趙亮

摘 要：由于工業(yè)機(jī)器人運(yùn)行環(huán)境惡劣，因此，其極易發(fā)生故障，而加強(qiáng)工業(yè)機(jī)器人故障診斷是實(shí)現(xiàn)工業(yè)機(jī)器人安全運(yùn)行的重要手段?；诖?，本文總結(jié)了當(dāng)前工業(yè)機(jī)器人常用的故障診斷方法，分析了各個(gè)方法的優(yōu)缺點(diǎn)，最后對(duì)工業(yè)機(jī)器人故障診斷方法的發(fā)展前景進(jìn)行了展望。

關(guān)鍵詞：工業(yè)機(jī)器人;故障診斷方法;發(fā)展方向

中圖分類號(hào)：TP242.2文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1003-5168（2020）28-0037-03

Development Status and Development Direction of Fault

Diagnosis Methods for Industrial Robots

ZHAO Liang

（Zhengzhou Railway Vocational & Technical College，Zhengzhou Henan 451460）

Abstract： Because of the bad running environment of industrial robot， it is easy to break down. Strengthening the fault diagnosis of industrial robot is an important means to realize the safe operation of industrial robot. Based on this， this paper summarized the current industrial robot fault diagnosis methods， analyzed the advantages and disadvantages of each method， and finally prospected the development prospects of industrial robot fault diagnosis methods.

Keywords： industrial robots; fault diagnosis method;development direction

1 研究背景

工業(yè)機(jī)器人技術(shù)是智能制造的核心技術(shù)，綜合了機(jī)械、自動(dòng)化、計(jì)算機(jī)和通信等領(lǐng)域的最新研究成果，普遍應(yīng)用于生產(chǎn)制造領(lǐng)域，逐漸取代人工完成單調(diào)、重復(fù)性工作，提高了生產(chǎn)能力、產(chǎn)品質(zhì)量和生產(chǎn)安全性，已經(jīng)成為21世紀(jì)不可或缺的自動(dòng)化裝備。工業(yè)機(jī)器人中較為常見(jiàn)的是工業(yè)機(jī)器人臂，它模擬了人手在焊接、裝配和建筑領(lǐng)域不知疲倦地晝夜連續(xù)工作，實(shí)現(xiàn)了整個(gè)生產(chǎn)系統(tǒng)的高效運(yùn)轉(zhuǎn)。工業(yè)機(jī)器人一旦發(fā)生故障，輕則延誤整個(gè)生產(chǎn)周期，重則造成人員傷亡，因此，準(zhǔn)確地對(duì)工業(yè)機(jī)器人故障進(jìn)行有效診斷，保證工業(yè)機(jī)器人處于最佳工作狀態(tài)至關(guān)重要。

目前，對(duì)工業(yè)機(jī)器人故障的診斷仍依靠工人定期檢查和巡檢，根據(jù)對(duì)機(jī)器人工作狀態(tài)的檢查形成的故障和維修記錄，分析整理故障數(shù)據(jù)，最后找出機(jī)器人故障發(fā)生頻率和規(guī)律。這種人工診斷方法操作起來(lái)簡(jiǎn)單可行，但需要花費(fèi)大量時(shí)間和費(fèi)用，而且在機(jī)器人集群工作環(huán)境下難以滿足維修保養(yǎng)要求。因此，開(kāi)展工業(yè)機(jī)器人故障診斷方法研究尤為必要。

2 工業(yè)機(jī)器人故障診斷方法研究現(xiàn)狀

2.1 基于模型分析方法

基于模型的故障診斷如圖1所示。首先構(gòu)造被診斷對(duì)象的數(shù)學(xué)模型，通過(guò)比較根據(jù)模型獲得的對(duì)應(yīng)信息和系統(tǒng)可測(cè)變量值，產(chǎn)生對(duì)故障信號(hào)的敏感誤差，然后把敏感誤差作為故障特征輸送給報(bào)警器或者指示器，實(shí)現(xiàn)對(duì)故障的檢測(cè)和診斷。根據(jù)殘差產(chǎn)生的方式，基于模型分析的故障診斷可以細(xì)分為等價(jià)空間診斷法、狀態(tài)估計(jì)診斷法和參數(shù)估計(jì)診斷法。其中，基于狀態(tài)估計(jì)診斷法包括觀測(cè)器診斷法和濾波器診斷法;基于參數(shù)估計(jì)的故障診斷方法是通過(guò)檢測(cè)模型中的參數(shù)變化，進(jìn)而推導(dǎo)系統(tǒng)相關(guān)物理參數(shù)的變化，完成對(duì)系統(tǒng)的故障診斷;等價(jià)空間診斷法基本思想是利用系統(tǒng)的輸入輸出的實(shí)際測(cè)量值檢驗(yàn)系統(tǒng)數(shù)學(xué)模型的等價(jià)性，從而實(shí)現(xiàn)故障的檢測(cè)和分離[1-3]?；谀Ｐ头治龅墓收显\斷方法可以根據(jù)故障部位的模型設(shè)計(jì)控制方法，能方便快速地分析和解決故障問(wèn)題，但是對(duì)于機(jī)器人這種具有復(fù)雜系統(tǒng)對(duì)象，很難建立起精確的數(shù)學(xué)模型，因此該方法有一定的局限性。

2.2 基于信號(hào)處理的故障診斷方法

基于信號(hào)的故障診斷方法如圖2所示。

所謂基于信號(hào)處理的方法，通常是利用信號(hào)模型，如相關(guān)函數(shù)、頻譜、自回歸滑動(dòng)平均、小波變換等，直接分析可測(cè)信號(hào)，提取諸如方差、幅值、頻率等特征值，從而檢測(cè)出故障。其中，以傅里葉變換為核心的頻譜分析法和小波變換法最為常見(jiàn)。信號(hào)進(jìn)行傅立葉變換的前提是平穩(wěn)信號(hào)，對(duì)于非平穩(wěn)信號(hào)，分析效果不好。而小波變換較為適用于非平穩(wěn)信號(hào)[4-5]?；诙嘣y(tǒng)計(jì)分析的故障診斷法以主元分析的故障診斷為核心，該方法簡(jiǎn)單易于實(shí)現(xiàn)，適應(yīng)于大型緩變系統(tǒng)的故障診斷。

機(jī)器人在運(yùn)轉(zhuǎn)過(guò)程中會(huì)產(chǎn)生大量信號(hào)，正常工作和故障情況下對(duì)外輸出的信號(hào)不同，因此可以通過(guò)信號(hào)處理的方法對(duì)故障進(jìn)行診斷，這種方法避免了系統(tǒng)建模的復(fù)雜過(guò)程，通過(guò)提取故障特征，實(shí)現(xiàn)故障診斷。

2.3 基于知識(shí)的故障診斷方法

基于知識(shí)的故障診斷方法如圖3所示。

近年來(lái)，隨著人工智能及計(jì)算機(jī)技術(shù)的飛速發(fā)展，基于知識(shí)的故障診斷方法應(yīng)運(yùn)而生。該方法具有自學(xué)習(xí)、自組織和自推理能力，可以對(duì)故障進(jìn)行定量和定性分析，提高故障診斷水平。

基于知識(shí)的故障診斷方法主要可以分為基于專家系統(tǒng)的故障診斷方法、基于模糊邏輯的故障診斷方法、基于故障模型的故障診斷方法、基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法等。

基于專家系統(tǒng)的故障診斷方法是指計(jì)算機(jī)在采集到數(shù)據(jù)以后，綜合知識(shí)庫(kù)中經(jīng)驗(yàn)規(guī)則進(jìn)行推理，快速找到系統(tǒng)中出現(xiàn)的故障。專家系統(tǒng)主要由知識(shí)庫(kù)、數(shù)據(jù)庫(kù)、推理機(jī)和學(xué)習(xí)系統(tǒng)構(gòu)成，其性能主要由知識(shí)庫(kù)中存貯信息的正確性決定。為了提高診斷的準(zhǔn)確率，需要定期更新知識(shí)庫(kù) [6]。

基于模糊邏輯的故障診斷通過(guò)使用合適的隸屬度函數(shù)和模糊關(guān)系矩陣建立故障與征兆之間的模糊關(guān)系，實(shí)現(xiàn)對(duì)系統(tǒng)運(yùn)行狀態(tài)的監(jiān)測(cè)。這種方法對(duì)那些存在不確定因素的復(fù)雜系統(tǒng)的故障診斷有很好的效果，其優(yōu)點(diǎn)在于可以將定性和定量信息聯(lián)系在一起解決非線性問(wèn)題[7]。

基于故障模型的故障診斷方法主要包括故障樹(shù)法和圖論法。其中，故障樹(shù)法從系統(tǒng)故障狀態(tài)出發(fā)，按樹(shù)狀逐級(jí)分析，以確定故障損害程度和發(fā)生的部位[8]。

基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法，即通過(guò)對(duì)故障實(shí)例和診斷經(jīng)驗(yàn)的訓(xùn)練學(xué)習(xí)，用分布在網(wǎng)絡(luò)內(nèi)部的連接權(quán)值來(lái)表達(dá)所學(xué)習(xí)的故障診斷知識(shí)。它具有對(duì)故障模式的聯(lián)想記憶、模式匹配和相似歸納能力，從而實(shí)現(xiàn)故障與征兆之間復(fù)雜的非線性映射關(guān)系[9]。

2.4 基于大數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法

現(xiàn)在復(fù)雜系統(tǒng)建模比較困難，而基于大數(shù)據(jù)的故障診斷方法逐漸得到人們關(guān)注，成為研究熱點(diǎn)。為了解決對(duì)人形NAO機(jī)器人的檢測(cè)跟蹤問(wèn)題，孫翔侃等提出一種機(jī)器學(xué)習(xí)與特征匹配相結(jié)合的方法[10]，并結(jié)合Ada Boost算法通過(guò)機(jī)器學(xué)習(xí)方法從大量訓(xùn)練樣本中自動(dòng)抽取HOG特征值，建立級(jí)聯(lián)分類器，利用分類器找出視頻幀中含有機(jī)器人目標(biāo)的區(qū)域，在此基礎(chǔ)上采用特征匹配方法與模板圖像進(jìn)行特征匹配，實(shí)現(xiàn)目標(biāo)追蹤。鞠建波等[11]結(jié)合裝備故障大數(shù)據(jù)的特點(diǎn)和深度學(xué)習(xí)理論優(yōu)勢(shì)，提出一種新的裝備故障診斷方法，根據(jù)去噪自編碼器原理，實(shí)現(xiàn)訓(xùn)練網(wǎng)絡(luò)的無(wú)監(jiān)督特征學(xué)習(xí)，完成神經(jīng)網(wǎng)絡(luò)構(gòu)建，使用BP算法對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行有監(jiān)督微調(diào)。

但是，基于大數(shù)據(jù)的故障診斷方法對(duì)機(jī)理問(wèn)題無(wú)法準(zhǔn)確描述，有一定局限性，如深度學(xué)習(xí)網(wǎng)絡(luò)層數(shù)選擇問(wèn)題。

3 機(jī)器人故障診斷未來(lái)發(fā)展方向

3.1 遠(yuǎn)程故障診斷技術(shù)

隨著互聯(lián)網(wǎng)技術(shù)、計(jì)算機(jī)技術(shù)和通信技術(shù)的發(fā)展，遠(yuǎn)程故障診斷成為故障診斷未來(lái)的發(fā)展方向之一。這種技術(shù)無(wú)須人員到達(dá)現(xiàn)場(chǎng)即可實(shí)現(xiàn)診斷，有利于在降低故障診斷成本的同時(shí)，提高故障診斷效率。因此，遠(yuǎn)程監(jiān)控與故障診斷技術(shù)結(jié)合將逐漸成為工業(yè)機(jī)器人領(lǐng)域研究重點(diǎn)。

3.2 故障診斷技術(shù)多元信息融合

在對(duì)工業(yè)機(jī)器人運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)時(shí)，傳感器采集如溫度、功率、扭矩、轉(zhuǎn)速和振動(dòng)等方面數(shù)據(jù)，通過(guò)計(jì)算機(jī)技術(shù)對(duì)采集到的信息進(jìn)行分析處理，為最終決策提供依據(jù)。未來(lái)故障診斷要能融合多元信息，還要避免各信息之間的矛盾和冗余，減少不確定因素的影響。

4 結(jié)語(yǔ)

在眾多機(jī)器人故障診斷方法中，最重要的是保證故障診斷的可靠性和實(shí)時(shí)性，以確保機(jī)器人能夠安全可靠運(yùn)行。現(xiàn)階段，工業(yè)機(jī)器人故障診斷方法不斷優(yōu)化和改進(jìn)，并取得了較大突破，遠(yuǎn)程故障診斷和多元信息融合診斷成為未來(lái)研究的主要方向。

參考文獻(xiàn)：

[1] Verma V ， Gordon G ， Simmons R ， et al. Real-time fault diagnosis [robot fault diagnosis][J]. IEEE Robotics & Automation Magazine， 2004（2）：56-66.

[2] Doucet A ， De Freitas N ， Murphy K ， et al. Rao-Blackwellised Particle Filtering for Dynamic Bayesian Networks[C]// Sixteenth Conference on Uncertainty in Artificial Intelligence. Morgan Kaufmann Publishers Inc. 2000.

[3]尚群立，孫黎，吳海燕.基于模型的執(zhí)行器故障診斷[J].浙江大學(xué)學(xué)報(bào)（工學(xué)版），2007（10）：1660-1663.

[4]李紅，孫冬梅，沈玉成.EEMD降噪與倒頻譜分析在風(fēng)電軸承故障診斷中的應(yīng)用[J].機(jī)床與液壓，2018（13）：13-17.

[5]王宏超，向國(guó)權(quán)，郭志強(qiáng)，等.基于改進(jìn)時(shí)頻譜分析方法的滾動(dòng)軸承復(fù)合故障診斷[J].航空動(dòng)力學(xué)報(bào)，2017（7）：1698-1703.

[6] Yao Q ， Wang J ， Zhang G G . A Fault Diagnosis Expert System Based on Aircraft Parameters[C]// Web Information System & Application Conference. IEEE.2016.

[7] Adrián Rodríguez Ramos. An approach to fault diagnosis with online detection of novel faults using fuzzy clustering tools[J]. Expert Systems with Applications， 2018（113）：200-212.

[8] Peng H ， Wang J ， Ming J ， et al. Fault Diagnosis of Power Systems Using Intuitionistic Fuzzy Spiking Neural P Systems[J]. IEEE Transactions on Smart Grid， 2017（99）：1.

[9] Chiremsel Z. Probabilistic fault diagnosis of safety instrumented systems based on fault tree analysis and Bayesian network[J]. Journal of Failure Analysis & Prevention，2016（5）：747-760.

[10]孫翔侃，白寶興.基于機(jī)器學(xué)習(xí)的NAO機(jī)器人檢測(cè)跟蹤[J].長(zhǎng)春理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2016（2）：116-119.

[11]鞠建波，胡勝林，祝超.基于深度學(xué)習(xí)的裝備故障診斷方法[J].電光與控制，2018（2）：103-106.