Metody diagnozowania przekładni robotów przemysłowych

Metody dedykowane

Istnieją również metody dedykowane do konkretnych typów przekładni. Przykładem jest metoda diagnozowania uszkodzeń przekładni harmonicznej oparta na głębokim uczeniu, która polega na analizie kolejnych sygnałów wibracyjnych w dziedzinie czasu. Wykorzystanie sieci konwolucyjnej umożliwiła ekstrakcje cech z szeregów czasowych, umożliwiając jednocześnie przetwarzanie danych z wielu kanałów [12].

Jedną z interesujących metod zastosowanych w środowisku przemysłowym w branży automotive jest metoda oparta na rejestracji sygnałów momentu obrotowego z poszczególnych osi robota przemysłowego. Dane zbierane są podczas cyklu pracy robota, a następnie analizowane za pomocą jednoklasowego modelu utworzonego przy użyciu metody wektorów nośnych (SVM) a także ekstremalnie uczących się maszyn (ELM) [13].

Metody diagnozowania przekładni wykorzystują również na pomiary położenia „kiści” robota. Wykorzystując dane z zainstalowanego czujnika położenia jak również uczenie maszynowe w oparciu o hybrydowy model SAE-SVM, można wykrywać usterki przekładni robota [14].

Podsumowanie – przekładnie

Podsumowując, metody diagnozowania przekładni robotów przemysłowych mają kluczowe znaczenie dla zapewnienia niezawodności i optymalnej wydajności. Tradycyjne metody wciąż są skuteczne, ale rozwój nowoczesnych technologii, takich jak sztuczna inteligencja umożliwiająca zaawansowaną analizę sygnałów otwiera nowe perspektywy. Wraz z postępem technologicznym, monitorowanie w czasie rzeczywistym i konserwacja zapobiegawcza staną się coraz bardziej efektywne, przyczyniając się do minimalizacji przestojów w produkcji.

Piśmiennictwo

[1] Techsoft robots, „The principle of the reducer, the core part of the robot, is open. Why can’t we compete with Japan’s?,” 2019.
[2] P. L. García, S. Crispel, E. Saerens, T. Verstraten i D. Lefeber, „Compact Gearboxes for Modern Robotics: A Review,” Frontiers in Robotics and AI, tom 7, 2020.
[3] K. Chaudhary, „Cycloidal Speed Reducer,” International Journal for Research in Applied Science and Engineering Technology, tom 6, nr 1, 2018.

[4] A. Kampa, „The Review of Reliability Factors Related to Industrial Robo,” Robotics & Automation Engineering Journal, tom 3, November 2018.
[5] V. B. Juozo, „Diagnostics of Cycloidal Gear Speed Reducers in Vertical MultiRotor Sysem,” Mechanics, tom 23, nr 2, May 2017.
[6] V. Cochran i T. Bobak, „A methodology for identifying defective cycloidal reduction components using vibration analysis and techniques,” 2008.
[7] U. Izagirre, I. Andonegui, A. Egea i U. Zurutuza, „A Methodology and Experimental Implementation for Industrial Robot Health Assessment via Torque Signature Analysis,” Applied Sciences, tom 10, nr 21, p. 7883, November 2020.

[8] J. M. Wakiru, L. Pintelon, P. N. Muchiri i P. K. Chemweno, A review on lubricant condition monitoring information analysis for maintenance decision support, tom 118, 2019.
[9] A. Belšak i J. Prezelj, „Visualisation and analysis of noise sources of a gear unit,” Engineering Failure Analysis, tom 16, pp. 1570-1578, 2009.
[10] K. O. C. A. Onur, O. T. Kaymakci i M. Mercimek, „Advanced Predictive Maintenance with Machine Learning Failure Estimation in Industrial Packaging Robots,” 2020.
[11] M. Soualhi, K. T. P. Nguyen, K. Medjaher, D. Lebel i D. Cazaban, „Intelligent monitoring of multi-axis robots for online diagnostics of unknown arm deviations,” Journal of Intelligent Manufacturing, tom 34, nr 4, pp. 1743-1759, April 2023.

[12] X. Zhou, H. C. Zhou, Y. M. He, S. F. Huang, Z. H. Zhu i J. H. Chen, „Harmonic reducer in-situ fault diagnosis for industrial robots based on deep learning,” Science China Technological Sciences, tom 65, nr 9, 2022.
[13] U. Izagirre, I. Andonegui, I. Landa-Torres i U. Zurutuza, „A practical and synchronized data acquisition network architecture for industrial robot predictive maintenance in manufacturing assembly lines,” Robotics and Computer-Integrated Manufacturing, tom 74, p. 102287, April 2022.
[14] J. Long, J. Mou, L. Zhang, S. Zhang i C. Li, „Attitude data-based deep hybrid learning architecture for intelligent fault diagnosis of multi-joint industrial robots,” Journal of Manufacturing Systems, tom 61, pp. 736-745, October 2021.

mgr inż. Damian Augustyn
Politechnika Śląska