本發(fā)明涉及設(shè)備監(jiān)測，更具體的，涉及一種基于數(shù)字孿生的工業(yè)機器人健康狀態(tài)監(jiān)測方法及監(jiān)測系統(tǒng)。

背景技術(shù)：

1、工業(yè)機器人等高端數(shù)控裝備是我國實現(xiàn)制造業(yè)轉(zhuǎn)型升級、實現(xiàn)智能制造的基礎(chǔ)。對于工業(yè)機器人，可靠性決定了其工作效率以及加工產(chǎn)品的質(zhì)量，隨著設(shè)備服役時間的增加，其關(guān)鍵零部件會產(chǎn)生不同程度的退化甚至故障，影響工作效率以及產(chǎn)品的加工質(zhì)量。工業(yè)機器人出現(xiàn)故障還會導致長時間的停機檢修與零件更換，降低車間生產(chǎn)效率，嚴重時甚至造成人身安全問題。因此為了避免設(shè)備故障造成的經(jīng)濟損失與安全問題，需要通過狀態(tài)監(jiān)測技術(shù)獲取設(shè)備在運行過程中的狀態(tài)數(shù)據(jù)，并通過分析數(shù)據(jù)評估設(shè)備的健康狀態(tài)、預測故障的發(fā)展趨勢，在故障發(fā)生之前及時地制定相應(yīng)的維修與維護策略，不僅能夠節(jié)約成本、避免故障的發(fā)生，還能夠延長設(shè)備的服役時間。

2、目前，數(shù)字孿生作為實現(xiàn)智能制造的手段成為了研究的熱點，數(shù)字孿生技術(shù)通過感知數(shù)據(jù)將物理實體與其高保真虛擬模型相結(jié)合，開展運維、監(jiān)測、評估、預測等工作，實現(xiàn)對數(shù)控裝備的全生命周期管理。數(shù)字孿生技術(shù)不僅是實現(xiàn)智能制造的關(guān)鍵，還能夠在此基礎(chǔ)上開展設(shè)備的狀態(tài)監(jiān)測、健康評估、故障預警等相關(guān)應(yīng)用，從而實現(xiàn)對設(shè)備服役過程中進行監(jiān)管，在保證設(shè)備服役過程穩(wěn)定的同時，能夠及時地制定和開展維護，從而提高設(shè)備的使用可靠性，降低計劃外停機損失。因此，如何全面表征工業(yè)機器人的健康狀態(tài)，提高監(jiān)測準確率是亟需解決的問題。

技術(shù)實現(xiàn)思路

1、為了解決上述技術(shù)問題，本發(fā)明提出了一種基于數(shù)字孿生的工業(yè)機器人健康狀態(tài)監(jiān)測方法及監(jiān)測系統(tǒng)，目的是通過多源異構(gòu)數(shù)據(jù)對工業(yè)機器人進行全面準確的健康狀態(tài)評估，解決數(shù)據(jù)來源單一、評估不全面的問題，使監(jiān)測結(jié)果更加精準可靠。

2、本發(fā)明第一方面提供了一種基于數(shù)字孿生的工業(yè)機器人健康狀態(tài)監(jiān)測方法，包括以下步驟：

3、根據(jù)工業(yè)機器人的物理實體構(gòu)建三維仿真模型，利用多傳感器采集工業(yè)機器人的實時狀態(tài)數(shù)據(jù)，將所述實時狀態(tài)數(shù)據(jù)與所述三維仿真模型匹配對齊構(gòu)建工業(yè)機器人的數(shù)字孿生模型；

4、對所述數(shù)字孿生模型進行自適應(yīng)模型參數(shù)更新，通過自適應(yīng)模型參數(shù)更新后的數(shù)字孿生模型獲取孿生數(shù)據(jù)，將所述孿生數(shù)據(jù)與實時狀態(tài)數(shù)據(jù)進行數(shù)據(jù)融合，生成多源異構(gòu)數(shù)據(jù)集；

5、在所述多源異構(gòu)數(shù)據(jù)集中進行特征提取，獲取能夠表征工業(yè)機器人健康狀態(tài)的特征數(shù)據(jù)；

6、利用所述特征數(shù)據(jù)構(gòu)建工業(yè)機器人的健康指標，并劃分健康狀態(tài)等級，基于深度置信網(wǎng)絡(luò)構(gòu)建健康狀態(tài)評估模型，獲取當前健康指標參數(shù)作為模型輸入，得到工業(yè)機器人健康狀態(tài)評估結(jié)果。

7、本方案中，構(gòu)建工業(yè)機器人的數(shù)字孿生模型，具體為：

8、獲取工業(yè)機器人的構(gòu)件物理實體構(gòu)建物理空間，繪制所述構(gòu)件物理實體的三維模型，將所述三維模型進行拼裝組合建立工業(yè)機器人的三維仿真模型，并通過預設(shè)的多個傳感器進行工業(yè)機器人實時狀態(tài)數(shù)據(jù)的多維度獲??；

9、使用通信接口傳輸工業(yè)機器人物理實體的實時狀態(tài)數(shù)據(jù)，將獲取的實時狀態(tài)數(shù)據(jù)進行轉(zhuǎn)換與封裝，并進行數(shù)據(jù)結(jié)構(gòu)化預處理；

10、獲取工業(yè)機器人的歷史故障數(shù)據(jù)，將所述歷史故障數(shù)據(jù)進行預處理，并使用聚類算法對預處理后的歷史故障數(shù)據(jù)進行聚類，獲取基于故障類型的聚類類簇，根據(jù)各個聚類類簇對應(yīng)的故障構(gòu)件及故障參數(shù)生成關(guān)鍵監(jiān)測特征；

11、通過關(guān)鍵監(jiān)測特征對應(yīng)的聚類類簇訓練與所述三維仿真模型各構(gòu)件部分對應(yīng)的故障虛擬模型，利用所述故障虛擬模型學習工業(yè)機器人的故障機理，利用所述三維仿真模型及故障虛擬模型構(gòu)建孿生空間；

12、使用預處理后的實時狀態(tài)數(shù)據(jù)將所述物理空間與所述孿生空間相連接，實現(xiàn)實時狀態(tài)數(shù)據(jù)與三維仿真模型的匹配對齊，通過數(shù)據(jù)驅(qū)動進行模型融合，實現(xiàn)工業(yè)機器人的數(shù)字數(shù)映射，構(gòu)建工業(yè)機器人的數(shù)字孿生模型。

13、本方案中，通過關(guān)鍵監(jiān)測特征對應(yīng)的聚類類簇訓練與所述三維仿真模型各構(gòu)件部分對應(yīng)的故障虛擬模型，具體為：

14、將關(guān)鍵監(jiān)測特征對應(yīng)的聚類類簇中的歷史故障數(shù)據(jù)作為訓練樣本，將所述訓練樣本導入alexnet網(wǎng)絡(luò)，通過不同尺寸的卷積核進行特征提取，并利用激活函數(shù)進行激活計算；

15、利用池化層采用下采樣的方法降低特征維度，將降維后的特征導入全連接層采用softmax函數(shù)獲取多類樣本標簽的概率分布；

16、通過訓練更新alexnet網(wǎng)絡(luò)的模型參數(shù)，采用學習率自適應(yīng)的adam進行權(quán)值參數(shù)優(yōu)化，在驗證alexnet網(wǎng)絡(luò)的分類性能后保留網(wǎng)絡(luò)參數(shù)，輸出故障虛擬模型。

17、本方案中，對所述數(shù)字孿生模型進行自適應(yīng)模型參數(shù)更新，具體為：

18、在構(gòu)建的工業(yè)機器人數(shù)字孿生模型中，對關(guān)鍵監(jiān)測特征進行數(shù)據(jù)更新，獲取各關(guān)鍵監(jiān)測特征對應(yīng)的參數(shù)變量，生成多變量集合，基于所述多變量集合初始化麻雀算法參數(shù)；

19、初始化麻雀種群及最大迭代次數(shù)，根據(jù)參數(shù)變量的實測值與數(shù)字孿生模型的輸出的孿生數(shù)據(jù)值的誤差構(gòu)建目標函數(shù)，將所述目標函數(shù)映射為適應(yīng)度函數(shù)，計算每只麻雀的適應(yīng)度，作為當前的最優(yōu)值；

20、根據(jù)適應(yīng)度基于預設(shè)比例選取麻雀作為發(fā)現(xiàn)者，剩余麻雀作為加入者，進行位置更新，并基于預設(shè)警戒者比例隨機選擇警戒者，進行位置更新，更新后重新計算每只麻雀的適應(yīng)度；

21、引入混沌算法對當前麻雀的適應(yīng)度進行混沌化處理，并借助差分思想確定最優(yōu)位置移動方向，指引麻雀進行位置更新，通過迭代位置更新，直到達到最大迭代次數(shù)獲取參數(shù)變量的最優(yōu)解；

22、根據(jù)各個關(guān)鍵監(jiān)測特征對應(yīng)參數(shù)變量的最優(yōu)值配置數(shù)字孿生模型，反應(yīng)工業(yè)機器人各部件的退化程度。

23、本方案中，在所述多源異構(gòu)數(shù)據(jù)集中進行特征提取，獲取能夠表征工業(yè)機器人健康狀態(tài)的特征數(shù)據(jù)，具體為：

24、調(diào)用alexnet網(wǎng)絡(luò)對所述多源異構(gòu)數(shù)據(jù)集進行卷積、池化及全連接操作，獲取全連接輸出的一維特征向量序列，獲取一維特征向量序列中各特征向量與工業(yè)機器人健康狀態(tài)的皮爾遜相關(guān)系數(shù)，根據(jù)相關(guān)程度選取預設(shè)數(shù)量的特征向量；

25、在選取的特征向量集中設(shè)置近鄰個數(shù)k，計算特征向量之間的皮爾遜相關(guān)系數(shù)，根據(jù)近鄰個數(shù)選取數(shù)值最小的前k個特征向量，生成各特征向量對應(yīng)的特征數(shù)據(jù)集；

26、將特征向量對應(yīng)的特征數(shù)據(jù)集進行取交集操作獲取能夠表征工業(yè)機器人健康狀態(tài)的特征數(shù)據(jù)。

27、本方案中，利用所述特征數(shù)據(jù)構(gòu)建工業(yè)機器人的健康指標，并劃分健康狀態(tài)等級，基于深度置信網(wǎng)絡(luò)構(gòu)建健康狀態(tài)評估模型，具體為：

28、根據(jù)獲取的特征數(shù)據(jù)構(gòu)建工業(yè)機器人的健康指標，獲取工業(yè)機器人的歷史運維實例，基于所述歷史運維實例進行聚類劃分，生成不同健康狀態(tài)的歷史運維實例數(shù)據(jù)集，根據(jù)其平均健康狀態(tài)劃分健康狀態(tài)等級；

29、基于深度置信網(wǎng)絡(luò)構(gòu)建健康狀態(tài)評估模型，在所述健康狀態(tài)評估模型中引入dropout防止過擬合，根據(jù)歷史運維實例獲取健康指標在正常健康狀態(tài)下的特征數(shù)據(jù)集，生成訓練數(shù)據(jù)；

30、初始化深度置信網(wǎng)絡(luò)，利用粒子群算法進行受限玻爾茲曼機層數(shù)的尋優(yōu)，根據(jù)受限玻爾茲曼機層數(shù)的最優(yōu)解將受限玻爾茲曼機層數(shù)堆疊；

31、將訓練數(shù)據(jù)從底層到頂層進行逐層訓練，通過對權(quán)值的迭代更新生成深層非線性映射能力的深度架構(gòu)，將提取的特征從頂層到底層進行傳輸，獲取輸入訓練數(shù)據(jù)對應(yīng)的重構(gòu)數(shù)據(jù)；

32、根據(jù)重構(gòu)數(shù)據(jù)與輸入訓練數(shù)據(jù)的誤差最小原則訓練健康狀態(tài)評估模型，獲取重構(gòu)數(shù)據(jù)與訓練數(shù)據(jù)的平均誤差設(shè)置健康狀態(tài)閾值。

33、本方案中，利用健康狀態(tài)評估模型得到工業(yè)機器人健康狀態(tài)評估結(jié)果，具體為：

34、基于健康指標采集當前工業(yè)機器人的健康指標參數(shù)，將所述健康指標參數(shù)導入健康狀態(tài)評估模型作為模型輸入，對所述健康指標參數(shù)進行數(shù)據(jù)重構(gòu)；

35、獲取重構(gòu)數(shù)據(jù)與健康指標參數(shù)的誤差，利用所述誤差與健康狀態(tài)閾值進行對比，通過對比結(jié)果生成工業(yè)機器人的健康狀態(tài)評估結(jié)果，當所述健康狀態(tài)評估結(jié)果為異常健康狀態(tài)時則生成健康狀態(tài)異常告警。

36、本發(fā)明第二方面提供了一種基于數(shù)字孿生的工業(yè)機器人健康狀態(tài)監(jiān)測系統(tǒng)，該系統(tǒng)包括：數(shù)據(jù)采集及預處理模塊，數(shù)字孿生體模塊、多源數(shù)據(jù)融合模塊、健康狀態(tài)評估模塊及健康狀態(tài)輸出及可視化模塊；

37、所述數(shù)據(jù)采集及預處理模塊利用多傳感器采集工業(yè)機器人的實時狀態(tài)數(shù)據(jù)，并將采集的實時狀態(tài)數(shù)據(jù)進行預處理；

38、所述數(shù)字孿生體模塊根據(jù)工業(yè)機器人的物理實體構(gòu)建三維仿真模型，將所述三維仿真模型匹配采集的實時狀態(tài)數(shù)據(jù)并進行數(shù)據(jù)對齊，構(gòu)建工業(yè)機器人的數(shù)字孿生模型，通過對數(shù)字孿生模型進行自適應(yīng)模型參數(shù)更新，保持與物理實體的退化狀態(tài)一致；

39、所述多源數(shù)據(jù)融合模塊將數(shù)字孿生模型輸出孿生數(shù)據(jù)與實時狀態(tài)數(shù)據(jù)進行數(shù)據(jù)融合，生成多源異構(gòu)數(shù)據(jù)集；

40、所述健康狀態(tài)評估模塊利用特征選擇在所述多源異構(gòu)數(shù)據(jù)集中獲取能夠表征工業(yè)機器人健康狀態(tài)的特征數(shù)據(jù)；利用所述特征數(shù)據(jù)構(gòu)建工業(yè)機器人的健康指標，并劃分健康狀態(tài)等級，建立健康狀態(tài)評估模型，利用訓練后的健康狀態(tài)評估模型獲取工業(yè)機器人健康狀態(tài)評估結(jié)果；

41、所述健康狀態(tài)輸出及可視化模塊將健康狀態(tài)評估模塊輸出工業(yè)機器人健康狀態(tài)評估結(jié)果進行三維可視化顯示，并根據(jù)健康狀態(tài)評估結(jié)果進行異常告警。

42、與現(xiàn)有技術(shù)相比，本公開的有益效果為：

43、本發(fā)明融合振動數(shù)據(jù)、電氣數(shù)據(jù)等多源異構(gòu)數(shù)據(jù)，挖掘數(shù)據(jù)之間的特征關(guān)系，得到能夠反映工業(yè)機器人健康狀態(tài)的老化參數(shù)，結(jié)合數(shù)字孿生對工業(yè)機器人的健康狀態(tài)進行監(jiān)測評估，為工業(yè)機器人狀態(tài)監(jiān)測和維護提供了可靠的參考依據(jù)。

44、本發(fā)明提出了基于改進的麻雀算法的模型自適應(yīng)更新方法，精細化反應(yīng)工業(yè)機器人的退化狀態(tài)。另外，通過多源異構(gòu)數(shù)據(jù)對工業(yè)機器人進行全面準確的健康狀態(tài)評估，解決數(shù)據(jù)來源單一、評估不全面的問題，使監(jiān)測結(jié)果更加精準可靠。