潘 力，高偉強，劉建群，張 淦

(廣東工業(yè)大學 機電工程學院，廣州 510006)

0 引言

隨著裝備功能日趨復雜，裝備的故障診斷和健康管理問題日顯突出。噴涂機器人是現代涂裝行業(yè)的核心設備，維護機器人的健康狀況，保障噴涂生產線的順暢運行是涂裝企業(yè)的基本需求。由于噴涂機器人的系統復雜性，涂裝企業(yè)難以獨立開展機器人的故障預測和健康管理工作，需要設備供應商到現場分析排障并維修，維護成本高，維護效率低。

對于傳統的工業(yè)機器人遠程監(jiān)控系統，企業(yè)需要搭建自身的服務器，設備服務商無法專注于設備研發(fā)以及設計，同時在服務器維護以及架構設計單一，無法進行擴展，不能滿足涂裝設備使用商對特殊遠程監(jiān)控系統的特殊要求[1]。

云計算打破了計算和數據資源的物理邊界，信息資源可以在網絡間動態(tài)遷移。云計算已被應用于醫(yī)療診斷[2]、電器和機電設備遠程診斷[3-4]技術中,取得了較好成效。

本文嘗試基于云計算平臺建立一種噴涂機器人遠程監(jiān)控診斷系統，該系統提供數據共享、狀態(tài)監(jiān)測云、信息存儲與分析云服務等服務。同時，在云計算平臺中建立不同的遠程監(jiān)控系統子服務，使用通用通信協議，子服務能夠根據不同企業(yè)的需求進行配置使用。從而滿足了不同涂裝企業(yè)對噴涂機器人的故障診斷不同需求，方便企業(yè)更好更及時維護噴涂機器人等設備。

1 噴涂機器人遠程服務系統架構

根據對佛山市多家粉末靜電噴涂企業(yè)的調查，以及對文獻的總結歸納，本文提出了噴涂企業(yè)對噴涂機器人遠程監(jiān)控診斷系統需具備下列功能：

(1)監(jiān)控診斷，能實現對噴涂機器人生產運行的遠程監(jiān)控和管理，為設備安全運行提供可靠技術保障；

(2)大數據，能實現噴涂企業(yè)機器人故障診斷數據和診斷模型的信息共享，彌補單一企業(yè)或單臺設備的機器人運行狀態(tài)數據和診斷模型數據量的不足；

(3)存儲和瀏覽服務，能夠為用戶提供生產和工藝信息的數據存儲、數據管理和數據應用服務；

(4)維護保障，可對機器人遠程維護，實現遠程軟件升級，參數設置、優(yōu)化與調整，設備管理。

針對上述對噴涂機器人遠程監(jiān)控診斷系統的需求，本文建立了噴涂機器人遠程監(jiān)控診斷系統的云計算架構。

1.1 噴涂機器人遠程診斷云系統架構

本文根據云制造中面向云服務的信息物理系統(CSOCPS)的技術搭建機器人遠程監(jiān)控和健康管理云構架，該結構主要由三層組成：軟件即服務(SaaS)、平臺即服務(PaaP)及基礎設施即服務(IaaS)[6]。如圖1所示。

圖1 噴涂機器人遠程監(jiān)控診斷系統架構

(1)軟件即服務(SaaS)主要通過http及WebSocket協議獲取云服務各種數據，為用戶提供云端處理以及設備信息終端瀏覽服務功能。

(2)平臺即服務(PaaP)是云計算平臺，主要提供虛擬計算、虛擬存儲等云服務。而云計算平臺由專業(yè)云服務商利用集群服務器組成。因此，云平臺的計算、存儲原則是無限大的，只需向云平臺服務商支付需求的服務費用即可。根據企業(yè)業(yè)務，利用VPC專有網絡技術隔離各企業(yè)的公共云資源，形成各企業(yè)個性化的噴涂機器人遠程監(jiān)控、管理系統。在虛擬計算服務中提供各種服務的接口，針對不同企業(yè)的監(jiān)控診斷系統需求，調用不同的服務接口，也可與企業(yè)合作定制服務。若該定制服務具有市場價值，可將該服務提升到虛擬計算，制作相關接口，從而擴充虛擬云計算服務，提供給其他企業(yè)使用。

(3)基礎設施即服務(IaaS)主要由生產現場設備層的軟硬件系統組成，包括噴涂機器人、PLC和傳感器信號采集設備等。機器人、PLC設備等通過局域網和工業(yè)現場總線交互信息。

1.2 噴裝企業(yè)云服務平臺和大數據共享

基于上述噴涂機器人遠程診斷云系統架構，涂裝企業(yè)與設備服務商之間可建立起圖2所示的云計算服務平臺。圖中包括一個提供云計算服務的云端，以及涂裝車間、涂裝企業(yè)生產管理和設備服務商3個客戶端。在該平臺上，云服務為客戶端提供數據存儲、分析、計算等云服務，并可以根據需求和開放性為設備服務商、涂裝企業(yè)內部、以及各涂裝企業(yè)之間提供數據和模型共享。

圖2 噴涂機器人云功能圖

(1)故障數據和故障模型共享。經大數據訓練后的故障模型分發(fā)給連接到云平臺中的各涂裝企業(yè)共享，可有效提高涂裝企業(yè)對設備健康狀況的分析和管理能力。

(2)算法處理共享。利用云平臺的并行性和分布計算技術高效數據處理能力，將采樣數據處理算法、故障診斷分析算法、噴涂優(yōu)化算法、生產排產調度算法等計算服務共享，為涂裝企業(yè)提供云計算服務。

(3)噴涂模型共享。噴涂機器人在每次示教后都會生成相應的噴涂模型，該模型包括噴涂的軌跡、涂料及輔料類型、噴涂工藝參數、噴件的規(guī)格型號等噴涂信息，并上傳到云端存儲供企業(yè)內部各機器人共享。

2 基于云計算的故障診斷服務

故障診斷服務是云端數據處理的核心服務，能夠為企業(yè)提供云端設備健康狀況預警、故障快速定位、故障分類等服務。大量研究[2,7-9]表明可以通過測試、分析機械系統的振動信號特征對機械系統進行故障診斷和定位，并可以通過對振動信號的持續(xù)跟蹤實現對機械系統的故障預測和健康管理。為獲得機器人機械結構的健康狀況，可以在噴涂機器人機械本體主要部件設置檢測節(jié)點安裝加速度傳感器，通過定時采樣將機器人機械振動信號數據發(fā)送到云端，利用云計算服務進行機械故障預測、分析和診斷。本文將隱馬爾科夫模型(HMM)和神經網絡(BP)算法相結合[10-11]開發(fā)了機械故障診斷云計算檢測程序，該程序可以對采樣上傳到云端的振動信號數據進行分析處理，包括對原始數據的特征提取、參數訓練、故障模板匹配。圖3所示是故障診斷云計算數據分析過程。

圖3 云計算數據分析過程

2.1.1 特征提取

要通過對振動信號的分析實現故障的診斷，首先需要在大量的振動測試數據中提取故障特征。采樣振動信號數據通過經驗模態(tài)分解(EMD)計算出本征模函數(IMF)，在利用公式(1)對IMF進行計算，獲取IMF的能量矩[12]。

(1)

式中，Δt表示采樣周期，n表示總的采樣點，ci表示本征模函數IMF。

用計算得到的E1、E2...,En構造特征向量T=[E1,E2,…,En]，并對特征向量T進行歸一化處理：

(2)

2.1.2 HMM狀態(tài)識別模型

根據隱馬爾科夫模型，本文設置隱藏狀態(tài)N分別為：健康、間歇故障以及故障狀態(tài)。本文的HMM狀態(tài)由參數λ=(N,M,A,B,π)來描述。其中A使用左右型的狀態(tài)轉移矩陣；觀察序列M使用4組的IMF能量矩；π為模型初始值；觀察概率矩陣B采用經驗方法確定，通過HMM中Baum-Welch算法獲得模型的參數λ[13]。這樣，HMM隱藏狀態(tài)的健康、間歇故障以及故障狀態(tài)對應的HMM模型參數為λ健康、λ間接故障和λ故障。

2.1.3 特征匹配與神經網絡訓練

(3)

ΔT作為神經元網絡(BP)的訓練輸入量，對診斷模型進行訓練，可以獲得為值域[0,1]的輸出量，作為權重值用來匹配各種故障狀態(tài)參數。當輸出值當接近0時，表示與某故障狀態(tài)非常匹配；當輸出值接近1時表示不匹配。本文采用的BP設置為三層，使用雙曲線函數tanh作為訓練函數。

2.2 基于云計算故障診斷實現步驟

本文研究的故障診斷過程屬于非實時診斷，需要在一定時間內對安裝在噴涂機器人本體機械結構中的加速度傳感器信號定時巡采，將采集的數據保存為文件后上傳到云端進行分析、處理和診斷。故障診斷主要分為4步：參數初始化、故障初次匹配、故障匹配以及學習過程。如圖4所示。

圖4 基于云計算故障診斷實現流程

(2)初次故障匹配、診斷。在初次發(fā)現新故障類型時，需要專業(yè)技術人員到故障現場完成故障人工診斷定位，確定故障類型。同時將采集到一系列的故障狀態(tài)下的振動原始數據上傳到云端，經計算后可獲得HMM模型中的λ間接故障和λ故障參數。將所獲得的λ間接故障和λ故障參數保存到云端的故障模型庫，便于以后故障匹配過程中調用。

(3)故障匹配。將現場采樣的數據在云服務經HMM狀態(tài)識別，篩選出健康和故障兩種狀態(tài)。若為故障狀態(tài)，就通過故障模型庫對各故障狀態(tài)進行匹配。若與故障模型庫的所有故障類型都不匹配，將保存為新的故障模板，這時需要服務商派遣專業(yè)人員進行現場排查、診斷、定義故障。

(4)訓練和學習過程。在某故障診斷結束后，將當前判別的故障特例數據作為輸入量訓練故障模型，通過這樣的多次反復迭代訓練可使故障模型庫和模型參數不斷進化完善。

3 實驗方案及驗證

為檢驗上述云計算故障診斷方案，本文在實驗室搭建設備端和客戶端實驗平臺，通過某商業(yè)云服務器建立云端，對基于云計算的噴涂機器人遠程監(jiān)控診斷系統軟硬件架構和算法開展實驗驗證。如圖5所示。

圖5 試驗平臺搭建架構

實驗在3個實驗室分別用3臺減速機模擬機器人的傳動系統開展實驗。減速機運行的振動信號通過加速度傳感器-動態(tài)信號采集儀采樣后，數據通過無線終端設備DTU傳入云端。為模擬機器人的故障信號，本實驗將其中的兩臺減速機進行人為的齒輪磨損和軸承磨損處理，分別模擬齒輪故障和軸承故障，與另一臺正常減速機的信號特征進行對比，形成齒輪磨損狀態(tài)、軸承磨損狀態(tài)和健康狀態(tài)特征庫。

為每項服務分配不同的端口，利用socket進行連接通信，當使用到服務時進行調用即可。實驗中使用到Web服務、公共服務、數據處理服務以及MySQL。網頁服務使用go語言編寫，數據處理服務器使用python語言編寫，數據庫為MySQL。設備層主要由加速度傳感器-數據采集儀、減速機以及無線終端設備DTU組成，動態(tài)數據采集器設置采樣頻率為2kHz。

實驗對系統進行參數初始化，設置匹配閾值是[0.8,0.8,0.8,0.8]，采集100組數據，每組采集10000個數據點，經過EMD算法后獲得每組共100個特征向量，求出每組類型的模板。如表1所示。

正常狀態(tài)、齒輪磨損、軸承磨損狀態(tài)下的減速機的狀態(tài)匹配結果如表2所示。

圖6、圖7、圖8所示為軸承磨損減速機前10組匹配閾值直方圖結果。圖6、圖7可知，10組數據與健康模板、齒輪故障模板匹配均值均超過0.8，接近[0, 1]值域的1值，表明該減速機狀態(tài)既不屬于健康狀態(tài)，也不只屬于齒輪磨損狀態(tài)。由圖8可知，其匹配閾值與軸承磨損模板匹配的閾值均低于0.1，表示正確匹配出故障類型。

圖9所示為具有軸承磨損狀態(tài)減速機的對數似然概率均值訓練變化過程。本文開發(fā)的故障診斷模型可以將已識別故障的數據作為輸入參數訓練優(yōu)化HMM模型參數。圖中在第一組特征向量經過HMM模型處理后，故障狀態(tài)的對數似然概率值為-50，故障特征與健康狀態(tài)的區(qū)別不明顯。第二組數據輸入計算訓練后故障狀態(tài)的對數似然概率值接近50，從而大大增加HMM模型識別準確率。通過若干組數據訓練故障狀態(tài)的對數似然概率值穩(wěn)定在40左右，使故障診斷模型得到進化。圖10所示為本文開發(fā)的噴涂機器人遠程監(jiān)控診斷系統數據軸承磨損數據處理結果顯示界面。

表1 各狀態(tài)的模板特征庫

表2 各狀態(tài)的匹配成功率

圖6 軸承磨損狀態(tài)下減速機的特征向量與特征庫的健康特征向量差值匹配閾值的均值

圖7 軸承磨損狀態(tài)下減速機的特征向量與特征庫的齒輪磨損特征向量差值匹配閾值的均值

圖8 軸承磨損下減速機的特征向量與特征庫軸承磨損特征向量差值匹配閾值的均值

圖9 軸承磨損下減速機的各樣本的對數似然概率均值

圖10 噴涂機器人遠程數據處理結果

4 結束語

在“互聯網+”的背景下，將云計算技術運用于機器人的遠程監(jiān)控和故障診斷是解決目前設備服務商有限的技術服務或維護保障有限資源與滿足用戶設備健康狀況維護需求的矛盾的有效途徑。本文提出了一種基于云服務的噴涂機器人遠程故障監(jiān)控系統構架，基于這一系統建立起設備服務商與涂裝企業(yè)之間服務、維護橋梁，提供數據、模型、計算的共享，使得孤立的噴涂機器人可以數據信息互聯互通。同時利用該平臺對機器人實現生產信息遠程監(jiān)控和故障診斷。

本文將隱馬爾科夫模型HMM和神經元網絡BP相結合，研究了機械故障診斷算法，開發(fā)了基于云計算的遠程機械故障診斷程序，并通過減速機故障診斷實驗對云計算遠程故障診斷系統的有效性進行了實驗驗證，實驗表明基于云計算的機器人遠程監(jiān)控和故障方案可行。