TCIE 125-2021 工业机器人故障诊断与预测性维护 第5部分：预测性维护

ICS25.040.30CCSJ28团体标准T/CIE125—2021工业机器人故障诊断与预测性维护第5部分：预测性维护Faultdiagnosisandpredictivemaintenanceforindustrialrobot-Part5:Predictivemaintenance2021-11-22发布2022-02-01实施中国电子学会发布T/CIE125—2021I目次前言...........................................................................II1范围................................................................................12规范性引用文件......................................................................13术语和定义..........................................................................14预测性维护流程......................................................................25维护方式确定........................................................................36预测方法............................................................................3基于模型的方法..................................................................3数据驱动的方法..................................................................47寿命预测............................................................................5预测方法选择....................................................................5预测结果评价....................................................................58维护计划和管理......................................................................5附录A（规范性）减速器和伺服电机等的经验模型....................................6附录B（资料性）基于经验模型的寿命预测示例......................................7附录C（资料性）基于仿真模型的寿命预测方法......................................9附录D（资料性）“负载/负载率—寿命”曲线构建..................................10附录E（资料性）基于数据驱动的预测方法.........................................11参考文献.......................................................................13T/CIE125—2021II前言T/CIEXXX《工业机器人故障诊断和预测性维护》分为以下5个部分：——第1部分：故障分类和编码——第2部分：在线监测——第3部分：故障诊断——第4部分：健康状态评估——第5部分：预测性维护本文件为T/CIEXXX《工业机器人故障诊断和预测性维护》的第5部分。本文件按照GB/T1.1—2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定起草。本文件起草单位：工业和信息化部电子第五研究所、华中科技大学、上海交通大学、广州智能装备研究院有限公司、西安交通大学、天津大学、佛山智能装备技术研究院、佛山华数机器人有限公司、埃夫特智能装备股份有限公司、广州数控设备有限公司、中国科学院沈阳自动化研究所、新松机器人自动化股份有限公司、广州明珞装备股份有限公司、广东省离散智造科技创新有限公司。本文件主要起草人：王远航、丁小健、刘文威、杨云帆、吴军、周健、王春辉、纪春阳、雷亚国、王国锋、梁超、王吉、唐敬、陆树汉、莫文安、潘广泽、黄创绵、杨剑锋、李小兵、董成举、郭广廓、陈勃琛、赵常均、张建华、彭湘涛、张锋、陶建峰、孟苓辉、龙璞。T/CIE125—20211工业机器人故障诊断与预测性维护第5部分：预测性维护1范围本文件规定了工业机器人预测性维护的流程、维护方式确定、预测方法、寿命预测、维护计划和管理等。本文件适用于工业机器人预测性维护方案制定。2规范性引用文件下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本文件。GB/T12642-2013工业机器人性能规范及其试验方法GB/T37718-2019机器人用精密行星摆线减速器GB/T35089-2018机器人用精密齿轮传动装置试验方法GB/T24607-2009滚动轴承寿命与可靠性试验及评定GB/T6391-2010滚动轴承额定动载荷和额定寿命3术语和定义GB/T3187-1994、GB/T12643-2013和GB/T20921-2007中确立的以及下列术语和定义适用于本文件。维修/维护maintenance为保持和恢复产品处于能执行规定功能状态所进行的所有技术和管理活动。事后维护correctivemaintenance故障发生后采取的维修。注：也称为修复性维修。预防性维护preventivemaintenance按照固定的计划表或规定的准则实施的维修，这些准则可以检测或预防功能性结构、系统或部件的劣化，以维持或延长它的使用寿命。机器人的预防性维护多为按照规定时间间隔进行的定期维护，时间可以是天数、小时数、次数等。预测性维护predictivemaintenance强调对失效的预测，并依据设备的状态采取行动，以预防失效或劣化的维修。退化degradation工业机器人/部件随着持续工作，从状态良好到逐渐无法满足工作要求的过程，表现为相关性能参数的持续下降。T/CIE125—20212寿命servicelife工业机器人/部件从投入使用到故障时刻的时间长度。剩余使用寿命remainingusefullife工业机器人当前时刻到故障时刻的时间间隔。预测prognostics对故障症状和退化趋势进行分析和建模，以预估未来的状态退化趋势和剩余使用寿命。预测时机timeofprediction触发执行寿命预测的时间点。预测方法methodofprediction通过已有的监测和测试数据，获得工业机器人寿命或剩余使用寿命的算法或模型，包括基于模型的方法、数据驱动的方法和混合方法。4预测性维护流程工业机器人的预测性维护宜按照图1所示的流程开展。（1）工业机器人不同部件和故障可选择不同维护方式，应首先确定采用预测性维护的对象和范围；（2）在线监测和定期测试可参考《第1部分在线监测》、《第2部分故障诊断》的离线测试和《第3部分健康状态评估》的基线测试等；（3）若到达预测时机，应调用预测方法进行寿命预测，预测方法包括基于模型的方法、数据驱动的方法和混合方法；（4）对于预测结果评价不满足的情况，应进行结果修正或预测方法优化；（5）对于预测结果评价满足且剩余使用寿命不足的情况，应制定预测性维护计划，开展维护活动；（6）对于未达到预测时机，或预测的剩余使用寿命足够的情况，应持续进行在线监测或定期测试。T/CIE125—20213预测方法持续在线监测和定期测试通过预测结果评估？结果修正及方法优化是否调用数据积累预测性维护方式确定寿命预测维护计划制定和维护实施管理剩余使用寿命足够？达到预测时机？是是否否图1工业机器人预测性维护流程5维护方式确定工业机器人的维护方式包括事后维护、预防性维护和预测性维护。（1）对于故障发生没有安全隐患、不会导致系统功能丧失、不会有明显经济损失的情形，宜采用事后维护方式；（2）对于故障发生有安全隐患、功能丧失或较大经济损失，但技术或成本上难以实现监测的情况，宜采用预防性维护；建议设置预防性维护的预报机制，预报方式为预防性维护周期减去累积运行时间，预报时间接近零时，应报警提示开展预防性维护活动，维护活动后，累积运行时间清零，开始下一轮预防性维护预报；（3）对于能够实现监测和寿命预测的情况，应采用预测性维护。6预测方法基于模型的方法（1）首先，应建立工业机器人及其零部件的寿命模型，包括经验模型或仿真模型。——对于减速器和伺服电机等部件，宜建立经验模型；根据GB/T37718-2019和GB/T35089-2018，在输出转速nm和负载转矩Tm下减速器寿命经验模型如式(1)，详细模型参数见附录A：()()000000eeeemmmiiiittnTnTtnTttnT==...............................................式(1)针对伺服电机，当伺服电机直驱减速器或通过齿轮传动时，伺服电机轴承为深沟球轴承的，可采用式(1)的经验模型。当伺服电机通过带传动时，可采用GB/T24607-2009和GB/T6391-2010中的经验模型，如式(2)，详细模型参数见附录A：T/CIE125—20214nTmd500emiffCtffP=...................................................................式(2)基于经验模型的伺服电机寿命预测参考附录B。——对于没有经验模型的部件，可采用仿真模型。仿真过程包括机理分析、数字样机建模、应力分析和寿命计算等步骤，构建给定工况条件下的寿命模型，基于仿真模型的预测方法参见附录C。（2）通过经验模型或仿真模型，获得不同负载或负载率iL下对应的负载寿命it，减速器等机械部件的负载率iL通过式(3)计算。拟合iL和it，获得“负载/负载率—寿命”曲线，详细过程参见附录D。000100%100%==eeiiiiieenPnTLnCnT..........................................................式(3)（3）最后，宜通过累积损伤理论，计算剩余使用寿命。——监测统计部件在负载率iL下的累积工作时间iD，T时刻的损耗度FT为：()1 100%=TkNTkkFDt=.............................................................式（4）其中，TN为T之前的所有负载率等级数；——T时刻，在负载率iL下的剩余使用寿命,iTSR为：(),- =1iiTTSRFt...................................................................式（5）数据驱动的方法（1）采用数据驱动方法进行寿命预测，应采用二级阈值机制，一级阈值为退化阈值，即监测到退化进行预警；二级阈值为故障阈值，即需要停机维护，如图2所示。故障阈值t寿命预测时间时间退化指标在线监测或定期测试监测和跟踪预测寿命期望T剩余寿命退化阈值图2数据驱动的寿命预测方法示意图（2）关于故障阈值和退化阈值的设定，应综合考虑如下因素：——定