CN108058188B - 机器人健康监测和故障诊断***的控制方法 - Google Patents
机器人健康监测和故障诊断***的控制方法 Download PDFInfo
- Publication number
- CN108058188B CN108058188B CN201711188384.4A CN201711188384A CN108058188B CN 108058188 B CN108058188 B CN 108058188B CN 201711188384 A CN201711188384 A CN 201711188384A CN 108058188 B CN108058188 B CN 108058188B
- Authority
- CN
- China
- Prior art keywords
- robot
- joint
- torque
- state
- current
- 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.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/0095—Means or methods for testing manipulators
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Manipulator (AREA)
Abstract
本发明属于机器人技术领域,涉及一种机器人健康监测和故障诊断***的控制方法,***包括位于运动关节处的数据获取部,用于判断机器人当前运行状态的运行状态监测部,用于判断机器人当前健康状态的健康状态监测部,根据当前机器人运行状态和健康状态做出对应处理的状态处理部,记录机器人状态参数的状态记录部。本发明通过建立机器人关节转矩预测模型和机器人机械参数辨识模型,实时判断机器人的运行状态和健康状态,并对于各种异常状态进行及时处理,可以有效地在早期发现机器人可能会发生的机械故障,减少经济损失。
Description
技术领域
本发明涉及机器人技术领域,特别涉及一种机器人健康监测和故障诊断***的控制方法。
背景技术
机器人已广泛应用于自动化生产各个领域,目前而言,缺乏有效的手段监控机器人的健康状态。机器人突然损坏有可能会使整个生产线停滞,造成重大经济损失。因此对机器人的健康监控和故障诊断对于避免损失有很重大的意义。
因此,有必要提供一种新的控制方法来解决上述问题。
发明内容
本发明的主要目的在于提供一种机器人健康监测和故障诊断***的控制方法。
本发明通过如下技术方案实现上述目的:一种机器人健康监测和故障诊断***的控制方法,
包括如下步骤:
S1、获取机器人的出厂时的机械参数向量P,维数为m×1,机械参数包括负载和各关节的质量、质心、惯量以及摩擦系数;
S3、获取机器人各关节实际转矩Tr;
S4、建立机器人关节转矩的预测模型Tp=B*P,B为已知参数矩阵;
S5、将S1的机械参数P和S2获取的关节运动量代入S4建立的模型,求解关节转矩的预测值Tp;
S6、比较S3所得关节实际转矩Tr和S5所得关节预测转矩Tp,判断当前时刻机器人各关节运动状态;
S7、建立机器人机械参数的辨识模型Pk=(BTB)-1BTTr;
S8、将S2所得运动数据和S3所得关节实际转矩Tr代入S7建立的模型求解当前时刻机器人机械参数Pk;
S9、比较S8所得当前时刻机器人机械参数Pk和机器人出厂参数P0,判断当前时刻机器人本体健康状态;
S10、记录S6所得机器人各关节运动状态和S9所得机器人本体健康状态;
S11、根据S6所得判断结果和S9所得判断结果,判断机器人的工作状态;
S12、根据S11所得结果,如果机器人状态异常,则进行异常处理;
S13、根据S11所得结果,如果机器人状态正常,按照公式Pk+1=(1-λ)Pk+λP更新机械参数得到S1新值Pk+1,λ为更新速率,取值区间为[0.01,0.1];
***包括:
位于运动关节处的数据获取部,用于实时获取当前机器人的状态参数,包括机械参数、各关节运动量和各关节转矩实测值;
运行状态监测部,用于建立机器人关节转矩预测模型,代入关节运动量和所述数据获取部获得的机械参数计算出当前关节转矩预测值,比较关节转矩预测值和实际值计算转矩偏差,判断机器人当前运行状态;
健康状态监测部,用于建立机器人机械参数辨识模型,代入关节运动量和所述数据获取部获得的关节转矩计算出当前机器人机械参数,与出厂机械参数进行比较即可判断机器人当前健康状态;
状态处理部,根据当前机器人运行状态和健康状态做出对应处理,如果状态正常,则更新机器人机械参数;如果状态异常,进行异常处理,异常处理方式包括减速运动和运动停止;
状态记录部,记录机器人状态参数;
其中S1~S3由数据获取部完成,S4~S6由运行状态检测部完成,S7~S9由健康状态检测部完成,S10由状态记录部完成,S11~S13由状态处理部完成。
具体的,所述机器人各关节实际转矩Tr由以下公式计算得到
其中τmi为第i轴电机输出转矩,Gi为第i关节的减速比,为第i轴电机角速度,为第i轴的角加速度,Jmi为第i轴电机转子的转动惯量,cmi为第i轴电机粘性阻尼系数,fmi为第i轴电机转子的摩擦转矩。电机输出转矩等于电机电流乘以转矩常数,机器人实际转矩Tr是一个N×1维的列向量,N代表机器人自由度数,第i个元素为第i轴关节转矩τi,即有Tr=[τ1,τ2,…,τN]T。
具体的,所述步骤S6包括:实际关节转矩减去预测关节转矩得到转矩偏差,根据转矩偏差判断机器人当前运行状态。
进一步的,将转矩偏差信号进行高通滤波,如果滤波后信号的绝对值大于第二阈值T2,则认定机器人本体受到强烈的外部高频扰动;如果滤波后信号的绝对值大于第一阈值T1且小于第二阈值T2,则认定机器人本体收到一般外部高频扰动;第二阈值T2大于第一阈值T1。
进一步的,将转矩偏差信号进行低通滤波,如果滤波后信号的绝对值大于第二阈值T2,则认定机器人本体受到强烈的外部低频扰动;如果滤波后信号的绝对值大于第一阈值T1且小于第二阈值T2,则认定机器人本体收到一般外部低频扰动;第二阈值T2大于第一阈值T1。
具体的,所述步骤S12中的异常处理方式包括减速运动和运动停止。
与现有技术相比,本发明的有益效果在于:
本发明通过建立机器人关节转矩预测模型和机器人机械参数辨识模型,实时判断机器人的运行状态和健康状态,并对于各种异常状态进行及时处理,可以有效地在早期发现机器人可能会发生的机械故障,减少经济损失。
附图说明
图1为实施例机器人健康监测和故障诊断***的结构示意图和流程图对应关系图;
图2为实施例机器人健康监测和故障诊断***工作过程中的逻辑框图。
图3为正常运行状态下Scara机器人第一轴关节转矩实际值和预测值的对比图。
具体实施方式
下面结合具体实施例对本发明作进一步详细说明。
实施例:
如图1所示,本发明的一种机器人健康监测和故障诊断***的控制方法,***包括:位于运动关节处的数据获取部,用于实时获取当前机器人的状态参数,如机械参数、各关节运动量和各关节转矩实测值;
运行状态监测部,用于建立机器人关节转矩预测模型,代入关节运动量和所述数据获取部获得的机械参数计算出当前关节转矩预测值,比较关节转矩预测值和实际值计算转矩偏差,判断机器人当前运行状态;
健康状态监测部,用于建立机器人机械参数辨识模型,代入关节运动量和所述数据获取部获得的关节转矩计算出当前机器人机械参数,与出厂机械参数进行比较即可判断机器人当前健康状态;
状态处理部,根据当前机器人运行状态和健康状态做出对应处理,如果状态正常,则更新机器人机械参数;如果状态异常,进行异常处理,异常处理方式包括减速运动和运动停止;
状态记录部,记录机器人状态参数。
如图2所示,应用机器人健康监测和故障诊断***的控制方法,包括如下步骤:
S1、获取机器人的出厂时的机械参数向量P,维数为m×1,机械参数包括负载和各关节的质量、质心、惯量以及摩擦系数;
S3、获取机器人各关节实际转矩Tr;
S4、建立机器人关节转矩的预测模型Tp=B*P,B为已知参数矩阵;
S5、将S1的机械参数P和S2获取的关节运动量代入S4建立的模型,求解关节转矩的预测值Tp;
S6、比较S3所得关节实际转矩Tr和S5所得关节预测转矩Tp,判断当前时刻机器人各关节运动状态;
S7、建立机器人机械参数的辨识模型Pk=(BTB)-1BTTr;
S8、将S2所得运动数据和S3所得关节实际转矩Tr代入S7建立的模型求解当前时刻机器人机械参数Pk;
S9、比较S8所得当前时刻机器人机械参数Pk和机器人出厂参数P0,判断当前时刻机器人本体健康状态;
S10、记录S6所得机器人各关节运动状态和S9所得机器人本体健康状态;
S11、根据S6所得判断结果和S9所得判断结果,判断机器人的工作状态;
S12、根据S11所得结果,如果机器人状态异常,则进行异常处理;
S13、根据S11所得结果,如果机器人状态正常,按照公式Pk+1=(1-λ)Pk+λP更新机械参数得到S1新值Pk+1,λ为更新速率,取值区间为[0.01,0.1];
其中S1~S3由数据获取部完成,S4~S6由运行状态检测部完成,S7~S9由健康状态检测部完成,S10由状态记录部完成,S11~S13由状态处理部完成。
对于S1,机器人本体机械参数包括负载和各关节的质量、质心、惯量以及摩擦系数等,S1所指机械参数初始值在出厂前确定。
S3所指关节实际转矩为驱动机构的输出转矩,由以下公式计算
下标i代表第机器人第i轴,其中λi为电机转矩常数,Ii为电机电流,τmi为电机输出转矩,Gi为关节减速比,为电机角速度,为电机角加速度,Jmi为电机转子的转动惯量,cmi为电机粘性阻尼系数,fmi为电机转子的摩擦转矩。电机输出转矩等于电机电流乘以转矩常数,机器人实际转矩Tr是一个N×1维的列向量,N代表机器人自由度数,第i个元素为第i轴关节转矩τi,即有Tr=[τ1,τ2,…,τN]T。
S4所指机器人实际转矩预测模型通过以下方法获取:关节转矩预测模型即机器人逆动力学模型,运用牛顿欧拉法建立单个关节的力和转矩平衡方程,通过运动学正向迭代求出杆件角速度、角加速度、质心速度以及质心加速度,通过动力学逆向迭代即可求出机器人关节受到的力和转矩。
下面以Scara机器人前两关节为例,详细说明上述推到过程,其中正向运动学迭代公式和逆向动力学迭代公式为:
各参数定义如下:
Scara前两关节运动学正向推导方程为
其中b1=[0,0,1]T,b2=[0,0,1]T,r0,1=[l1,0,0],r0,c1=[l1c,0,0],r1,2=[l2,0,0],r1,c2=[l2c,0,0],几何参数l1,lic均为已知量,旋转矩阵R1 0和R1 2分别为:
Scara前两关节动力学逆向推导公式为:
f2=m2ac,2-m2g2
τ2=-f2×r1,c2+ω2×(J2ω2)+J2α2
其中g1=[0,0,-9.8],g2=[0,0,-9.8],m1为第一杆件质量,m2位第二杆件质量,J1为第一杆件相对于第一转轴的转动惯量,是一个3×3的矩阵;J2为第二杆件相对第二转轴的转动惯量,同样是一个3×3的矩阵。由于Scara一轴二轴平行,不影响计算结果,可以假设J1和J2有以下形式:
根据转动惯量的平行轴定理求导J1zz和J2zz的值。已知第一杆件相对其质心转动惯量为H1,第二杆件相对其质心转动惯量为H2,则有J1zz=H1+m1*l1c*l1c,J2zz=H2+m2*l2c*l2c。推到结果为
考虑关节摩擦,令f1和f2分别为Scara机器人前两关节的摩擦转矩,则关节转矩方程修正为
摩擦转矩包含库伦摩擦、线性粘性阻尼、平方阻尼三部分,Scara机器人前两关节摩擦转矩表达式如下
其中fdi为干摩擦阻尼转矩系数,ci1为粘性阻尼转矩系数,ci2为平方阻尼转矩系数,整理Scara机器人逆动力学模型表达式,可以写成以下矩阵形式。
F=B*P
其中矩阵B,向量P,向量F表达式分别为
F=[τ1,τ2]T
c2=cos(q2) s2=sin(q2)
对于单次采样,B矩阵的维数为2×9,P矩阵维数为9×1,F矩阵维数为2×1。而对于Y组采样数据,B矩阵的维数则为2Y×9,P矩阵的维数为9×1,F矩阵维数为2Y×1。
令关节转矩预测值为Tp,将F替换为Tp则可以得到关节转矩预测模型的表达式:
Tp=B*P
S6所指运动状态判断方法如下:定义Tdi为第i轴关节转矩偏差
Tdi=Tri-Tpi
其中Tri为Tr的第i个元素,为S3所计算第i轴关节转矩的实际值,Tpi为Tp的第i个元素,为S5所计算第i轴关节转矩的预测值。
定义第一判定阈值T1,第二判定阈值T2,且有T2>T1>0。
将Tdi进行高通滤波,得到滤波后的信号Thd。如果T1<|Thd|<T2,则认定机器人受到一般外部高频扰动,如果|Thd|>T2则认定机器人受到强烈外部高频扰动,其中|·|为绝对值符号。扰动可能由以下因素引起:
1)减速器,电机等传动机构出现故障。
2)机器人本体受到撞击。
3)负载、夹具和机器人法兰之间连接出现松动,甚至出现部件脱落情况。
4)其他因素。
将Tdi进行低通滤波,得到滤波后的信号Tsd。如果T1<|Tsd|<T2,则认定机器人受到一般外部高频扰动,如果|Tsd|>T2则认定机器人受到强烈外部低频扰动,其中|·|为绝对值符号。扰动可能由以下因素引起:
1)负载力学参数填写的不正确。
2)传动机构缺少润滑。
3)传动机构老化。
4)机器人本体受到附加作用力。
5)外部环境过冷或过热。
6)其他因素。
S7所指机械参数辨识模型可以运用最小二乘法可得到,求解公式如下
Pk=(BTB)-1BTTr
S8所指当前时刻机械参数可以通过S7所示模型计算,模型输入为S2所获取的关节运动量和S3获取的关节实际转矩,其中关节运动量可以初始化B阵,关节实际转矩可以初始化向量Tr,模型输出为机器人当前时刻的机械参数Pk。
S9所指机器人健康状态判断方法如下:即P0为机器人出厂时机械参数向量,Pk为S8计算所得当前时刻机械参数向量,定义新变量ΔP=||Pk-P0||,其中符号||Pk-P0||代表向量Pk-P0的二范数。
如果ΔP>P1则认为机器人健康状态异常,否则认为机器人健康状态正常。其中P1>0为判断阈值,异常状态可能由以下因素引起:
1)电机出现问题。
2)传动机构磨损或老化。
此处同样以Scara机器人为例进行详细说明,将参数向量P写成两部分,Pk=[P1,P2],同样将P0写成两部分,P0=[P10,P20],其中P10是和机器人质量参数有关的向量子集,P20是和机器人摩擦转矩相关的向量子集,其中P1=[c11,c12,c21,c22,fd1,fd2],ΔP1=||P1-P10||,ΔP2=||P2-P20||,假若||ΔP1||值出现异常,则有两种可能,一是电机出现故障,二是机器人本体有附加质量。假若||ΔP2||值出现异常,则传动机构出现问题,例如减速机润滑不够理想或者减速机损坏。
S10记录S6所得机器人各关节运动状态和S9所得机器人本体健康状态。
S11针对S6和S9判断结果进行决策,如果机器人运行状态和健康状态都正常,则认为机器人状态正常,否则认为机器人状态异常。
S12针对S11所得机器人异常工作状态进行响应动作,当机器人受到强烈的外部扰动时,将机器人切换到停止模式,否则将机器人切换到低速运行模式。
S13针对S11所得机器人正常工作状态进行响应动作,具体动作是更新机器人机械参数,假设当前时刻机器人机械参数S1为P,当前时刻S8计算所得机器人机械参数为Pk,则下一时刻机器人机械参数S1为Pk+1:
Pk+1=(1-λ)Pk+λP
式中λ为更新速率,取值区间为[0.01,0.1],λ取值越大,S1所指机器人机械参数更新越快。
为验证本发明的正确性,通过采集Scara机器人前两关节运动量数据和电流数据,计算第一关节实际转矩,利用S7机械参数辨识模型,计算机器人当前机械参数,而后将机械参数以及重新采样的运动量带入S4关节转矩预测模型,计算第一关节转矩预测值,相关结果见图3,其中实线Prediction代表关节转矩预测值,虚线Real代表关节转矩实际值,因而可以看出在正常工作状态下,关节转矩预测值和实际值高度一致,验证了S4关节转矩预测模型的准确性。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (6)
1.一种机器人健康监测和故障诊断***的控制方法,其特征在于包括如下步骤:
S1、获取机器人的出厂时的机械参数向量P,维数为m×1,机械参数包括负载和各关节的质量、质心、惯量以及摩擦系数;
S3、获取机器人各关节实际转矩Tr;
S4、建立机器人关节转矩的预测模型Tp=B*P,B为已知参数矩阵;
S5、将S1的机械参数P和S2获取的关节运动量代入S4建立的模型,求解关节转矩的预测值Tp;
S6、比较S3所得关节实际转矩Tr和S5所得关节预测转矩Tp,判断当前时刻机器人各关节运动状态;
S7、建立机器人机械参数的辨识模型Pk=(BTB)-1BTTr;
S8、将S2所得运动数据和S3所得关节实际转矩Tr代入S7建立的模型求解当前时刻机器人机械参数Pk;
S9、比较S8所得当前时刻机器人机械参数Pk和机器人出厂参数P0,判断当前时刻机器人本体健康状态;
S10、记录S6所得机器人各关节运动状态和S9所得机器人本体健康状态;
S11、根据S6所得判断结果和S9所得判断结果,判断机器人的工作状态;
S12、根据S11所得结果,如果机器人状态异常,则进行异常处理;
S13、根据S11所得结果,如果机器人状态正常,按照公式Pk+1=(1-λ)Pk+λP更新机械参数得到S1新值Pk+1,λ为更新速率,取值区间为[0.01,0.1];
***包括:
位于运动关节处的数据获取部,用于实时获取当前机器人的状态参数,包括机械参数、各关节运动量和各关节转矩实测值;
运行状态监测部,用于建立机器人关节转矩预测模型,代入关节运动量和所述数据获取部获得的机械参数计算出当前关节转矩预测值,比较关节转矩预测值和实际值计算转矩偏差,判断机器人当前运行状态;
健康状态监测部,用于建立机器人机械参数辨识模型,代入关节运动量和所述数据获取部获得的关节转矩计算出当前机器人机械参数,与出厂机械参数进行比较即可判断机器人当前健康状态;
状态处理部,根据当前机器人运行状态和健康状态做出对应处理,如果状态正常,则更新机器人机械参数;如果状态异常,进行异常处理,异常处理方式包括减速运动和运动停止;
状态记录部,记录机器人状态参数;
其中S1~S3由数据获取部完成,S4~S6由运行状态检测部完成,S7~S9由健康状态检测部完成,S10由状态记录部完成,S11~S13由状态处理部完成。
3.根据权利要求1所述的控制方法,其特征在于:所述步骤S6包括:实际关节转矩减去预测关节转矩得到转矩偏差,根据转矩偏差判断机器人当前运行状态。
4.根据权利要求3所述的控制方法,其特征在于:将转矩偏差信号进行高通滤波,如果滤波后信号的绝对值大于第二阈值T2,则认定机器人本体受到强烈的外部高频扰动;如果滤波后信号的绝对值大于第一阈值T1且小于第二阈值T2,则认定机器人本体收到一般外部高频扰动;第二阈值T2大于第一阈值T1。
5.根据权利要求3所述的控制方法,其特征在于:将转矩偏差信号进行低通滤波,如果滤波后信号的绝对值大于第二阈值T2,则认定机器人本体受到强烈的外部低频扰动;如果滤波后信号的绝对值大于第一阈值T1且小于第二阈值T2,则认定机器人本体收到一般外部低频扰动;第二阈值T2大于第一阈值T1。
6.根据权利要求1所述的控制方法,其特征在于:所述步骤S12中的异常处理方式包括减速运动和运动停止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711188384.4A CN108058188B (zh) | 2017-11-24 | 2017-11-24 | 机器人健康监测和故障诊断***的控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711188384.4A CN108058188B (zh) | 2017-11-24 | 2017-11-24 | 机器人健康监测和故障诊断***的控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108058188A CN108058188A (zh) | 2018-05-22 |
CN108058188B true CN108058188B (zh) | 2021-04-30 |
Family
ID=62136040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711188384.4A Active CN108058188B (zh) | 2017-11-24 | 2017-11-24 | 机器人健康监测和故障诊断***的控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108058188B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108908345B (zh) * | 2018-08-31 | 2023-07-14 | 上海大学 | 一种欠驱动灵巧手传动***状态感知*** |
CN109465823B (zh) * | 2018-11-06 | 2022-03-18 | 泰康保险集团股份有限公司 | 智能机器人控制方法及装置、电子设备、存储介质 |
US20220024038A1 (en) * | 2018-12-24 | 2022-01-27 | Abb Schweiz Ag | Method for Diagnosing a Robot, Device and Server |
CN109571549A (zh) * | 2018-12-29 | 2019-04-05 | 上海新时达机器人有限公司 | 一种机器人本体的摩擦力监测方法和***以及设备 |
CN112123371A (zh) * | 2019-06-25 | 2020-12-25 | 株式会社日立制作所 | 机器人故障预测装置及***、机器人故障预测方法 |
CN110988526B (zh) * | 2019-11-21 | 2021-01-29 | 珠海格力电器股份有限公司 | 一种机器人装配检查方法、装置及存储介质 |
CN113021411B (zh) * | 2019-12-24 | 2023-06-20 | 株式会社日立制作所 | 机器人故障预测装置及***、以及机器人故障预测方法 |
CN111086025A (zh) * | 2019-12-25 | 2020-05-01 | 南京熊猫电子股份有限公司 | 一种应用于工业机器人的多故障原因诊断***及诊断方法 |
CN111283731A (zh) * | 2020-03-17 | 2020-06-16 | 安徽智训机器人技术有限公司 | 工业机器人操作故障判定方法和*** |
CN111532988B (zh) * | 2020-04-26 | 2021-07-30 | 成都见田科技有限公司 | 应用于升降机的远程智能监控方法及监控计算机 |
CN111761576A (zh) * | 2020-06-15 | 2020-10-13 | 上海高仙自动化科技发展有限公司 | 健康监控方法及***、智能机器人及可读存储介质 |
WO2022041064A1 (en) * | 2020-08-27 | 2022-03-03 | Rethink Robotics Gmbh | Method and apparatus for robot joint status monitoring |
CN113776791A (zh) * | 2021-08-04 | 2021-12-10 | 深圳优地科技有限公司 | 监测机器人健康状态的方法、装置、机器人及存储介质 |
CN114323718B (zh) * | 2021-12-14 | 2023-12-15 | 合肥欣奕华智能机器股份有限公司 | 一种机器人故障预测方法及装置 |
CN114770607B (zh) * | 2022-06-20 | 2022-09-02 | 深圳希研工业科技有限公司 | 一种基于大数据的机器人健康监控方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1284414A2 (de) * | 2001-08-13 | 2003-02-19 | Siemens Aktiengesellschaft | Diagnose von Robotergetrieben |
CN101059697A (zh) * | 2006-04-17 | 2007-10-24 | 发那科株式会社 | 控制电动机的装置以及方法 |
CN101200066A (zh) * | 2006-12-11 | 2008-06-18 | Abb研究有限公司 | 用于监控工业机器人的状态的方法和控制*** |
CN105095918A (zh) * | 2015-09-07 | 2015-11-25 | 上海交通大学 | 一种多机器人***故障诊断方法 |
CN106020116A (zh) * | 2015-03-24 | 2016-10-12 | 发那科株式会社 | 具有对机器人进行异常诊断的功能的机器人控制装置 |
CN106814701A (zh) * | 2016-12-26 | 2017-06-09 | 武汉华中数控股份有限公司 | 管控数控平台***及其构建方法 |
-
2017
- 2017-11-24 CN CN201711188384.4A patent/CN108058188B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1284414A2 (de) * | 2001-08-13 | 2003-02-19 | Siemens Aktiengesellschaft | Diagnose von Robotergetrieben |
CN101059697A (zh) * | 2006-04-17 | 2007-10-24 | 发那科株式会社 | 控制电动机的装置以及方法 |
CN101200066A (zh) * | 2006-12-11 | 2008-06-18 | Abb研究有限公司 | 用于监控工业机器人的状态的方法和控制*** |
CN106020116A (zh) * | 2015-03-24 | 2016-10-12 | 发那科株式会社 | 具有对机器人进行异常诊断的功能的机器人控制装置 |
CN105095918A (zh) * | 2015-09-07 | 2015-11-25 | 上海交通大学 | 一种多机器人***故障诊断方法 |
CN106814701A (zh) * | 2016-12-26 | 2017-06-09 | 武汉华中数控股份有限公司 | 管控数控平台***及其构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108058188A (zh) | 2018-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108058188B (zh) | 机器人健康监测和故障诊断***的控制方法 | |
CN111788040B (zh) | 机器人的动力学参数辨识方法、机器人和存储装置 | |
CN106483964B (zh) | 一种基于接触力观测器的机器人柔顺控制方法 | |
CN109583093B (zh) | 一种考虑关节弹性的工业机器人动力学参数辨识方法 | |
CN111496791B (zh) | 一种基于串联机器人的整体动力学参数辨识方法 | |
CN112743541B (zh) | 一种无力/力矩传感器机械臂软浮动控制方法 | |
CN105479459A (zh) | 机器人零力控制方法以及*** | |
CN108638070A (zh) | 基于动态平衡的机器人负载重力参数辨识方法 | |
CN112677156B (zh) | 一种机器人关节摩擦力补偿方法 | |
CN107391861A (zh) | 不依赖本体动力学参数的工业机器人负载动力学参数辨识方法 | |
CN113977578B (zh) | 一种液压机械臂末端力软测量方法 | |
CN103728988B (zh) | 基于内模的scara机器人轨迹跟踪控制方法 | |
CN111965976B (zh) | 基于神经网络观测器的机器人关节滑模控制方法及*** | |
CN111267105A (zh) | 一种六关节机器人的动力学参数辨识及碰撞检测方法 | |
CN110065073B (zh) | 一种机器人动力学模型辨识方法 | |
CN104199291B (zh) | 基于耗散理论的tora***自适应控制方法 | |
CN115890735B (zh) | 机械臂***、机械臂及其控制方法、控制器和存储介质 | |
CN114260892B (zh) | 弹性关节力矩控制方法、装置、可读存储介质及机器人 | |
CN112528434A (zh) | 信息识别方法、装置、电子设备和存储介质 | |
CN115946131A (zh) | 一种柔性关节机械臂运动控制仿真计算方法及装置 | |
CN108227493B (zh) | 一种机器人轨迹跟踪方法 | |
CN108445778B (zh) | 一种针对空间非合作目标非完全约束组合体的动力学建模方法 | |
Han et al. | External force estimation method for robotic manipulator based on double encoders of joints | |
CN113246137A (zh) | 基于外力矩估计模型的机器人碰撞检测方法 | |
CN109241553B (zh) | 一种机械臂关节实时动力学建模方法 |
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 |