CN110110803A - 一种机器人故障诊断方法、装置及设备 - Google Patents
一种机器人故障诊断方法、装置及设备 Download PDFInfo
- Publication number
- CN110110803A CN110110803A CN201910402385.7A CN201910402385A CN110110803A CN 110110803 A CN110110803 A CN 110110803A CN 201910402385 A CN201910402385 A CN 201910402385A CN 110110803 A CN110110803 A CN 110110803A
- Authority
- CN
- China
- Prior art keywords
- robot
- sensitive features
- collection
- fault diagnosis
- primitive character
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 91
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 238000003860 storage Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 15
- 239000012141 concentrate Substances 0.000 claims abstract description 14
- 230000035945 sensitivity Effects 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 8
- 238000009826 distribution Methods 0.000 abstract description 3
- 230000033001 locomotion Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 13
- 238000002405 diagnostic procedure Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- DMJXRYSGXCLCFP-LBPRGKRZSA-N (3s)-n-tert-butyl-1,2,3,4-tetrahydroisoquinoline-3-carboxamide Chemical compound C1=CC=C2CN[C@H](C(=O)NC(C)(C)C)CC2=C1 DMJXRYSGXCLCFP-LBPRGKRZSA-N 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000011309 routine diagnosis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manipulator (AREA)
Abstract
本申请公开了一种机器人故障诊断方法,能采集机器人的运行数据以作为原始特征集,从原始特征集中筛选敏感特征集,并确定敏感特征集中敏感特征的特征权重,进而依据特征权重利用基于逆协方差矩阵的聚类方法对敏感特征集进行聚类,最终根据聚类结果确定机器人的故障诊断结果。可见,该方法利用基于逆协方差矩阵的聚类方法实现聚类,由于该聚类方法能通过发现机器人在相同运行状态下的不同表现来进行故障诊断,提升了诊断的可靠性,此外该方法考虑到各个敏感特征在故障诊断中的敏感程度的不同,为各个敏感权重分配相应的特征权重,提升了诊断的准确性。本申请还提供了一种机器人故障诊断装置、设备及计算机可读存储介质,其作用与上述方法相对应。
Description
技术领域
本申请涉及故障诊断领域,特别涉及一种机器人故障诊断方法、装置、设备及计算机可读存储介质。
背景技术
机器人是一种半自主或全自主工作的机器,集现代制造技术、新型材料技术和信息控制技术为一体,是智能制造的代表性产品。
现阶段,机器人***的集成度和复杂度也越来越高,多数机器人作业的运行工艺参数设定、运维管控还只是依靠技术工人现场执行,单纯依赖经验与工艺知识进行运维已经无法满足当前复杂***的需求,因此广泛存在盲目定检、定修导致维护成本提高、效率低下等问题,影响生产效率与质量。总体上,现阶段工业机器人的应用过程存在设备运行效率低、工艺知识智能决策水平低、运行故障率高、维修响应不及时、维护效率低成本高等问题。
故障诊断技术发展至今,大致经历了三个阶段,分别为早期人工诊断阶段、以自动检测为主的常规诊断阶段、智能诊断阶段。通过对国内外工业机器人等复杂装备故障诊断发展现状的研究分析,可以总结出故障诊断方法主要有基于信号处理的故障诊断方法、基于解析模型的故障诊断方法和基于知识的诊断方法。然而,这些方案的故障诊断实时性和准确性较低,无法满足实际使用需求。
发明内容
本申请的目的是提供一种机器人故障诊断方法、装置、设备及计算机可读存储介质,用以解决传统的机器人故障诊断方案的诊断实时性和准确性较低的问题。具体方案如下:
第一方面,本申请提供了一种机器人故障诊断方法,包括:
采集机器人的运行数据以作为原始特征集;
从所述原始特征集中筛选敏感特征集,并确定所述敏感特征集中敏感特征的特征权重;
依据所述特征权重,利用基于逆协方差矩阵的聚类方法对所述敏感特征集进行聚类,得到聚类结果;
根据所述聚类结果,确定所述机器人的故障诊断结果。
可选的,所述从所述原始特征集中筛选敏感特征集,并确定所述敏感特征集中敏感特征的特征权重,包括:
利用补偿距离评估方法从所述原始特征集中筛选敏感特征集;
依据距离评价标准,确定所述敏感特征集中敏感特征在故障诊断中的敏感程度,以作为特征权重。
可选的,所述根据所述聚类结果,确定所述机器人的故障诊断结果,包括:
根据所述聚类结果,确定离群点以及所述离群点对应的运行状态;
根据所述离群点和所述运行状态,确定所述机器人的故障类型。
可选的,所述采集机器人的运行数据以作为原始特征集,包括:
采集机器人中电机编码器的反馈信号,以作为原始特征集。
可选的,所述反馈信号包括以下任意一项或多项:指令位置信号、反馈位置信号、指令速度信号、反馈速度信号、指令加速度信号、反馈加速度信号、指令力矩信号、反馈力矩信号、误差信号。
可选的,所述根据所述聚类结果,确定所述机器人的故障诊断结果,包括:
依据所述机器人多个轴的轴反馈力矩,确定各个所述轴的轴权重;
根据多个所述轴的聚类结果和相应的轴权重,确定故障诊断结果。
第二方面,本申请提供了一种机器人故障诊断装置,包括:
原始特征集确定模块:用于采集机器人的运行数据以作为原始特征集;
敏感特征集确定模块:用于从所述原始特征集中筛选敏感特征集,并确定所述敏感特征集中敏感特征的特征权重;
聚类模块:用于依据所述特征权重,利用基于逆协方差矩阵的聚类方法对所述敏感特征集进行聚类,得到聚类结果;
故障诊断模块:用于根据所述聚类结果,确定所述机器人的故障诊断结果。
可选的,所述故障诊断模块包括:
聚类单元:用于根据所述聚类结果,确定离群点以及所述离群点对应的运行状态;
故障分析单元:用于根据所述离群点和所述运行状态,确定所述机器人的故障类型。
第三方面,本申请提供了一种机器人故障诊断设备,包括:
存储器:用于存储计算机程序;
处理器:用于执行所述计算机程序以实现如上所述的一种机器人故障诊断方法的步骤。
第四方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,所述计算机程序被处理器执行时用于实现如上所述的一种机器人故障诊断方法的步骤。
本申请所提供的一种机器人故障诊断方法,能够采集机器人的运行数据以作为原始特征集,从原始特征集中筛选敏感特征集,并确定敏感特征集中敏感特征的特征权重,进而依据特征权重利用基于逆协方差矩阵的聚类方法对敏感特征集进行聚类,最终根据聚类结果确定机器人的故障诊断结果。可见,该方法利用基于逆协方差矩阵的聚类方法实现聚类,由于基于逆协方差矩阵的聚类方法能够快速将机器人动作划分为若干个状态,因此提升了诊断的速度,此外该方法考虑到各个敏感特征在故障诊断中的敏感程度的不同,为各个敏感权重分配了相应的特征权重,提升了故障诊断的准确性。
此外,本申请还提供了一种机器人故障诊断装置、设备及计算机可读存储介质,其作用与上述方法相对应,这里不再赘述。
附图说明
为了更清楚的说明本申请实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请所提供的一种机器人故障诊断方法实施例一的实现流程图;
图2为本申请所提供的一种机器人故障诊断方法实施例二的实现流程图;
图3为本申请所提供的一种机器人故障诊断装置实施例的功能框图;
图4为本申请所提供的一种机器人故障诊断设备实施例的结构示意图。
具体实施方式
本申请的核心是提供一种机器人故障诊断方法、装置、设备及计算机可读存储介质,实现了提升机器人故障诊断过程的实时性和准确性。
为了使本技术领域的人员更好地理解本申请方案,下面结合附图和具体实施方式对本申请作进一步的详细说明。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
下面对本申请提供的一种机器人故障诊断方法实施例一进行介绍,参见图1,实施例一包括:
步骤S101:采集机器人的运行数据以作为原始特征集;
具体的,上述机器人的运行数据可以包括:指令位置、反馈位置、指令速度、反馈速度、指令加速度、反馈加速度、指令力矩、反馈力矩、误差等。在实际应用场景中,可以按照适当的频率对机器人的运行数据进行采集,得到上述原始特征集,具体可以采集单个或多个动作执行周期内的运行数据。当上述机器人缺少相应的采集器或传感器的时候,可以通过读取机器人的电机编码器的反馈信号来实现上述数据采集过程。值得一提的是,当上述机器人为多轴机器人时,可以分别对机器人的各个轴的运行数据进行采集。
步骤S102:从所述原始特征集中筛选敏感特征集,并确定所述敏感特征集中敏感特征的特征权重;
不同的特征具有不同的重要程度,一些特征是敏感的也就是与故障密切相关的,但其他特征则不然。因此,为了提高故障诊断准确性并避免维数灾难,可以筛选出更能提供机器人故障相关信息的敏感特征,丢弃或削弱不相关或冗余的特征。因此,本实施例根据原始特征集中各个特征对于故障诊断的重要程度的不同,从原始特征集中筛选出敏感特征集,其中,敏感特征集包括一个或多个敏感特征。作为一种具体的实施方式,可以选取补偿距离评估技术(CDET)来实现上述过程。
虽然通过补偿距离评估技术从原始特征集中选取了敏感特征,但所选取的敏感特征在故障诊断中具有不同的敏感性。因此,为了获得更可靠的诊断结果,本实施例为各个敏感特征赋予了相应的特征权重。具体的,本实施例为每一个敏感特征分配一个[0,1]内的数字,用来表示该敏感特征的敏感程度。在欧氏空间中,特征加权是对敏感特征对应的轴进行扩展,对与故障无关的特征对应的轴进行收缩。
步骤S103:依据所述特征权重,利用基于逆协方差矩阵的聚类方法对所述敏感特征集进行聚类,得到聚类结果;
如上所述,本实施例采用基于逆协方差矩阵的聚类方法(简称TICC)实现聚类,该聚类方法依据各个特征之间内部关系来聚类,聚类结果具备可解释性,也就是说聚类结果对应机器人的加速、减速、转向、平稳运行、基本静止等若干具有实际物理意义的状态,因此可以依据聚类实现故障诊断分析。需要说明的是,当机器人为多轴机器人时,在聚类过程中需要分别对各个轴的敏感特征矩阵进行聚类。
步骤S104:根据所述聚类结果,确定所述机器人的故障诊断结果。
具体的,本实施例根据所述聚类结果发现异常类,从而确定所述机器人的故障诊断结果。作为一种具体的方式,可以通过上述聚类过程判断有无离群点,并在确定存在离群点的时候,结合专家知识确定故障诊断结果,其中所谓离群点就是指在特征矩阵中远离矩阵一般水平的极端值。
本实施例所提供一种机器人故障诊断方法,能够采集机器人的运行数据以作为原始特征集,从原始特征集中筛选敏感特征集,并确定敏感特征集中敏感特征的特征权重,进而依据特征权重利用基于逆协方差矩阵的聚类方法对敏感特征集进行聚类,最终根据聚类结果确定机器人的故障诊断结果。可见,该方法利用基于逆协方差矩阵的聚类方法实现聚类,由于基于逆协方差矩阵的聚类方法能够发现机器人运行时的隐含状态,通过发现机器人在相同状态下的不同表现来进行故障诊断,提升了诊断的可靠性,此外该方法考虑到各个敏感特征在故障诊断中的敏感程度的不同,为各个敏感权重分配了相应的特征权重,提升了故障诊断的准确性。
下面开始详细介绍本申请提供的一种机器人故障诊断方法实施例二,实施例二基于上述实施例一实现,并在实施例一的基础上进行了一定程度上的拓展。
具体的,参见图2,实施例二包括:
步骤S201:采集机器人中电机编码器的反馈信号,以作为原始特征集;
具体可以采集在单个动作执行周期内的电机编码器的反馈信号,所述反馈信号包括以下任意一项或多项:指令位置信号、反馈位置信号、指令速度信号、反馈速度信号、指令加速度信号、反馈加速度信号、指令力矩信号、反馈力矩信号、误差信号。值得一提的是,在采集过程中可以分别对机器人的各个轴的反馈信号进行采集,得到各个轴的原始特征集。
具体的,在本实施例中,可以假设C条件的原始特征集为:
{qm,c,j,m=1,2,...,Mc;c=1,2,...,C;j=1,2,...,J} (1)
其中qm,c,j是第c个条件下第m个样本的第j个特征值,Mc是第c个条件的样本总数量,J是每个样本的特征总数量。因此,样本总数量为Mc×C,特征总数量为Mc×C×J。
步骤S202:依据所述机器人多个轴的轴反馈力矩,确定各个所述轴的轴权重;
机器人实际工作中可能会做打磨、搬运、上下料、喷涂等多种动作,不同动作对机器人六个轴的使用程度是不同的,比如打磨动作中4、5、6轴运动的多,所以更应该关注这三个轴的动作;而在搬运动作中1、2轴的使用程度更高,也更易发生故障,所以更应该关注这两个轴。因此,本实施例考虑到多轴机器人在运行不同动作时各个轴的不同工况状态,为各个轴赋予相应的轴权重,此外,在实际的诊断过程中可以依据工况实时动态调整轴权重。具体的,可以根据各个轴反馈力矩的均值来计算轴权重。值得一提的是,在聚类过程中本实施例并非将几个轴的运行数据一起进行聚类,而是分别对各个轴的运行数据进行聚类,上述轴权重仅作为后续故障诊断分析的参考条件,不影响聚类结果。因此,本实施例不限定步骤S202的执行顺序,只要保证在步骤S208之前即可,而本实施例提供的步骤S202的执行顺序作为一种优选的实施方式,可以避免对非目标轴的特征集的处理过程。
步骤S203:根据所述轴权重,确定在本动作执行周期内的目标轴;
本实施例不限定目标轴的数量,具体基于实际工况确定即可。
步骤S204:利用补偿距离评估方法从所述目标轴的原始特征集中筛选敏感特征集;
基于补偿距离评估方法从目标轴的原始特征集中筛选敏感特征的过程可以参考现有方案,此处不再详细介绍。
步骤S205:依据距离评价标准,确定所述敏感特征集中敏感特征在故障诊断中的敏感程度,以作为特征权重;
在特征筛选完成后,可以从原始特征中得到几个敏感特征。然后,作为一种可选的实施方式,可以通过再次执行补偿距离评估方法来评估各个敏感特征,依据距离评价标准确定每个敏感特征在故障诊断过程中的敏感程度大小,以作为特征权重。
值得一提的是,在执行聚类操作之前,需要对各个敏感特征进行归一化操作,具体的。可以将第t个特征参数的特征值vt按下式进行归一化:
其中,min(vt)表示特征值vt的最小值,max(vt)表示特征值vt的最大值,T为敏感特征的总数量。
步骤S206:依据所述特征权重,利用基于逆协方差矩阵的聚类方法对所述敏感特征集进行聚类,得到聚类结果;
本实施例选用基于逆协方差矩阵的聚类方法实现聚类,该聚类方法可以基于马尔可夫随机字段自动从时序数据找到精准的可解释的聚类结果,其核心思想就是在没有标定的情况下,通过同时对数据进行分割和对于各个分割结果进行聚类,达到将信号划分为若干个可能状态的效果,如机械臂加速运动状态、机械臂平稳运行状态等。通过这些状态的划分,可以将机器人不同动作的采集数据进行对比,甚至可以将不同运行速度的机器人进行异常对比,扩大了一致性故障诊断的应用范围,提升了故障诊断的便捷性。
此外,基于逆协方差矩阵的聚类方法具有更大的适用性,可以用于实际工厂生产作业的机器人的故障检测。在工厂的生产活动中,多台机器人很可能有不同的程序任务,处于不同的工作状态中,采用传统的算法将无法分析波形不同的异常值,而基于逆协方差矩阵的聚类方法采用滑动窗的方式,不以程序来分类而是根据运行动作的状态来聚类,所以可以适用于更大的范围。
具体的基于逆协方差矩阵的聚类方法的聚类过程可以参照现有方案,本实施例不再展开介绍。
步骤S207:根据所述聚类结果,确定离群点以及所述离群点对应的运行状态;
具体的,可以对多台机器人同一类的特征矩阵求矩阵距离,如果距离超过正常值则认为是离群点,判定这台机器人有异常。
步骤S208:根据所述离群点和所述运行状态,确定所述机器人的故障诊断结果。
此外,作为一种优选的实施方式,本实施例可以根据所述离群点和所述运行状态确定大概的故障类型。比如电机在低速运行时的抖动,会被判定为离群点,故障类型可能是定子故障或者转子故障,或者是机械磨损、惯量变化、润滑等因素产生抖动。如果是在加减速过程中出现异常抖动,则可能是减速机的故障。总之,根据聚类结果,可以判断机器人的故障为在哪种运行状态下的故障,例如加速运动、减速运动、匀速运动,最后依据故障的特点、故障对应的运动状态、结合专家知识确定故障类型。
可见,本实施例提供的一种机器人故障诊断方法,利用补偿距离评估方法和基于逆协方差矩阵的聚类方法实现机器人的故障诊断过程,至少具备以下优点:不依赖于额外的传感器,经济高效;基于敏感特征的敏感程度为各个敏感特征分配了相应的特征权重;基于逆协方差矩阵的聚类方法得到的聚类结果具备可解释性,便于后续故障分析;对多轴机器人不同的轴进行加权处理,因为执行不同的动作时主要用的轴也各不相同,依据执行的动作选择不同的特征轴使得故障诊断效果更好;依据不同状态下的离群点,支持后续结合专家经验进行故障分析。
下面对本申请实施例提供的一种机器人故障诊断装置进行介绍,下文描述的一种机器人故障诊断装置与上文描述的一种机器人故障诊断方法可相互对应参照。
如图3所示,该装置包括:
原始特征集确定模块301:用于采集机器人的运行数据以作为原始特征集;
敏感特征集确定模块302:用于从所述原始特征集中筛选敏感特征集,并确定所述敏感特征集中敏感特征的特征权重;
聚类模块303:用于依据所述特征权重,利用基于逆协方差矩阵的聚类方法对所述敏感特征集进行聚类,得到聚类结果;
故障诊断模块304:用于根据所述聚类结果,确定所述机器人的故障诊断结果。
作为一种具体的实施方式,所述故障诊断模块304包括:
聚类单元:用于根据所述聚类结果,确定离群点以及所述离群点对应的运行状态;
故障分析单元:用于根据所述离群点和所述运行状态,确定所述机器人的故障类型。
本实施例的机器人故障诊断装置用于实现前述的机器人故障诊断方法,因此该装置中的具体实施方式可见前文中的机器人故障诊断方法的实施例部分,例如,原始特征集确定模块301、敏感特征集确定模块302、聚类模块303、故障诊断模块304,分别用于实现上述机器人故障诊断方法中步骤S101,S102,S103,S104。所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再展开介绍。
另外,由于本实施例的机器人故障诊断装置用于实现前述的机器人故障诊断方法,因此其作用与上述方法的作用相对应,这里不再赘述。
此外,本申请还提供了一种机器人故障诊断设备,如图4所示,包括:
存储器401:用于存储计算机程序;
处理器402:用于执行所述计算机程序以实现如上所述的一种机器人故障诊断方法的步骤。
最后,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,所述计算机程序被处理器执行时用于实现如上所述的一种机器人故障诊断方法的步骤。
本实施例的机器人故障诊断设备、计算机可读存储介质用于实现前述的机器人故障诊断方法,因此该设备、计算机可读存储介质的具体实施方式可见前文中的机器人故障诊断方法的实施例部分,且二者的作用与上述方法实施例相对应,这里不再赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种机器人故障诊断方法、装置、设备及计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种机器人故障诊断方法,其特征在于,包括:
采集机器人的运行数据以作为原始特征集;
从所述原始特征集中筛选敏感特征集,并确定所述敏感特征集中敏感特征的特征权重;
依据所述特征权重,利用基于逆协方差矩阵的聚类方法对所述敏感特征集进行聚类,得到聚类结果;
根据所述聚类结果,确定所述机器人的故障诊断结果。
2.如权利要求1所述的方法,其特征在于,所述从所述原始特征集中筛选敏感特征集,并确定所述敏感特征集中敏感特征的特征权重,包括:
利用补偿距离评估方法从所述原始特征集中筛选敏感特征集;
依据距离评价标准,确定所述敏感特征集中敏感特征在故障诊断中的敏感程度,以作为特征权重。
3.如权利要求1所述的方法,其特征在于,所述根据所述聚类结果,确定所述机器人的故障诊断结果,包括:
根据所述聚类结果,确定离群点以及所述离群点对应的运行状态;
根据所述离群点和所述运行状态,确定所述机器人的故障类型。
4.如权利要求1所述的方法,其特征在于,所述采集机器人的运行数据以作为原始特征集,包括:
采集机器人中电机编码器的反馈信号,以作为原始特征集。
5.如权利要求4所述的方法,其特征在于,所述反馈信号包括以下任意一项或多项:指令位置信号、反馈位置信号、指令速度信号、反馈速度信号、指令加速度信号、反馈加速度信号、指令力矩信号、反馈力矩信号、误差信号。
6.如权利要求1-5任意一项所述的方法,其特征在于,所述根据所述聚类结果,确定所述机器人的故障诊断结果,包括:
依据所述机器人多个轴的轴反馈力矩,确定各个所述轴的轴权重;
根据多个所述轴的聚类结果和相应的轴权重,确定故障诊断结果。
7.一种机器人故障诊断装置,其特征在于,包括:
原始特征集确定模块:用于采集机器人的运行数据以作为原始特征集;
敏感特征集确定模块:用于从所述原始特征集中筛选敏感特征集,并确定所述敏感特征集中敏感特征的特征权重;
聚类模块:用于依据所述特征权重,利用基于逆协方差矩阵的聚类方法对所述敏感特征集进行聚类,得到聚类结果;
故障诊断模块:用于根据所述聚类结果,确定所述机器人的故障诊断结果。
8.如权利要求7所述的装置,其特征在于,所述故障诊断模块包括:
聚类单元:用于根据所述聚类结果,确定离群点以及所述离群点对应的运行状态;
故障分析单元:用于根据所述离群点和所述运行状态,确定所述机器人的故障类型。
9.一种机器人故障诊断设备,其特征在于,包括:
存储器:用于存储计算机程序;
处理器:用于执行所述计算机程序以实现如权利要求1-6任意一项所述的一种机器人故障诊断方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储计算机程序,所述计算机程序被处理器执行时用于实现如权利要求1-6任意一项所述的一种机器人故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910402385.7A CN110110803A (zh) | 2019-05-15 | 2019-05-15 | 一种机器人故障诊断方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910402385.7A CN110110803A (zh) | 2019-05-15 | 2019-05-15 | 一种机器人故障诊断方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110110803A true CN110110803A (zh) | 2019-08-09 |
Family
ID=67490162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910402385.7A Pending CN110110803A (zh) | 2019-05-15 | 2019-05-15 | 一种机器人故障诊断方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110803A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126822A (zh) * | 2019-12-19 | 2020-05-08 | 佛山科学技术学院 | 一种工业机器人健康评估方法、装置及存储介质 |
CN112180251A (zh) * | 2020-08-25 | 2021-01-05 | 安徽华电宿州发电有限公司 | 一种基于非凸非光滑优化和图模型的电机故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101509839A (zh) * | 2009-03-12 | 2009-08-19 | 上海交通大学 | 基于离群点挖掘的集群工业机器人故障诊断方法 |
CN106647286A (zh) * | 2017-02-16 | 2017-05-10 | 吉林大学 | 一种搬运类工业机器人早期故障排除试验方法 |
CN107272586A (zh) * | 2016-04-08 | 2017-10-20 | 发那科株式会社 | 机械学习装置、机械学习方法、故障预知装置及*** |
CN107727395A (zh) * | 2017-07-21 | 2018-02-23 | 中国矿业大学 | 一种基于全变分与补偿距离评估的轴承故障诊断方法 |
-
2019
- 2019-05-15 CN CN201910402385.7A patent/CN110110803A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101509839A (zh) * | 2009-03-12 | 2009-08-19 | 上海交通大学 | 基于离群点挖掘的集群工业机器人故障诊断方法 |
CN107272586A (zh) * | 2016-04-08 | 2017-10-20 | 发那科株式会社 | 机械学习装置、机械学习方法、故障预知装置及*** |
CN106647286A (zh) * | 2017-02-16 | 2017-05-10 | 吉林大学 | 一种搬运类工业机器人早期故障排除试验方法 |
CN107727395A (zh) * | 2017-07-21 | 2018-02-23 | 中国矿业大学 | 一种基于全变分与补偿距离评估的轴承故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
HALLAC,D. ET AL.: "Toeplitz Inverse Covariance-based Clustering of Multivariate Time Series Data", 《WENTY-SEVENTH INTERNATIONAL JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE 》 * |
刘鹏 等: "基于补偿距离评估技术与灰色关联分析的滚动轴承故障程度识别", 《机械传动》 * |
王秀青 等: "基于多传感器信息融合的机器人故障诊断", 《上海交通大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126822A (zh) * | 2019-12-19 | 2020-05-08 | 佛山科学技术学院 | 一种工业机器人健康评估方法、装置及存储介质 |
CN111126822B (zh) * | 2019-12-19 | 2023-04-28 | 佛山科学技术学院 | 一种工业机器人健康评估方法、装置及存储介质 |
CN112180251A (zh) * | 2020-08-25 | 2021-01-05 | 安徽华电宿州发电有限公司 | 一种基于非凸非光滑优化和图模型的电机故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3379358B1 (en) | Control system, control device, control program, and control method | |
CN106777622A (zh) | 基于人工智能的机电设备在线故障诊断的方法及*** | |
CN109983412A (zh) | 控制装置、控制程序以及控制方法 | |
CN110110803A (zh) | 一种机器人故障诊断方法、装置及设备 | |
CN109765490A (zh) | 一种基于高维数据诊断的动力电池故障检测方法及*** | |
CN110018322B (zh) | 一种基于深度学习的转速检测方法及*** | |
CN115683235B (zh) | 一种工业机器人伺服电机振动故障检测方法及装置 | |
CN109556895A (zh) | 旋转机械的故障分析方法及装置 | |
CN116871978A (zh) | 基于多传感器融合的钻削刀具状态监测方法 | |
CN114723187A (zh) | 一种智能塔机及智能塔机的故障预测方法、存储介质 | |
CN112985867B (zh) | 舵机测试方法、装置、设备及存储介质 | |
CN113211426B (zh) | 机器人故障诊断方法、装置、计算机设备以及存储介质 | |
CN114298110A (zh) | 基于可解释1dcnn模型的滚动轴承故障诊断方法及*** | |
CN110774269A (zh) | 机器人拖动示教方法、装置、电子设备及存储介质 | |
CN116482460A (zh) | 电网设备故障诊断方法及相关设备 | |
CN115712962A (zh) | 一种基于数字孪生的工业机器人状态监测方法及*** | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN110399301A (zh) | 一种代码测试方法、装置、设备及可读存储介质 | |
Kolar et al. | Identification of inability states of rotating machinery subsystems using industrial IoT and convolutional neural network–initial research | |
Meyer et al. | Reliable manufacturing of heavy copper wire bonds using online parameter adaptation | |
CN115685037A (zh) | 一种电流传感器的故障检测方法、装置及介质 | |
CN115236272A (zh) | 多工况条件下的气体传感器故障诊断方法、装置及存储介质 | |
Pfaff et al. | Adaptive, predictive machine condition assessment for resilient digital solutions | |
CN111624977A (zh) | 一种电容触摸屏设备的机械控制装置及方法 | |
CN109736045A (zh) | 设备运行控制方法、装置和衣物处理装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190809 |