張洪波

(天翼云科技有限公司，北京 100093)

隨著工業(yè)機器人的結(jié)構(gòu)日益復(fù)雜，其運行狀態(tài)受到越來越多的零件及因素影響，使機器人的維護(hù)難度不斷提升，從而間接增加機器人的維護(hù)成本，導(dǎo)致機器人維護(hù)效率降低[1]。因此，對機器人狀態(tài)進(jìn)行實時監(jiān)控[2-3]就頗為迫切。機器人狀態(tài)實時監(jiān)控系統(tǒng)可以利用獲取的機器人狀態(tài)歷史數(shù)據(jù)以及采集的機器人狀態(tài)實時運行數(shù)據(jù)，明確機器人運行過程中存在的問題[4]，保障機器人維持良好的運行狀態(tài)。目前針對狀態(tài)監(jiān)控的研究較多，饒志強等[5]設(shè)計了一種帶電作業(yè)機器人三維環(huán)境重建與監(jiān)控系統(tǒng)，實現(xiàn)了對帶電作業(yè)機器人運行狀態(tài)的監(jiān)控；吳鴻敏等[6]利用多模態(tài)時間序列監(jiān)控機器人運行，通過對不同時間序列下機器人運行狀態(tài)的監(jiān)控，提升了機器人運行的安全性。可惜的是，這些研究的實際運行效果并不理想。

云計算技術(shù)是一種可以在網(wǎng)絡(luò)中動態(tài)遷移信息資源的重要技術(shù)，其區(qū)別于傳統(tǒng)數(shù)據(jù)與資源計算的物理邊界，能夠提升海量數(shù)據(jù)的計算性能。伴隨計算機技術(shù)高速發(fā)展，將云計算技術(shù)應(yīng)用于機器人狀態(tài)監(jiān)控中，可利用云計算技術(shù)較高的計算性能，提升機器人狀態(tài)監(jiān)控的有效性。為解決目前應(yīng)用存在的問題，提升機器人狀態(tài)監(jiān)控效果，本文設(shè)計了一種基于云計算的機器人狀態(tài)實時監(jiān)控系統(tǒng)。

1 基于云計算的機器人狀態(tài)實時監(jiān)控系統(tǒng)

1.1 系統(tǒng)總體結(jié)構(gòu)

本文設(shè)計的基于云計算的機器人狀態(tài)實時監(jiān)控系統(tǒng)(簡稱本文系統(tǒng))主要利用云端的遠(yuǎn)程監(jiān)控模塊遠(yuǎn)程實時監(jiān)控機器人運行狀態(tài)。通過機器人狀態(tài)采集傳感器采集機器人狀態(tài)數(shù)據(jù)，并對采集數(shù)據(jù)進(jìn)行分析，以此實現(xiàn)機器人狀態(tài)的實時監(jiān)控。本文系統(tǒng)總體結(jié)構(gòu)如圖1所示。

圖1 系統(tǒng)總體結(jié)構(gòu)

由圖1可以看出，本文系統(tǒng)包括顯示服務(wù)層、云計算服務(wù)層以及基礎(chǔ)設(shè)施層。系統(tǒng)面向云服務(wù)技術(shù)的信息物理技術(shù)進(jìn)行搭建，可以實現(xiàn)云計算技術(shù)與機器人狀態(tài)實時監(jiān)控的有效結(jié)合。系統(tǒng)在顯示服務(wù)層可以利用http協(xié)議獲取機器人狀態(tài)實時監(jiān)控云服務(wù)的相關(guān)信息，為用戶提供設(shè)備信息終端瀏覽服務(wù)以及機器人狀態(tài)信息展示服務(wù)。云計算服務(wù)層為用戶提供虛擬存儲以及虛擬計算等各項云服務(wù)。通過云計算服務(wù)層中的虛擬計算服務(wù)模塊為系統(tǒng)的各項應(yīng)用提供服務(wù)接口，依據(jù)系統(tǒng)用戶需求為用戶調(diào)用服務(wù)接口[7]?；A(chǔ)設(shè)施層主要由機器人運行現(xiàn)場的各項硬件模塊組成，包括機器人伺服電機、機器人狀態(tài)采集傳感器和可編程邏輯控制器(PLC)等零部件，其中的各項設(shè)施利用以太網(wǎng)與系統(tǒng)云計算服務(wù)層實現(xiàn)交互。

在完成以上系統(tǒng)層級設(shè)計后，需要利用基礎(chǔ)設(shè)施層的狀態(tài)采集傳感器采集機器人的狀態(tài)信息，所采集的數(shù)據(jù)利用以太網(wǎng)傳送至云計算服務(wù)層的數(shù)據(jù)采集模塊并利用數(shù)據(jù)采集模塊將所采集的數(shù)據(jù)傳送至遠(yuǎn)程監(jiān)控模塊，再利用隱馬爾科夫模型識別機器人狀態(tài)，并通過顯示服務(wù)層將得到的機器人實時狀態(tài)信息向用戶展示，實現(xiàn)機器人的實時監(jiān)控。

除了需要完成系統(tǒng)基本結(jié)構(gòu)的搭建外，還要對系統(tǒng)的軟硬件進(jìn)行設(shè)計，內(nèi)容如下。

1.2 系統(tǒng)硬件設(shè)計

硬件部分主要通過相關(guān)模塊的設(shè)計實現(xiàn)基本功能。

1.2.1數(shù)據(jù)采集模塊

數(shù)據(jù)采集模塊位于系統(tǒng)的云計算服務(wù)層，將現(xiàn)場可編程邏輯門陣列(field programmable gate array，F(xiàn)PGA)芯片XC2S30應(yīng)用到數(shù)據(jù)采集操作系統(tǒng)，可以實現(xiàn)對機器人狀態(tài)數(shù)據(jù)結(jié)果的統(tǒng)計。由于本文系統(tǒng)需要采集機器人的狀態(tài)信息，因此將云計算服務(wù)層與機器人狀態(tài)采集傳感器相連。數(shù)據(jù)采集模塊利用數(shù)據(jù)采集控制器采集機器人狀態(tài)信息，并根據(jù)采集信息判斷機器人是否存在異常狀態(tài)[8]。在此基礎(chǔ)上，利用以太網(wǎng)將判斷結(jié)果傳送至系統(tǒng)的云計算服務(wù)層，實現(xiàn)機器人運行狀態(tài)監(jiān)控。

圖2為數(shù)據(jù)采集模塊中數(shù)據(jù)采集控制器的接口圖。由圖2可以看出，數(shù)據(jù)采集控制器主要包括主控制器、電源和眾多接口。數(shù)據(jù)采集控制器中控制芯片的選取極為重要[9]，需要在滿足機器人狀態(tài)實時監(jiān)控性能指標(biāo)的同時，避免由于控制芯片選取不當(dāng)造成資源浪費。微控制器是目前常應(yīng)用于監(jiān)控系統(tǒng)中的控制器，具有功耗低、成本低、接口多的特點[10]，應(yīng)用價值較高。

圖2 數(shù)據(jù)采集控制器接口圖

本文選取型號為STM32F407ZGT6的控制器作為系統(tǒng)數(shù)據(jù)采集模塊的主控制器，該控制器的內(nèi)核為帶有浮點運算單元(float point unit，F(xiàn)PU)的ARM32位Cortex-M4，可實現(xiàn)高達(dá)200 MHz的工作主頻，能夠高速處理機器人狀態(tài)信息[11]。該數(shù)據(jù)采集模塊中的Flash存儲芯片需要選擇容量約為256 KB的靜態(tài)隨機存取存儲器(static random-access memory，SRAM)，其擁有的大存儲空間能夠滿足機器人狀態(tài)實時監(jiān)控的復(fù)雜程序設(shè)計需求。此外，還需要設(shè)置同步動態(tài)隨機存儲器(synchronous dynamic random access memory，SDRAM)進(jìn)行內(nèi)存處理和外部SDRAM擴(kuò)展，從而保證在機器人狀態(tài)數(shù)據(jù)量較大時，仍然可以滿足數(shù)據(jù)實時操作的需求，而且該控制器可以設(shè)置加密/散列處理器提升系統(tǒng)的數(shù)據(jù)解析速度以及加密通訊性能。

本文選取的STM32F407ZGT6控制器的芯片具有以下功能；1)通過高主頻提升機器人狀態(tài)實時監(jiān)控系統(tǒng)的運算速度；2)利用SDRAM控制器實現(xiàn)外部控制器擴(kuò)展，提升系統(tǒng)對海量數(shù)據(jù)的處理性能；3)通過加密解密處理器單元實現(xiàn)所采集機器人狀態(tài)數(shù)據(jù)的加密以及解密計算；4)通過設(shè)置多個SPI接口和UART接口，可以滿足系統(tǒng)外部接口擴(kuò)展需求[12]；5)利用控制器的IAP功能滿足系統(tǒng)云計算服務(wù)層的遠(yuǎn)程程序升級需求，有利于系統(tǒng)的后期維護(hù)與擴(kuò)展。

1.2.2遠(yuǎn)程監(jiān)控模塊

在完成數(shù)據(jù)采集模塊設(shè)計后，需要對遠(yuǎn)程控制模塊進(jìn)行設(shè)計，以有效掌握機器人的實際工作數(shù)據(jù)，便于調(diào)度機器人。遠(yuǎn)程監(jiān)控模塊位于系統(tǒng)的云計算服務(wù)層，本文選用JINSONG無線遠(yuǎn)程監(jiān)控設(shè)備對機器人運行狀況、末端位姿以及控制器運行狀態(tài)進(jìn)行監(jiān)控記錄，并發(fā)送至用戶。

本文在Reactor模式下設(shè)計系統(tǒng)的遠(yuǎn)程監(jiān)控模塊，以提供公用計算服務(wù)以及公用存儲服務(wù)。Reactor模式指反應(yīng)器模式，是基于建立連接與具體服務(wù)之間線程分離的通用模式，其可完全分離處理代碼。遠(yuǎn)程監(jiān)控模塊采用Reactor開發(fā)模式，可以令系統(tǒng)具有較高的可復(fù)用性[13]，也可以利用互斥鎖解決線程安全問題以及任務(wù)數(shù)過多對系統(tǒng)運行效率的影響。采用Reactor開發(fā)模式開發(fā)遠(yuǎn)程監(jiān)控模塊的結(jié)構(gòu)圖如圖3所示。

圖3 Reactor開發(fā)結(jié)構(gòu)圖

由圖3可知，用控制器代表系統(tǒng)的客戶端，客戶端提交請求時間間隔過短時，會給系統(tǒng)造成沉重負(fù)擔(dān)，使系統(tǒng)可能無法及時處理用戶提交的請求，一旦系統(tǒng)中累積大量信息，甚至?xí)?dǎo)致關(guān)鍵機器人狀態(tài)數(shù)據(jù)丟失。為此，遠(yuǎn)程監(jiān)控模塊主要利用主線程和子線程分別負(fù)責(zé)接收和解析客戶端的請求，以減少信息數(shù)據(jù)過多造成的壓力，并基于此實現(xiàn)數(shù)據(jù)的遠(yuǎn)程監(jiān)控。

1.3 系統(tǒng)軟件設(shè)計

本文系統(tǒng)利用隱馬爾科夫模型識別機器人狀態(tài)，將n個機器人的執(zhí)行任務(wù)Z作為機器人狀態(tài)監(jiān)控目標(biāo)，通過識別機器人運行狀態(tài)，判斷機器人運動狀態(tài)z是否與執(zhí)行任務(wù)Z相符。依據(jù)隱馬爾科夫模型的性質(zhì)可知，在時間為t時，可以用yt=[y1,y2,…,yt]表示機器人狀態(tài)的觀察序列。隱馬爾科夫模型的對數(shù)似然函數(shù)值Lt,s利用前向反向算法獲取的表達(dá)式如下：

(1)

式中：yt為機器人運行狀態(tài)觀察值；s為機器人狀態(tài)；Lt,s為隱馬爾科夫模型的機器人狀態(tài)觀察數(shù)據(jù)分值，機器人狀態(tài)數(shù)據(jù)與模型的貼合度越高，該值越大；Θs為模型參數(shù)。

由以上分析結(jié)果可知，機器人狀態(tài)識別過程就是獲取最大化狀態(tài)觀察序列數(shù)據(jù)分值的過程。利用隱馬爾科夫模型識別機器人狀態(tài)的過程為：確定機器人狀態(tài)測試樣本，將該樣本劃分為執(zhí)行任務(wù)Z，計算不同執(zhí)行過程下隱馬爾科夫模型的lgp(yt|yt-1；Θs)結(jié)果。獲取隱馬爾科夫模型識別機器人狀態(tài)的表達(dá)式z*如下：

(2)

式中：S為機器人狀態(tài)。

采用隱馬爾科夫模型識別機器人狀態(tài)，主要包括隱狀態(tài)轉(zhuǎn)移序列以及觀測狀態(tài)變量這兩個步驟，隱狀態(tài)轉(zhuǎn)移序列是建立馬爾科夫鏈的過程，無法實現(xiàn)機器人狀態(tài)的有效觀測。為此，需要建立識別機器人狀態(tài)的隱馬爾科夫模型表達(dá)式：

σ={N,M,π,A,B}

(3)

式中：σ為隱馬爾科夫模型表達(dá)式；N與π分別為隱馬爾科夫鏈的狀態(tài)數(shù)量以及初始概率分布矢量；B與M分別為機器人狀態(tài)觀測值的概率矩陣以及機器人狀態(tài)相應(yīng)的觀測數(shù)量；A為機器人狀態(tài)轉(zhuǎn)移概率矩陣。

采用隱馬爾科夫模型識別機器人狀態(tài)時，首先需確定模型初始參數(shù)，即觀察矢量序列、初始狀態(tài)數(shù)量N0、初始狀態(tài)轉(zhuǎn)移概率矩陣A0、初始概率分布矢量π0以及迭代誤差e。利用機器人不同狀態(tài)特征，獲取機器人狀態(tài)的初始狀態(tài)轉(zhuǎn)移概率矩陣如下：

(4)

所獲取的初始狀態(tài)轉(zhuǎn)移概率矩陣為固定狀態(tài)，由于機器人狀態(tài)觀測值的概率矩陣初始值決定了隱馬爾科夫模型的收斂情況[14]，因此確定隱馬爾科夫模型的初始參數(shù)極為重要。

本文采用Baum-Welch算法確定隱馬爾科夫模型的具體參數(shù)，過程如下：

1)確定模型初始參數(shù)。

選取K-means算法獲取機器人狀態(tài)觀測值的概率矩陣初始值。

2)用σ與V分別表示隱馬爾科夫模型和訓(xùn)練序列，t與i分別表示機器人狀態(tài)識別時間以及機器人狀態(tài)。時間為(t+1)時，機器人屬于狀態(tài)i的概率ξt(i,j)表達(dá)式如下：

(5)

式中：αt(i)為時間t時機器人狀態(tài)i的出現(xiàn)概率；aij為機器人狀態(tài)i到機器人狀態(tài)j的概率；bj(Vt+1)為時間(t+1)時機器人狀態(tài)j出現(xiàn)的聯(lián)合概率；P(V|σ)為機器人狀態(tài)識別的多觀測序列問題的概率函數(shù)表達(dá)式。

(6)

式中：P(V(l)|σ)為機器人狀態(tài)觀測值l出現(xiàn)時的機器人狀態(tài)識別的多觀測序列問題的概率函數(shù)表達(dá)式；L為觀測序列數(shù)量。

(7)

綜上可知，利用式(7)更新隱馬爾科夫模型的參數(shù)后，使用優(yōu)化后的隱馬爾科夫模型即可完成機器人的狀態(tài)監(jiān)控。

2 系統(tǒng)的性能測試

2.1 實驗環(huán)境

為驗證本文系統(tǒng)(如圖4所示)對于機器人狀態(tài)監(jiān)控的有效性，將該系統(tǒng)應(yīng)用于某企業(yè)的工業(yè)機器人中。

圖4 系統(tǒng)界面

2.2 機器人狀態(tài)識別分析

利用本文系統(tǒng)采集機器人狀態(tài)數(shù)據(jù)，再利用文獻(xiàn)[5]、文獻(xiàn)[6]中系統(tǒng)對機器人狀態(tài)進(jìn)行識別監(jiān)控，得到的對數(shù)似然概率值如圖5所示。

分析圖5可得，與另外兩種系統(tǒng)相比，本文系統(tǒng)可以依據(jù)所采集的機器人狀態(tài)數(shù)據(jù)有效識別監(jiān)控機器人的狀態(tài)，與實際情況的對數(shù)似然概率值完全相符，而另外兩種系統(tǒng)的對數(shù)似然概率值與實際情況相差較大，由此可以證明本文系統(tǒng)可以實現(xiàn)機器人狀態(tài)的有效識別，能夠獲得精準(zhǔn)的機器人狀態(tài)監(jiān)控結(jié)果。

圖5 機器人狀態(tài)識別輸出值

2.3 信息接收時間分析

統(tǒng)計不同線程數(shù)量時，不同系統(tǒng)的信息接收時間間隔，統(tǒng)計結(jié)果如圖6所示。

圖6 信息接收時間間隔

由圖6可知，本文系統(tǒng)最短的信息接收時間間隔在1 min左右，而另外兩種系統(tǒng)最短為70 s和80 s，高于本文系統(tǒng)，證明本文系統(tǒng)的效率較高。

2.4 信息丟包率分析

分析不同接收時間間隔下，不同系統(tǒng)的信息丟包率，對比結(jié)果如圖7所示。

圖7 不同接收時間間隔的丟包率

由圖7可知，對于不同的接收時間間隔，本文系統(tǒng)實時監(jiān)控機器人狀態(tài)的信息丟包率均低于0.03%，證明本文系統(tǒng)具有較高的實時監(jiān)控性能。

綜上所述，本文系統(tǒng)具有較高的機器人狀態(tài)識別精度，信息接收時間間隔較短，且丟包率較低，能夠有效實現(xiàn)機器人狀態(tài)識別監(jiān)控。

2.5 機器人位姿分析

為進(jìn)一步證明本文系統(tǒng)的監(jiān)控效果，可通過分析不同機器人位姿下，本文系統(tǒng)與實際情況的不同狀態(tài)監(jiān)控差異，結(jié)果見表1。

由表1可知，在機器人處于不同位姿時，本文系統(tǒng)的實時監(jiān)控結(jié)果與機器人實際狀態(tài)極為相近，可以有效監(jiān)控機器人的異常以及間歇異常狀態(tài)，對正常狀態(tài)的監(jiān)控識別效果也較好。

表1 機器人狀態(tài)監(jiān)控差異

3 結(jié)束語

本文設(shè)計的基于云計算的機器人狀態(tài)實時監(jiān)控系統(tǒng)，利用云技術(shù)實現(xiàn)機器人狀態(tài)數(shù)據(jù)與計算共享。實驗結(jié)果證明，本文系統(tǒng)提升了機器人在線監(jiān)控與管理性能，利用系統(tǒng)獲取的機器人運行狀態(tài)數(shù)據(jù)能夠明確機器人運行模式，在機器人處于異常運行狀態(tài)時能及時發(fā)出警報；利用機器人狀態(tài)監(jiān)控數(shù)據(jù)，實現(xiàn)了機器人的調(diào)控、故障診斷以及維護(hù)等各項工作，可為提升機器人運行狀態(tài)監(jiān)控效果提供一定幫助。