[0026]
[0027]
[0028] 此时,其他参考值的坐标差值均为0;
[0029] 步骤(5-2)获得输入变量为f11和 时,模型推理后的不同后项输出的信度融合值[0030]
[0031] 其中,mi,k=ωkλi,k (7)
[0032] 而λi,k为激活的规则的后项属性的置信度;
[0033] 步骤(5-3)获得输入变量为f11和 时曲柄轴磨损程度估计结果
[0034]
[0035] 此时得到的结果,即为启发式规则系统对工业机器人曲柄轴磨损程度等级的估计值。
[0036] 上述方法的关键技术在于:首先选取有一定特征的历史数据进行数据分析,得到安装在工业机器人伺服电机上的振动传感器和电流传感器采集到的扭矩信号和电流信号,构建反映输入频域特征信号f1和f2与输出曲柄轴磨损程度等级Y之间非线性关系的启发式规则系统,然后选取训练样本,将启发式规则系统模型中各参数组成的非线性优化问题。
[0037] 本发明首先利用启发式规则系统建立工业机器人伺服电机上的振动传感器和电流传感器采集到的扭矩信号和电流信号与曲柄轴磨损程度等级之间的非线性映射关系。由此减小主观因素的影响,提高模型的估计精度与计算的效率。
附图说明
[0038] 图1是本发明方法的流程框图。
[0039] 图2是本发明方法实施例中将获取的时域振动信号a1(t)求平均值,该平均值作为特征f1(t),对振动信号a1(t)求斜率,然后求斜率的平均值作为特征f2(t),所得的特征数据。
[0040] 图3是本发明方法实施例中利用训练样本所得到的基于启发式规则系统的曲柄轴磨损程度估计值图。
[0041] 图4是本发明方法实施例中启发式规则系统模型的估计与真实值之间的跟踪曲线图。
具体实施方式
[0042] 一种基于启发式规则系统的工业机器人曲柄轴磨损检测方法,该方法包括以下各步骤:
[0043] (1)利用安装在工业机器人伺服电机上的振动传感器和电流传感器采集到的扭矩信号a1(t)和电流信号b1(t),其中扭矩单位为mm,电流信号单位为A,a1(t)∈[-4,2],b1(t)∈[-4,4],扭矩信号和电流信号均为每隔1秒同时采样一次,共计采集T次,1000≤T<∞,则采样时刻t=1,2,…,T。
[0044] (2)待电流信号平稳时,将步骤(1)中获取的时域振动信号a1(t)求平均值,该平均值作为特征f1(t),对振动信号a1(t)求斜率,然后求斜率的平均值作为特征f2(t)。
[0045] (3)输出定为曲柄轴磨损故障等级,把曲柄轴定性的分为三种不同的磨损状态:可供安全工作需求的正常状态;次品率较高的中度磨损状态;以及无法正常工作的重度磨损状态。把磨损故障等级记为Y(t),将f1(t)、f2(t)和Y(t)表示成向量p(t)=[f1(t),f2(t),Y(t)],共计可以得到T个向量,它们组成的向量集记为P={p(t)|t=1,2,…,T}。
[0046] (4)建立启发式规则系统的规则,用扭矩均值和扭矩导数均值变量f1和f2(输入)与磨损程度变量Y(输出)之间的非线性关系,其中,启发式规则系统的第k条规则记为Rk,其表示形式如下:
[0047] Rk:
[0048]Rk的规则权重为θk,满足0≤θk≤1;输入变量f1和f2对应的属性权重分别为δ1,δ2,且0≤δ1,δ2≤1;
[0049] 式(1)中, 和 分别为启发式规则系统的输入变量的f1和f2参考值,且有其中j=1,2,Qj为 的取值空间,其中的元素满足
xj表示对应第j
个输入变量参考值的取值个数,xj≥1;分别在Q1,Q2中抽取一个元素作为f1、f2的参考值,由此组合成规则,共计可以产生L=x1×x2条规则,L≥1,k=1,2,3,…,L为规则的编号;
[0050] 式(1)中,Rk后项属性分别为G1,G2,…,GN,并有LY≤G1
[0051] 其中,式(1)中,设定初始规则权重为θk=1,初始属性权重δj=1。
[0052] 为便于理解,举例说明,假设 中各参考值的取值为A1,1=7,A1,2=8,A1,3=9,中各参考值的取值为A2,1=0.2,A2,2=0.3,A3,3=0.4,假设满足Y=f1×f2,G1=0.4,G2=1.5,G3=2.3,G4=2,共计将会产生L=9条规则,设初始θk=1,δ1=δ2=1,其中部分规则形势如下:
[0053] R1:若f1=7且f2=0.2,则[(G1,0.667),(G2,0.333),(G3,0),(G4,0)];
[0054] R2:若f1=7且f2=0.3,则[(G1,0),(G2,0.75),(G3,0.25),(G4,0)];
[0055] R3:若f1=7且f2=0.4,则[(G1,0),(G2,0),(G3,0.75),(G4,0.25)];
[0056] ……
[0057] R7:若f1=9且f2=0.2,则[(G1,0.444),(G2,0.556),(G3,0),(G4,0)];
[0058] R8:若f1=9且f2=0.3,则[(G1,0),(G2,0.25),(G3,0.75),(G4,0)];
[0059] R9:若f1=9且f2=0.4,则[(G1,0),(G2,0),(G3,0),(G4,1)];
[0060] 这里组成了9条规则,其中λi,k为满足约束根据历史数据分析得到的结果。
[0061] (5)给定扭矩均值和扭矩导数均值f1和f2后,通过启发式规则系统获取它们对应的曲柄轴磨损程度估计结果 具体步骤如下:
[0062] 步骤(5-1)设定f1和f2的取值分别为f11和 上标1表示启发式规则系统的输入,并有 将它们带入启发式规则系统模型,计算它们激活各个规则的权重:
[0063]
[0064] ωk∈[0,1] (3)
[0065] 其中,
[0066] 式(2)中, 表示为第k条规则中第j个输入变量相对于参考值 的坐标差值(c=1,2,…,xj),坐标差值的求解方法如下:
[0067] (a)当fj1≤Aj,1和 时,fj1对于Aj,1和 的坐标差值 取值均为1,对于其他参考值的坐标差值均为0;
[0068] (b)当Aj,c
[0069]
[0070]
[0071] 此时,其他参考值的坐标差值均为0;
[0072] 步骤(5-2)获得输入变量为f11和 时,模型推理后的不同后项输出的信度融合值[0073]
[0074] 其中,mi,k=ωkλi,k (7)
[0075] 而λi,k为激活的规则的后项属性的置信度;
[0076] 步骤(5-3)获得输入变量为f11和 时曲柄轴磨损程度估计结果
[0077]
[0078] 此时得到的结果,即为启发式规则系统对工业机器人曲柄轴磨损程度等级的估计值。
[0079] 为便于理解,举例说明,以步骤(4)中的模型为例,假设模型输入f11=7.6和此时的真实磨损级别Y=1,带入公式(2)-(4),可得激活规则R1、R2、R4与R5,计算可得到激活权重为:w1=0.28,w2=0.12,w4=0.42,w5=0.18,其余均为0;所以,将结果带入式(5)(6)可以获得 带入式(7),可得与真实值偏差0.083,这里为提高
精度可提高规则数和后项输出的个数。
[0080] 以下结合附图,详细介绍本发明方法的实施例:
[0081] 本发明方法的流程图如图1所示,核心部分是:利用安装在工业机器人伺服电机上的振动传感器和电流传感器采集到的扭矩信号a1(t)和电流信号b1(t),其中扭矩单位为mm,电流信号单位为A,将获取的扭矩信号a1(t)求平均值(代表时域振动信号),该平均值作为特征f1(t),对振动信号a1(t)求斜率,然后求斜率的平均值作为特征f2(t),构建反映输入特征信号f1和f2与输出曲柄轴磨损故障等级Y之间非线性关系的启发式规则系统。
[0082] 以下结合大量实测数据进行分析,详细介绍本发明方法的各个步骤,并通过实验结果验证本发明提出的一种基于启发式规则系统的工业机器人曲柄轴磨损检测方法与利用MATLAB工具箱中fmincon函数相比,在计算效率上的优势,避免fmincon函数中可能存在优化不出结果的情况。
[0083] 1.利用安装在工业机器人伺服电机上的振动传感器和电流传感器采集到的扭矩信号a1(t)和电流信号b1(t),其中扭矩单位为mm,电流信号单位为A,a1(t)∈[-4,2],b1(t)∈[-4,4],扭矩信号和电流信号均为每隔1秒同时采样一次,共计采集T次,1000≤T<∞,则采样时刻t=1,2,…,T。
[0084] 2.将步骤1中获取的时域振动信号a1(t)求平均值,该平均值作为特征f1(t),对振动信号a1(t)求斜率,然后求斜率的平均值作为特征f2(t),如图2所示,图中虚线表示电流,实线表示扭矩。
[0085] 3.把曲柄轴定性的分为三种不同的磨损状态:可供安全工作需求的正常状态;次品率较高的中度磨损状态;以及无法正常工作的重度磨损状态。把磨损故障等级记为Y(t),将f1(t)、f2(t)和Y(t)表示成向量p(t)=[f1(t),f2(t),Y(t)],共计可以得到T个向量,它们组成的向量集记为P={p(t)|t=1,2,…,T}。
[0086] 4.建立反映曲柄轴的扭矩均值信号和扭矩斜率的均值信号f1和f2(启发式规则系统的二维输入)与曲柄轴磨损故障程度变量Y(启发式规则系统的输出)之间的非线性关系的启发式规则系统。
[0087] 选取输入输出变量的语义值,f1的模糊语义值描述为:极小(exceeding small,ES1)、很小(very small,VS1)、正小(positive small,PS1)、正中(positive medium,PM1)、正大(positive large,PL1)、很大(very large,VL1);f2的模糊语义值描述为:极小(exceeding small,ES2)、很小(very small,VS2)、正小(positive small,PS2)、正中(positive medium,PM2)、正大(positive large,PL2)、很大(very large,VL2)。其参考值如表1-表3所示:
[0088] 表1 f1的语义值和参考值
[0089]
[0090] 表2 f2的语义值和参考值
[0091]
[0092] 表3 Y的语义值和参考值
[0093]
[0094] 建立的初始启发性规则系统如表4所示,其中后项输出的信度值根据历史数据按照要求给定:
[0095] 表4初始置信规则库
[0096]
[0097]
[0098] 5.结合步骤(5)得到训练样本给定输入特性f1与f2,通过启发式规则系统获取它们对应的曲柄轴磨损故障程度估计结果
[0099] 在2000组向量中挑选TN=60组训练样本,其对应输入的真实故障等级为Y(t),训练样本输入经过启发式规则系统对应的估计值为
[0100] 首先,对每个输入变量计算规则的激活权重。可利用式(2)-(5)计算启发式规则系统中每条规则的激活权重ωk。当t=320时,输入量为f1=0.3369、f2=0.0062,可以得到其对规则R11,R12和R19,R20的激活权重分别为w11=0.6915,w12=0.13,w19=0.1503,w20=0.0282,而其他规则的激活权重均为0,亦即激活了启发式规则系统中的4条规则。
[0101] 最后,融合激活的规则。利用ER算法融合被激活的启发式规则后项的置信结构,得到关于Y的输出置信结构。根据式(5)与式(6)可以求出 例如,将上步中关于f1=0.3369、f2=0.0062的wk及初始启发式规则系统后项置信度λj,k带入式(7)与式(8)中,可得:
[0102]
[0103] 6.确定优化后的曲柄轴磨损程度检测的启发式规则系统,进行结果的验证测试[0104] 根据以上步骤获得的曲柄轴磨损程度检测系统中的参数,利用随机抽取的样本数据进行验证。这里,可以获得初始启发式规则系统对曲柄轴磨损程度等级的估计曲线与优化后的启发式规则系统对曲柄轴磨损程度等级估计曲线如图3所示,图3(a)表示初始启发式规则系统对曲柄轴磨损程度等级的估计曲线,图3(b)表示优化后启发式规则系统的模型对相同输入变量时曲柄轴磨损程度等级的估计曲线,其中真实的数据值用“o”表示,本发明方法给出的曲柄轴磨损程度等级估计值用“*”表示,图4表示启发式规则系统对曲柄轴磨损程度等级的估计分别与真值之间的跟踪曲线,其中“—”代表曲柄轴磨损程度等级真实值曲线,“--”代表启发式规则系统对曲柄轴磨损程度等级估计值曲线。