[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

摘要

本发明公开了一种基于AR模型的六轴工业机器人故障诊断方法及系统，在每个轴的运动部件的特定位置安装振动加速度传感器，用获得的振动加速度信号建立自回归模型AR，利用自回归模型AR获得工业机器人故障特征向量，并导入专家系统，进行故障诊断。本发明利用了自回归模型AR自回归参数对状态变化规律的敏感性，及AR功率谱的高分辨率，进行故障特征提取，进行敏锐、有效的工业机器人故障诊断及检测；有效解决了六轴工业机器人故障诊断困难，诊断周期长，诊断不准确等问题；极大的减小了判断故障的范围，节约了故障诊断的时间。

主权项

一种基于AR模型的六轴工业机器人故障诊断方法，其特征在于，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)，…，cn(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σ2i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。