用于检测工业机器人故障的方法研究

用于检测工业机器人故障的方法研究

利用主成分分析（PCA）研究了训练数据的来源和类型对工业机器人故障检测的影响。具体来说，使用多个机器人执行不同任务的现场数据，比较了两种情况：第一，将单个机器人获得的训练数据用于评估多个机器人（一对多），第二，每个机器人在自己的培训数据的基础上进行评估（一对一）。进一步检测了运行PCA之前的预处理数据影响检测和预测故障的能力。为了减少原始信号的任务依赖性，我们将连续测量值预处理得出的绝对差与使用原始信号单独构建的PCA模型进行比较。

研究结果表明，使用连续测量值之间的绝对差建立的PCA模型的Q残差的变异系数作为一对多训练场景中机器人预测和检测故障就有良好的描述性。最终发现，绝对差异作为信号类型的一对一训练场景可以在故障前十九天内发出警告。

研究结果表明，使用信号类型作为绝对差异的Q残差的变异系数和作为训练源的OTM可以检测机器人的故障。进一步分析表明，如果使用绝对差作为训练PCA模型的信号类型，可以使用单个参考机器人生成用于测试多个场景的训练数据。对于作为绝对差异的信号类型，所有描述符能够在故障前至少七天区分故障和正常机器人。

在工业行业中，可以采用这些培训策略的组合。使用OTM方法，完成单个机器人训练模型可以协助识别相似识别命令的机器人。

刊名：IFAC-Papers On Line

刊期：2016年1期

作者：V Sathish et al

编译：张帅