Nothing Special   »   [go: up one dir, main page]

CN113165172B - 用于诊断机器人的方法、设备和服务器 - Google Patents

用于诊断机器人的方法、设备和服务器 Download PDF

Info

Publication number
CN113165172B
CN113165172B CN201880099881.3A CN201880099881A CN113165172B CN 113165172 B CN113165172 B CN 113165172B CN 201880099881 A CN201880099881 A CN 201880099881A CN 113165172 B CN113165172 B CN 113165172B
Authority
CN
China
Prior art keywords
signal
sub
server
robot
components
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201880099881.3A
Other languages
English (en)
Other versions
CN113165172A (zh
Inventor
孙何青
张佳帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ABB Schweiz AG
Original Assignee
ABB Schweiz AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ABB Schweiz AG filed Critical ABB Schweiz AG
Publication of CN113165172A publication Critical patent/CN113165172A/zh
Application granted granted Critical
Publication of CN113165172B publication Critical patent/CN113165172B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37493—Use of different frequency band pass filters to separate different signals
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37534—Frequency analysis
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/39—Robotics, robotics to robotics hand
    • G05B2219/39412—Diagnostic of robot, estimation of parameters

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Acoustics & Sound (AREA)
  • General Physics & Mathematics (AREA)
  • Manipulator (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

提出一种用于诊断机器人(110)的方法。该方法包括：获取机器人(110)的旋转部件在机器人(110)的运行期间生成的第一信号，该第一信号至少包括旋转部件的运动信息；对第一信号进行预处理，以滤除第一信号中的运动信息的一部分；将经预处理的第一信号或与关于经预处理的第一信号的频谱信息发送到服务器(130)，以用于诊断机器人(110)；以及从服务器(130)接收第二信号，该第二信号包括诊断信息，该诊断信息指示旋转部件的子部件是否具有故障。还提出一种用于诊断机器人(110)的设备。

Description

用于诊断机器人的方法、设备和服务器
技术领域
本公开的实施例总体上涉及机器人诊断，更具体地涉及用于诊断机器人的方法、设备和服务器。
背景技术
机器人在现代工业中发挥重要作用，因为它们能够比人类工作更快、更精确并且运行时间更长。随着越来越多的机器人自动运行，尽早发现可能导致性能损失甚至工厂停机的故障变得越来越重要，以最大程度地减少对用户操作的影响。
现有技术中的主要解决方案关注于系统级的机器人异常检测，以诊断本地机器人。然而，这些解决方案仅基于本地机器人的历史数据来标识故障源，这使得诊断结果不准确，从而难以令人信服。
另外，现有技术中的其他解决方案通过向远程服务器发送本地机器人的原始数据来提供远程监测。然而，一些用户不愿意共享其机器人数据，这些机器人数据可能是用户商业秘密的一部分。
发明内容
本公开的实施例提出了用于诊断机器人的解决方案。
在第一方面中，本公开的实施例提供了一种用于诊断机器人的方法。该方法包括：获取机器人的旋转部件在机器人的运行期间生成的第一信号，该第一信号至少包括旋转部件的运动信息；对第一信号进行预处理，以滤除第一信号中的运动信息的一部分；将经预处理的第一信号或关于经预处理的第一信号的频谱信息发送到服务器，以用于诊断机器人；以及从服务器接收第二信号，该第二信号包括诊断信息，该诊断信息指示旋转部件的子部件是否具有故障。
在一些实施例中，对第一信号进行预处理包括：在时域中将第一信号分割成多个部分；以及选择多个部分中的至少一个部分以发送到服务器。
在一些实施例中，对第一信号进行预处理包括：以基于旋转部件的速度的采样率对第一信号进行重采样；将经重采样的第一信号分割成多个部分；以及选择多个部分中的至少一个部分以发送到服务器。
在一些实施例中，对第一信号进行预处理包括：确定第一信号的频谱；将频谱分割成多个部分；以及选择多个部分中的至少一个部分以发送到服务器。
在一些实施例中，对第一信号进行预处理包括：确定第一信号的频谱；以及基于旋转部件的子部件的物理特性和速度，从频谱中确定频谱信息，该频谱信息至少包括子部件的频率幅度。
在一些实施例中，运动信息指示以下至少一项：旋转部件的转速、旋转部件的控制电流、旋转部件的扭矩、以及旋转部件的加速度。
在一些实施例中，子部件包括以下至少一个部分：变速箱的齿轮；电机的轴；以及电机或变速箱的轴承。
在第二方面中，本公开的实施例提供了一种用于诊断机器人的方法。该方法包括：接收来自机器人的第一信号或关于第一信号的频谱信息，该第一信号至少包括旋转部件的运动信息；基于所接收的第一信号或所接收的频谱信息来获取旋转部件的子部件的频率幅度；通过比较频率幅度与阈值幅度来检测子部件的故障；以及向机器人发送第二信号，该第二信号包括诊断信息，该诊断信息指示旋转部件的子部件是否具有故障。
在一些实施例中，检测故障包括：响应于频率幅度超过阈值幅度，检测到子部件具有故障。
在一些实施例中，获取频率幅度包括：以基于旋转部件的速度的采样率对所接收的第一信号进行重采样；以及基于所述子部件的物理特性和速度，从经重采样的第一信号的频谱中确定频率幅度。
在一些实施例中，获取频率幅度包括：基于子部件的物理特性和速度，从所接收的频谱信息中确定频率幅度。
在一些实施例中，物理特性包括子部件的一个或多个结构参数和/或一个或多个尺寸参数。
在一些实施例中，阈值幅度根据经验被预先确定。
在一些实施例中，阈值幅度通过机器自学习来确定。
在第三方面中，本公开的实施例提供一种设备。该设备包括控制器和存储器，存储器被耦合到控制器并且存储机器可执行指令，这些机器可执行指令被控制器执行时，使机器人执行动作，这些动作包括：获取机器人的旋转部件在机器人的运行期间生成的第一信号，该第一信号包括旋转部件的运动信息；对第一信号进行预处理，以滤除第一信号中的运动信息的一部分；将经预处理的第一信号或关于经预处理的第一信号的频谱信息发送到服务器，以用于诊断机器人；从服务器接收第二信号，该第二信号包括诊断信息，该诊断信息指示旋转部件的子部件的故障。
在第四方面中，本公开的实施例提供一种服务器。该服务器包括控制器和存储器，存储器被耦合到控制器并且存储机器可执行指令，这些机器可执行指令被控制器执行时，使服务器执行动作，这些动作包括：接收来自机器人的第一信号或关于第一信号的频谱信息，该第一信号至少包括旋转部件的运动信息；基于所接收的第一信号或所接收的频谱信息来获取旋转部件的子部件的频率幅度；通过比较频率幅度与阈值幅度来检测子部件的故障；以及向机器人发送第二信号，该第二信号包括诊断信息，该诊断信息指示旋转部件的子部件是否具有故障。
附图说明
通过以下参考附图的具体实施方式，本文中所公开的实施例的上述和其他目的、特征和优点将变得更加易于理解。在附图中，在示例中以非限制性方式对本文中所公开的实施例进行说明，其中：
图1示出了根据本公开的一些实施例的用于诊断机器人的系统的框图；
图2示出了根据本公开的一些实施例的用于诊断机器人的过程的时序图；
图3示出了根据本公开的一些实施例的在本地设备处执行的用于诊断机器人的方法的流程图；
图4示出了根据本公开的一些实施例的在远程服务器处执行的用于诊断机器人的方法的流程图；
图5示出了根据本公开的一些实施例的在预处理前后的运动信号的波形；以及
图6示出了根据本公开的一些实施例的运动信号的频谱。
在所有附图中，相同或相应的附图标记指代相同或相应的部分。
具体实施方式
现在，参考实施例对本文中所描述的主题进行讨论。仅对这些实施例进行讨论，目的是使得本领域技术人员能够更好地理解并实现本文中所描述的主题，而非暗示对主题范围的任何限制。
术语“包括”或“包含”及其变型要理解为开放术语，其意指“包括但不限于”。除非上下文另外明确指出，否则术语“或”要理解为“和/或”。术语“基于”要理解为“至少部分基于”。术语“可操作为”要意指可以通过由用户或外部机构引起的操作来实现功能、动作、运动或状态。术语“一个实施例”和“一实施例”要理解为“至少一个实施例”。术语“另一实施例”要理解为“至少一个其他实施例”。
除非另外指定或限制，否则术语“安装”、“连接”、“支撑”和“耦合”及其变型被广泛使用，并且涵盖直接和间接安装、连接、支撑和耦合。更进一步地，“连接”和“耦合”不限于物理或机械连接或耦合。在下文的描述中，相似的附图标记和标签用于描述附图中的相同、相似或对应部分。下文可以包含其他定义(无论显式定义还是隐式定义)。
图1示出了根据本公开的一些实施例的用于诊断机器人的系统100的框图。该系统包括工业机器人110、本地设备120、以及远程服务器130。机器人110包括基座111、三个臂112、113、114以及工具抓手115。臂113、114和工具抓手115可以围绕多个关节116a至116c旋转。工业机器人还包括用于驱动臂112、113、114运动的多个致动器117a至117c。每个致动器117a至117c包括电机，电机包括电机轴和传动单元，传动单元被配置为将电机轴的旋转运动传递到关节。每个传动单元包括齿轮和齿轮轴。
工业机器人110连接到用于执行机器人程序的本地设备120，本地设备120包括控制器121和存储器122。存储器122被耦合到控制器121并且存储机器可执行指令。设备120可以被配置为向工业机器人110传输控制信号，以控制工业机器人110的致动器117a至117c的运行，诸如致动器117a至117c中电机的旋转。同时，设备120还可以被配置为从工业机器人110接收反馈信号，以监测并诊断工业机器人110的运行状态。
本地设备120与远程服务器130通信，远程服务器130也包括控制器131和存储器132。存储器132耦合到控制器131并且存储机器可执行指令。服务器130可以包括用于存储从本地设备接收的数据的存储装置。
图2示出了根据本公开的一些实施例的用于诊断机器人的过程200的时序图。为了讨论，将参考图1对过程200进行描述。过程200可以牵涉到如图1所示的本地设备120和远程服务器130。
在210处，设备120获取第一信号。第一信号在机器人110运行期间由机器人110的旋转部件生成，第一信号至少包括旋转部件的运动信息。旋转部件可以是机器人110的致动器117a至117c。运动信息可以指示旋转部件的转速、旋转部件的控制电流、旋转部件的扭矩、或旋转部件的加速度。
第一信号可以是特定关节在致动器117a至117c旋转的时间间隔内的信号。第一信号可以是由机器人110内的传感器测量并且通过机器人110与设备120之间的电缆传输的电压或电流。第一信号还可以由安装在机器人上的外部传感器(例如加速度计)测量。
在220处，设备120对第一信号进行预处理，以滤除第一信号中的运动信息的一部分。以这种方式，用户可以在将原始数据上传到服务器130之前对其进行预处理，以屏蔽或删除原始数据的一部分，以保护用户的商业和技术秘密。
在一些实施例中，对第一信号进行预处理可以包括：在时域中将第一信号分割成多个部分；以及选择多个部分中的至少一个部分以发送到服务器。通过这种方式，可以在时域中实现预处理。
在一些实施例中，对第一信号进行预处理可以包括：以基于旋转部件的速度的采样率对第一信号进行重采样；将经重采样的第一信号分割成多个部分；以及选择多个部分中的至少一个部分以发送到服务器。通过这种方式，可以消除(在加速和减速期间发生的)变速的影响，从而提高频谱分析的可靠性和准确性。
在一些实施例中，对第一信号进行预处理可以包括：确定第一信号的频谱；将频谱分割成多个部分；以及选择多个部分中的至少一个部分以发送到服务器。通过这种方式，可以在频域中实现预处理。
通过(无论是在时域还是在频域)提取第一信号的部分，使得基于上传到服务器的部分不能完全再现第一信号的波形。换句话说，可以屏蔽机器人的运动信息中的一些运动信息。
在一些实施例中，对第一信号进行预处理可以包括：确定第一信号的频谱；以及基于旋转部件的子部件的物理特性和速度，从频谱中确定频谱信息，其中频谱信息至少包括子部件的频率幅度。
通过这种方式，可以仅传输故障诊断所需的频谱信息，从而减少数据传送数量并且保护用户信息。具体地，本地设备120仅需要将频率幅度的值传送到服务器130，从而进一步减少了数据传送数量并且保护了用户信息。
在230处，本地设备120将经预处理的第一信号发送到远程服务器130。
在240处，远程服务器130基于所接收的第一信号或所接收的频谱信息来获取旋转部件的子部件的频率幅度。
在一些实施例中，获取频率幅度可以包括：以基于旋转部件的速度的采样率对所接收的第一信号进行重采样；以及基于子部件的物理特性和速度，从经重采样的第一信号的频谱中确定频率幅度。
可以基于旋转部件的速度来确定采样率。例如，采样率与旋转部件的速度成比例，从而当速度较高时可以获取更多的样本值。这样，可以消除(在加速和减速期间发生的)变速的影响，从而提高频谱分析的可靠性和准确性。频谱可以通过傅立叶变换来确定。
以这种方式，可以直接使用在机器人的正常运行期间获取的运动信号而非来自特定运行模式的运动信号来进行故障诊断，从而避免中断工业生产。
应当理解，上文所描述的获取频谱的方法仅是示例性的，并不旨在限制本公开的范围。例如，当旋转部件的速度不发生变化时，所获取的运动信号可以直接从时域转换到频域，而无需重采样。
在一些实施例中，获取频率幅度包括：基于子部件的物理特性和速度，从所接收的频谱信息中确定频率幅度。
旋转部件可以包括多个子部件，多个子部件可以是变速箱内部的齿轮或轴承、电机的轴或轴承、或者致动器117a至117c中的其他结构部件。物理特性包括子部件的一个或多个结构参数和/或一个或多个尺寸参数。
基于物理分析，旋转部件的每个子部件具有特征频率，该特征频率取决于子部件的结构参数和/或尺寸参数，如齿轮齿数、轴承滚珠数和轴承内/外滚道直径。
特征频率还取决于子部件的转速。例如，齿轮的特征频率可以是k*ω，其中ω是转速，而k是齿轮的结构参数/尺寸参数。
可以预先确定子部件的这种参数，并且将其存储在设备120中。子部件的转速可以通过传感器直接测量，或通过诸如电机的角度位置之类的其他测量数据间接计算。这种测量通常包括在机器人中以用于正常运行，从而不会增加附加成本。
通过子部件的特征频率，可以从频谱中确定与子部件相对应的频率幅度。
在250处，服务器130通过比较频率幅度与阈值幅度来检测子部件的故障。
通过对机器人110的故障分析，每个子部件的频率幅度可以被视为一个指标，该指标指示机器人110中的旋转部件的子部件是否具有故障。
以这种方式，可以检测机器人中的子组件级的故障，从而更准确地确定故障源。因此，可以更早地提示用户执行适当的维修和更换，从而可以延长机器人的寿命。
在一些实施例中，阈值幅度根据经验被预先确定。
在一些实施例中，阈值幅度通过机器自学习来确定。
由于服务器130可能会收集大量数据并且这些数据已经被标识或标记为“好”(无故障)或“坏”(有故障)，所以可以应用诸如神经网络之类的自学习方法以学习针对不同工作条件(如速度和有效载荷)的最佳阈值幅度。
在一些实施例中，检测故障可以包括：响应于频率幅度超过阈值幅度，检测到子部件具有故障。
在260处，远程服务器130向本地设备120发送第二信号。第二信号包括诊断信息，该诊断信息指示旋转部件的子部件是否具有故障。
在从服务器130接收到第二信号之后，本地设备可以例如经由图形用户界面向用户显示诊断结果，从而使得用户在视觉上识别出故障源并且采取适当对策。
图3示出了根据本公开的一些实施例的在本地设备处执行的用于诊断机器人的方法的流程图。
在310处，获取机器人的旋转部件在机器人的运行期间生成的第一信号。第一信号至少包括旋转部件的运动信息。
在320处，对第一信号进行预处理，以滤除第一信号中的运动信息的一部分。
在330处，向服务器发送经预处理的第一信号或关于经预处理的第一信号的频谱信息，以用于诊断机器人。
在340处，从服务器接收第二信号。该第二信号包括诊断信息，诊断信息指示旋转部件的子部件是否具有故障。
图4示出了根据本公开的一些实施例的在远程服务器处执行的用于诊断机器人的方法的流程图。
在410处，接收来自机器人的第一信号或关于该第一信号的频谱信息。第一信号至少包括旋转部件的运动信息。
在420处，基于所接收的第一信号或所接收的频谱信息来获取旋转部件的子部件的频率幅度。
在430处，通过比较频率幅度与阈值幅度来检测子部件的故障。
在440处，向机器人发送第二信号。第二信号包括诊断信息，诊断信息指示旋转部件的子部件是否具有故障。
图5示出了根据本公开的一些实施例的在预处理前后的运动信号的波形。
可以看出，图5中运动信号的波形并不是严格周期性的，而是具有一些波动，例如参考虚线框中的部分。这些波动的源可能是例如负载改变或部件的潜在故障。因此，需要进行诊断分析以确定波动的原因。
为了保护用户的商业和技术秘密，对如图5所示的运动信号的波形进行分割，并且仅将实线标记的部分上传到服务器。
图6示出了根据本公开的一些实施例的运动信号的频谱。可以看出，图6中与一些频率相对应的频率幅度明显高于与其他频率相对应的频率幅度。由于每个子部件都有独自的特征频率，所以可以通过比较与特征频率相对应的频率幅度值与预设阈值幅度值来执行诊断。
例如，图6示出了电机轴承的特征频率f轴承，该特征频率f轴承取决于轴承的结构参数或尺寸参数，诸如滚珠数、轴承滚道的直径以及轴承的转速。通过图6所示的频谱，可以确定与特征频率f轴承相对应的频率幅度A轴承。这种频率幅度A轴承可以用作电机轴承是否具有故障的指标，诸如轴承滚珠或滚道上的裂纹或点蚀。如果频率幅度A轴承超过电机轴承的阈值幅度，则可以确定轴承具有故障。
总体上，本公开的各种实施例可以以硬件(或专用电路)、软件、逻辑或其任何组合来实现。一些方面可以以硬件来实现，而其他方面可以以由控制器、微处理器或其他计算设备执行的固件或软件来实现。尽管本公开的实施例的各个方面被图示和描述为框图、流程图或使用一些其他图形表示，但是应当理解，本文中所描述的框、装置、系统、技术或方法可以以非限制性示例、硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其组合实现。
本公开还提供了至少一个计算机程序产品，该至少一个计算机程序产品有形存储在非暂态计算机可读存储介质上。该计算机程序产品包括计算机可执行指令，诸如程序模块中包括的计算机可执行指令，这些计算机可执行指令在目标真实或虚拟处理器上的设备中执行，以执行如上文参考图3和图4所描述的过程或方法。通常，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、库、对象、类、部件、数据结构等。在实施例中，程序模块的功能性可以在程序模块之间组合或拆分。用于程序模块的机器可执行指令可以在本地设备或分布式设备内执行。在分布式设备中，程序模块可以位于本地存储介质和远程存储介质两者中。
用于执行本公开的方法的程序代码可以以一种或多种编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得该程序代码当由处理器或控制器执行时，使得实现在流程图和/或框图中指定的功能/操作。程序代码可以完全在机器上执行，部分在计算机上执行，作为独立软件包执行，部分在机器上并且部分在远程机器上执行，或完全在远程机器或服务器上执行。
上述程序代码可以体现在机器可读介质上，该机器可读介质可以是包含或存储供指令执行系统、装置或设备使用或与其结合使用的程序的任何有形介质。机器可读介质可以是机器可读信号介质或机器可读存储介质。机器可读介质可以包括但不限于电子、磁性、光学、电磁、红外、或半导体系统、装置或设备、或前述的任何合适组合。机器可读存储介质的更具体示例包括具有一个或多个电线的电连接、便携式计算机软盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPROM或闪存)、光纤、便携式光盘只读存储器(CD-ROM)、光学存储设备、磁性存储设备、或上述的任何合适组合。
进一步地，虽然按特定次序描绘了操作，但这不应理解为要求按所示的特定次序或按顺序次序执行这样的操作，或执行所有图示的操作，以实现期望结果。在某些情况下，多任务和并行处理可能是有利的。同样，虽然上述讨论中包含几个特定的实现细节，但是这些不应被解释为对本公开的范围的限制，而应当被解释为对可以特定于特定实施例的特征的描述。在单独实施例的背景下描述的某些特征还可以在单个实施例中组合实现。另一方面，在单个实施例的背景下描述的各种特征还可以分别在多个实施例中或以任何合适子组合来实现。
尽管已经以特定于结构特征和/或方法动作的语言对主题进行了描述，但是应当理解，所附权利要求书中定义的主题不必局限于上文所描述的特定特征或动作。相反，上文所描述的特定特征和动作被公开为实现权利要求的示例形式。

Claims (28)

1.一种用于诊断机器人的方法，包括：
获取所述机器人的旋转部件在所述机器人的运行期间生成的第一信号，所述第一信号至少包括所述旋转部件的运动信息；
对所述第一信号进行预处理，以滤除所述第一信号中的所述运动信息的一部分，其中对所述第一信号进行预处理包括确定所述第一信号的频谱；
将关于经预处理的第一信号的频谱信息发送到服务器，以用于诊断所述机器人，其中所述频谱信息包括所述旋转部件的子部件的频率幅度，其中所述频率幅度是基于所述子部件的物理特性和所述子部件的速度从经重采样的第一信号的频谱中确定的，其中所述物理特性包括所述子部件的一个或多个尺寸参数；以及
从所述服务器接收第二信号，所述第二信号包括诊断信息，所述诊断信息指示所述旋转部件的子部件是否具有故障。
2.根据权利要求1所述的方法，其中对所述第一信号进行预处理包括：
在时域中将所述第一信号分割成多个部分；以及
选择所述多个部分中的至少一个部分以发送到所述服务器。
3.根据权利要求1所述的方法，其中对所述第一信号进行预处理包括：
以基于所述旋转部件的速度的采样率对所述第一信号进行重采样；
将经重采样的第一信号分割成多个部分；以及
选择所述多个部分中的至少一个部分以发送到所述服务器。
4.根据权利要求1所述的方法，其中对所述第一信号进行预处理包括：
将所述频谱分割成多个部分；以及
选择所述多个部分中的至少一个部分以发送到所述服务器。
5.根据权利要求1所述的方法，其中对所述第一信号进行预处理包括：
基于所述旋转部件的子部件的物理特性和速度，从所述频谱中确定所述频谱信息，所述频谱信息至少包括所述子部件的频率幅度。
6.根据权利要求1所述的方法，其中所述运动信息指示以下至少一项：
-所述旋转部件的转速；
-所述旋转部件的控制电流；
-所述旋转部件的扭矩；以及
-所述旋转部件的加速度。
7.根据权利要求1所述的方法，其中所述子部件包括以下至少一个部分：
-变速箱的齿轮；
-电机的轴；以及
-所述电机或所述变速箱的轴承。
8.一种用于诊断机器人的方法，包括：
接收来自机器人的关于第一信号的频谱信息，所述第一信号至少包括旋转部件的运动信息；
基于所接收的频谱信息来获取所述旋转部件的子部件的频率幅度，其中所述频率幅度是基于所述子部件的物理特性和所述子部件的速度从经重采样的第一信号的频谱中确定的，其中所述物理特性包括所述子部件的一个或多个尺寸参数；
通过比较所述频率幅度与阈值幅度来检测所述子部件的故障；以及
向所述机器人发送第二信号，所述第二信号包括诊断信息，所述诊断信息指示所述旋转部件的所述子部件是否具有故障。
9.根据权利要求8所述的方法，其中检测故障包括：
响应于所述频率幅度超过所述阈值幅度，检测到所述子部件具有故障。
10.根据权利要求8所述的方法，其中获取所述频率幅度包括：
以基于所述旋转部件的速度的采样率对所接收的第一信号进行重采样；以及
基于所述子部件的物理特性和速度，从经重采样的第一信号的频谱中确定所述频率幅度。
11.根据权利要求8所述的方法，其中获取所述频率幅度包括：
基于所述子部件的物理特性和速度，从所接收的频谱信息中确定所述频率幅度。
12.根据权利要求10或11所述的方法，其中所述物理特性包括所述子部件的一个或多个结构参数。
13.根据权利要求8所述的方法，其中所述阈值幅度根据经验被预先确定。
14.根据权利要求8所述的方法，其中所述阈值幅度通过机器自学习来确定。
15.一种设备，包括：
控制器；
存储器，所述存储器被耦合到所述控制器并且存储机器可执行指令，所述机器可执行指令被所述控制器执行时，使机器人执行动作，所述动作包括：
获取所述机器人的旋转部件在所述机器人的运行期间生成的第一信号，所述第一信号包括所述旋转部件的运动信息；
对所述第一信号进行预处理，以滤除所述第一信号中的所述运动信息的一部分，其中对所述第一信号进行预处理包括确定所述第一信号的频谱；
将关于经预处理的第一信号的频谱信息发送到服务器，以用于诊断所述机器人，其中所述频谱信息包括所述旋转部件的子部件的频率幅度，其中所述频率幅度是基于所述子部件的物理特性和所述子部件的速度从经重采样的第一信号的频谱中确定的，其中所述物理特性包括所述子部件的一个或多个尺寸参数；以及
从所述服务器接收第二信号，所述第二信号包括诊断信息，所述诊断信息指示所述旋转部件的子部件的故障。
16.根据权利要求15所述的设备，其中对所述第一信号进行预处理包括：
在时域中将所述第一信号分割成多个部分；以及
选择所述多个部分中的至少一个部分以发送到所述服务器。
17.根据权利要求15所述的设备，其中对所述第一信号进行预处理包括：
以基于所述旋转部件的速度的采样率对所述第一信号进行重采样；以及
将经重采样的第一信号分割成多个部分；以及
选择所述多个部分中的至少一个部分以发送到所述服务器。
18.根据权利要求15所述的设备，其中对所述第一信号进行预处理包括：
将所述频谱分割成多个部分；以及
选择所述多个部分中的至少一个部分以发送到所述服务器。
19.根据权利要求15所述的设备，其中对所述第一信号进行预处理包括：
基于所述旋转部件的子部件的物理特性和速度，从所述频谱中确定所述频谱信息，所述频谱信息至少包括所述子部件的频率幅度。
20.根据权利要求15所述的设备，其中所述运动信息指示以下至少一项：
-所述旋转部件的转速；
-所述旋转部件的控制电流；
-所述旋转部件的扭矩；以及
-所述旋转部件的加速度。
21.根据权利要求15所述的设备，其中所述子部件包括以下至少一个部分：
-变速箱的齿轮；
-电机的轴；以及
-所述电机或所述变速箱的轴承。
22.一种服务器，包括：
控制器；
存储器，所述存储器被耦合到所述控制器并且存储机器可执行指令，所述机器可执行指令被所述控制器执行时，使所述服务器执行动作，所述动作包括：
接收来自机器人的关于第一信号的频谱信息，所述第一信号至少包括旋转部件的运动信息；
基于所接收的频谱信息来获取所述旋转部件的子部件的频率幅度，其中所述频率幅度是基于所述子部件的物理特性和所述子部件的速度从经重采样的第一信号的频谱中确定的，其中所述物理特性包括所述子部件的一个或多个尺寸参数；
通过比较所述频率幅度与阈值幅度来检测所述子部件的故障；以及
向所述机器人发送第二信号，所述第二信号包括诊断信息，所述诊断信息指示所述旋转部件的所述子部件是否具有故障。
23.根据权利要求22所述的服务器，其中检测故障包括：
响应于所述频率幅度超过所述阈值幅度，检测到所述子部件具有故障。
24.根据权利要求22所述的服务器，其中获取所述频率幅度包括：
以基于所述旋转部件的速度的采样率对所接收的第一信号进行重采样；以及
基于所述子部件的物理特性和速度，从经重采样的第一信号的频谱中确定所述频率幅度。
25.根据权利要求22所述的服务器，其中获取所述频率幅度包括：
基于所述子部件的物理特性和速度，从所接收的频谱信息中确定所述频率幅度。
26.根据权利要求24或25所述的服务器，其中所述物理特性包括所述子部件的一个或多个结构参数。
27.根据权利要求22所述的服务器，其中所述阈值幅度根据经验被预先确定。
28.根据权利要求22所述的服务器，其中所述阈值幅度通过机器自学习来确定。
CN201880099881.3A 2018-12-24 2018-12-24 用于诊断机器人的方法、设备和服务器 Active CN113165172B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2018/123237 WO2020132837A1 (en) 2018-12-24 2018-12-24 Method for diagnosing a robot, device and server

Publications (2)

Publication Number Publication Date
CN113165172A CN113165172A (zh) 2021-07-23
CN113165172B true CN113165172B (zh) 2024-09-03

Family

ID=71129473

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880099881.3A Active CN113165172B (zh) 2018-12-24 2018-12-24 用于诊断机器人的方法、设备和服务器

Country Status (4)

Country Link
US (1) US12064882B2 (zh)
EP (1) EP3902658A4 (zh)
CN (1) CN113165172B (zh)
WO (1) WO2020132837A1 (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101114171A (zh) * 2006-07-27 2008-01-30 发那科株式会社 减速器异常诊断方法及减速器异常诊断装置
US9205560B1 (en) * 2013-06-24 2015-12-08 Redwood Robotics, Inc. System and method for failure detection of a robot actuator

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3104839B2 (ja) 1995-01-09 2000-10-30 日本電信電話株式会社 ロボット診断方法
US7162409B2 (en) 1999-12-30 2007-01-09 Sony Corporation Diagnostic system, diagnostic device and diagnostic method
US9104650B2 (en) * 2005-07-11 2015-08-11 Brooks Automation, Inc. Intelligent condition monitoring and fault diagnostic system for preventative maintenance
EP1958738B1 (en) 2007-02-13 2013-08-14 Abb Research Ltd. Remote diagnostic system for robots
US8326582B2 (en) * 2008-12-18 2012-12-04 International Electronic Machines Corporation Acoustic-based rotating component analysis
KR101098556B1 (ko) 2011-01-20 2011-12-26 (주)해피글로벌솔루션 로봇 진단시스템 및 이를 이용한 로봇 진단방법
US20150160101A1 (en) * 2012-05-31 2015-06-11 Canrig Drilling Technology Ltd. Method and System for Testing Operational Integrity of a Drilling Rig
WO2015197141A1 (en) * 2014-10-15 2015-12-30 Grundfos Holding A/S METHOD AND SYSTEM FOR DETECTION OF FAULTS IN PUMP ASSEMBLY VIA HANDHELD COMMUNICATION DEVICe
JP2016179527A (ja) * 2015-03-24 2016-10-13 ファナック株式会社 ロボットの異常診断を行う機能を有するロボット制御装置
WO2016184451A1 (de) 2015-05-21 2016-11-24 Kastanienbaum GmbH Verfahren und vorrichtung zur steuerung/regelung eines aktorisch angetriebenen robotergelenks
CN105095918B (zh) 2015-09-07 2018-06-26 上海交通大学 一种多机器人系统故障诊断方法
CN105415374B (zh) * 2015-12-24 2017-03-08 大连理工大学 基于协同测量的机械手传动单元在线故障诊断系统
KR102266220B1 (ko) * 2016-09-26 2021-06-16 현대중공업지주 주식회사 산업용 로봇의 고장 진단 시스템
CN106599794A (zh) 2016-11-21 2017-04-26 南京熊猫电子股份有限公司 一种基于ar模型的六轴工业机器人故障诊断方法及系统
EP3600799B1 (en) * 2017-03-28 2022-05-04 ABB Schweiz AG Method, apparatus and system for monitoring industrial robot
US10852214B2 (en) * 2017-05-19 2020-12-01 Nutech Ventures Detecting faults in wind turbines
CN108058188B (zh) 2017-11-24 2021-04-30 苏州灵猴机器人有限公司 机器人健康监测和故障诊断系统的控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101114171A (zh) * 2006-07-27 2008-01-30 发那科株式会社 减速器异常诊断方法及减速器异常诊断装置
US9205560B1 (en) * 2013-06-24 2015-12-08 Redwood Robotics, Inc. System and method for failure detection of a robot actuator

Also Published As

Publication number Publication date
US20220024038A1 (en) 2022-01-27
EP3902658A1 (en) 2021-11-03
US12064882B2 (en) 2024-08-20
EP3902658A4 (en) 2022-10-19
CN113165172A (zh) 2021-07-23
WO2020132837A1 (en) 2020-07-02

Similar Documents

Publication Publication Date Title
US9423290B2 (en) Abnormality diagnostic device for rolling bearing, wind turbine generation apparatus and abnormality diagnostic system
US9146175B2 (en) Method and a device for detecting abnormal changes in play in a transmission unit of a movable mechanical unit
KR101889248B1 (ko) 고장 진단 장치 및 고장 진단 방법
JP6657256B2 (ja) 送り軸の異常診断方法及び異常診断装置
WO2016194029A1 (ja) 故障診断装置及び故障診断方法
JP7060078B2 (ja) 異常種別判定装置及び異常種別判定方法
KR20170066099A (ko) 회전체 진단 장치 및 방법
JP2019095346A (ja) 送り軸の異常診断方法及び異常診断装置
CN110785644A (zh) 具有旋转构件的装置的异常原因确定系统
CN114216640A (zh) 用于检测工业设备故障状态的方法、设备和介质
KR101477993B1 (ko) 철도 차량의 진동 모니터링 시스템 및 방법
JP2017122635A (ja) 風力発電設備の異常診断装置
CN113165172B (zh) 用于诊断机器人的方法、设备和服务器
US11835420B2 (en) Method and device for diagnosing a robot
JP6577394B2 (ja) 風力発電設備の異常診断装置
Abusaad et al. Utilizing data from a sensorless AC variable speed drive for detecting mechanical misalignments
US12090649B2 (en) Malfunction detection device and malfunction detection method
KR20230071533A (ko) 로봇 고장 진단 방법, 장치 및 시스템
JP7181162B2 (ja) 診断装置、診断システムおよび診断方法
KR20160087812A (ko) 산업용 시스템을 모니터링하기 위한 방법
Abufroukh Intelligent Health Management for Micro-Scale Wind Turbine Bearings

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant