CN107422718A - 一种工业机器人故障诊断方法 - Google Patents

Abstract

本发明公开了一种工业机器人故障诊断方法，涉及工业机器人和故障诊断技术领域。所述故障诊断方法包括构建工业机器人的参数化物理模型、完整故障树模型；获取工业机器人的实时运行数据；对工业机器人的实时运行状况进行动态仿真；根据理论分析结果与实际监测结果进行故障判断；根据故障树模型，进行故障推理，寻找导致故障的所有可能原因；对故障的可能原因进行逐一诊断，生成对应的调控指令，驱动机器人运动，根据反馈信息对故障原因进行确认。本发明充分利用了控制***中已有的数据，不需要另外增加其他物理设备，充分利用了设备的设计理论，具有简单实用性；能简单有效地确认具体的故障原因。

Description

一种工业机器人故障诊断方法

技术领域

本发明涉及工业机器人和故障诊断技术领域，具体地说，是指一种工业机器人故障诊断方法，通过建立工业机器人完整的故障树，进而实现对工业机器人的状态监测和故障诊断。

背景技术

随着“工业4.0”，“智能制造”和“中国制造2025”等发展目标的相继提出和逐步明确，工业机器人作为一种集自动化、信息化、智能化于一体的制造装备，在工业生产中正发挥着越来越重要的作用。保证工业机器人在运行过程中的可靠性、稳定性和安全性，是保证工业生产有条不紊地持续进行的重要条件。然而，工业机器人本身复杂的机电结构和所处的多变的工作环境，给维护工作带来了不小的挑战。

故障诊断(Fault Diagnosis)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；在故障发生之后，对故障的部位、原因和程度做出及时判断，从而确定维护方案。传统的维护方式，主要包括事后维修和定期维护，早已无法满足近现代工业设备维护的需要。现代故障诊断技术自20世纪70年代诞生以来，在提高***的可靠性和安全性方面发挥了重要作用。现代故障诊断主要包括状态监测、故障诊断和故障预测三个方面的内容。

工业机器人的工作特点在于它是周期性地执行相同的任务,这在一定程度上给故障诊断带来了便利。但同时,由于工业机器人执行的是高速的生产任务,其故障诊断需要尽可能地满足实时性的要求。因此，工业机器人的故障诊断需要一种简单、直观、实用且易于实现的故障诊断方法，以保障运行的安全性，保证工作精度，提高维护效率，节约维护费用。

发明内容

为了克服现有技术的不足，解决特定工业领域的专业技术问题，本发明提出了一种适用于工业机器人的简单、直观、实用且易于实现的故障诊断方法。

本发明的一种工业机器人故障诊断方法，主要通过以下步骤实现：

第一步，构建工业机器人的参数化物理模型；

第二步，构建工业机器人的完整故障树模型；

第三步，获取工业机器人的实时运行数据；

第四步，对工业机器人的实时运行状况进行动态仿真；

第五步，根据理论分析结果与实际监测结果进行故障判断；

第六步，根据故障树模型，进行故障推理，寻找导致故障的所有可能原因；

具体为：将工业机器人的故障症状特征与故障树各结点的内容进行匹配与验证；匹配的方向为自顶向下，逐步细化，直至得到故障发生的所有可能原因。

第七步，对故障的可能原因进行逐一诊断，“对症下药”，生成对应的调控指令，驱动机器人运动，根据反馈信息对故障原因进行确认。

第一步中构建工业机器人的参数化物理模型的具体过程为：

101)通过对工业机器人的机械结构进行手动测量，或者更多的情况下是根据其设计图纸或三维模型等，直接得到工业机器人的关键物理参数，包括结构尺寸和质量分布，并通过计算得到惯量等物理参数；

102)根据101)中所述物理参数，依据D-H参数法，构建工业机器人的运动学模型，建立起关节角度和末端执行器位姿之间的关系；

103)根据101)中所述尺寸、质量和惯量参数，依据牛顿-拉格朗日法，构建工业机器人的动力学模型，建立起关节角度、角速度、角加速度和关节力矩之间的关系。

第二步中构建工业机器人的完整故障树模型的具体过程为：

201)从以往的故障实例和诊断经验中，提取和总结故障诊断知识，初步建立机器人的故障树模型；所述故障诊断知识包括故障的编号、症状、原因、部位、重要程度和解决方案；

202)根据理论分析和逻辑推理的结果，整理补充和完善201)中的故障树模型，逐步建立起完整的故障树模型。

第三步中获取工业机器人的实时运行数据具体过程为：

301)从机器人控制***中读取PLC控制指令、电源电压、电机电流；

302)从机器人控制***中读取运动学数据，包括关节角度、角速度、角加速度；

303)从机器人控制***中读取相关动力学数据，主要包括电机转矩、转速；

304)从外部传感器读取环境的温度、湿度，各关节臂的倾角、振动数据。

第四步中动态仿真具体为：

401)根据102)的运动学模型和302)的实时运动学数据，对工业机器人的实时运动姿态进行仿真，以数据驱动三维物理模型的方式将工业机器人的运动过程进行展现；

402)根据303)的动力学数据，将工业机器人各关节电机的实时力矩状态补充在401)的三维物理模型上。

第五步中故障判断具体为：

501)根据102)的运动学模型和302)的运动学数据，通过求运动学逆解的方式，获得某一特定时刻各关节对应的理论运动学数据，包括角度、角速度、角加速度数据。

502)根据103)的动力学模型和501)各关节的理论运动学数据，通过求动力学解析解的方式获取某一特定时刻各关节对应的理论动力学数据，包括电机转矩数据。

503)通过将理论分析结果和实时监测结果进行比较，判断其是否发生故障；

504)如果当前已经发生故障，则进行故障分析，转到第六步。

所述第七步具体为：

701)根据第六步中推理得到的可能原因，逐项生成对应的调控指令，发送给工业机器人控制器，驱动工业机械人运动；

702)监测工业机器人试运行状况，判断是否仍然故障；

703)如果仍然故障，则说明不是该种原因导致的故障，转到下一项故障原因进行确认，直到确认出具体故障原因；

704)如果运行正常，则说明确实是该种原因导致的故障，结束本次诊断过程，给出最终诊断结论。

与现有技术相比，本发明具有以下优点：

(1)本发明提出的动态仿真特别适合辅之以软件实现，能够给出生动的三维视图。如此，软件***在进行故障识别的时候，操作人员可以直观地监督其运行。

(2)本发明提出的故障判别方法，充分利用了控制***中已有的数据，不需要另外增加其他物理设备，充分利用了设备的设计理论，具有简单实用性。

(3)本发明提出的通过故障树进行自顶向下、逐层推理的方法，更适用于工业机器人这种复杂设备的故障诊断过程，往往能得出更为确切的故障分析结果。

(4)本发明提出的根据可能的故障原因，逐一生成并发送对应的控制指令，监测反馈信息，进行故障原因确认的方法，本质上构成了故障诊断的闭环，逻辑上更符合日常操作的习惯，也更能简单有效地确认具体的故障原因。

附图说明

图1为本发明的工业机器人故障诊断方法流程示意图；

图2为本发明实施例中采用的工业机器人操作手PUMA560结构及坐标示意图；

图3为本发明的工业机器人故障诊断方法流程图；

图4为本发明的建立的故障树示意图；

图5为本发明的动态仿真示意图；

图6为本发明的故障推理示意图；

图7为本发明的故障调控进一步确定具体故障的方法示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本实施例仅是示例性地解释本发明的内容，而不能理解为对本发明的保护范围的限制。

如图1所示，本实施例以如图2所示的一个经典六自由度串联工业机器人操作手PUMA560 (参考文献[1]：蔡自兴,谢斌.机器人学[M].清华大学出版社,2015.)为例，说明本发明的工业机器人故障诊断方法，采用参数化模型的方式进行动态仿真，采用基于解析模型的方法进行故障识别，采用故障树分析法进行可能故障原因的推理，采用逐一调控的方式进行具体故障原因的确认。具体而言，如图3所示流程，包括以下步骤：

1.构建工业机器人的参数化物理模型。

建立PUMA560的连杆坐标系(如图4)，依据三维设计模型，获取关键尺寸数据(如表1)：

表1 PUMA560的三维模型设计参数

连杆i	αt-1/(°)	at-1/(m)	θt/(°)	dt/(m)	变量范围
						1	0	0	90	0	-160～160
2	-90	0	0	0.1491	-225～45
						3	0	0.4318	-90	0	-45～225
4	-90	-0.0203	0	0.4331	-110～170
						5	90	0	0	0	-100～100
6	-90	0	0	0	-266～266

其中，a_i为沿x_i，从z_i移动到z_i+1的距离；α_i为绕x_i，从z_i旋转到z_i+1的角度； d_i为沿着z_i，从x_i-1移动到x_i的距离；θ_i为绕z_i，从x_i-1旋转到x_i的角度。

依据D-H参数法，构建工业机器人的运动学模型，建立起关节角度和末端执行器位姿之间的关系。

⁰T_i＝⁰T₁(θ₁)¹T₂(θ₂)²T₃(θ₃)......^i-1T_i(θ_i)

其中，^i-1T_i(θ_i)为从坐标系{i-1}到{i}的变换矩阵，⁰T_i为机械手端部对基座的坐标变换。

根据尺寸参数、质量参数和惯量参数，依据牛顿-拉格朗日法，构建工业机器人的动力学模型，建立关节角度q、角速度角加速度和关节力矩T之间的关系(见参考文献[2]： Armstrong B,Khatib O,Burdick J.The explicit dynamic model and inertialparameters of the PUMA 560 arm[C]//IEEE International Conference on Roboticsand Automation.Proceedings. IEEE,1986:510-518)如下：

其中，T为关节力矩向量；A(q)为运动学能量矩阵，B(q)为科氏力矩阵，C(q)为惯性力矩阵，G(q)为重力向量；q为关节角度变量，为关节角速度，为关节角加速度。

2.构建工业机器人的完整故障树模型。

从以往的故障实例和诊断经验中，提炼并总结故障诊断知识，构建故障树模型。

首先，将工业机器人的故障从宏观上划分为三大部分，分别是机械本体故障、伺服***故障和控制***故障。

然后，将每个部分逐一细分，其中，将伺服***故障划分为电机不转、电机反转、电机转速不稳定以及电机转速有偏差四部分；机械本体故障划分为带轮故障、减速器故障和轴承故障；控制***故障划分为初始化错误、存储器错误、通讯错误和校验错误。如此，初步建立机器人的故障树模型。

接着，针对每一具体故障症状，经过分析推理得到可能的故障原因，如导致电机不转的原因可能是负载过大、电源线路异常缺相、电源输入异常或驱动器损坏故障。

根据理论分析和逻辑推理的结果，整理补充和完善故障树模型，建立起工业机器人的故障树模型(如图5所示)。

3.获取工业机器人的实时运行数据。

1)从机器人控制***中读取PLC控制指令、电源电压、电机电流；

2)从机器人控制***中读取运动学数据(包括关节角度、角速度及角加速度)；

3)从机器人控制***中读取相关动力学数据(包括电机转矩、转速)；

4)从外部传感器读取环境的温度、湿度，各关节臂的倾角、振动数据。

4.对工业机器人的运行状况进行动态仿真。

根据第1步建立的工业机器人的参数化物理模型和采集到的实时运动学数据，对工业机器人的实时运动姿态进行动态仿真，以数据驱动参数化物理模型的方式对机器人(Robot)的运动过程进行展现(如图6所示，图中数字代表关节序号)。

5.对工业机器人进行故障判断。

根据工业机器人的运动学模型和采集到的运动数据，通过求运动学逆解的方式，获得特定时刻各关节对应的理论运动学数据(包括角度、角速度、角加速度)。

根据动力学模型和各关节的理论运动学数据，通过求动力学解析解的方式获取特定时刻各关节对应的理论动力学数据(电机转矩)。

通过将理论分析结果和实时监测数据进行比较，判断其是否发生故障。如果当前已经发生故障，则转到步骤6进行故障分析。

如图7所示，对采集得到的电机转矩和转速数据进行分析。将电机的实际转速与计算得到的理论转速相比较，可以判断得到当前电机故障属于哪一种情况，如果理论转速不为零而实际转速为零，则认为是电机不转故障；如果实际转速与理论转速有偏差，则将实际转速偏差与容许转速偏差进行对比，如果偏差较小在容许的范围内，则认为属于其他故障，如果偏差较大超出容许范围，则认为属于电机转速有偏差故障；如果电机转向相反，则认为是电机反转故障。根据故障判断的结论，依据步骤6可以进一步确认故障的具体原因。

对于电机转矩故障，如图7所示，将电机角度、角速度和角加速度结合动力学模型得到理论力矩，如果理论力矩和电机实际力矩之间有偏差，并且偏差在容许的范围内则认为是其他的非力矩故障；否则认为是力矩偏差故障。

6.结合故障树模型推理寻找故障的可能原因。

将工业机器人的故障症状特征与故障树的节点内容进行自顶向下，逐步细化地匹配与验证，直至得到故障发生的所有可能原因。

根据如图5所示的故障树模型，对伺服***故障症状之一(电机不转)进行分析。对导致电机不转的原因进行推理，可以得到四种可能的故障原因，包括负载过大、电路异常缺相、电源异常、驱动器损坏。

7.逐个原因进行诊断调控确认故障的具体原因。

根据故障树推理得到的所有可能原因，逐项生成对应的调控指令，发送给工业机器人控制器，驱动工业机器人运动。监测工业机器人试运行状况，根据反馈信息来判断是否仍然故障。如果仍然故障，则说明不是该种原因导致的故障，转到下一种故障原因进行确认，直到确认出具体故障原因；如果运行正常，则说明确实是该种原因导致的故障，结束本次诊断过程，给出最终诊断结论。

针对电机不转的原因之一——负载力矩过大进行分析调控。首先判断当前负载是否大于额定负载，如果当前负载大于额定负载，则给出减小负载的调控提示，如果减小负载后，故障症状消失，则说明是负载过大引起的；如果当前负载已经小于额定负载，而电机故障症状仍然存在，则说明不是负载过大的原因，根据故障树进行下一项原因(电路异常缺相)的分析与调控。

Claims (7)

1.一种工业机器人故障诊断方法，其特征在于：包括以下步骤，

第一步，构建工业机器人的参数化物理模型；

第二步，构建工业机器人的完整故障树模型；

第三步，获取工业机器人的实时运行数据；

第四步，对工业机器人的实时运行状况进行动态仿真；

第五步，根据理论分析结果与实际监测结果进行故障判断；

第六步，根据故障树模型，进行故障推理，寻找导致故障的所有可能原因；

具体为：将工业机器人的故障症状特征与故障树各结点的内容进行匹配与验证；匹配的方向为自顶向下，逐步细化，直至得到故障发生的所有可能原因；

第七步，对故障的所有可能原因进行逐一诊断，生成对应的调控指令，驱动机器人运动，根据反馈信息对故障原因进行确认。

2.根据权利要求1所述的一种工业机器人故障诊断方法，其特征在于：第一步中构建工业机器人的参数化物理模型的具体过程为：

101)通过对工业机器人的机械结构进行手动测量，或者根据设计图纸或三维模型，直接得到工业机器人的物理参数，包括结构尺寸和质量分布，并通过计算得到惯量物理参数；

102)根据101)中所述物理参数，依据D-H参数法，构建工业机器人的运动学模型，建立起关节角度和末端执行器位姿之间的关系；

103)根据101)中所述尺寸、质量和惯量参数，依据牛顿-拉格朗日法，构建工业机器人的动力学模型，建立起关节角度、角速度、角加速度和关节力矩之间的关系。

3.根据权利要求1所述的一种工业机器人故障诊断方法，其特征在于：第二步中构建工业机器人的完整故障树模型的具体过程为：

201)从以往的故障实例和诊断经验中，提取和总结故障诊断知识，初步建立机器人的故障树模型；所述故障诊断知识包括故障的编号、症状、原因、部位、重要程度和解决方案；

202)根据理论分析和逻辑推理的结果，整理补充和完善201)中的故障树模型，逐步建立起完整的故障树模型。

4.根据权利要求1所述的一种工业机器人故障诊断方法，其特征在于：第三步中所述的工业机器人的实时运行数据包括：PLC控制指令、电源电压、电机电流；关节角度、角速度、角加速度；电机转矩、转速；环境的温度、湿度，各关节臂的倾角、振动数据。

5.根据权利要求1所述的一种工业机器人故障诊断方法，其特征在于：第四步中动态仿真具体为：

401)根据运动学模型和实时运动学数据，对工业机器人的实时运动姿态进行仿真，以数据驱动三维物理模型的方式将工业机器人的运动过程进行展现；

402)根据动力学数据，将工业机器人各关节电机的实时力矩状态补充在的三维物理模型上。

6.根据权利要求1所述的一种工业机器人故障诊断方法，其特征在于：第五步中故障判断具体为：

501)根据运动学模型和运动学数据，通过求运动学逆解的方式，获得某一特定时刻各关节对应的理论运动学数据，包括角度、角速度、角加速度数据；

502)根据动力学模型和各关节的理论运动学数据，通过求动力学解析解的方式获取某一特定时刻各关节对应的理论动力学数据，包括电机转矩数据；

503)通过将理论分析结果和实时监测结果进行比较，判断其是否发生故障；

504)如果当前已经发生故障，则转到第六步进行故障分析。

7.根据权利要求1所述的一种工业机器人故障诊断方法，其特征在于：所述第七步具体为，

701)根据第六步中推理得到的所有可能原因，逐项生成对应的调控指令，发送给工业机器人控制器，驱动工业机械人运动；

702)监测工业机器人试运行状况，判断是否仍然故障；

703)如果仍然故障，则说明不是该种原因导致的故障，转到下一项故障原因进行确认，直到确认出具体故障原因；

704)如果运行正常，则说明确实是该种原因导致的故障，结束本次诊断过程，给出最终诊断结论。