KR20220152413A - 실시간 로봇 상태 진단 방법 및 이러한 방법을 수행하는 장치 - Google Patents
실시간 로봇 상태 진단 방법 및 이러한 방법을 수행하는 장치 Download PDFInfo
- Publication number
- KR20220152413A KR20220152413A KR1020210058415A KR20210058415A KR20220152413A KR 20220152413 A KR20220152413 A KR 20220152413A KR 1020210058415 A KR1020210058415 A KR 1020210058415A KR 20210058415 A KR20210058415 A KR 20210058415A KR 20220152413 A KR20220152413 A KR 20220152413A
- Authority
- KR
- South Korea
- Prior art keywords
- robot
- data
- diagnostic
- time
- real
- Prior art date
Links
Images
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
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- 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
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
-
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Manipulator (AREA)
Abstract
본 발명은 실시간 로봇 상태 진단 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 실시간 로봇 상태 진단 방법은 실시간 로봇 상태 진단 장치가 진단 기초 데이터를 수신하는 단계, 실시간 로봇 상태 진단 장치가 진단 기초 데이터를 기반으로 진단 데이터를 생성하는 단계, 실시간 로봇 상태 진단 장치가 진단 데이터를 전처리하여 특성값을 결정하는 단계와 실시간 로봇 상태 진단 장치가 특성값을 기반으로 로봇의 상태를 진단하는 단계를 포함할 수 있다.
Description
본 발명은 실시간 로봇 상태 진단 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 로봇의 축에서 발생되는 전류 데이터를 기반으로 실시간으로 로봇 상태를 진단하기 위한 방법 및 이러한 방법을 수행하는 장치에 관한 것이다.
공장 내의 기계 시스템들은 하중이 계속 작용하는 환경에서 마모(wear), 균열 결함(fault), 성능 저하(degradation)로 인한 손상(damage)을 필연적으로 가지게 된다. 공장 내의 기계 시스템들을 제대로 관리하지 못하여 한계 수준을 넘어가게 되면 치명적인 사고나 사용 중단 상태가 발생되고, 막대한 피해와 비용 손실이 발생한다. 이를 막기 위해 기존에는 운용 중 철저한 예방 정비에 의존하며 고가/고안정성 시스템을 운용하고 있다. 하지만 정비가 실제 결함 유무와 관계없이 일정한 주기마다 실시되므로 정상 부품의 불필요한 교체 및 정비 시간 동안의 운용 중단으로 인한 비용 손실을 발생시키는 문제점이 있고, 갑작스런 시스템 고장을 예방하는 데에 한계가 있다.
최근에는 이런 문제점들을 해결하기 위해 기계 시스템의 이상을 조기에 감지하고 고장을 미리 예측하는 고장 예지 및 건전성 관리(PHM, prognostics and health management) 기술들이 연구되고 있다. 고장 예지 및 건전성 관리 기술에는 크게 두가지 방법이 있는데, 첫째로 모델 기반 방법(Model based approach)은 고장이 진행되어 가는 과정을 모델링한 물리적 고장 모델을 기반으로 고장을 진단하고 예지한다. 이 방법은 정확도가 높으며 적은 양의 데이터로도 고장 진단이 가능하고, 모델의 변수를 바꿔줌으로써 다양한 운행 환경에서도 적용 가능하다. 그러나 공정 자동화 기술의 발전으로 인해 시스템 복잡도가 크게 증가하고 고장 메커니즘 파악이 어려워져 모델을 완전히 구현하기 힘들다. 또한 모델링 과정에 해당 분야 전문가의 도움이 필요하여, 모델을 구성하고 유지하는데 많은 비용이 든다. 이러한 요인들로 인해 현재 모델 기반 방법은 적용 분야가 매우 한정적이다.
다음으로 데이터 주도 방법(data driven approach)은 데이터에서 고장과 관련된 중요한 인자를 찾아내어 통계적 방법, 기계학습, 딥러닝 기법으로 시스템의 신뢰성, 건전성 정보를 추론하는 것이다. 이중 기계 학습과 딥러닝 기법은 건전성 인자와 고장 여부의 관계를 학습을 통해 스스로 배움으로써 미래 고장을 예측할 수 있다. 이 방법은 물리적 손상 모델을 구현하기 어려운 다변량, 비선형 시스템에 적용이 가능하지만, 예측 모델의 훈련을 위해서는 많은 데이터가 필요하다.
따라서, 수집된 데이터를 기반으로 보다 정확하게 장치의 실시간 상태를 판단하기 위한 방법에 대한 연구가 필요하다.
본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.
또한, 본 발명은, 로봇에서 발생되는 전류 신호 및 제어 신호를 기반으로 세그먼트 단위의 데이터에 대한 분석을 통해 로봇의 상태를 실시간으로 진단하는 것을 목적으로 한다.
또한, 본 발명은, 공정 진단 및 정밀 진단 과정을 통해 로봇의 상태를 실시간으로 정확하게 진단하는 것을 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 실시예에 따르면, 실시간 로봇 상태 진단 방법은 실시간 로봇 상태 진단 장치가 진단 기초 데이터를 수신하는 단계, 상기 실시간 로봇 상태 진단 장치가 상기 진단 기초 데이터를 기반으로 진단 데이터를 생성하는 단계, 상기 실시간 로봇 상태 진단 장치가 상기 진단 데이터를 전처리하여 특성값을 결정하는 단계와 상기 실시간 로봇 상태 진단 장치가 상기 특성값을 기반으로 로봇의 상태를 진단하는 단계를 포함할 수 있다.
한편, 상기 진단 기초 데이터는 상기 로봇에 의해 전송된 전류 데이터 및 상기 로봇을 제어하는 로봇 제어 장치에 의해 전송된 제어 데이터를 포함하고, 상기 진단 데이터는 상기 전류 데이터 및 상기 제어 데이터의 집합일 수 있다.
또한, 상기 진단 데이터의 데이터 포맷은 세그먼트이고, 상기 세그먼트는 상기 로봇의 1회 동작을 기반으로 생성된 상기 로봇의 복수의 축 각각에 대한 복수의 전류 데이터 및 상기 로봇의 상기 모터의 1회전을 지시하는 제어 데이터를 포함할 수 있다.
본 발명의 다른 실시예에 따르면, 실시간 로봇 상태를 진단하는 실시간 로봇 상태 진단 장치는 실시간 로봇 상태 진단 장치가 진단 기초 데이터를 수신하도록 구현된 진단 데이터 수신부와 상기 진단 데이터 수신부와 동작 가능하게 연결된 프로세서를 포함하되, 상기 프로세서는 상기 진단 기초 데이터를 기반으로 진단 데이터를 생성하고, 상기 진단 데이터를 전처리하여 특성값을 결정하고, 상기 특성값을 기반으로 로봇의 상태를 진단하도록 구현될 수 있다.
한편, 상기 진단 기초 데이터는 상기 로봇에 의해 전송된 전류 데이터 및 상기 로봇을 제어하는 로봇 제어 장치에 의해 전송된 제어 데이터를 포함하고, 상기 진단 데이터는 상기 전류 데이터 및 상기 제어 데이터의 집합일 수 있다.
또한, 상기 진단 데이터의 데이터 포맷은 세그먼트이고, 상기 세그먼트는 상기 로봇의 1회 동작을 기반으로 생성된 상기 로봇의 복수의 축 각각에 대한 복수의 전류 데이터 및 상기 로봇의 상기 1회 동작을 지시하는 제어 데이터를 포함할 수 있다.
본 발명에 의하면, 로봇에서 발생되는 전류 신호 및 제어 신호를 기반으로 세그먼트 단위의 데이터를 통해 로봇의 상태가 실시간으로 진단될 수 있다.
또한, 본 발명에 의하면, 공정 진단 및 정밀 진단 과정을 통해 로봇의 상태가 실시간으로 정확하게 진단될 수 있다.
도 1은 본 발명의 실시예에 따른 실시간 로봇 상태 진단 장치를 나타낸 개념도이다.
도 2는 본 발명의 실시예에 따른 진단 데이터 생성부의 진단 데이터 생성 방법을 나타낸 개념도이다.
도 3은 본 발명의 실시예에 따른 진단 데이터 전처리부의 동작을 나타낸 개념도이다.
도 4는 본 발명의 실시예에 따른 진단 데이터 전처리부의 동작을 나타낸 개념도이다.
도 5는 본 발명의 실시예에 따른 특성값 결정부의 동작을 나타낸 개념도이다.
도 6은 본 발명의 실시예에 따른 로봇 상태 진단부의 로봇 상태 진단 방법을 나타낸 순서도이다.
도 2는 본 발명의 실시예에 따른 진단 데이터 생성부의 진단 데이터 생성 방법을 나타낸 개념도이다.
도 3은 본 발명의 실시예에 따른 진단 데이터 전처리부의 동작을 나타낸 개념도이다.
도 4는 본 발명의 실시예에 따른 진단 데이터 전처리부의 동작을 나타낸 개념도이다.
도 5는 본 발명의 실시예에 따른 특성값 결정부의 동작을 나타낸 개념도이다.
도 6은 본 발명의 실시예에 따른 로봇 상태 진단부의 로봇 상태 진단 방법을 나타낸 순서도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여 지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 바람직한 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
현재까지 대부분 상용화된 로봇 상태 진단 제품은 로봇 전자기적 부품에 대한 이상 감지에 국한되어 있고 로봇 구동부에 대한 이상 감지 개발은 미미하다. 또한 일반적인 기계 설비 진단은 진동 센서를 사용하지만 비용이 비싸고 로봇 구동부 부착시 유선 연결은 로봇 동작을 방해하게 된다.
본 발명의 실시예에 따른 실시간 로봇 상태 진단 방법에서는 로봇 컨트롤러와 로봇 사이에 연결된 전류 센서에서 추출된 전류 신호를 사용하여 로봇 구동부에 대한 실시간 상태 진단을 수행하는 방법이 개시된다.
산업 분야 무인 스마트 공장의 확대에 따라 산업용 로봇에 대한 수요는 점점 증가하고 있다. 산업용 로봇은 정해진 프로파일에 따라 장시간 정밀 작업을 수행할 수 있다. 따라서, 산업용 로봇으로 인해 제조 정밀도가 높아지고 생산량이 대폭 증가될 수 있다. 다만 산업용 로봇의 장시간 구동은 로봇 구동부의 열화를 일으키고, 로봇 구동부의 열화는 로봇 작동 이상을 발생시킬 수 있다. 로봇 작동 이상은 제조 불량을 초래할 수 있고 부품 고장에 의한 작동 정지는 생선 라인을 멈춰 막대한 손실을 일으킬 수 있다. 따라서, 본 발명의 실시예에 따른 실시간 로봇 상태 진단 방법에서는 실시간으로 로봇의 이상을 감지하기 위한 방법이 개시된다.
도 1은 본 발명의 실시예에 따른 실시간 로봇 상태 진단 장치를 나타낸 개념도이다.
도 1에서는 로봇 상태를 진단하기 위한 로봇 상태 진단 장치가 개시된다.
도 1을 참조하면, 로봇 상태 진단 장치는 진단 기초 데이터 수신부(110), 진단 데이터 생성부(120), 진단 데이터 전처리부(130), 특성값 결정부(140), 로봇 상태 진단부(150) 및 프로세서(160)를 포함할 수 있다.
로봇 상태 진단 장치는 로봇과 로봇을 제어하기 위한 로봇 제어 장치와 연결될 수 있다.
진단 기초 데이터 수신부(110)는 로봇 및 로봇 제어 장치 각각로부터 진단을 위한 진단 기초 데이터를 수신하기 위해 구현될 수 있다. 진단 기초 데이터는 로봇에 의해 생성된 전류 데이터와 로봇 제어 장치에 의해 생성된 제어 데이터를 포함할 수 있다. 전류 데이터는 로봇의 축이 움직이면서 발생되는 데이터로서 6축 로봇인 경우, 6종 전류 데이터가 생서될 수 있다. 제어 데이터는 로봇의 동작을 제어하기 위한 데이터로서 동시에 컨트롤러에서 수집된 Digital I/O 데이터일 수 있다.
진단 데이터 생성부(120)는 진단 기초 데이터를 기반으로 진단 데이터(100)를 생성하기 위해 구현될 수 있다. 본 발명에서는 로봇의 이상 여부를 진단하기 위해서 세그먼트라는 데이터 단위를 정의할 수 있다. 진단 데이터 생성부(120)는 진단 기초 데이터를 기반으로 세그먼트 단위의 전류 신호를 진단 데이터(100)로서 생성할 수 있다.
진단 데이터 전처리부(130)는 진단 데이터(100)에 대한 전처리를 위해 구현될 수 있다. 진단 데이터(100)에 대하여 세그먼트 단위의 진단 데이터(100)에 대한 시주파수 분석 및 시주파수 분석 기반 인덱스별 최대값의 결정과 같은 전처리가 수행될 수 있다.
특성값 결정부(140)는 진단 데이터(100)에 대한 전처리 결과를 기반으로 특성값을 결정하기 위해 구현될 수 있다. 시주파수 분석 기반 인덱스별 최대값 데이터를 기반으로 전류의 파동 특성이 결정되고, 전류의 파동 특성을 기반으로 특성값이 결정될 수 있다.
로봇 상태 진단부(150)는 특성값을 기반으로 로봇 상태를 진단하기 위해 구현될 수 있다. 로봇 상태 진단부(150)는 공정 진단 및 정밀 진단을 통해 로봇에 이상이 있는지 여부를 진단할 수 있다.
공정 모델은 실제 로봇의 제품 생산을 위한 운행 과정시 정상 데이터를 학습한 모델로서 실시간 로봇 구동시 이상 여부를 감지할 수 있다. 공정 모델을 기반으로 한 로봇 구동시 이상 여부의 진단은 공정 진단이라는 용어로 표현될 수 있다.
단축 모델은 실제 운행 과정이 아닌 로봇의 축 별 단순 반복 구동을 인위적으로 구현하여 해당 과정 중 축 별 추출된 정상 데이터를 학습하여 만든 모델이다. 단축 모델을 기반으로 한 로봇 구동시 이상 여부 진단은 정밀 진단이라는 용어로 표현될 수 있다.
프로세서(160)는 진단 데이터 수신부(110), 진단 데이터 생성부(120), 진단 데이터 전처리부(130), 특성값 결정부(140), 로봇 상태 진단부(150)의 동작을 제어하기 위해 구현될 수 있다.
이하, 로봇 상태 진단 장치의 구체적인 동작이 개시된다.
도 2는 본 발명의 실시예에 따른 진단 데이터 생성부의 진단 데이터 생성 방법을 나타낸 개념도이다.
도 2에서는 세그먼트 단위의 진단 데이터를 생성하기 위한 방법이 개시된다.
도 2를 참조하면, 진단 기초 데이터를 기반으로 로봇 진단을 위한 진단 데이터를 생성하기 위한 방법이 개시된다.
로봇 및 로봇 제어 장치에 의해 생성되어 게이트웨이를 통해 입력되는 진단 기초 데이터 포맷이 개시된다. 진단 기초 데이터 포맷은 로봇의 축별 전류 데이터 및 컨트롤러를 기반으로 생성된 제어 데이터(Digital I/O(input/output) 데이터)를 포함할 수 있다. 6축 로봇인 경우, 진단 기초 데이터 포맷은 6축 각각에 대한 6개의 전류 데이터 및 로봇에 대한 제어 데이터인 7개의 데이터를 포함할 수 있다. 진단 기초 데이터 포맷은 어레이(200)라는 용어로 표현될 수 있다.
진단 기초 데이터인 어레이(200)는 로봇에서 실시간 최소 2000Hz 샘플링 레이트, 3~5초 단위로 연속적으로 수집하여 누적될 수 있다.
진단 기초 데이터를 누적하여 어레이(200)가 누적된 데이터 포맷인 스택(stack)(210)이 생성될 수 있다. 스택(210)은 본 발명에서 로봇 진단을 위한 진단 데이터의 단위인 세그먼트를 생성하기 전의 데이터 포맷일 수 있다.
어레이(200)를 누적하여 생성된 스택(210)이 합쳐져 진단 데이터의 포맷인 세그먼트(segment)(220)가 생성될 수 있다.
세그먼트(220)는 로봇의 1회 동작에서 추출된 데이터일 수 있다. 로봇의 1회 동작(또는 로봇 1회 동작)은 로봇의 정지상태에서 동작상태 그리고 다시 정지 상태로 변화하는 것을 의미한다. 본 발명의 실시예에 따른 로봇 진단에서는 세그먼트(220)를 기반으로 로봇 상태 진단을 위한 특성값이 결정될 수 있다.
사이클(230)은 로봇 동작 프로파일의 한 주기를 의미한다. 사이클(230)은 복수의 세그먼트(220)의 집합일 수 있다. 하나의 사이클 단위 내에 n개의 세그먼트(220)가 포함되는 경우, n개의 세그먼트(220) 각각에 대한 n개 특성치 각각이 추출되고 합쳐져 하나의 사이클 단위로 로봇의 상태 진단이 수행될 수 있다. 사이클(230)은 로봇 현장 작업 프로파일 다양성에 따라 여러개 형태를 가질 수도 있다.
도 3은 본 발명의 실시예에 따른 진단 데이터 전처리부의 동작을 나타낸 개념도이다.
도 3에서는 하나의 사이클 단위 내의 n개의 세그먼트 각각에 대한 n개의 특성치를 결정하기 위한 데이터 분할 방법이 개시된다.
도 3을 참조하면, 본 발명의 실시간 로봇 상태 진단 방법에서 로봇 상태 진단을 위한 특성값 추출은 전류 신호의 세그먼트(300) 단위로 수행될 수 있다. 세그먼트(300) 단위의 분할을 위한 제어 데이터인 Digital I/O(350)는 로봇의 1회 동작을 나타내는 트리거(trigger) 역할을 수행하여 전류 신호 분할을 위해 사용될 수 있다. 다만, 현장 상황에 따라 제어 데이터의 취득 가능 여부 및 취득되는 신호 형태는 다를 수 있다.
세그먼트(300) 별 Digital I/O(350) 취득 가능시 전류 신호 분할 방법이 개시된다. 도 3과 같이 로봇의 1회 동작이 제어 데이터인 Digital Output을 통해 정확히 식별 가능한 경우, 전류 신호는 신호 특성 변화 시점을 기준으로 회색 유닛(unit)과 같이 분할되어 하나의 세그먼트(300) 단위로 추출될 수 있다. 세그먼트(300) 단위로 추출된 전류 신호는 특성값을 결정하기 위해 사용될 수 있다. 세그먼트(300)별 Digital I/O(350)를 취득하여 전류 신호를 분할하는 방법은 로봇 상태 분석을 자동화시키기 용이하다.
본 발명의 실시예에 따르면, 세그먼트(300) 기반의 분할이 수행되기 어려운 경우, 아래와 같은 전류 신호 분할 방법이 사용될 수 있다.
방법 1: 사이클(320)별 Digital I/O 취득 가능시 전류 신호 분할
현장 상황에 따라 제어 데이터인 Digital Output이 로봇의 1회 동작 기준이 아닌 하나의 사이클(320)을 기준으로 생성될 수 있다. 이러한 경우, Digital Output 시작 시점으로부터의 각 세그먼트(300)까지의 시간에 대한 학습을 통해 사이클(320)에 포함되는 복수의 세그먼트(300) 각각이 추출되고, 복수의 세그먼트(300) 각각에 대한 특성값이 결정될 수 있다.
방법2: Digital I/O 취득 불가시 전류 신호 분할
특정 로봇 세팅 환경에 따라 제어 데이터인 Digital Output에 대한 취득이 불가할 수 있다. 이러한 경우, 전류 신호값의 변화율에 따른 데이터 분할이 수행될 수 있다. 로봇 구동시 전류 값이 상대적으로 크게 생성되므로 전류값 변화율이 순간 일정 수준으로 커지면 새로운 구동이 시작되었거나 구동이 멈췄음을 식별할 수 있다. 이러한 전류 신호값의 변화를 통해 전류 신호가 분할되고 세그먼트(300)의 결정을 통해 특성값이 결정될 수 있다.
구체적으로 구동하는 구간의 데이터와 멈추는 구간을 보면 멈추는 구간에서 구동하는 구간으로 변화할 때와 구동하는 구간에서 멈추는 구간으로 변화시 데이터의 크기 변화는 상당히 크므로 이 순간의 전류 데이터의 변화율이 매우 크다 따라서 변화율이 큰 두 시점을 찾아서 그 구간내 데이터를 찾는 방법으로 세그먼트를 결정할 수 있다.
도 4는 본 발명의 실시예에 따른 진단 데이터 전처리부의 동작을 나타낸 개념도이다.
도 4에서는 특성값 결정을 위한 데이터 전처리 방법으로서 3상 전류 중 1상 전류 만으로 토크 파형을 추정 방법이 개시된다.
도 4를 참조하면, 로봇 구동은 일정한 속도 운행이 아닌 모터의 가속, 등속, 감속 과정을 항상 동반한다. 따라서, 기존의 주파수 기반 데이터 분석 기법은 로봇 특성 분석에 한계를 가지고 있었다.
본 발명에서는 기존의 주파수 기반 데이터 분석 기법의 문제점을 해결하기 위해 변속 신호 분석에 특화된 시주파수 분석 기법을 통해 데이터 전처리가 수행될 수 있다.
도 4의 (a), (b), (c) 그래프의 x축은 시간이고, 도 4(a)의 y축은 전류 신호의 크기, 도 4(b)의 y축은 주파수값, 도 4(c)의 y축은 도 4(b)의 시주파수 분석 결과를 기반으로 index(1~9000)별 최대 amplitude를 추출한 값이다.
전류 데이터 분할 과정을 통해 추출된 한 세그먼트 단위의 전류 신호(400)는 시주파수 분석(420)을 통해 가속, 등속, 감속 구간으로 분리될 수 있다.
시주파수 분석(420)은 3d 데이터로 구성되어 있다. 즉 x축은 시간이고 y축은 주파수 값이고 데이터 크기는 색깔로 구분될 수 있다. 일반 주파수 분석만 진행하면 어떤 시점에서 해당 데이터의 값이 크고 작은지 확인 불가하므로 시간과 주파수를 모두 같이 표현하여 시점별 데이터의 값의 크기를 확인할 수 있다.
이후, 인덱스(index) 별 최대값(440)이 결정되어 고장 특성 확인에 사용할 수 있다. 시주파수 분석(420)을 통해 에서 index(1~9000)별 최대 앰플리튜드(amplitude)를 추출하였다 인덱스별로 제1 색상(중앙에 밝은 부분)으로 표시된 값을 추출하여 인덱스(index) 별 최대값(440)이 결정될 수 있다.
로봇에 들어가는 서보 모터는 3상 동기 모터일 수 있고, 정확한 토크를 추정하기 위해서는 3개 전류 신호가 모두 필요하다. 하지만 본 발명의 실시예에 따른 1개 상 만으로 진단을 수행하기 위해 1개 전류 신호로 축의 토크를 추정하는 전처리가 수행되어 로봇 진단이 수행될 수 있다.
도 5는 본 발명의 실시예에 따른 특성값 결정부의 동작을 나타낸 개념도이다.
도 5에서는 로봇 이상 감지를 위한 특성값을 결정하는 방법이 개시된다.
도 5를 참조하면, 세그먼트를 기준으로 시주파수 분석 기반 index별 최대값이 개시된다. 실제 정상 및 고장 데이터 기반 추출시 시주파수 분석 인덱스별 최대값이 사용될 수 있다.
가속에서 등속으로 변환하는 피크점 및 등속에서 감속으로 변환하는 피크점이 결정되고, 두 개의 피크점 사이 등속 구간이 먼저 결정될 수 있다.
고장 발생시 해당 등속 구간에서 정상에 비해 뚜렷한 신호 파동 현상이 확인될 수 있다. 해당 파동 현상은 로봇 기어 고장 발생시 티칭 포인트로 정확히 이동하기 위한 로봇 정밀 제어에 의해 전류 값의 변동으로 인해 발생될 수 있다.
따라서, 본 발명의 실시예에 따른 실시간 로봇 상태 진단 방법에서는 등속 구간 내의 파동 특성이 추출되어 특성값을 결정할 수 있다. 결정된 특성값은 로봇 상태에 대한 정상 또는 이상 진단에 사용될 수 있다.
인덱스 최대값 플롯(plot)은 노말(normal)에서는 데이터가 상대적으로 안정적이지만 폴트(fault) 데이터 경우 데이터 값 변동 특성이 크다. 따라서 해당 데이터의 이동 평균(moving average) 값을 구하고 이동 평균값을 빼주면 변동 특성만 남게 된다. 그리고 그 변동 특성의 분산이 특성치로 사용된다. 그러면 폴트(fault)의 경우 특성치 값이 크고 노말(normal)의 경우 상대적으로 작은 값을 가지게 된다.
도 6은 본 발명의 실시예에 따른 로봇 상태 진단부의 로봇 상태 진단 방법을 나타낸 순서도이다.
도 6에서는 전술한 로봇 상태 진단 방법을 통해 로봇의 이상을 진단하기 위한 방법이 개시된다.
도 6을 참조하면, 본 발명의 실시예에 따른 로봇 상태 진단부의 로봇 상태 진단 방법은 공정 진단 및 공정 진단에서 결함 의심시 수행되는 정밀 진단으로 구성될 수 있다.
공정 모델(600)은 실제 로봇의 제품 생산을 위한 운행 과정시 정상 데이터를 학습한 모델로서 실시간 로봇 구동시 이상 여부를 감지할 수 있다. 공정 진단은 공정 모델(600)을 기반으로 한 로봇 구동시 이상 여부의 진단일 수 있다.
단축 모델(620)은 실제 운행 과정이 아닌 로봇의 축 별 단순 반복 구동을 인위적으로 구현하여 해당 과정 중 축 별 추출된 정상 데이터를 학습하여 만든 모델이다. 정밀 진단은 단축 모델(620)을 기반으로 한 로봇 구동시 이상 여부에 대한 진단일 수 있다.
실시간 구동 중인 로봇 진단을 수행하는 경우, 우선적으로 공정 모델(600) 기반의 공정 진단을 통해 로봇의 이상 발생 여부가 판단될 수 있다.
공정 모델(600) 기반으로 로봇에 이상이 발생한 것으로 판단된 경우, 로봇의 작동 멈춤이 지시되고 단축 모델(620)을 기반으로 한 로봇 구동시 이상 여부 진단인 정밀 진단이 수행될 수 있다.
본 발명엣 로봇 진단은 공정진단 및 정밀 진단(1축 모델)으로 나뉠 수 있다. 공정진단은 실제 현장에서 로봇의 물품 생산 과정에서 실시간으로 공정진단 알고리즘을 수행하여 이상 유무를 진단할 수 있다.
다만 공정 진단은 이상 유무 진단으로써 기어 고장을 진단할수도 있지만 운행 환경 변경, 혹은 다른 부품, 이외 전기적 이슈 등 다른 원인에 이해서 알람을 발생시킬 수도 있다.
따라서, 공정 진단에 의해 이상이 발생하였다는 알람이 발생한 경우, 로봇의 이상 여부를 진단하기 위해 정밀진단을 수행합니다. 정밀 진단은 로봇 생산과정을 멈추고 축별 동일한 모션을 반복하는 동시에 정밀진단 알고리즘을 수행하여 기어 고장 여부를 진단하고 기어 고장으로 판단시 수리를 권장한다.
이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항과 한정된 실시예 및 도면에 의하여 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위하여 제공된 것일 뿐, 본 발명이 상기 실시예에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정과 변경을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
Claims (6)
- 실시간 로봇 상태 진단 방법은,
실시간 로봇 상태 진단 장치가 진단 기초 데이터를 수신하는 단계;
상기 실시간 로봇 상태 진단 장치가 상기 진단 기초 데이터를 기반으로 진단 데이터를 생성하는 단계;
상기 실시간 로봇 상태 진단 장치가 상기 진단 데이터를 전처리하여 특성값을 결정하는 단계; 및
상기 실시간 로봇 상태 진단 장치가 상기 특성값을 기반으로 로봇의 상태를 진단하는 단계를 포함하는 것을 특징으로 하는 방법. - 제1항에 있어서,
상기 진단 기초 데이터는 상기 로봇에 의해 전송된 전류 데이터 및 상기 로봇을 제어하는 로봇 제어 장치에 의해 전송된 제어 데이터를 포함하고,
상기 진단 데이터는 상기 전류 데이터 및 상기 제어 데이터의 집합인 것을 특징으로 하는 방법. - 제2항에 있어서,
상기 진단 데이터의 데이터 포맷은 세그먼트이고,
상기 세그먼트는 상기 로봇의 1회 동작을 기반으로 생성된 상기 로봇의 복수의 축 각각에 대한 복수의 전류 데이터 및 상기 로봇의 상기 1회 동작을 지시하는 제어 데이터를 포함하는 것을 특징으로 하는 방법. - 실시간 로봇 상태를 진단하는 실시간 로봇 상태 진단 장치는,
실시간 로봇 상태 진단 장치가 진단 기초 데이터를 수신하도록 구현된 진단 데이터 수신부; 및
상기 진단 데이터 수신부와 동작 가능하게 연결된 프로세서를 포함하되,
상기 프로세서는 상기 진단 기초 데이터를 기반으로 진단 데이터를 생성하고,
상기 진단 데이터를 전처리하여 특성값을 결정하고,
상기 특성값을 기반으로 로봇의 상태를 진단하도록 구현되는 것을 특징으로 하는 로봇 상태 진단 장치. - 제4항에 있어서,
상기 진단 기초 데이터는 상기 로봇에 의해 전송된 전류 데이터 및 상기 로봇을 제어하는 로봇 제어 장치에 의해 전송된 제어 데이터를 포함하고,
상기 진단 데이터는 상기 전류 데이터 및 상기 제어 데이터의 집합인 것을 특징으로 하는 로봇 상태 진단 장치. - 제5항에 있어서,
상기 진단 데이터의 데이터 포맷은 세그먼트이고,
상기 세그먼트는 상기 로봇의 1회 동작을 기반으로 생성된 상기 로봇의 복수의 축 각각에 대한 복수의 전류 데이터 및 상기 로봇의 상기 1회 동작을 지시하는 제어 데이터를 포함하는 것을 특징으로 하는 로봇 상태 진단 장치.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210058415A KR102484471B1 (ko) | 2021-05-06 | 2021-05-06 | 실시간 로봇 상태 진단 방법 및 이러한 방법을 수행하는 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210058415A KR102484471B1 (ko) | 2021-05-06 | 2021-05-06 | 실시간 로봇 상태 진단 방법 및 이러한 방법을 수행하는 장치 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220152413A true KR20220152413A (ko) | 2022-11-16 |
KR102484471B1 KR102484471B1 (ko) | 2023-01-06 |
Family
ID=84235931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210058415A KR102484471B1 (ko) | 2021-05-06 | 2021-05-06 | 실시간 로봇 상태 진단 방법 및 이러한 방법을 수행하는 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102484471B1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102624240B1 (ko) * | 2023-07-27 | 2024-01-16 | 주식회사 아임토리 | 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 장치및 방법 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080055789A (ko) * | 2005-07-11 | 2008-06-19 | 브룩스 오토메이션 인코퍼레이티드 | 지능형 상태 감시 및 결함 진단 시스템 |
JP2020060558A (ja) * | 2018-10-11 | 2020-04-16 | パロ アルト リサーチ センター インコーポレイテッド | 工場ロボットの状態ベースメンテナンスのための運動非感知性特徴 |
-
2021
- 2021-05-06 KR KR1020210058415A patent/KR102484471B1/ko active IP Right Grant
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080055789A (ko) * | 2005-07-11 | 2008-06-19 | 브룩스 오토메이션 인코퍼레이티드 | 지능형 상태 감시 및 결함 진단 시스템 |
JP2020060558A (ja) * | 2018-10-11 | 2020-04-16 | パロ アルト リサーチ センター インコーポレイテッド | 工場ロボットの状態ベースメンテナンスのための運動非感知性特徴 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102624240B1 (ko) * | 2023-07-27 | 2024-01-16 | 주식회사 아임토리 | 로봇 축 움직임 예측 모델을 통한 로봇 상태 진단 장치및 방법 |
Also Published As
Publication number | Publication date |
---|---|
KR102484471B1 (ko) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7107830B2 (ja) | 学習用データ確認支援装置、機械学習装置、故障予知装置 | |
CN107272586B (zh) | 机械学习装置、机械学习方法、故障预知装置及系统 | |
Camci et al. | Feature evaluation for effective bearing prognostics | |
Medjaher et al. | Remaining useful life estimation of critical components with application to bearings | |
CN113077172A (zh) | 一种设备状态趋势分析及故障诊断方法 | |
CN110298455A (zh) | 一种基于多变量估计预测的机械设备故障智能预警方法 | |
CN110187694B (zh) | 故障预测装置以及机器学习装置 | |
CN113722979B (zh) | 一种基于数字孪生的采煤机虚实交互系统及其构建方法 | |
CN112727965B (zh) | 采煤机制动器的故障监测方法及装置 | |
CN116755386A (zh) | 诊断用数据取得系统、诊断用系统以及计算机可读介质 | |
CN112677147B (zh) | 事件估计系统和事件估计方法 | |
KR102484471B1 (ko) | 실시간 로봇 상태 진단 방법 및 이러한 방법을 수행하는 장치 | |
Leonidovich et al. | The development and use of diagnostic systems and estimation of residual life in industrial electrical equipment | |
CN113460122A (zh) | 电动道岔转辙机系统的状态检测方法、装置、设备及介质 | |
JP2019148971A (ja) | 異常要因特定装置 | |
CN112987682A (zh) | 控制方法、控制装置和机械设备 | |
CN117435883A (zh) | 一种基于数字孪生的设备故障预测的方法和系统 | |
Dixon et al. | Application of condition monitoring to an electromechanical actuator: a parameter estimation based approach | |
US11339763B2 (en) | Method for windmill farm monitoring | |
Sun et al. | Health monitoring of strain wave gear on industrial robots | |
CN113021411B (zh) | 机器人故障预测装置及系统、以及机器人故障预测方法 | |
Simon et al. | Aggregation of electric current consumption features to extract maintenance KPIs | |
He et al. | Probabilistic model based algorithms for prognostics | |
Rakay et al. | Testing properties of smart conditon monitoring system | |
JP7489899B2 (ja) | 事象推定システム及び事象推定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right |