本發明涉及人工智能，特別涉及一種工業機器人的性能參數獲取方法及系統。

背景技術：

1、傳統方法往往依賴于人工檢測和手動操作，缺乏實時性和高效性，導致數據采集過程存在延遲和不準確的情況。傳統系統的傳感器精度有限，無法滿足高精度性能評估的需求，尤其在復雜環境和高負載下，傳感器容易受到噪聲、溫度變化等因素的影響，從而導致數據誤差。傳統方法多依賴于單一的測量數據，忽視了數據的多維度融合和智能分析，無法充分利用機器學習和人工智能技術進行實時優化和預測。傳統系統的可擴展性差，難以應對日益復雜的生產環境和多變的操作需求，也不易于與其他工業系統進行集成，限制了其在智能制造和物聯網環境中的應用。傳統方法在故障診斷和預測性維護方面缺乏足夠的智能化支持，往往只能依賴定期維護和人工干預，而無法實現自動化的故障預警和性能優化。

技術實現思路

1、基于此，本發明有必要提供一種工業機器人的性能參數獲取方法及系統，以解決至少一個上述技術問題。

2、為實現上述目的，一種工業機器人的性能參數獲取方法，包括以下步驟：

3、步驟s1：獲取工業機器人設計數據，并進行三維機器人模型構建，從而獲得三維機器人模型；

4、步驟s2：對三維機器人模型進行傳感監測，從而獲得機器人傳感數據；基于機器人傳感數據進行重復定位精度分析，從而獲得重復定位精度數據；

5、步驟s3：根據三維機器人模型進行負載能力分析，從而獲得機器人負載能力數據；根據機器人負載能力數據對三維機器人模型進行磨損部位識別，從而獲得機器人磨損部位數據；

6、步驟s4：根據機器人磨損部位數據進行壽命預測，從而獲得機器人壽命數據；基于機器人壽命數據進行運動性能測試，從而獲得機器人運動性能數據；

7、步驟s5：根據重復定位精度數據進行精度統計，從而獲得低重復定位精度數據；根據低重復定位精度數據對機器人運動性能數據進行伺服系統性能參數調節，從而獲得伺服系統性能參數。

8、本發明通過構建三維機器人模型并結合傳感監測數據，能夠實現對機器人性能的全面評估與優化。通過對機器人傳感數據的分析，尤其是重復定位精度的評估，能夠有效識別和補償精度偏差，提高機器人在復雜環境中的操作精度和穩定性，進而優化機器人的運動性能。基于機器人負載能力分析，可以識別出高負載區域并進行磨損部位的精準定位，從而為后續的壽命預測提供數據支持，有效減少過度磨損對機器人性能的影響。通過結合機器人壽命數據進行運動性能測試，可為機器人提供實時的運行狀態反饋，為后續的性能調節提供依據，避免因硬件老化導致的性能下降。通過精度統計，結合低重復定位精度數據，可以對機器人伺服系統進行精準調節，從而提升系統的動態響應能力和精度控制，進一步增強整體性能。該方法避免了傳統依賴人工檢測的低效性，減少了因傳感器精度限制帶來的數據誤差，同時結合了多維度數據分析、機器學習和人工智能技術，有效提高了實時性和智能化水平，能夠實現動態優化和精準預測。這一系統的智能化和自動化特性大大提升了機器人在復雜生產環境中的應用效率和可靠性，同時具備良好的可擴展性，能夠應對未來智能制造和物聯網環境下的多變需求，為故障診斷和預測性維護提供了強有力的支持，推動了工業機器人技術的創新和進步。

9、優選的，驟s1具體為：

10、步驟s11：獲取工業機器人設計數據，并進行機械關節類型特征提取，從而獲得機械關節類型數據；

11、步驟s12：根據機械關節類型數據進行關節自由度識別，從而獲得關節自由度數據；

12、步驟s13：根據關節自由度數據對機械關節類型數據進行連接關系分析，從而獲得機械關節連接關系數據；

13、步驟s14：根據機械關節連接關系數據以及機械類型數據進行三維機器人模型構建，從而獲得三維機器人模型。

14、本發明通過系統性地提取和分析機械關節類型數據，實現了對機器人各個關節自由度的識別，并通過對關節自由度數據的深入分析，能夠準確地識別和優化機器人關節的連接關系，最終構建出三維機器人模型。這一過程相比傳統人工操作，能夠大幅提升數據采集的實時性和準確性，避免了傳統方法中的人工誤差和操作延遲。通過精準的機械關節類型特征提取和自由度識別，可以為機器人在不同工作環境中的性能評估提供更加精確的依據，特別是在復雜和高負載環境中，能夠有效減少由于關節不匹配或自由度不足所引發的性能問題。此外，通過對機械關節連接關系的全面分析，為后續的機器人優化設計和高效組裝提供了強有力的支持。與傳統方法依賴單一測量數據的局限性相比，本方法充分考慮了多維度數據的融合和智能化分析，利用現代計算機技術和人工智能算法，實現了機器人設計、分析和優化過程的高度自動化和智能化。這一方法的應用使得機器人能夠在多變的生產環境中更加高效地運作，并且具備更強的適應性和擴展性，為機器人故障診斷、預測性維護以及性能優化提供了實時支持，推動了機器人技術的智能制造化進程。

15、優選的，步驟s2具體為：

16、步驟s21：對三維機器人模型進行傳感監測，從而獲得機器人傳感數據；

17、步驟s22：根據三維機器人模型進行重復抓取模擬，從而獲得重復抓取數據；

18、步驟s23：對重復抓取數據進行誤差抓取計算，從而獲得誤差抓取數據；

19、步驟s24：根據誤差抓取數據對三維機器人模型進行環境誤差干擾分析，從而獲得環境誤差干擾數據；

20、步驟s25：根據環境誤差干擾數據對三維機器人模型進行環境干擾優化，從而獲得三維機器人優化模型；

21、步驟s26：根據三維機器人優化模型進行重復定位抓取模擬，從而獲得重復定位抓取模擬數據；

22、步驟s27：對重復定位抓取模擬數據進行精度計算，從而獲得重復定位精度數據。

23、本發明通過對三維機器人模型進行全面的傳感監測和重復抓取模擬，能夠實時收集機器人在實際操作中的傳感數據，并通過模擬抓取過程來分析和優化機器人抓取精度。通過對抓取數據進行誤差計算和環境誤差干擾分析，能夠準確識別環境因素對機器人性能的影響，并進行環境干擾優化，從而提高機器人在復雜環境下的穩定性和準確性。與傳統方法相比，本方法不僅能夠在模擬環境中準確評估機器人的抓取精度，還能夠針對環境干擾進行智能優化，減少了人為干預和操作延遲，避免了由于傳感器精度不足或外部環境變化引起的數據誤差。通過這種方式，本方法能夠實時監控機器人性能，并動態調整其操作模式，從而確保機器人的精度和重復性。在多變的生產環境中，本方法充分利用多維度數據融合和智能分析，結合現代機器學習和人工智能技術，為機器人的故障診斷、預測性維護和性能優化提供了強有力的技術支持。這種智能化、自動化的評估方法為工業機器人提供了更加高效、精確的操作能力，使其能夠在不斷變化的工作環境中實現更高的生產效率和更長的使用壽命。

24、優選的，步驟s24具體為：

25、步驟s241：根據誤差抓取數據進行時間統計，從而獲得誤差抓取時間數據；

26、步驟s242：根據誤差抓取時間數據對三維機器人模型進行溫度統計，從而獲得機器人溫度數據；

27、步驟s243：基于機器人溫度數據對三維機器人模型進行半導體元件熱擊穿分析，從而獲得半導體元件熱擊穿數據；

28、步驟s244：基于半導體元件熱擊穿數據進行焊點失效分析，從而獲得焊點失效數據；

29、步驟s245：根據半導體元件熱擊穿數據以及焊點失效數據進行環境誤差干擾整合，從而獲得環境誤差干擾數據。

30、本發明通過多層次的數據處理和分析，能夠全面監控和評估工業機器人在操作過程中出現的環境干擾和故障風險。通過對誤差抓取數據進行時間統計，可以精準評估抓取過程中誤差的分布和變化趨勢，進而優化機器人操作流程，確保其精度和穩定性。進一步通過對機器人溫度的統計分析，可以及時識別出溫度變化帶來的潛在風險，尤其是對于半導體元件的熱擊穿問題。通過半導體元件熱擊穿數據的分析，可以對機器人內部電子組件的健康狀況進行預測，避免因過熱導致的焊點失效等故障發生，保障機器人在長時間高負載工作下的可靠性。在識別和分析焊點失效之后，進一步對環境誤差進行整合和優化，能夠準確識別并處理外界環境因素對機器人的干擾，確保機器人在不同工作環境中的高效運作。與傳統方法相比，這種多層次、多維度的數據整合和智能分析不僅提高了故障預警的精度，還通過實時優化避免了人為誤差，減少了數據延遲，使系統能夠在復雜、多變的工業環境中更穩定地運行。通過這套方法，能夠有效提升機器人的長期運行效率、準確性以及整體性能，同時減少了人工干預，提升了自動化水平，為智能制造和物聯網集成提供了強有力的技術支持。

31、優選的，步驟s243具體為：

32、基于機器人溫度數據對三維機器人模型進行溫度映射，從而獲得三維機器人溫度模型；

33、對三維機器人溫度模型進行半導體元件部位識別，從而獲得半導體元件溫度模型；

34、獲取半導體熱擊穿溫度數據以及半導體熱傳導系數；

35、將半導體熱傳導系數輸入至半導體元件溫度模型，并進行熱累計效應計算，從而獲得熱累計效應數據；

36、根據半導體熱擊穿溫度數據對熱累計效應數據進行瞬時溫檢測，從而獲得半導體瞬時過溫數據；

37、基于半導體瞬時過溫數據進行瞬時熱擊穿風險評估，從而獲得半導體元件熱擊穿數據。

38、本發明通過對機器人溫度數據的多維度映射和分析，能夠全面監測機器人溫度分布情況，并對影響機器人性能的關鍵部位進行深入識別，尤其是半導體元件的溫度變化。通過生成三維機器人溫度模型，可以實時了解機器人的熱狀態，識別存在的溫度異常區域，從而有效預防過熱等問題。進一步分析半導體元件的溫度情況，通過熱傳導系數的輸入和熱累計效應的計算，可以精確評估半導體元件的溫度變化對整體系統的影響，避免因溫度累積導致的故障風險。此外，結合半導體元件的熱擊穿溫度數據進行瞬時溫度檢測，能夠在機器人運行過程中實時識別任何超溫情況，從而避免設備損壞。通過瞬時過溫數據的風險評估，可以實現對機器人半導體元件的預測性維護，及時做出調整，避免長期運作中的熱擊穿損壞，極大提高了系統的可靠性。與傳統方法相比，這種基于數據模型的分析方法不僅能夠提供更高精度的實時監測，還能通過智能算法預測潛在的故障風險，減少了人工干預，提高了故障診斷的自動化水平，極大增強了機器人在高負載、復雜環境下的持續工作能力，提升了智能制造系統的整體性能。

39、優選的，步驟s244具體為：

40、基于半導體元件熱擊穿數據進行溫度波動統計，從而獲得熱擊穿溫度波動數據；

41、根據熱擊穿溫度波動數據進行焊點熱循環應力分析，從而獲得焊點熱循環應力數據；

42、根據焊點熱循環應力數據進行焊點疲勞識別，從而獲得焊點疲勞數據；

43、基于焊點疲勞數據進行疲勞焊點圖像采集，從而獲得疲勞焊點圖像；

44、對疲勞焊點圖像進行焊點邊緣檢測，從而獲得焊點邊緣數據，并進行焊點邊緣坐標標記，從而獲得焊點邊緣坐標數據；

45、對焊點邊緣坐標數據進行極坐標系空間映射，從而獲得焊點極坐標系空間數據；

46、根據焊點極坐標系空間數據進行裂紋直線識別，從而獲得裂紋直線數據；

47、根據裂紋直線數據對疲勞焊點圖像進行裂紋區域標識，從而獲得裂紋區域數據；

48、根據裂紋區域數據進行焊點脫落失效分析，從而獲得焊點失效數據。

49、本發明通過對半導體元件熱擊穿數據的溫度波動統計，可以有效評估和監測半導體元件在不同工作環境下的熱穩定性，及時發現導致熱擊穿的潛在問題。將這些波動數據用于焊點熱循環應力分析，有助于揭示焊點在高溫和低溫交替的環境中承受的應力變化，進而預判焊點出現的損傷。焊點疲勞識別基于這些數據能夠深入分析焊點是否處于疲勞狀態，為早期發現焊點失效提供可靠依據。通過疲勞焊點圖像采集，能夠直觀地展示焊點在疲勞過程中的物理變化，從而輔助判斷焊點是否存在潛在裂紋或其他損傷問題。通過焊點邊緣檢測和邊緣坐標標記，不僅提供了更高精度的焊點形態數據，還為后續的裂紋分析提供了必要的空間數據支持，保證了分析的準確性。極坐標系空間映射則為裂紋識別提供了標準化的坐標系統，使得裂紋直線的識別更加高效和精準。通過對裂紋直線數據的進一步分析，可以識別出裂紋的具體位置和形態，為裂紋區域標識提供更精準的依據，從而及時檢測到焊點的損傷進程。最后，焊點脫落失效分析通過全面評估裂紋區域數據，能夠提前發現焊點的潛在失效風險，有效防止因焊點脫落導致的系統故障。這一系列的步驟通過精確的圖像識別、數據分析和建模，顯著提高了傳統人工檢測方法的效率和準確性，能夠在復雜環境中提供實時、全面的故障預警，有效避免了延遲檢測和潛在的操作風險，大大提高了系統的可靠性和安全性。

50、優選的，步驟s3具體為：

51、步驟s31：對三維機器人模型進行動態負載模擬，從而獲得動態負載數據；

52、步驟s32：根據動態負載數據進行對三維機器人模型進行網格劃分，從而獲得三維機器人網格劃分模型；

53、步驟s33：對三維機器人網格劃分模型進行網格應力節點計算，從而獲得網格應力節點數據；

54、步驟s34：基于網格應力節點數據進行應力分布圖繪制，從而獲得應力分布圖；

55、步驟s35：根據應力分布圖進行高應力區域識別，從而獲得高應力區域數據；

56、步驟s36：對高應力區域數據進行機器人負載結構變形分析，從而獲得機器人負載結構變形數據；

57、步驟s37：根據機器人負載結構變形數據進行負載能力評估，從而獲得機器人負載能力數據；

58、步驟s38：根據機器人負載能力數據對三維機器人模型進行磨損部位識別，從而獲得機器人磨損部位數據。

59、本發明通過對三維機器人模型進行動態負載模擬，可以精確獲得機器人在實際工作過程中遇到的各種負載情況，從而為后續分析提供了準確的基礎數據。網格劃分模型能夠將機器人結構細分為多個小單元，確保分析更加精細化和全面。通過網格應力節點計算，可以在每個小單元處得到應力分布數據，幫助識別出機器人各部位的應力狀態，并進一步繪制應力分布圖，為高應力區域的識別提供可視化依據。高應力區域的識別有助于發現機器人的潛在薄弱環節，為及時進行設計改進提供數據支持。通過對高應力區域的負載結構變形分析，能夠了解這些區域在高負載下的變形趨勢，從而揭示潛在的損傷或疲勞問題。負載能力評估則有助于全面了解機器人在不同負載下的承載能力，確保其能在實際工作中保持穩定的性能。最后，通過對機器人磨損部位的識別，可以預測哪些部位在長期使用過程中會出現磨損，從而為后續的維護和保養提供科學依據。這一系列分析結合了多維數據，能夠為機器人性能評估、優化設計、故障預測和智能維護提供全面支持，彌補了傳統方法中人工檢測的不及時、不準確的缺陷，提高了機器人系統的可靠性、精度和效率。

60、優選的，步驟s36具體為：

61、步驟s361：獲取機器人材料屈服標準數據；

62、步驟s362：根據機器人材料屈服標準數據對高應力區域數據進行變形初步判定，從而獲得機器人負載變形數據；

63、步驟s363：對機器人負載變形數據進行位移方向識別，從而獲得位移方向數據；

64、步驟s364：對位移方向數據進行變形量計算，從而獲得變形量數據；

65、步驟s365：對動態負載數據進行機器人負載結構判定，從而獲得機器人負載結構；

66、步驟s365：根據變形量數據對機器人負載結構進行結構變形確定，從而獲得機器人負載結構變形數據。

67、本發明通過獲取機器人材料的屈服標準數據，可以確保所選材料的強度符合要求，避免因材料性能不足導致的變形或故障。在此基礎上，進行高應力區域的變形初步判定，可以快速識別出機器人會遭遇嚴重變形的區域，為后續分析提供精準的依據。通過對負載變形數據進行位移方向識別，能夠進一步明確這些區域變形的具體方向，有助于分析結構受力的具體情況，確保在設計優化時能夠有效避免不合理的負載分布。變形量計算能夠量化變形程度，為評估負載能力和優化設計提供數據支持。基于動態負載數據進行負載結構判定，確保機器人能夠承受設計負載，并有效分配應力，以避免過載引發的失效。最后，通過對變形量數據的進一步分析，結合機器人負載結構進行結構變形確定，能夠詳細了解機器人在高負載下的變形狀態，從而為性能優化和預防性維護提供依據。這一系列步驟的實施有效地避免了傳統方法中由于人工檢測延遲、精度不足以及缺乏實時智能優化的問題，提升了系統的可靠性、精度與效率，確保機器人在復雜生產環境下的安全運行。

68、優選的，步驟s38具體為：

69、步驟s381：根據機器人負載能力數據進行負載分布圖繪制，從而獲得負載分布圖；

70、步驟s382：對負載分布圖進行不均勻部位識別，從而獲得機器人負載不均勻部位數據；

71、步驟s383：對機器人負載不均勻部位數據進行長時間負載部位識別，從而獲得長時間負載部位數據；

72、步驟s384：對長時間負載部位數據進行關節周期性沖擊部位分析，從而獲得關節周期性沖擊部位數據；

73、步驟s385：根據關節周期性沖擊部位數據進行磨損計算，從而獲得機器人磨損部位數據。

74、本發明通過根據機器人負載能力數據繪制負載分布圖，可以直觀地了解機器人的負載分布情況，幫助識別出存在負載不均的區域。這一步驟為后續優化設計提供了數據支持，有助于確保機器人的負載能力得到充分利用，并避免某些區域的過載或疲勞問題。對負載分布圖進行不均勻部位識別，能夠精準定位機器人的潛在高風險區域，為及時采取維護措施提供基礎，避免因局部過載導致的設備故障。進一步識別長時間負載部位，能夠發現那些在長時間工作中持續承受較高負荷的區域，這有助于評估機器人的長期使用可靠性，提前發現故障點。通過分析長時間負載部位的關節周期性沖擊情況，可以精確識別受到重復性沖擊的部位，為改善機械設計和降低磨損提供依據。最后，根據這些周期性沖擊部位進行磨損計算，可以量化機器人各部件的磨損情況，為維修和更換提供科學依據，避免因過度磨損導致的故障停機。此方法提升了傳統系統的實時性、智能化和精確度，能有效預防過載、疲勞等問題，減少人工干預，確保機器人在復雜環境中的高效運行與安全性。

75、優選的，本說明書還提供一種工業機器人的性能參數獲取系統，用于執行如上所述的一種工業機器人的性能參數獲取方法，該工業機器人的性能參數獲取系統包括：

76、模型構建模塊，用于獲取工業機器人設計數據，并進行三維機器人模型構建，從而獲得三維機器人模型；

77、重復定位精度分析模塊，用于對三維機器人模型進行傳感監測，從而獲得機器人傳感數據；基于機器人傳感數據進行重復定位精度分析，從而獲得重復定位精度數據；

78、磨損部位識別模塊，用于根據三維機器人模型進行負載能力分析，從而獲得機器人負載能力數據；根據機器人負載能力數據對三維機器人模型進行磨損部位識別，從而獲得機器人磨損部位數據；

79、運動性能測試模塊，用于根據機器人磨損部位數據進行壽命預測，從而獲得機器人壽命數據；基于機器人壽命數據進行運動性能測試，從而獲得機器人運動性能數據；

80、參數調節模塊，用于根據重復定位精度數據進行精度統計，從而獲得低重復定位精度數據；根據低重復定位精度數據對機器人運動性能數據進行伺服系統性能參數調節，從而獲得伺服系統性能參數。

81、本發明的工業機器人的性能參數獲取系統，該系統能夠實現本發明任意一種工業機器人的性能參數獲取方法，用于聯合各個模塊之間的操作與信號傳輸的媒介，以完成工業機器人的性能參數獲取方法，系統內部模塊互相協作，從而優化工業機器人運動精度和伺服系統性能。