的自动性，可依靠自身的动力能源和控制能力实现各种工业加工制造功能。相对应的，对应的工业机器人的监测数据是指与工业机器人的自身参数、运行过程以及历史记录等等相关的数据，可以按照不同的角度进行分类，一种常见的分类方式是按照数据类型进行分类，可以将工业机器人的监测数据划分为5类：运行数据、机器人型号数据、机器人维护数据、备件数据和工艺数据。

而在另一种举例中，为了进一步提高工业机器人的监测数据采集的智能化程度，可以将工业机器人的监测数据划分为8类，具体说明如下：

(1)运行数据：这种数据主要反映机器人设备的运行状态，包括电流、电压、功率、温度、速度等参数，可以用来评估设备的性能和健康状况。

(2)资产数据：包括机器人的型号、软件版本等信息。

(3)图像数据：这种数据来自机器人设备上的视觉传感器，如工业相机、激光雷达等，可以用来进行图像识别、目标检测、三维建模等任务。

(4)声音数据：这种数据来自机器人设备上的麦克风等声音传感器，可以用来进行声音识别、噪声监测、故障诊断等任务。

(5)维修数据：这种数据记录了机器人设备的维修记录和维修历史，包括维修时间、维修内容、维修人员等信息。

(6)故障数据：这种数据记录了机器人设备的故障信息，包括故障类型、故障时间、故障原因等信息，可以用来进行故障诊断和预测。

(7)任务数据：这种数据记录了机器人设备执行的任务和任务相关的参数，如任务时间、任务类型、任务难度等信息。

(8)操作数据：这种数据记录了机器人设备的操作记录，包括操作者、操作时间、操作类型等信息，可以用来进行操作监控和安全管理。

在本申请的一个或多个实施例中，状态监测数据具体可以指前述监测数据中的运行数据。

为了在不额外设置传感器以节省监控工业机器人作业的成本的基础上，提高针对工业机器人故障预测监控的准确性、有效性和及时性，本申请实施例提供一种工业机器人状态监控方法，参见图1，所述工业机器人状态监控方法具体包含有如下内容：

步骤100：获取汽车自动化生产线中的工业机器人实时采集的其自身的各个部件的各个状态参数分别在当前时刻的目标状态监测数据。

在本申请的一个或多个实施例中，所述工业机器人状态监控方法可由一工业机器人数据平台实现，该工业机器人数据平台是指用于对工业机器人的监测数据进行存储及处理等的数据平台，其中，数据平台可以基于工业物联网与大数据技术，将接收到的现场产生的海量数据进行存储和处理，从而为进一步分析或监控提供基础。其一般架构由感知层、传输层、平台层及服务层组成，分别对应数据采集、传输、平台可视化及具体提供服务。在该工业机器人数据平台中，至少设置有各个所述部件各自对应的故障监控模式，以用于执行后续的步骤200。

在步骤100中，汽车自动化生产线中的工业机器人采集其自身的各个部件的各个状态参数的监测数据，其中的状态监测数据需要实时采集，非状态监测数据可以定时采集，相对应的，工业机器人数据平台可以实时接收工业机器人采集的状态监测数据，并可以定时接收工业机器人采集的非状态监测数据。

具体来说，若所述工业机器人的监测数据的类型包括：工业机器人的资产数据、运行数据（状态监测数据）、图像数据、声音数据、维修数据、故障数据、任务数据和操作数据；则所述工业机器人状态监控方法中的步骤100中除下述步骤111之外，还可以包含有下述步骤112至步骤115：

步骤111：实时接收所述汽车自动化生产线内的各个工业机器人将其内部的状态监测数据；

步骤112：以预设的第一时间间隔接收各个工业机器人的图像数据和声音数据；

步骤113：以预设的第二时间间隔接收各个工业机器人的任务数据和操作数据，其中，所述第一时间间隔小于第二时间间隔；

步骤114：控制用于采集所述汽车自动化生产线内的各个工业机器人的资产数据的数据采集设备，在每次与所述工业机器人建立通信连接时采集该工业机器人的资产数据；

步骤115：控制用于采集所述汽车自动化生产线内的各个工业机器人的维修数据和故障数据的数据采集设备，在所述维修数据和故障数据产生时进行实时采集。

在一种具体举例中，所述第一时间间隔可以以秒计数，具体可以选用0.1s至1000s之间的任一数值，例如可以采用2s作为第一时间间隔。

在一种具体举例中，所述第二时间间隔可以以分钟或小时计数，具体可以选用0.1h至1000h之间的任一数值，例如可以采用1h作为第二时间间隔。

进而能够通过在每种类型中选择具有代表性的数据，并根据数据特点选择不同的发送条件，能够有效平衡采集的工业机器人的监测数据的数据质量及工业机器人数据平台的平台层资源，能够进一步提高工业机器人状态监控的智能化程度。

另外，在步骤100之前，可采用批处理方式采集汽车自动化生产线内的各个类型的工业机器人的监测数据并上传至工业机器人数据平台，能够在保证工业机器人的监测数据采集的全面性的同时，有效提高采集工业机器人的监测数据的及时性及有效性，进而能够为后续工业机器人数据平台的预测性维护提供可靠的数据基础，进而能够提高工业机器人预测性维护的效率及可靠性，并提高工业机器人状态监控的便捷性。

具体来说，工业机器人数据平台可以根据各个工业机器人的监测数据所属的类型，控制所述汽车自动化生产线内的各个工业机器人分别对应的数据采集设备以不同的时间间隔采集各个类型的工业机器人的监测数据，再对采集的工业机器人的监测数据进行协议转换，以及得到统一协议格式的工业机器人的监测数据，然后基于预设的数据转发周期，将统一协议格式的工业机器人的监测数据发送至所述工业机器人数据平台中进行存储。工业机器人数据平台在工业机器人的监测数据批处理采集过程中，可以通过数据采集器、协议转换器、中转服务器和定时器来实现，其中，所述数据采集器通过工业控制网络与目标设备相连接，所述协议转换器分别与所述数据采集器和所述中转服务器相连接，所述定时器设置在所述中转服务器中。该方式能够使得如汽车制造设备的批处理数据处理装置等自动对工作数据进行采集，并且能够通过协议转换器将采集到的不同协议的工作数据转化为统一协议格式的工作数据，同时还能够通过中转服务器批量向数据处理系统上传数据进行处理，从而达到对目标检测系统的工作数据进行全自动化采集的目的，进而缓解了现有的数据采集和分析装置无法系统的对数据进行采集，以及无法批量对数据进行采集和处理的技术问题。

在本申请的一个或多个实施例中，目标状态监测数据和历史状态监测数据分别指不同时刻的状态监测数据，目标状态监测数据是指当前时刻的状态监测数据，历史状态监测数据是指当前时刻之前的状态监测数据。

步骤200：基于各个所述部件的各个状态参数的在当前时刻的目标状态监测数据，以及预存储的各个所述部件的各个状态参数在当前时刻之前的历史时间段内的历史状态监测数据，采用各个所述部件各自对应的故障监控模式分别对各个所述部件进行故障预测，得到用于指示是否对所述工业机器人的各个所述部件进行故障预警的故障预测结果数据。

相较于现有技术仅采用目标状态监测数据进行故障预测的方式，本申请实施例提供的工业机器人状态监控方法，在每次收到目标状态监测数据后都同时采用该目标状态监测数据和对应的历史状态监测数据进行故障预测，这样即使数据来源仅有状态监测数据，也能够提高针对工业机器人故障预测监控的准确性和有效性，且因无需对所有的监测数据进行实时故障预测，因此还能够提高针对工业机器人故障预测监控的效率。

在步骤200中，故障预测结果数据可以包含有所述工业机器人的各个部件中的全部的状态参数的故障预测结果，能够有效提高针对工业机器人进行故障预测的可靠性及全面性，并能够为维护人员提供更为多样且可靠的数据基础，进而能够提高工业机器人预测性维护的全面性及可靠性，并提高工业机器人状态监控的全面性及有效性。

在本申请的一个或多个实施例中，所述部件是指组成工业机器人的各个零部件，所述状态参数是指用于表示对应的部件的运行状态的参数，例如温度、湿度和振动频率等等。

为了进一步提高故障预测的有效性、全面性及可靠性，在本申请实施例提供的一种工业机器人状态监控方法中，所述故障监控模式包括：阈值监控模式、卡尔曼滤波器监控模式和故障预测模型监控模式；参见图2，所述工业机器人状态监控方法中的步骤100或步骤200之前还具体包含有如下内容：

步骤010：构建并存储工业机器人的各个部件分别与各个所述故障监控模式之间一对多的对应关系。

具体来说，阈值监控模式和卡尔曼滤波器监控模式通常可以用于监控的历史数据较为稳定的状态参数，而故障预测模型可以用于监控的历史数据变动频繁的状态参数。当然，无论是哪一种状态参数，运维人员均可以根据实际需要预先选取阈值监控模式、卡尔曼滤波器监控模式和故障预测模型监控模式中的至少两种作为该状态参数的故障监控模式，进而能够在不额外设置传感器以节省监控工业机器人作业的成本的基础上，进一步提高针对工业机器人故障预测监控的准确性、有效性及全面性。

为了进一步提高以阈值监控模式进行工业机器人状态监控的有效性及可靠性，在本申请实施例提供的一种工业机器人状态监控方法中，参见图2，所述工业机器人状态监控方法中的步骤200具体包含有如下内容：

步骤211：采用预存储的各个所述部件在当前时刻之前且无故障预警记录的历史时间段内的各类状态参数各自对应的历史状态监测数据，分别动态设定各个所述部件的各类状态参数各自对应的阈值。

步骤212：根据各个所述部件在当前时刻的各类状态参数各自的目标状态监测数据，判断各个所述部件中是否存在超出自身对应的阈值的状态参数，并基于对应的判断结果生成用于指示是否对所述工业机器人的各个所述部件进行故障预警的故障预测结果数据。

为了进一步提高以卡尔曼滤波器监控模式进行工业机器人状态监控的有效性及可靠性，在本申请实施例提供的一种工业机器人状态监控方法中，参见图2，所述工业机器人状态监控方法中的步骤200还具体包含有如下内容：

步骤221：基于预设的卡尔曼滤波器模型，采用预存储的各个所述部件在当前时刻之前且无故障预警记录的历史时间段内的各类状态参数各自对应的历史状态监测数据，动态生成各个所述部件在当前时刻的各类状态参数各自的状态预测数据；

步骤222：根据各个所述部件在当前时刻的各类状态参数各自的目标状态监测数据和所述状态预测数据，判断各个所述部件中是否存在所述目标状态监测数据和状态预测数据之间差值大于预设差值的状态参数，并基于对应的判断结果生成用于指示是否对所述工业机器人的各个所述部件进行故障预警的故障预测结果数据。

卡尔曼滤波（Kalman filtering）是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。通过卡尔曼滤波器对机器人数据进行监控，如果出现异常波动则产生报警。

可以理解的是，卡尔曼滤波器在每次更新时，都会计算高维中卡尔曼滤波基本公式，其中涉及过程噪声协方差Q和测量噪声协方差R， 其中，过程噪声协方差Q是状态转移矩阵与实际过程之间的误差；测量噪声协方差R是一个数值，这是和仪器相关的一个特性，作为已知条件输入滤波器。Q值为过程噪声，越小系统越容易收敛，对模型预测的值信任度越高；但是太小则容易发散，如果Q为零，那么只相信预测值；Q值越大对于预测的信任度就越低，而对测量值的信任度就变高；如果Q值无穷大，那么只信任测量值；R值为测量噪声，太小太大都不一定合适。R太大，卡尔曼滤波响应会变慢，因为它对新测量的值的信任度降低；越小系统收敛越快，但过小则容易出现震荡。

测试时可以先将Q从小往大调整，将R从大往小调整；先固定一个值去调整另外一个值，看收敛速度与对应输出。对于温度可以先采用Q = 0.0001, R = 0.55再进行调整，扭矩的Q和R值则相对需要更大一些。此外，最大误差这项也可以根据对误差的容忍度进行相应的调整。

为了进一步提高以故障预测模型监控模式进行工业机器人状态监控的有效性及可靠性，在本申请实施例提供的一种工业机器人状态监控方法中，参见图2，所述工业机器人状态监控方法中的步骤200还具体包含有如下内容：

步骤231：将所述各个所述部件在当前时刻的各类状态参数的目标状态监测数据输入预设的用于对工业机器人的各个部件进行故障预测的故障预测模型，以使该故障预测模型输出对应的用于指示是否对所述工业机器人的各个所述部件的各类状态参数的进行故障预警的故障预测结果数据；其中，所述故障预测模型为预先基于各个所述部件在当前时刻之前的历史时间段内的各类状态参数的历史状态监测数据训练得到的。

具体来说，在步骤231之前，可以获取自所述汽车自动化生产线中采集的各个类型的历史工业机器人的各个所述部件在当前时刻之前的历史时间段内的各类状态参数的历史状态监测数据分别对应的历史故障预测结果，其中，所述历史故障预测结果包括历史报错信息和所属部件位置数据之间的关联关系。然后构建各个所述报错信息和各个严重等级之间对应关系的故障严重等级表。再采用各个所述历史工业机器人的历史状态监测数据和对应的历史故障预测结果训练故障预测模型，以使该故障预测模型用于根据输入的工业机器人的监测数据，输出对应的故障预测结果，其中，所述故障预测结果包括：各个所述工业机器人的各个所述部件的各类状态参数分别对应的报错信息和该报错信息的所属部件位置数据之间的关联关系。

为了提高针对6自由度机械臂的状态监控的可靠性及有效性，在本申请实施例提供的一种工业机器人状态监控方法中，所述工业机器人状态监控方法中的所述工业机器人包括：6自由度机械臂；

所述工业机器人的各个部件包括：六个自由度、点焊枪、传动皮带和齿轮箱中的至少两种；

六个所述自由度的状态参数包括：六个所述自由度各自对应的电机温度、扭矩和电流中的至少两种；

所述点焊枪的状态参数包括：电焊枪的电机运动信号；

所述传动皮带的状态参数包括：该传动皮带所在的工业机器人的运行时间；

所述齿轮箱的状态参数包括：齿轮箱的润滑油的油品内铁含量数据与该齿轮箱所在的工业机器人的六个所述自由度的状态参数之间的对应关系。

具体来说，6轴工业机器人一般有 6 个自由度，包含旋转（S 轴），下臂（L 轴）、上臂（U 轴）、手腕旋转（R 轴）、手腕摆动（B 轴）和手腕回转（T 轴）；6 个关节合成实现末端的6 自由度动作，具有高灵活性、超大负载、高定位精度等众多优点。需要说明的是，此处的R轴与前述的测量噪声协方差R无关，仅表示6 个自由度中负责手腕旋转的轴标识。

举例来说，针对六个所述自由度的状态参数的阈值监控功能实现流程如下：

a.收集机器人上传的实时数据，包括机器人6个轴的电机温度、扭矩、电流。

b.存储并统计过去一个月机器人6个轴的电机温度、扭矩、电流数据，按照最大值、平均值、最小值进行聚合。

c.操作人员根据历史统计数据设置每个机器人每个轴电机的温度、扭矩、电流的阈值。

d.系统将收到的机器人实时电机数据与阈值做比较，如果超过阈值则产生报警。

针对六个所述自由度的状态参数的卡尔曼滤波器监控功能实现流程如下：

a.收集机器人上传的实时数据，包括机器人6个轴的电机温度、扭矩、电流。

b.卡尔曼滤波器模型通过机器人过去24小时数据预测下一时刻的数据。

c.将模型预测的下一刻数据与实际数据进行对比，如果差距超过阈值则产生报警。

针对电焊枪的阈值监控功能实现流程如下：

点焊枪是一种常见的机器人加载的设备，其电机由机器人控制。点焊电机因负载较大，因此需要定期拆卸保养。传统的每年保养的方案不能很好的应对不同焊枪在工作中运动次数的差异，因此不够精益。本方案中通过采集电机运动信号，判断电机是否完成了一次往复运动，并通过记录电机往复次数来触发电机保养的提醒。设定电机每200万次运动保养一次，在到达180万次运动时发出预警，提醒维护人员安排保养工作。并在保养结束后对计数进行清零，开始新的计数。

针对传动皮带的阈值监控功能实现流程如下：

a.收集机器人上传的机器人运行时间数据。

b.将运行时间数据从复位点开始进行累加。

c.当运行时间增量超过设定值（例如5000小时）则产生维护工作提醒，并实时显示进度条。

d.现场完成维护工作后在系统内复位，累加时间清。

机器人前端的手腕旋转（R 轴）、手腕摆动（B 轴）和手腕回转（T 轴）使用皮带进行传动，长时间的工作会造成皮带磨损，进而引起机器人精度下降甚至皮带断裂。因此皮带在使用一段时间后需要进行更换。传统的皮带更换策略是每年更换一次，但由于每个机器人的实际工作时长不同，因此一些机器人的皮带过早更换，造成浪费，一些皮带过晚更换，造成故障。本方案中通过提取机器人的状态信号，通过机器人各轴速度判断机器人是否正在工作，即如果机器人6个轴的电机有一个或以上的轴运行速度不为0，即判断机器人正在工作。然后计算机器人实际工作的时间，在实际工作时间到达5000小时发出皮带更换提醒。这样可以提高皮带使用效率，同时降低皮带断裂风险。

针对齿轮箱的润滑油的监控功能实现流程如下：

a.收集机器人油品样本送往油品检测实验室检测，得到油品内铁含量数据。

b.收集机器人6个轴的运行数据，包括扭矩、电流、温度等。

c.基于油品铁含量值和机器人运行数据建立油品铁含量模型油品铁含量模型。

d.将评估模型部署在系统机器人状态监控系统中。

e.收集机器人实时数据并放入模型中，计算出预估的油品铁含量模型。

f.将评估的铁含量模型与设定的阈值进行比较，超出阈值则产生维护工作提醒。

模型的建立过程如下：

首先采集100个机器人润滑油样本，这些样本中包含了各种不同工况的机器人，保证样本能够代表大部分机器人的工况。将样本送至实验室得到油样中各种元素的含量。将油样中元素含量值进行标准差计算，并选取标准差最大的铁元素含量所谓指征油品状态的标签。通过计算机器人型号与铁元素的相关性，确认机器人型号对铁元素影响不大。剔除铁元素含量数据的异常点。随后提取这批机器人的运行数据，包括运行时间、最大扭矩、平均扭矩、平均温度，使用线性回归、CART（分类回归）树和KNN（k最邻近分类算法）算法将机器人运行数据与油品中铁元素含量进行拟合，并用LR（逻辑回归）算法进行调参。最终得到根据机器人运行数据对油品中铁元素含量的评估模型。

为了进一步提高故障预测结果数据的输出有效性及可靠性，在本申请实施例提供的一种工业机器人状态监控方法中，参见图3，所述工业机器人状态监控方法中的步骤200之后还具体包含有如下内容：

步骤300：输出所述故障预测结果数据以对该故障预测结果数据进行显示。

在步骤300中，通可以将所述故障预测结果数据发送至用户持有的客户端设备和/或显示设备中。

同时，还可以基于所述故障严重等级表确定所述故障预测结果中的各个报错信息分别对应的严重等级，若各个所述报错信息分别对应的严重等级不同，则以预设的各个所述严重等级分别对应的不同发送频率将所述故障预测结果发送至用户持有的客户端设备和/或显示设备中，以使用户基于所述故障预测结果对所述汽车自动化生产线内的工业机器人进行预测性维护。

从软件层面来说，本申请还提供一种用于执行所述工业机器人状态监控方法中全部或部分内的工业机器人状态监控装置，参见图3，所述工业机器人状态监控装置具体包含有如下内容：

数据获取模块10，用于获取汽车自动化生产线中的工业机器人实时采集的其自身的各个部件的各个状态参数分别在当前时刻的目标状态监测数据；

故障预测模块20，用于基于各个所述部件的各个状态参数的在当前时刻的目标状态监测数据，以及预存储的各个所述部件的各个状态参数在当前时刻之前的历史时间段内的历史状态监测数据，采用各个所述部件各自对应的故障监控模式分别对各个所述部件进行故障预测，得到用于指示是否对所述工业机器人的各个所述部件进行故障预警的故障预测结果数据。

本申请提供的工业机器人状态监控装置（例如前述的工业机器人数据平台）的实施例具体可以用于执行上述实施例中的工业机器人状态监控方法的实施例的处理流程，其功能在此不再赘述，可以参照上述工业机器人状态监控方法实施例的详细描述。

所述工业机器人状态监控装置进行工业机器人状态监控的部分可以在服务器中执行，而在另一种实际应用情形中，也可以所有的操作都在客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器，用于工业机器人状态监控的具体处理。

上述的客户端设备可以具有通信模块（即通信单元），可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。

上述服务器与所述客户端设备端之间可以使用任何合适的网络协议进行通信，包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然，所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol，远程过程调用协议)、REST协议(Representational State Transfer，表述性状态转移协议)等。

从上述描述可知，本申请实施例提供的工业机器人状态监控装置，能够在不额外设置传感器以节省监控工业机器人作业的成本的基础上，能够提高针对工业机器人故障预测监控的准确性、有效性和及时性，进而能够提高工业机器人的运转过程的稳定性和可靠性。

为了进一步说明本方案，本申请还提供一种应用机器人状态监控系统和工业机器人数据平台实现的工业机器人状态监控方法的具体应用实例，通过部署在机器人上的MQTT信息发送端将机器人运行数据实时发送至工业机器人数据平台，部署在工业机器人数据平台上的机器人状态监控系统根据数据监控机器人设备状态，为设备维护人员提供信息展板、资产管理信息、状态监控等功能。从而达到帮助设备维护人员提高维护效率，降低维护成本，优化维护工作组织安排，提升设备稳定性和生产线效率的目的。该系统主要有以下几个功能：

设备信息统计及可视化展示：通过对现场工业机器人状态及报警信息的实时收集、汇总、统计，实现设备信息的可视化展示、趋势分析，并带有联动下钻功能。报警信息还可以在预设的车间地图中实时显示，方便现场设备维护人员及时、准确定位问题。

设备状态监控：实现现场机器人核心数据例如电机温度、电机扭矩、CPU载荷等数据的实时展示、历史趋势分析。支持极限值设定、基于卡尔曼滤波器模型的趋势预警监控值设定，并具有自动报警触发功能。

核心部件的监控评估：实现对于核心部件例如齿轮箱油品的监控评估，通过建立基于机器学习的齿轮箱油品质量预测模型，基于机器人运行数据实时评估油品质量。

设备信息管理：实现设备型号、程序及其他重要信息的实时收集、展示，并于设备备件、维护历史记录信息整合。

数据采集及预处理部分的技术方案如下：

机器人状态监控系统的数据流向如图4所示。现场工业机器人通过MQTT（消息队列遥测传输）协议按照配置文件中的设置规则向数据平台发送数据。为合理控制数据量，不同类型的数据根据需求按照不同周期发送。机器人数据可分为8个类型，在每种类型中选择了具有代表性的数据，并根据数据特点选择了不同的发送条件，以平衡数据质量及平台层资源。过程类数据主题包括机器人各电机的温度、扭矩、电流、跟随误差、位置等，共计68个变量。该类信息需要较高的采样率，因此采用2秒间隔发送。交互信号、系统消息、事件日志、windows系统信息及节拍信息主题共计99个变量对实时性要求较低，因此采用每1小时发送一次。资产信息主题包括机器人的型号、软件版本等信息，共计16个变量，这些通常只有在设备更换备件或软件升级后才会发生变化，因此选择在连接建立时发送。设备报警信息主题共计8个变量按照在出现新报警信息时发送的机制进行发送。其中，图4中的“json文件”是指一种轻量级的数据交换格式的文件，是以脚本对象表示法格式存储的简单数据结构和对象的文件。

数据到达数据平台后，数据提取及聚合引擎会根据数据特点对数据进行预处理，提取相关字段、聚合并将数据存储至数据湖及二级索引数据库。数据首先在数据提取聚合引擎中做预处理。数据提取模块根据机器人专家预设的条件，对无效机器人数据进行过滤，例如机器人停止时的数据、提示信息等。过滤后的全量数据存入HBASE（分布式的、面向列的开源数据库）中保留3天，用于细节数据展示和短期状态监控算法的计算。与此同时，聚合模块会将全量数据以5分钟为单位进行聚合，并将聚合后的数据存入HBASE，用于长时间保存和长期状态监控算法的计算。通过数据聚合，单台机器人每日需存储的数据量可由120MB降为800KB，极大的减小的对存储资源的占用。在数据存储模块中，系统会将HBASE中聚合数据的二级索引存入用于关系管理的ORACLE数据库，以方便前端查询和调用，避免重复查询，大大降低了查询的响应时间。

之后该系统中的数据处理模块会从相应的数据库中提取数据进行处理（属于数据的预处理阶段），例如对报警信息进行汇总统计、根据设定算法预测故障、对设备状态进行监控等。随后将数据处理结果传递至前端页面。

具体来说，在用户查看3近三天内的数据时，系统会调取全量数据，以原始数据的颗粒度进行展示，例如在查看当天的某一台机器人的扭矩时，用户会看到数据的颗粒度为2s。当用户查看长期数据时，例如过去一个月的数据，系统会通过ORACAL数据库中的二级索引，快速调取以5分钟聚合后的数据用于展示。

其中，设备状态监控模块中有两种监控模式，阈值监控和卡尔曼滤波器监控。两种监控可以根据实际需求进行开启和关闭，通常用于监控的历史数据较为稳定的变量。阈值监控模式目前用于对所有机器人的电机温度进行监控，因为根据已有经验，电机在失效前会出现温度逐渐上升的现象。通过对电机温度的阈值监控，可以提早发现电机失效。阈值监控还可以根据工程师的需求用于跟随误差、报警次数等信息的监控。卡尔曼滤波器用于监控数据跟随生产工况实时变化且波动较大的变量。目前用于监控机器人二轴电机扭矩。根据已有经验，机器人平衡缸系统失效通常会引起机器人二轴载荷变化，造成二轴电机扭矩异常波动。卡尔曼滤波器可以对该变量的变化进行监控，当出现异常变化时发出报警。

其中，本申请中的机器人是指工业环境中使用的多关节机械手，本申请中的机器人都是德国库卡（KUKA）公司的6自由度机械臂。

基于此，针对现有目前工业领域常见的设备状态监控系统通常针对大型单体设备，例如大型风机、轨道交通设备等，需要在设备上部设大量传感器。而工业机器人具有数量多、种类复杂、单体价值不高的特点，因此不适合基于加装传感器的监控方法；目前市场上针对机器人的状态监控系统通常只能简单的实现机器人资产信息、日志信息的统计功能，以及对电流、力矩等过程数据的可视化，缺乏对数据的深度分析利用，难以对设备维护工作提供实质的帮助，收益不大等问题，本申请应用实例可以通过物联网技术收集机器人内部数据，将数据进行预处理后存入数据平台。结合专家经验和机器学习技术创建机器人状态监控算法，通过对机器人数据的分析可以有效的识别机器人状态，并做出预警及维护建议。在提升设备稳定性的同时降低维护成本。

具体来说，本申请应用实例具有如下有益效果：

1、实现大规模机器人数据的上传、预处理、存储及分析流程：现场工业机器人通过MQTT协议主动上传实时数据，定制化数据内容、触发条件，具有高速度、大容量的数据传输和处理能力。

2、分布式大数据存储平台：采用基于Hadoop（分布式系统基础架构）的分布式工业机器人数据平台，可以高效、稳定的处理和存储海量数据。

3、大数据及机器学习：传统润滑油定期更换的模式成本高、效率低。利用大数据和机器学习技术可以很好的解决这个问题。首先采集一批现场机器人的润滑油油样，进行理化分析，对油品质量给出评价。同时利用预测性维护平台采集机器人运行数据，例如电机力矩、温度、电流、运行时间等等。将采集来的大量数据进行清洗、处理后，利用机器学习技术将运行数据与由理化分析得出的油品质量进行关联，从而建立油品质量评估的智能模型。之后机器人预测性维护平台可以通过实时上传的机器人数据和模型评估出每个机器人润滑油的质量，从而精准指导润滑油更换工作。实现精准维护的同时极大的降低了维护成本。

4、定制化状态监控：支持对机器人核心数据的阈值及基于卡尔曼滤波器的趋势监控设置，并由平台主动触发报警。

机器人状态监控系统通过监控设备运行状态，提供精准维修策略，极大提升设备维护工作的效率，同时也能减少设备停机时间。在实际应用中，通过计算，该系统上线以来，在某汽车制造企业中，每年可降低百万级的机器人维护费用，并能够减少长达数千分钟的机器人停机时间。

本申请实施例还提供了一种电子设备，该电子设备可以包括处理器、存储器、接收器及发送器，处理器用于执行上述实施例提及的工业机器人状态监控方法，其中处理器和存储器可以通过总线或者其他方式连接，以通过总线连接为例。该接收器可通过有线或无线方式与处理器、存储器连接。所述电子设备可自所述无线多媒体传感器网络中的传感器接收实时运动数据，并自所述视频采集装置接收原始视频序列。

处理器可以为中央处理器（Central Processing Unit，CPU）。处理器还可以为其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-ProgrammableGate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中的工业机器人状态监控方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的工业机器人状态监控方法。

存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器中，当被所述处理器执行时，执行实施例中的工业机器人状态监控方法。

在本申请的一些实施例中，用户设备可以包括处理器、存储器和收发单元，该收发单元可包括接收器和发送器，处理器、存储器、接收器和发送器可通过总线系统连接，存储器用于存储计算机指令，处理器用于执行存储器中存储的计算机指令，以控制收发单元收发信号。

作为一种实现方式，本申请中接收器和发送器的功能可以考虑通过收发电路或者收发的专用芯片来实现，处理器可以考虑通过专用处理芯片、处理电路或通用芯片实现。

作为另一种实现方式，可以考虑使用通用计算机的方式来实现本申请实施例提供的服务器。即将实现处理器，接收器和发送器功能的程序代码存储在存储器中，通用处理器通过执行存储器中的代码来实现处理器，接收器和发送器的功能。

本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现前述工业机器人状态监控方法的步骤。该计算机可读存储介质可以是有形存储介质，诸如随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。

本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路（ASIC）、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。

需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

本申请中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。

以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域的技术人员来说，本申请实施例可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种工业机器人状态监控方法，其特征在于，包括：

获取汽车自动化生产线中的工业机器人实时采集的其自身的各个部件的各个状态参数分别在当前时刻的目标状态监测数据；

基于各个所述部件的各个状态参数的在当前时刻的目标状态监测数据，以及预存储的各个所述部件的各个状态参数在当前时刻之前的历史时间段内的历史状态监测数据，采用各个所述部件各自对应的故障监控模式分别对各个所述部件进行故障预测，得到用于指示是否对所述工业机器人的各个所述部件进行故障预警的故障预测结果数据。

2.根据权利要求1所述的工业机器人状态监控方法，其特征在于，所述故障监控模式包括：阈值监控模式、卡尔曼滤波器监控模式和故障预测模型监控模式；

相对应的，在所述采用各个所述部件各自对应的故障监控模式分别对各个所述部件进行故障预测之前，还包括：

构建并存储工业机器人的各个部件分别与各个所述故障监控模式之间一对多的对应关系。

3.根据权利要求2所述的工业机器人状态监控方法，其特征在于，若所述部件对应的故障监控模式包括：阈值监控模式；则相对应的，所述基于各个所述部件的各个状态参数的在当前时刻的目标状态监测数据，以及预存储的各个所述部件的各个状态参数在当前时刻之前的历史时间段内的历史状态监测数据，采用各个所述部件各自对应的故障监控模式分别对各个所述部件进行故障预测，得到用于指示是否对所述工业机器人的各个所述部件进行故障预警的故障预测结果数据，包括：

采用预存储的各个所述部件在当前时刻之前且无故障预警记录的历史时间段内的各类状态参数各自对应的历史状态监测数据，分别动态设定各个所述部件的各类状态参数各自对应的阈值；

根据各个所述部件在当前时刻的各类状态参数各自的目标状态监测数据，判断各个所述部件中是否存在超出自身对应的阈值的状态参数，并基于对应的判断结果生成用于指示是否对所述工业机器人的各个所述部件进行故障预警的故障预测结果数据。

4.根据权利要求2所述的工业机器人状态监控方法，其特征在于，若所述部件对应的故障监控模式包括：卡尔曼滤波器监控模式；则相对应的，所述基于各个所述部件的各个状态参数的在当前时刻的目标状态监测数据，以及预存储的各个所述部件的各个状态参数在当前时刻之前的历史时间段内的历史状态监测数据，采用各个所述部件各自对应的故障监控模式分别对各个所述部件进行故障预测，得到用于指示是否对所述工业机器人的各个所述部件进行故障预警的故障预测结果数据，包括：

基于预设的卡尔曼滤波器模型，采用预存储的各个所述部件在当前时刻之前且无故障预警记录的历史时间段内的各类状态参数各自对应的历史状态监测数据，动态生成各个所述部件在当前时刻的各类状态参数各自的状态预测数据；

根据各个所述部件在当前时刻的各类状态参数各自的目标状态监测数据和所述状态预测数据，判断各个所述部件中是否存在所述目标状态监测数据和状态预测数据之间差值大于预设差值的状态参数，并基于对应的判断结果生成用于指示是否对所述工业机器人的各个所述部件进行故障预警的故障预测结果数据。

5.根据权利要求2所述的工业机器人状态监控方法，其特征在于，若所述部件对应的故障监控模式包括：故障预测模型监控模式；则相对应的，所述基于各个所述部件的各个状态参数的在当前时刻的目标状态监测数据，以及预存储的各个所述部件的各个状态参数在当前时刻之前的历史时间段内的历史状态监测数据，采用各个所述部件各自对应的故障监控模式分别对各个所述部件进行故障预测，得到用于指示是否对所述工业机器人的各个所述部件进行故障预警的故障预测结果数据，包括：

将所述各个所述部件在当前时刻的各类状态参数的目标状态监测数据输入预设的用于对工业机器人的各个部件进行故障预测的故障预测模型，以使该故障预测模型输出对应的用于指示是否对所述工业机器人的各个所述部件的各类状态参数的进行故障预警的故障预测结果数据；

其中，所述故障预测模型为预先基于各个所述部件在当前时刻之前的历史时间段内的各类状态参数的历史状态监测数据训练得到的。

6.根据权利要求2所述的工业机器人状态监控方法，其特征在于，所述工业机器人包括：6自由度机械臂；

所述工业机器人的各个部件包括：六个自由度、点焊枪、传动皮带和齿轮箱；

六个所述自由度的状态参数包括：六个所述自由度各自对应的电机温度、扭矩和电流；

所述点焊枪的状态参数包括：电焊枪的电机运动信号；

所述传动皮带的状态参数包括：该传动皮带所在的工业机器人的运行时间；

所述齿轮箱的状态参数包括：齿轮箱的润滑油的油品内铁含量数据与该齿轮箱所在的工业机器人的六个所述自由度的状态参数之间的对应关系。

7.根据权利要求1至6任一项所述的工业机器人状态监控方法，其特征在于，还包括：

输出所述故障预测结果数据以对该故障预测结果数据进行显示。

8.一种工业机器人状态监控装置，其特征在于，包括：

数据获取模块，用于获取汽车自动化生产线中的工业机器人实时采集的其自身的各个部件的各个状态参数分别在当前时刻的目标状态监测数据；

故障预测模块，用于基于各个所述部件的各个状态参数的在当前时刻的目标状态监测数据，以及预存储的各个所述部件的各个状态参数在当前时刻之前的历史时间段内的历史状态监测数据，采用各个所述部件各自对应的故障监控模式分别对各个所述部件进行故障预测，得到用于指示是否对所述工业机器人的各个所述部件进行故障预警的故障预测结果数据。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的工业机器人状态监控方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述的工业机器人状态监控方法。

Images