[发明专利]一种工业机器人健康评估方法

说明书

本发明涉及智能机器人领域，具体地说它是一种面向工业机器人的健康评估方法。该发明针对工业机器人由于精度退化、设备故障无法及时被发现而造成工业机器人意外停机或导致产品质量下降等问题，研究工业机器人的健康状况评估方法，及时发现问题，减少损失。首先利用各种传感器，如速度传感器、温度传感器等进行数据采集，并采用核主成分分析(KPCA)方法对所采集的数据进行降维处理，然后利用SVM分类算法对样本数据集进行训练，生成基于SVM工业机器人健康评估模型，最后根据工业机器人的当前运行状态实时评估工业机器人的健康状况。本发明具有复杂度低、评估准确率高等优点，可以实现工业机器人整机的实时健康状况评估。

技术领域

本发明涉及智能机器人领域，具体地说它是一种面向工业机器人的健康评 估方法。

背景技术

如何提高生产设备的可靠性及生产过程的安全性是智能制造系统亟待着力 解决的关键问题。工业机器人是智能制造系统最具代表性的设备之一，其在运 行过程中存在性能下降、健康衰退、零部件磨损、运行风险升高等问题会对企 业的安全生产和经济效益造成巨大的负面影响。对工业机器人的安全隐患进行 及早发现，并实时分析、诊断，迅速制订维修计划，这对企业提升维护水平、 降低故障率，保障生产线的顺畅运行具有重要的意义和实用价值。因此研究工 业机器人的健康评估方法，对于减少企业意外损失和实现安全生产具有重要意 义，也是最终构建智能制造系统的核心技术。

发明内容

本发明针对现有工业机器人精度退化或设备故障无法及时发现等问题，提 出一种面向工业机器人的健康评估方法。该方法首先采用核主成分分析(KPCA) 方法对工业机器人健康和故障情况下的特征量进行降维处理，提取特征数据， 降低数据处理复杂度，提高效率；然后用支持向量机(SVM)对降维数据进行 分类训练学习，得到工业机器人的健康评估模型。该方法可以大幅降低计算量， 具有较低的算法复杂度，可以高效准确的对工业机器人的健康状况进行评估。

本发明为实现上述目的所采用的技术方案是：一种工业机器人健康评估方 法，包括以下步骤：

数据采集：通过在工业机器人上设置的传感器，分别获取工业机器人工作 正常情况下和工作异常情况下的表征工业机器人运行状况特征量；

KPCA降维处理：利用KPCA算法对采样得到的工业机器人特征量进行降 维处理，提取特征向量；

SVM数据训练：对于降维后的特征向量，通过求解关于工业机器人工作情 况的二次规划问题，基于高斯核函数建立拉格朗日对偶分解问题，求解最佳分 类超平面，得到工业机器人健康情况决策函数；

健康评估：将待检测工业机器人特征量进行KPCA降维处理，然后输入到 SVM健康评估模型中，根据决策函数判定工业机器人的健康情况。

所述工业机器人特征量包括以下参数值：负载、速度、接头温度、关节扭 矩、电动机扭矩、电流、振动。

所述KPCA降维处理包括如下步骤：

a.根据传感器样本数量m及每个传感器采集的样本特征数n，建立工业机 器人特征量的原始数据矩阵，对样本进行标准化处理，得到中心化后的样本集 合X

其中x_i＝(x_1i,x_2i,...,x_mi)^T,i＝1,2,...,n，表示从工业机器人上设置的传感器获取的 特征量。

b.求核矩阵K，使用核函数来实现将原始数据由数据空间映射到特征空间。 采用的核函数为径向基核函数：

K(x_i,x_j)＝(b·s(x_i,x_j)+c)^d