基于电流信号的工业机器人健康状态评价方法技术

本发明专利技术涉及一种基于电流信号的工业机器人健康状态评价方法，使用电流传感器检测工业机器人各个轴的全寿命电流数据，对数据进行预处理后，进行时序整理后，将整理后数据进行重构，去除干扰信号，将重构数据送入模型中进行健康数据和非健康数据识别，识别后数据分别送入模型进行训练，获取退化基线

【技术实现步骤摘要】
基于电流信号的工业机器人健康状态评价方法


[0001]本专利技术涉及一种工业机器人故障技术，特别涉及一种基于电流信号的工业机器人健康状态评价方法
。

技术介绍

[0002]目前，随着工业生产技术的发展，工业机器人在生产中逐渐普及
。
在高度自动化的生产系统中，若有工业机器人发生故障，将导致经济损失，甚至危及人身安全
。
因此通过模型对工业机器人的运行状态进行实时监测可以排除隐患，避免发生重大安全事故
。
[0003]由于当前基于工业机器人的生产系统十分复杂，很难去建立精确的数学模型
。
近年来随着传感技术的快速进步，通过传感器可以精准的获取大量工业机器人的运行数据，深度挖掘这些数据特征，可以获取设备的退化与故障信息
。
[0004]目前一般企业对正常运行中的工业机器人需要进行人工定期检查与维修
。
人工的方法需要专业技术人员对现场状况进行判断，耗时耗力，效率低
。
通常工业机器人发生故障时会伴随着电流
、
振动
、
声发射等信号的波动
。
因此基于电流
、
振动
、
声发射等传感器数据进行建模比较常见
。
但是振动
、
声发射传感器安装位置的不同会引起信号的变化，不易确定最佳的安装位置；振动
、
声发射传感器安装在工业机器人的表面是一种侵入式安装，其信号线会影响工业机器人的正常运行；生产环境的噪声也会给振动
、
声发射信号引入不可知的噪声
。
相比之下电流传感器造价低廉，其安装在机器人控制柜中属于非侵入式安装，也不会受到环境噪声影响
。
因此选择电流信号作为建模的原始数据来源
。
[0005]现有公开了一种基于
PCA
‑
T2的工业机器人健康分数计算方法，此方法对工业机器人的电流信号进行了
PCA
重构，并计算了
T2统计量作为控制限
。
很好的实现了对机器人的故障检测与健康分数计算，但存在一些改进的空间
。

技术实现思路

[0006]针对工业机器人健康状态评价问题，人工检测耗时耗力，效率低；基于传统的振动信号分析不适用于工业机器人的实际运行工况问题，提出了一种基于电流信号的工业机器人健康状态评价方法，解决人工和振动
、
声发射信号分析的缺点，提高健康状态评价的准确性和实时性
。
[0007]本专利技术的技术方案为：一种基于电流信号的工业机器人健康状态评价方法，具体包括如下步骤：
[0008]1)
使用电流传感器检测工业机器人各个轴的全寿命电流数据，数据包括多个非故障周期和故障周期，采集完成后对数据进行预处理；
[0009]2)
以电流数据的周期为窗口和步长长度，分别提取每个窗口的时域
、
频域
、
时频域特征，组合为
32
维原始时序特征；
[0010]3)
采用特征重构模型对步骤
2)
获得的原始时序特征进行重构，重构为保留原数据本质特征，同时去除高纬度信号中干扰信号的低维信号，作为退化模型的输入特征；
[0011]4)
根据步骤
3)
得到的输入特征，构建工业机器人退化模型，将结果划分为健康
、
退化
、
故障三个阶段类型，使用健康数据和包括健康和退化数据的非故障数据分别对模型进行训练，采用全寿命数据对训练后模型进行测试，获取退化基线和故障基线，从而生成工业机器人健康状态以及故障报警信息，用于工业机器人健康状态评价
。
[0012]进一步，所述步骤
1)
中预处理包括：
[0013]1.1)
使用自相关方法计算其周期，公式满足：
[0014][0015]式中
R
x
(
τ
)
主要用来描述电流信号
x(t)
与其自身延迟
τ
时刻之后的
x(t+
τ
)
相似程度，相似程度越高，相关值越高；相关值最高的坐标即为信号的周期点，此时对应的延迟
τ
时间为周期；因采样值是离散的，近似计算的公式满足：
[0016][0017]式中，
M
为最大计算时延量，
N
为数据点数；
[0018]1.2)
工业机器人电流信号的采集是不连续的，不同时间段采集的数据初始相位不一定一致，所以需要对所有采集点的数据进行相位对齐，采用互相关方法进行对齐，公式满足：
[0019][0020]式中
R
xy
(
τ
)
主要用来描述电流信号
x(t)
与电流信号
y(t)
延迟
τ
时刻之后
y(t+
τ
)
的相似程度，相似程度越高，互相关值越高；互相关值最高的坐标即需要移动的相位点数；因采样值是离散的，使用下面的公式进行近似计算：
[0021][0022]式中，
M
为最大计算时延量，
N
为数据点数
。
[0023]进一步，所述步骤
2)
中时域
、
频域特征的提取包括均值
、
绝对均值
、
方差
、
均方根值
、
方根幅值
、
绝对最大值
、
最大值
、
最小值
、
峰峰值
、
偏度
、
峭度
、
峰值因子
、
裕度因子
、
波形因子
、
脉冲因子
、
平均频率
、
中心频率
、
均方根频率
、
标准差频率
、
频率集中度
、
频率峭度
.
[0024]进一步，所述步骤
2)
中时频域特征提取采用集合经验模态分解算法对每个周期的电流信号进行分解；集合经验模态分解算法是在经验模态分解算法的基础上添加均值为零
、
方差相等的高斯白噪声后进行若干次模态分解，并对每次所得本征模态分量
IMF
求均值，改善
EMD
算法的模态混叠现象；
[0025]对于分解得到的
IMF
分量，取前三个分别提取能量熵
、
峭度
、
方差贡献率特征，共组成9维特征；峭度和时域信号的计算方法一致，方差本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于电流信号的工业机器人健康状态评价方法，其特征在于，具体包括如下步骤：
1)
使用电流传感器检测工业机器人各个轴的全寿命电流数据，数据包括多个非故障周期和故障周期，采集完成后对数据进行预处理；
2)
以电流数据的周期为窗口和步长长度，分别提取每个窗口的时域
、
频域
、
时频域特征，组合为
32
维原始时序特征；
3)
采用特征重构模型对步骤
2)
获得的原始时序特征进行重构，重构为保留原数据本质特征，同时去除高纬度信号中干扰信号的低维信号，作为退化模型的输入特征；
4)
根据步骤
3)
得到的输入特征，构建工业机器人退化模型，将结果划分为健康
、
退化
、
故障三个阶段类型，使用健康数据和包括健康和退化数据的非故障数据分别对模型进行训练，采用全寿命数据对训练后模型进行测试，获取退化基线和故障基线，从而生成工业机器人健康状态以及故障报警信息，用于工业机器人健康状态评价
。2.
根据权利要求1所述基于电流信号的工业机器人健康状态评价方法，其特征在于，所述步骤
1)
中预处理包括：
1.1)
使用自相关方法计算其周期，公式满足：式中
R
x
(
τ
)
主要用来描述电流信号
x(t)
与其自身延迟
τ
时刻之后的
x(t+
τ
)
相似程度，相似程度越高，相关值越高；相关值最高的坐标即为信号的周期点，此时对应的延迟
τ
时间为周期；因采样值是离散的，近似计算的公式满足：式中，
M
为最大计算时延量，
N
为数据点数；
1.2)
工业机器人电流信号的采集是不连续的，不同时间段采集的数据初始相位不一定一致，所以需要对所有采集点的数据进行相位对齐，采用互相关方法进行对齐，公式满足：式中
R
xy
(
τ
)
主要用来描述电流信号
x(t)
与电流信号
y(t)
延迟
τ
时刻之后
y(t+
τ
)
的相似程度，相似程度越高，互相关值越高；互相关值最高的坐标即需要移动的相位点数；因采样值是离散的，使用下面的公式进行近似计算：式中，
M
为最大计算时延量，
N
为数据点数
。3.
根据权利要求2所述基于电流信号的工业机器人健康状态评价方法，其特征在于，所述步骤
2)
中时域
、
频域特征的提取包括均值
、
绝对均值
、
方差
、
均方根值
、
方根幅值
、
绝对最大值
、
最大值
、
最小值
、
峰峰值
、
偏度
、
峭度
、
峰值因子
、
裕度因子
、
波形因子
、
脉冲因子
、
平均频率
、
中心频率
、
均方根频率
、
标准差频率
、
频率集中度
、
频率峭度
。4.
根据权利要求2或3所述基于电流信号的工业机器人健康状态评价方法，其特征在
于，所述步骤
2)
中时频域特征提取采用集合经验模态分解算法对每个周期的电流信号进行分解；集合经验模态分解算法是在经验模态分解算法的基础上添加均值为零
、
方差相等的高斯白噪声后进行若干次模态分解，并对每次所得本征模态分量
IMF
求均值，改善
EMD
算法的模态混叠现象；对于分解得到的
IMF
分量，取前三个分别提取能量熵
、
峭度
、
方差贡献率特征，共组成9维特征；峭度和时域信号的...

【专利技术属性】
技术研发人员：蔺道深，施敏甫，邢琳，谭帅，曲奥，王骞，买嘉成，范佳琪，黄瑾，
申请(专利权)人：上海机器人产业技术研究院有限公司，
类型：发明
国别省市：