一种基于大数据的工业机器人预测性状态监控方法技术

本发明专利技术公布了一种基于大数据的工业机器人预测性状态监控方法，通过采用工业机器人程序中机器人位置在时间上变化的序列为周期性索引，记录各监控变量的每个时间周期内的变化，找到正常工作状态下机器人运动轨迹上的每一个点的各监控变量的最大值和最小值作为参考值区间，再对机器人运动轨迹上的当前监控变量相对于参考值区间的变化进行监测，得到工业机器人监控变量的预测性状态；监控变量包括但不限于工业机器人各电机扭矩、电流、跟随误差参数。本发明专利技术方法有效性高，监控精度高，可广泛推广应用。

A predictive state monitoring method for industrial robots based on big data

【技术实现步骤摘要】
一种基于大数据的工业机器人预测性状态监控方法
本专利技术属于智能机器人
，涉及机器人预测性状态监控技术，尤其涉及一种基于大数据的工业机器人预测性状态监控方法。
技术介绍
目前机器人运行数据的大数据化已经成熟，但数据的使用还处于探索阶段。基于大数据的机器人预测性状态监控目前还缺乏有效技术及成熟的案例。机器人的预测性监控相对复杂，比较关键的各轴扭矩、电流等参数受机器人运动轨迹、运动速度、加速度、工作条件、机器人所带工具负载等因素影响，变化范围较大。想要敏感的察觉到机器人状态的异常变化，做到及时维护相对困难。在生产实践中，监控机器人各电机扭矩、电流等关键参数的每日最大最小值的变化，以及每日平均值的变化趋势。判断机器人的状态是否有恶化趋势，从而进行相关的检查以及保养工作。以上方法在一定程度上对机器人状态的判断有一定的参考作用。但是实际应用中，由于机器人运动轨迹多样性与复杂性，工作环境的复杂性等影响，以上方法得到的结果往往比较模糊，只能知道趋势上有变化，但是更进一步的信息难以获得。因而对状态的判断与预测的指导作用十分有限。机器人工作周期性往复循环，各监控参数的变化有一定周期性变化的规律，如果收集一段时间机器人正常工作的数据，按照生产周期循环整理数据找到每个周期时间点上出现的最大、最小值作为参照，识别工作中的异常状态的方法，对于工作周期确定一致，工作内容每个周期一致的机器人有一定的指导作用。这种方法对于监控数据的监控要求相对较高，需要标记周期的起始和结束时间。然而，一般机器人数据的发送是有一定的时间间隔甚至有些延迟，收集到的数据的变化并非连续。更重要的是很多的机器人应用程序运行周期不确定，如某装焊生产车间绝大多数机器人工作需要与PLC(ProgrammableLogicController,可编程逻辑控制器)及下属设备交互，周期工作内容及顺序受到PLC逻辑控制，呈现多样化特征。程序周期时间受到交互信号、执行元器件动作(如实际工况下，吸盘到位时间受到工件表面状态、气路运行状态等因素影响，时间常会不一致)、信号等待等问题等的制约，周期时间也无法做到一致。因此，在工作时间周期监控数据的方法在此状态下实现难度大。
技术实现思路
为了克服上述现有技术的不足，本专利技术提供一种基于大数据的工业机器人带有预测性的状态监控方法，采用每个程序中机器人位置在时间上变化的序列为周期性索引，记录各变量的每个周期内的变化，找到一定时间段正常工作状态下，机器人位置在时间上的序列(即机器人轨迹)上的每一个点的最大值和最小值作为参考值，监测实时值相对于参考区间的变化，方法有效性高，监控精度高，且对于机器人预测性维护起到较强的指导作用，对于预测性算法的开发提供清晰的数据基础。对工业机器人的状态监控是对机器人设备的运行状态进行监控，具体通过监控设备的某些特征量的变化识别异常，本专利技术的状态监控即通过监控机器人各轴的电流、扭矩、跟随误差这几个量去判断机器人变化异常。预测性状态监控指的是通过监控特征变量的异常变化，发现设备状态的变化，在设备没有损坏之前发现并分析后维护，使设备保持良好工作状态，对工业机器人实现预测性维护。本专利技术进行状态监控得到当前状态，再通过与历史正常状态进行对比，根据参数特征及对比结果得出可能出现的问题，并进行处理。本专利技术的核心是：由于工业机器人的程序周期时间受到交互信号、执行元器件动作(如实际工况下，吸盘到位时间受到工件表面状态、气路运行状态等因素影响，时间常会不一致)、信号等待等问题等的制约，周期时间也无法一致。因此，在工作时间周期监控数据的方法实现难度大。为有效的清除无效的等待时间，本专利技术放弃采用纯粹时间作为周期性索引，而是采用机器人正常工作状态下，每个程序中机器人位置在时间上变化的序列(可理解为机器人运行轨迹，如果机器人轨迹上有两点在同一位置，由于其发生的先后关系不同，不视为同一点，只有位置相同，在时间上的变化序列位置也相同才认为是同一点)为周期性索引，记录各变量的每个程序周期的内变化，找到一定时间段，正常工作状态下，机器人位置在时间上的序列(即机器人轨迹)上的每一个点对应的监测状态数据的最大值和最小值作为参考值，监测实时状态数据相对于参考区间的变化。上述机器人位置序列的制作简述：由于机器人运行轨迹是以机器人程序中机器人的运动指令运行而形成的，因此机器人运行轨迹又可以拆分成每个运动指令形成的轨迹段，再将轨迹段内点与点在时间序列中的关系找出，做出每个运动指令内的位置序列(即相应运动指令的运动轨迹)。本专利技术通过极大地细化各个监控数据的监控区间，使用机器人正常工作的历史数据作为参照来发现异常，不仅可以找到异常值趋势，还能得到异常值发生的位置信息，以及发生时各种监控数值的状态，有利于进一步找出异常原因，方法有效性高，监控精度高。本专利技术提供的技术方案是：一种基于大数据的工业机器人预测性状态监控方法，通过采用工业机器人程序中机器人位置在时间上变化的序列为周期性索引，记录各监控变量的每个时间周期内的变化，找到正常工作状态下机器人运动轨迹上的每一个点的各监控变量的最大值和最小值作为参考值区间，再对机器人运动轨迹上的当前监控变量相对于参考值区间的变化进行监测，得到工业机器人监控变量的预测性状态；监控变量包括但不限于各电机扭矩、电流、跟随误差等关键参数。包括如下步骤：1)使用机器人历史状态数据作为参照，找到监控变量的合理监控范围参考数据。具体包括如下操作：11)历史数据收集：设计并设置待监测机器人发送数据内容及发送数据时间间隔。发送数据内容应包括数据发送时刻的：机器人名、当前程序名、当前所在命令行数、当前机器人位置信息(笛卡尔坐标或轴坐标)、当前机器人速度信息、时间戳、运行状态、及所需状态监控的信息(一般包括扭矩、电流、响应跟随误差等数据)。收集以上数据作为历史数据待用。12)数据清洗：机器人运行模式一般包括手动模式和自动模式。具体实施时，整理过去一段时间(1-2个月)的历史数据信息，将正常自动模式下、100％运行速度模式，运动过程中无报警、报错的监控变量的数据筛选出来。13)将清洗后的数据进行整理分组：机器人程序中包括多条机器人运动指令，由于机器人运行轨迹是以机器人程序中机器人的运动指令运行而形成的，因此机器人运行轨迹又可以拆分成每个运动指令形成的轨迹段。因此，以机器人-所在程序号-所在运行命令行(该运动指令所在的程序行数)的层级关系，将数据进行初步整理分组，便于下一步中对相同机器人，同一程序号内相同命令行的数据进行排序。14)对相同机器人，同一程序号内相同命令行的数据进行排序一般情况下，机器人发送数据是有一定时间间隔的，无法直接得到连续完整的位置序列信息，经过以上步骤分组后的历史数据是多个周期的离散点，需要将这些点进行排序。排序目标是：根据机器人在该命令行中运动的轨迹的先后顺序将数据进行排列。排序的目的是：为进一步数据细分提供依据。排序的方法可如下述，但不限于下述方法：采用笛卡尔坐标系位置信息进行排列。收集的笛卡尔坐标系位置信息是当时机器人的工具坐本文档来自技高网...

【技术保护点】
1.一种基于大数据的工业机器人预测性状态监控方法，通过采用工业机器人程序中机器人位置在时间上变化的序列为周期性索引，记录各监控变量的每个时间周期内的变化，找到正常工作状态下机器人运动轨迹上的每一个点的各监控变量的最大值和最小值作为参考值区间，再对机器人运动轨迹上的当前监控变量相对于参考值区间的变化进行监测，实现工业机器人监控变量的预测性状态监控；监控变量包括但不限于工业机器人各电机扭矩、电流、跟随误差参数；/n所述工业机器人预测性状态监控方法包括如下步骤：/n1)使用机器人历史状态数据作为参照，找到监控变量的合理监控范围参考数据；包括如下操作：/n11)历史数据收集：设置待监测机器人发送数据内容及发送数据时间间隔；发送数据内容包括数据发送时刻的：机器人名、当前程序名、当前所在命令行数、当前机器人位置、当前机器人速度、时间戳、运行状态、状态监控变量数，收集以上数据作为历史数据；/n12)数据清洗：将机器人在自动模式、100％运行速度模式运行过程中无报警、报错的监控变量的数据筛选出来；/n13)将清洗后的数据进行整理分组：/n机器人程序包括多条机器人运动指令，机器人运行轨迹可拆分成每个运动指令形成的轨迹段；采用机器人-所在程序号-所在运行命令行的层级关系，将数清洗后的据进行初步分组；/n14)根据机器人在命令行中运动轨迹的先后顺序，对相同机器人、同一程序号内相同命令行的数据进行排序；/n15)进行轨迹分段：对相同机器人，同一程序号内相同命令行的数据进行进一步细分成多个小组，每个小组都是排序相邻的数据，得到细分后的小组数据，并记录每个小组的位置区域作为查找的索引；/n16)在细分后的小组中进行待监控数据的极值查找，分别找到每组数据中各待监控信息的历史极值，作为状态监控的参考标准；/n17)数据存储：将机器人名、所在程序名、所在运动命令行、所在轨迹段、历史极值进行存储；/n2)状态监控异常判断，包括以下步骤：/n21)监控数据采集；采集实时数据进行状态监控，采集的实时数据与步骤11)中收集的历史数据相应的参数相同；/n22)获取监控值的历史极值：/n根据当前数据的机器人名、所在程序名、所在运动命令行、当前位置信息，找到与当前机器人距离最近的轨迹段索引，查找得到该轨迹段的历史极值；/n设置一个最大允许距离，当轨迹段与当前机器人的距离超过所述最大允许距离时给出报警或报错；/n23)监控区间设置：根据步骤22)中找到的监控值的历史极值得到极值区间，以极值区间为参照设置监控区间；/n24)判断监控值是否在监控区间内：/n将监控值与监控区间进行比较，判断监控值是否在区间之内；/n如果不在区间内，则判断状态数据是否正常：机器人自动模式下、100％运行速度模式的运动过程中且无报警、报错的，状态为正常；/n否则，状态为不正常，根据状态数据报警；/n若状态为正常，则提示机器人状态发生改变；/n3)异常统计：将状态数据正常的监控结果进行统计，统计异常发生的程序位置、比例、数量以及相对于监控区间的位置关系；/n对发生异常比例大于设定值的命令行进行报警；/n4)绘制可视化数据图，展示结果；/n5)异常分析：根据得到的统计结果及可视化数据图分析原因，提出排查及解决措施；/n通过上述步骤，实现基于大数据的工业机器人预测性状态监控。/n...

【技术特征摘要】
1.一种基于大数据的工业机器人预测性状态监控方法，通过采用工业机器人程序中机器人位置在时间上变化的序列为周期性索引，记录各监控变量的每个时间周期内的变化，找到正常工作状态下机器人运动轨迹上的每一个点的各监控变量的最大值和最小值作为参考值区间，再对机器人运动轨迹上的当前监控变量相对于参考值区间的变化进行监测，实现工业机器人监控变量的预测性状态监控；监控变量包括但不限于工业机器人各电机扭矩、电流、跟随误差参数；
所述工业机器人预测性状态监控方法包括如下步骤：
1)使用机器人历史状态数据作为参照，找到监控变量的合理监控范围参考数据；包括如下操作：
11)历史数据收集：设置待监测机器人发送数据内容及发送数据时间间隔；发送数据内容包括数据发送时刻的：机器人名、当前程序名、当前所在命令行数、当前机器人位置、当前机器人速度、时间戳、运行状态、状态监控变量数，收集以上数据作为历史数据；
12)数据清洗：将机器人在自动模式、100％运行速度模式运行过程中无报警、报错的监控变量的数据筛选出来；
13)将清洗后的数据进行整理分组：
机器人程序包括多条机器人运动指令，机器人运行轨迹可拆分成每个运动指令形成的轨迹段；采用机器人-所在程序号-所在运行命令行的层级关系，将数清洗后的据进行初步分组；
14)根据机器人在命令行中运动轨迹的先后顺序，对相同机器人、同一程序号内相同命令行的数据进行排序；
15)进行轨迹分段：对相同机器人，同一程序号内相同命令行的数据进行进一步细分成多个小组，每个小组都是排序相邻的数据，得到细分后的小组数据，并记录每个小组的位置区域作为查找的索引；
16)在细分后的小组中进行待监控数据的极值查找，分别找到每组数据中各待监控信息的历史极值，作为状态监控的参考标准；
17)数据存储：将机器人名、所在程序名、所在运动命令行、所在轨迹段、历史极值进行存储；
2)状态监控异常判断，包括以下步骤：
21)监控数据采集；采集实时数据进行状态监控，采集的实时数据与步骤11)中收集的历史数据相应的参数相同；
22)获取监控值的历史极值：
根据当前数据的机器人名、所在程序名、所在运动命令行、当前位置信息，找到与当前机器人距离最近的轨迹段索引，查找得到该轨迹段的历史极值；
设置一个最大允许距离，当轨迹段与当前机器人的距离超过所述最大允许距离时给出报警或报错；
23)监控区间设置：根据步骤22)中找到的监控值的历史极值得到极值区间，以极值区间为参照设置监控区间；
24)判断监控值是否在监控区间内：
将监控值与监控区间进行比较，判断监控值是否在区间之内；
如果不在区间内，则判断状态数据是否正常：机器人自动模式下、100％运行速度模式的运动过程中且无报警、报错的，状态为正常；...

【专利技术属性】
技术研发人员：张妍，郭东栋，
申请(专利权)人：北京奔驰汽车有限公司，
类型：发明
国别省市：北京;11