基于工业互联网的机器人故障检测系统技术方案

本发明专利技术公开了一种基于工业互联网的机器人故障检测系统，包括：设于机器人电机上的振动传感器，振动传感器感应的振动信号通过智能网关发送至诊断平台，诊断平台基于振动信号来诊断机器人的故障类型；所述诊断平台上集成有振动特征提取单元及人工神经网络模型，振动特征单元的输出端与人工神经网络的输入端连接。利用离散小波分析方法对机器人监测信号进行故障特征提取，在利用人工神经网络对故障进行分类和分析，可高效实现故障特征的完整提取和故障分类，可靠性好。可靠性好。可靠性好。

【技术实现步骤摘要】
基于工业互联网的机器人故障检测系统


[0001]本专利技术属于故障检测
，更具体地，本专利技术涉及一种基于工业互联网的机器人故障检测系统。

技术介绍

[0002]据赛迪机器人检测认证中心CR测试部测试结果统计：国内机器人功能安全现状堪忧，平均危险失效率高出标准要求3
‑
5倍，其中服务机器人尤为严重，个别达到10倍甚至更多。部分国产机器人采用的电气关键零部件未经认证或不符合标准要求，存在严重的安全隐患，大大降低了整机的安全性和可靠性。
[0003]传统的机器人监测与故障诊断系统多基于某一固定区域或厂区车间，缺乏全产业链协同机制和全生命周期管理体系，导致设备监测与故障诊断存在信息孤岛，数据无法共享，数据安全无法保障，无法实现远程测控。因此，存在工业机器人设备维修响应慢、工业机器人设备运维成本高、工业机器人设备有效利用率低、工业机器人设备损耗高。

技术实现思路

[0004]本专利技术提供了一种基于工业互联网的机器人故障检测系统，旨在改善上述问题。
[0005]本专利技术是这样实现的，一种基于工业互联网的机器人故障检测系统，所述系统包括：
[0006]设于机器人电机上的振动传感器，振动传感器感应的振动信号通过智能网关发送至诊断平台，诊断平台基于振动信号来诊断机器人的故障类型；
[0007]所述诊断平台上集成有振动特征提取单元及人工神经网络模型，振动特征单元的输出端与人工神经网络的输入端连接。
[0008]进一步的，振动特征提取单元由多级的高通滤波器及低通滤波器组成，振动信号输入一级的高通滤波器及低通滤波器，后一级的高通滤波器及低通滤波器的输入端与前一级的低通滤波器的输出连接。
[0009]进一步的，振动特征提取单元基于离散小波变换提取输入振动信号的振动特征，即提取随时间变化的振动频率，将提取到的振动特征输入至人工神经网络模型，人工神经网络模型输出振动特征对应的故障类型。
[0010]本专利技术提供的基于工业互联网的机器人故障检测系统具有如下有益效果：
[0011]1)利用离散小波分析方法对机器人监测信号进行故障特征提取，在利用人工神经网络对故障进行分类和分析，可高效实现故障特征的完整提取和故障分类，可靠性好。
[0012]2)利用工业互联网平台高效实现机器人监测与故障诊断算法，高效实现机器人监测与故障诊断分析信息共享和协同处理。
附图说明
[0013]图1为本专利技术实施例提供的工业互联网的机器人故障检测系统的结构示意图；
[0014]图2为本专利技术实施例提供的DWT分解机器人振动信号示意图；
[0015]图3为本专利技术实施例提供的基于权重的人工神经元网络示意图。
具体实施方式
[0016]下面对照附图，通过对实施例的描述，对本专利技术的具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本专利技术的专利技术构思、技术方案有更完整、准确和深入的理解。
[0017]图1为本专利技术实施例提供的工业互联网的机器人故障检测系统的结构示意图，为了便于说明，仅示出与本专利技术实施例相关的部分。
[0018]该系统包括：
[0019]设于机器人电机上的振动传感器，振动传感器感应的振动信号通过智能网关发送至诊断平台，诊断平台基于振动信号来诊断机器人的故障类型；
[0020]在本专利技术实施例中，诊断平台上集成有振动特征提取单元及人工神经网络(ANN)模型，振动特征单元的输出端与人工神经网络的输入端连接；
[0021]振动特征提取单元由多级高通滤波器及低通滤波器组成，后一级的高通滤波器及低通滤波器与前一级的低通滤波器连接，基于跟踪所需的最低频段拉起确定分解级数；将接收的振动信号x[n]分别输入一级的高通滤波器及低通滤波器，基于离散小波变换(DWT)提取振动信号的振动特征，即提取随时间变化的振动频率，将提取到的振动特征输入至人工神经网络模型，人工神经网络模型输出振动特征对应的故障类型。
[0022]振动信号通过高通(HP)滤波器分析高频，然后再通过低通(LP)滤波器分析低频。在第一级，原始信号x[n]通过高通滤波器和低通滤波器进行分解得到两个信号y
high
[k]，y
low
[k]，经两倍下采样，从HP滤波器提取的信号系数即第一级的细节系数(cD1)。这些系数包含原始信号的高频信息，而从LP滤波器中提取的系数即称为第一级(cA1)的近似系数。
[0023]y
high
[k]＝∑
n
x[n]*g[2k
‑
n][0024]y
low
[k]＝∑
n
x[n]*h[2k
‑
n][0025]其中，x[n]为n个离散的输入信号，函数g、函数h分别为高通滤波器、低通滤波器的传递函数，k为滤波器的抽头系数，cAl的频率范围为[0,Fs/2
l+1
]，cDl的频率范围为[Fs/2
l+1
，Fs/2
l
]，l为分解级数，Fs为采样频率。
[0026]在获得第一级分解后，对cA1进行进一步分解为cA2和cD2，然后在对cA2分解为cA3和cD3，循环重复上述过程，直到分解到预设水平为止。图2为振动信号多级分解的示意图。分解级数由需要跟踪的最低频段确定。
[0027]在本专利技术实施例中，人工神经网络在使用之前，需要基于训练，其训练方法具体如下：
[0028]向具有相关权重w1，w2，w3，
…
w
n
的神经元输入向量x1，x2，x3，
…
x
n
，偏差b(有时称为阈值)通常与神经元相连，并向其引入激活函数，因此即使输入为零，神经元仍然会有输出。通常，将偏差设置为1的值。但是，神经元的输入(称为net)将是相乘的输入及其相应权重的总和，如图3所示，可以写成：
[0029][0030]其中n是神经元输入的数量。然后将神经元输入给激活函数(f(net))以产生输出，可表示为：
[0031][0032]ANN通常分为前馈(例如多层感知器神经网络(MLPN))和反馈(或递归)类型，利用人工神经网络的大多数故障诊断应用程序都采用前馈架构，其中MLPN最为流行，因此本专利技术采用MLPN。
[0033]首先，选用机器人监测的每100个样本数据集训练神经网络，样本数据由故障类型及其对应的振动特征组成，设置神经网络结构并加载数据后，将根据Matlab的随机数生成函数来初始化网络的权重和偏差，并产生训练集、验证集和测试集数据。由于ANN的数据值在不同的范围内，需要对数据进行规范化，以实现对这些数据的有效量化。分离训练数据集和测试数据集，利用训练数据集训练神经网络，在利用测试数据集去测试所训练的神经网络，反复迭代，直至对测试数据集的准确识别率达到设定值。
[0034]上面结合附图对本专利技术进行了示例性描述，显然本专利技术具体实现并不受上述方式的限制，只本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于工业互联网的机器人故障检测系统，其特征在于，所述系统包括：设于机器人电机上的振动传感器，振动传感器感应的振动信号通过智能网关发送至诊断平台，诊断平台基于振动信号来诊断机器人的故障类型；所述诊断平台上集成有振动特征提取单元及人工神经网络模型，振动特征单元的输出端与人工神经网络的输入端连接。2.如权利要求1所述基于工业互联网的机器人故障检测系统，其特征在于，振动特征提取单元由多级的高...

【专利技术属性】
技术研发人员：徐劲松，任鹏，丁坤，焦传佳，
申请(专利权)人：哈尔滨工业大学芜湖机器人产业技术研究院，
类型：发明
国别省市：