[发明专利]一种基于AR模型的六轴工业机器人故障诊断方法及系统

说明书

技术领域

本发明涉及工业机器人技术领域，具体涉及一种基于AR模型的六轴工业机器人故障诊断方法及系统。

背景技术

六轴工业机器人是长期处于恶劣的工业环境下运作的机器人，比如焊接、铸造、切割等，环境的粉尘、高温、厂区的振动及机器人反复加减速等都会加剧机器人零部件的磨损及疲劳破坏。如减速机、轴承、齿轮、同步带磨损，电机异常，螺钉松动等时有发生，这些故障会引起机器人振动、异响、定位精度降低等问题，且机器人属于人机协作设备，严重时会导致极大的安全隐患，所以及时判断故障并修复是机器人使用的重中之重。

传统的故障诊断方法是先进行人工判断，并拆卸机器人，通过工程师的专业判断和逐步拆卸来找寻故障位置、诊断故障，再进而解决故障。然而这种检修方式需要检修人员具备丰富的先验知识，且故障发生位置广，故障诊断效率低，拆卸困难，不易做到实时监测。

发明内容

发明目的：本发明旨在提供一种提取敏感故障特征、缩小故障诊断范围、提高故障诊断效率的六轴工业机器人故障诊断方法及系统。

技术方案：一种基于AR模型的六轴工业机器人故障诊断方法，包括如下步骤：

(1)信号采集卡采集机器人各轴运动部件的加速度振动传感器的振动信号X(t)，并将采集的振动信号X(t)传输给处理装置；

(2)处理装置通过EMD对振动信号X(t)进行预处理，分解为具有不同特征尺度的平稳信号IMF分量c₁(t)，c₂(t)，…，c_n(t)；

(3)对步骤(2)中EMD分解的任意一个IMF分量建立自回归模型AR(m)，提取其模型参数及方差作为故障特征向量

(4)利用步骤(3)中的自回归模型AR(m)进行AR功率谱估计，提取特定范围内，幅值大于设定值的频率作为特征频率，获得特征频率向量P＝(p₁，p₂，p₃，p₄，p₅，p₆)；

(5)将步骤(3)得到的故障特征向量与步骤(4)得到的特征频率向量输入到专家系统，将故障特征向量作为神经网络输入向量，获得神经网络输出矩阵，并利用方差σ_2i求得Itakura信息距离；将神经网络输出矩阵及Itakura信息距离与专家系统先验知识进行对比，如对比结果超出预先设定范围，则判断为机器人出现故障；各轴振动信号分析结果分别进行对比，如所测轴振动信号分析结果超出预先设定范围，则判断为该轴出现故障；将特征频率向量与专家系统先验知识进行对比，如与预先设定范围频率相符，则判断为该故障频率所产生部件故障；判定后，由专家系统输出故障位置及故障原因。

本发明还提供一种基于AR模型的六轴工业机器人故障诊断系统，包括：

信号采集卡，信号采集卡采集机器人各轴运动部件的加速度振动传感器的振动信号X(t)，并将采集的振动信号X(t)传输给处理装置；

处理装置，用于对振动信号X(t)进行分析处理，其包括：

——用于通过EMD对振动信号X(t)进行预处理，分解为具有不同特征尺度的平稳信号(即IMF分量)c₁(t)，c₂(t)，…，c_n(t)的单元；

——用于对EMD分解的任意一个IMF分量建立自回归模型AR(m)，提取其模型参数及方差作为故障特征向量的单元；

——用于利用自回归模型AR(m)进行AR功率谱估计，提取特定范围内，幅值大于设定值的频率作为特征频率，获得特征频率向量P＝(p₁，p₂，p₃，p₄，p₅，p₆)的单元；

——专家系统，其用于接收故障特征向量与特征频率向量的输入，将故障特征向量作为神经网络输入向量，获得神经网络输出矩阵，并利用方差σ_2i求得Itakura信息距离；将神经网络输出矩阵及Itakura信息距离与专家系统先验知识进行对比，如对比结果超出预先设定范围，则判断为机器人出现故障；各轴振动信号分析结果分别进行对比，如所测轴振动信号分析结果超出预先设定范围，则判断为该轴出现故障；将特征频率向量与专家系统先验知识进行对比，如与预先设定范围频率相符，则判断为该故障频率所产生部件故障；判定后，输出故障位置及故障原因。