專利名稱：基于離群點挖掘的集群工業(yè)機器人故障診斷方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種工業(yè)機器人故障診斷方法，尤其涉及一種基于離群點挖掘的 集群工業(yè)機器人故障診斷方法，屬于機電設(shè)備故障診斷技術(shù)領(lǐng)域。
背景技術(shù)：
縱觀整個裝配制造業(yè)的發(fā)展現(xiàn)狀，不難分析出其今后的發(fā)展趨勢是不斷發(fā) 展的自動化柔性生產(chǎn)系統(tǒng)。工業(yè)機器人因其集自動化生產(chǎn)和靈活性生產(chǎn)的特點 于一身，因此近年來，裝配制造業(yè)中大規(guī)模地使用了工業(yè)機器人來提高生產(chǎn)效 率，如在汽車生產(chǎn)的沖壓、焊裝、涂裝、總裝等工藝過程中，工業(yè)機器人都有 廣泛的應(yīng)用。工業(yè)機器人是集機械、液壓、電子、光電、計算機等多種類型元 器件和控制軟件在內(nèi)的復(fù)雜系統(tǒng)，在工業(yè)應(yīng)用中通常帶有較大負(fù)荷并長期連續(xù) 運轉(zhuǎn)，然而一旦工藝流程中的某個工業(yè)機器人失效或發(fā)生故障，將對整條生產(chǎn) 線造成影響。發(fā)明一種工業(yè)機器人故障診斷方法，通過監(jiān)測其運行數(shù)據(jù)達到預(yù) 測故障的目的，并及時實施相應(yīng)的檢修與維護，對于保障生產(chǎn)線可靠運作，提 高經(jīng)濟效益具有重要意義。
對自動化設(shè)備的故障診斷和性能評估有兩種方法 一種是縱向評估即根據(jù) 設(shè)備自身的歷史運行數(shù)據(jù)評估性能的變化趨勢。這種評估方法可以借鑒傳統(tǒng)的 信號處理理論和方法，其研究相對比較成熟，但這種方法只能針對單臺設(shè)備， 具有單一性。另一種是橫向評估，即多臺相同或相似的設(shè)備，在其工作條件基 本相同的情況下，相互之間進行橫向的比較，以評估設(shè)備的性能狀態(tài)。裝配制 造業(yè)中大量應(yīng)用的工業(yè)機器人正符合這一特點。
經(jīng)對現(xiàn)有技術(shù)的文獻檢索發(fā)現(xiàn)，公開文件"工業(yè)機器人故障的實時檢測與診 斷"(機器人，1992)提出了一種工業(yè)機器人的故障診斷方法，該公開文件自述 為"本文首先建立了直流電機驅(qū)動機器人的驅(qū)動系統(tǒng)的動態(tài)故障模型，它包容 了電樞電組，電感等故障，隨后建立了工業(yè)機器人傳感器的動態(tài)故障摸型。可包容位置，速度及力傳感器的階躍型和緩變型故障。在此基礎(chǔ)上，應(yīng)用作者提 出的可處理一類非線性系統(tǒng)參數(shù)偏差型故障的系統(tǒng)性算法，成功地檢測并診斷 出這些故障，仿真結(jié)果表明，本文方法具有檢測時延較小的優(yōu)點，不僅可以隔 離出故障而且同時可估計出故障的大小"，其不足之處是通過建立已知故障的模 型對工業(yè)機器人進行動態(tài)診斷，因此無法對未知故障進行診斷；此外，該方案 只適用于對個體工業(yè)機器人進行診斷，而無法用于大規(guī)模生產(chǎn)線上集群作業(yè)的 工業(yè)機器人。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對現(xiàn)有技術(shù)的不足，提供一種基于離群點挖掘的集群工 業(yè)機器人故障診斷方法，通過監(jiān)測其運行狀態(tài)數(shù)據(jù)，實現(xiàn)對生產(chǎn)線上集群作業(yè) 工業(yè)機器人的故障診斷，實施針對性預(yù)測性檢修，避免設(shè)備故障的發(fā)生，提高 設(shè)備的可靠性。
為實現(xiàn)上述目的，本發(fā)明首先采集集群工業(yè)機器人原始運行狀態(tài)數(shù)據(jù)并進行 歸類等預(yù)處理操作，然后用聚類分析的方法將多臺工業(yè)機器人作為一個群體進 行分析，使得多臺設(shè)備根據(jù)運行狀況進行歸類。在聚類基礎(chǔ)上，利用離群點挖 掘方法計算每臺工業(yè)機器人的離群因子得出其離群程度，并根據(jù)離群程度分離 出離群點，進一步確定離群點所代表的個體工業(yè)機器人是否出現(xiàn)故障，并通過 異常運行參數(shù)的種類判斷出機器人出現(xiàn)故障的具體部位，獲得故障診斷結(jié)果。 在數(shù)據(jù)庫中存儲集群工業(yè)機器人的運行數(shù)據(jù)和故障診斷結(jié)果；利用顯示端口實 時顯示運行數(shù)據(jù)和故障診斷結(jié)果。
本發(fā)明的方法具體包括以下步驟
1、 采用多輸入通道數(shù)據(jù)采集卡獲取集群工業(yè)機器人的運行狀態(tài)數(shù)據(jù)；所述 運行狀態(tài)數(shù)據(jù)包括總消耗功率、基座振動、各電機的功率及工作電流、旋轉(zhuǎn) 關(guān)節(jié)的角速度、任務(wù)執(zhí)行結(jié)果等。當(dāng)診斷對象很多時，可以通過擴展多個采集 卡來增加輸入通道。
2、 將獲得的運行狀態(tài)數(shù)據(jù)按統(tǒng)一格式整理歸類，通過添加數(shù)據(jù)標(biāo)識區(qū)分?jǐn)?shù) 據(jù)來源及數(shù)據(jù)類型，然后傳輸?shù)较到y(tǒng)數(shù)據(jù)庫進行保存。3、 對集群工業(yè)機器人的運行狀態(tài)數(shù)據(jù)進行聚類分析，利用離群點挖掘方法 計算每臺工業(yè)機器人的離群因子得出其離群程度，并根據(jù)離群程度分離出離群 點，進一步確定離群點所代表的個體工業(yè)機器人是否出現(xiàn)故障，并通過異常運 行參數(shù)的種類判斷出機器人出現(xiàn)故障的具體部位，獲得故障診斷結(jié)果。
4、 將包括工業(yè)機器人的運行狀態(tài)數(shù)據(jù)、故障診斷結(jié)果在內(nèi)的信息存儲到系 統(tǒng)數(shù)據(jù)庫中，并通過專用顯示端口直接顯示數(shù)據(jù)，作為管理、維修和更新工業(yè) 機器人的依據(jù)。
顯示運行數(shù)據(jù)和故障診斷結(jié)果可以保障工程師借此瀏覽工業(yè)機器人歷史和 當(dāng)前的運行數(shù)據(jù)、性能評估結(jié)果、故障發(fā)生情況及維修情況等信息。
本發(fā)明方法直接從工業(yè)機器人的控制器獲取其運行數(shù)據(jù)，如消耗功率、基座 振動等能夠表現(xiàn)其工作狀態(tài)和設(shè)備健康狀況的參數(shù)，并采用離群點挖掘方法對 大量同類數(shù)據(jù)進行橫向比較，分析其中異樣的運行參數(shù)，進而達到診斷集群工 業(yè)機器人中出故障的設(shè)備。
本發(fā)明對集群工業(yè)機器人的故障診斷是通過大量比較相似運行數(shù)據(jù)實現(xiàn)的， 即通過異樣的運行數(shù)據(jù)發(fā)現(xiàn)有可能出現(xiàn)故障的設(shè)備，因此比較數(shù)據(jù)種類越多， 設(shè)備故障診斷效果越明顯，具有可以診斷已知的故障和未知故障的能力。
根據(jù)本發(fā)明的故障診斷結(jié)果，可以實施針對性的預(yù)測性維修，避免設(shè)備故障 的發(fā)生，提高設(shè)備的可靠性，起到了保障裝配制造業(yè)中自動化生產(chǎn)線可靠運行 的作用。


圖1為本發(fā)明基于離群點挖掘的集群工業(yè)機器人故障診斷方法流程圖。 圖2為本發(fā)明實施例集群工業(yè)機器人離群挖掘的結(jié)果。
具體實施例方式
下面結(jié)合附圖對本發(fā)明的實施例作詳細(xì)說明本實施例在以本發(fā)明技術(shù)方案 為前提下進行實施，給出了詳細(xì)的實施方式，但本發(fā)明的保護范圍不限于下述 的實施例。
如圖1所示，本發(fā)明包括以下步驟采集集群工業(yè)機器人的運行數(shù)據(jù)、工業(yè)
5機器人運行數(shù)據(jù)的預(yù)處理、對工業(yè)機器人進行實時故障診斷、存儲運行數(shù)據(jù)和 故障診斷結(jié)果、顯示運行數(shù)據(jù)和故障診斷結(jié)果。具體如下
1、 所述集群工業(yè)機器人的運行數(shù)據(jù)是由數(shù)據(jù)采集卡從集群工業(yè)機器人的控 制器處獲取，數(shù)據(jù)采集卡有多路輸入通道，可以同時采集多個工業(yè)機器人的運 行狀態(tài)數(shù)據(jù)。當(dāng)診斷對像很多時，可以通過擴展多個采集卡來增加輸入通道。 獲取的數(shù)據(jù)包括總消耗功率、基座振動、各電機的功率及工作電流、旋轉(zhuǎn)關(guān) 節(jié)的角速度、任務(wù)執(zhí)行結(jié)果等。
2、 將獲得的運行狀態(tài)數(shù)據(jù)進行預(yù)處理，按統(tǒng)一格式整理歸類，通過添加數(shù) 據(jù)標(biāo)識區(qū)分?jǐn)?shù)據(jù)來源及數(shù)據(jù)類型，如數(shù)據(jù)標(biāo)識后第一項為總消耗功率、第二項 為基座振動等。這種統(tǒng)一的數(shù)據(jù)表達方式便于數(shù)據(jù)庫對機器人運行數(shù)據(jù)的管理， 也便于故障診斷算法抽取集群工業(yè)機器人同類運行數(shù)據(jù)，并進行橫向比較。然 后傳輸?shù)较到y(tǒng)數(shù)據(jù)庫進行保存。
3、 所述的集群工業(yè)機器人故障診斷步驟是本發(fā)明的核心，故障診斷是基于 比較多個工業(yè)機器人的同類數(shù)據(jù)，例如在相同負(fù)荷下的工作電流、基座振動等。 首先對集群工業(yè)機器人的運行狀態(tài)數(shù)據(jù)進行聚類分析，利用離群點挖掘方法分 離出某些異樣的個體數(shù)據(jù)，即計算每臺工業(yè)機器人的離群因子得出其離群程度， 并根據(jù)離群程度分離出離群點，進一步確定離群點所代表的個體工業(yè)機器人是 否出現(xiàn)故障，并通過異常運行參數(shù)的種類判斷出機器人出現(xiàn)故障的具體部位， 獲得故障診斷結(jié)果。
故障診斷采用在聚類基礎(chǔ)上的離群點挖掘方法，首先采用聚類分析的方法將 多臺工業(yè)機器人作為一個群體進行分析，使得多臺設(shè)備根據(jù)運行狀況進行歸類。 在聚類分析的結(jié)果上，根據(jù)參數(shù)標(biāo)識"大"簇和"小"簇，并對"小"簇中的 離群點計算離群因子，離群因子定量地表示了離群點的離群程度。
所述聚類方法沒有嚴(yán)格要求，只要能產(chǎn)生好的聚類結(jié)果就可以。本發(fā)明實施 例采用一種群體智能聚類算法，具體步驟為把集群工業(yè)機器人中的個體運行狀 態(tài)參數(shù)當(dāng)作對象(例如把一個機器人的總消耗功率、基座振動、主電機電流三 個參數(shù)作為對象)，然后將來自于集群工業(yè)機器人的所有對象隨機分布在一個二
6維網(wǎng)格上，并由虛擬的螞蟻測量其中一個對象在該環(huán)境內(nèi)的群體相似度，并將 這種群體相似度通過概率轉(zhuǎn)換函數(shù)轉(zhuǎn)換成拾起或放下的概率，通過群體之間的
這種相互作用，經(jīng)多個循環(huán)后即可實現(xiàn)對象的聚類。
在聚類產(chǎn)生后，其中小簇中的對象有可能就是離群對象。給出幾個關(guān)鍵的 定義如下-
定義l:令數(shù)據(jù)集D表示數(shù)據(jù)的集合，聚類算法在D上執(zhí)行后，其結(jié)果表示
為c-(q，C2，…,cj，其中
fC,門C, =0
k是聚類后簇的數(shù)目。
定義2:(定義"大"簇和"小"簇)，設(shè)C^q,C2，…，CJ是簇的集合，并
且滿足lc,IMq一…糾Ql，給定兩個參數(shù)"和-，在滿足下面的任一條件時， 定義^是"大"(Large)和"小"(Small)簇的邊界(Boundary)。
lcil+lc2|+"U),.a (i)
|C6D々 (2)
則，"大"簇的集合定義為￡C = {C,"^W，"小"簇的集合定義為
定義2給出了簇的大小的量化的判據(jù)。公式(1)的根據(jù)是數(shù)據(jù)集中的大 部分點都應(yīng)該不是離群點，只有一小部分點才是，因此將數(shù)據(jù)集中的大部分點
所在的簇看作是"大"簇是合理的。公式(1)和公式(2)滿足其中的一個條
件即可，公式(1)在任何條件下都可以滿足，因此6的值一定能夠得到。
定義3:基于聚類的局部離群因子(CBL0F)，設(shè)C-(C,，q,…，CJ是簇的集 合，并且滿足IC,I^C"2……C」，參數(shù)a,/ ,6,丄C,SC的含義同定義2，對任意 的數(shù)據(jù)集中的元組t， t的基于聚類的局部離群因子(CBL0F)定義為
<formula>formula see original document page 7</formula>(3)式中，tfo(f，C,)表示元組t到簇C,的距離，可采用聚類中的距離公式進行
計算。該定義給出了基于聚類的離群點的離群程度的度量方法。
圖2為本實施例集群工業(yè)機器人離群挖掘的結(jié)果。如圖2所示，設(shè)定a和々
后，經(jīng)過計算，圖中的第三類屬于離群設(shè)備，而且通過式3可計算每臺離群設(shè) 備的離群因子得出其離群程度。通過這種分析，對于離群對象，進一步確定該 對象所代表的個體工業(yè)機器人是否可能出現(xiàn)故障，并通過異常運行參數(shù)的種類 判斷出機器人出現(xiàn)故障的具體部位。
這種基于離群點挖掘的集群工業(yè)機器人的故障診斷是通過大量比較相似運 行數(shù)據(jù)實現(xiàn)的，即通過異樣的運行數(shù)據(jù)發(fā)現(xiàn)有可能出現(xiàn)故障的設(shè)備，因此參與 比較數(shù)據(jù)種類越多，設(shè)備故障診斷效果越明顯。此外，本方法不需要事先知道 故障的模式，具有診斷已知的故障和未知故障的能力。
4、將包括工業(yè)機器人的運行狀態(tài)數(shù)據(jù)、故障診斷結(jié)果在內(nèi)的信息存儲到系 統(tǒng)數(shù)據(jù)庫中，并通過專用顯示端口直接顯示數(shù)據(jù)，作為管理、維修和更新工業(yè) 機器人的依據(jù)。
工業(yè)機器人的運行狀態(tài)數(shù)據(jù)和故障診斷結(jié)果均存儲在系統(tǒng)數(shù)據(jù)庫中，以備保 障工程師隨時查用。其它信息也可以根據(jù)需要存儲到該數(shù)據(jù)庫中，例如工業(yè)機 器人的運行時間、故障發(fā)生情況和維修歷史等信息。這些數(shù)據(jù)存儲在故障診斷 系統(tǒng)數(shù)據(jù)庫中，經(jīng)統(tǒng)計分析，可以作為管理、維修和更新工業(yè)機器人的依據(jù)。
運行數(shù)據(jù)和故障診斷結(jié)果可通過設(shè)置的專用顯示端口顯示，設(shè)備保障工程師 借此瀏覽數(shù)據(jù)庫中的歷史數(shù)據(jù)。
8
權(quán)利要求
1. 一種基于離群點挖掘的集群工業(yè)機器人故障診斷方法，其特征在于包括如下步驟1)采用多輸入通道數(shù)據(jù)采集卡獲取集群工業(yè)機器人的運行狀態(tài)數(shù)據(jù)；所述運行狀態(tài)數(shù)據(jù)包括總消耗功率、基座振動、各電機的功率及工作電流、旋轉(zhuǎn)關(guān)節(jié)的角速度、任務(wù)執(zhí)行結(jié)果；2)將獲得的運行狀態(tài)數(shù)據(jù)按統(tǒng)一格式整理歸類，通過添加數(shù)據(jù)標(biāo)識區(qū)分?jǐn)?shù)據(jù)來源及數(shù)據(jù)類型，然后傳輸?shù)较到y(tǒng)數(shù)據(jù)庫進行保存；3)對集群工業(yè)機器人的運行狀態(tài)數(shù)據(jù)進行聚類分析，利用離群點挖掘方法計算每臺工業(yè)機器人的離群因子得出其離群程度，并根據(jù)離群程度分離出離群點，進一步確定離群點所代表的個體工業(yè)機器人是否出現(xiàn)故障，并通過異常運行參數(shù)的種類判斷出機器人出現(xiàn)故障的具體部位，獲得故障診斷結(jié)果；4)將包括工業(yè)機器人的運行狀態(tài)數(shù)據(jù)、故障診斷結(jié)果在內(nèi)的信息存儲到系統(tǒng)數(shù)據(jù)庫中，并通過專用顯示端口直接顯示數(shù)據(jù)，作為管理、維修和更新工業(yè)機器人的依據(jù)。
2、根據(jù)權(quán)利要求1的基于離群點挖掘的集群工業(yè)機器人故障診斷方法，其 特征在于對集群工業(yè)機器人根據(jù)運行狀況進行聚類分析時，采用群體智能聚類 法，即把集群工業(yè)機器人中的個體運行狀態(tài)參數(shù)當(dāng)作對象，將來自于集群工業(yè) 機器人的所有對象隨機分布在一個二維網(wǎng)格上，并由虛擬的螞蟻測量其中一個 對象在該環(huán)境內(nèi)的群體相似度，并將這種群體相似度通過概率轉(zhuǎn)換函數(shù)轉(zhuǎn)換成 拾起或放下的概率，通過群體之間的這種相互作用，經(jīng)多個循環(huán)后實現(xiàn)對象的 聚類。
全文摘要
本發(fā)明涉及一種基于離群點挖掘的集群工業(yè)機器人故障診斷方法，屬于機電設(shè)備故障診斷領(lǐng)域。首先采集集群工業(yè)機器人原始運行狀態(tài)數(shù)據(jù)并進行歸類等預(yù)處理操作，然后用聚類分析的方法將多臺工業(yè)機器人作為一個群體進行分析，使得多臺設(shè)備根據(jù)運行狀況進行歸類。在聚類基礎(chǔ)上，利用離群點挖掘方法計算每臺工業(yè)機器人的離群因子得出其離群程度，并根據(jù)離群程度分離出離群點，進一步確定離群點所代表的個體工業(yè)機器人是否出現(xiàn)故障，并通過異常運行參數(shù)的種類判斷出機器人出現(xiàn)故障的具體部位，獲得故障診斷結(jié)果。利用本發(fā)明的故障診斷結(jié)果，可實施針對性預(yù)測性檢修，避免設(shè)備故障的發(fā)生，提高設(shè)備的可靠性，保障集群作業(yè)機器人可靠運行。
文檔編號G01M99/00GK101509839SQ20091004747
公開日2009年8月19日 申請日期2009年3月12日 優(yōu)先權(quán)日2009年3月12日
發(fā)明者蕾 張, 曹其新, 李寶順, 王忠巍 申請人:上海交通大學(xué)