[发明专利]一种工业机器人故障检测方法

说明书

本发明提供了一种工业机器人故障检测方法，属于工业机器人过程监控与故障检测领域。它解决了工业机器人故障检测准确性低的问题。本发明对预处理后的数据组采用设定不同马尔可夫链构建包含两类隐变量的动态潜在参照模型，能同时提取质量相关的过程变量和质量无关的过程变量信息，即将过程全部信息作为模型故障检测的监督项。统计量可以根据两个隐变量的分布计算得到，用卡方分布计算得到统计量T²和SPE的统计阈值和SPE_lim，采集工业机器人工作过程中运行的数据并按照训练完成的动态潜在参照模型得到工作过程中的统计量和SPE_test，将统计量和SPE_test和统计阈值和SPE_lim对比，可以判断工业机器人工作过程是否出现故障。本发明建立动态双隐变量的模型，使得双隐变量和动态性能够相结合，充分提取过程中与质量相关和无关的动态特性，提高了故障检测的准确性。

技术领域

本发明属于工业机器人过程监控与故障检测领域，特别涉及一种工业机器人故障检测方法。

背景技术

工业机器人是广泛用于工业领域的多关节机械手或多自由度的机器装置，具有一定的自动性，可依靠自身的动力能源和控制能力实现各种工业加工制造功能。工业机器人被广泛应用于电子、物流、化工等各个工业领域之中。

在工业机器人运行过程中，如何有效的对系统运行过程进行监视，对帮助从业人员及时了解过程状态，消除异常行为，防止灾难性事故发生是非常重要的。其中，基于数据的多元统计过程监测方法为提高过程安全和生产效率提供了有效的建模框架，如质量相关动态模型，质量相关指的是同时包含过程变量和质量变量且过程变量和质量变量的相关性较大。

现有的工业机器人故障检测方法采用的是单一隐变量构建的模型即质量相关动态模型来进行计算和判断，包含单一隐变量质量相关动态模型只提取了过程变量中与质量变量相关的特征信息，而与质量变量无关的过程变量没有及时保留。过程信息的丢失严重限制了单一隐变量的特征表示，从而影响模型故障检测的性能。反映工业运行状态的测量数据来源不同，一些基本的过程变量可以通过比较常规的硬件传感器或者系统内部反馈快速获取，但是质量变量却受到实验成本等各方面的限制较难实现高速采样。由此看来，质量相关过程监测方法在引入质量变量时还造成了数据多采样率问题。

如中国专利申请号为201911377117.0专利公开了基于半监督自回归动态隐变量模型的故障检测方法，该方法首先收集正常工况下包含过程数据和关键质量的数据集，按数据是否被质量标记将数据集划分为过程数据和关键质量数据同时存在的有标签样本以及只有过程数据而缺少该时刻所对应的关键质量数据的无标签样本，并进一步建模。

该篇专利单一特征隐变量只保留过程变量与质量变量相关的信息，并没有保留过程变量中与质量变量无关的信息，无法充分的提取工业机器人运行状态的过程数据特征，并且该专利的采样率只有二种，对于现有工业机器人中采样率多的状况没有更深的进行考虑，从而对于工业机器人故障检测效果差，导致难以有效的对系统运行过程进行监视。

发明内容

本发明的目的是针对现有技术存在的上述问题，提出了一种工业机器人故障检测方法，其所要解决的技术问题是：如何提高工业机器人故障检测准确性。

本发明通过下列技术方案来实现：一种工业机器人的故障检测方法，其特征在于，包括以下步骤：

A、获取工业机器人在正常运行过程中的多种不同采样率的数据，并组成多采样率训练样本集，对多采样率训练样本集进行预处理得到多采样率的参照训练样本集；

B、根据参照训练样本集构建包含双隐变量的动态潜在参照模型，明确所需计算的动态潜在参照模型的模型参数，通过估计上述模型参数和双隐变量分布实现对动态潜在参照模型的训练，根据训练完成的动态潜在参照模型的双隐变量分布和模型参数构建相应的统计量T²和SPE，用卡方分布计算得到统计量T²和SPE的统计阈值和SPE_lim；