CN116483054A - 一种工业机器人运行状态监测预警系统及方法 - Google Patents
一种工业机器人运行状态监测预警系统及方法 Download PDFInfo
- Publication number
- CN116483054A CN116483054A CN202310421575.XA CN202310421575A CN116483054A CN 116483054 A CN116483054 A CN 116483054A CN 202310421575 A CN202310421575 A CN 202310421575A CN 116483054 A CN116483054 A CN 116483054A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- robot
- diagnosis
- early warning
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003745 diagnosis Methods 0.000 claims abstract description 80
- 238000004458 analytical method Methods 0.000 claims abstract description 51
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 230000007246 mechanism Effects 0.000 claims abstract description 16
- 238000013500 data storage Methods 0.000 claims abstract description 15
- 238000005065 mining Methods 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000007726 management method Methods 0.000 claims description 9
- 230000003750 conditioning effect Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 230000001143 conditioned effect Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 11
- 230000008569 process Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012351 Integrated analysis Methods 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
-
- 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]
Abstract
本发明公开了一种工业机器人运行状态监测预警系统及方法,属于机器人故障诊断技术领域,包括用户本地平台、数据采集控制器和远程监控诊断模块,远程监控诊断模块,远程监控诊断模块将所述用户本地平台数据传输至所述数据存储库,远程监控诊断模块接收所述数据采集控制器的数据,将接收到的数据采集控制器的数据传输至数据存储库,通过对历史各型机器人的故障机理进行建模分析,对历史故障信息进行挖掘分析,得出历史故障类型及对应的数据,从而实时监测机器人运行过程中的状态,当机器人出现异常数据则通过安装在各关键部位的数据采集控制器上传到远程监控诊断模块,实现机器人故障预警,并对异常数据分析得出故障原因,方便机器人的运维及保养。
Description
技术领域
本发明属于机器人故障诊断技术领域,具体涉及一种工业机器人运行状态监测预警系统及方法。
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。
现有技术中,还未有实现远程监控和故障诊断的应用技术,工业机器人的运行状态监控和故障诊断大多还是依靠机器人单机自主报警,通过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的根源,仍需要专业的技术人员到现场进行分析才能得出故障原因从而进行维修,需要花费较长的时间,故障诊断得不及时导致工业机器人的使用效率降低。
发明内容
本发明的目的在于提供一种工业机器人运行状态监测预警系统及方法,以解决背景技术中的问题。
本发明的目的可以通过以下技术方案实现:
一种工业机器人运行状态监测预警系统,包括:用户本地平台、数据采集控制器和远程监控诊断模块,其中:
所述远程监控诊断模块具体包括远程通讯模块、数据采集模块、数据存储库和数据诊断分析模块,所述远程通讯模块将所述用户本地平台数据传输至所述数据存储库,所述数据采集模块采集所述数据采集控制器的数据,并将采集到的数据采集控制器的数据传输至数据存储库;
所述数据诊断分析模块通过对历史各型机器人的故障机理进行建模分析,对历史故障信息进行挖掘分析,得出历史故障类型及对应的数据;
所述数据存储库和所述数据诊断分析将数据与服务器交互。
进一步的,所述远程监控诊断模块基于对现场运行机器人的关键运行数据的识别、报警数据和辅助诊断数据,对机器人进行故障诊断与分析。
进一步的,所述工业机器人运行状态监测预警系统还包括无线辅助传感器、视频模块和交换机,所述数据采集模块与无线辅助传感器、数据采集控制器、视频模块和交换机连接并通过无线辅助传感器、数据采集控制器、视频模块采集机器人数据。
进一步的,所述无线辅助传感器和所述数据采集控制器安装于机器人各关键部位,用于采集机器人运行数据,对机器人进行调测,并通过交换机将本地和远程的数据进行传输。
进一步的,所述远程监控诊断模块通过对历史各型机器人的故障机理进行建模分析,对历史故障信息进行挖掘分析,得出历史故障类型及对应的数据。
进一步的,所述数据采集控制器与机器人、用户本地平台和远程监控诊断模块连接,所述数据采集控制器包括权限管理单元,所述权限管理单元限制所述数据采集控制器的数据访问来客。
一种工业机器人运行状态监测预警方法,应用于前述的一种工业机器人运行状态监测预警系统,包括以下步骤:
采集机器人的各关键部位的数据信息;
将数据信息转换为电压信号,并对电压进行调理,调理后的电压信号进行特征提取,得到特征数据;
定义异常信号;
对特征数据进行异常检测及异常信号报警,并将异常信号传输至远程监控诊断模块;
对异常信号进行故障综合分析及诊断,输出故障诊断结果。
进一步的,对异常信号进行故障综合分析及诊断具体包括以下步骤:
采集各类机器人的历史故障案例数据;
对各类型机器人运行机理及故障机理原因的理论分析及建模;
利用BP神经网络搭建模型。
进一步的,利用BP神经网络搭建模型具体包括以下步骤:
初始化各个网络节点的权值和阈值,建立网络;
加入数据样本,计算输出向量;
计算反向传播输出误差,并通过误差最小化方法修正各个点的权值和阈值;
计算权值修正后的输出的误差平方和,判断其是否满足期望,若满足,则结束训练,若不满足,则继续加入样本重新训练。
进一步的,对异常信号进行故障综合分析及诊断具体还包括以下步骤;
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,其中,主特征成分为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。
本发明的有益效果:
本发明公开的一种工业机器人运行状态监测预警系统及方法,通过采集机器人各类型历史故障数据,建立数学模型,从而实时监测机器人运行过程中的状态,当机器人运行过程中出现异常数据通过安装在各关键部位的数据采集控制器上传到远程监控诊断模块,从而对异常数据进行诊断分析最终实现机器人故障预警,并通过对异常数据的分析得出故障原因,方便机器人的运维及保养。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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为本发明实施例中一种工业机器人运行状态监测预警系统的整体结构原理图;
图2为本发明实施例中一种工业机器人运行状态监测预警方法的整体步骤流程图;
图3为本发明实施例中步骤S5的具体步骤流程图;
图4为本发明实施例中BP神经网络原理图。
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,都属于本发明保护的范围。
数据采集控制器上传数据可能会因为网络阻塞存在一定延时,因此数据采集控制器必须具备本地数据的存储功能,将特定情况发生点前后一段时间的状态数据全部保存,随后配合本地和远程平台的文件传输操作。
由于由于数据采集控制器同时与机器人、本地平台软件、远程平台软件,因此需要在信息防护、权限管理等方面做相应设计,在本申请实施例中,以高性能微控制器为核心搭建硬件平台,设计多种通讯接口电路,包括有线以太网、RS485接口、Zigbee接口、DTU接口;同时还扩展系统的外部存储器,包括外部SDRAM和SD卡电路,使得系统具备大量数据存储分析功能和文件操作功能。
一种工业机器人运行状态监测预警系统,如图1所示,包括:用户本地平台、数据采集控制器和远程监控诊断模块,其中:
所述远程监控诊断模块具体包括远程通讯模块、数据采集模块、数据存储库和数据诊断分析模块,所述远程通讯模块将所述用户本地平台数据传输至所述数据存储库,所述数据采集模块采集所述数据采集控制器的数据,并将采集到的数据采集控制器的数据传输至数据存储库;
所述数据诊断分析模块通过对历史各型机器人的故障机理进行建模分析,对历史故障信息进行挖掘分析,得出历史故障类型及对应的数据;
所述数据存储库和所述数据诊断分析将数据与服务器交互。
数据采集控制器作为客户端去连接远程监控诊断服务平台,能将身份验证、配置管理、连接管理等工作交由服务器端处理,降低数据采集控制器的系统负荷。
数据采集控制器采用客户端模式,可以杜绝外部网络的非法连接,提高安全性,数据采集控制器采用客户端模式,可以在无有线网络的情况下使用DTU模块连接远程监控诊断服务平台,提高了系统灵活性。
在本申请实施例中,数据采集控制器具体的通讯流程如下:
(1)首先,数据采集控制器向远程监控诊断服务平台发起TCP连接请求,建立连接之后,服务平台向数据采集控制器发送一个随机序列。
(2)数据采集控制器将接收到的随机序列和本地存储的认证密钥(由本地监控平台配置,存储于通讯点表中)组合成一连接串,计算连接串的MD5值并发送给数据中心。
(3)服务平台将接收到的MD5值和本地计算结果相比较,如果一致则验证成功,可以进行下一步操作,否则认为验证失败,断开连接。认证密钥由本地监控平台配置,存储于通讯点表中。服务平台可以通过网络对本地平台的配置进行更新,从而更新数据采集控制器的认证密钥。
(4)身份验证成功之后,服务平台将向数据采集控制器定时发送心跳包数据,保持连接的有效性,数据采集控制器进行应答。超时未应答则认为数据采集控制器掉线,服务平台断开连接。
(5)身份验证成功之后,服务平台可以实时对数据采集控制器进行数据访问,包括读取对应机器人的状态参数、远程调控对应机器人。
(6)数据采集控制器需要定时将机器人状态参数等信息主动上发给服务平台。如果遇到网络故障,心跳包连接断开,数据采集控制器则需要存储需要上发的数据,等待网络恢复正常之后重新上发。身份验证成功之前,数据通讯采用明文通讯。验证成功之后,数据通讯采用AES加密通讯,加密解密密钥即为数据采集控制器本地存储的认证密钥。通讯数据包使用XML格式,以文本形式远传。
进一步的,在本申请的一种优选实施例中,所述远程监控诊断模块基于对现场运行机器人的关键运行数据的识别、报警数据和辅助诊断数据,对机器人进行故障诊断与分析。
进一步的,在本申请的一种优选实施例中,所述工业机器人运行状态监测预警系统还包括无线辅助传感器、视频模块和交换机,所述数据采集模块与无线辅助传感器、数据采集控制器、视频模块和交换机连接并通过无线辅助传感器、数据采集控制器、视频模块采集机器人数据。
进一步的,在本申请的一种优选实施例中,所述无线辅助传感器和所述数据采集控制器安装于机器人各关键部位,用于采集机器人运行数据,对机器人进行调测,并通过交换机将本地和远程的数据进行传输。
进一步的,在本申请的一种优选实施例中,所述远程监控诊断模块通过对历史各型机器人的故障机理进行建模分析,对历史故障信息进行挖掘分析,得出历史故障类型及对应的数据。
进一步的,在本申请的一种优选实施例中,所述数据采集控制器与机器人、用户本地平台和远程监控诊断模块连接,所述数据采集控制器包括权限管理单元,所述权限管理单元限制所述数据采集控制器的数据访问来客。
由于数据采集控制器同时与机器人、本地平台软件、远程平台软件,因此需要在信息防护、权限管理等方面做相应设计。为此,我们以高性能微控制器为核心搭建硬件平台,设计多种通讯接口电路,包括有线以太网、RS485接口、Zigbee接口、DTU接口;同时还扩展系统的外部存储器,包括外部SDRAM和SD卡电路,使得系统具备大量数据存储分析功能和文件操作功能。
一种工业机器人运行状态监测预警方法,应用于前述的一种工业机器人运行状态监测预警系统,如图2所示,包括以下步骤:
步骤S1、采集机器人的各关键部位的数据信息;
步骤S2、将数据信息转换为电压信号,并对电压进行调理,调理后的电压信号进行特征提取,得到特征数据;
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。
步骤S3、定义异常信号;
步骤S4、对特征数据进行异常检测及异常信号报警,并将异常信号传输至远程监控诊断模块;
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。
步骤S5、对异常信号进行故障综合分析及诊断,输出故障诊断结果。
进一步的,在本申请的一种优选实施例中,如图3所示,步骤S5中的对异常信号进行故障综合分析及诊断具体包括以下步骤:
步骤S501、采集各类机器人的历史故障案例数据;
步骤S502、对各类型机器人运行机理及故障机理原因的理论分析及建模;
步骤S503、利用BP神经网络搭建模型。
进一步的,在本申请的一种优选实施例中,步骤S503中利用BP神经网络搭建模型具体包括以下步骤:
步骤S5031、初始化各个网络节点的权值和阈值,建立网络;
步骤S5032、加入数据样本,计算输出向量;
步骤S5033、计算反向传播输出误差,并通过误差最小化方法修正各个点的权值和阈值;
步骤S5034、计算权值修正后的输出的误差平方和,判断其是否满足期望,若满足,则结束训练,若不满足,则继续加入样本重新训练。
进一步的,在本申请的另一种优选实施例中,对异常信号进行故障综合分析及诊断具体还包括以下步骤;
步骤S510、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;
步骤S520、根据故障类型,将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,其中,主特征成分为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;
步骤S530、将多个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。
提取出所述异常数据中的主特征成分之后,将主特征成分实时存入数据存储库中。
基于现场运行机器人的关键运行数据监测、报警数据、辅助诊断数据,在对机器人故障机理、诊断建模理论方法明确的前提下,远程监控中心需要为机器人的生产商和客户企业提供在线诊断技术服务。故障诊断关键技术包括:各型机器人的故障机理建模分析技术;故障分析辅助信息实时采集技术;基于故障历史信息的数据挖掘分析技术;故障报警分析软件技术。
在本申请实施例中,远程故障诊断分析分为手动故障分析和自动故障分析。手动故障分析由服务工程师通过Web数据发布软件查看故障信息和机器人运行数据,手动确定故障类型,并确定故障解决方法。自动故障分析则由系统自动完成,根据数据采集控制器上报的机器人故障现象,结合历史数据,以及数据库中存储的系统故障案例信息,运用故障树分析法进行故障诊断。
故障树分析法(FaultTreeAnalysis),简称为FTA法,是一种常用的图形演绎方法。FTA法的运用包括三个步骤:首先,通过对可能造成系统故障的各种因素进行分析,根据逻辑关系形成相应的故障树。然后对系统中发生的故障事件按照故障树的结构进行遍历,由总体至部分逐次细化分析。最后,查明相关故障的原因,并计算出各种类型故障可能发生的概率,评价各种影响因素的重要性。结合FTA法的特点,我们可知FTA法既能够用来对故障分析进行定性分析,也可以进行定量分析。
FTA法实施过程中,最为重要的一点就是建立合理准确的故障树。一般将故障树的顶点标记为系统的故障现象,在顶点下面列出可能导致故障发生的直接原因,如果还需要分析导致这些故障更深层因素,则把该故障作为新的顶点,继续深入发掘故障原因,最终探明所有可能引起故障的原因,形成最终的故障状态树。
根据以上分析,我们可以将一个完整的故障树分成三个部分:顶事件、中间事件和基本事件。顶事件为系统故障现象,中间事件为可能的故障方面,基本事件则是故障发生的可能的根本故障原因。
当一个或多个底事件同时发生时,会引起相应顶事件的发生,我们则将一个或多个事件的集合称之为割集。将导致系统故障发生最小的集合我们称之为最小割集。一个最小割集是包含了最小数量而又必须的底事件的集合。使用最小割集,我们可以有效地描述导致机器人故障的基本原因。
依靠对最小割集的分析,我们可以找出工业机器人系统的薄弱环节并加以改进,从而提高稳定性。
远程监控诊断模块还包含故障提醒功能,Web服务器将自动或手动诊断的故障信息第一时间通过GSM/GPRS通讯模块发送给现场的维护工程师,及时帮助解决问题。
远程监控诊断模块包括实时预警报警和故障预测预警,对于实时预警报警模块,其功能实现原理与4.4章节中介绍的本地平台软件的预警和报警模块的设计方案类似:在主动查询解析数据采集控制器的状态数据并发现异常时,或数据采集控制器主动上报预警报警时,迅速发出预警和报警信息。
故障预测预警则是为了解决对现场机器人潜在故障的提前预判。机器人的一些常规故障发生前,其内部运行参数往往发生了重要的变化。故障预测时,非关键数据可能影响故障预测的准确性,因此需要建立相关的数据模型,提高故障预测准确率。
举例说明,工业机器人的齿轮箱问题(如齿轮打齿、轴关节磨损等)是机器人维护和故障修理时面临的一个主要问题。当齿轮箱问题开始突出显现时,对机器人其他部件都会有所损耗。因此在齿轮箱开始出现较为明显的问题之前,我们就应当更换相关零部件或者做其他维护,以避免后期造成更大损失。齿轮箱刚开始出现问题时,常常会伴随着机械轴的振动加剧、焊接点定位精度下降等现象。因此,在对机器人振动和倾角偏差的数据分析基础上,我们可以做出可能的齿轮箱故障预警。
在本申请实施例中,通过BP神经网络进行搭建模型,BP(Back Propagation)神经网络是目前最常用的前馈神经网络。BP神经网络并不需要了解输入输出模型的数学方程,而是通过大量的输入输出数据的变化来不断调整优化网络各个节点的权值参数,从而完善自身网络。BP网络的最常用的学习规则是最速下降法,通过反向传播来不断调整网络各节点的权值和阈值,使网络输出与期望输出的误差平方和最小。
如图4所示,BP网络学习的基本思想为:信号X从输入层输入,经过隐层,在输出层产生输出信号Y,若Y与期望输出T偏差较大,则计算误差,进入反向传播训练阶段。误差的反向传播将误差从隐层向输入层逐层传播,按照既定的学习算法分摊到所有隐层的神经元上,调整各层神经元的连接权值和输出阈值,将新输出与期望输出比较。反复地循环操作,直到输出信号与期望输出的误差减小到目标误差范围内,才停止训练,得到最终的BP网络。之后再输入其他信息时,得到输出信息能保证误差最小。
本申请实施例中,BP网络包括输入层、一个隐层、输出层。输入层用来接收外部的输入数据。输入层节点数为传感器数量,本系统中即为2,
分别是无线辅助传感器采集的机器人底座振动量、机器人各个轴控制精度差(输入的控制角度与实际角度之差)。网络的输出节点数量为1,是齿轮箱故障发生概率。而隐层节点数的确定则依据经验公式:
其中,x表示隐层节点数目,n表示输入层节点数目,m表示输出层节点数目,a是常数,范围从1到10,表示隐层节点调整因子。经过不断调试,我们最终确定隐层节点数目为5。
BP网络训练样包含来自两个方面的数据:实时预警报警的数据和故障诊断的数据。当发生齿轮箱的实时预警报警时,或发生故障后我们进行手动或自动诊断判定为齿轮箱故障时,我们将数据作为一个样本放入网络进行训练;此外,当发生其他与机器人振动和各个轴控制精度相关的非齿轮箱故障预警和报警时,我们也将数据放入网络进行训练。
本系统中,BP网络模块的训练步骤如下:
(1)初始化各个网络各节点的权值和阈值(一般为从-1到+1的随机数),建立网络。
(2)加入数据样本,计算输出向量。
(3)计算反向传播输出误差,并通过误差最小化方法修正各个点权值和阈值。
(4)计算权值修正后的输出的误差平方和,判断其是否满足期望,若满足,则结束训练;若不满足,则继续加入样本,重新训练。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,read-onlymemory)、随机存取存储器(RAM,randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种工业机器人运行状态监测预警系统,其特征在于,包括:用户本地平台、数据采集控制器和远程监控诊断模块,其中:
所述远程监控诊断模块具体包括远程通讯模块、数据采集模块、数据存储库和数据诊断分析模块,所述远程通讯模块将所述用户本地平台数据传输至所述数据存储库,所述数据采集模块采集所述数据采集控制器的数据,并将采集到的数据采集控制器的数据传输至数据存储库;
所述数据诊断分析模块通过对历史各型机器人的故障机理进行建模分析,对历史故障信息进行挖掘分析,得出历史故障类型及对应的数据;
所述数据存储库和所述数据诊断分析将数据与服务器交互。
2.根据权利要求1所述的一种工业机器人运行状态监测预警系统,其特征在于,所述远程监控诊断模块基于对现场运行机器人的关键运行数据的识别、报警数据和辅助诊断数据,对机器人进行故障诊断与分析。
3.根据权利要求1所述的一种工业机器人运行状态监测预警系统,其特征在于,所述工业机器人运行状态监测预警系统还包括无线辅助传感器、视频模块和交换机,所述数据采集模块与无线辅助传感器、数据采集控制器、视频模块和交换机连接并通过无线辅助传感器、数据采集控制器、视频模块采集机器人数据。
4.根据权利要求3所述的一种工业机器人运行状态监测预警系统,其特征在于,所述无线辅助传感器和所述数据采集控制器安装于机器人各关键部位,用于采集机器人运行数据,对机器人进行调测,并通过交换机将本地和远程的数据进行传输。
5.根据权利要求1所述的一种工业机器人运行状态监测预警系统,其特征在于,所述远程监控诊断模块通过对历史各型机器人的故障机理进行建模分析,对历史故障信息进行挖掘分析,得出历史故障类型及对应的数据。
6.根据权利要求1所述的一种工业机器人运行状态监测预警系统,其特征在于,所述数据采集控制器与机器人、用户本地平台和远程监控诊断模块连接,所述数据采集控制器包括权限管理单元,所述权限管理单元限制所述数据采集控制器的数据访问来客。
7.一种工业机器人运行状态监测预警方法,其特征在于,应用于权利要求1至6任一项所述的一种工业机器人运行状态监测预警系统,包括以下步骤:
采集机器人的各关键部位的数据信息;
将数据信息转换为电压信号,并对电压进行调理,调理后的电压信号进行特征提取,得到特征数据;
定义异常信号;
对特征数据进行异常检测及异常信号报警,并将异常信号传输至远程监控诊断模块;
对异常信号进行故障综合分析及诊断,输出故障诊断结果。
8.根据权利要求7所述的一种工业机器人运行状态监测预警方法,其特征在于,对异常信号进行故障综合分析及诊断具体包括以下步骤:
采集各类机器人的历史故障案例数据;
对各类型机器人运行机理及故障机理原因的理论分析及建模;
利用BP神经网络搭建模型。
9.根据权利要求8所述的一种工业机器人运行状态监测预警方法,其特征在于,利用BP神经网络搭建模型具体包括以下步骤:
初始化各个网络节点的权值和阈值,建立网络;
加入数据样本,计算输出向量;
计算反向传播输出误差,并通过误差最小化方法修正各个点的权值和阈值;
计算权值修正后的输出的误差平方和,判断其是否满足期望,若满足,则结束训练,若不满足,则继续加入样本重新训练。
10.根据权利要求7所述的一种工业机器人运行状态监测预警方法,其特征在于,对异常信号进行故障综合分析及诊断具体还包括以下步骤;
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,其中,主特征成分为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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310421575.XA CN116483054A (zh) | 2023-04-19 | 2023-04-19 | 一种工业机器人运行状态监测预警系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310421575.XA CN116483054A (zh) | 2023-04-19 | 2023-04-19 | 一种工业机器人运行状态监测预警系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116483054A true CN116483054A (zh) | 2023-07-25 |
Family
ID=87220733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310421575.XA Pending CN116483054A (zh) | 2023-04-19 | 2023-04-19 | 一种工业机器人运行状态监测预警系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116483054A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116708519A (zh) * | 2023-08-09 | 2023-09-05 | 深圳市金石三维打印科技有限公司 | 用于3d打印机的远程通信数据处理方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101241359A (zh) * | 2007-02-06 | 2008-08-13 | Abb研究有限公司 | 用来监视工业机器人的状况的方法和控制系统 |
CN107422718A (zh) * | 2017-05-09 | 2017-12-01 | 北京航空航天大学 | 一种工业机器人故障诊断方法 |
CN109514560A (zh) * | 2018-12-25 | 2019-03-26 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 工业机器人故障监控系统、方法以及装置 |
US20190392644A1 (en) * | 2018-06-26 | 2019-12-26 | Fanuc America Corporation | Automatic dynamic diagnosis guide with augmented reality |
CN111522329A (zh) * | 2020-05-08 | 2020-08-11 | 扬州工业职业技术学院 | 一种工业机器人故障诊断方法 |
KR20200099863A (ko) * | 2019-02-15 | 2020-08-25 | 주식회사 크레스프리 | 대상물의 분석 방법 |
CN115437358A (zh) * | 2022-10-27 | 2022-12-06 | 中国人民解放军陆军装甲兵学院 | 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 |
-
2023
- 2023-04-19 CN CN202310421575.XA patent/CN116483054A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101241359A (zh) * | 2007-02-06 | 2008-08-13 | Abb研究有限公司 | 用来监视工业机器人的状况的方法和控制系统 |
CN107422718A (zh) * | 2017-05-09 | 2017-12-01 | 北京航空航天大学 | 一种工业机器人故障诊断方法 |
US20190392644A1 (en) * | 2018-06-26 | 2019-12-26 | Fanuc America Corporation | Automatic dynamic diagnosis guide with augmented reality |
CN109514560A (zh) * | 2018-12-25 | 2019-03-26 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 工业机器人故障监控系统、方法以及装置 |
KR20200099863A (ko) * | 2019-02-15 | 2020-08-25 | 주식회사 크레스프리 | 대상물의 분석 방법 |
CN111522329A (zh) * | 2020-05-08 | 2020-08-11 | 扬州工业职业技术学院 | 一种工业机器人故障诊断方法 |
CN115437358A (zh) * | 2022-10-27 | 2022-12-06 | 中国人民解放军陆军装甲兵学院 | 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 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116708519A (zh) * | 2023-08-09 | 2023-09-05 | 深圳市金石三维打印科技有限公司 | 用于3d打印机的远程通信数据处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6423546B2 (ja) | 高度なデータクレンジングシステムおよび方法 | |
US8099672B2 (en) | System and method for continuous online safety and reliability monitoring | |
RU2724716C1 (ru) | Система и способ формирования данных для мониторинга кибер-физической системы с целью раннего определения аномалий в системе графического интерфейса пользователя | |
JP2009053938A (ja) | 複数モデルに基づく設備診断システム及びその設備診断方法 | |
RU2724075C1 (ru) | Система и способ определения источника аномалии в кибер-физической системе, обладающей определенными характеристиками | |
KR20160017681A (ko) | 풍력플랜트 관리 시스템 및 그 방법 | |
KR20160073945A (ko) | 풍력플랜트 관리 시스템 및 그 방법 | |
KR20180108446A (ko) | Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법 | |
CN110764474B (zh) | 监测设备运行状态的方法和系统 | |
EP3553044A1 (en) | System and method of remote object monitoring | |
KR20190021560A (ko) | 빅데이터를 활용한 고장예지보전시스템 및 고장예지보전방법 | |
Groba et al. | Architecture of a predictive maintenance framework | |
CN116483054A (zh) | 一种工业机器人运行状态监测预警系统及方法 | |
EP3674946B1 (en) | System and method for detecting anomalies in cyber-physical system with determined characteristics | |
WO2019226846A1 (en) | Competency gap identification of an operators response to various process control and maintenance conditions | |
KR20180114255A (ko) | 헬리콥터 엔진의 정비 추천 시스템 | |
Devaney et al. | Case-Based Reasoning for Gas Turbine Diagnostics. | |
US11339763B2 (en) | Method for windmill farm monitoring | |
US11966217B2 (en) | Faulty variable identification technique for data-driven fault detection within a process plant | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
US11334061B2 (en) | Method to detect skill gap of operators making frequent inadvertent changes to the process variables | |
US10699556B1 (en) | System and method for plant operation gap analysis and guidance solution | |
CN111837082B (zh) | 利用近实时条件的超声流量计预诊 | |
RU2790331C1 (ru) | Способ определения аномалии в киберфизической системе | |
Pandit et al. | A comprehensive review on enhancing wind turbine applications with advanced SCADA data analytics and practical insights |
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 |