CN116263734A - 工业机器人状态监控方法、***及提示终端 - Google Patents
工业机器人状态监控方法、***及提示终端 Download PDFInfo
- Publication number
- CN116263734A CN116263734A CN202211131408.3A CN202211131408A CN116263734A CN 116263734 A CN116263734 A CN 116263734A CN 202211131408 A CN202211131408 A CN 202211131408A CN 116263734 A CN116263734 A CN 116263734A
- Authority
- CN
- China
- Prior art keywords
- data
- industrial robot
- tolerance
- program
- actual
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 214
- 238000000034 method Methods 0.000 title claims abstract description 107
- 230000002159 abnormal effect Effects 0.000 claims abstract description 85
- 230000000007 visual effect Effects 0.000 claims abstract description 64
- 238000010586 diagram Methods 0.000 claims abstract description 41
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 40
- 230000008859 change Effects 0.000 claims description 19
- 230000003993 interaction Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000013024 troubleshooting Methods 0.000 claims description 7
- 238000011835 investigation Methods 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims 3
- 230000033001 locomotion Effects 0.000 description 19
- 230000000694 effects Effects 0.000 description 11
- 230000005856 abnormality Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000012800 visualization Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003578 releasing effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3013—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is an embedded system, i.e. a combination of hardware and software dedicated to perform a certain function in mobile devices, printers, automotive or aircraft systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/324—Display of status information
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Manipulator (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种工业机器人状态监控方法、***及提示终端,该方法包括采集并存储工业机器人的原始数据;选择并筛选原始数据中一段工作时间的数据作为历史参照数据,存储一段工作时间作为参照时间,选择历史参照数据中特征变量的历史极值作为参照区间并存储;选择并筛选原始数据中一个时间段的数据作为实际监控数据并存储;将参照区间和实际监控数据进行比较,计算工业机器人对应于特征变量的超差程度以及绘制可视化视图;基于超差程度,对工业机器人的轴的工作状态进行分类;根据轴的工作状态和可视化数据图,判断出现异常的工业机器人。本发明能够准确及时地判断出现异常的工业机器人,对状态监控过程实现提前风险预警,及时发现问题。
Description
技术领域
本发明涉及工业机器人技术领域,具体而言,涉及一种工业机器人状态监控方法、***及提示终端。
背景技术
随着我国智能制造领域的飞速发展,工业机器人因其生产效率高、适用于不同的工作环境的特点而被广泛应用。然而,如何对工业机器人的状态进行监控,并在出现异常时及时采取维护措施成为了最为关注的问题。
目前,工业机器人状态监控的方法主要分为两类。第一类是以振动分析为代表的故障诊断方案。振动分析对于机械问题具有较好的识别能力,需要安装振动传感器、数据采集单元及数据处理单元。对于工业机器人而言,由于其工作内容等条件的不同,需要为故障诊断制作专门的机器人程序。对于大规模机器人监控,该类方案的成本高,部署工作量大。再加上工业机器人机械结构的复杂性,故障诊断方案在工业机器人领域尚没有成熟的技术方案及案例。
另一类是以工业机器人制造商提供的数据可视化产品为代表的监控***,这类***收集工业机器人的报警报错信息及工业机器人运行数据的特征量,如电流、扭矩等,具有一些简单的统计及可视化功能。报警报错信息统计对一些电器问题,如风扇、电池等具有较强的参考价值。对于运行数据可查看特征量的原始值、平均值、最大值等信息,并对其设置阈值,实现监控的目的。然而,在生产实践中,由于机器人运行轨迹、运行工况、负载条件、工作内容等因素各异,数据的规律性差。此外,数据来自机器人控制器,为不影响机器人控制***运转,数据传输多为轻量化方案,数据传输频率低,得到的数据呈现碎片化。因此该类方法对机器人的故障指示能力差且误报率高。多数情况下发生故障后回看数据不能发现异常,无法用于机器人的机械问题的状态监控。因此,目前尚无适用于工业机器人机械问题的状态监控方法。
有鉴于此,针对上述问题,有必要设计一种识别精度高、部署工作量低并且适应能力强的工业机器人状态监控方法、***及提示终端,以便准确及时地判断出现异常的工业机器人,使工业机器人状态监控过程实现提前风险预警,及时发现问题。
发明内容
本发明的目的在于提供一种工业机器人状态监控方法、***及提示终端,以解决现有技术中识别精度低、部署工作量大并且适应能力差的问题,以便准确及时地判断出现异常的工业机器人,使工业机器人状态监控过程实现提前风险预警,及时发现问题。
为实现上述目的,本发明提供一种工业机器人状态监控方法,包括以下步骤:
采集并存储工业机器人的原始数据;
选择并筛选原始数据中一段工作时间的数据作为历史参照数据,存储一段工作时间作为参照时间,选择历史参照数据中特征变量的历史极值作为参照区间并存储特征变量的参照区间;
选择并筛选原始数据中一个时间段的数据作为实际监控数据并存储实际监控数据,实际监控数据与历史参照数据中相应的参数相同;
将参照区间和实际监控数据进行比较,计算工业机器人对应于特征变量的超差程度以及绘制可视化数据图;其中,还包括:
基于超差程度,对工业机器人的轴的工作状态进行分类;
根据轴的工作状态和可视化数据图,判断出现异常的工业机器人。
采用本发明所公开的技术方案,能够及时、准确地判断出现异常的工业机器人,使工业机器人状态监控过程实现提前风险预警,及时发现问题。
上述的工业机器人状态监控方法,历史参照数据和实际监控数据是以工业机器人当前所在的程序为周期,以每个程序中当前所在的命令行作为周期性索引而获得的每个周期内变化的数据。
上述的工业机器人状态监控方法,特征变量包括工业机器人的一个或多个轴的基于时间戳信息的电流数据、扭矩数据和/或跟随误差数据中的一种或多种。
上述的工业机器人状态监控方法,绘制可视化数据图的步骤,进一步包括:
选择实际监控数据中特征变量的实际极值作为实际区间;
匹配并叠加参照区间和实际区间,绘制参照区间和实际区间的曲线作为基于程序层级的可视化数据图。
上述的工业机器人状态监控方法,基于超差程度,对工业机器人的轴的工作状态进行分类的步骤,进一步包括:
工业机器人的轴的工作状态分类包括异常、轻度异常和正常。
上述的工业机器人状态监控方法,根据轴的工作状态和可视化数据图,判断出现异常的工业机器人的步骤,进一步包括:
获得轴的工作状态的变化趋势,判断工业机器人的状态,状态包括趋近于异常状态或异常状态。
上述的工业机器人状态监控方法,超差程度包括:
超差比例e、程序层级平均残差RM、程序层级超差比例E、程序层级上限超差峰值Ph和/或下限超差峰值Pl。
上述的工业机器人状态监控方法,计算超差比例e、程序层级平均残差RM、程序层级超差比例E、程序层级上限超差峰值Ph和/或下限超差峰值Pl的方法包括:
获取各个程序中各个命令行的参照区间的上限Rhi和下限Rli,其中i为命令行号;
获取各个程序中各个命令行的实际区间的上限Xhi和下限Xli,其中i为命令行号;
基于参照区间的上限Rhi和下限Rli、实际区间的上限Xhi和下限Xli,通过不吻合程度计算法获得超差比例e、程序层级平均残差RM、程序层级超差比例E、程序层级上限超差峰值Ph和/或下限超差峰值Pl。
上述的工业机器人状态监控方法,不吻合程度计算法进一步包括:
超差比例e=超差数据总数/数据总数,
其中,当实际监控数据<min(Rli-a,0)或实际监控数据>max(Rhi+a,0)时,实际监控数据为超差数据,min为求最小值,max为求最大值,a为参照区间第一扩大参数;
程序层级超差比例E=超差程序行总数/总程序行数,
其中,当Xli<min(Rli-c,0)或Xhi>max(Rhi+c,0)时,命令行i为超差程序行,c为参照区间第二扩大参数;
程序层级上限超差峰值Ph=max(Xhi-max(Rhi,0));
程序层级下限超差峰值Pl=max(min(Rli,0)-Xli);以及,
上述的工业机器人状态监控方法,还包括生成数据表单的步骤,数据表单包括参照时间、实际监控数据、超差程度的数据;以及,在数据表单上以预设文字信息或预设颜色呈现工业机器人的轴的工作状态和/或轴的工作状态变化趋势。
上述的工业机器人状态监控方法,还包括基于原始数据、可视化数据图以及数据表单,分析原因相应启动排查及解决问题的步骤。
上述的工业机器人状态监控方法,分析原因相应启动排查及解决问题的步骤,进一步包括:
基于原始数据中的轴位置数据和/或轴温度数据中的一种或多种,辅助分析原因相应启动排查及解决问题。
为了更好地实现发明目的,本发明还提供一种工业机器人状态监控***,包括:
数据采集模块,用于采集并通过数据交互模块将工业机器人的原始数据存储至数据库;
第一处理模块,用于选择并筛选原始数据中一段工作时间的数据作为历史参照数据,存储一段工作时间作为参照时间,选择历史参照数据中特征变量的历史极值作为参照区间并存储特征变量的参照区间。;
第二处理模块,用于选择并筛选原始数据中一个时间段的数据作为实际监控数据并存储实际监控数据,实际监控数据与历史参照数据中相应的参数相同;
数据库,用于存储原始数据、特征变量的参照区间、参照时间和实际监控数据;
数据交互模块,用于以定期或实时传输方式将原始数据、特征变量的参照区间、参照时间和实际监控数据上传至数据库;
第三处理模块,用于将参照区间和实际监控数据进行比较,计算工业机器人对应于特征变量的超差程度;
绘图模块,用于绘制可视化数据图;其中,还包括:
分类模块,用于基于超差程度,对工业机器人的轴的工作状态进行分类;
判断模块,用于根据轴的工作状态和可视化数据图,判断出现异常的工业机器人。
上述的工业机器人状态监控***,在第一处理模块和第二处理模块中,历史参照数据和实际监控数据是以工业机器人当前所在的程序为周期,以每个程序中当前所在的命令行作为周期性索引而获得的每个周期内变化的数据。
上述的工业机器人状态监控***,在第一处理模块中,特征变量包括工业机器人的一个或多个轴的基于时间戳信息的电流数据、扭矩数据和/或跟随误差数据中的一种或多种。
上述的工业机器人状态监控***,在绘图模块中,绘制可视化数据图的步骤,进一步包括:
选择实际监控数据中特征变量的实际极值作为实际区间;
匹配并叠加参照区间和实际区间,绘制参照区间和实际区间的曲线作为基于程序层级的可视化数据图。
上述的工业机器人状态监控***,在分类模块中,基于超差程度,对工业机器人的轴的工作状态进行分类的步骤,进一步包括:
工业机器人的轴的工作状态分类包括异常、轻度异常和正常。
上述的工业机器人状态监控***,在判断模块中,根据轴的工作状态和可视化数据图,判断出现异常的工业机器人的步骤,进一步包括:
获得轴的工作状态的变化趋势,判断工业机器人的状态,状态包括趋近于异常状态或异常状态。
上述的工业机器人状态监控***,在第三处理模块中,超差程度包括:
超差比例e、程序层级平均残差RM、程序层级超差比例E、程序层级上限超差峰值Ph和/或下限超差峰值Pl。
上述的工业机器人状态监控***,在第三处理模块中,计算超差比例e、程序层级平均残差RM、程序层级超差比例E、程序层级上限超差峰值Ph和/或下限超差峰值Pl的方法包括:
获取各个程序中各个命令行的参照区间的上限Rhi和下限Rli,其中i为命令行号;
获取各个程序中各个命令行的实际区间的上限Xhi和下限Xli,其中i为命令行号;
基于参照区间的上限Rhi和下限Rli、实际区间的上限Xhi和下限Xli,通过不吻合程度计算法获得超差比例e、程序层级平均残差RM、程序层级超差比例E、程序层级上限超差峰值Ph和/或下限超差峰值Pl。
上述的工业机器人状态监控***,不吻合程度计算法进一步包括:
超差比例e=超差数据总数/数据总数,
其中,当实际监控数据<min(Rli-a,0)或实际监控数据>max(Rhi+a,0)时,实际监控数据为超差数据,min为求最小值,max为求最大值,a为参照区间第一扩大参数;
程序层级超差比例E=超差程序行总数/总程序行数,
其中,当Xli<min(Rli-c,0)或Xhi>max(Rhi+c,0)时,命令行i为超差程序行,c为参照区间第二扩大参数;
程序层级上限超差峰值Ph=max(Xhi-max(Rhi,0));
程序层级下限超差峰值Pl=max(min(Rli,0)-Xli);以及,
上述的工业机器人状态监控***,还包括:
数据表单生成模块,用于生成数据表单,数据表单包括参照时间、实际监控数据、超差程度的数据;以及,在数据表单上以预设文字信息或预设颜色呈现工业机器人的轴的工作状态和/或轴的工作状态变化趋势。
上述的工业机器人状态监控***,还包括:
分析模块,用于基于原始数据、可视化数据图以及数据表单,分析原因相应启动排查及解决问题。
上述的工业机器人状态监控***,在分析模块中,分析原因相应启动排查及解决问题的步骤,进一步包括:
基于原始数据中的轴位置数据和/或轴温度数据中的一种或多种,辅助分析原因相应启动排查及解决问题。
上述的工业机器人状态监控***,还包括数据库采集模块和数据库处理模块;其中,
数据库采集模块用于获取多个工业机器人状态监控***中的数据,并通过数据交互模块以定期或实时传输方式上传至总数据库;
数据库处理模块用于对总数据库中的数据进行分析,以确定参照区间第一扩大参数和参照区间第二扩大参数。
为了更好地实现发明目的,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被设置为运行时执行如上所述的工业机器人状态监控方法。
为了更好地实现发明目的,本发明还提供一种电子装置,包括存储器和处理器,存储器中存储有计算机程序,处理器被设置为运行计算机程序以执行如上所述的工业机器人状态监控方法。
为了更好地实现发明目的,本发明还提供一种工业机器人状态提示终端,包括:
存储器,用于存储计算机程序;
处理器,用于运行计算机程序以实现如下步骤:
执行如上所述的工业机器人状态监控方法以获得可视化数据图,并判断出现异常的工业机器人;
接收模块,用于接收可视化数据图;
输出模块,用于输出可视化数据图至一个显示屏幕;
显示屏幕,用于显示可视化数据图;
人机交互模块,用于响应用户的操作而向输出模块发送控制指令,控制输出模块输出相应的可视化数据图;以及,
提示模块,用于对出现异常的工业机器人进行相应的提示。
为了更好地实现发明目的,本发明还提供一种工业机器人,其特征在于,设置有或者通过网络连接设置有如上所述的工业机器人状态监控***。
此外,本发明所提供的工业机器人状态监控***、存储介质、电子装置、提示终端及工业机器人,与上述方法对应,有益技术效果同上。
为了对本发明的上述及其他方面有更佳的了解,下文特举实施例,并配合附图详细说明如下,但不作为对本发明专利保护范围的限定。
附图说明
图1为本发明一个实施例的工业机器人状态监控方法的步骤流程图。
图2为本发明一个实施例的工业机器人程序和命令行的层级关系的示意图。
图3为本发明一个实施例的工业机器人的程序层级可视化数据图。
图4为本发明一个实施例的工业机器人的程序行层级可视化数据图。
图5为本发明实施例获得超差程度的步骤流程图。
图6为本发明的工业机器人轴的工作状态的变化趋势以及工业机器人异常状态的示意图。
图7为本发明一个实施例加入轴位置数据和轴温度数据的工业机器人的程序行层级可视化数据图。
图8为本发明一个实施例的工业机器人状态监控***的结构模块图。
图9为本发明另一个实施例的工业机器人状态监控***的结构模块图。
图10为本发明另一个实施例的工业机器人状态提示终端的结构模块图。
图11为本发明一个实施例的工业机器人的示意图。
图12为本发明另一个实施例的工业机器人的示意图。
其中,附图标记:
S1~S8:工业机器人状态监控方法的步骤
S41~S43:获得超差程度的步骤
L1-参考区间的上限的折线
L2-参考区间的下限的折线
L3-实际监控数据的折线
L31-实际监控数据的实际区间的上限的折线
L32-实际监控数据的实际区间的下限的折线
L4-轴位置数据的折线
L5-轴温度数据的折线
XLHP005、XLDO_253X130_005、XLHP010、XLHP015、XLHP020、XLHP025、XHOME-运动点名
1、2、3-工业机器人状态监控***
DA-数据采集模块
10-第一处理模块
11-第二处理模块
DB-数据库
DB’-总数据库
12、22、32-数据交互模块
13-第三处理模块
DM-绘图模块
14-分类模块
15-判断模块
16-数据表单生成模块
17-分析模块
291、391-数据库采集模块
292、392-数据库处理模块
4-工业机器人状态提示终端
40-存储器
41-处理器
42-接收模块
43-输出模块
44-显示屏幕
45-人机交互模块
46-提示模块
5、5’-工业机器人
51、51’-工业机器人状态监控***
具体实施方式
下面结合附图和具体实施例对本发明的技术方案进行详细的描述,以更进一步了解本发明的目的、方案及有益技术效果,但并非作为本发明所附权利要求保护范围的限制。需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明的核心在于提供一种识别精度高、部署工作量低并且适应能力强的工业机器人状态监控方法、***及提示终端,能够及时、准确地判断出现异常的工业机器人,使工业机器人状态监控过程实现提前风险预警,及时发现问题。
请参阅图1,图1为本发明一个实施例的工业机器人状态监控方法的步骤流程图,具体包括以下步骤:
S1:采集并存储工业机器人的原始数据。
通过数据采集装置实时接收工业机器人在工作时的原始数据,将原始数据进行存储以便随时调用。原始数据包括工业机器人名、时间日期数据、工业机器人是否在运动状态的标志位、工业机器人是否有报警标志位、工业机器人是否在自动模式标志位、工业机器人程序运行速度的百分比、当前所在的程序、当前所在的命令行、当前轨迹段名、运动点名、轴位置数据、轴温度数据和特征变量,本发明不以此为限。
S2:选择并筛选原始数据中一段工作时间的数据作为历史参照数据,存储一段工作时间作为参照时间,选择历史参照数据中特征变量的历史极值作为参照区间并存储特征变量的参照区间。
本实施例中,原始数据中一段工作时间的数据为1个月、2个月或更长工作时间内的数据,本发明不以此为限。选择出一段工作时间的数据之后,筛选出处于自动运行模式和100%运行速度模式下无报错的数据作为历史参照数据,选择筛选后的历史参照数据中特征变量的历史极值(最大值和最小值)组成特征变量的参照区间,存储参照区间并存储其对应的一段工作时间作为参照时间。通过参照时间,可以获得作为参照来判断工业机器人异常的历史参照数据所对应的具体时间段,从而判断工业机器人与该具体时间段对比产生的状态变化。此外,当工业机器人发生了机械变化调整时,可以根据需要重复步骤S2以重新选择参照时间并制作参照区间。
作为优选的实施方式,历史参照数据是以工业机器人当前所在的程序为周期,以每个程序中当前所在的命令行作为周期性索引而获得的每个周期内变化的数据。其中,命令行是由各运动指令代码行与信号等待代码行组成的。特征变量的参照区间是以工业机器人当前所在程序-当前所在的命令行的形式存储。
由于工业机器人的数据传输频率低,多数数据点是在工业机器人运动指令代码行以及等待代码行发出来的,其它代码行由于运算速度快,数据量很少,甚至没有数据。于是程序的周期性索引可以简化为由各运动指令代码行与信号等待代码行组成。其中运动指令代码行内可以得到工业机器人轨迹段运动过程内的特征变量,信号等待代码行体现某一到位点的特征变量。
本发明实施例中,由于整个监控过程按照周期进行堆叠,因此对数据的频率要求低,可适应大范围的数据频率。此外,利用历史一定时间段的工作数据为每个工业机器人的每个轴分解计算参考区间并进行监控计算,对各种工况的适应能力强,抗干扰能力强。
作为优选的实施方式,特征变量包括工业机器人的一个或多个轴的基于时间戳信息的电流数据、扭矩数据和/或跟随误差数据中的一种或多种。其中,工业机器人的各个轴是由电机配备减速机来传动的,各个轴的运动方式和方向都有不同。
请参阅图2,图2为本发明一个实施例的工业机器人程序和命令行的层级关系的示意图。一个具体实施例中,如上述方法选择工业机器人原始数据中一个月内的工作数据作为历史参照数据,并对处于自动运行模式和100%运行速度模式下无报错的历史参照数据进行筛选。工业机器人的程序中包括多个命令行,工业机器人的运动是以工业机器人程序中的命令行运行而形成的,因此对筛选后的历史参照数据以当前所在程序-当前所在的命令行的层级关系进行分组,找出每组中各个轴的电流数据的最大值和最小值作为参考区间。进一步而言,选择电流数据参考区间的百分位n作为参考区间下限,选择百分位99-n作为参考区间上限,以去除数据中的干扰值,进一步提升参考区间中数据的准确度。其中百分位n可以根据需要灵活设定调整,本发明不以此为限。
本发明实施例中选择工业机器人无报错的历史参照数据作为参照来发现异常,并且以工业机器人当前所在的程序-当前所在的命令行对历史参照数据进行分组,进一步的细化了工业机器人状态监控的区间,便于在异常发生时找到对应的程序和命令行的相关信息,提升了状态监控的准确度。此外,通过选择工业机器人各个轴的电流数据、扭矩数据和/或跟随误差数据中的一种或多种作为参照区间,可以更好地反应各个轴的工作状态,以便于后续判断工业机器人是否出现异常。本发明实施例中历史参照数据的获取不需要额外安装传感器,或者制作额外的测试程序,其部署工作量低。
S3:选择并筛选原始数据中一个时间段的数据作为实际监控数据并存储实际监控数据,实际监控数据与历史参照数据中相应的参数相同。
本实施例中,根据数据采样频率与需要的监控反应速度,选择并筛选原始数据中一个时间段的数据作为实际监控数据。由于工业机器人因机械问题而导致的停机通常需要数周甚至数月修复,因此可以选择工业机器人原始数据中最近一天内的工作数据作为实际监控数据,本发明不以此为限。与步骤S2中的参照区间相同,实际监控数据是以工业机器人当前所在程序-当前所在的命令行的形式存储,在存储的过程中,按照工业机器人当前所在程序-当前所在的命令行的分组,将特征变量的参照区间对应添加至实际监控数据中。实际监控数据的内容和筛选过程同步骤S2中所述,于此不再赘述。
S4:将参照区间和实际监控数据进行比较,计算工业机器人对应于特征变量的超差程度以及绘制可视化数据图。
本实施例中,通过步骤S2和S3,将实际监控数据对应于工业机器人当前所在的程序-当前所在的命令行匹配到相应的参照区间中,绘制各个程序的各个命令行的可视化数据图。请参阅图4,图4为本发明一个实施例的工业机器人的程序行层级可视化数据图,图中纵坐标为电流数据,横坐标为一个命令行的时间戳信息,L1为参考区间的上限的折线,L2为参考区间的下限的折线,L3为实际监控数据的折线。一个具体实施例中,如图4所示,对工业机器人历史参照数据和实际监控数据中一个轴的电流数据按照当前所在的程序-当前所在的命令行进行筛选排列,对工业机器人该轴在当前所在的程序-当前所在的命令行的电流、其对应的参照区间上限及参照区间下限绘制曲线作为程序行层级的可视化数据图。
本发明实施例中的可视化数据图通过将实际监控数据和其对应的参照区间绘制在一起,能够更好地判断工业机器人各程序中各命令行中超出参照区间的异常的数据值,以便更准确地判断工业机器人的异常。
作为优选的实施方式,步骤S4中绘制可视化数据图的步骤,进一步包括:
选择实际监控数据中特征变量的实际极值作为实际区间;
匹配并叠加参照区间和实际区间,绘制参照区间和实际区间的曲线作为基于程序层级的可视化数据图。
本实施例中,选择实际监控数据中的最大值和最小值作为实际区间,对应于工业机器人当前所在的程序-当前所在的命令行与参照区间匹配,绘制各个程序的可视化数据图。请参阅图3,图3为本发明一个实施例的工业机器人的程序层级可视化数据图,图中纵坐标为电流数据,横坐标为一个程序中的命令行号,L1为参考区间的上限的折线,L2为参考区间的下限的折线,L31和L32分别为各个命令行号中实际监控数据的实际区间的上限和下限的折线。一个具体实施例中,如图3所示,对工业机器人历史参照数据和实际监控数据中一个轴的电流数据按照当前所在的程序-当前所在的命令行进行筛选排列,选择工业机器人各个程序中各个命令行的实际监控数据中该轴的电流数据的最大值和最小值作为实际区间,绘制各个程序中各个命令行的该轴电流的实际区间上限和实际区间下限,以及其对应的参照区间的上限及参照区间下限的曲线作为程序层级可视化数据图。进一步而言,选择电流数据实际区间的百分位m作为参考区间下限,选择百分位100-m作为实际区间上限,以去除数据中的干扰值,进一步提升参考区间中数据的准确度。其中百分位m可以根据需要灵活设定调整,本发明不以此为限。
进一步而言,请同时参阅图3和图4,可以对应命令行标注相应的运动点名XLHP005、XLDO_253X130_005、XLHP010、XLHP015、XLHP020、XLHP025、XHOME,将当前所在的程序、当前所在的命令行和/或运动点名作为筛选器,将程序行层级的可视化数据图和程序层级可视化数据图进行联动。运动点名为工业机器人的轴根据程序中的命令行而运动到的位置点。
本发明实施例中的程序层级可视化数据图通过比较参照区间和实际区间的曲线而对出现异常的数据进行判断,能够更准确地判断各个程序中超出参照区间范围的异常命令行,从而更准确地判断出现异常的工业机器人。
此外,作为优选地实施方式,超差程度包括:超差比例e、程序层级平均残差RM、程序层级超差比例E、程序层级上限超差峰值Ph和/或下限超差峰值Pl。超差程度是指实际监控数据与参照区间的不吻合程度。其中,超差比例为各个程序中各命令行的实际监控数据超出其对应的参照区间的数据占所有实际监控数据的比例,程序层级超差比例E为各个程序中各个命令行对应的实际区间超出其对应的参照区间的命令行数占所有程序命令行数的比例,程序层级上限超差峰值Ph为各个程序中各个命令行对应的实际区间的上限与其对应的参照区间的上限的差值峰值,程序层级下限超差峰值Pl为各个程序中各个命令行对应的实际区间的下限与其对应的参照区间的下限的差值峰值,程序层级平均残差RM为基于程序层级上限超差峰值Ph和下限超差峰值Pl的平均残差,其中超差比例e和程序层级超差比例E用于衡量超差广度,程序层级平均残差RM用于衡量超差深度,程序层级上限超差峰值Ph和下限超差峰值Pl用于衡量超差峰值特征。此外,由于一些命令行在一个时间段内的执行时间短,导致该些命令行中的数据数量小于一个预设参数阈值b,选取该些命令行计算超差程度会使计算结果不准确,因此在获取超差程度前先去除数据数量小于预设参数阈值b的命令行,进一步优化数据的合理性和准确性。其中,预设参数阈值b为通过大数据分析获得,也可根据需要灵活调整。
请参阅图5,图5为本发明实施例计算超差程度的步骤流程图。进一步而言,计算超差比例e、程序层级平均残差RM、程序层级超差比例E、程序层级上限超差峰值Ph和/或下限超差峰值Pl的方法包括:
S41:获取各个程序中各个命令行的参照区间的上限Rhi和下限Rli,其中i为命令行号;
S42:获取各个程序中各个命令行的实际区间的上限Xhi和下限Xli,其中i为命令行号;
S43:基于参照区间的上限Rhi和下限Rli、实际区间的上限Xhi和下限Xli,通过不吻合程度计算法获得超差比例e、程序层级平均残差RM、程序层级超差比例E、程序层级上限超差峰值Ph和/或下限超差峰值Pl。其中,不吻合程度计算法进一步包括:
超差比例e=超差数据总数/数据总数,
其中,当实际监控数据<min(Rli-a,0)或实际监控数据>max(Rhi+a,0)时,实际监控数据为超差数据,min为求最小值,max为求最大值,a为参照区间第一扩大参数;
程序层级超差比例E=超差程序行总数/总程序行数,
其中,当Xli<min(Rli-c,0)或Xhi>max(Rhi+c,0)时,命令行i为超差程序行,c为参照区间第二扩大参数;
程序层级上限超差峰值Ph=max(Xhi-max(Rhi,0));
程序层级下限超差峰值Pl=max(min(Rli,0)-Xli);以及,
一个具体实施例中,按照当前所在的程序-当前所在的命令行对历史参照数据和实际监控数据进行筛选排列,选择各个轴的电流数据作为特征变量。基于各个轴的电流数据,获得各个轴中各个工业机器人程序中各个命令行的参照区间的上限Rhi和下限Rli,并绘制程序行层级的可视化数据图。如图4所示,通过上述方法比较工业机器人一个轴中各个程序中各个命令行的电流数据和其对应的参照区间,可以获得超出参照区间的电流数据作为超差数据,统计所有超差数据的总数并除以该轴中所有实际监控数据的总数,可以获得该轴的超差数据的比例e。为更准确地统计超出参照区间的超差数据,可以设置参照区间第一扩大参数a以对参照区间进行放大处理,进一步优化数据的合理性。参照区间第一扩大参数a为根据大数据分析获得,也可以根据需要灵活设定调整。
另一个具体实施例中,按照当前所在的程序-当前所在的命令行对历史参照数据和实际监控数据进行筛选排列,选择各个轴的电流数据作为特征变量。基于各个轴的电流数据,获得各个轴中各个工业机器人程序中各个命令行的参照区间的上限Rhi和下限Rli,以及实际区间的上限Xhi和下限Xli,并绘制程序层级的可视化数据图。如图3所示,通过上述方法比较工业机器人的一个轴的各个程序中各个命令行的电流数据的实际区间和其对应的参照区间,可以获得实际区间超出参照区间的命令行作为超差程序行,统计所有的超差程序行的总数并除以该轴中所有程序行的总数,可以获得该轴的程序层级超差比例E。其他超差程度的计算方式同上所述,于此不再赘述。
本发明实施例中的超差程度是通过比较各个程序中各个命令行的实际监控数据和参照区间获得的,实际监控数据可以与参照区间直接比较,也可以获取实际监控数据的实际区间与参照区间进行比较,并将比较结果绘制成可视化数据图,便于使用人员分析查找出现异常的数据,提高了工业机器人状态监控的准确性。
S5:基于超差程度,对工业机器人的轴的工作状态进行分类。
作为优选地实施方式,工业机器人的轴的工作状态分类包括异常、轻度异常和正常。
本发明实施例中,通过上述方法获得工业机器人各个轴的超差比例e、程序层级平均残差RM、程序层级超差比例E、程序层级上限超差峰值Ph和/或下限超差峰值Pl。若一个轴的超差比例e小于等于一个预设阈值alpha_e或程序层级平均残差RM小于等于一个预设阈值alpha_RM或程序层级超差比例E小于等于一个预设阈值alpha_E,则判断该轴为正常;若一个轴的超差比例e大于一个预设阈值alpha_e且程序层级平均残差RM大于一个预设阈值alpha_RM且程序层级超差比例E大于一个预设阈值alpha_E时,通过对超差比例e、程序层级平均残差RM以及程序层级超差比例E求加权和W,对轴的异常状态进行再次分类。
具体而言,若加权和W小于一个预设阈值alpha_w1,则判断该轴为轻度异常;若加权和W大于等于预设阈值alpha_w1,则判断该轴为异常。此外,程序层级上限超差峰值Ph和下限超差峰值Pl用于判断工业机器人各轴中实际监控数据为整体均匀增大或局部点明显增大。
其中,预设阈值alpha_e、alpha_RM、alpha_E、alpha_w1为对工业机器人的原始数据进行大数据分析或利用机器学***均残差RM的权重相同,也可以根据实际监控需要调整,本发明不以此为限。此外,也可以结合工业机器人的实际状态使用机器学习监督算法依据各个轴的超差程度对各轴进行分类,从而判断工业机器人各轴的工作状态。进一步而言,若各个轴中各程序的数据量庞大,可以采用与预设阈值比较的方法结合机器学习监督算法对工业机器人的轴的工作状态进行分类,本发明不以此为限。因此,通过上述方法可以获得工业机器人的各轴在一个时间段内的工作状态。
S6:根据轴的工作状态和可视化数据图,判断出现异常的工业机器人。
作为优选地实施方式,获得轴的工作状态的变化趋势,判断工业机器人的状态,状态包括趋近于异常状态或异常状态。
请参阅图6,图6为本发明的工业机器人轴的工作状态的变化趋势以及工业机器人异常状态的示意图。本发明实施例中,根据步骤S5获得工业机器人各个轴在多个连续的时间段内的工作状态,并根据轴的工作状态的变化趋势结合可视化数据图,判断工业机器人的异常状态。若一个或多个轴的工作状态从正常变化为轻度异常,且工作状态变化缓慢,则判断工业机器人处于趋近于异常状态;若一个或多个轴的工作状态从轻度异常变化为异常,且工作状态变化速度快,则判断工业机器人的设备恶化快,工业机器人处于异常状态,从而需要给予高的检查优先级。
作为优选地实施方式,上述方法还包括生成数据表单的步骤S7,数据表单包括参照时间、实际监控数据、超差程度的数据;以及,在数据表单上以预设文字信息或预设颜色呈现工业机器人的轴的工作状态和/或所述轴的工作状态变化趋势。
本发明实施例中,通过对各个轴的工作状态进行分类,并对各个轴的工作状态的变化趋势进行分析,同时在数据表单中显示数据信息,以及以文字或颜色进行相应的显示,可以在工业机器人出现异常,或者呈现出趋近于异常状态的趋势时判断工业机器人的异常状态,起到提前预警的效果。
S8:基于原始数据、可视化数据图以及数据表单,分析原因相应启动排查及解决问题。
本发明实施例中,根据上述步骤获得的数据、轴的工作状态分类和工业机器人的异常状态,结合可视化数据图以及数据表单可进一步排查分析异常发生的原因,并做出相应的解决措施。具体而言,可以对常见的历史故障案例进行进一步分析,找到具体故障所对应的异常状态的特征。进一步而言,对于平衡缸问题,实际监控数据通常表现为工业机器人二轴的超差比例e、程序层级平均残差RM和程序层级超差比例E显著增大,而程序层级上限超差峰值Ph和下限超差峰值Pl未巨幅上升;对于抖动问题,实际监控数据通常表现为超差比例e增大、程序层级平均残差RM显著增大和程序层级超差比例E增大,而程序层级上限超差峰值Ph和下限超差峰值Pl巨幅上升。
此外,本发明的状态监控方法还用于根据具体运动点名,判断工业机器人例如零点偏移、轨迹干涉的轨迹精度问题,同时可提供相应的运动轨迹信息。轨迹精度问题的直接表现为工业机器人轴的特征变量在有工件接触的运动点的数据的超差。以抓手机器人为例,轨迹精度直接影响到抓放件位的轴电流和/或扭矩(工装、工件受力点),因为抓放件位机器人需要在工装胎上抓取工件,或将工件放置于工装胎上。一般工装胎及抓手具有定位销。轨迹精度出现异常后,进行抓放件动作时可能会与工装胎(定位销)发生干涉,影响轴电流和/或扭矩。通过监控在有工件接触的运动点而监控轨迹精度问题(如抓手机器人有工件接触的运动点是抓放件点),抓放件点如上所述在机器人编程时有规范命名的运动点名,方便监控时自动查找监控,若有工件接触的运动点电流明显增大则需要对机器人进行检查,检查包括零点检查以及轨迹检查,继而根据检查结果进行相应地维修维护操作,但本发明不以此为限。其中,具体故障所对应的异常状态的特征可以基于原始数据,通过机器学习的方法获得,于此不再赘述。
作为优选地实施方式,分析原因相应启动排查及解决问题的步骤,进一步包括:
基于原始数据中的轴位置数据和/或轴温度数据中的一种或多种,辅助分析原因相应启动排查及解决问题。
通过上述方法获得轴的工作状态分类以及工业机器人的异常状态后,还可以结合轴位置数据和/或轴温度数据对异常状态进行辅助分析。请参阅图7,图7为本发明一个实施例加入轴位置数据和轴温度数据的工业机器人的程序行层级可视化数据图。
一个具体实施例中,同步骤S3中所述,选择并筛选工业机器人一个时间段的轴位置数据和轴温度数据,通过上述方法绘制加入轴位置数据和轴温度数据的工业机器人的程序行层级可视化数据图,并对应于实际监控数据与参照区间的可视化数据图进行联动显示,其中L4为轴位置数据的折线,L5为轴温度数据的折线,轴位置数据的纵坐标为轴位置的角度,轴温度数据的纵坐标为摄氏度。通过加入轴位置数据的程序行层级可视化数据图,可以获得轴电流数据中超差点的轴位置数据,判断超差是否与轴角度位置相关。若超差点的轴角度都在一个角度区间,则表示局部机械出现问题,如平衡缸轴承磨损。
此外,通过加入轴温度数据的程序行层级可视化数据图,可以获得轴电流数据中超差点的轴温度数据,判断超差是否与轴温度相关。若超差点的轴温度偏高或偏低,同时温度降低或升高时轴电流数据不再超差,且环境温度确实有变化(如遇到入夏、入冬、停暖等),则判断异常由于外界温度变化引起。工业机器人的轴位置数据和温度数据,以及其对应的时间戳数据也可以显示在数据表单中,本发明不以此为限。
具体而言,获得轴的工作状态分类以及工业机器人的异常状态后,可以对应该工业机器人该轴的超差程度,确认出现异常的具体运动点,继而根据该运动点的轴位置数据和/或轴温度数据对工业机器人的轴进行辅助分析。此外,同步骤S4中所述,可以在图3中绘制相应的轴位置数据和/或轴温度数据的区间的折线,从而得到加入了轴位置数据和/或轴温度数据的程序层级可视化视图(图未示),以至于对更好地分析排查异常状态的原因,其中,程序层级可视化视图中的各个命令行的轴温度数据可以为轴的各个命令行的平均温度数据,本发明不以此为限。通过结合轴位置数据和/或温度数据对异常状态进行辅助分析,能够更准确地分析工业机器人异常状态的原因,并相应地排查,迅速解决问题。
需要说明的是,上述具体实施例中使用的工业机器人一个轴的电流数据仅用于说明工业机器人状态监控方法各步骤的实施方式,本发明不以此为限。在实际操作过程中,可以选择对工业机器人的一个轴进行状态监控,也可以选择对多个轴进行状态监控,分别获得各个轴的工作状态,再根据多个轴的工作状态综合判断出现异常的工业机器人。此外,可以选择仅对电流数据、扭矩数据或跟随误差数据中的一种特征变量进行监控,也可以选择同时监控电流数据、扭矩数据和/或跟随误差数据中的多种特征变量,再根据上述方法获得一个轴或多个轴分别基于电流数据、扭矩数据和/或跟随误差数据的工作状态,最后综合分析判断出现异常的工业机器人。此外,本发明提供的工业机器人状态监控方法能够监控一个工业机器人或同时监控多个工业机器人,本发明不以此为限。
本发明提供的工业机器人状态监控方法,是基于历史参照数据和实际监控数据,将实际监控数据与历史参照数据的参考区间进行比较而获得可视化数据图,基于可视化数据图获得工业机器人对应于特征变量的超差程度,根据超差程度对工业机器人各轴的工作状态进行分类,基于各轴的工作状态判断出现异常的工业机器人。基于上述,本发明是通过比较工业机器人的轴的历史参照数据和实际监控数据,从而判断轴的工作状态,再根据轴的工作状态判断出现异常的工业机器人,而相比之下,现有技术采用安装振动传感器的方法,或是基于监控***的报错信息和运行数据监控工业机器人的状态。因此,本发明提供的工业机器人状态监控方法,能够及时、准确地判断出现异常的工业机器人,使工业机器人状态监控过程实现提前风险预警,及时发现问题,识别精度高、部署工作量低并且适应能力强。
请参阅图8,图8为本发明一个实施例的工业机器人状态监控***1的结构模块图,包括:
数据采集模块DA,用于采集并通过数据交互模块12将工业机器人的原始数据存储至数据库DB。数据采集模块DA的具体实施方式和有益技术效果如上述步骤S1中所述,于此不再赘述。
第一处理模块10,用于选择并筛选原始数据中一段工作时间的数据作为历史参照数据,存储一段工作时间作为参照时间,选择历史参照数据中特征变量的历史极值作为参照区间并存储特征变量的参照区间。
作为优选的实施方式,在第一处理模块10中,历史参照数据是以工业机器人当前所在的程序为周期,以每个程序中当前所在的命令行作为周期性索引而获得的每个周期内变化的数据。其中,命令行是由各运动指令代码行与信号等待代码行组成的。
作为优选的实施方式,在第一处理模块10中,特征变量包括工业机器人的一个或多个轴的基于时间戳信息的电流数据、扭矩数据和/或跟随误差数据中的一种或多种。其中,工业机器人的各个轴是由电机配备减速机来传动的,各个轴的运动方式和方向都有不同。
第一处理模块10的具体实施方式和有益技术效果如上述步骤S2中所述,于此不再赘述。
第二处理模块11,用于选择并筛选原始数据中一个时间段的数据作为实际监控数据并存储实际监控数据,实际监控数据与历史参照数据中相应的参数相同。其具体实施方式和有益技术效果如上述步骤S3中所述,于此不再赘述。
数据库DB,用于存储原始数据、特征变量的参照区间、参照时间和实际监控数据。数据库DB可以为本地数据库或云端数据库。
数据交互模块12,用于以定期或实时传输方式将原始数据、特征变量的参照区间、参照时间和实际监控数据上传至数据库DB。
第三处理模块13,用于将参照区间和实际监控数据进行比较,计算工业机器人对应于特征变量的超差程度。
绘图模块DM,用于绘制可视化数据图。
作为优选的实施方式,在绘图模块DM中,绘制可视化数据图的步骤,进一步包括:选择实际监控数据中特征变量的实际极值作为实际区间;匹配并叠加参照区间和实际区间,绘制参照区间和实际区间的曲线作为基于程序层级的可视化数据图。
作为优选地实施方式,在第三处理模块13中,超差程度包括:超差比例e、程序层级平均残差RM、程序层级超差比例E、程序层级上限超差峰值Ph和/或下限超差峰值Pl。
作为优选地实施方式,在第三处理模块13中,获得超差比例e、程序层级平均残差RM、程序层级超差比例E、程序层级上限超差峰值Ph和/或下限超差峰值Pl的方法包括:
获取各个程序中各个命令行的参照区间的上限Rhi和下限Rli,其中i为命令行号;
获取各个程序中各个命令行的实际区间的上限Xhi和下限Xli,其中i为命令行号;
基于参照区间的上限Rhi和下限Rli、实际区间的上限Xhi和下限Xli,通过不吻合程度计算法获得超差比例e、程序层级平均残差RM、程序层级超差比例E、程序层级上限超差峰值Ph和/或下限超差峰值Pl。其中,不吻合程度计算法进一步包括:
超差比例e=超差数据总数/数据总数,
其中,当实际监控数据<min(Rli-a,0)或实际监控数据>max(Rhi+a,0)时,实际监控数据为超差数据,min为求最小值,max为求最大值,a为参照区间第一扩大参数;
程序层级超差比例E=超差程序行总数/总程序行数,
其中,当Xli<min(Rli-c,0)或Xhi>max(Rhi+c,0)时,命令行i为超差程序行,c为参照区间第二扩大参数;
程序层级上限超差峰值Ph=max(Xhi-max(Rhi,0));
程序层级下限超差峰值Pl=max(min(Rli,0)-Xli);以及,
第三处理模块13和绘图模块DM的具体实施方式和有益技术效果如上述步骤S4中所述,于此不再赘述。
分类模块14,用于基于超差程度,对工业机器人的轴的工作状态进行分类。作为优选地实施方式,在分类模块14中,工业机器人的轴的工作状态分类包括异常、轻度异常和正常。分类模块14的具体实施方式和有益技术效果如上述步骤S5中所述,于此不再赘述。
判断模块15,用于根据轴的工作状态和可视化数据图,判断出现异常的工业机器人。作为优选地实施方式,在判断模块15中,获得轴的工作状态的变化趋势,判断工业机器人的状态,状态包括趋近于异常状态或异常状态。判断模块15的具体实施方式和有益技术效果如上述步骤S6中所述,于此不再赘述。
数据表单生成模块16,用于生成数据表单,数据表单包括参照时间、实际监控数据、超差程度的数据;以及,在数据表单上以预设文字信息或预设颜色呈现工业机器人的轴的工作状态和/或轴的工作状态变化趋势。数据表单生成模块16的具体实施方式和有益技术效果如上述步骤S7中所述,于此不再赘述。
分析模块17,用于基于原始数据、可视化数据图以及数据表单,分析原因相应启动排查及解决问题。其具体实施方式和有益技术效果如上述步骤S8中所述,于此不再赘述。
请参阅图9,图9为本发明另一个实施例的工业机器人状态监控***2的结构模块图。工业机器人状态监控***2包括上述实施例中工业机器人状态监控***1的所有模块(图9中未示),其与工业机器人状态监控***1的区别在于还包括数据库采集模块291和数据库处理模块292;其中,
数据库采集模块291用于采集多个工业机器人状态监控***中的数据,并通过数据交互模块22以定期或实时传输方式上传至总数据库DB’;
数据库处理模块292用于对总数据库DB’中的数据进行分析,以确定参照区间第一扩大参数和参照区间第二扩大参数。
请再参阅图9,一个具体实施例中,位于工作环境相同或相似的多个工业机器人配置有工业机器人状态监控***2、3,每个工业机器人状态监控***用于监控至少一个工业机器人,工业机器人状态监控***2、3中的数据库采集模块291、391用于采集工业机器人状态监控***2、3中的数据,并通过数据交互模块22、32以定期或实时传输方式上传至总数据库DB’,因此总数据库DB’存储有多个工业机器人的数据。数据库处理模块292、392可以通过数据交互模块22、32调取本地工业机器人状态监控***和总数据库DB’中的所有数据并进行大数据分析,从而确定参照区间第一扩大参数和参照区间第二扩大参数,以使得工业机器人状态监控***中的超差程度更加准确。此外,数据库处理模块292、392还可以通过对总数据库DB’中的所有数据进行大数据分析或机器学习分类,从而确定预设阈值alpha_e、alpha_RM、alpha_E、alpha_w1,使得工业机器人的轴的工作状态分类更加准确。
本发明实施例中的工业机器人状态监控***通过形成数据库,不仅可以对本地工业机器人状态监控***的数据进行分析,还可以对其他工业机器人状态监控***的数据进行综合分析,数据库中的数据完整,使得获得的超差程度的准确度高。
由于***部分的实施例与方法部分的实施例相互对应,因此***部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。需要说明的是,上述提出的***也可以通过其他的方式实现。例如以上所描述的***实施例仅仅是示意性的,例如上述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块可以结合或者可以集成到另外一个***,或一些特征可以忽略,或不执行。
本发明的一个实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被设置为运行时执行如上所述的工业机器人状态监控方法,不再赘述。
本发明的一个实施例还提供一种电子装置,包括存储器和处理器,存储器中存储有计算机程序,处理器被设置为运行计算机程序以执行如上所述的工业机器人状态监控方法,于此不再赘述。
请参阅图10,图10为本发明另一个实施例的结构模块图。本发明另一个实施例还提供一种工业机器人状态提示终端4,包括:
存储器40,用于存储计算机程序;
处理器41,用于运行计算机程序以实现如下步骤:
执行如上所述的工业机器人状态监控方法以获得可视化数据图,并判断出现异常的工业机器人;
接收模块42,用于接收可视化数据图;
输出模块43,用于输出可视化数据图至一个显示屏幕44;
显示屏幕44,用于显示可视化数据图;
人机交互模块45,用于响应用户的操作而向输出模块43发送控制指令,控制输出模块43输出相应的可视化数据图;以及,
提示模块46,用于对出现异常的工业机器人进行相应的提示。
本发明实施例中通过将可视化数据图显示在显示屏幕上,便于使用者观察工业机器人各个轴的工作状态及变化趋势,并且可以准确及时地判断出现异常或呈现出现异常趋势的工业机器人,提示使用者采取相应的措施。此外,使用者通过人机交互模块与提示终端进行交互,可以根据需要选择可视化数据图中的部分进行观察,以便更好地监控工业机器人的状态。
本发明另一个实施例还提供一种工业机器人,设置有或者通过网络连接设置有如上所述的工业机器人状态监控***。
请参阅图11,图11为本发明一个实施例的工业机器人的示意图。工业机器人5的本端设置有完整的工业机器人状态监控***51,其可通过数据交互模块与云端的数据库DB进行数据交互,并对数据库DB中的工业机器人数据进行本端处理或云端处理,从而判断出现异常的工业机器人,及时采取维护措施。
本发明实施例中的工业机器人通过在本端设置完整的工业机器人状态监控***,可以在本端或云端对工业机器人的数据进行分析,即使在网络不稳定的情况下,也可以对本地工业机器人的数据进行分析,提高了***的稳定性并保证了异常判断的准确性。
请再参阅图12,图12为本发明另一个实施例的工业机器人的示意图。工业机器人5’本端不设置工业机器人状态监控***,完整的工业机器人状态监控***51’完全设置在云端,工业机器人5’仅完成联机的功能或上位机的功能。工业机器人5’通过控制设置在云端的工业机器人状态监控***51’,对数据库DB中的工业机器人的数据进行处理,从而判断出现异常的工业机器人,及时采取维护措施。
本发明实施例中通过将工业机器人状态监控***设置在云端,无需在本地设置即可使用,提高了工业机器人在应用过程中的便捷性以及经济性。云端***的运行和维护不受时间和地点的限制,只需对云端服务器进行维护,能够及时地响应并反馈问题,提高了运行和维护的效率。
以上对工业机器人状态监控方法、***、存储介质、电子装置、提示终端以及工业机器人进行了详细介绍。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他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***、存储介质、电子装置、提示终端以及工业机器人而言,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。
当然,本发明还可有其它多种实施例,在不背离本发明的精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (29)
1.一种工业机器人状态监控方法,包括以下步骤:
采集并存储所述工业机器人的原始数据;
选择并筛选所述原始数据中一段工作时间的数据作为历史参照数据,存储所述一段工作时间作为参照时间,选择所述历史参照数据中特征变量的历史极值作为参照区间并存储所述特征变量的所述参照区间;
选择并筛选所述原始数据中一个时间段的数据作为实际监控数据并存储所述实际监控数据,所述实际监控数据与所述历史参照数据中相应的参数相同;
将所述参照区间和所述实际监控数据进行比较,计算所述工业机器人对应于所述特征变量的超差程度以及绘制可视化数据图,其特征在于,还包括:
基于所述超差程度,对所述工业机器人的轴的工作状态进行分类;
根据所述轴的工作状态和所述可视化数据图,判断出现异常的工业机器人。
2.根据权利要求1所述的工业机器人状态监控方法,其特征在于,所述历史参照数据和所述实际监控数据是以所述工业机器人当前所在的程序为周期,以每个程序中当前所在的命令行作为周期性索引而获得的每个周期内变化的数据。
3.根据权利要求2所述的工业机器人状态监控方法,其特征在于,所述特征变量包括所述工业机器人的一个或多个轴的基于时间戳信息的电流数据、扭矩数据和/或跟随误差数据中的一种或多种。
4.根据权利要求3所述的工业机器人状态监控方法,其特征在于,所述绘制可视化数据图的步骤,进一步包括:
选择所述实际监控数据中所述特征变量的实际极值作为实际区间;
匹配并叠加所述参照区间和所述实际区间,绘制所述参照区间和所述实际区间的曲线作为基于程序层级的可视化数据图。
5.根据权利要求1或4所述的工业机器人状态监控方法,其特征在于,所述基于所述超差程度,对所述工业机器人的轴的工作状态进行分类的步骤,进一步包括:
所述工业机器人的轴的工作状态分类包括异常、轻度异常和正常。
6.根据权利要求5所述的工业机器人状态监控方法,其特征在于,所述根据所述轴的工作状态和所述可视化数据图,判断出现异常的工业机器人的步骤,进一步包括:
获得所述轴的工作状态的变化趋势,判断所述工业机器人的状态,所述状态包括趋近于异常状态或异常状态。
7.根据权利要求4所述的工业机器人状态监控方法,其特征在于,所述超差程度包括:
超差比例e、程序层级平均残差RM、程序层级超差比例E、程序层级上限超差峰值Ph和/或下限超差峰值Pl。
8.根据权利要求7所述的工业机器人状态监控方法,其特征在于,计算超差比例e、程序层级平均残差RM、程序层级超差比例E、程序层级上限超差峰值Ph和/或下限超差峰值Pl的方法包括:
获取各个程序中各个命令行的所述参照区间的上限Rhi和下限Rli,其中i为命令行号;
获取各个程序中各个命令行的所述实际区间的上限Xhi和下限Xli,其中i为命令行号;
基于所述参照区间的上限Rhi和下限Rli、所述实际区间的上限Xhi和下限Xli,通过不吻合程度计算法获得超差比例e、程序层级平均残差RM、程序层级超差比例E、程序层级上限超差峰值Ph和/或下限超差峰值Pl。
9.根据权利要求8所述的工业机器人状态监控方法,其特征在于,所述不吻合程度计算法进一步包括:
超差比例e=超差数据总数/数据总数,
其中,当所述实际监控数据<min(Rli-a,0)或所述实际监控数据>max(Rhi+a,0)时,所述实际监控数据为超差数据,min为求最小值,max为求最大值,a为参照区间第一扩大参数;
程序层级超差比例E=超差程序行总数/总程序行数,
其中,当Xli<min(Rli-c,0)或Xhi>max(Rhi+c,0)时,命令行i为超差程序行,c为参照区间第二扩大参数;
程序层级上限超差峰值Ph=max(Xhi-max(Rhi,0));
程序层级下限超差峰值Pl=max(min(Rli,0)-Xli);以及,
10.根据权利要求1或4所述的工业机器人状态监控方法,其特征在于,还包括生成数据表单的步骤,所述数据表单包括所述参照时间、所述实际监控数据、所述超差程度的数据;以及,
在所述数据表单上以预设文字信息或预设颜色呈现所述工业机器人的轴的工作状态和/或所述轴的工作状态变化趋势。
11.根据权利要求10所述的工业机器人状态监控方法,其特征在于,还包括基于所述原始数据、所述可视化数据图以及所述数据表单,分析原因相应启动排查及解决问题的步骤。
12.根据权利要求11所述的工业机器人状态监控方法,其特征在于,所述分析原因相应启动排查及解决问题的步骤,进一步包括:
基于所述原始数据中的轴位置数据和/或轴温度数据中的一种或多种,辅助分析原因相应启动排查及解决问题。
13.一种工业机器人状态监控***,包括:
数据采集模块,用于采集并通过数据交互模块将所述工业机器人的原始数据存储至数据库;
第一处理模块,用于选择并筛选所述原始数据中一段工作时间的数据作为历史参照数据,存储所述一段工作时间作为参照时间,选择所述历史参照数据中特征变量的历史极值作为参照区间并存储所述特征变量的所述参照区间;
第二处理模块,用于选择并筛选所述原始数据中一个时间段的数据作为实际监控数据并存储所述实际监控数据,所述实际监控数据与所述历史参照数据中相应的参数相同;
所述数据库,用于存储所述原始数据、所述特征变量的参照区间、所述参照时间和所述实际监控数据;
所述数据交互模块,用于以定期或实时传输方式将所述原始数据、所述特征变量的参照区间、所述参照时间和所述实际监控数据上传至所述数据库;
第三处理模块,用于将所述参照区间和所述实际监控数据进行比较,计算所述工业机器人对应于所述特征变量的超差程度;
绘图模块,用于绘制可视化数据图,其特征在于,还包括:
分类模块,用于基于所述超差程度,对所述工业机器人的轴的工作状态进行分类;
判断模块,用于根据所述轴的工作状态和所述可视化数据图,判断出现异常的工业机器人。
14.根据权利要求13所述的工业机器人状态监控***,其特征在于,在所述第一处理模块和所述第二处理模块中,所述历史参照数据和所述实际监控数据是以所述工业机器人当前所在的程序为周期,以每个程序中当前所在的命令行作为周期性索引而获得的每个周期内变化的数据。
15.根据权利要求14所述的工业机器人状态监控***,其特征在于,在所述第一处理模块中,所述特征变量包括所述工业机器人的一个或多个轴的基于时间戳信息的电流数据、扭矩数据和/或跟随误差数据中的一种或多种。
16.根据权利要求15所述的工业机器人状态监控***,其特征在于,在所述绘图模块中,所述绘制可视化数据图的步骤,进一步包括:
选择所述实际监控数据中所述特征变量的实际极值作为实际区间;
匹配并叠加所述参照区间和所述实际区间,绘制所述参照区间和所述实际区间的曲线作为基于程序层级的可视化数据图。
17.根据权利要求13或16所述的工业机器人状态监控***,其特征在于,在所述分类模块中,所述基于所述超差程度,对所述工业机器人的轴的工作状态进行分类的步骤,进一步包括:
所述工业机器人的轴的工作状态分类包括异常、轻度异常和正常。
18.根据权利要求17所述的工业机器人状态监控***,其特征在于,在所述判断模块中,所述根据所述轴的工作状态和所述可视化数据图,判断出现异常的工业机器人的步骤,进一步包括:
获得所述轴的工作状态的变化趋势,判断所述工业机器人的状态,所述状态包括趋近于异常状态或异常状态。
19.根据权利要求16所述的工业机器人状态监控***,其特征在于,在所述第三处理模块中,所述超差程度包括:
超差比例e、程序层级平均残差RM、程序层级超差比例E、程序层级上限超差峰值Ph和/或下限超差峰值Pl。
20.根据权利要求19所述的工业机器人状态监控***,其特征在于,在所述第三处理模块中,计算超差比例e、程序层级平均残差RM、程序层级超差比例E、程序层级上限超差峰值Ph和/或下限超差峰值Pl的方法包括:
获取各个程序中各个命令行的所述参照区间的上限Rhi和下限Rli,其中i为命令行号;
获取各个程序中各个命令行的所述实际区间的上限Xhi和下限Xli,其中i为命令行号;
基于所述参照区间的上限Rhi和下限Rli、所述实际区间的上限Xhi和下限Xli,通过不吻合程度计算法获得超差比例e、程序层级平均残差RM、程序层级超差比例E、程序层级上限超差峰值Ph和/或下限超差峰值Pl。
21.根据权利要求20所述的工业机器人状态监控***,其特征在于,所述不吻合程度计算法进一步包括:
超差比例e=超差数据总数/数据总数,
其中,当所述实际监控数据<min(Rli-a,0)或所述实际监控数据>max(Rhi+a,0)时,所述实际监控数据为超差数据,min为求最小值,max为求最大值,a为参照区间第一扩大参数;
程序层级超差比例E=超差程序行总数/总程序行数,
其中,当Xli<min(Rli-c,0)或Xhi>max(Rhi+c,0)时,命令行i为超差程序行,c为参照区间第二扩大参数;
程序层级上限超差峰值Ph=max(Xhi-max(Rhi,0));
程序层级下限超差峰值Pl=max(min(Rli,0)-Xli);以及,
22.根据权利要求13或16所述的工业机器人状态监控***,其特征在于,还包括:
数据表单生成模块,用于生成数据表单,所述数据表单包括所述参照时间、所述实际监控数据、所述超差程度的数据;以及,
在所述数据表单上以预设文字信息或预设颜色呈现所述工业机器人的轴的工作状态和/或所述轴的工作状态变化趋势。
23.根据权利要求22所述的工业机器人状态监控***,其特征在于,还包括:
分析模块,用于基于所述原始数据、所述可视化数据图以及所述数据表单,分析原因相应启动排查及解决问题。
24.根据权利要求23所述的工业机器人状态监控***,其特征在于,所述分析原因相应启动排查及解决问题的步骤,进一步包括:
基于所述原始数据中的轴位置数据和/或轴温度数据中的一种或多种,辅助分析原因相应启动排查及解决问题。
25.根据权利要求21所述的工业机器人状态监控***,其特征在于,还包括数据库采集模块和数据库处理模块;其中,
所述数据库采集模块用于获取多个所述工业机器人状态监控***中的数据,并通过所述数据交互模块以定期或实时传输方式上传至总数据库;
所述数据库处理模块用于对所述总数据库中的数据进行分析,以确定所述参照区间第一扩大参数和所述参照区间第二扩大参数。
26.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被设置为运行时执行所述权利要求1-12中任一项所述的方法。
27.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1-12中任一项所述的方法。
28.一种工业机器人状态提示终端,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于运行所述计算机程序以实现如下步骤:
执行所述权利要求1-12中任一项所述的方法以获得所述可视化数据图,并判断出现异常的工业机器人;
接收模块,用于接收所述可视化数据图;
输出模块,用于输出所述可视化数据图至一个显示屏幕;
所述显示屏幕,用于显示所述可视化数据图;
人机交互模块,用于响应用户的操作而向所述输出模块发送控制指令,控制所述输出模块输出相应的所述可视化数据图;以及,
提示模块,用于对出现异常的所述工业机器人进行相应的提示。
29.一种工业机器人,其特征在于,设置有或者通过网络连接设置有如权利要求13-25所述的工业机器人状态监控***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211131408.3A CN116263734A (zh) | 2022-09-16 | 2022-09-16 | 工业机器人状态监控方法、***及提示终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211131408.3A CN116263734A (zh) | 2022-09-16 | 2022-09-16 | 工业机器人状态监控方法、***及提示终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116263734A true CN116263734A (zh) | 2023-06-16 |
Family
ID=86722718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211131408.3A Pending CN116263734A (zh) | 2022-09-16 | 2022-09-16 | 工业机器人状态监控方法、***及提示终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116263734A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131315A (zh) * | 2023-10-27 | 2023-11-28 | 北京志翔科技股份有限公司 | 基于求解多元二次函数极值的超差电能表确定方法及介质 |
-
2022
- 2022-09-16 CN CN202211131408.3A patent/CN116263734A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131315A (zh) * | 2023-10-27 | 2023-11-28 | 北京志翔科技股份有限公司 | 基于求解多元二次函数极值的超差电能表确定方法及介质 |
CN117131315B (zh) * | 2023-10-27 | 2024-01-23 | 北京志翔科技股份有限公司 | 基于求解多元二次函数极值的超差电能表确定方法及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20190062739A (ko) | 복수의 센서를 활용하여 제조 공정상의 장비 고장을 예지하는 데이터 분석 방법, 알고리즘 및 장치 | |
CN102460529A (zh) | 装置异常监视方法以及*** | |
CN111340250A (zh) | 设备检修装置、方法及计算机可读存储介质 | |
CN113339204B (zh) | 一种基于混合神经网络的风力发电机故障识别方法 | |
CN113091817A (zh) | 一种三甘醇脱水装置状态监测及故障诊断*** | |
CN111159487A (zh) | 一种汽车发动机主轴预测性维护智能*** | |
CN117494955B (zh) | 一种用于自动化生产的智能监测*** | |
CN115640860B (zh) | 一种工业云服务的机电设备远程维护方法及*** | |
CN116008701B (zh) | 用于智能高压开关柜的电动机构运行诊断***及方法 | |
CN116263734A (zh) | 工业机器人状态监控方法、***及提示终端 | |
CN112001511A (zh) | 基于数据挖掘的设备可靠性及动态风险评价方法、***和设备 | |
CN116244765A (zh) | 一种基于工业互联网的设备维护管理方法 | |
JP6176377B1 (ja) | 設備管理システム、設備管理方法およびプログラム | |
CN114997521A (zh) | 一种环保设备监测预警及故障预测的方法及*** | |
CN117311316A (zh) | 一种面向工业互联网的机器故障诊断方法及*** | |
CN113418731A (zh) | 一种卷烟机组的在线故障诊断方法 | |
CN111306051B (zh) | 一种输油泵机组探针式状态监测预警方法、装置及*** | |
CN112580858A (zh) | 设备参数预测分析方法及*** | |
CN117013687A (zh) | 一种电力运行质量监测方法及*** | |
CN114298334A (zh) | 机床主轴预测性维护***及方法 | |
CN113421031B (zh) | 卷烟生产线附加装置警示方法及*** | |
CN110263949B (zh) | 融合机器机理与人工智能算法***的数据处理方法及*** | |
KIM et al. | A Study on the Equipment Data Collection and Developing Next Generation Integrated PHM System | |
JP2018037063A (ja) | 設備管理システム、設備管理方法およびプログラム | |
CN117193214A (zh) | 一种基于物联网的车间协同智能制造*** |
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 |