基于启发式规则系统的工业机器人曲柄轴磨损检测方法

摘要

本发明涉及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。本发明利用启发式规则系统建模，描述工业机器人曲柄轴扭矩均值和扭矩导数均值变量f1和f2（输入）与工业机器人曲柄轴磨损程度变量Y（输出）之间的非线性映射关系。通过有限的历史数据，优化启发式规则系统初始模型，减少主观因素对模型的影响。启发式规则系统方法更加简单快速的计算出模型的参数，使得在给定扭矩均值和扭矩导数均值特征的情况下，可以通过启发式规则系统推理精确和快速地估计出工业机器人曲柄轴磨损程度等级。通过本发明提高了模型的估计精度与计算的效率，具有更高效率和优势。

权利要求

1.基于启发式规则系统的工业机器人曲柄轴磨损检测方法，其特征在于该方法包括以下各步骤：步骤(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；

步骤(2)将步骤(1)中获取的信号a1(t)求平均值，该平均值作为特征f1(t)，对信号a1(t)求斜率c1(t)，然后求斜率c1(t)的平均值作为特征f2(t)；

步骤(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)]，共计得到T个向量，它们组成的向量集记为P＝{p(t)|t＝1,2,…,T}；

步骤(4)建立启发式规则系统的规则，采用扭矩均值和扭矩导数均值变量f1、f2与磨损程度变量Y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：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；

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，共计产生L＝x1×x2条规则，L≥1，k＝1,2,3,…,L为规则的编号；

式(1)中，Rk后项属性分别为G1,G2,…,GN，并有LY≤G1

其中，式(1)中，设定初始规则权重为θk＝1，初始属性权重δj＝1；

步骤(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：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：

ωk∈[0,1]     (3)

其中，

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，坐标差值的求解如下：(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；

(b)当Aj,c

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其中，mi,k＝ωkλi,k     (7)而λi,k为激活的规则的后项属性的置信度；

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。

说明书

基于启发式规则系统的工业机器人曲柄轴磨损检测方法

技术领域

[0001] 本发明涉及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，属于工业生产安全维护领域。

背景技术

[0002] 随着自动化程度和生产线节拍的提高，高速度、高负荷运转下的工业机器人故障频发，其中机器人曲柄轴磨损的故障发病率最高。由于机器人曲柄轴的曲柄同时作为第二级摆线轮传动的输入与输出，其发生磨损后，对机器人定位精度影响很大，同时伴有异响、抖动等现象，极大降低机器人使用寿命，甚至会产生严重的安全事故。

[0003] 有学者研究，在电机圆柱滚子轴承磨损检测中，采用轮廓检测即将待检圆柱滚子轴承平放在专用工装夹具上，摸索寻找到滚柱最高点，测量滚柱最高点母线的轮廓，评估滚柱承载区域有效取样长度上最高点与最低点的高度差，然后据此高度差判定磨损程度；抑或采用透光检测即用精度较高的直线尺检测轴承滚柱母线，直线尺与轴承滚柱母线平行紧密贴合，对直线尺与轴承滚柱母线间隙进行透光检测，通过透光强弱程度及透光颜色定性判定滚柱表面轮廓的磨损情况。由于曲柄轴形态结构及在整套系统中的作用类似于电机圆柱滚子轴承，故基于轮廓检测及透光检测的电机圆柱滚子轴承磨损检测原理上适用于曲柄轴磨损检测。但从实际工程应用的效率考量，在曲柄轴磨损程度较小时并不影响RV减速机的正常高效运转，此时就停机拆卸曲柄轴进行后续磨损检测在工程上不具备经济适用性。此外，该磨损检测方法对所用工具的精度及制造工艺都有较高要求，且一套工具装备又不具备通用性，研发一套适用于曲柄轴磨损检测的专用工装夹具和直线尺，难度大、成本高，周期长，除却专业级研究实验室之外，在一般公司和工厂推广起来有很大难度。

[0004] 除却以上所述关于轴承磨损的物理检测方法之外，还有基于超声波的轴承磨损的在线检测方法。其原理是主控器脉冲经由发射电路发出以后，极短时间内变为周期性极窄电脉冲，加到探头后，会使得压电片出现脉冲超声波，超声波便会在工件的上下两面进行反射，反射波转化为电信号以后，经由放大器，得到声波在工件上下面传播的时间，从而计算厚度，然后据此厚度加以比较从而判定轴承的磨损程度。该种在线检测方法虽然在一定程度上克服了物理监测方法的繁复，但也引入了新的问题。其未能利用曲柄轴本身的众多可辨识且辨识度更高的输入信号，而是人为的外在引入了主控器脉冲。经实践发现，脉冲大小选择对检测到的磨损程度有很大影响，使得测量结果充满了不确定性，难以保证检测的精度。除此之外，该方法只能在一定的磨损程度范围内检测，同时也无法对曲柄轴磨损程度进行有效合理定级。

[0005] 因此，找到一种既不用另外设计物理检测工具又可在保证精度的同时利用自身信号作为输入且能对故障等级做出精确定级的曲柄轴磨损检测方法就显得尤为关键。故而引入启发式规则系统，以其具有对带有不完整、模糊、概率不确定性、主\客观性以及非线性特征的数据进行建模的能力，经由启发式规则系统实现的知识的表达和基于证据推理算法的知识的推理，建立启发式规则系统描述控制器输入量与输出量之间的复杂非线性关系，然后给出非线性学习模型，解决专家给定初始启发式规则系统参数的优化问题.用训练后启发式规则系统的输出控制被控对象动作，精确的描述输入和输出变量之间非线性的映射关系。

发明内容

[0006] 本发明针对工业机器人伺服电机扭矩特征与RV(Rotate Vector)减速机曲柄轴磨损状态之间存在的不确定性关系，设计一种基于启发性规则系统的检测方法。

[0007] 本发明首先，诊断系统的输入可选取电机扭矩均值和扭矩倒数的均值，输出定为曲柄轴磨损故障等级。其次，利用证据推理(ER)算法融合被输入激活的置信规则后项中的置信结构得到磨损等级。最后，通过某型号工业机器人获取的实测扭矩数据对所提方法进行验证，证明了该方法具有较强的优越性。

[0008] 本发明包括以下各步骤：

[0009] 步骤(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。

[0010] 步骤(2)将步骤(1)中获取的信号a1(t)求平均值,该平均值作为特征f1(t)，对信号a1(t)求斜率，然后求斜率的平均值作为特征f2(t)。

[0011] 步骤(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}。

[0012] 步骤(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：

[0013] Rk:

[0014]

[0015] 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；

[0016] 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；

[0017] 式(1)中，Rk后项属性分别为G1,G2,…,GN，并有LY≤G1

[0018] 其中，式(1)中，设定初始规则权重为θk＝1，初始属性权重δj＝1。

[0019] 步骤(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：

[0020] 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：

[0021]

[0022] ωk∈[0,1]                                         (3)

[0023] 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：

[0024] (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；

[0025] (b)当Aj,c

[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。