本项目针对工业机器人预测性健康管理面临的服役状态演化模型难构造难、基于服役状态的优化控制和维护复杂度高两大难点，研究工业机器人动力学状态演化规律以及其原因与表征，建立动力学模型关键参数演化模型；研究工业机器人服役性能智能感知与预测方法，建立数据驱动的工业机器人关键部件在不同运行工艺和工况下的故障演变和预测模型，预测其服役性能退化过程和剩余寿命；研究服役性能演化认知的机器人控制优化方法，建立基于健康状态的最优运动规划与控制，保证服役性能并延长服役寿命；研究面向复杂多样工况的工业机器人健康状态评估与运维决策方法，实现不同构型、工艺和应用工况的工业机器人健康管理与运行维护。研发团队基于自身在工业机器人核心部件-控制器、伺服驱动、电机的全自主知识产权技术优势，依托自建的工业机器人云平台及近万台现场服役工业机器人样本，开发面向典型制造场景研发验证平台和系统，最终促进我国工业机器人产业高质量发展。

本项目围绕“工业机器人健康监测诊断及控制优化理论与方法”开展研究与应用。项目包含五个任务：①工业机器人动力学状态演化机理；②工业机器人服役性能智能感知与预测方法；③服役性能演化认知的机器人控制优化方法；④面向复杂多样工况的工业机器人健康状态评估与运维决策；⑤面向典型制造场景的应用验证。    

1.工业机器人动力学状态演化机理。提出了惯性关联力矩与摩擦力矩的快速分离方式，该方法完全基于激励轨迹，而不是其他特殊轨迹，这样带来的好处是提高了辨识的效率，实现分离与辨识完全兼容。该技术的创新之处在于，通过正反对称运动，且通过寻找最优的对称点，将摩擦力矩与惯性关联力矩实现快速分离。进一步，提出了惯性参数的一致性辨识技术，实现了多机器人的模型参数复用。

2.服役性能演化认知的机器人控制优化方法。对机器人各种振动机理进行研究，并针对不同情况研究相应振动抑制算法。1）针对由高加减速引起的机器人振动情况，研究基于偶极子效应的前馈控制方法，通过前馈手段增加系统零点，与机电耦合系统闭环主导极点形成偶极子，从而减弱振动现象。2）针对由持续性激励源引起的共振现象，研究参数自适应陷波器抑振策略。针对传统陷波器具有相位延迟的缺点，研究改进陷波器形式，从而适应机器人低共振频率应用场景，解决机器人共振问题。

3. 工业机器人服役性能智能感知与预测方法。基于深度学习的工业机器人故障诊断系列方法：不同于统计分析方法、信号处理方法、传统机器学习方法，基于深度学习的方法利用工业机器人运行数据，从原始数据学习到机器人故障抽象特征表达。

4.面向复杂多样工况的工业机器人健康状态评估与运维决策。基于对比学习的工业机器人健康评估关键技术：针对工业机器人结构复杂、组件耦合程度高、难以进行整体健康状况监测的问题，提出了基于度量学习的整机健康指标构建方法，描述了工业机器人的整体退化趋势；针对先验知识或特征工程缺乏的RUL预测问题，提出了一种基于空间注意力的卷积transformer（SAConvFormer）方法，建立关键部件精确RUL预测模型；针对健康管理人工检测效率和精准度较低的问题，提出一种机械轴运行监控大数据背景下基于动作周期退化相似性度量的健康评估方法；针对机器人整机健康状态难以直接观察的问题，提出了一种基于隐马尔可夫模型（HMM）和时间卷积网络（TCN）的健康评估和状态预测算法，对工业机器人健康状态和状态转移进行较为准确的建模，有效支持运维决策。

5.面向典型制造场景的应用验证。构建了一套工业机器人运维系统，针对工业机器人设备进行维护和管理。对生产过程中出现的异常情况进行实时监控，实现智能调度、故障诊断、异常预警等功能。

项目的主要成果包括：

①基于动力学状态演化机理研究与智能感知与性能演变建模方法，建立了一套完整的工业机器人运维系统，且通过第三方认证，准确度达到99.6%；

②在工业机器人动力学状态演化机理研究中，对系列机械臂的动力学问题进行了深入的研究，并取得较好的效果；

③在服役性能智能感知与性能演变建模，并应用于面向复杂多样工况的工业机器人健康状态评估与运维决策研究中，主要围绕数据处理、建立诊断模型、建立完整的工业机器人运维系统。基于项目的研究，建立起一套要相对完整的、可在工业现场使用的工业机器人健康状态监测、故障诊断系统；