?1.???????? 問題背景

制造業(yè)企業(yè)在產(chǎn)線上大量使用工業(yè)機器人從事噴漆、電焊、搬運等重復工作后，隨著機器人數(shù)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(fā)生。為了避免由于故障造成的停產(chǎn)損失，需要在工業(yè)機器人的健康管理方面引入了預測分析模型。

工業(yè)機器人PHM（Prognostic and Health Management，故障預測與健康管理）相關(guān)主題的檢索關(guān)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(shù)路線，工業(yè)機器人PHM主要分為四個層次：

(1)?????? 控制層感知和分析：采集機器人控制器、內(nèi)嵌傳感器數(shù)據(jù)進行分析；

(2)?????? 環(huán)境層感知和分析：采集工作環(huán)境數(shù)據(jù)，如設計數(shù)據(jù)（例如，機器人正在運行的程序），過程數(shù)據(jù)，系統(tǒng)集成控制數(shù)據(jù)和外部PLC數(shù)據(jù)進行分析；

(3)?????? 附加層感知和分析：采集外加傳感器數(shù)據(jù)，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)?????? 頂層感知和分析：結(jié)合視覺進行位置識別，考慮系統(tǒng)架構(gòu)、系統(tǒng)功能以及相關(guān)參數(shù)評估整體系統(tǒng)的健康狀態(tài)。

圖1^[2]給出了機器人PHM的技術(shù)路線。

圖 1 技術(shù)路線

3.???????? 系統(tǒng)架構(gòu)

本文根據(jù)文獻^[3]和文獻^[4]描述的兩種典型基于“控制層感知和分析”的方法，并結(jié)合工業(yè)物聯(lián)網(wǎng)架構(gòu)構(gòu)建如下：

圖 2 工業(yè)機器人PHM架構(gòu)圖

其中“診斷”功能可視計算能力部署在邊緣或云端。如診斷功能部署在邊緣，則邊緣端應及時響應云端模型的更新，確保邊緣診斷基于最新的云端模型。云計算不斷通過邊緣端上報的數(shù)據(jù)訓練模型或者形成知識庫，邊緣端則根據(jù)控制器實時參數(shù)和下載的云模型實現(xiàn)在線診斷。

3.1.??????? 工業(yè)設備

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(yè)機器人的數(shù)量龐大，且生產(chǎn)環(huán)境十分復雜，因此不適合安裝外部傳感器，而是使用控制器內(nèi)的監(jiān)控參數(shù)對其健康進行分析。

3.2.??????? 邊緣計算

3.2.1.?????? 聚類分析

（1）?????? 采集控制信號

采集控制器內(nèi)的監(jiān)控參數(shù)時需選擇關(guān)鍵部位參數(shù)進行采集，如機械臂驅(qū)動馬達中的負載、扭矩、位置、周期時間、機器人型號等參數(shù)。

（2）?????? 統(tǒng)計特征提取

從控制器中獲得信號的采樣頻率較低，因此針對一些高頻采樣或波形信號的特征提取方法將不再適用，取而代之的是按照每個動作循環(huán)提取固定的信號統(tǒng)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

（1）?????? 采集伺服電機數(shù)據(jù)

從控制器中采集伺服電機數(shù)據(jù)，包括振動、電壓、電流、溫度和聲音。

（2）?????? 信號分析

通過小波分析、傅里葉變換、Butterworth 濾波和功率譜分析查看電機實時和歷史數(shù)據(jù)。

3.3.??????? 云計算

3.3.1.?????? 聚類分析

（1）?????? 健康建模

對設備進行相似性聚類。在對設備進行聚類時，首先要根據(jù)設備的型號和使用時間進行第一輪聚類，隨后則要根據(jù)設備的任務、環(huán)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(huán)造成的驅(qū)動馬達扭矩是不同的，這里選擇扭矩的最大值、最小值和平均值作為聚類的依據(jù)。當機械臂執(zhí)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別。

（2）?????? 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(tǒng)計模式識別等方法。

使用PCA-T²的分析方法，能夠判斷一個機械臂每個驅(qū)動馬達的監(jiān)控參數(shù)特征與統(tǒng)一集群內(nèi)其他設備總體分布情況的相似程度，以T2值作為最終的輸出結(jié)果。T2值所代表的含義就是當前設備與集群的偏移程度，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(qū)間確定其控制邊界，當T2值超過控制邊界并持續(xù)變大時，說明早期故障正在逐步發(fā)展驗證。

3.3.2.?????? 頻譜分析

（1）?????? 知識庫建立

擇載入信號分析數(shù)據(jù)的某一段來計算，設置數(shù)據(jù)通道和故障類型，計算特征參數(shù)的閾值，作為故障類型的知識庫。

（2）?????? 故障診斷

電機故障判定1依據(jù)以振動信號分析為主，輔以溫度、電流和聲音等信號，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(shù)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

（1）?????? 采集頻率：確定不同工況條件下控制器的采集頻率；

（2）?????? 健康模型：通過神經(jīng)網(wǎng)絡算法和聚類算法不斷優(yōu)化出廠健康模型和實時健康模型；

（3）?????? 診斷模型：優(yōu)化判斷異常的診斷模型；

?

?

參考文獻

[1] 侯智，陳進. 工業(yè)機器人遠程監(jiān)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] 李杰. 從大數(shù)據(jù)到智能制造[M].? 上海交通大學出版社, 2016.

[4] 丁小健 李, 黃創(chuàng)綿, 閆攀峰, 嚴拴航, 黃強. 工業(yè)機器人伺服電機PHM 系統(tǒng)開發(fā)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.

?

總結(jié)

以上是生活随笔為你收集整理的基于工业物联网的工业机器人PHM架构的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。