[發明專利]一種基于深度學習的工業機器人可靠性建模方法

在審

• 申請號: 201710315323.3
• 申請日: 2017-05-08
• 公開（公告）號: CN107121926A
• 公開（公告）日: 2017-09-01
• 發明（設計）人: 陳錦漢;余榮斌
• 申請（專利權）人: 廣東產品質量監督檢驗研究院
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 廣州市越秀區海心聯合專利代理事務所(普通合伙)44295
• 代理人: 王洪娟

技術領域

本發明屬于深度學習技術領域，具體涉及一種基于深度學習的工業機器人可 靠性建模方法。

背景技術

工業機器人是面向工業領域的多關節機械手或多自由度的機器裝置，它能自 動執行工作，是靠自身動力和控制能力來實現各種功能的一種機器。它可以接受 人類指揮，也可以按照預先編排的程序運行，現代的工業機器人還可以根據人工 智能技術制定的原則綱領行動。

現有技術中工業機器人的國內外研究現狀分析如下：

(1)工業機器人質量可靠性試驗發展：

機器人可靠性研究的最早報道是美國Minnesota大學Maria等人；Khodaban 等人首先提出了故障樹分析法(FAT)與失效模式及可靠性分析(FMEA)進行 機器人的可靠性預計；在國內，部分學者也給出了工業機器人可靠性的預測模型。 盡管工業機器人可靠性越來越得到各國學者的重視，但是國外的許多關于機器人 的文獻中，只有少許論述了機器人可靠性方面問題，且國外對工業機器人技術實 行嚴格保密，其系統故障數據資料難以獲得，而我國工業機器人研究開發起步較 晚，目前對工業機器人系統可靠性的研究很少。

在標準方面，國內已有工業機器人相關標準近30項，包括GB 11291.1-2011 《工業環境用機器人安全要求第1部分：機器人》、GB/T 12642-2013《工業機器 人性能規范及其試驗方法》，但均為模擬初期失效的安全試驗，因此與實質意義 的可靠性(壽命)試驗仍有一定差距，因此缺少統一規范的質量可靠性檢測方法， 既影響工業用戶的使用體驗，也嚴重制約國內工業機器人產業的發展。

(2)基于性能退化的可靠性快速檢測方法

傳統可靠性評估方法以失效時間為統計分析對象，進行大量試驗得到產品或 其部件失效數據，利用統計判斷準則通過系統可靠性結構模型、部件壽命分布模 型分析得到產品可靠性。隨著科技技術發展，長壽命、高可靠性產品越來越多(如 外資品牌工業機器人可靠壽命已達10萬小時(約11.5年)),傳統可靠性評估方法 暴露出測試周期長、無失效時無法評估等問題。

為克服傳統可靠性評估方法存在問題，始于上世紀70年代基于性能退化可 靠性評估方法為長壽命高可靠性產品評估開辟一條新途徑?；谛阅芡嘶目煽?性評估是以性能退化特征指標為分析對象，確立退化失效標準，建立性能退化模 型，進而開展可靠性評估，具有快速評估，測試周期短，可評估無失效數據新興 產品等特點。

可以看出，由于高端工業機器人可靠壽命已達10萬小時(約11.5年)，若按 傳統可靠性評估方法試驗周期太長，試驗成本過高，無法滿足新興產業高速發展 和客戶對于提升產品質量需求?；谛阅芡嘶煽啃詸z測技術的出現為長壽命產 品可靠性檢測提供了新的解決思路，因此有必要開展智能工業機器人可靠性快速 檢測技術研究，在保證試驗精度前提下，縮短試驗周期、降低試驗成本。

目前我國已成全球最大的機器人生產國及消費市場，在全球經濟不景氣的背 景下，機器人產業逆勢增長：2013年全球增長12％，中國增長58％；2014年全 球增長27％，中國增長54％，中國增速一直領跑全球機器人市場。機器人產業 高速發展，構筑了中國機器人市場繁榮表象，但由于質量問題也帶來可持續發展 隱患。據2015年《新世紀周刊》報道，中國制造的機器人在可靠性方面處于劣 勢，國產機器人可靠性壽命為8000小時，而外資品牌達到5～10萬小時；著名自 動控制專家、中科院院士吳宏鑫指出“沒有質量，沒有可靠性，就沒有市場。一 臺機器人，維修的時間比干活的時間還長，這樣的產品不可能有市場”，可見機 器人可靠性已成為我國工業機器人產業進一步可持續發展的瓶頸。

因此，隨著國內工業機器人產業的快速發展，解決工業機器人服役可靠性快 速檢測方法問題，為用戶提供有信服力檢測技術支撐，為生產企業提供產品性能 提升技術服務，為工業機器人可靠性檢測標準的制修訂奠下基礎，對于培育國內 工業機器人質量可靠性這一目前處于空白的檢測市場有著重要的意義。

工業機器人發展的趨勢是人工智能化，深度學習和云機器人是智能機器人領 域的前沿技術，是近幾年社會各界的關注熱點。深度學習構建的神經網絡是驅動 工業機器人的引擎，而云機器人則為工業機器人提供大量的燃料，二者的相互結 合與促進，必將引領一場工業機器人走向人工智能化的變革。

在工業機器人市場化的過程中，最困難的兩點是降低成本和提升易用性。后 者比前者更難。然而隨著深度學習算法在機器人中應用的越來越多，這個兩個問 題都得到了不同程度的解決。