本发明涉及机器人健康管理及寿命预测领域，尤其涉及了一种多工况自适应的工业机器人健康度评估方法及系统。
背景技术：
近年来，“机器换人”模式在国内制造业向现代化、自动化、智能化转型升级的进程中迅速兴起。伴随着机器人使用数量在国内的快速增长，随之而来的运营、管理、安全、维护、维修等问题变得日益严峻。在以机器人为主的自动化生产线上，由于机器人各类故障而导致的意外停机，或者因性能衰退导致产品质量波动等问题，都会造成巨大的经济损失。因此，如何有效地评估机器人的健康状态并能及时做出有效的预防维护措施就显得至关重要。
预测性维护与健康管理(PHM)技术通过监测生产线上机器人及其部件的运行状态，结合有效的健康度评估方法，一方面能准确感知机器人自身的性能状态，为“视情维修”提供可靠的指标依据，有效解决传统模式中维修不足和维修过度的问题；另一方面，可基于健康度等指标预知状态超前管理，避免故障停机，保障生产系统的稳定运行，进而实现工业生产线上降本、增效、稳质的价值创造目标。在这一技术当中，健康度的评估起到了承上启下的关键作用，所以其评估方法的有效性、准确性和可靠性乃是重中之重。
然而，机器人应用领域广泛，所涉及的作业任务也复杂多样，导致其往往是工作在复杂多变的工况环境下。变化的工况如作业类型、运行速度、负载等信息会耦合在机器人的运行状态参数中，掩盖其真实的性能状态和变化规律。传统的机器人健康度评估方法没有考虑机器人的运行工况数据，无法准确反映机器人自身的真实健康状态，因此得到的评估结果与实际情况相差较大。
技术实现要素：
本发明针对现有技术中工业机器人多工况情形下的健康度准确评估的问题，提供了一种多工况自适应的工业机器人健康度评估方法及系统。
一种多工况自适应的工业机器人健康度评估方法，包括以下步骤：
获取工业机器人各关节的运行状态数据、工况信息数据及机器人相关设计参数数据，对运行状态数据进行处理，得到状态特征数据库，通过给状态特征数据库匹配相应的工况信息数据，得到工况信息数据库；
通过工况信息数据库以及状态特征数据库建立特征与工况参数关联模型，通过关联模型对所述状态特征数据库中的特征数据进行多维度自适应处理，得到工况脱敏的特征数据；
对所述工况脱敏的特征数据进行标准化处理，并结合距离法得到各关节健康度指数；
根据各关节健康度指数和预设的各关节健康度阈值计算机器人整机健康度，并通过机器人整机健康度对机器人的健康状态进行整体评估；
根据所述整机健康度、工况信息数据及设计参数数据对机器人的剩余使用寿命进行预测。
作为一种可实施方式，所述对运行状态数据进行处理是指对所述运行状态数据进行特征提取和特征选择；
所述特征提取包括信号时域和频域的基本特征提取以及经信号经变换、分解处理后的二次特征提取；
所述特征选择是指，将有明确表征意义或倾向的特征，结合其物理意义或者需求进行选择，得到需要的状态特征数据；若需选择无明确表征意义或倾向的特征，则结合主成分分析方法降维进行筛选，得到需要的状态特征数据。
作为一种可实施方式，所述通过工况信息数据库以及状态特征数据库建立特征与工况参数关联模型，通过关联模型对所述状态特征数据库中的特征数据进行多维度自适应处理，得到工况脱敏的特征数据具体步骤包括：
将工况信息数据库中的特征数据分解成相互独立的多个工况参数维度，并在不同维度下建立特征数据库中的各个特征与工况参数的关联模型，记作第一关联模型；
将选定的特征数据匹配到相应工况参数维度下，并根据建立第一关联模型在工况参数维度下进行补偿消除对工况的影响，得到工况脱敏的特征数据。
作为一种可实施方式，所述对所述工况脱敏的特征数据进行标准化处理，并结合距离法得到各关节健康度指数的具体步骤包括：
通过标准化的特征数据计算选定的特征向量到健康基准向量的欧氏距离D，在此，所述健康基准向量是由机器人出厂时处于初始稳定状态的出厂时选定的特征向量对应的标准化特征值数据取均值得到；
通过Sigmoid函数变换得到归一化函数，通过归一化函数对所述欧氏距离D进行归一化处理，得到各关节的健康度指数。
作为一种可实施方式，所述通过Sigmoid函数变换得到归一化函数，所述归一化函数表示为：
其中，w为尺度参数，t为平滑参数，HI表示各关节的健康度指数。
作为一种可实施方式，所述根据各关节健康度指数和预设的各关节健康度阈值计算机器人整机健康度，并通过机器人整机健康度对机器人的健康状态进行整体评估的具体操作为：
通过所述各关节健康度指数构建健康雷达图，并根据健康雷达图的面积结合预设的健康度阈值计算整机健康度，整机健康度表示如下：
其中，HT为预设的健康度阈值，A为当前状态健康度雷达图面积，A1为所有关节健康度均为1时的健康度雷达图的面积，j＝1，2，...表示机器人的关节编号。
作为一种可实施方式，所述根据所述整机健康度、工况信息数据及设计参数数据对机器人的剩余使用寿命进行预测的具体步骤包括：
根据整机健康度以及所述设计参数数据建立剩余使用寿命与整机健康度之间关联模型，记作第二关联模型；
结合各类工况对使用寿命的影响程度以及结合设计参数数据，建立寿命影响度与工况参数间的关联模型，记作第三关联模型；
根据整机健康度数据并结合两个关联模型建立工况参数修正后的剩余使用寿命预测模型，对实际工况下的剩余使用寿命进行预测。
作为一种可实施方式，还包括以下步骤：
更新步骤：状态特征数据库及与其匹配的工况信息数据库能根据机器人的运行状态数据和工况信息数据的增加而不断更新；
自学习步骤：能自学习并优化第一关联模型、第二关联模型以及第三关联模型。
一种多工况自适应的工业机器人健康度评估系统，包括以下模块：
数据获取模块：获取工业机器人各关节的运行状态数据、工况信息数据及机器人相关设计参数数据；
数据处理模块：对运行状态数据进行处理，得到状态特征数据库，通过给状态特征数据库匹配相应的工况信息数据，得到工况信息数据库；
工况自适应处理模块：通过工况信息数据库以及状态特征数据库建立特征与工况参数关联模型，通过关联模型对所述状态特征数据库中的特征数据进行多维度自适应处理，得到工况脱敏的特征数据；
各关节健康度计算模块：对所述工况脱敏的特征数据进行标准化处理，并结合距离法得到各关节健康度指数；
整机健康度评估模块：根据各关节健康度指数和预设的各关节健康度阈值计算机器人整机健康度，并通过机器人整机健康度对机器人的健康状态进行整体评估；
剩余使用寿命预测模块：根据所述整机健康度、工况信息数据及设计参数数据对机器人的剩余使用寿命进行预测；
更新自学习模块：状态特征数据库及与其匹配的工况信息数据库能根据机器人的运行状态数据和工况信息数据的增加而不断更新；能自学习并优化第一关联模型、第二关联模型以及第三关联模型。
本发明由于采用了以上技术方案，具有显著的技术效果：
通过本发明提供一种多工况自适应的工业机器人健康度评估方法和系统，针对工业机器人在不同应用场景下工况复杂多变的情形，进行关联模型自适应处理实现工况脱敏，并完成基于欧氏距离法的健康度计算、评估及结合工况的剩余寿命预测，从而有效提高工业机器人健康度评估及剩余使用寿命预测的准确性，并可通过在线自学习不断提高模型及系统的精度和适应度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的整体流程示意图；
图2是图1的具体流程示意图；
图3是本发明的整体系统结构示意图；
图4是本发明具体实施例中设计的多工况样本的时间序列对应的工况参数变化图；
图5是本发明具体实施例中工业机器人第三关节的RMS值工况自适应处理前后的对比图；
图6a-图6f是具体实施例中对使用时长不同的两台工业机器人在多工况下的健康度评估效果对比；
图7是具体实施例中使用时长不同的两台工业机器人在某工况下的健康度雷达图对比；
图8为本发明具体实施例中一工业机器人在某工况下模拟故障前后的健康度雷达图对比；
图9为本发明具体实施例中一工业机器人在多工况下的剩余使用寿命预测结果。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例1：
一种多工况自适应的工业机器人健康度评估方法，如图1所示，包括以下步骤：
S1、获取工业机器人各关节的运行状态数据、工况信息数据及机器人相关设计参数数据，对运行状态数据进行处理，得到状态特征数据库，通过给状态特征数据库匹配相应的工况信息数据，得到工况信息数据库；
S2、通过工况信息数据库以及状态特征数据库建立特征与工况参数关联模型，通过关联模型对所述状态特征数据库中的特征数据进行多维度自适应处理，得到工况脱敏的特征数据；
S3、对所述工况脱敏的特征数据进行标准化处理，并结合距离法得到各关节健康度指数；
S4、根据各关节健康度指数和预设的各关节健康度阈值计算机器人整机健康度，并通过机器人整机健康度对机器人的健康状态进行整体评估；
S5、根据所述整机健康度、工况信息数据及设计参数数据对机器人的剩余使用寿命进行预测。
更进一步地，在步骤S1中，所述对运行状态数据进行处理是指对所述运行状态数据进行特征提取和特征选择；
所述特征提取包括信号时域和频域的基本特征提取以及经信号经变换、分解处理后的二次特征提取；
所述特征选择是指，将有明确表征意义或倾向的特征，结合其物理意义或者需求进行选择，得到需要的状态特征数据；若需选择无明确表征意义或倾向的特征，则结合主成分分析方法降维进行筛选，得到需要的状态特征数据。
在步骤S2中，所述通过工况信息数据库以及状态特征数据库建立特征与工况参数关联模型，通过关联模型对所述状态特征数据库中的特征数据进行多维度自适应处理，得到工况脱敏的特征数据具体步骤包括：
S21、将工况信息数据库中的特征数据分解成相互独立的多个工况参数维度，并在不同维度下建立特征数据库中的各个特征与工况参数的关联模型，记作第一关联模型，为了便于描述，在此，将Mij表示为第一关联模型，其中，i＝1，2，......，P，为P个所选的特征，j＝1，2，......，K，为K个工况参数维度；
S22、将选定的特征数据匹配到相应工况参数维度下，在此，工况参数维度有K个，并根据建立第一关联模型在K个工况参数维度下进行补偿消除对工况的影响，得到工况脱敏的特征数据，具体表示为：
其中，i＝1，2，......，P，为P个所选的特征，Fi为第i个选定特征值，Vj为第j维对应的工况参数，为第i个选定特征在去除所有工况影响后的值，在此，为即为得到的工况脱敏的特征数据。
在步骤S3中，所述对所述工况脱敏的特征数据进行标准化处理，并结合距离法得到各关节健康度指数的具体步骤包括：
S31、对所述工况脱敏的特征数据进行标准化处理，得到标准化的特征数据，在此，进行标准化处理的目的是消除量纲和量级影响，得到去工况影响后的标准化特征值Si，其中，(i＝1，2，......，P)，更进一步地，标准化处理方法选择了离差标准化，使标准化特征值落在[0,1]区间：
其中，max和min分别为样本数的最大值和最小值；Si表示标准化特征值，为第i个选定特征在去除所有工况影响后的值。
S32、通过标准化的特征数据计算样本向量到健康基准向量的欧氏距离D，在此，所述健康基准向量yB是由机器人出厂时处于初始稳定状态的样本集合对应的标准化特征值数据取均值得到，健康基准向量yB表示为：
其中，初始稳定状态的样本集合为n×P维，n代表样本数，P为特征维数；
欧氏距离D表示为：
其中，y表示样本向量，yB表示健康基准向量；在此，样本向量即为选定的特征向量，样本结合为出厂时选定的一组特征向量；
S33、通过Sigmoid函数变换得到归一化函数，通过归一化函数对所述欧氏距离D进行归一化处理，得到各关节的健康度指数。
在本实施例中，所述通过Sigmoid函数变换得到归一化函数，所述归一化函数表示为：
其中，w为尺度参数，t为平滑参数，HI表示各关节的健康度指数。
在步骤S4中，所述根据各关节健康度指数和预设的各关节健康度阈值计算机器人整机健康度，并通过机器人整机健康度对机器人的健康状态进行整体评估的具体操作为：
通过所述各关节健康度指数构建健康雷达图，并根据健康雷达图的面积结合预设的健康度阈值计算整机健康度，整机健康度表示如下：
其中，HT为预设的健康度阈值，A为当前状态健康度雷达图面积，A1为所有关节健康度均为1时的健康度雷达图的面积，j＝1，2，...表示机器人的关节编号。
更具体地，在步骤S5中，所述根据所述整机健康度、工况信息数据及设计参数数据对机器人的剩余使用寿命进行预测的具体步骤包括：
S51、根据整机健康度以及所述设计参数数据建立剩余使用寿命与整机健康度之间关联模型，记作第二关联模型，用MRUL表示；
S52、结合各类工况对使用寿命的影响程度以及结合设计参数数据，建立寿命影响度与工况参数间的关联模型，记作第三关联模型，用IMj表示，j＝1，2，......，K，为K个工况参数维度；
S53、根据整机健康度数据并结合两个关联模型建立工况参数修正后的剩余使用寿命预测模型，对实际工况下的剩余使用寿命进行预测，更具体地，进而可以在进行剩余寿命预测时依工况修正，使关联预测值更为准确。所述的剩余使用寿命关联预测及依工况修正方法如下：
其中，RUL为工况参数修正后的预测剩余使用寿命，RUL0为不考虑工况影响的基本预测剩余使用寿命，IFj为第j维工况参数维度对使用寿命的影响度，H为步骤S4所得健康度，Parmi为机器人相关设计参数，Vj为第j维对应的工况参数，其中，j＝1,2,...,K，为K个工况参数维度，i＝1,2,...,，为第i个所选的特征。
在此实施例中，还包括以下步骤：
更新步骤：状态特征数据库及与其匹配的工况信息数据库能根据机器人的运行状态数据和工况信息数据的增加而不断更新；
自学习步骤：能自学习并优化第一关联模型Mij、第二关联模型MRUL以及第三关联模型IMj。
一种多工况自适应的工业机器人健康度评估系统，如图3所示，包括以下模块：
数据获取模块1：获取工业机器人各关节的运行状态数据、工况信息数据及机器人相关设计参数数据；
数据处理模块2：对运行状态数据进行处理，得到状态特征数据库，通过给状态特征数据库匹配相应的工况信息数据，得到工况信息数据库；
工况自适应处理模块3：通过工况信息数据库以及状态特征数据库建立特征与工况参数关联模型，通过关联模型对所述状态特征数据库中的特征数据进行多维度自适应处理，得到工况脱敏的特征数据；
各关节健康度计算模块4：对所述工况脱敏的特征数据进行标准化处理，并结合距离法得到各关节健康度指数；
整机健康度评估模块5：根据各关节健康度指数和预设的各关节健康度阈值计算机器人整机健康度，并通过机器人整机健康度对机器人的健康状态进行整体评估；
剩余使用寿命预测模块6：根据所述整机健康度、工况信息数据及设计参数数据对机器人的剩余使用寿命进行预测；
更新自学习模块7：状态特征数据库及与其匹配的工况信息数据库能根据机器人的运行状态数据和工况信息数据的增加而不断更新；能自学习并优化第一关联模型、第二关联模型以及第三关联模型。
具体实施例
以下通过结合实际案例来讲述本发明的技术效果：
此实施例中所述的工业机器人包含两台同型号六轴关节型工业机器人，二者使用年限不同，其他设计参数视为相同。
参照图1和图2，采集的工业机器人的相关设计参数数据包括其设计使用寿命、额定速度、额定负载、使用年限、理论衰退规律参数等，所述的机器人工况信息数据主要包括其实时的整体运行速度和负载，机器人的各关节运行状态数据主要包括各关节的转矩和电流数据；状态特征数据库由各关节的转矩或电流数据经信号时域特征提取和频域特征提取以及特征选择得到。特征选择主要是根据信号变化特点来选择，主要选择的特征为均方根值(RMS)、整流平均值(ARV)、峰峰值(P-P)和标准差(STD)，这些都是前期的数据处理过程，为后续建模和预测做准备。
为了验证本发明所提出的多工况自适应的工业机器人健康评估方法，本实施例中针对六轴关节机型工业机器人设计了速度和负载变化导致的多种工况，该样本的时间序列对应的工况参数变化，如图4所示。
图5给出了该样本的时间序列中第三关节的RMS进行多工况自适应处理前后的对比，可见，在工况自适应处理前，时域特征RMS值受运行速度及所加负载的影响比较大，整体来看，是随速度和负载都呈增长趋势，而且在速度较高时波动增大。在采用本发明所提方法进行自适应工况处理之后，RMS值基本实现了工况的脱敏，但同时保留了高速度时的波动信息，图5中，上方的图示表示没有经过工况自适应处理时的图示，显示的是时域特征RMS值受运行速度及所加负载的影响，下方的图示表示是经过工况自适应处理时的图示，RMS值基本实现了工况的脱敏，但同时保留了高速度时的波动信息。
本实施例中进一步对同型号、同工况、但使用年限不同的两台六轴关节机型工业机器人进行了健康度评估对比，两个样本时间序列对应的工况参数变化如图4所示，图6a-图6e为经步骤S1-S3之后所得的标号为J1-J6的关节健康度指数对比，其中，新购仅使用6个月的工业机器人各关节健康度指数基本接近初始健康基准值，且在工况发生变化时健康度值基本稳定，健康状况良好；另一个是使用30个月的机器人除标号为J4的关节以外其他关节的健康度都有不同程度下降，经过这几个图可以直观体现出其随使用年限增加时的健康度损耗。
图7为两个样本中的标号为J1-J6的关节经过健康度指数计算之后得到的与每个状态相对应的健康度雷达图，健康度雷达图可以表征本发明所提出的方法可有效实现工业机器人的多工况自适应健康度评估。
进一步地，为评估本发明所提出的多工况自适应的工业机器人健康度评估方法在潜在故障状态时的效果，本实施例中通过对所述使用年限6个月的工业机器人在标号为J3的关节进行强力捆绑，模拟简易的故障状态。图8为经步骤S1-S4之后模拟故障前后的健康度对比效果，可见，相比于正常状态，标号为J1、J4、J5、J6关节健康度基本无明显变化，受模拟故障直接影响的标号为J3关节健康度值明显下降，受模拟故障间接影响的标号为J2关节健康度值有小幅度下降，本发明所提方法能有效跟踪并识别工业机器人整体和局部的健康状态。
为验证本发明所提出的多工况自适应的工业机器人健康评估方法对工业机器人整机剩余使用寿命的预测效果，本实施例中针对六轴多关节机型工业机器人在图4所示的多种工况参数下运行，并经步骤S1-S5之后预测其在不同工况下的剩余使用寿命，图9为对应的预测结果，可见，对于设计使用寿命约为15年的六轴多关节型工业机器人，在低速、低负载运行状态下的预测剩余使用寿命同设计使用寿命与实际使用时长间的差值基本一致，表明其寿命预测的有效性，同时，在依图4所示序列变化工况时，对应工况下的剩余使用寿命也会在基本工况的基础上依工况有不同程度衰减，反映出在实际应用环境中工况等参数对工业机器人剩余使用寿命的影响，从而能根据实际应用工况和环境等更为精确地预测工业机器人剩余使用寿命，并进行更为有效的维护排程和预测性维护。
此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。