[发明专利]一种机器人剩余寿命预测方法及系统

说明书

本申请一种机器人剩余寿命预测方法及系统，方法的主要步骤包括：(1)利用DTW算法对待测机器人与匹配库的机器人进行相似性度量，匹配寿命预测器、(2)对预测器的所有运行数据进行特征提取，筛选出退化特征变量、(3)预测从t_s时刻起下个时间点待测机器人各退化特征变量的值，变量值故障阈值时停止预测，计算待测机器人的剩余寿命；本发明利用匹配库匹配出与待测机器人特征最相近的预测器，动态建立不同的预测模型，预测结果更为准确；结合DTW算法和XGBoost算法选取最具代表性的退化特征集作为预测变量，提高运算效率和精度，可以解决工况和运行环境对预测结果的影响；本发明可实现对未知工况的机器人剩余寿命实时且快速的预测。

技术领域

本发明属于机器人健康管理领域，具体涉及一种机器人剩余寿命预测方法及系统。

背景技术

工业机器人是集机械、电子、控制、计算机、传感器、人工智能等多学科先进技术于一体的现代制造业重要的自动化装备。自从1962年美国研制出世界上第一台工业机器人以来，机器人技术及其产品发展很快，已成为柔性制造系统(FMS)、自动化工厂(FA)、计算机集成制造系统(CIMS)的自动化工具。在许多生产领域的使用实践证明，工业机器人在提高生产自动化水平，提高劳动生产率和产品质量以及经济效益，改善工人劳动条件等方面，有着令世人瞩目的作用，引起了世界各国和社会各层人士的广泛关注。

现阶段，机器人系统的集成度和复杂度也越来越高，多数厂家工业机器人作业运行工艺参数设定、运维管控多数还只是依靠有经验技术工人现场进行，单一依赖经验的维护与加工工艺知识积累与已经无法跟上系统复杂程度的提高，盲目定检、定修导致维护成本提高和效率低下等问题，机器人作业工艺参数设定也难以达到最优化从而影响生产效率与质量。一个有效评估机器人健康状态并及时做出针对性的维护措施对深化工业机器人应用显得尤其重要。

预测与健康管理(Prognostics and Health Management，PHM)是综合利用现代信息技术、人工智能技术的最新研究成果而提出的一种全新的管理复杂系统健康状态的解决方案。而机器人的剩余寿命预测是实现机器人预测与健康管理(PHM)的关键。

目前剩余寿命预测的主要方法有如下几种：

(1)基于物理模型的设备剩余寿命预测：将状态监测数据和机器人特定的机械动力学特征有效的结合来对寿命和状态进行预测。常见的物理模型主要包括裂缝扩展模型、损伤扩展模型、裂纹诊断与预测方法等，这种方法在不需要大量同类机器人历史数据情况下预测效果良好，但是需要事先知道机器人复杂的物理原理及结构等用于建模，而这对于应用场景愈加广泛、功能愈加强大的工业机器人来说是不现实的。

(2)基于数据驱动的设备剩余寿命预测：根据机器人运行状态的监测数据，通过机器人健康预测模型，可用确定性的失效阀值或失效面定义设备失效。通过对机器人的失效阈值和未来状态的分析，对机器人的失效时刻进行预测，获得机器人的健康状态和剩余寿命。常用的基本方法有滤波法、专家系统、神经网络、贝叶斯等。目前的基于数据驱动方法对失效或故障的阈值的划分是静态而单一的，建立的预测模型往往也是单一不变的，如果针对在不同工况和工作环境下的机器人都建立相同模型得到的预测结果并不理想。

(3)基于模型驱动的设备剩余寿命预测：假定可操作数据和数学模型都是可得到的，常用数学模型来描述设备的衰退行为，进而通过数学模型预测机器人健康状态和剩余寿命。常用的方法包括隐马尔可夫模型、隐式半马尔可夫模型、统计方法、比例模型等，这类方法对模型的识别和训练过程耗时较长，不利于做实时预测。

综上所述，早期的剩余寿命预测方法已经有了大量的研究方法，有了一定的解决方案，但是针对复杂工况和环境的工业机器人剩余寿命预测目前还没有明确、可行的解决方案。

发明内容