基于工业物联网的工业机器人PHM架构

 1.         问题背景

制造业企业在产线上大量使用工业机器人从事喷漆、电焊、搬运等重复工作后，随着机器人数量和使用时间的上升，由于机器人故障造成的停机时间频繁不断发生。为了避免由于故障造成的停产损失，需要在工业机器人的健康管理方面引入了预测分析模型。

工业机器人PHM（Prognostic and Health Management，故障预测与健康管理）相关主题的检索关键字包括PHM、故障预测、健康管理、故障诊断^[1]、预测性维护。

2.         研究方法

文献^[2]较为详细的描述了机器人PHM的技术路线，工业机器人PHM主要分为四个层次：

(1)       控制层感知和分析：采集机器人控制器、内嵌传感器数据进行分析；

(2)       环境层感知和分析：采集工作环境数据，如设计数据（例如，机器人正在运行的程序），过程数据，系统集成控制数据和外部PLC数据进行分析；

(3)       附加层感知和分析：采集外加传感器数据，如采集加装力和扭矩传感器获得子部件有效载荷和工具安装的影响。

(4)       顶层感知和分析：结合视觉进行位置识别，考虑系统架构、系统功能以及相关参数评估整体系统的健康状态。

图1^[2]给出了机器人PHM的技术路线。

图 1 技术路线

3.         系统架构

本文根据文献^[3]和文献^[4]描述的两种典型基于“控制层感知和分析”的方法，并结合工业物联网架构构建如下：

图 2 工业机器人PHM架构图

其中“诊断”功能可视计算能力部署在边缘或云端。如诊断功能部署在边缘，则边缘端应及时响应云端模型的更新，确保边缘诊断基于最新的云端模型。云计算不断通过边缘端上报的数据训练模型或者形成知识库，边缘端则根据控制器实时参数和下载的云模型实现在线诊断。

3.1.        工业设备

机器人可以分为两大类，移动机器人和机器人机械臂^[5]。由于工业机器人的数量庞大，且生产环境十分复杂，因此不适合安装外部传感器，而是使用控制器内的监控参数对其健康进行分析。

3.2.        边缘计算

3.2.1.       聚类分析

（1）       采集控制信号

采集控制器内的监控参数时需选择关键部位参数进行采集，如机械臂驱动马达中的负载、扭矩、位置、周期时间、机器人型号等参数。

（2）       统计特征提取

从控制器中获得信号的采样频率较低，因此针对一些高频采样或波形信号的特征提取方法将不再适用，取而代之的是按照每个动作循环提取固定的信号统计特征，如均方根、方差、极值、峭度值和特定位置的负载值等。

3.2.2.       频谱分析

（1）       采集伺服电机数据

从控制器中采集伺服电机数据，包括振动、电压、电流、温度和声音。

（2）       信号分析

通过小波分析、傅里叶变换、Butterworth 滤波和功率谱分析查看电机实时和历史数据。

3.3.        云计算

3.3.1.       聚类分析

（1）       健康建模

对设备进行相似性聚类。在对设备进行聚类时，首先要根据设备的型号和使用时间进行第一轮聚类，随后则要根据设备的任务、环境和工况进行第二轮聚类。在针对机械臂的分析上，不同的动作循环造成的驱动马达扭矩是不同的，这里选择扭矩的最大值、最小值和平均值作为聚类的依据。当机械臂执行相似的动作时，上述的特征分布应该十分相似，利用DBSCAN等聚类模型可以进行自动识别。

（2）       故障诊断

判断差异性程度的算法有许多种，比如PCA-T²模型、高斯混合模型、自组织映射图、统计模式识别等方法。

使用PCA-T²的分析方法，能够判断一个机械臂每个驱动马达的监控参数特征与统一集群内其他设备总体分布情况的相似程度，以T2值作为最终的输出结果。T2值所代表的含义就是当前设备与集群的偏移程度，其分布符合F分布（F-distribution）的特征，估可以按照90%或95%的置信区间确定其控制边界，当T2值超过控制边界并持续变大时，说明早期故障正在逐步发展验证。

3.3.2.       频谱分析

（1）       知识库建立

择载入信号分析数据的某一段来计算，设置数据通道和故障类型，计算特征参数的阈值，作为故障类型的知识库。

（2）       故障诊断

电机故障判定1依据以振动信号分析为主，辅以温度、电流和声音等信号，选取电机振动频谱上最大幅值与最大幅值对应频率、电机振动频谱上波峰的数量、电机振动频谱波峰幅值之和、电机温度与温升作为故障特征。

4.         未来工作

（1）       采集频率：确定不同工况条件下控制器的采集频率；

（2）       健康模型：通过神经网络算法和聚类算法不断优化出厂健康模型和实时健康模型；

（3）       诊断模型：优化判断异常的诊断模型；

 

 

参考文献

[1] 侯智，陈进. 工业机器人远程监控与故障诊断研究综述[J]. 机床与液压, 2018, : .

[2] QIAO G. MONITORING, DIAGNOSTICS, AND PROGNOSTICS FOR ROBOT TOOL CENTER ACCURACY DEGRADATION[C]. Proceedings 2018 ASME International Manufacturing Science and Engineering Conference, 2018 : .

[3] 李杰. 从大数据到智能制造[M].  上海交通大学出版社, 2016.

[4] 丁小健 李, 黄创绵, 闫攀峰, 严拴航, 黄强. 工业机器人伺服电机PHM 系统开发与研究[J], 2017, : .

[5] CORKE P. 机器人学、机器视觉与控制--MATLAB算法基础[M].   2016.