工业机器人包括操纵器和控制系统。操纵器包括绕多个接合点彼 此可相对运动的连杆。连杆是诸如底座、手臂、及手腕之类的不同机 器人零件。每个接合点具有接合点元件，如电机、电机齿轮及电机轴 承。操纵器的运动由电机驱动。控制系统包括用来控制操纵器的一个 或多个计算机和驱动单元。连杆的速度和加速度由产生到电机的控制 信号的机器人的控制系统控制。
工业机器人用在工业和商业用途中以进行精确和重复性运动。那 么对于机器人的无故障功能性重要的是，工业机器人根据其标称性能 运行，这意味着连杆和接合点必须处于良好状况并且一起以期望方式 运行。
然而难以检测或确定工业机器人是否根据其标称性能运行。操作 人员，如服务技术员，必须依赖他所看到的和来自控制系统的关于机 器人性能的信息，如从操纵器上的传感器上的读数得到的电机的速度 和位置。操作人员然后基于他个人的经验分析机器人的当前状况，由 于主观估量导致不同的诊断。在多种情况下，分析机器人的当前状况 和性能的操作人员也需要评估来自不同源的信息，不同源如在相同时 刻的不同电机或在其中机器人被布置或甚至面临紧急停止的设施中 的外部条件。为了找到故障的原因，操作人员可能必须尝试不同的假 设，因此消耗时间，并且常常导致机器人的很长的停机时段，导致巨 大成本。
此外由于当今的频繁人员轮换，机器人服务技术人员中的操作人 员没有足够的经验诊断和查出(isolate)机器人性能的故障。
而且，如果引起紧急停止的性能故障发生，则难以查出问题原因 和需要特别注意机器人的什么连杆或零件。
文献Lee S等：“Perception-net based geometric data fusion for state estimation and system self-calibration”，Proceedings of the 1997 IEEE/RSJ international conference on intelligent Robot and Systems， Innovative Robotics for real-world application，IROS’97(Cat.No. 97CH36108)IEEE New York，NY，USA，vol.3，1997，pages 1375a-g， 1376，XP-002449247：0-7803-4119-8，公开了一种基于几何数据融合自 动减小不确定性和校准系统的感测数据和抽取特征中涉及的可能偏 差的方法。感知网，作为系统感测能力的结构代表，连接各种抽象层 次的特征，称作逻辑传感器，使它们的功能关系作为待满足的约束条 件。数据融合呈现为用来计算向前和向后传播的统一框架，通过其该 网实现不确定性的自减少和偏差的自校准。所述文献没有提到关于使 用所进行的状态估计的结果以预测机器人系统的特定元件或整个机 器人系统的残余寿命的任何东西。
文献US 5 819 202公开了一种用来检测控制系统异常的设备。控 制系统的内部性能计算部分基于代表控制系统的位置或速度的命令 值，计算控制系统的内部性能。所述文献没有提到关于使用异常检测 以预测机器人系统的特定元件或整个机器人系统的残余寿命的任何 东西。
文献US 2004/0260481 A1提供了一种用来监视机器的可运动零 件的方法。提供了用来检测不同测量量的至少两个测量装置。比较单 元把测量量的第一测量结果至少与第二测量结果相比较。所述比较不 用来预测机器人系统的特定元件或整个机器人系统的残余寿命。

本发明的一个方面是，提供一种用来自动监视工业机器人的方 法，并且预测机器人的可能故障。所述方面如在独立方法权利要求1 中规定的那样得到。
本发明的其它方面呈现在从属方法权利要求中。
根据在所附权利要求书中所呈现的本发明的方面，可以用状况分 析器监视多个输入信号：
1.检测在输入信号的任何组合中的状况变化。
2.基于在输入信号的任何组合中的信息，辨别检测到的状况变化 的根本原因。
3.基于输入信号的任何组合预测状况劣化。
同样参见图1C。
在工业机器人中产生的多个信号由状况分析器监视。每个信号指 示工业机器人系统的相关性能的状况。工业机器人系统的性能可以涉 及整个机器人系统(一个或多个工业机器人)或机器人系统的零件， 如在机器人系统的零件中的控制器单元或操纵器或元件，如电机、齿 轮箱或通风风扇或甚至元件的零件，如在齿轮箱中的轴承。状况是指 示性能是否表现适当的性能状况。
通过在状况分析器中所述信号的分析，可以完成根据本发明列出 的三种措施。
当机器人操纵器或控制系统的状况由于例如增大的游隙和摩擦 力之类的磨损和/或外部干扰而变化时，输入信号中的任一个可以改变 其信息，于是状况分析器将捕获状况的变化。
本发明的一个目的是：如以上概括描述的那样，在状况分析器中 使用多于一个的状况信号，检测、查出和/或预测机器人操纵器和/或 控制系统的状况。
想法是使用结构方式的冗余性，以在减小虚假警报率和错失警报 率方面获得更准确的结果。
到状况分析器的输入借助于任意数量的多于两个的输入信号，即 携带关于机器人系统状况的信息的信号完成。这里输入信号定义为下 面可选择例的任一个：
1.包括每次测量多于一个样本的信号，即y(k，i，m)，其中k是测 量中的样本编号，i是信号编号，及m是测量编号。这样的信号的例 子是在时间窗口期间测量的来自机器人的转矩或速度。
2.包括对连续信号的每次测量的单一值的信号，即y(i，m)，其中 i是信号编号，并且m是测量编号。这样一种信号例如温度、风扇速 度、摩擦力或游隙。
3.包括每次测量的二进制单一值的信号，即yd(i，m)，其中i是信 号编号，并且m是测量编号。这可以是任意一种二进制信号，如：风 扇开/关、温度高/低、摩擦力高/低。
输入信号可以从机器人控制系统或由任何外部设备或其它诊断 方法得到。状况分析器可以使用可得到的输入信号的任何组合来检 测、查出及预测机器人系统的状况。术语“任何组合，，意味着在分析中 可使用两个、三个、四个、等等、直到所有的所述可得到的输入信号。
得到的且从状况分析器输出的结果能是如下的任何组合：
●检测，即检测机器人系统的状况变化。
●辨别，即查出机器人系统中的状况变化根本原因。
●预测，即预测机器人系统中的状况劣化。
状况分析器还可以设有通知配置，该通知装置设置成如果所描述 的结果中的任一个启动则发出通知。在查出故障的情况下，根本原因 与通知一起发送，并且在预测故障的情况下，元件的剩余时间例如与 通知一起发送。可根据适当的配置进行通知，如在显示器上的消息、 sms、电子邮件、报警灯、电话呼叫、执行的报警、等等，用来对所 述结果的指定接收器报警。还应该理解，状况分析器由硬件和/或软件 单元进行。
信号的所述信号建模可使用例如来自以下组的分析方法：
-选择的输入信号和由所述信号指示的状况的布尔(Boolean)网 络，
-对选择的信号的滤波，如加权由所述信号的选择指示的状况之 和，
-辨别输入信号的组合和/或在输入信号之间的关系的多变量数 据分析(MDA)，及
-多层PCA数据分析手段。
应该理解，所述信号建模分析是对于在工业机器人的技术领域中 的多传感器数据融合创建一般保护的例子。如由本领域的技术人员认 识到的那样，除这里列出的那些之外，用来对所述至少两个输入信号 建模的其它信号建模方法，根据本发明的方面也可应用于所述传感器 数据的融合。
因为本发明提供一种用来自动地监视机器人的当前性能或状况 的简单方法，因此本发明的优点在于，可以克服关于人为判断机器人 性能的缺陷。
附图说明
图1A表示包括操纵器和适于控制机器人的控制系统的工业机器 人。
图1B表示绕接合点彼此可相对运动的两根连杆。
图1C表示根据本发明的方面的状况分析器和与其相关的信号。
图2表示用来监视工业机器人的控制系统的一部分的方块图。
图3表示在多变量数据分析方法中设置的数据点。
图4A以两维表现数据点的曲线。在图中，有四个不同的数据串， 并且通过使用多变量数据分析可以把数据空间划分成不同区。
图4B表现与图4A的例子相对应的数据点的曲线，但其中来自 两个信号的数据点指示得到故障的预测。
图5是关于要对状况分析器中结合的外部传感器信号Vi的预处 理的流程图。
图6表示根据本发明的一个方面的PC-空间中的得分曲线，其表 示可以如何通过建模的使用容易地辨别在系统中的异常行为。
图7描绘根据本发明的整个系统的估计状况严重性因数，其表示 趋势化和预测的系统的剩余寿命时间。

下面描述由附图支持的本发明的多个实施例。
首先，介绍工业机器人系统的概要，以指示由在整个机器人系统 中分布的不同传感器、以及用来向状况分析器提供选择的信号的计算 器组合的输入信号的例子。
图1A表示包括操纵器2和控制系统的工业机器人1的例子。工 业机器人具有绕多个接合点3A、3B、3C、3D相对于彼此可运动的多 根连杆，在这种情况下，绕转动轴线相对于彼此可转动。连杆在这种 情况下是机器人零件，如基架4、机器人手臂6、7、8、及包括旋转 盘的手腕10。工业机器人包括控制连杆的位置和速度的多个电机 12A、12B、12C及12D。以简化方块图的形式示出控制系统。控制系 统在这种情况下包括控制单元20，该控制单元20包括一个或多个逻 辑单元22、存储器单元23及用来控制电机的驱动单元27A、27B、27C、 27D。逻辑单元包括微处理器、或包括中央处理单元(CPU)或现场 可编程门阵列(FPGA)或包含可编程逻辑元件的任何半导体装置的 处理器。控制单元适于运行在存储器单元23中存储的控制程序。控 制单元还适于基于在由逻辑单元22运行的控制程序中的运动指令产 生运动路径。驱动单元27A、27B、27C、27D响应来自控制单元20 的控制信号，通过控制电机电流和电机位置而控制电机。控制单元20 包括输入/输出接口(I/O)30。在机器人上和在机器人周围的环境中， 还布置多个传感器。在操纵器2上和在操纵器2的环境中的传感器经 有线或无线链路32连接到控制单元20的I/O 30上。控制单元20由 此接收包括测量数据MD的信号。测量数据MD可寻址到控制单元、 操纵器、过程应用程序数据、过程质量数据或外部测量装置。控制单 元数据例如可以是通风风扇速度、温度、存储器使用率、电池、I/O 及总线状况等等。过程应用程序数据例如可以是循环时间、电流、流 量及其它测量的过程变量。过程质量数据是测量诸如焊接位置精度、 涂料表面评估等等之类的机器人操作结果的变量。外部测量装置可以 是例如诸如加速表或麦克风或电磁声学发射传感器之类的振动传感 器、陀螺仪、应变仪、诸如照相机或激光器之类的全球定位等等。操 纵器数据例如是电机角度、速度和转矩；电机和齿轮箱温度；连杆角 度、位置和转矩。其它例子是循环时间和能量消耗。
建立接合点的模型。图1B示出了接合点34的模型的这样一种 实施例，其中在此情况下，该模型包括绕接合点34相对彼此可运动 的两根连杆36、38。模型涉及具有转动轴线、线性轴线或两者的混合 的工业机器人。
在机器人模型中，机器人接合点34连接第一连杆36和第二连杆 38。认为第一连杆36相对于第二连杆38运动。在图中，示出第一连 杆36从第一位置P1到第二位置P2的运动，这与角位置qlink相对应。 为得到连杆的角位置qlink，必需变换来自控制连杆的电机的角位置qm 的数据。在这种情况下从电机到连杆的传递的特征在于，连杆和电机 的齿轮比n和转动惯性矩。因此我们使用第一连杆相对于第二连杆的 角位置qlink认为与电机的角位置qm相对应的假设。
qm＝n*qlink                          (1)
在下面描述的方法的实施例中，对于接合点34的测量的数据在 这种情况下包括关于电机的角位置qm、和转矩Tm的信息。电机的速 度qm′和加速度qm″在这种情况下例如使用中心差分计算从角位置qm 导出。
速度＝v＝qm′                        (2)
加速度＝a＝v′＝qm″                 (3)
图2表示用来监视诸如以上描述的工业机器人1之类的工业机器 人的控制系统的一部分。控制系统包括预处理单元39和监视单元40。 预处理单元39用来根据测量数据MD计算状况参数SP。这个单元进 行依据MD的特征改变复杂性的操作。在其中MD包括像电池状况之 类的状况参数的情况下，预处理单元只将数据传递到监视单元。在 MD包括多值信号的其它情况下，预处理可包括多种复数信号处理算 法。应当理解，在图2中表示的控制系统的部分，这里称作“状况分 析器”，图1C包括作为硬件或者软件单元的这些单元39和40。
监视单元40根据本发明是适于监视机器人状况的状况分析器， 其中信号，在这种情况下为状况参数SP，可以是对于状况分析器选择 的输入信号之一。
如叙述的那样，提供给本发明的状况分析器的输入信号可以从机 器人控制系统(如上所述)或由任何外部设备或其它诊断方法得到。 状况分析器可以使用可得到的输入信号的任何组合，以检测、查出及 预测机器人系统的状况。这由状况分析器使用在权利要求7中列出的 方法的任一种进行，为此下面更详细地列出和描述所述方法。还必须 特意指出，称作“状况分析器”的单元(或逻辑电路)不必位于机器人 的控制单元(控制器)中。状况分析器也可以布置在外部布置的装置 中，如PC等中。
方法1：输入信号和状况指示的布尔网络。
在这种实施方式中的前提是：只允许二进制输入，即输入信号是 单一值并且只能是1或0。在这种情况下，二进制信号携带信息好或 不好。作为例子其可以表示：如果在任何测量点处的温度是高则为： “温度高-不好”或者如果在该点处的温度正常则为：“正常-好”。另一 个例子可以是在预定点处的摩擦力的测量，其中如果摩擦力已经增大 得太多，则表示为“摩擦力-不好”或者如果摩擦力在允许范围内则表示 为“正常-好”。
基于在与现有知识的组合中的信号的性质，逻辑方案或网络可用 来检测机器人系统的状况是好还是不好。在下面的表中是其中使用来 自一个机器人接合点的三个信号的例子。在该例子中，存在其中检测 到状况变化的4种情形(情形3、4、7及8)。在两种情形(4和7) 中，查出根本原因。在不使用来自所有三个信号的信息的情况下将是 不可能的。
  情形   判定   齿轮温度   接合点摩擦力   电机温度   1   正常   0   0   0   2   正常   0   0   1   3   检测到故障   0   1   0   4   电机故障   0   1   1   5   正常   1   0   0   6   正常   1   0   1   7   齿轮故障   1   1   0   8   检测到故障   1   1   1
存在产生逻辑方案的不同方式。首先，如在以上例子中那样可使 用现有技术知识。第二，可以使用统计分析和先前故障来识别不同故 障模式。这有时叫做训练。
方法2：选择的信号的加权之和。
与其中使用二进制输入的方法1相反，这种方法使用连续输入信 号。例如，温度值不仅是好或不好，而且使用实际温度值，即作为例 子48℃。
这也可由逻辑网络或主成员分析(PCA)使用，但这里我们使用标 准加权。在下面的公式中，是在网络中可使用的加权和的一般构成。

考虑其中所有输入信号被标准化成在0与1之间(为了表示简单) 的以下例子。

在以上的例子中，信号被组合以检测状况变化。可解释为选择的 权重使得“接合点摩擦力”和至少一个其它信号必须接近一以检测故 障。这将增加检测的可靠性，并且也可用来减少虚假警报的数量。
如果目的是查出故障元件或故障元素，则可以创建多于一个的指 示器值。每个指示器值然后将用来查出不同的故障模式。


如果(I1)＞h1
那么检测到电机故障
否则如果(I2)＞h2
那么检测到齿轮箱故障
在以上例子中，I1用来查出电机故障，而I2用来检测齿轮箱故 障。
这当然可扩展到更一般手段，而这里只是使用其来举例说明如何 使用方法。
方法3：多变量数据分析。
实施状况分析器的另一种方式是使用MDA来辨别对于不同输 入信号的组合和/或关系。在MDA中，以数据点，即[x1，y1；x2，y2，...] 的形式来设置(format)数据，其中x1和y1是在时刻1来自两个信 号的样本。这与其中数据以时间曲线的形式来设置的传统方法不同 (见图3)。
在图4A中表示从两个不同输入信号(两维)取样的数据点的示 例图。在该图中，有四个不同数据串，并且在MDA中，可以把数据 空间划分成不同的区。每个区涉及已知状态，例如，正常操作或故障 X。每个数据点将获得如下特性：
-状态的分类，
-方向(见在图中的箭头)，
-步长(在该方向上的速度)。
通过对每个数据点分类来解决故障的检测和查出，而通过使用数 据点的方向解决预测。如果在预测范围期间数据大致进入故障状态， 则方向将给出信息。通过多变量数据分析的预测的例子表示在图4B 中。在该图中，存在四种不同的状态，一种正常状态和三种故障状态。 黑圆圈代表所有当前可得到的数据点。数据点(填充的圆圈)，已经 按时间顺序记录，即按顺序1、2、3、...、N，其中N在该图中是10。 现在，由数据点历史(1...N)预测未来数据点。在图中，沿箭头的方 向进行预测，并且由图中的黑方块表示四个预测步骤。预测结果是在 预测范围内(四个步骤)将达到故障状态2。如果使用只来自一个信 号的信息，即信号1或信号2，则结果将是，在预测范围内将不会达 到故障状态。在该图中，这用菱形块表示(填充的菱形块是数据点， 并且未填充的菱形块是预测结果)。
方法4：多层PCA数据分析手段。
假定状况分析器接收不同类型的输入数据。输入信号包括任意数 量的外部传感器信号Vn、运动数据Mi及装置数据Dj信号。状况分析 器然后使用不同的算法依据信号和数据类型预处理每个数据。
下面描述这样一种分析的例子(由图5支持)。
在这个例子中，外部信号Vn的预处理，包括信号的整个高频 RMS、峰-峰值、波峰因数及峰度以及峰-平均值的计算。这些变量然 后主要用来训练关于由外部传感器看到的系统的正常行为的主成员 分析(PCA)模型。然后这里每次计算状况严重性因数Q，即在主成员 空间中与正常行为的偏差，于是“新”单值信号描述该系统，如从一种 具体类型的信号的视图看到的那样。这个分析步骤表示在图5中。根 据本发明，所谓的“新”输入信号然后用作到状况分析器的输入信号。
图5是关于要在状况分析器中结合的外部传感器信号Vn的预处 理的流程图。在开始处的图表示为在以后步骤中被处理的信号的例 子。该图作为例子示出来自在工业机器人系统中包括的风扇的外部信 号。在第二行中部的曲线是在主成员空间中的监视的元件的两维中的 得分的说明性例子。
预处理的第二步骤是使用机器人运动数据对摩擦力和游隙测量 结果的估计。对于摩擦力和/或游隙的估计测量结果将是描述从另一种 特定类型的信号视图看到的系统的第二组“新”单值信号。
在一个实施例中，为了得到摩擦力(作为例子)的测量结果的这 样一种估计，其通过使用只有机器人的一个连杆正在运动的假设来进 行。我们解释为测量数据的收集使得依赖于重力的分量彼此抵消。这 将给出较简单的计算。实施例包括：
-在重力的方向上运动所述连杆之一，
-在与重力相反的方向上运动所述连杆之一，
-在连杆的运动期间收集测量数据，
-在收集测量数据的同时保持速度基本上恒定，及
-基于收集的测量数据计算至少一个摩擦力值。
在所述实施例中，当只运动一根连杆从而依赖于重力的分量彼此 抵消时，至少一个摩擦力值是粘性摩擦力(Fv)。
以下公式比如用来求解在第一方向上测量的电机转矩Tmforward 与在相反方向上测量的电机转矩Tmfback之间的差。
Tfric＝[Tmforward-Tmrback(q′m，q)]/2，
其中q′m是转动机器人连杆的电机的速度，并且q是其位置。
这种使用在状况分析器中结合的不同工具的不同类型数据的预 处理，将最后得到对检测和查出故障的特定判定，以及整个系统或在 其中的一个特定元件的剩余寿命的估计。
在图6中，表示了如何可以在PC空间中的得分曲线中容易地辨 别出系统中的异常行为。在这个例子中，装置数据、摩擦力测量结果 以及外部传感器信号的计算的Q因数包括在分析中。可容易地观察 到，某些曲线图也位于例如被分析的元件的正常行为外。
如果有状况的劣化，则由于系统参数变化的残余寿命的预测是可 能的。在这种情况下，Q当前数据和所获得的模型的距离逐渐增大。 因而可以用多项式拟合和用dQ/dt外推给出Q的增大趋势，直到违反 特定的极限。图7描绘给出趋势的整个系统的估计的状况严重性因数， 其表示系统的剩余寿命时间。