CN112123371A - 机器人故障预测装置及***、机器人故障预测方法 - Google Patents

Abstract

本发明提供机器人故障预测装置及***、机器人故障预测方法。机器人故障预测装置具备：位置输入部，输入机器人的手部的随时间的位置信息；电流输入部，输入机器人动作时的电流信息；存储部，按预先基于机器人正常动作时的手部的位置序列来定义的每个动作模式，与该动作模式的各进度阶段对应地存储有机器人正常动作时的电流信息；信息处理部，通过将由位置输入部输入的随时间的位置信息与存储部中的动作模式及其各进度阶段进行匹配，确定机器人的动作模式和进度阶段；以及预测部，按照由信息处理部确定的动作模式和进度阶段，将由电流输入部输入的电流信息与存储部中的相同动作模式相同进度阶段的电流信息进行比较，由此进行机器人的故障预测。

Description

机器人故障预测装置及***、机器人故障预测方法

技术领域

本发明涉及机器人故障预测装置及***、机器人故障预测方法。

背景技术

随着科学技术的不断发展，工业机器人在生产现场大量导入，极大提高了生产效率。但是现有的机器人在工作当中也会发生故障，尤其在运用机器人的工厂现场，机器人因故障而异常停止的情况下，可能迫使与其串联的其它机器人也停止，带来了巨大的损失。因此，对于机器人***而言，故障诊断及预测是一种非常重要的技术。

作为故障诊断及预测方法，在专利文献1中公开了如下方法：根据拍摄图像，通过简单的图像解析求出机器人的手臂的旋转角，将该旋转角与根据电机的旋转角求出的手臂的旋转角进行比较，判断旋转位置检测是否正常进行。

专利文献1：日本特开JP2011-125976

但是，在专利文献1所公开的方法中，由于使用视频***，所以需要设置相机，并且进行视频解析运算等。因此存在成本高、实时性及精度等性能差等问题。

发明内容

本发明是鉴于上述情况而做出的，目的在于提供能够以低成本进行故障预测的机器人故障预测装置及***、机器人故障预测方法。

为了实现上述目的，本发明的机器人故障预测装置，位置输入部，输入机器人的手部的随时间的位置信息；电流输入部，输入上述机器人动作时的电流信息；存储部，按预先基于上述机器人正常动作时的手部的位置序列来定义的每个动作模式，与该动作模式的各进度阶段对应地存储有上述机器人正常动作时的电流信息；信息处理部，通过将由上述位置输入部输入的随时间的位置信息与上述存储部中的每个动作模式及其各进度阶段进行匹配，确定上述机器人的动作模式和进度阶段；以及预测部，按照由上述信息处理部确定的上述动作模式和进度阶段，将由上述电流输入部输入的电流信息与上述存储部中的相同动作模式相同进度阶段的电流信息进行比较，由此进行上述机器人的故障预测。

根据本发明的机器人故障预测装置，能够使用简单地得到的电流和位置信息来进行故障预测，因此能够以低成本进行故障预测，进而能够减少生产线上的异常停止。

并且，也可以是，在本发明的机器人故障预测装置中，上述存储部中的每个动作模式由上述机器人动作时的手部的转折点序列定义，上述进度阶段由相邻的两个转折点表示；上述信息处理部根据由上述位置信息输入部输入的随时间的位置信息，确定转折点序列，并通过将所确定的转折点序列与上述存储部中的动作模式进行匹配，确定上述机器人的动作模式和进度阶段。

由此，将位置序列缩减为转折点序列来确定机器人手部的动作模式及其各进度阶段，并进行与存储部中的模板的匹配。因此，能够减少数据量及处理量。

并且，也可以是，在本发明的机器人故障预测装置中，上述信息处理部根据由上述位置信息输入部输入的位置信息，在将当前点和尚未确定为转折点的上一点连接的直线与将上述上一点和上一转折点连接的直线所成的角度小于预先设定的阈值的情况下，将上述上一点确定为转折点。

由此，通过简单的处理就能够将位置序列缩减为转折点序列。

并且，也可以是，在本发明的机器人故障预测装置中，所述存储部按每个动作模式，与各进度阶段对应地存储有根据电流信息的历史数据生成的临界值；上述预测部在由上述电流输入部输入的电流信息的值超过相同动作模式下的相同进度阶段的上述临界值的情况下，预测为上述机器人故障。

由此，通过将使用电流的历史信息来生成的临界值用于故障预测，能够提高预测可靠性。

并且，也可以是，在本发明的机器人故障预测装置中，上述存储部还与各进度阶段对应地存储有根据电流信息的历史数据生成的平均值，用于故障预测。

由此，通过将使用电流的历史信息来生成的平均值也用于故障预测，能够进一步提高预测可靠性。

并且，也可以是，在本发明的机器人故障预测装置中，上述信息处理部还确定每个动作模式下的各进度阶段的时间长度；上述预测部仅在各进度阶段的时间长度正常的情况下，根据相同动作模式相同进度阶段的电流信息，进行上述机器人的故障预测。

由此，通过仅在各进度阶段的时间长度正常的情况下根据电流信息进行故障预测，能够减少处理量。

并且，也可以是，本发明的机器人故障预测装置还具备更新部，该更新部根据上述信息处理部的处理结果和/或上述预测部的预测结果，对上述存储部中存储的信息进行更新。

由此，能够根据机器人的当前状况对动作模式、预测中使用的阈值等进行更新，因此能够提高实时性和预测可靠性。

并且，也可以是，本发明的机器人故障预测装置还具备通知部，该通知部在某个进度阶段的时间长度异常的情况下或由上述预测部根据电流信息预测出上述机器人的故障的情况下，将该情况通知给用户。

由此，通过将预测出故障的情况通知给用户，能够促使用户及时地对机器人进行维护。

另外，本发明还可以作为机器人故障预测***、机器人故障预测方法来实现，并且能够实现与上述机器人故障预测装置同样的效果。

附图说明

图1是表示6轴机器人的结构的图。

图2是表示本发明的机器人故障预测***的概略图。

图3是用来说明电机的电流与动作模式的关系的图。

图4是表示第一实施方式的机器人故障预测装置的框图。

图5是表示第一实施方式的机器人故障预测方法的流程图。

图6是用来说明转折点确定方法的图。

图7是表示第二实施方式的机器人故障预测方法的流程图。

图8是表示利用电流信息进行故障预测的另一例的图。

具体实施方式

在本发明中，以在工业生产中运用最多的6轴机器人为例进行说明。图1是表示6轴机器人的结构的图。如图1所示的6轴机器人具有①～⑥的6个关节轴，分别是本体旋转、下臂运动、上臂运动、手腕旋转、手腕摆动以及手部回转，从而能够从任何方向确定其工作位置。这6个关节轴由图1中所示的与机器人本体连接的机器人控制柜内的伺服电机驱动而旋转。这里，不同的工业机器人本体运动轴的定义有可能与图1所示的情况不同。另外，适用于本发明的机器人并不限定于6轴机器人，也可以是其以下或其以上的轴的机器人，优选为适合通用的6轴以上机器人。

以下，参照附图对本发明的实施方式进行详细的说明。

第一实施方式

首先，对本发明的机器人故障预测***进行说明。

图2是表示本发明的机器人故障预测***的概略图。如图2所示，机器人故障预测***1包括定位机构10、电流测定机构20以及机器人故障预测装置30。

定位机构10通过定位技术对机器人手部的位置进行定位，得到机器人手部的位置信息。定位按照规定的时刻进行或者周期性地进行。

定位技术可以利用周知的室内定位技术，例如蓝牙、RFID(射频)、WIFI(无线宽带)、UWB(超宽带)、超声波等技术。优选的是，利用UWB定位技术。

在利用UWB定位技术的情况下，如图2所示，预先在室内空间安装好若干定位基站(图中为2个)，并在机器人的手部设置定位标签。定位标签按照一定的频率发射无线电波，不断和几个定位基站进行通信，由定位基站利用接收定位标签的无线电波时的角度、到达时间差来对定位标签(机器人手部)进行定位，得到空间位置坐标(x，y，z)。UWB定位技术中，定位基站接收无线电波的频率可达40次/秒，定位精度可达0.1米，并且定位标签的电池可工作数月，因此具有功耗低、复杂度低，定位精度高的优点。

电流测定机构20对机器人动作时的电流信息进行测定。例如，如图2所示，可以将电流传感器安装到机器人与机器人控制柜之间的直接驱动电机旋转的电缆上，以非接触方式无破坏地测定电流。但是，电流测定方法并不限定于此，只要能够测出电流，可以采用周知的任何一种方法。

这样得到的电流的大小、电流波形的形状等与机器人的动作有密切的关系。为了便于理解，这里示出用来说明电机的电流与动作模式的关系的图3。图3中示出了电机的无负荷转动、垂直钻入、切削这3个动作模式下的扭力电流。从图3可知，根据电机的动作模式的不同，其电流的大小、变化趋势也不同。对于机器人侧的电流，也是同样的。

机器人故障预测装置30利用由定位机构10得到的机器人手部的随时间的位置信息和由电流测定机构20得到的电流信息，进行机器人的故障预测。

下面，对第一实施方式的机器人故障预测装置进行详细的说明。

图4是表示第一实施方式的机器人故障预测装置的框图。如图4所示，机器人故障预测装置30包括位置输入部31、电流输入部32、存储部33、信息处理部34以及预测部35。

位置输入部31中输入由定位机构10得到的机器人手部的随时间的位置信息，具体而言是空间位置坐标的序列。

电流输入部32中输入由电流测定机构20测定的机器人动作时的电流信息。

存储部33按预先基于机器人正常动作时的手部的位置信息来定义的每个动作模式，与该动作模式的各进度阶段对应地存储有机器人正常动作时的电流信息。动作模式是指机器人所进行的动作的内容，例如搬运、焊接等。每个动作模式分别由一个以上的进度阶段构成。例如“搬运”这一动作模式由拿起、移动、放下等进度阶段构成。

存储部33中存储的这些信息可以通过对历史数据进行学习来得到。具体而言，首先，连续记录由定位机构10得到的位置信息。并且，通过样本学习，建立基于位置序列的动作模式。然后，提取各个动作模式下的各进度阶段，按各进度阶段提取由电流测定机构20测定的电流波形。

信息处理部34根据由位置输入部31输入的随时间的位置信息，确定机器人的动作模式和进度阶段。具体而言，将所输入的位置信息与存储部33中存储的各动作模式及其进度阶段进行匹配，确定动作模式和各进度阶段。

预测部35按照由信息处理部34确定的动作模式和进度阶段，将由电流输入部32输入的电流信息与存储部33中的相同动作模式相同进度阶段的电流信息进行比较，由此，进行机器人的故障预测。例如，可以通过电流是否为大致同一水平、变化趋势是否相同等定量化分析来判断电流波形是否异常。

接着，利用图5对机器人故障预测方法的动作流程进行说明。

图5是表示第一实施方式的机器人故障预测方法的流程图。如图5所示，首先位置输入部31中输入由定位机构10得到的机器人手部的随时间的位置信息(步骤S1)，并且，电流输入部32中输入由电流测定机构20测定的机器人动作时的电流信息(步骤S2)。

接着，信息处理部34将所输入的位置信息与存储部32中存储的基于位置信息的各动作模式及其进度阶段进行匹配，确定动作模式和各进度阶段(步骤S3)。此时，还确定各进度阶段的开始时间和时间长度。

接着，预测部35按照由信息处理部34确定的动作模式和进度阶段，对相同动作模式下的相同进度阶段的电流信息进行比较，由此进行机器人的故障预测(步骤S4)。

具体而言，预测部35根据在步骤S3中确定的动作模式下的各进度阶段的开始时间和时间长度，从在步骤S2中输入的电流信息中提取对应的电流波形。从而，按每个进度阶段，将提取的电流波形与存储部33中存储的相同动作模式下的相同进度阶段的电流波形进行比较，判断电流波形是否异常(步骤S41)。此时，在所有进度阶段的电流波形都正常的情况下(步骤S41中否)，意味着没有预测到机器人的故障，返回。只要某一个进度阶段的电流波形异常(步骤S41中是)，则意味着预测到机器人的故障，因而预测为机器人故障而结束处理。在此情况下，也可以向用户输出报警，以使用户及时地对机器人进行维护。

另外，在步骤S4中，也可以按每个进度阶段先判断该进度阶段的时间长度是否异常(步骤S40)。并且，仅在该进度阶段的时间长度没有异常、即正常的情况下(步骤S40中否)，进行步骤S41中的基于电流波形的故障预测。这是因为，通常情况下，时间长度的异常表明故障已经显在化，而电流波形的异常更多体现的是发生故障的征兆，也就是说基于电流波形能够***到故障。因而，在时间长度异常的情况下不需要进行基于电流波形的故障预测，而直接判断为发生了故障。由此，通过简单的时间长度的比较就可以判断是否发生故障，并且仅在时间长度正常的情况下进行基于电流波形的故障预测，从而能够减少处理量。

根据本实施方式，能够使用可以简单地得到的电流和位置信息来进行故障预测，因此能够以低成本进行故障预测，从而减少生产线上的异常停止。

第二实施方式

以下，对本发明的第二实施方式的机器人故障预测装置及机器人故障预测方法进行说明。

在本实施方式中，机器人故障预测装置的结构与第一实施方式相同，与第一实施方式的不同点在于，动作模式的表现方式及信息处理部的处理。下面以上述不同点为中心进行说明，而省略与第一实施方式相同或类似的说明。

在第一实施方式中，通过位置信息整体的匹配来确定了动作模式及其各进度阶段。相对于此，在本实施方式中，考虑到机器人的动作实际上沿着不连贯的点来进行的情况及机器人手部运动的方向改变的转折点的重要性，用机器人动作时的手部运动的转折点序列来定义每个动作模式，并用相邻的两个转折点表示进度阶段。

在该情况下，存储部33按机器人的每个动作模式，与该动作模式的各进度阶段对应地存储有机器人正常动作时的电流信息。这些信息可以通过对历史数据进行学习来得到。具体而言，首先，连续记录由定位机构10得到的位置信息，并通过对位置信息进行分析而提取转折点序列。接着，通过样本学习，建立基于转折点序列的动作模式，并提取各个动作模式下的各进度阶段，按各进度阶段提取由电流测定机构20测定的电流波形。

并且，信息处理部34根据由位置输入部31输入的随时间的位置信息，确定转折点序列，并通过将所确定的转折点序列与存储部33中存储的各动作模式及其进度阶段的转折点序列进行匹配，确定动作模式及其各进度阶段。

作为确定转折点的方法，例如可以是在将当前点和尚未确定为转折点的上一点连接的直线与将该上一点和上一转折点连接的直线所成的角度小于预先设定的阈值的情况下，将该上一点确定为转折点。这里，阈值可以根据经验或统计性试验而适当设定。例如，可以设定为120度。

下面，以机器人进行图6所示的动作的情况为例，详细说明确定转折点的方法。图6是用来说明转折点确定方法的图。

在图6中，假设p0(x0，y0，z0)为已确定的转折点，已确定的转折点p0(x0，y0，z0)也是通过以下说明的方法确定的转折点，而在转折点p0(x0，y0，z0)的确定中使用的上一转折点可以认为是针对本动作模式记录的第一个点O。并且，假设P1(x1，y1，z1)为尚未确定为转折点的上一点。

当最新获取的位置即当前点为p2(x2，y2，z2)的情况下，获取尚未确定为转折点的上一点p1(x1，y1，z1)以及上一转折点p0(x0，y0，z0)。连接上一点p1(x1，y1，z1)和上一转折点p0(x0，y0，z0)的直线与连接上一点p1(x1，y1，z1)和当前点p2(x2，y2，z2)的直线所成的角度α大于120度，因此，不将上一点P1(x1，y1，z1)确定为转折点，并且将该点P1(x1，y1，z1)丢弃。

另外，当最新获取的位置即当前点为p3(x3，y3，z3)的情况下，获取尚未确定为转折点的上一点p2(x2，y2，z2)以及上一转折点p0(x0，y0，z0)。连接上一点p2(x2，y2，z2)和上一转折点p0(x0，y0，z0)的直线与连接上一点p2(x2，y2，z2)和当前点p3(x3，y3，z3)的直线所成的角度小于120度，因此，将上一点p2(x2，y2，z2)确定为转折点。

如上所述，在本实施方式中根据当前点、上一转折点、以及尚未确定为转折点的上一点，判断该上一点是否为转折点。每当获取新的位置时，通过这样的处理，能够得到转折点序列。

另外，本实施方式中确定转折点的方法并不限于上述方法，只要能确定转折点，则可以使用任何方法。例如，也可以通过取得6轴机器人的手部的朝向、各位置处的滞留时间等而更精确地确定转折点。

图7是表示第二实施方式的机器人故障预测方法的流程图。

在图7中，步骤S1～S2、步骤S4与图5的处理完全相同，所以在此省略重复的说明。图7的处理与图5的处理的不同点仅在于用步骤S31及S32代替图5的步骤S3。

在步骤S31中，信息处理部34根据所输入的位置信息，通过如上所述的方法确定转折点而得到转折点序列。

接着，在步骤S32中，将确定的转折点序列与存储部33中存储的各动作模式及其各进度阶段的转折点序列进行匹配，确定动作模式和各个由两个转折点表示的进度阶段。此时，还确定各进度阶段的开始时间和时间长度。

根据本实施方式，除了实现与第一实施方式相同的效果以外，还能够将位置信息缩减为转折点序列来确定机器人手部的动作模式及其各进度阶段，并进行与存储部中的模板的匹配。因此，能够减少数据量及处理量。

其他实施方式

在上述第一实施方式及第二实施方式中，通过按每个进度阶段对输入的电流波形和预先存储的正常时的电流波形进行比较来进行故障预测。但不限于此，也可以通过比较电流信息的其他特征值来进行故障预测。图8是表示利用电流信息进行故障预测的另一例的图。如图8所示，也可以在输入的电流值超过该进度阶段中的临界值的情况下判断为电流信息异常。其中，临界值可以预先基于电流的样本数据，按每个进度阶段来生成并存储在存储部中。并且，临界值的确定方法可以采用周知的任何一种方法，例如可以采用基于方差分析的确定方法。另外，除了临界值以外，还可以基于电流的样本数据按每个进度阶段生成电流的平均值并进行存储，以辅助故障预测。根据这样的结构，能够更可靠地进行故障预测。

另外，在上述的实施方式中，机器人故障预测装置也可以具备更新部，该更新部根据信息处理部的处理结果和/或预测部的预测结果，对存储部中存储的信息进行更新。例如，更新部不断地对预测结果进行学***均值等进行调整。并且，也可以在出现新的动作模式的情况下，将与该新的动作模式有关的信息追加到存储部中。根据这样的结构，能够实时地更新存储部中的作为比较对象的信息，由此能够进行更适合于机器人当前状况的故障预测，提高预测可靠性。

另外，在上述的实施方式中，机器人故障预测装置也可以具备通知部，该通知部在由上述预测部根据电流信息预测出上述机器人的故障的情况下，将该情况通知给用户。另外，在第二实施方式中在某个进度阶段的时间长度异常的情况下，也将该情况通知给用户。通知方式可以是在显示器上显示表示该情况的消息，也可以通过声音(报警声、语音等)通知该情况。根据这样的结构，能够将预测出故障的情况通知给用户，从而促使用户及时地对机器人进行维护。

另外，上述各实施方式中的各个构成要素可以用专用的硬件来构成，也可以通过执行各个构成要素的软件程序来实现，并且也可以通过硬件及软件的组合来实现。并且，各个构成要素，也可以通过CPU或处理器等的程序执行部读出并执行硬盘或半导体存储器等记录介质上记录的软件程序来实现。

Claims (10)

1.一种机器人故障预测装置，其特征在于，具备：

位置输入部，输入机器人的手部的随时间的位置信息；

电流输入部，输入上述机器人动作时的电流信息；

存储部，按预先基于上述机器人正常动作时的手部的位置序列来定义的每个动作模式，与该动作模式的各进度阶段对应地存储有上述机器人正常动作时的电流信息；

信息处理部，通过将由上述位置输入部输入的随时间的位置信息与上述存储部中的动作模式及其各进度阶段进行匹配，确定上述机器人的动作模式和进度阶段；以及

预测部，按照由上述信息处理部确定的上述动作模式和进度阶段，将由上述电流输入部输入的电流信息与上述存储部中的相同动作模式相同进度阶段的电流信息进行比较，由此进行上述机器人的故障预测。

2.如权利要求1所述的机器人故障预测装置，其特征在于，

上述存储部中存储的上述每个动作模式由上述机器人正常动作时的手部的位置序列中的转折点序列定义，上述进度阶段由相邻的两个转折点表示；

上述信息处理部根据由上述位置信息输入部输入的随时间的位置信息，确定转折点序列，并通过将所确定的转折点序列与上述存储部中的动作模式及其进度阶段进行匹配，确定上述机器人的动作模式和进度阶段。

3.如权利要求2所述的机器人故障预测装置，其特征在于，

上述信息处理部根据由上述位置信息输入部输入的位置信息，在将当前点和尚未确定为转折点的上一点连接的直线与将上述上一点和上一转折点连接的直线所成的角度小于预先设定的阈值的情况下，将上述上一点确定为转折点。

4.如权利要求1所述的机器人故障预测装置，其特征在于，

所述存储部按每个动作模式，与各进度阶段对应地存储有根据电流信息的历史数据生成的临界值；

上述预测部在由上述电流输入部输入的电流信息所表示的电流值超过相同动作模式相同进度阶段的上述临界值的情况下，预测为上述机器人故障。

5.如权利要求4所述的机器人故障预测装置，其特征在于，

上述存储部还与各进度阶段对应地存储有根据电流信息的历史数据生成的平均值，用于故障预测。

6.如权利要求1至5中任一项所述的机器人故障预测装置，其特征在于，

上述信息处理部还确定每个动作模式下的各进度阶段的时间长度；

上述预测部仅在各进度阶段的时间长度正常的情况下，根据相同动作模式相同进度阶段的电流信息，进行上述机器人的故障预测。

7.如权利要求6所述的机器人故障预测装置，其特征在于，

还具备通知部，该通知部在某个进度阶段的时间长度异常的情况下或由上述预测部根据电流信息预测出上述机器人的故障的情况下，将该情况通知给用户。

8.如权利要求1至5中任一项所述的机器人故障预测装置，其特征在于，

还具备更新部，该更新部根据上述信息处理部的处理结果和/或上述预测部的预测结果，对上述存储部中存储的信息进行更新。

9.一种机器人故障预测***，其特征在于，具备：

定位机构，对机器人的手部的位置进行定位，得到随时间的位置信息；以及

电流测定部，对上述机器人动作时的电流信息进行测定；

权利要求1～8中任一项所述的机器人故障预测装置。

10.一种机器人故障预测方法，其是机器人故障预测装置所执行的方法，其特征在于，

上述机器人故障预测装置具备存储部，该存储部按预先基于机器人正常动作时的手部的位置序列来定义的每个动作模式，与该动作模式的各进度阶段对应地存储有上述机器人正常动作时的电流信息，

在上述机器人故障预测方法中，包括：

电流输入步骤，输入机器人动作时的电流信息；

位置输入步骤，输入上述机器人的手部的随时间的位置信息；

信息处理步骤，通过将上述位置信息输入步骤中输入的随时间的位置信息与上述存储部中的动作模式及其进度阶段进行匹配，确定上述机器人的动作模式和进度阶段；以及

预测步骤，按照在信息处理步骤中确定的上述动作模式和进度阶段，将上述电流输入步骤中输入的电流信息与上述存储部中的相同动作模式相同进度阶段的电流信息进行比较，由此进行上述机器人的故障预测。

Images