一种基于大数据的工业机器人预测性状态监控方法

Submitted by neurta on Fri, 05/22/2020 - 10:16
工业机器人

1.一种基于大数据的工业机器人预测性状态监控方法,通过采用工业机器人程序中机器人位置在时间上变化的序列为周期性索引,记录各监控变量的每个时间周期内的变化,找到正常工作状态下机器人运动轨迹上的每一个点的各监控变量的最大值和最小值作为参考值区间,再对机器人运动轨迹上的当前监控变量相对于参考值区间的变化进行监测,实现工业机器人监控变量的预测性状态监控;监控变量包括但不限于工业机器人各电机扭矩、电流、跟随误差参数;

所述工业机器人预测性状态监控方法包括如下步骤:

1)使用机器人历史状态数据作为参照,找到监控变量的合理监控范围参考数据;包括如下操作:

11)历史数据收集:设置待监测机器人发送数据内容及发送数据时间间隔;发送数据内容包括数据发送时刻的:机器人名、当前程序名、当前所在命令行数、当前机器人位置、当前机器人速度、时间戳、运行状态、状态监控变量数,收集以上数据作为历史数据;

12)数据清洗:将机器人在自动模式、100%运行速度模式运行过程中无报警、报错的监控变量的数据筛选出来;

13)将清洗后的数据进行整理分组:

机器人程序包括多条机器人运动指令,机器人运行轨迹可拆分成每个运动指令形成的轨迹段;采用机器人-所在程序号-所在运行命令行的层级关系,将数清洗后的据进行初步分组;

14)根据机器人在命令行中运动轨迹的先后顺序,对相同机器人、同一程序号内相同命令行的数据进行排序;

15)进行轨迹分段:对相同机器人,同一程序号内相同命令行的数据进行进一步细分成多个小组,每个小组都是排序相邻的数据,得到细分后的小组数据,并记录每个小组的位置区域作为查找的索引;

16)在细分后的小组中进行待监控数据的极值查找,分别找到每组数据中各待监控信息的历史极值,作为状态监控的参考标准;

17)数据存储:将机器人名、所在程序名、所在运动命令行、所在轨迹段、历史极值进行存储;

2)状态监控异常判断,包括以下步骤:

21)监控数据采集;采集实时数据进行状态监控,采集的实时数据与步骤11)中收集的历史数据相应的参数相同;

22)获取监控值的历史极值:

根据当前数据的机器人名、所在程序名、所在运动命令行、当前位置信息,找到与当前机器人距离最近的轨迹段索引,查找得到该轨迹段的历史极值;

设置一个最大允许距离,当轨迹段与当前机器人的距离超过所述最大允许距离时给出报警或报错;

23)监控区间设置:根据步骤22)中找到的监控值的历史极值得到极值区间,以极值区间为参照设置监控区间;

24)判断监控值是否在监控区间内:

将监控值与监控区间进行比较,判断监控值是否在区间之内;

如果不在区间内,则判断状态数据是否正常:机器人自动模式下、100%运行速度模式的运动过程中且无报警、报错的,状态为正常;

否则,状态为不正常,根据状态数据报警;

若状态为正常,则提示机器人状态发生改变;

3)异常统计:将状态数据正常的监控结果进行统计,统计异常发生的程序位置、比例、数量以及相对于监控区间的位置关系;

对发生异常比例大于设定值的命令行进行报警;

4)绘制可视化数据图,展示结果;

5)异常分析:根据得到的统计结果及可视化数据图分析原因,提出排查及解决措施;

通过上述步骤,实现基于大数据的工业机器人预测性状态监控。

2.如权利要求1所述基于大数据的工业机器人预测性状态监控方法,其特征是,步骤14)采用笛卡尔坐标系将位置信息进行排列;具体是:

机器人的笛卡尔坐标系位置信息是机器人的工具坐标原点相对于当前基座标的笛卡尔坐标位置;在相同运动指令内,工具坐标原点和基座标一致;在叠加多周期的数据之后,笛卡尔坐标位置数据在三维图中为一条连续的轨迹曲线,且该曲线上可存在多个重复点;根据该曲线上数据的排列顺序进行排序,即实现对数据的排序。

3.如权利要求1所述基于大数据的工业机器人预测性状态监控方法,其特征是,步骤13)中,具体地,机器人使用的运动指令只包括点到点、直线、圆弧,每条运动指令的轨迹段内无重合点;在相同命令行的数据中随机选取一条,找与其笛卡尔坐标距离最近的n个数据划为一组,然后在剩下的数据中再随机选取一条,找与其笛卡尔坐标距离最近的n个数据划为一组;直到所有的数据都被划分到组。

4.如权利要求3所述基于大数据的工业机器人预测性状态监控方法,其特征是,n为可调节参数,根据收集到的数据量进行调节设置。

5.如权利要求1所述基于大数据的工业机器人预测性状态监控方法,其特征是,历史极值包括最大值和最小值。

6.如权利要求1所述基于大数据的工业机器人预测性状态监控方法,其特征是,步骤22)中,最大允许距离设置为不超过4mm。

7.如权利要求1所述基于大数据的工业机器人预测性状态监控方法,其特征是,步骤23)中,监控区间设置为极值区间的m倍,m为可调节参数,取值范围为1-1.2。

8.如权利要求1所述基于大数据的工业机器人预测性状态监控方法,其特征是,步骤4)根据监控数据与对应区间绘制可视化折线图。

9.如权利要求1所述基于大数据的工业机器人预测性状态监控方法,其特征是,步骤5)异常分析识别具体包括:

当轴超区间信息数量大、且在不同的程序号、命令行分布均匀时,则识别为机器人轴状态变化、齿轮箱磨损、油液污染、电机老化中的一种或多种;

当异常分布在某一命令行附近或某一程序时,则识别为可能有程序改变或工艺工件调整;可将该命令行或程序位置重新做参考区间。

说明书

一种基于大数据的工业机器人预测性状态监控方法

技术领域

本发明属于智能机器人技术领域,涉及机器人预测性状态监控技术,尤其涉及一种基于 大数据的工业机器人预测性状态监控方法。

背景技术

目前机器人运行数据的大数据化已经成熟,但数据的使用还处于探索阶段。基于大数据 的机器人预测性状态监控目前还缺乏有效技术及成熟的案例。机器人的预测性监控相对复杂, 比较关键的各轴扭矩、电流等参数受机器人运动轨迹、运动速度、加速度、工作条件、机器 人所带工具负载等因素影响,变化范围较大。想要敏感的察觉到机器人状态的异常变化,做 到及时维护相对困难。

在生产实践中,监控机器人各电机扭矩、电流等关键参数的每日最大最小值的变化,以 及每日平均值的变化趋势。判断机器人的状态是否有恶化趋势,从而进行相关的检查以及保 养工作。以上方法在一定程度上对机器人状态的判断有一定的参考作用。但是实际应用中, 由于机器人运动轨迹多样性与复杂性,工作环境的复杂性等影响,以上方法得到的结果往往 比较模糊,只能知道趋势上有变化,但是更进一步的信息难以获得。因而对状态的判断与预 测的指导作用十分有限。

机器人工作周期性往复循环,各监控参数的变化有一定周期性变化的规律,如果收集一 段时间机器人正常工作的数据,按照生产周期循环整理数据找到每个周期时间点上出现的最 大、最小值作为参照,识别工作中的异常状态的方法,对于工作周期确定一致,工作内容每 个周期一致的机器人有一定的指导作用。这种方法对于监控数据的监控要求相对较高,需要 标记周期的起始和结束时间。然而,一般机器人数据的发送是有一定的时间间隔甚至有些延 迟,收集到的数据的变化并非连续。更重要的是很多的机器人应用程序运行周期不确定,如 某装焊生产车间绝大多数机器人工作需要与PLC(ProgrammableLogic Controller,可编程逻辑 控制器)及下属设备交互,周期工作内容及顺序受到PLC逻辑控制,呈现多样化特征。程序 周期时间受到交互信号、执行元器件动作(如实际工况下,吸盘到位时间受到工件表面状态、 气路运行状态等因素影响,时间常会不一致)、信号等待等问题等的制约,周期时间也无法做 到一致。因此,在工作时间周期监控数据的方法在此状态下实现难度大。

发明内容

为了克服上述现有技术的不足,本发明提供一种基于大数据的工业机器人带有预测性的 状态监控方法,采用每个程序中机器人位置在时间上变化的序列为周期性索引,记录各变量 的每个周期内的变化,找到一定时间段正常工作状态下,机器人位置在时间上的序列(即机 器人轨迹)上的每一个点的最大值和最小值作为参考值,监测实时值相对于参考区间的变化, 方法有效性高,监控精度高,且对于机器人预测性维护起到较强的指导作用,对于预测性算 法的开发提供清晰的数据基础。

对工业机器人的状态监控是对机器人设备的运行状态进行监控,具体通过监控设备的某 些特征量的变化识别异常,本发明的状态监控即通过监控机器人各轴的电流、扭矩、跟随误 差这几个量去判断机器人变化异常。预测性状态监控指的是通过监控特征变量的异常变化, 发现设备状态的变化,在设备没有损坏之前发现并分析后维护,使设备保持良好工作状态, 对工业机器人实现预测性维护。本发明进行状态监控得到当前状态,再通过与历史正常状态 进行对比,根据参数特征及对比结果得出可能出现的问题,并进行处理。

本发明的核心是:由于工业机器人的程序周期时间受到交互信号、执行元器件动作(如 实际工况下,吸盘到位时间受到工件表面状态、气路运行状态等因素影响,时间常会不一致)、 信号等待等问题等的制约,周期时间也无法一致。因此,在工作时间周期监控数据的方法实 现难度大。为有效的清除无效的等待时间,本发明放弃采用纯粹时间作为周期性索引,而是 采用机器人正常工作状态下,每个程序中机器人位置在时间上变化的序列(可理解为机器人 运行轨迹,如果机器人轨迹上有两点在同一位置,由于其发生的先后关系不同,不视为同一 点,只有位置相同,在时间上的变化序列位置也相同才认为是同一点)为周期性索引,记录 各变量的每个程序周期的内变化,找到一定时间段,正常工作状态下,机器人位置在时间上 的序列(即机器人轨迹)上的每一个点对应的监测状态数据的最大值和最小值作为参考值, 监测实时状态数据相对于参考区间的变化。上述机器人位置序列的制作简述:由于机器人运 行轨迹是以机器人程序中机器人的运动指令运行而形成的,因此机器人运行轨迹又可以拆分 成每个运动指令形成的轨迹段,再将轨迹段内点与点在时间序列中的关系找出,做出每个运 动指令内的位置序列(即相应运动指令的运动轨迹)。本发明通过极大地细化各个监控数据的 监控区间,使用机器人正常工作的历史数据作为参照来发现异常,不仅可以找到异常值趋势, 还能得到异常值发生的位置信息,以及发生时各种监控数值的状态,有利于进一步找出异常 原因,方法有效性高,监控精度高。

本发明提供的技术方案是:

一种基于大数据的工业机器人预测性状态监控方法,通过采用工业机器人程序中机器人 位置在时间上变化的序列为周期性索引,记录各监控变量的每个时间周期内的变化,找到正 常工作状态下机器人运动轨迹上的每一个点的各监控变量的最大值和最小值作为参考值区间, 再对机器人运动轨迹上的当前监控变量相对于参考值区间的变化进行监测,得到工业机器人 监控变量的预测性状态;监控变量包括但不限于各电机扭矩、电流、跟随误差等关键参数。

包括如下步骤:

1)使用机器人历史状态数据作为参照,找到监控变量的合理监控范围参考数据。

具体包括如下操作:

11)历史数据收集:设计并设置待监测机器人发送数据内容及发送数据时间间隔。发送数 据内容应包括数据发送时刻的:机器人名、当前程序名、当前所在命令行数、当前机器人位 置信息(笛卡尔坐标或轴坐标)、当前机器人速度信息、时间戳、运行状态、及所需状态监控 的信息(一般包括扭矩、电流、响应跟随误差等数据)。收集以上数据作为历史数据待用。

12)数据清洗:

机器人运行模式一般包括手动模式和自动模式。具体实施时,整理过去一段时间(1-2 个月)的历史数据信息,将正常自动模式下、100%运行速度模式,运动过程中无报警、报错 的监控变量的数据筛选出来。

13)将清洗后的数据进行整理分组:

机器人程序中包括多条机器人运动指令,由于机器人运行轨迹是以机器人程序中机器人 的运动指令运行而形成的,因此机器人运行轨迹又可以拆分成每个运动指令形成的轨迹段。 因此,以机器人-所在程序号-所在运行命令行(该运动指令所在的程序行数)的层级关系, 将数据进行初步整理分组,便于下一步中对相同机器人,同一程序号内相同命令行的数据进 行排序。

14)对相同机器人,同一程序号内相同命令行的数据进行排序

一般情况下,机器人发送数据是有一定时间间隔的,无法直接得到连续完整的位置序列 信息,经过以上步骤分组后的历史数据是多个周期的离散点,需要将这些点进行排序。排序 目标是:根据机器人在该命令行中运动的轨迹的先后顺序将数据进行排列。排序的目的是: 为进一步数据细分提供依据。排序的方法可如下述,但不限于下述方法:采用笛卡尔坐标系 位置信息进行排列。收集的笛卡尔坐标系位置信息是当时机器人的工具坐标原点相对于当前 基座标的笛卡尔坐标位置关系。在相同运动指令内,工具坐标原点和基座标是一致的,在叠 加足够多周期的数据之后,笛卡尔坐标位置数据可以在三维图中得到一条连续的轨迹曲线, 且该曲线上可能存在多个重复点(数据足够多的情况下,理论上可以得到多条重复的轨迹曲 线),按照此曲线上数据的排列顺序就能实现对数据的排序。

15)对相同机器人,同一程序号内相同命令行的数据进行进一步细分(轨迹分段),得到 细分后的小组数据;

本发明将上一步骤中得到的排序后的数据进一步细分成多个小组,每个小组都是排序相 邻的数据,即将三维轨迹曲线细分成多个小段,并记录每个小组的位置区域作为查找的索引。

16)在细分后的小组中进行待监控数据的极值查找

分别找到每组数据中各待监控信息的历史极值(最大值和最小值),作为状态监控的参考 标准。

17)数据存储

按照机器人名-所在程序名-所在运动命令行-所在轨迹段-历史极值的结构存数据,待状态 监控查询。

2)状态监控异常判断。

具体包括以下步骤:

21)监控数据采集。

一般采集实时数据进行状态监控。需要采集的数据信息与步骤11)中收集的历史数据内容相 同。

22)获取监控值历史极值

根据当前数据的机器人名,所在程序名,所在运动命令行,当前位置信息,找到与当前 机器人位置距离最近的轨迹段索引,查找该轨迹段历史极值,并将其取出。这里,获取距离 最近轨迹段索引时设置一个最大允许距离(一般机器人轨迹精度在2mm以内,因此该数值应 该不应太大,一般设置不应超过4mm),若当前机器人位置与最近的索引轨迹段的距离超出 最大允许距离,则根据下述情况进行报警提示。一般机器人轨迹精度较高,如果超出限定一 般有两种情况,一种是故障或急停导致不在轨迹上,此时有报警、报错存在。另一种是完成 步骤1)之后,机器人轨迹有所调整,或机器人程序行数有调整(一般在机器人运行阶段, 机器人程序一般不会被修改,轨迹点位置可能会根据需要做调整)。若此时机器人运行状态数 据正常:即正常自动模式下、100%运行速度模式,运动过程中无报警、报错的。一般是第二 种情况,通过统计该轨迹段的超出监控区间的次数比例及折线图信息展示确认问题。并将问 题轨迹段重新完成步骤1)的操作。

23)监控区间设置

将22)步中找到的监控值的极值区间进行处理,根据需要以极值区间为参照,将区间略 微放大,如放大1.1倍。放大方式不限于此方法。

24)判断监控值是否在监控区间内

将监控值与监控区间作比较,判断监控值是否在区间之内,如果不在区间内,则要判断 状态数据是否正常:正常自动模式下、100%运行速度模式,运动过程中且无报警、报错的。 若不正常,根据状态数据报警。若状态数据正常,则提示机器人状态发生改变。

3)异常统计

将状态数据正常的监控结果进行统计,统计异常发生的程序位置、比例、数量以及相对 于监控区间的位置关系,当发生在某命令行异常比例大于一定值时报警,并展示统计结果。

4)绘制可视化数据图

将监控数据与对应的合理区间展示于折线图上,点选折线上每个点可以看到该点对应的所 有数据信息:机器人名、程序名、命令行数、机器人位置信息、机器人速度信息、时间戳、 运行状态、监控信息。将异常数位置标记在折线图上,便于人员分析查找。如图1所示。

5)异常分析

根据以上步骤得到的统计结果及可视化数据图,可进一步找到问题发生的原因,并做出 相应排查及解决措施。

例如:某一轴超区间信息数量较大、分布均匀在不同的程序号、命令行,考虑机器人该 轴状态变化、齿轮箱磨损、油液污染、电机老化等等。如果大多分布在某一命令行附近,或 某一程序,考虑可能有程序改变、工艺工件调整所致,可将这些位置重新做参考区间。

此外,若机器人已发生某一故障,可以借助2),3),4)步骤中得到的统计数据及可视 化数据图,查找故障发生前,各项监控值的变化规律,并进行总结。为进一步预测性算法的 开发提供数据基础。

通过上述步骤,实现基于大数据的工业机器人预测性状态的监控。

与现有技术相比,本发明的有益效果是:

本发明提供一种基于大数据的工业机器人预测性状态监控方法,采用工业机器人程序中 机器人位置在时间上变化的序列为周期性索引,记录各变量的每个周期的内变化,找到一定 时间段,正常工作状态下,位置在时间上的序列(即机器人轨迹)上的每一个点的最大值和 最小值作为参考值区间,对实时值相对于参考值区间的变化进行监测,实现工业机器人预测 性状态监控,方法有效性高,监控精度高,可广泛推广应用。

附图说明

图1为监控曲线示意图。

图2为本发明方法的流程框图。

具体实施方式

下面结合附图,通过实施例进一步描述本发明,但不以任何方式限制本发明的范围。

工业机器人依照程序进行运行,一台机器人可能有多个程序,同一个程序在正常运行状 态下,扭矩、电流等的变化是相似的。然而,由于程序运行时间受到交互信号响应、执行元 器件动作响应、信号等待等问题等的制约,导致无法难以使用纯粹的时间作为周期监控各变 量的变化。在本发明提供的基于大数据的工业机器人预测性状态的监控方法中,为有效的清 除以上无效的等待时间,放弃采用纯粹时间作为周期性索引,而是采用每个程序中,机器人 位置在时间上变化的序列(可理解为机器人运行轨迹,如果机器人轨迹上有2点在同一位置, 由于其发生的先后关系不同,不视为同一点,只有位置相同,在时间上的变化序列位置也相 同才认为是同一点)为周期性索引,记录各变量的每个周期的内变化,找到一定时间段,正 常工作状态下,机器人位置在时间上的序列(即机器人轨迹)上的每一个点的最大值和最小 值作为参考值,监测实时值相对于参考区间的变化。机器人运行轨迹是以机器人程序中机器 人的运动指令运行而形成的,因此机器人运行轨迹又可以拆分成每个运动指令形成的轨迹段, 轨迹段内通过速度运行方向判断点与点在时间序列中的关系,做出每个轨迹段内的位置序列 即可。

本发明提供的基于大数据的工业机器人预测性状态的监控方法通过极大地细化各个监控 数据的监控区间,使用机器人正常工作的历史数据作为参照来发现异常,不仅可以找到异常 值趋势,还能得到异常值发生的位置信息,以及发生时各种监控数值的状态,有利于进一步 找出异常原因,方法有效性高,监控精度高。

图2所示为本发明方法的流程。以下以某汽车装焊车间机器人为例,应用本发明提供的 基于大数据的工业机器人预测性状态的监控方法进行监控,包括如下步骤:

1)使用机器人历史状态数据作为参照,找到监控变量的合理监控范围参考数据。具 体包括以下步骤:

11)数据信息设计:机器人使用MQTT(Message Queuing Telemetry Transport消息队列 遥测传输)协议发送实时状态信息,监控机器人各轴的扭矩、电流、跟随误差3项状态。机 器人通过MQTT发送数据频率约2s/次:机器人名,笛卡尔坐标位置、机器人运动状态系列 信息(是否自动模式,是否100%速度运行等,是否在运动,是否有报错等),机器人当前所 在程序号,机器人当前所在命令行、机器人各轴的所需监控参数:扭矩、电流、跟随误差等 发送至数据库。

12)历史数据收集清洗并分组:

具体实施时,首先整理过去一段时间(1-2个月)的数据信息,将正常自动模式下、100% 运行速度的运动过程中且无报警报错的数据筛选出来,以机器人-所在程序号-所在运行命令 行的层级关系,将数据进行整理分组,得到每个运行命令行过去一段时间(1-2个月)的数据。 表1为本发明采用的数据结构。按照机器人名-所在程序名-所在运动命令行-所在轨迹段-历史 极值的结构存数据,待状态监控查询。

13)将数据以机器人位置坐标就近方式分段:

具体实施时,考虑到工厂应用中机器人使用到的运动指令只有点到点、直线、圆弧组成, 且无整圆的应用,每条运动指令的轨迹段内无重合点,再加上汽车工厂机器人的数量已经达 到3000台,需要确保运行速度,因此讲排序和分段步骤简化为一步完成,具体方法:在 已经整理出的相同命令行的数据中随机选取一条,找与之笛卡尔坐标距离最近的n(这里n 为可调节参数,根据收集到的数据量进行调节设置,如50)个数据划为一组,然后在剩下的数 据中再随机选取一条,找与之笛卡尔坐标距离最近的n(如50)个数据划为一组,依次类推。 直到所有的数据都被分到组里结束。这样每条数据至少被分在一个组里。

本实例中,表1中的轨迹区即随机找的点和邻近的n个点(如n=50),轨迹区的索引是 随机找的点的坐标。

14)记录每组需检测的数据(各轴扭矩、电流、跟随误差)最大及最小值

将上一步的分组后的每组数据:各轴扭矩、电流、跟随误差的最大值最小值做成字典, 方便查阅。将每次随机选取的数据的位置信息作为字典的索引,监控数据的历史最大最小值 为查询的内容。

表1

Image removed.

2)状态监控异常判断。

具体包括以下步骤:

21)监控数据采集。

一般采集实时数据进行状态监控。需要采集的数据信息与步骤11)中收集的历史数据内容相 同。

22)获取监控值历史极值

根据当前数据的机器人名,所在程序名,所在运动命令行,当前位置信息,找到与当前 机器人位置距离最近的轨迹段索引,查找该轨迹段历史极值,并将其取出。这里,获取距离 最近轨迹段索引时设置一个最大允许距离(一般机器人轨迹精度在2mm以内,因此该数值应 该不应太大,一般设置不应超过4mm),若当前机器人位置与最近的索引轨迹段的距离超出 最大允许距离,则根据下述情况进行报警提示。一般机器人轨迹精度较高,如果超出限定一 般有两种情况,一种是故障或急停导致不在轨迹上,此时有报警、报错存在。另一种是完成 步骤1)之后,机器人轨迹有所调整,或机器人程序行数有调整(一般在机器人运行阶段, 机器人程序一般不会被修改,轨迹点位置可能会根据需要做调整)。若此时机器人运行状态数 据正常:即正常自动模式下、100%运行速度模式,运动过程中无报警、报错的。一般是第二 种情况,通过统计该轨迹段的超出监控区间的次数比例及折线图信息展示确认问题。并将问 题轨迹段重新完成步骤1)的操作。

23)监控区间设置

将22)步中找到的监控值的极值区间进行处理,根据需要以极值区间为参照,将区间略 微放大m倍,m为可调节参数,一般取值范围1-1.2,如放大1.1倍。放大方式不限于此方法。

24)判断监控值是否在监控区间内

将监控值与监控区间作比较,判断监控值是否在区间之内,如果不在区间内,则要判断 状态数据是否正常:正常自动模式下、100%运行速度模式,运动过程中且无报警、报错的。 若不正常,根据状态数据报警。若状态数据正常,则提示机器人状态发生改变。

3)异常统计

将状态数据正常的监控结果进行统计,统计异常发生的程序位置、比例、数量以及相对 于监控区间的位置关系,当发生在某命令行异常比例大于一定值时报警,并展示统计结果。

4)绘制可视化数据图

将监控数据与对应的合理区间展示于折线图上,点选折线上每个点可以看到该点对应的所 有数据信息:机器人名、程序名、命令行数、机器人位置信息、机器人速度信息、时间戳、 运行状态、监控信息。将异常数位置标记在折线图上,便于人员分析查找。如图1所示。

5)异常分析

根据以上步骤得到的统计结果及可视化数据图,可进一步找到问题发生的原因,并做出 相应排查及解决措施。

例如:某一轴超区间信息数量较大、分布均匀在不同的程序号、命令行,考虑机器人该 轴状态变化、齿轮箱磨损、油液污染、电机老化等等。如果大多分布在某一命令行附近,或 某一程序,考虑可能有程序改变、工艺工件调整所致,可将这些位置重新做参考区间。

此外,若机器人已发生某一故障,可以借助2),3),4)步骤中得到的统计数据及可视 化数据图,查找故障发生前,各项监控值的变化规律,并进行总结。为进一步预测性算法的 开发提供数据基础。

通过上述步骤,实现基于大数据的工业机器人预测性状态的监控。

具体实施时,状态监控的实现具体执行如下操作:

对获取的状态数据进行判断,通过数据的程序号-命令行缩小查询范围。

再通过数据的笛卡尔坐标位置信息,找到与之距离最近的字典索引位置信息,然后获取 该索引对应的分组的最大最小值作为参考区间,或进行处理(将最大最小值构成的区间扩大 n倍,如1.1倍)作为参考区间。

将实时数据(各轴扭矩、电流、跟随误差)与参考区间进行对比,统计超区间和不超区 间信息的数量,记录超区间数据所在程序号-命令行、超区间上限或下限信息等。。

将上步所述的实时数据与其对应的参考区间展示于图上,超区间的不同颜色标注出来, 超上、下区间应标注不同颜色。

根据以上信息提醒异常,并把统计数据和相关记录信息展示,提醒技术人员进一步观察 找到原因。

例如:某一轴超区间信息数量较大、分布均匀在不同的程序号、命令行,考虑机器人该 轴状态变化、齿轮箱磨损、油液污染、电机老化等等。如果大多分布在某一命令行附近,或 某一程序,考虑可能有程序改变、工艺工件调整所致,可考将这些位置虑重新做参考区间。

需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员 可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换和修改都是可能的。 因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的 范围为准。