一种机械臂的早期安全预警方法

技术领域

本发明涉及机器人运动监测技术领域，特别涉及一种机械臂的早期安全预警方法。

背景技术

多自由度机械臂是一个机电(控)一体化装置，其运动性能受到诸多因素的影响，有来自其本体的因素，如伺服关节部位，集成了减速器、制动器、电机、编码器、伺服驱动器(有的不集成)等部件，这些部件性能的优劣、随时间的磨损、老化、寿命、甚至损坏等因素会影响机械臂运动性能变差；也有来自机械臂操作时负载侧的影响。

因此，机械臂在工业现场长期运行时，其运动特性随着时间增加必然发生变化，这种变化有时候是机械臂部件老化、外界操作对象、条件等变化所致，有时候是部件有损坏的前期症状，为使机械臂能够持续的正常高性能工作，需要对机械臂运动特性的变化现象及早做出识别及预警，以便提前进行维护保养，或排除故障，从而提高机械臂工作可靠性和性能持续性。尤其对于工业现场固定基座类机械臂，其工作类型和负载情况一般是固定的、有规律或周期性重复的，机械臂运动特性一旦发生改变，一定预示着某个环节出了问题或工况发生了改变，尽管是小问题，但若能及早发现，就可能避免更大的问题出现。

现有技术中，大部分机器人对伺服关节驱动状况有故障保护功能，包括机器人控制器对机器人本体在运行过程中也有通过相关传感器或其他数据进行监控，及时预警。

申请号为202210803690.9的专利就公布了一种预警方法，通过对其信息的处理生成机械臂的实时运转动态因子和机械臂的周期精度修检因子，通过对实时运转动态信号和机械臂的周期精度修检因子进行对比分析，从而整体性实现机械臂的实时检修提醒和周期性检修提醒的功能，从而辅助工作人员以对机械臂进行维护。

申请号为202010186762.0的专利公布了一种预警方法，利用预处理好的机械臂运行数据与构建的机理特征对机械臂数字孪生集成仿真模型闭环运行过程的机械臂运行状态进行实时监测。

但上述两种技术，往往都是在比较明显的问题或故障出现之后才能识别出来，无法达到实际的预警效果，存在着弊端。

因此，市面上迫切需要一种预警方案，能在故障或问题明显出现之前，就能对其进行预警，以便对机械臂进行早期保养或维护。

发明内容

本发明中披露了一种机械臂的早期安全预警方法，包括使用AI模块，所述AI模块以内嵌的形式安装于所述机器人控制器内部并受机器人控制器的控制，所述方法包括步骤如下：

S1，所述AI模块对机械臂运行过程中的运动特性进行学习；

S2，所述AI模块将学习结果定义为机械臂标准运行的运动特性结果，

S3，所述AI模块对机械臂后续运行过程中的运动特性进行二次学习；

S4，所述AI模块将二次学习结果定义为机械臂待预警运行的运动特性结果；

S5，将机械臂标准运行的运动特性结果与机械臂待预警运行的运动特性结果进行对比；

若对比结果偏离值超过设定值，则AI模块发出预警信号；

若对比结果偏离值未超过设定值，则AI模块判定机械臂为安全运行状态。

优选地，所述运动特性为机械臂的关节伺服驱动系统的加加速度。

优选地，所述S1步骤包括：

S1A1，AI模块从机器人控制器接收机械臂关节伺服电机的速度指令和反馈的关节伺服电机实际运行的速度值；

S1A2，计算速度指令的加加速度和速度值的加加速度；

S1A3，计算速度指令的加加速度和速度值的加加速度的误差的绝对值；

S1A4，对S1A2步骤与S1A3步骤中的数据进行规范化处理；

S1A5，将S1A4步骤处理好的数据导入AI模块进行学习训练。

优选地，所述S2步骤中，还包括对学习结果通过最小二乘法进行数据的逐层分阶段精减。

优选地，所述S1步骤包括：

S1B1，AI模块从机器人控制器接收机械臂关节伺服电机的速度指令和反馈的关节伺服电机实际运行的速度值；

S1B2，计算速度指令的加加速度和速度值的加加速度；

S1B3，在频域中对速度指令的加加速度和速度值的加加速度进行频域转换；

S1B4，对转换后的数据进行数据归一化处理；

S1B5，将S1A4步骤处理好的数据导入AI模块进行学习训练。

优选地，S4步骤中，还包括对二次学习结果通过最小二乘法拟合出运动特性曲线。

优选地，所述S1B3步骤首先计算速度指令的加加速度和速度值的加加速度的差值，并对该差值进行频域转换。

优选地，所述方法应用于单臂或多臂机器人的机械臂安全预警。

本发明解决了现有技术中对机械臂预警仅仅存在于故障或问题发生时，而无法实际达到预警效果的技术问题；本发明的技术方案，通过AI模块对机械臂的运动特性进行学习训练形成学习结果，并对机械臂后续的运动特性进行学习训练形成二次学习结果，通过对比两次学习结果，可实现对机械臂运动特性的变化现象进行早期识别，从而达到早期预警的技术效果。

附图说明

下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一种实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为AI模块与机器人控制器之间的数据交互的关系图；

图2为AI模块内部结构图；

图3为实施例1的原理结构框图；

图4为实施例1的控制流程图；

图5为实施例1中的两次学习结果对比图；

图6为实施例2的原理结构框图；

图7为实施例2的两次学习结果对比图；

图8为实施例3的原理结构框图。

具体实施方式

下面将结合本发明实施例及实施例中的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

在一种具体的实施例1中，如图1、图2、图3、图4和图5所示，一种机械臂的早期安全预警方法，包括AI模块，所述AI模块以内嵌的形式安装于所述机器人控制器内部并受机器人控制器的控制。

本实施例1中AI模块从机器人控制器接收伺服关节运动指令及关节伺服速度等数据。AI模块将预测结果输出至外部HMI设备，并输送给机器人控制器。AI模块采用嵌入式处理器，内嵌人工神经网络核，该嵌入式处理器可以是ARM处理器，或基于ARM核的处理器，或FPGA芯片等，内部运行有人工神经网络算法，以便对机械臂的运动特性数据进行学习、训练。

本实施例的研究对象是6自由度机械臂的机器人。

机械臂运动特性影响最大、最可能的因素来自于关节伺服驱动系统。因此，从伺服驱动系统的运动方程入手，分析某关节伺服驱动系统的运动特性。

式中，

Te是电磁转矩。TL是负载转矩，J是系统惯量，B是电机粘滞摩擦系数，ω是电机速度。

对上式两边取微分，

进一步，

设，上式中右侧部分为函数f(J，T

则上式可写成，

上式中，左侧为对速度的两次微分，成为加加速度ε，则可认为，加加速度ε是系统惯量J，电磁转矩Te，负载转矩TL，电机速度ω，电机粘滞摩擦系数B等5个参数的函数。

进一步计算，

则有

ε＝f(J，T

从物理意义方面，伺服驱动系统的加加速度ε，表征的是执行器的柔性冲击性能，反映的是运动系统速度的柔性。从上式可见，当系统的系统惯量J、电磁转矩Te、负载转矩TL、电机速度ω、电机粘滞摩擦系数B等任何参数发生变化时，必然引起系统的加加速度发生变化。因此，选择加加速度参数来表征机械臂的运动特性。

本实施例考虑的不是伺服驱动系统的短时动态特性，在机器人机械臂运动过程中，其负载大小、电磁转矩、负载惯量等参数动态变化，这种即时的动态变化引起的加加速度的变化现象均属于短时动态特性。本实施例研究的是，在长期运行过程中，以伺服驱动系统的加加速度参数为主要考察参数，考察机器人的机械臂长期运行工况下以加加速度为代表的参数的变化情况。因为机器人是周期性重复动作，因此，长期考察就以该周期性重复动作的重复周期时间段进行数据的采集，进而进行分析。

本实施例设计了嵌入式的AI模块，对上述数据进行长期长时间学习，得到正常操作下的学习结果，然后在后续的长时间运行中，得到的结果与正常操作下的学习结果进行对比，如果有一定的偏离，说明机械臂本身或操作工况发生了质性的改变，从而做出预警，以便预测性维护。

本实施例包括步骤如下：

嵌入式的AI模块从机器人控制器接收到各关节伺服驱动系统的速度指令和实际速度值之后，分别计算速度指令的加加速度，以及反馈的速度值的加加速度；之后，分别计算每一关节的速度指令加加速度与反馈的速度值的加加速度的误差的绝对值，然后将该绝对值联速度指令的加加速度、速度值的加加速度共18个参数值，18个输入节点，经过数据规范化处理之后，通过AI模块的人工神经网络算法进行学习、训练。

本实施例以伺服驱动系统的加加速度及其误差为主要输入数据进行长时间学习训练，在机器人生产操作线上进行正式生产操作期间，连续一定时间长度的对该正常操作期间的加加速度参数进行建模学习，得到机器人正常操作情况下的机械臂的标准运行的运动特性结果。然后，在机器人控制器的控制作用下，将该训练学习结果进行保存。则机器人控制器控制下，AI学习模块重新继续学习，经过长时间学习，和之前的标准运行的运动特性结果进行对比判断，如果基本吻合，则说明机械臂系统工作状况以及工况依然如初，无需维护。如果有较大偏差，则需要输出预警提示，进行维护或查找原因。

AI学习时间长度及阶段性学习时间长度可设置，但一般至少以天为单位。例如，如果以正常运行100天学习得到的数据为正常结果，则后面的每一天得到的学习结果数据就可以和该正常结果进行对比分析；但为了增加结果的可靠度，在图4所示的控制流程的基础上，可以在后续的连续一些天数内连续比对，如果持续相近情况相近偏差存在，则表明必然有异常情况潜伏在系统里面，需要预警提示。

为减少AI学习结果数据对存储空间的大量占用，阶段性的需要对学习结果数据进行一定的处理，以便对数据量进行缩减。本技术方案中，采用最小二乘法进行数据的逐层分阶段精减。

图5为对某正常操作的机械臂运动特性进行AI学习的数据结果；最初产生的结果数据以小时为单位(图中Z轴处0位置)，为了精减数据，采用最小二乘法拟合出数据变化趋势曲线，保留在曲线上及与曲线误差在一定范围内的数据，其他数据剔除，形成以天为单位的数据量，如图5中Z轴“1”处数据点所示。进一步，随着采集时间的增加，在精减过的结果数据上又增加了很多数据，如图中Z轴处“2”位置数据点所示，据此数据集合，继续采用最小二乘法拟合数据曲线，该数据曲线与上一次的数据曲线应基本重合，同理，剔除与该数据曲线误差范围之外的数据，形成精减数据，最终形成以10天为单位的数据集合。

采用以上的数据精减措施，或者类似的逐层精减措施，使数据随着时间的增加一直保持在系统计算资源和存储资源的合理范围之内，但又不至于造成最终数据的失真。

实施例2

在一种具体的实施例2中，如图1、图2、图6和图7所示，一种机械臂的早期安全预警方法，包括使用AI模块，所述AI模块以内嵌式的形式安装于所述机器人控制器内部并受机器人控制器的控制。

本实施例的研究对象是6自由度机械臂的机器人。

本实施例中AI模块学习的运动特性是伺服驱动系统的加加速度。

本实施例的原理与实施例1的原理相同，均是通过对AI模块对机械臂的运动特性进行学习训练形成学习结果，并对机械臂后续的运动特性进行学习训练形成二次学习结果，通过对比两次学习结果，可实现对机械臂运动特性的变化现象进行早期识别，从而达到早期预警的技术效果。

本实施例基于各关节伺服驱动系统的速度值计算各加加速度值，在频域中对该加加速度值进行频域转换，执行数据归一化处理之后，输入至AI模块的神经元网络模型中进行学习训练，随运行时间的增加，逐渐获得各个关节的伺服驱动系统的运动特征数据，并基于此为标准运行的运动特性结果；AI模块继续对机械臂的运动特性进行学习训练，并得出二次学习结果，两者对比，从而得出系统运动特性是否改变的结论。

图7所示为运动特性在频域的对比结果数据。

在正常操作情况下，经过持续的AI学习训练，得到正常状态的数据结果点集合。可据此采用数学手段拟合得到数据结果变化的趋势曲线作为正常状态的结果，并存储于系统存储器中。如果随着时间的进行，伺服系统的运动状态出现了明显变化，可能因机械臂关节出现质性物理变化或者机器人操作条件等变化引起，从而在结果数据中出现了偏离正常数据区域的数据点集，当该趋势偏离原正常状态趋势增大时，可采用数学手段，如最小二乘法，拟合得出该非正常状态下的趋势曲线，当该趋势曲线与正常状态下的趋势曲线之偏差大于一定的设定值时，可认为系统出现问题，需要预警，以预防性维护或寻找原因。

实施例3

在一种优选的实施例3中，如图1、图2、图6、图7和图8所示，一种机械臂的早期安全预警方法，包括使用AI模块，所述AI模块以内嵌式的形式安装于所述机器人控制器内部并受机器人控制器的控制。

本实施例的研究对象是6自由度机械臂的机器人。

本实施例中AI模块学习的运动特性是伺服驱动系统的加加速度。

本实施例的原理与实施例1、实施例2的原理相同，均是通过对AI模块对机械臂的运动特性进行学习训练形成学习结果，并对机械臂后续的运动特性进行学习训练形成二次学习结果，通过对比两次学习结果，可实现对机械臂运动特性的变化现象进行早期识别，从而达到早期预警的技术效果。

本实施例是在实施例2的基础上实现的，为降低实施例2中的AI模块的数据处理量，减少AI模块的神经元输入单元，提高AI模块的神经元学习效率和速率，是对实施例2的优化。

本实施例在进行学习训练前先计算各关节伺服驱动系统的速度指令的加加速度与速度值的加加速度之差值，并经过频域转换、数据归一化处理，生成6个数据输入神经元模型训练学习。最终得到训练结果。机器人正常操作状态时，连续数天甚至数月的学习结果进行特征提取之后存储起来作为正常操作数据。后面随着时间和操作的进行，学习的数据和正常操作数据对比，从而判断机器人是否发生了质性改变或者操作状态发生了变化，进行预警维护。

需要指出的是，本发明技术方案，针对的是进行重复性很强的周期性操作的机器人操作场景，在这种前后一致性操作作业的情况下，进行前期、后期AI学习数据的对比进行预警。如果机器人操作内容、运行方式、操作条件等进行了变更，如由原来的拣选工件并堆放的操作内容变更为从堆放工件中取下，则需要对机器人的正常操作学习数据进行重新学习作为对比数据，之前的对比数据不再具有实际意义。