1.
問題背景
制造業企業在産線上大量使用工業機器人從事噴漆、電焊、搬運等重複工作後,随着機器人數量和使用時間的上升,由于機器人故障造成的停機時間頻繁不斷發生。為了避免由于故障造成的停産損失,需要在工業機器人的健康管理方面引入了預測分析模型。
工業機器人PHM(Prognostic
and Health Management,故障預測與健康管理)相關主題的檢索關鍵字包括PHM、故障預測、健康管理、故障診斷[1]、預測性維護。
2.
研究方法
文獻[2]較為詳細的描述了機器人PHM的技術路線,工業機器人PHM主要分為四個層次:
(1)
控制層感覺和分析:采集機器人控制器、内嵌傳感器資料進行分析;
(2)
環境層感覺和分析:采集工作環境資料,如設計資料(例如,機器人正在運作的程式),過程資料,系統內建控制資料和外部PLC資料進行分析;
(3)
附加層感覺和分析:采集外加傳感器資料,如采集加裝力和扭矩傳感器獲得子部件有效載荷和工具安裝的影響。
(4)
頂層感覺和分析:結合視覺進行位置識别,考慮系統架構、系統功能以及相關參數評估整體系統的健康狀态。
圖1[2]給出了機器人PHM的技術路線。
![](https://img.laitimes.com/img/9ZDMuAjOiMmIsIjOiQnIsIyZuBnLzIDNxYTZzQGOwMDOhVDOmZDO4QWOxMTZ5ATYlVzYyQWN4QzYiFTZ48CXt92Yu4GZjlGbh5SZslmZxl3Lc9CX6MHc0RHaiojIsJye.png)
圖
1 技術路線
3.
系統架構
本文根據文獻[3]和文獻[4]描述的兩種典型基于“控制層感覺和分析”的方法,并結合工業物聯網架構建構如下:
2 工業機器人PHM架構圖
其中“診斷”功能可視計算能力部署在邊緣或雲端。如診斷功能部署在邊緣,則邊緣端應及時響應雲端模型的更新,確定邊緣診斷基于最新的雲端模型。雲計算不斷通過邊緣端上報的資料訓練模型或者形成知識庫,邊緣端則根據控制器實時參數和下載下傳的雲模型實作線上診斷。
3.1.
工業裝置
機器人可以分為兩大類,移動機器人和機器人機械臂[5]。由于工業機器人的數量龐大,且生産環境十分複雜,是以不适合安裝外部傳感器,而是使用
控制器内的監控參數對其健康進行分析。
3.2.
邊緣計算
3.2.1.
聚類分析
(1)
采集控制信号
采集控制器内的監控參數時需選擇關鍵部位參數進行采集,如
機械臂驅動馬達中的負載、扭矩、位置、周期時間、機器人型号等參數。
(2)
統計特征提取
從控制器中獲得信号的采樣頻率較低,是以針對一些高頻采樣或波形信号的特征提取方法将不再适用,取而代之的是按照每個動作循環提取固定的信号統計特征,如
均方根、方差、極值、峭度值和特定位置的負載值等。
3.2.2.
頻譜分析
采集伺服電機資料
從控制器中采集伺服電機資料,包括振動、電壓、電流、溫度和聲音。
信号分析
通過小波分析、傅裡葉變換、Butterworth
濾波和功率譜分析檢視電機實時和曆史資料。
3.3.
雲計算
3.3.1.
健康模組化
對裝置進行相似性聚類。在對裝置進行聚類時,首先要根據
裝置的型号和使用時間進行第一輪聚類,随後則要根據
裝置的任務、環境和工況進行第二輪聚類。在針對機械臂的分析上,不同的動作循環造成的驅動馬達扭矩是不同的,這裡選擇
扭矩的最大值、最小值和平均值作為聚類的依據。當機械臂執行相似的動作時,上述的特征分布應該十分相似,利用DBSCAN等聚類模型可以進行自動識别。
故障診斷
判斷差異性程度的算法有許多種,比如PCA-T2模型、高斯混合模型、自組織映射圖、統計模式識别等方法。
使用PCA-T2的分析方法,能夠判斷一個機械臂每個驅動馬達的監控參數特征與統一叢集内其他裝置總體分布情況的相似程度,以T2值作為最終的輸出結果。T2值所代表的含義就是目前裝置與叢集的偏移程度,其分布符合F分布(F-distribution)的特征,估可以按照90%或95%的置信區間确定其控制邊界,當T2值超過控制邊界并持續變大時,說明早期故障正在逐漸發展驗證。
3.3.2.
知識庫建立
擇載入信号分析資料的某一段來計算,設定資料通道和故障類型,計算特征參數的門檻值,作為故障類型的知識庫。
電機故障判定1依據以振動信号分析為主,輔以溫度、電流和聲音等信号,選取電機振動頻譜上最大幅值與最大幅值對應頻率、電機振動頻譜上波峰的數量、電機振動頻譜波峰幅值之和、電機溫度與溫升作為故障特征。
4.
未來工作
采集頻率:确定不同工況條件下控制器的采集頻率;
健康模型:通過神經網絡算法和聚類算法不斷優化出廠健康模型和實時健康模型;
(3)
診斷模型:優化判斷異常的診斷模型;
參考文獻
[1] 侯智,陳進. 工業機器人遠端監控與故障診斷研究綜述[J]. 機床與液壓, 2018, : .
[2] QIAO G. MONITORING,
DIAGNOSTICS, AND PROGNOSTICS FOR ROBOT TOOL CENTER ACCURACY DEGRADATION[C].
Proceedings 2018 ASME International Manufacturing Science and Engineering
Conference, 2018 : .
[3] 李傑. 從大資料到智能制造[M]. 上海交通大學出版社, 2016.
[4] 丁小健 李, 黃創綿, 闫攀峰, 嚴拴航, 黃強. 工業機器人伺服電機PHM 系統開發與研究[J],
2017, : .
[5] CORKE P. 機器人學、機器視覺與控制--MATLAB算法基礎[M]. 2016.