摘要
工业机器人作为现代制造业中最重要的生产工具之一，能够通过先进的传感器和控制系统来实现高度自动化的制造，极大提高了生产效率。随着机器人运行时间的增加，机器人故障风险也会增大，一旦运行异常，企业将会面临严重的安全和经济风险，需要对工业机器人进行预测式健康管理。 目前工业机器人健康管理相关研究主要是针对部件的健康管理，无法直观反映机器人整体的健康状态。工业机器人是机电一体的复杂系统，整机的健康状态受到部件间相互作用、磨合等各种因素的影响，因此无法通过单一部件健康状态简单叠加而得到。本文研究工业机器人整机健康状态评估相关问题，包括工业机器人退化特征提取、健康评估与剩余寿命预测，对工业机器人整机退化状态进行建模，以支撑整机预测性健康管理。具体研究内容如下： （1）针对工业机器人在加速运行状态下和匀速运行状态下的特征表现不同的特点，提出了一种基于信号分割的工业机器人退化特征提取方法。根据工业机器人的反馈速度，将机器人完整动作周期信号分割出多个加速信号段，然后分别提取时域和频域特征。在工业机器人的加速老化数据集上进行实验，结果表明，基于信号分割的特征提取方法提取的特征的平均单调性和趋势性指标分别达到0.0574和0.4577，优于基于完整信号所提取的特征。 （2）针对传统距离度量方法无法有效度量机器人运行数据的偏差，提出了一种基于深度度量学习的健康指标构建方法。首先，使用深度度量学习模型从机器人的海量数据中学习出一种新的距离度量。其次，根据距离度量的变化来反映机器人整体的退化趋势，从而构建机器人整机健康指标。然后，采用模糊C均值聚类算法（FuzzyC-Means,FCM）对机器人健康状态进行划分。最后，使用支持向量机对工业机器人进行健康状态评估。所提出方法在真实加速老化数据集进行实验验证，基于深度度量学习构建的健康指标的平均单调性和趋势性分别达到0.3472和0.9529，明显优于基于其他相似性度量方法。对于健康评估方面，所提出的基于模糊C均值聚类的健康状态划分也符合机器人的实际退化过程，而基于支持向量机的健康状态评估方法也能有效对工业机器人进行健康评估，评估准确率达到96.97%。 （3）针对机器人的多阶段退化，本文研究工业机器人的状态转移预测模型，与传统剩余寿命预测不同，状态转移预测旨在预测机器人健康状态发生变化的时间而不是预测发生故障的时间，这样能够给机器人提供更精细化的维护支持。此外，针对传统剩余寿命预测模型无法对新数据持续学习的问题，提出一种DLinear结合弹性权重保持的机器人状态转移时间预测方法，通过初始训练集训练初始模型，随后使用不断采集的机器人监测数据进行增量训练。在机器人老化数据集上进行了验证，实验表明，增量训练后能够有效提高模型的预测精度，在测试集中的平均绝对误差（MAE,MeanAbsoluteError）、均方根误差（RMSE,Rootmeansquarederror）和评分函数（Score）指标分别达到9.6、10.7765和0.5584，明显优于其他方法。
NETL