CN116533253A - 一种基于反馈电流频谱分析的工业机器人故障诊断方法 - Google Patents
一种基于反馈电流频谱分析的工业机器人故障诊断方法 Download PDFInfo
- Publication number
- CN116533253A CN116533253A CN202310805522.8A CN202310805522A CN116533253A CN 116533253 A CN116533253 A CN 116533253A CN 202310805522 A CN202310805522 A CN 202310805522A CN 116533253 A CN116533253 A CN 116533253A
- Authority
- CN
- China
- Prior art keywords
- signal
- feedback current
- plateau
- current
- spectrogram
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000003745 diagnosis Methods 0.000 title claims abstract description 21
- 238000010183 spectrum analysis Methods 0.000 title claims abstract description 21
- 230000001133 acceleration Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 7
- 238000009795 derivation Methods 0.000 claims description 5
- 239000003550 marker Substances 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
-
- 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)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Manipulator (AREA)
Abstract
本发明涉及机器人故障诊断方法领域，公开了一种基于反馈电流频谱分析的工业机器人故障诊断方法，包括如下步骤：S1：获取机器人运行的数据信号；S2：提取数据信号中反馈电流信号的平稳段信号，记为平稳段电流信号IP；S3：将平稳段电流信号IP转换得到反馈电流频谱图；S4：将反馈电流频谱图与基准反馈电流频谱图比较，判别机器人状况。平稳段电流信号IP由于不受非平稳段信号干扰，其后续转换得到的反馈电流频谱图中的特征明显，易于观察比较，将反馈电流频谱图与基准反馈电流频谱图比较，通过两者之间的差异，即可准确判断机器人的工作状况。
Description
技术领域
本发明涉及机器人故障诊断方法领域，特别涉及一种基于反馈电流频谱分析的工业机器人故障诊断方法。
背景技术
故障预测与诊断是指通过检测机械设备在相对静止条件下或运行中的状态信息，对测量信号进行处理和分析，结合已知的结构特性和参数以及诊断对象的历史状况，定量地识别机械设备及其零部件的实时状况，在设备没有发生故障之前，对其运行状况进行预报，并预知有关异常或故障。
机器人应用领域广泛，所涉及的作业任务也复杂多样，导致其往往是工作在复杂多变的工况环境下。变化的工况如作业类型、运行速度、负载等信息会耦合在机器人的运行状态参数中，掩盖其真实的性能状态和变化规律。传统的机器人健康度评估方法没有考虑机器人的运行工况数据，无法准确反映机器人自身的真实健康状态，因此得到的评估结果与实际情况相差较大。
电流信号中存在丰富的工作频率信息，在频谱分析中工作频率信息的峰值远大于工业机器人自身故障带来的扰动频率，因此需要寻找一种有效的方法去除工作频率的干扰，同时保留工业机器人自身故障带来的频率成分。
快速傅里叶变换在振动信号的故障诊断中应用非常广泛，但在以电流数据的频谱分析效果不佳，其原因在于快速傅里叶变换方法仅仅适用于平稳信号，而工业机器人中运行数据的电流信号往往是非平稳信号。机器人在运行过程中每一个动作都有急加速与急减速阶段，非平稳特征更加显著，因此限制了基于电流信号的快速傅里叶变换方法在工业机器人故障诊断中的应用。
工业机器人运行数据为非平稳信号，存在急加速急减速阶段，直接对整段信号进行频谱分析，难以提取有效特征。因此，将运行数据的非平稳信号切分为平稳段信号与非平稳段信号，然后针对平稳段信号进行快速傅里叶变换。
发明内容
本发明旨在解决上述问题而提供一种基于反馈电流频谱分析的工业机器人故障诊断方法，解决现有诊断方法无法有效对电流信号进行频谱分析的问题，不能通过频谱分析有效判断机器人是否存在故障，且现有技术通过振动传感器设备采集振动信号然后进行分析，导致价格高昂的问题。
为达此目的，本发明采用以下技术方案：
一种基于反馈电流频谱分析的工业机器人故障诊断方法，包括如下步骤：
S1：获取机器人运行的数据信号；
S2：提取数据信号中反馈电流信号的平稳段信号，记为平稳段电流信号IP；
S3：将平稳段电流信号IP转换得到反馈电流频谱图；
S4：将反馈电流频谱图与基准反馈电流频谱图比较，判别机器人状况。
优选的，所述步骤S2中提取平稳段电流信号IP的步骤如下：
S21：将反馈电流信号分为若干标志位信号I；
S22：计算相邻两标志位信号I之间的差分绝对值；
S23：根据差分绝对值从若干标志位信号I中筛选出若干平稳段标志位信号XP；
S24：将若干平稳段标志位信号XP整合并保存，得到平稳段电流信号IP。
优选的，所述步骤S2还包括对得到平稳段电流信号IP进行验证比对的步骤：
S25：提取数据信号中指令位置信号的平稳段信号，记为平稳段位置信号WP；
S26：将平稳段位置信号WP转化为对应的平稳段电流信号WP-IP；
S27：将平稳段电流信号WP-IP与平稳段电流信号IP验证比对。
优选的，所述步骤S25中提取数据信号中指令位置信号的平稳段信号包括如下步骤：
S251：将指令位置信号分为若干标志位信号W；
S252：对所有标志位信号W一一进行求导，得到若干指令速度信号；
S253：对所有标志位信号W一一进行二次求导，得到若干指令加速度信号；
S254：筛选出指令速度信号为0，指令加速度信号不为0的标志位信号W，记为平稳段标志位信号RP；
S255：将筛选得到的平稳段标志位信号RP整合，得到平稳段位置信号WP。
优选的，所述步骤S3中，将平稳段电流信号IP转换得到反馈电流频谱图前，对平稳段电流信号IP进行稳态数据验算。
优选的，平稳段电流信号IP的稳态数据验算包括如下步骤：
S31：设定参数值；
S32：从平稳段电流信号IP中随机选取10个平稳段标志位信号XP；
S33：分别计算所选取的10个平稳段标志位信号XP的平均值和标准差；
S34：参数值与平均值两者的乘积与标准差相比较，判断平稳段电流信号IP是否为稳态数据。
优选的，所述步骤S3中，平稳段电流信号IP通过傅里叶变换得到反馈电流频谱图。
优选的，将反馈电流频谱图中的频率特征值与基准反馈电流频谱图中的频率特征值比较，判断机器人工作状况。
本发明的贡献在于：克服了反馈电流信号不能有效进行频谱分析并诊断机器人故障的问题，通过截取反馈电流信号的平稳段信号得到平稳段电流信号，平稳段电流信号由于不受非平稳段信号干扰，其后续转换得到的反馈电流频谱图中的特征明显，易于观察比较，将反馈电流频谱图与基准反馈电流频谱图比较，通过两者之间的差异，即可准确判断机器人的工作状况，本发明相较于传统的振动传感器采集信号进行分析的方法来说诊断成本也大大降低，适合工业使用。
附图说明
图1是本发明机器人工业机器人故障诊断方法的流程示意图；
图2是本发明平稳段电流信号IP与平稳段电流信号WP-IP之间的关系示意图。
图3是本发明机器人正常状况下提取的反馈电流信号进行快速傅里叶变换计算后的频谱图；
图4是本发明机器人正常状况下提取的平稳段电流信号IP进行快速傅里叶变换计算后的频谱图；
图5是本发明机器人异常状况下提取的反馈电流信号进行快速傅里叶变换计算后的频谱图；
图6是本发明机器人异常状况下提取的平稳段电流信号IP进行快速傅里叶变换计算后的频谱图；
具体实施方式
下列实施例是对本发明的进一步解释和补充，对本发明不构成任何限制。
如图1所示，一种基于反馈电流频谱分析的工业机器人故障诊断方法，包括如下步骤：
S1：获取机器人运行的数据信号；
S2：提取数据信号中反馈电流信号的平稳段信号，记为平稳段电流信号IP；
S3：将平稳段电流信号IP转换得到反馈电流频谱图；
S4：将反馈电流频谱图与基准反馈电流频谱图比较，判别机器人状况。
通过脚本采集机器人运行过程中的数据信号，数据信号由多种信号组成，比如：指令位置信号、反馈位置信号、反馈电流信号等。
从数据信号中提取反馈电流信号，反馈电流信号由平稳段信号和非平稳段信号构成，截取平稳段信号，将其记为平稳段电流信号IP。
平稳段电流信号IP由于不受非平稳段信号干扰，其后续转换得到的反馈电流频谱图中的特征明显，易于观察比较，将反馈电流频谱图与基准反馈电流频谱图比较，通过比较两者之间的差异，即可准确判断机器人的工作状况。
所述步骤S2中提取平稳段电流信号IP的步骤如下：
S21：将反馈电流信号分为若干标志位信号I；
S22：计算相邻两标志位信号I之间的差分绝对值；
S23：根据差分绝对值从若干标志位信号I中筛选出若干平稳段标志位信号XP；
S24：将若干平稳段标志位信号XP整合并保存，得到平稳段电流信号IP。
反馈电流信号可以看做由若干个标志位信号I组成，首先设置一个阈值，阈值用于筛选出符合要求的标志位信号I，将符合要求的标志位信号I记为平稳段标志位信号XP,具体的，将所有相邻的标志位信号I之间均进行差分绝对值计算，可以得到若干组的差分绝对值，将所得到的若干差分绝对值进行编号，当编号连续的5组差分绝对值均小于阈值，则这5组差分绝对值所涉及的标志位信号I均记为平稳段标志位信号XP，筛选出符合要求的所有平稳段标志位信号XP，将所有平稳段标志位信号XP进行整合并保存，得到平稳段电流信号IP。
如图2所示，所述步骤S2还包括对得到平稳段电流信号IP进行验证比对的步骤：
S25：提取数据信号中指令位置信号的平稳段信号，记为平稳段位置信号WP；
S26：将平稳段位置信号WP转化为对应的平稳段电流信号WP-IP；
S27：将平稳段电流信号WP-IP与平稳段电流信号IP验证比对。
为了进一步的确保所截取的平稳段电流信号IP的准确性，本实施例中采用数据信号中的指令位置信号进行验证比对，当然此处也可以采用指令力矩信号、反馈力矩信号等数据信号进行验证。
具体的，首先从数据信号中将指令位置信号提取出来，同样的，指令位置信号也是由平稳段信号和非平稳段信号构成，截取指令位置信号中的平稳段信号，将其记为平稳段位置信号WP。
平稳段位置信号WP可对应的转换为平稳段电流信号WP-IP，再将通过平稳段位置信号WP转换所得的平稳段电流信号WP-IP与平稳段电流信号IP相比对，验证两者之间是否相同，若相同，则将平稳段电流信号IP进行后续稳态数据验算，若不相同，则重新截取平稳段电流信号IP。
所述步骤S25中提取数据信号中指令位置信号的平稳段信号包括如下步骤：
S251：将指令位置信号分为若干标志位信号W；
S252：对所有标志位信号W一一进行求导，得到若干指令速度信号；
S253：对所有标志位信号W一一进行二次求导，得到若干指令加速度信号；
S254：筛选出指令速度信号为0，指令加速度信号不为0的标志位信号W，记为平稳段标志位信号RP；
S255：将筛选得到的平稳段标志位信号RP整合，得到平稳段位置信号WP。
指令位置信号可分为若干的标志位信号W，通过对若干的标志位信号W分别进行一次求导和二次求导，可得到对应的指令速度信号和指令加速度信号，通过筛选指令速度为0，指令加速度不为0的标志位信号W，记为平稳段标志位信号RP,并将所筛选的平稳段标志位信号RP整合，可得到平稳段位置信号WP。
所述步骤S3中，将平稳段电流信号IP转换得到反馈电流频谱图前，对平稳段电流信号IP进行稳态数据验算。
对平稳段电流信号IP进行稳态数据验算，能够进一步的确保平稳段电流信号IP的稳定性，确保后续将平稳段电流信号IP转换为反馈电流频谱图时的频率特征明显。
平稳段电流信号IP的稳态数据验算包括如下步骤：
S31：设定参数值；
S32：从平稳段电流信号IP中随机选取10个平稳段标志位信号XP；
S33：分别计算所选取的10个平稳段标志位信号XP的平均值和标准差；
S34：参数值与平均值两者的乘积与标准差相比较，判断平稳段电流信号IP是否为稳态数据。
通过从平稳段电流信号IP中随机选取10个平稳段标志位信号XP，通过所选取的10个平稳段标志位信号XP计算对应的平均值和标准差，再通过平均值、标准差和参数值三者之间的关系判断稳态相关性。
为进一步确保平稳段电流信号IP的稳态性，也可以分多次进行检验，具体的，随机选取20组数据，每组数据中均包含10个平稳段标志位信号XP，分别计算20组数据中平稳段标志位信号XP的平均值和标准差，将20组平均值和标准差分别与参数值结合判断，若出现3组以上的参数值与平均值两者的乘积小于标准差，则说明平稳段电流信号IP不稳定，需重新截取平稳段电流信号IP，反之则为稳态平稳段电流信号IP。
所述步骤S3中，平稳段电流信号IP通过傅里叶变换得到反馈电流频谱图。
平稳段电流信号IP通过傅里叶变换转换所得的反馈电流频谱图由于没有受到非平稳段信号的干扰，得到的反馈电流频谱图的频率特征值明显，便于判别异常。
将反馈电流频谱图中的频率特征值与基准反馈电流频谱图中的频率特征值比较，判断机器人工作状况。
举例说明：
图3：对正常机器的反馈电流信号（包含平稳段信号和非平稳段信号）进行快速傅里叶变换计算，在频谱图中仅能看到0.976Hz处有较大的特征频率，其他频率点的特征值则不明显。
图4：对正常机器的反馈电流信号选取平稳段电流信号IP进行快速傅里叶变换计算，在频谱图中能看到27.83 Hz、50.78Hz、55.18Hz、100.6Hz处均有较大的频率特征值。
图5：对故障机器的反馈电流信号（包含平稳段信号和非平稳段信号）进行快速傅里叶变换计算，在频谱图中仅能看到0.976Hz处有较大的特征频率，其他频率点的特征值则不明显，此处的频谱图几乎与图3的频谱图完全一致，无法辨识机器是否异常。
图6：对故障机器的反馈电流信号选取平稳段电流信号IP进行快速傅里叶变换计算，在频谱图中能看到27.83 Hz、50.78Hz、55.18Hz、100.6Hz处均有较大的频率特征值变化，4个特征频率对应的幅值均有所增加或减小，尤其是100.6Hz处的幅值增加更大，幅值从31.06脉冲数增加到47.85脉冲数。
综上，若不对反馈电流信号进行筛选，则机器人正常工作频谱图和机器人异常工作频谱图都差不多（即图3和图5之间比较差距不大），通过频谱图无法判别机器人是否出现异常，若截取平稳段电流信号IP，通过将平稳段电流信号IP反馈至频谱图中，则能够清晰的反应出特征值的变化情况，从而准确判别机器人的工作状况（图4和图6之间比较）。
尽管通过以上实施例对本发明进行了揭示，但本发明的保护范围并不局限于此，在不偏离本发明构思的条件下，对以上各构件所做的变形、替换等均将落入本发明的权利要求范围内。
Claims (8)
1.一种基于反馈电流频谱分析的工业机器人故障诊断方法，其特征在于，包括如下步骤：
S1：获取机器人运行的数据信号；
S2：提取数据信号中反馈电流信号的平稳段信号，记为平稳段电流信号IP；
S3：将平稳段电流信号IP转换得到反馈电流频谱图；
S4：将反馈电流频谱图与基准反馈电流频谱图比较，判别机器人状况。
2.根据权利要求1所述的一种基于反馈电流频谱分析的工业机器人故障诊断方法，其特征在于：所述步骤S2中提取平稳段电流信号IP的步骤如下：
S21：将反馈电流信号分为若干标志位信号I；
S22：计算相邻两标志位信号I之间的差分绝对值；
S23：根据差分绝对值从若干标志位信号I中筛选出若干平稳段标志位信号XP；
S24：将若干平稳段标志位信号XP整合并保存，得到平稳段电流信号IP。
3.根据权利要求2所述的一种基于反馈电流频谱分析的工业机器人故障诊断方法，其特征在于：所述步骤S2还包括对得到平稳段电流信号IP进行验证比对的步骤：
S25：提取数据信号中指令位置信号的平稳段信号，记为平稳段位置信号WP；
S26：将平稳段位置信号WP转化为对应的平稳段电流信号WP-IP；
S27：将平稳段电流信号WP-IP与平稳段电流信号IP验证比对。
4.根据权利要求3所述的一种基于反馈电流频谱分析的工业机器人故障诊断方法，其特征在于：所述步骤S25中提取数据信号中指令位置信号的平稳段信号包括如下步骤：
S251：将指令位置信号分为若干标志位信号W；
S252：对所有标志位信号W一一进行求导，得到若干指令速度信号；
S253：对所有标志位信号W一一进行二次求导，得到若干指令加速度信号；
S254：筛选出指令速度信号为0，指令加速度信号不为0的标志位信号W，记为平稳段标志位信号RP；
S255：将筛选得到的平稳段标志位信号RP整合，得到平稳段位置信号WP。
5.根据权利要求1所述的一种基于反馈电流频谱分析的工业机器人故障诊断方法，其特征在于：所述步骤S3中，将平稳段电流信号IP转换得到反馈电流频谱图前，对平稳段电流信号IP进行稳态数据验算。
6.根据权利要求5所述的一种基于反馈电流频谱分析的工业机器人故障诊断方法，其特征在于：平稳段电流信号IP的稳态数据验算包括如下步骤：
S31：设定参数值；
S32：从平稳段电流信号IP中随机选取10个平稳段标志位信号XP；
S33：分别计算所选取的10个平稳段标志位信号XP的平均值和标准差；
S34：参数值与平均值两者的乘积与标准差相比较，判断平稳段电流信号IP是否为稳态数据。
7.根据权利要求6所述的一种基于反馈电流频谱分析的工业机器人故障诊断方法，其特征在于：所述步骤S3中，平稳段电流信号IP通过傅里叶变换得到反馈电流频谱图。
8.根据权利要求7所述的一种基于反馈电流频谱分析的工业机器人故障诊断方法，其特征在于：将反馈电流频谱图中的频率特征值与基准反馈电流频谱图中的频率特征值比较，判断机器人工作状况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310805522.8A CN116533253B (zh) | 2023-07-03 | 2023-07-03 | 一种基于反馈电流频谱分析的工业机器人故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310805522.8A CN116533253B (zh) | 2023-07-03 | 2023-07-03 | 一种基于反馈电流频谱分析的工业机器人故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116533253A true CN116533253A (zh) | 2023-08-04 |
| CN116533253B CN116533253B (zh) | 2023-09-19 |
Family
ID=87452778
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310805522.8A Active CN116533253B (zh) | 2023-07-03 | 2023-07-03 | 一种基于反馈电流频谱分析的工业机器人故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116533253B (zh) |
Citations (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11123547A (ja) * | 1997-10-22 | 1999-05-11 | Chuo Motor Wheel Co Ltd | アーク溶接定常部の溶接安定性判定方法及び安定性判定装 置 |
| JP2002090267A (ja) * | 2000-09-21 | 2002-03-27 | Mitsui Eng & Shipbuild Co Ltd | 異常診断方法 |
| JP2010197258A (ja) * | 2009-02-26 | 2010-09-09 | Toyota Motor Corp | 部分放電試験装置の検証装置及び部分放電試験装置の検証方法 |
| KR20120017163A (ko) * | 2010-08-18 | 2012-02-28 | 현대중공업 주식회사 | 스폿 용접팁 절삭 이상진단 방법 |
| US20120065781A1 (en) * | 2010-09-15 | 2012-03-15 | Kabushiki Kaisha Yaskawa Denki | Reducer abnormality determination method, abnormality determination device, and robot system |
| US20140201571A1 (en) * | 2005-07-11 | 2014-07-17 | Brooks Automation, Inc. | Intelligent condition monitoring and fault diagnostic system for preventative maintenance |
| WO2016143118A1 (ja) * | 2015-03-12 | 2016-09-15 | 株式会社日立製作所 | 機械診断装置および機械診断方法 |
| US20180169864A1 (en) * | 2015-05-21 | 2018-06-21 | Kastanienbaum GmbH | Method and device for open-loop/closed-loop control of an actuator-driven robot joint |
| US20190099886A1 (en) * | 2017-09-29 | 2019-04-04 | Intel Corporation | Methods and apparatus for monitoring robot health in manufacturing environments |
| CN110712205A (zh) * | 2019-10-11 | 2020-01-21 | 深圳前海达闼云端智能科技有限公司 | 异常监控方法、电子设备及计算机可读存储介质 |
| CN110800207A (zh) * | 2017-06-29 | 2020-02-14 | 三菱电机株式会社 | 电动机诊断装置 |
| US20200116594A1 (en) * | 2018-10-11 | 2020-04-16 | Palo Alto Research Center Incorporated | Motion-insensitive features for condition-based maintenance of factory robots |
| CN111347416A (zh) * | 2018-12-24 | 2020-06-30 | 核动力运行研究所 | 一种无外部传感器的检查机器人碰撞检测方法 |
| CN111906775A (zh) * | 2020-06-08 | 2020-11-10 | 深圳众为兴技术股份有限公司 | 一种机器人碰撞检测方法、装置、存储介质及机器人 |
| 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 |
| KR20210014788A (ko) * | 2019-07-30 | 2021-02-10 | 한국생산기술연구원 | 로봇 관절부 고장진단 방법 및 이를 적용한 로봇 관절부 고장 진단 시스템 |
| US20210122048A1 (en) * | 2018-06-19 | 2021-04-29 | Panasonic Intellectual Property Management Co., Ltd. | Diagnostic system, diagnosing method, and program |
| CN112847438A (zh) * | 2021-01-11 | 2021-05-28 | 东莞理工学院 | 一种机器人微装配用在线检测装置 |
| WO2021166168A1 (ja) * | 2020-02-20 | 2021-08-26 | 三菱電機株式会社 | 電動機の診断装置 |
| CN113405795A (zh) * | 2021-06-22 | 2021-09-17 | 昆明理工大学 | 一种关节rv减速器弱故障识别的方法 |
| WO2021204731A1 (en) * | 2020-04-06 | 2021-10-14 | Universita' Politecnica Delle Marche | Fault diagnostic method and system for a machine driven by an electric motor |
| CN113733164A (zh) * | 2021-11-08 | 2021-12-03 | 佛山华数机器人有限公司 | 一种基于电流检测的工业机器人故障诊断方法 |
| CN114545117A (zh) * | 2022-01-24 | 2022-05-27 | 东华大学 | 基于拟合概率密度函数的工业机器人关节异常检测方法 |
| CN114696641A (zh) * | 2022-04-15 | 2022-07-01 | 浙江艾罗网络能源技术股份有限公司 | 一种逆变器最大输出电流限制电路及方法 |
| CN114734438A (zh) * | 2022-04-02 | 2022-07-12 | 中科新松有限公司 | 一种机器人关节的故障诊断方法及系统 |
| CN114800486A (zh) * | 2022-03-10 | 2022-07-29 | 佛山智能装备技术研究院 | 一种基于统计特征的工业机器人故障诊断方法及系统 |
| CN116097185A (zh) * | 2020-09-15 | 2023-05-09 | 应用材料公司 | 用于表征伺服控制机构的频率响应诊断 |
-
2023
- 2023-07-03 CN CN202310805522.8A patent/CN116533253B/zh active Active
Patent Citations (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11123547A (ja) * | 1997-10-22 | 1999-05-11 | Chuo Motor Wheel Co Ltd | アーク溶接定常部の溶接安定性判定方法及び安定性判定装 置 |
| JP2002090267A (ja) * | 2000-09-21 | 2002-03-27 | Mitsui Eng & Shipbuild Co Ltd | 異常診断方法 |
| US20140201571A1 (en) * | 2005-07-11 | 2014-07-17 | Brooks Automation, Inc. | Intelligent condition monitoring and fault diagnostic system for preventative maintenance |
| JP2010197258A (ja) * | 2009-02-26 | 2010-09-09 | Toyota Motor Corp | 部分放電試験装置の検証装置及び部分放電試験装置の検証方法 |
| KR20120017163A (ko) * | 2010-08-18 | 2012-02-28 | 현대중공업 주식회사 | 스폿 용접팁 절삭 이상진단 방법 |
| US20120065781A1 (en) * | 2010-09-15 | 2012-03-15 | Kabushiki Kaisha Yaskawa Denki | Reducer abnormality determination method, abnormality determination device, and robot system |
| WO2016143118A1 (ja) * | 2015-03-12 | 2016-09-15 | 株式会社日立製作所 | 機械診断装置および機械診断方法 |
| US20180169864A1 (en) * | 2015-05-21 | 2018-06-21 | Kastanienbaum GmbH | Method and device for open-loop/closed-loop control of an actuator-driven robot joint |
| CN110800207A (zh) * | 2017-06-29 | 2020-02-14 | 三菱电机株式会社 | 电动机诊断装置 |
| US20190099886A1 (en) * | 2017-09-29 | 2019-04-04 | Intel Corporation | Methods and apparatus for monitoring robot health in manufacturing environments |
| US20210122048A1 (en) * | 2018-06-19 | 2021-04-29 | Panasonic Intellectual Property Management Co., Ltd. | Diagnostic system, diagnosing method, and program |
| US20200116594A1 (en) * | 2018-10-11 | 2020-04-16 | Palo Alto Research Center Incorporated | Motion-insensitive features for condition-based maintenance of factory robots |
| CN111347416A (zh) * | 2018-12-24 | 2020-06-30 | 核动力运行研究所 | 一种无外部传感器的检查机器人碰撞检测方法 |
| KR20210014788A (ko) * | 2019-07-30 | 2021-02-10 | 한국생산기술연구원 | 로봇 관절부 고장진단 방법 및 이를 적용한 로봇 관절부 고장 진단 시스템 |
| CN110712205A (zh) * | 2019-10-11 | 2020-01-21 | 深圳前海达闼云端智能科技有限公司 | 异常监控方法、电子设备及计算机可读存储介质 |
| WO2021166168A1 (ja) * | 2020-02-20 | 2021-08-26 | 三菱電機株式会社 | 電動機の診断装置 |
| WO2021204731A1 (en) * | 2020-04-06 | 2021-10-14 | Universita' Politecnica Delle Marche | Fault diagnostic method and system for a machine driven by an electric motor |
| CN111906775A (zh) * | 2020-06-08 | 2020-11-10 | 深圳众为兴技术股份有限公司 | 一种机器人碰撞检测方法、装置、存储介质及机器人 |
| 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 |
| CN116097185A (zh) * | 2020-09-15 | 2023-05-09 | 应用材料公司 | 用于表征伺服控制机构的频率响应诊断 |
| CN112847438A (zh) * | 2021-01-11 | 2021-05-28 | 东莞理工学院 | 一种机器人微装配用在线检测装置 |
| CN113405795A (zh) * | 2021-06-22 | 2021-09-17 | 昆明理工大学 | 一种关节rv减速器弱故障识别的方法 |
| CN113733164A (zh) * | 2021-11-08 | 2021-12-03 | 佛山华数机器人有限公司 | 一种基于电流检测的工业机器人故障诊断方法 |
| CN114545117A (zh) * | 2022-01-24 | 2022-05-27 | 东华大学 | 基于拟合概率密度函数的工业机器人关节异常检测方法 |
| CN114800486A (zh) * | 2022-03-10 | 2022-07-29 | 佛山智能装备技术研究院 | 一种基于统计特征的工业机器人故障诊断方法及系统 |
| CN114734438A (zh) * | 2022-04-02 | 2022-07-12 | 中科新松有限公司 | 一种机器人关节的故障诊断方法及系统 |
| CN114696641A (zh) * | 2022-04-15 | 2022-07-01 | 浙江艾罗网络能源技术股份有限公司 | 一种逆变器最大输出电流限制电路及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李振东;李先祥;周星: "基于小波包能量谱的工业机器人智能故障诊断", 机床与液压, no. 023, pages 194 - 198 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116533253B (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6752866B2 (ja) | 刃具状態検査システム及び方法 | |
| CA2098943A1 (en) | System and method for dectecting cutting tool failure | |
| CN102539192B (zh) | 一种基于ica重构的故障预测方法 | |
| Wegerich et al. | Nonparametric modeling of vibration signal features for equipment health monitoring | |
| CN112711850A (zh) | 一种基于大数据的机组在线监测方法 | |
| JP2016200451A (ja) | 信号処理方法、信号処理装置、及び切削加工用異常検出装置 | |
| KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
| JP7166839B2 (ja) | ヘルスモニタリングシステム | |
| CN113376457B (zh) | 一种设备运行状态检测方法、系统、装置、设备和介质 | |
| CN116533253B (zh) | 一种基于反馈电流频谱分析的工业机器人故障诊断方法 | |
| KR102353574B1 (ko) | Cnc 공작기계의 공구 관련 비정상 데이터 탐지 시스템 | |
| Rad et al. | A study on tool wear monitoring using time-frequency transformation techniques | |
| CN113557414A (zh) | 用于设备监测的装置 | |
| JP2020166407A (ja) | モデル生成装置、異常発生予測装置、異常発生予測モデルの生成方法及び異常発生予測方法 | |
| Babu et al. | Predictive analysis of induction motor using current, vibration and acoustic signals | |
| CN115438688A (zh) | 关键设备的故障检测方法、装置、电子设备及存储介质 | |
| D'Emilia et al. | Prediction of the remaining useful life of mechatronic systems, using internal sensors | |
| EP3819608A1 (en) | Detecting rotor anomalies by determining vibration trends during transient speed operation | |
| Reñones et al. | Industrial application of a multitooth tool breakage detection system using spindle motor electrical power consumption | |
| Chu et al. | An effective method for monitoring the vibration data of bearings to diagnose and minimize defects | |
| Omoregbee et al. | Low speed rolling bearing diagnostics using acoustic emission and higher order statistics techniques | |
| CN117672255B (zh) | 基于人工智能和设备运行声音的异常设备识别方法及系统 | |
| Del Val et al. | A SPC strategy for decision making in manufacturing processes | |
| CN114026403A (zh) | 机器状态的声学分析 | |
| Bachir et al. | Application of principal component analysis approach in gas turbine defect diagnosis |
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 |