一种基于AR模型的六轴工业机器人故障诊断方法及系统技术方案

本发明专利技术公开了一种基于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。本发明专利技术利用了自回归模型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。

Fault diagnosis method and system for six axis industrial robot based on AR model

The invention discloses a system and AR model of the six axis industrial robot fault diagnosis method based on vibration acceleration sensor is installed in a specific location of moving parts of each axis, an autoregressive model AR with the vibration acceleration signal obtained by using auto regressive model AR industrial robot fault feature vector, and the introduction of expert system. Fault diagnosis. The invention uses the autoregressive model AR sensitivity regression parameter change law of the state, and the high resolution AR power spectrum, fault feature extraction, are sensitive and effective industrial robot fault diagnosis and detection; effectively solved six axis industrial robot fault diagnosis difficult, long cycle, the problem of inaccurate diagnosis etc. greatly reduces the range; fault diagnosis, saving the time of fault diagnosis.

【技术实现步骤摘要】

本专利技术涉及工业机器人
，具体涉及一种基于AR模型的六轴工业机器人故障诊断方法及系统。
技术介绍
六轴工业机器人是长期处于恶劣的工业环境下运作的机器人，比如焊接、铸造、切割等，环境的粉尘、高温、厂区的振动及机器人反复加减速等都会加剧机器人零部件的磨损及疲劳破坏。如减速机、轴承、齿轮、同步带磨损，电机异常，螺钉松动等时有发生，这些故障会引起机器人振动、异响、定位精度降低等问题，且机器人属于人机协作设备，严重时会导致极大的安全隐患，所以及时判断故障并修复是机器人使用的重中之重。传统的故障诊断方法是先进行人工判断，并拆卸机器人，通过工程师的专业判断和逐步拆卸来找寻故障位置、诊断故障，再进而解决故障。然而这种检修方式需要检修人员具备丰富的先验知识，且故障发生位置广，故障诊断效率低，拆卸困难，不易做到实时监测。
技术实现思路
专利技术目的：本专利技术旨在提供一种提取敏感故障特征、缩小故障诊断范围、提高故障诊断效率的六轴工业机器人故障诊断方法及系统。技术方案：一种基于AR模型的六轴工业机器人故障诊断方法，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。本专利技术还提供一种基于AR模型的六轴工业机器人故障诊断系统，包括：信号采集卡，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；处理装置，用于对振动信号X(t)进行分析处理，其包括：——用于通过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(即IMF分量)c1(t)，c2(t)，…，cn(t)的单元；——用于对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的单元；——用于利用自回归模型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)的单元；——专家系统，其用于接收故障特征向量与特征频率向量的输入，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，输出故障位置及故障原因。有益效果：本专利技术在每个轴的运动部件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。本专利技术采用信号采集卡对机器人6个轴的振动信号进行检测；采用EMD对采集的信号进行分解；采用自回归模型AR及AR功率谱进行故障特征提取，获得机器人故障特征矩阵；采用专家系统与故障特征矩阵进行机器人故障诊断。利用自回归模型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，提高故障诊断效率。附图说明图1为本专利技术系统示意图；图2为本专利技术方法流程图。具体实施方式下面将结合附图，对本专利技术的实施案例进行详细的描述；如图1所示，一种基于AR模型的六轴工业机器人故障诊断系统，包括：在特定的各轴运转速度下，由安装在特定位置的六个振动加速度传感器1，通过信号采集卡2，将振动信号X(t)传输到处理装置3，本实施例中处理装置为计算机。计算机通过EMD(EmpiricalModeDecomposition，经验模态分解算法)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)；对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的单元；利用上述自回归模型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)的单元；计算机中的专家系统接收故障特征向量与特征频率向量的输入，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，输出故障位置及故障原因。如图2所示，一种基于AR模型的六轴工业机器人故障诊断方法，包括如下步骤：步骤1：在特定的各轴运转速度下，由安装在特定位置的六个振动加速度传感器1，通过信号采集卡2，将振动加速度信号传输到处理装置3。步骤2：采用EMD对6组振动信号X(t)进行预处理，分解为6组具有不同特征尺度的平稳信号(即IMF分量)c1(t),c2(t),…,cn(t)。步骤3：对EMD分解的任意一个IMF分量建立如下自回归模型AR(m)：式中m分别是分量ci(t)的自回归参数模型AR(m)的模型参数和模型阶数；ei(t)为模型的残差,是均值为零、方差为σ2i的白噪声序列。提取和σ2i作为故障特征向量步骤4：利用上述自回归模型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)。步骤5：将上述故障特征向量与特征频率向量输入到专家系统，将上述故障特征向量Ai作为神经网络输入向量，获得神经网络输出矩阵本文档来自技高网...

【技术保护点】
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。...

【技术特征摘要】
1.一种基于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。2.一种基...

【专利技术属性】
技术研发人员：张亚，何杏兴，
申请(专利权)人：南京熊猫电子股份有限公司，南京熊猫电子装备有限公司，南京熊猫仪器仪表有限公司，
类型：发明
国别省市：江苏;32