本发明公开了一种焊接机器人运行与维护的数字孪生系统，涉及精密制造领域，针对现有技术中焊接机器人故障诊断精度不高的问题提出本方案。利用不同方式计算出的第二诊断结果Y’output、拟合结果Y”output与事实发生的健康状态Yreal之间差值情况进行决策值Youtput输出。实时调整决策值输出结果，无需考虑两次保养之间的磨损变化是否线性或者是否可控。提高了焊接机器人的诊断准确率，有效地保证了焊接机器人运行状况的安全，从而避免了焊接机器人意外停机造成的经济损失。
1.一种焊接机器人运行与维护的数字孪生系统，其特征在于，包括云端服务器、工控机、PLC和焊接机器人；所述的云端服务器与工控机网络通讯连接，工控机与PLC总线通讯连接，PLC与焊接机器人有线或无线通讯连接；
所述的PLC获取焊接机器人的所有运行参数作为输入变量矩阵Xinput={x1,x2,…,xn}，获取焊接机器人实时的健康状态Yreal；根据工控机回传的决策值Youtput判断是否停止焊接机器人运作；
所述的工控机用于通过PLC控制焊接机器人工作以及将所述健康状态Yreal和输入变量矩阵Xinput={x1,x2,…,xn}上传至云端服务器；接收云端服务器运算出的决策值Youtput，展示焊接机器人处于正常状态或警示状态或错误状态，对PLC回传决策值Youtput；
所述的云端服务器收到所述健康状态Yreal和输入变量矩阵Xinput={x1,x2,…,xn}后进行以下运算并输出决策值Youtput：
S1、对决策值Youtput初始化，使Youtput={Ynormal, Ywarning, Yfault}={0,0.5,1}；定义焊接机器人转动轴权重K={K1,K2,K3,K4,K5,K6}，且K5>K6>K4>K2>K3>K1；定义变量间权重K’；定义时间权重K”={ K”D, K”M, K”Y }；K”D是日相应的时间权重系数，K”M是月相应的时间权重系数，K”Y是年相应的时间权重系数；
S2、单个输入变量xi会包含多个同种类的值，对输入变量xi的值按大小排序后得到变量矩阵{Vari}，变量矩阵{Vari}与初始矩阵R相乘后得到第一诊断结果{Yi}，计算出di=Vari ‑ Yi；再利用公式 计算出每个种类的输入变量的相关性系数ρxi；其中n是输入变量的个数；
根据相关性系数ρxi对所有变量种类进行排序，筛选出相关性靠前的若干变量PVari并对应附上筛选的标签；计算变量PVari的偏差最大值devi和标准差sdevi；
利用公式PPVari= (K”D KK’+ K”M KK’+ K”Y KK’) *(devi+sdevi)+ PVari得到该变量PVari的修正值PPVari；
根据修正值PPVari利用公式xi=(MAXPPVari +PPVari) / ( 2*MAXPPVari)对具有对应关系的输入变量xi进行赋值；其中MAXPPVari 是焊接机器人运行过程中PPVari出现的最大值；
利用赋值后的输入变量xi与初始矩阵R相乘后得到第二诊断结果Y’output；
S3、对步骤S2中有标签的变量PVari和第二诊断结果Y’output进行有监督的神经网络学习，以验证和修正第二诊断结果，并根据结果调整相关性系数ρxi；
对变量PVari进行时间权重分配转换，得到分别与日月年时间单位对应的三个异常变量abD、abM和abY；
经网络处理，得到拟合结果Y’’output；N是给定的同类型变量用于分析的数量总量；
S4、第二诊断结果Y’output、拟合结果Y’’output分别计算与健康状态Yreal之间的差值，选择最小的差值作为决策值Youtput输出。
一种焊接机器人运行与维护的数字孪生系统
技术领域
[0001] 本发明涉及一种焊接机器人运行与维护的数字孪生系统。
背景技术
[0002] 现有的焊接机器人系统的维护策略往往是进行定期维护，即是根据焊接机器人或非标设备的运行时间进行保养和重新标定等。这个策略的弊端在于，处于恶劣工作加工环
境下的设备可能会在定期保养时间前就已经出现各种磨损等异常。而且，现有市面上的绝
大多数本地运维软件或者网页版软件只是对设备数据进行简单的处理，根据误差大小来设
置报警是最常用的方式。而且两次保养之间，焊接机器人的加工精度是非线性或者非其他
已知函数的方式下降，下降情况根本无法预判。应用在精细化加工的时候，其精度不可估不
可控的情况是无法接受的。
发明内容
[0003] 本发明目的在于提供一种焊接机器人运行与维护的数字孪生系统，以解决上述现有技术存在的问题。
[0004] 本发明所述焊接机器人运行与维护的数字孪生系统，包括云端服务器、工控机、PLC和焊接机器人；所述的云端服务器与工控机网络通讯连接，工控机与PLC总线通讯连接，
PLC与焊接机器人有线或无线通讯连接；
[0005] 所述的PLC获取焊接机器人的所有运行参数作为输入变量矩阵Xinput={x1,x2,…,xn}，获取焊接机器人实时的健康状态Yreal；根据工控机回传的决策值Youtput判断是否停止焊
接机器人运作；
[0006] 所述的工控机用于通过PLC控制焊接机器人工作以及将所述健康状态Yreal和输入变量矩阵Xinput={x1,x2,…,xn}上传至云端服务器；接收云端服务器运算出的决策值Youtput，
展示焊接机器人处于正常状态或警示状态或错误状态，对PLC回传决策值Youtput；
[0007] 所述的云端服务器收到所述健康状态Yreal和输入变量矩阵Xinput={x1,x2,…,xn}后进行以下运算并输出决策值Youtput：
[0008] S1、对决策值Youtput初始化，使Youtput={Ynormal, Ywarning, Yfault}={0,0.5,1}；定义焊接机器人转动轴权重K={K1,K2,K3,K4,K5,K6}，且K5>K6>K4>K2>K3>K1；定义变量间权重K’；定义
时间权重K”={ K”D, K”M, K”Y }；其中K”D是日相应的时间权重系数，K”M是月相应的时间权
重系数，K”Y是年相应的时间权重系数；
[0009] S2、单个输入变量xi会包含多个同种类的值，对输入变量xi的值按大小排序后得到变量矩阵{Vari}，变量矩阵{Vari}与初始矩阵R相乘后得到第一诊断结果{Yi}，计算出di=
Vari ‑ Yi；再利用公式 计算出每个种类的输入变量的相关性系数ρxi；其中n
是输入变量的个数；
[0010] 根据相关性系数ρxi对所有变量种类进行排序，筛选出相关性靠前的若干变量PVari并对应附上筛选的标签；计算变量PVari的偏差最大值devi和标准差sdevi；
[0011] 利用公式PPVari= (K”D KK’+ K”M KK’+ K”Y KK’) *(devi+sdevi)+ PVari得到该变量PVari的修正值PPVari；
[0012] 根据修正值PPVari利用公式xi=(MAXPPVari +PPVari) / ( 2*MAXPPVari)对具有对应关系的输入变量xi进行赋值；其中MAXPPVari 是焊接机器人运行过程中PPVari出现的最
大值；
[0013] 利用赋值后的输入变量xi与初始矩阵R相乘后得到第二诊断结果Y’output；
[0014] S3、对步骤S2中有标签的变量PVari和第二诊断结果Y’output进行有监督的神经网络学习，以验证和修正第二诊断结果，并根据结果调整相关性系数ρxi；
[0015] 对变量PVari进行时间权重分配转换，得到分别与日月年时间单位对应的三个异常变量abD、abM和abY；
[0016] 利用公式 进行时间尺度信号的神经网络处理，得到拟合结果Y’’output；
[0017] S4、第二诊断结果Y’output、拟合结果Y’’output分别计算与健康状态Yreal之间的差值，选择最小的差值作为决策值Youtput输出。
[0018] 本发明所述焊接机器人运行与维护的数字孪生系统，其优点在于，实时调整决策值输出结果，无需考虑两次保养之间的磨损变化是否线性或者是否可控。提高了焊接机器
人的诊断准确率，有效地保证了焊接机器人运行状况的安全，从而避免了焊接机器人意外
停机造成的经济损失。
附图说明
[0019] 图1是本发明所述焊接机器人运行与维护的数字孪生系统的结构示意图。
[0020] 附图标记：J1至J6是焊接机器人的第一至第六轴。
具体实施方式
[0021] 如图1所示，本发明所述焊接机器人运行与维护的数字孪生系统包括云端服务器、工控机、PLC和焊接机器人。所述的云端服务器与工控机网络通讯连接，工控机与PLC总线通
讯连接，PLC与焊接机器人有线或无线通讯连接。
[0022] 云端服务平台实时调用本地运维软件采集的数据，并把数据仓储在云端服务器。本地运维软件安装在工控机上，根据现场设备的情况，设定数据分析时间间隔T，以及给定
的同类型变量用于分析的数量总量N。
[0023] 所有影响变量的组合为输入变量矩阵Xinput={x1,x2,…,xn}，PLC的输出为不同程度等级的决策值Youtput={Ynormal, Ywarning, Yfault}，由多变量输入到决策值输出之间的焊接机
器人系数的初始矩阵为R，由厂家给定。输入到输出的表达式如公式（1）所示：
[0024] (1)
[0025] 焊接机器人的第五轴为重力轴，第五轴的惯量比最大，为焊接机器人最薄弱的环节，是影响焊接机器人末端振动的最大因素，相对来说第四轴和第六轴影响较小。此外，第
二轴和第三轴也有影响，但第二轴的影响因素更为明显。因此，赋予各个轴不一样的权重K=
{K1,K2,K3,K4,K5,K6}，(0K6>K4>K2>K3>K1。
[0026] 此外，影响焊接机器人加工性能的因素有很多，例如电流I，负载重量M，运行速度V，外部的焊头长度H等，不同类型变量之间的权重系数K’= {K’I, K’M, K’V, K’H}，(01，i=I,M,V,H)。
[0027] 焊接机器人部件的健康状况会反映在不同的时间尺度上，分别有日、月、年，相应时间的权重系数为K”={ K”D, K”M, K”Y }，(0权重系数数值则越大。具体地，K”D是日相应的时间权重系数，K”M是月相应的时间权重系数，
K”Y是年相应的时间权重系数。
[0028] 为进一步筛选出有用的变量用于分析，对同类型的变量进行相关性分析，第i个输入变量采集的数值按照大小顺序排列为{Vari}，相应的第一诊断结果为{Yi}。计算di=Vari
‑ Yi，n为该输入变量的个数。通过对各种同类型的变量进行相关性分析，得到的相关性系
数ρxi，如公式（2）所示：
[0029] (2)
[0030] 对得到的各个相关性系数ρxi依次进行排序，从而挑选出影响较大的变量进行下一步的分析处理并对应附上筛选的标签。同时去掉一些影响较小的变量，达到变量筛选的目
的，其中n是输入变量的个数。
[0031] 针对同类型的变量，运行过程中出现的最大值为VarMax，理论均值为 ，变量偏差的最大值 ，各个变量的标准差的计算公式为：
[0032] 。
[0033] 经过相关性筛选后的某个具体变量为PVari，其偏差最大值为devi，标准差为sdevi，结合误差分析和各种权重系数，得到的修正数值为PPVari，如公式（3）所示：
[0034] PPVari= (K”D KK’+ K”M KK’+ K”Y KK’) *(devi+sdevi)+ PVari (3)
[0035] 对得到的修正数值进行归一化处理，用于加快数据计算时间。MAXPPVari为PPVari的最大值，从而得到公式（1）中的变量值xi，如公式（4）所示：
[0036] xi=(MAXPPVari +PPVari) / ( 2*MAXPPVari) (4)
[0037] 焊接机器人系数的初始矩阵R由厂家提供，因此，可以基于公式（1）计算出第二诊断结果Y’output。
[0038] 同时，对进行相关性分析后的有标签的数据和结果进行有监督的神经网络学习，用于验证和修正上述步骤得到的初步诊断结果。从而对上述的相关性系数进行有效的调
整。经过对相关性筛选后的变量PVari进行日、月、年时间单位的转换，分别得到相应的三个
异常变量abD、abM和abY。这三个不同的时间尺度信号进行神经网络模型的数据处理，如公式
（5）所示：
[0039] (5)
[0040] 使用公式（5）得到的数值结合相对应的焊接机器人真实状态的标签，一起代入经典的卷积神经网络处理模块得到测试的新样本的预测结果值，同时也可以得到理想的拟合
结果Y’’output。可用与真实情况发生的健康状态Yreal进行相应的比对。
[0041] 令初始值Youtput={Ynormal, Ywarning, Yfault}={0,0.5,1}，同时分别计算Y’output、Y’’output和Yreal之间的差值，选择最小的差值为决策值输出。
[0042] 可得到准确的焊接机器人状况诊断结果，大大方便控制后台的管理者进行设备的维护决策。
[0043] 初步的实验结果显示，现有传统的误差分析方法得到的实验结果精度为78%，本发明方法的准确率达97%，大大提高了设备的诊断准确率，有效地保证了设备运行状况的安
全，从而避免了设备意外停机造成的经济损失。
[0044] 对于本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范
围之内。
