基于运动模式划分的工业机器人健康监测方法

张中伟; 王传刚; 韩炎序; 张超; 李乃鹏; 张帅

doi:10.3969/j.issn.1673-3193.2024.01.002

您当前的位置：

首页 >

文章列表页 >

基于运动模式划分的工业机器人健康监测方法

复杂机械装备的预测与健康管理专栏 | 更新时间：2025-12-25

- 基于运动模式划分的工业机器人健康监测方法
- Health Monitoring Method of Industrial Robots Based on Motion Pattern Division
- 中北大学学报(自然科学版) 2024年45卷第1期页码：12-21
- 作者机构：
  
  1.华电莱州发电有限公司，山东莱州 261441
  2.西安交通大学现代设计及转子轴承系统教育部重点实验室，陕西西安 710064
  3.华电电力科学研究院有限公司，浙江杭州 310030
- 作者简介：
  
  张中伟（1972－），男，技师，主要从事能源动力方面机械设备状态监测的研究。
  李乃鹏（1991－），男，副教授，博士，主要从事机械装备状态监测、剩余寿命预测与智能运维方法的研究。E-mail：naipengli@mail.xjtu.edu.cn。
- 基金信息：
  
  国家自然科学基金资助项目(52375121)
- DOI：10.3969/j.issn.1673-3193.2024.01.002
  中图分类号： TH17
- 收稿：2023-09-28，
  
  纸质出版：2024-02-29
- 稿件说明：
移动端阅览
张中伟，王传刚，韩炎序，等. 基于运动模式划分的工业机器人健康监测方法［J］. 中北大学学报（自然科学版）， 2024， 45（1）： 12-21.

ZHANG Zhongwei， WANG Chuangang， HAN Yanxu， et al. Health monitoring method of industrial robots based on motion pattern division［J］. Journal of North University of China（Natural Science Edition）， 2024， 45（1）： 12-21.
张中伟，王传刚，韩炎序，等. 基于运动模式划分的工业机器人健康监测方法［J］. 中北大学学报（自然科学版）， 2024， 45（1）： 12-21. DOI： 10.3969/j.issn.1673-3193.2024.01.002.

ZHANG Zhongwei， WANG Chuangang， HAN Yanxu， et al. Health monitoring method of industrial robots based on motion pattern division［J］. Journal of North University of China（Natural Science Edition）， 2024， 45（1）： 12-21. DOI： 10.3969/j.issn.1673-3193.2024.01.002.

摘要

由于工业机器人存在多运动模式耦合的问题，传统的健康监测方案需要在每个关节处单独安装传感器，难以满足实际工业现场需求。本文以6关节工业机器人为研究对象，基于振动信号研究了多运动模式切换场景下工业机器人的健康监测方法。首先，通过跳变点算法实现机器人运动模式划分，获取不同运动模式对应的信号区间。其次，对不同运动模式的信号分别提取监测指标。最后，基于控制图法实现工业机器人不同关节的健康监测。在工业机器人退化实验数据中验证了本文所提方法，表明本文所提方法能够在仅使用两个振动传感器的条件下实现机器人6个关节的健康状态监测。本文所提运动模式划分算法在对大量历史退化数据进行分析时，所需运行时间更短、单次精度更高且重复性更好。本文提出的方法能够在使用少量传感器的条件下，有效避免运动模式耦合和采样信号的差异可能导致的监测结果误判，使得监测结果更加精准可靠，适用于实际工业现场的工业机器人健康状态监测。

Abstract

Due to the problem of multi-motion mode coupling of industrial robots， the traditional health monitoring scheme needs to install sensors at each joint separately， which is difficult to meet the needs of actual industrial field. A 6-joints industrial robot is taken as the research object， and the health monitoring method of industrial robot in multi-motion mode switching scenario is studied based on vibration signals. Firstly， robot motion modes are divided by jump point algorithm， and signal intervals corresponding to different motion modes are obtained. Secondly， the monitoring indexes are extracted from the signals of different motion modes. Finally， the health monitoring of different joints of industrial robots is realized based on the control chart method. The proposed method is verified by the experimental data of industrial robot degradation. It shows that the proposed method can realize the health status monitoring of 6 joints of the robot with only two vibration sensors. The motion pattern partitioning algorithm proposed in this paper costs shorter running time， has higher single precision and better repeatability when analyzing a large number of historical degraded data. The proposed method can effectively avoid the misjudgment of monitoring results which may be caused by the difference of motion mode coupling and sampling signal under the condition using only a few sensors， making the monitoring results more accurate and reliable， and more suitable for the health status monitoring of industrial robots in actual industrial sites.

关键词

Keywords

references

CUI G ， LI B ， TIAN W ， et al . Dynamic modeling and vibration prediction of an industrial robot in manufacturing ［J］. Applied Mathematical Modelling ， 2022 ， 105 ： 114 - 136 .

马宝瑞 . 基于数字孪生的工业机器人关节轴承健康状况评估技术研究［D］. 武汉：华中科技大学， 2022 .

SNEIDER H , FRANK P M . Observer-based supervision and fault detection in robots using nonlinear and fuzzy logic residual evaluation [J ] . IEEE Transactions on Control Systems Technology , 1996 , 4 ( 3 ): 274 - 282 .

ENDO Y ， OSHIMA M ， MIYAZAKI T ， et al . A prototype of fault diagnostic system for robots ［C］// Proceedings of the 2nd International Conference on Industrial and Engineering Applications of Artificial Intelligence and Expert Systems . 1989 ： 26 - 35 .

BORGI T ， HIDRI A ， NEEF B ， et al . Data analytics for predictive maintenance of industrial robots ［C］// 2017 International Conference on Advanced Systems and Electric Technologies （IC_ASET） . IEEE ， 2017 ： 412 - 417 .

CHEN C ， LIU C ， WANG T ， et al . Compound fault diagnosis for industrial robots based on dual-transformer networks ［J］. Journal of Manufacturing Systems ， 2023 ， 6 （ 3 ）： 163 - 178 .

JIANG L L ， YOURUI T ， JIA W . Remaining useful life prediction for reducer of industrial robots based on MCSA ［C］// 2021 Global Reliability and Prognostics and Health Management （PHM-Nanjing） . 2021 ： 1 - 7 .

SAFIZADEH M S ， LATIFI S K . Using multi-sensor data fusion for vibration fault diagnosis of rolling element bearings by accelerometer and load cell ［J］. Information Fusion ， 2014 ， 18 ： 1 - 8 .

JABER A A ， BICKER R . Wireless fault detection system for an industrial robot based on statistical control chart ［J］. International Journal of Electrical and Computer Engineering ， 2017 ， 7 （ 6 ）： 3421 .

VAGAŠ M ， SEMJON J ， BALAŽ V ， et al . Methodology for the vibration measurement and evaluation on the industrial robot KUKA ［C］// 2014 23rd International Conference on Robotics in Alpe-Adria-Danube Region （RAAD） . IEEE ， 2014 ： 1 - 6 .

BOSEN M ， LULU J ， JIA W . Degradation modeling for the reducer of industrial robot under periodic multi-stage task ［C］// 2022 Global Reliability and Prognostics and Health Management （PHM-Yantai） . 2022 ： 1 - 6 .

KIM Y ， PARK J ， NA K ， et al . Phase-based time domain averaging （PTDA） for fault detection of a gearbox in an industrial robot using vibration signals ［J］. Mechanical Systems and Signal Processing ， 2020 ， 138 ： 106544 .

ZHI Z ， LIU L ， LIU D ， et al . Fault detection of the harmonic reducer based on CNN-LSTM with a novel denoising algorithm ［J］. IEEE Sensors Journal ， 2021 ， 22 （ 3 ）： 2572 - 2581 .

SEO J J ， YOON H ， HA H ， et al . Infrared thermographic diagnosis mechnism for fault detection of ball bearing under dynamic loading conditions ［J］. Advanced Materials Research ， 2011 ， 295 ： 1544 - 1547 .

BAGAVATHIAPPAN S ， LAHIRI B B ， SARAVANAN T ， et al . Infrared thermography for condition monitoring—A review ［J］. Infrared Physics & Technology ， 2013 ， 60 ： 35 - 55 .

PENG P ， WANG J . Wear particle classification considering particle overlapping ［J］. Wear ， 2019 ， 422 ： 119 - 127 .

CHICCO D ， JURMAN G . The advantages of the Matthews correlation coefficient （MCC） over F1 score and accuracy in binary classification evaluation ［J］. Bmc Genomics ， 2020 ， 21 （ 6 ）： 1 - 13 .

CHEN J ， GUPTA A K . Parametric statistical change point analysis： with applications to genetics， medicine， and finance ［J］. 2012 ， 2 （ 1 ）： 212 - 215 .

ADAMS R P ， MACKAY D J . Bayesian online changepoint detection ［J］. 2007 ， 12 （ 2 ）： 34 - 41 .

BERNAOLA-GALVÁN P ， IVANOV P C ， AMARAL L A N ， et al . Scale invariance in the nonstationarity of human heart rate ［J］. Physical Review Letters ， 2001 ， 87 （ 16 ）： 168 - 172 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据