[发明专利]一种预测SCARA机器人生命周期的方法及系统

权利要求书

1.一种预测SCARA机器人生命周期的方法，其特征在于，所述方法包括以下步骤：

通过SCARA机器人机器臂上所设置的四个加速度传感器采集运行过程中的加速度振动信号，所述SCARA机器人的四个关节中的每一个关节上设置有一个加速度传感器；

对四个加速度传感器所获取的加速度振动信号进行预处理提取振动信号特征向量，所述振动信号特征向量包括四路小波包能谱熵向量；

将每一路小波包能谱熵向量作为所对应的神经网络的输入向量，并获取每一路小波包能谱熵向量所对应的生命周期预测结果；

将四路小波包能谱熵向量下的生命周期预测结果进行处理，得到SCARA机器人生命周期；

所述将每一路小波包能谱熵向量作为所对应的神经网络的输入向量，并获取每一路小波包能谱熵向量所对应的生命周期预测结果包括：

获取用于模型训练样板的每一路小波包能谱熵向量所对应关节上的样本熵数据，针对不同的SCARA机器人中的每个关节发生更换的历史生命周期下产生的加速度振动数据作为训练样本，历史生命周期下产生的加速度振动数据所具有的小波包能谱熵向量为所对应关节上的样本熵数据；

对所述样本熵数据执行阶次分析以提取每一关节特征；

对所述每一关节特征中的一部分样本熵数据输入至构建出的用于预测每一关节生命周期的神经网络，并通过另一部分样本熵数据执行验证处理，以训练出每一关节的生命周期预测模型；

将每一路小波包能谱熵向量输入至所对应的生命周期预测模块以得到每一关节的生命周期预测结果；所述通过SCARA机器人机器臂上所设置的四个加速度传感器采集运行过程中的加速度振动信号包括：

基于每个关节上的加速度传感器采集所在关节上的模拟加速度振动信号；

对所述模拟加速度振动信号进行滤波处理，滤除高频振动信号；

对滤除高频振动信号的模拟加速度振动信号进行模数转换处理，生成数字加速度振动信号；

所述对所述样本熵数据执行阶次分析以提取每一关节特征包括：提取每个关节历史生命周期下的样本熵数据，扩展至二倍频和三倍频作为初步采集的特征点，将初步采集的特征点进行排序，取特征点前后各正负预设样本熵的最大值作为最终特征点的值，最终特征点的值对应的频次为需要提取的特征点，以作为第一批样本特征；选择一定比例的样本熵数据进行分析，选择出样本熵值呈现出极值的特征点，用剩余比例样本熵数据做测试和对比，保留所有样本中共有的显著特征点，并且采集其他SCARA机器人的显著特征点，对不同SCARA机器人得到的特征点去异存同，分析合并共同特征点，以作为第二批样本特征；将所述第一批样本特征和所述第二批样本特征进行比较，保留阶次分析得到的倍频特征和共有的特征点，并且合并频率接近的特征点，以获取创建模型需要用到的SCARA机器人的关节所具有的生命周期特征。

2.如权利要求1所述的预测SCARA机器人生命周期的方法，其特征在于，所述对四个加速度传感器所获取的加速度振动信号进行预处理提取振动信号特征向量包括：

采用小波包分解原理将加速度振动信号进行小波包分解；

对小波包系数进行重构，并求出每个频带分量所含能量占每个加速度振动信号总能量的比重；

通过计算各频带的小包波能量谱熵得到加速度振动信号的各个小波包系数的能量分布情况，将小波包能量谱熵作为加速度振动信号的振动信号特征向量。

3.如权利要求2所述的预测SCARA机器人生命周期的方法，其特征在于，所述对小波包系数进行重构，并求出每个频带分量所含能量占信号总能量的比重包括：

通过小波包分解获得信号的不同频带分量，根据加速度振动信号频带的分布，获得每个频带的特征信息，利用小波包能量谱对不同的加速度振动信号进行分析。

4.如权利要求1至3任一项所述的预测SCARA机器人生命周期的方法，其特征在于，所述将四路小波包能谱熵向量下的生命周期预测结果进行处理，得到SCARA机器人生命周期包括：

将每一关节的生命周期预测结果形成每一关节目前的生命周期状态曲线图；

将四个关节的生命周期状态曲线图进行对比融合得到一张SCARA机器人下的生命周期状态结果图。