工業機器人故障診斷方法發展現狀及發展方向

趙亮

摘 要：由于工業機器人運行環境惡劣，因此，其極易發生故障，而加強工業機器人故障診斷是實現工業機器人安全運行的重要手段。基于此，本文總結了當前工業機器人常用的故障診斷方法，分析了各個方法的優缺點，最后對工業機器人故障診斷方法的發展前景進行了展望。

關鍵詞：工業機器人;故障診斷方法;發展方向

中圖分類號：TP242.2文獻標識碼：A文章編號：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

工業機器人技術是智能制造的核心技術，綜合了機械、自動化、計算機和通信等領域的最新研究成果，普遍應用于生產制造領域，逐漸取代人工完成單調、重復性工作，提高了生產能力、產品質量和生產安全性，已經成為21世紀不可或缺的自動化裝備。工業機器人中較為常見的是工業機器人臂，它模擬了人手在焊接、裝配和建筑領域不知疲倦地晝夜連續工作，實現了整個生產系統的高效運轉。工業機器人一旦發生故障，輕則延誤整個生產周期，重則造成人員傷亡，因此，準確地對工業機器人故障進行有效診斷，保證工業機器人處于最佳工作狀態至關重要。

目前，對工業機器人故障的診斷仍依靠工人定期檢查和巡檢，根據對機器人工作狀態的檢查形成的故障和維修記錄，分析整理故障數據，最后找出機器人故障發生頻率和規律。這種人工診斷方法操作起來簡單可行，但需要花費大量時間和費用，而且在機器人集群工作環境下難以滿足維修保養要求。因此，開展工業機器人故障診斷方法研究尤為必要。

2 工業機器人故障診斷方法研究現狀

2.1 基于模型分析方法

基于模型的故障診斷如圖1所示。首先構造被診斷對象的數學模型，通過比較根據模型獲得的對應信息和系統可測變量值，產生對故障信號的敏感誤差，然后把敏感誤差作為故障特征輸送給報警器或者指示器，實現對故障的檢測和診斷。根據殘差產生的方式，基于模型分析的故障診斷可以細分為等價空間診斷法、狀態估計診斷法和參數估計診斷法。其中，基于狀態估計診斷法包括觀測器診斷法和濾波器診斷法;基于參數估計的故障診斷方法是通過檢測模型中的參數變化，進而推導系統相關物理參數的變化，完成對系統的故障診斷;等價空間診斷法基本思想是利用系統的輸入輸出的實際測量值檢驗系統數學模型的等價性，從而實現故障的檢測和分離[1-3]。基于模型分析的故障診斷方法可以根據故障部位的模型設計控制方法，能方便快速地分析和解決故障問題，但是對于機器人這種具有復雜系統對象，很難建立起精確的數學模型，因此該方法有一定的局限性。

2.2 基于信號處理的故障診斷方法

基于信號的故障診斷方法如圖2所示。

所謂基于信號處理的方法，通常是利用信號模型，如相關函數、頻譜、自回歸滑動平均、小波變換等，直接分析可測信號，提取諸如方差、幅值、頻率等特征值，從而檢測出故障。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。信號進行傅立葉變換的前提是平穩信號，對于非平穩信號，分析效果不好。而小波變換較為適用于非平穩信號[4-5]。基于多元統計分析的故障診斷法以主元分析的故障診斷為核心，該方法簡單易于實現，適應于大型緩變系統的故障診斷。

機器人在運轉過程中會產生大量信號，正常工作和故障情況下對外輸出的信號不同，因此可以通過信號處理的方法對故障進行診斷，這種方法避免了系統建模的復雜過程，通過提取故障特征，實現故障診斷。

2.3 基于知識的故障診斷方法

基于知識的故障診斷方法如圖3所示。

近年來，隨著人工智能及計算機技術的飛速發展，基于知識的故障診斷方法應運而生。該方法具有自學習、自組織和自推理能力，可以對故障進行定量和定性分析，提高故障診斷水平。

基于知識的故障診斷方法主要可以分為基于專家系統的故障診斷方法、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、基于神經網絡的故障診斷方法等。

基于專家系統的故障診斷方法是指計算機在采集到數據以后，綜合知識庫中經驗規則進行推理，快速找到系統中出現的故障。專家系統主要由知識庫、數據庫、推理機和學習系統構成，其性能主要由知識庫中存貯信息的正確性決定。為了提高診斷的準確率，需要定期更新知識庫 [6]。

基于模糊邏輯的故障診斷通過使用合適的隸屬度函數和模糊關系矩陣建立故障與征兆之間的模糊關系，實現對系統運行狀態的監測。這種方法對那些存在不確定因素的復雜系統的故障診斷有很好的效果，其優點在于可以將定性和定量信息聯系在一起解決非線性問題[7]。

基于故障模型的故障診斷方法主要包括故障樹法和圖論法。其中，故障樹法從系統故障狀態出發，按樹狀逐級分析，以確定故障損害程度和發生的部位[8]。

基于神經網絡的故障診斷方法，即通過對故障實例和診斷經驗的訓練學習，用分布在網絡內部的連接權值來表達所學習的故障診斷知識。它具有對故障模式的聯想記憶、模式匹配和相似歸納能力，從而實現故障與征兆之間復雜的非線性映射關系[9]。

2.4 基于大數據驅動的故障診斷方法

現在復雜系統建模比較困難，而基于大數據的故障診斷方法逐漸得到人們關注，成為研究熱點。為了解決對人形NAO機器人的檢測跟蹤問題，孫翔侃等提出一種機器學習與特征匹配相結合的方法[10]，并結合Ada Boost算法通過機器學習方法從大量訓練樣本中自動抽取HOG特征值，建立級聯分類器，利用分類器找出視頻幀中含有機器人目標的區域，在此基礎上采用特征匹配方法與模板圖像進行特征匹配，實現目標追蹤。鞠建波等[11]結合裝備故障大數據的特點和深度學習理論優勢，提出一種新的裝備故障診斷方法，根據去噪自編碼器原理，實現訓練網絡的無監督特征學習，完成神經網絡構建，使用BP算法對整個網絡進行有監督微調。

但是，基于大數據的故障診斷方法對機理問題無法準確描述，有一定局限性，如深度學習網絡層數選擇問題。

3 機器人故障診斷未來發展方向

3.1 遠程故障診斷技術

隨著互聯網技術、計算機技術和通信技術的發展，遠程故障診斷成為故障診斷未來的發展方向之一。這種技術無須人員到達現場即可實現診斷，有利于在降低故障診斷成本的同時，提高故障診斷效率。因此，遠程監控與故障診斷技術結合將逐漸成為工業機器人領域研究重點。

3.2 故障診斷技術多元信息融合

在對工業機器人運行狀態進行實時監測時，傳感器采集如溫度、功率、扭矩、轉速和振動等方面數據，通過計算機技術對采集到的信息進行分析處理，為最終決策提供依據。未來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 結語

在眾多機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時性，以確保機器人能夠安全可靠運行。現階段，工業機器人故障診斷方法不斷優化和改進，并取得了較大突破，遠程故障診斷和多元信息融合診斷成為未來研究的主要方向。

參考文獻：

[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.基于模型的執行器故障診斷[J].浙江大學學報（工學版），2007（10）：1660-1663.

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

[5]王宏超，向國權，郭志強，等.基于改進時頻譜分析方法的滾動軸承復合故障診斷[J].航空動力學報，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.基于機器學習的NAO機器人檢測跟蹤[J].長春理工大學學報（自然科學版），2016（2）：116-119.

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