机器人故障预测软件的设计与开发

机器人故障预测软件的设计与开发摘要本文将故障预测与健康管理(PHM)技术和统计过程控制(SPC)技术用于机器人系统的故障预测。并与现代计算机技术相结合，通过VisualStudio2017平台设计并开发出一款软件。通过软件实现对机器人部件的日常运行数据进行统计和计算，判断机器人系统部件是否处于稳定可靠的状态，以此达到故障预测的目的。关键词：故障预测；健康管理；统计过程控制DesignandDevelopmentofRobotFaultPrediction

SoftwareAbstractInthispaper,faultpredictionandhealthmanagement(PHM)technologyandstatisticalprocesscontrol(SPC)technologyareusedtopredictfaultsinrobotsystems.Andcombinedwithmoderncomputertechnology,throughtheVisualStudio2017platformtodesignanddevelopasoftware.Throughthesoftware,thedailyoperationdataoftherobotcomponentsisstatisticallycalculatedandcalculatedtodeterminewhethertherobotsystemcomponentsareinastableandreliablestate.Inordertoachievethepurposeoffailureprediction.Keywords:Faultprediction;Healthmanagement;Statisticalprocesscontrol目录TOC\o"1-5"\h\z1引言11.1课题背景1国内外研究现状1本课题研究的意义2本课题的研究方法22机器人故障预测需求分析和总体方案设计22.1需求分析22.2总体结构设计22.3运行的流程图33设计总体框架和软件工作原理43.1软件的工作原理43.1.1故障预测与健康管理（PHM）技术43.1.2统计过程控制63.2数据的采集103.2.1数据的选择103.2.2数据的接收103.3数据的处理和判断133.3.1故障预测算法133.3.2数据异常判断准则143.3.3Cpk的判断标准153.3.4实例15统计过程控制图173.4.1统计过程控制图的选择173.4.2Xbar-R控制图的画法18软件界面19结论19参考文献20致谢错误!未定义书签。声明错误!未定义书签。1引言课题背景在我国信息与通信技术和自动化技术快速发展的背景下，工业机器人为主导的生产加工中心变得越来越复杂，集成度也越来越高。当一个部件出现问题的时候，波及的范围很可能导致工作任务的失败，运气不好还可能导致整个生产系统发生瘫痪。虽然工业机器人在现代制造业中的作用不断加大，在全世界，尤其是在我国以极快的速度普及，但是随着工业机器人的机构越来越精密越来越复杂，这对维护人员的专业技能要求不断提高。国内外研究现状从有关的文献看,国外的机器人公司已经开始研究基于网络的远程实施监控和故障诊断模式。其中，瑞典的ABB机器人公司和日本的发那科机器人公司在远程监控和诊断技术上处于世界领先阶段。ABB机器人公司通过他们开发的一款远程服务平台来对客户企业提供远程实时监控和故障诊断服务。而日本的发那科机器人公司，因为他们销售的机器人本身就具备了远程实时监控和故障诊断功能，所以在研究基于网络的远程实施监控和故障诊断模式方面具有先天的优势。虽然ABB机器人公司和发那科机器人公司都拥有了对机器人远程监控和诊断的技术，但这项技术还是没有做到十分的完善，各方都存在一些问题。比如ABB机器人公司的远程监控和诊断技术在本地监控管理上就存在这与本地交互差的缺点，而发那科机器人公司在网络信息安全方面需要用户企业花费大量的时间和精力去做防护工作。我国工业机器人的发展时间还十分的短，加上国外的技术封锁，使得工业机器人的发展更为艰难。因此，我国还没有比较成熟远程监控和故障诊断技术。目前，针对工业机器人的故障问题。主要还是依赖于工业机器人通过示教器显示的错误代码，这样一种落后的方式来提醒维修技术人员进行处理。并且，由于错误代码的反映的信息有限，不能充分而又准确的反映问题所在。因此，我们仍旧需要专业的工程师在故障现场解决问题。以上的情况代表着我国工业机器人故障诊断技术的发展之路还有很长的一段路要走。国内主要机器人制造商，为了降低用户的机器人使用成本和售后服务成本，纷纷着手构建自己的机器人远程监控服务平台。本课题研究的意义现目前，我国的工业机器人应用企业普遍缺少的工业机器人方面的专业工程师。这使得当工业机器人出现故障停止工作的时候，这些企业不能对机器人自主维护，因而需要通知机器人外部服务商到现场来解决问题。但这期间会消耗一定的等待时间。再加上维修技术人员在到达故障现场前，得不到机器人的日常运行数据，无法在到达现场后马上进行故障处理。这会照成对企业恢复正常的生产时间的延误和加重企业的损失。而本课题提出一种暂时的缓解问题的方案，通过这款软件，我们可以得到机器人的日常运行数据，并通过故障预测算法和数据异常判断准则对运行数据进行分析。机器人应用企业只需要将分析结果传给维修人员，维修人员就可以有一个提前的预判，甚至直接给出解决方案，这将节省企业的大量时间。本课题的研究方法本文将故障预测与健康管理(PHM)技术和统计过程控制(SPC)技术用于机器人系统的故障预测。并与现代计算机技术相结合，通过VisualStudio2017平台设计并开发出一款软件。我们通过该软件实现对机器人部件的日常运行数据的统计和分析，判断机器人系统部件是否处于稳定可靠的状态，以此达到故障预测的目的。2机器人故障预测需求分析和总体方案设计2.1需求分析软件具有串口参数选择功能，能够选择串口参数，增加软件的通用性；软件具有数据采集功能，能够从机器人端获取数据；软件具有数据保存功能，保存历史数据，以便机器人维修员分析；软件具有数据分析功能，基于统计过程控制理论，将数据进行分析计算,判断数据代表的机器人部件是否处于健康状态；软件具有数据报表功能，通过报表将数据的分析结果显示出来；2.2总体结构设计

根据需求，软件的结构图设计如下:图1软件结构图机器人故陣预测软件i折线图显示窗口口幵关功能LI主数据处理劭i折线图显示窗口口幵关功能LI主数据处理劭石數据管理功箴数据提取功能主数揺存储功能2.3运行的流程图我们通过visualstudio工具设计故障预测软件，软件实现对机器人故障的预测的流程图如下:图2流程图G"ir；朕取材L需人瞰堀51常笑嗣串朕取材L需人瞰堀51常笑嗣串口3设计总体框架和软件工作原理3.1软件的工作原理3・1・1故障预测与健康管理（PHM）技术故障预测与健康管理技术是从故障诊断技术逐渐发展而来的，强调对系统的状态感知，判断系统是否处于健康状态，发现系统故障的多发区和多发期。最终通过对系统数据的监控和分析，预测可能发生的故障。要实现故障预测与健康管理，我们需要丰富的行业知识、经验和模型作为骨架，还需要有大数据分析技术。这两年，我国大小企业纷纷开始涉及大数据技术，这对实现故障预测和健康管理有非常大的帮助。此外，机器人系统、数控加工中心与运载器都是智能机电一体化系统，都是具有许多相似性和可比性的复杂系统［1］。而两者结构又不完全相同，运行环境也有一定的差异，故障导致的风险不如运载器高，对独立维护的要求不高［1］。对于以上的特点，我们提出了一种适用于机器人系统的预测与健康管理体系结构［1］。如图3所示。系统人机交流层系统维修决簞层系统维修决簞层图3系统体系结构系统信号收集层一一这一层从传感器接收到的机器人系统的运行数据收集起来。系统状态监测层一一这一层用来监测机器人组件件的健康状态或运行性能。系统状态汇报层一一这一层用来汇报机器人系统的各组件的健康状态。系统维修决策层一一这一层用来根据机器人系统的健康状况和故障部件的情况，对维修技术人员提供一定的维修建议。系统人机交流层一一这一层是机器人系统与工作人员的交流窗口，工作人员可以通过这层获取到其它层的数据。在机器人的运行过程中，我们通过系统信号收集层对机器人系统重要部件的运行数据进行定期的收集，通过对机器人系统部件的健康状态的判断，以此来判定机器人系统是否处于健康状态。将收集到的运行数据进行分析计算，发现数据的规律，通过数据的可能趋势，判断机器人系统未来可能发生的故障，达到预测的目的。维修技术人员可以根据系统的提示，提前计划好维修方案，提前准备好相应的维修设备和需要的部件。在建立对机器人系统的故障预测和健康管理系统的时候，我们只用对机器人系统自带的传感进行优化布局，不需要额外添加设备，这样有易于对生产企业现有机器人系统技术进行改造，降低企业的成本。随着工作时间的增加，机器人系统的健康状态也是会不断退化的。这个过程就是机器人系统从功能正常到功能失效的这段时间。在这里将其以图4展图4机器人系统的健康水平退化过程[1]机器人故障预测系统的功能就是依据目前机器人系统的运行数据的发展趋势，预测机器人系统可能发生故障的时间点。机器人故障预测系统的工作范围也就是图3中系统异常检测点和系统功能失效点之间。机器人故障预测技术的工作内容包括：（1）判断当前机器人系统是在系统正常、系统性能下降、系统失效，这三种健康水平中的哪种；（2）如果机器人系统处于系统性能下降阶段，通过对运行数据的计算，判断出是哪一个或几个系统部件出现了故障或性能下降，照成了机器人系统性能的下降；（3）预测机器人系统未来的健康状态，研究接下来的一段时间内机器人系统可不可以正常地完成工作要求；关于故障预测技术，最适合我们的是基于数据的故障预测技术。原因如下：（1）基于数据的故障预测技术不需要机器人系统的数学模型和丰富的专家经验（这都是我目前无法拥有的）；（2）基于数据的故障预测技术只需要我们对机器人系统的各种数据（如温度，转角转矩等）进行收集；（3）现在是大数据时代，大数据技术的发展，将使得我们对机器人系统数据的分析处理更加的快速准确，这有利于我们对机器人故障的预测和对机器人健康的管理；3.1.2统计过程控制统计过程控制（StatisticalProcessControl，简称SPC）是一种采用数理统计方法的过程控制工具。一般用于对工厂的产品质量进行统计计算，以达到控制产品质量的目的。通过与计算机技术相结合，统计过程控制技术可以实现对工厂的生产过程实时监控，使生产过程维持在只受到随机性因素影响的受控状态，来达到控制产品质量的目的。统计过程控制技术主要是通过统计过程控制控制图来直观体现工厂的生产设备是否处于受控状态。我们可以根据统计过程控制控制图上的特征点的分布来找到生产设备的特性发展趋势。通过提前的维护使得生产设备始终处于受控状态，达到对产品质量的控制。而机器人故障预测技术也需要找到机器人系统的性能发展趋势，通过对机器人系统运行数据的分析计算，找到将要发生故障的系统部件，使得维修技术人员可以提前解决潜在的问题，保证机器人系统的健康。由此可见两者之间的相识性，而且统计过程控制技术对工厂产品生产质量的控制能力，充分体现了它的预防和监控能力。因此我们在这里将统计过程控制技术引入到机器人故障预测技术，作为机器人系统运行数据分析计算的理论依据。（1）统计过程控制的原理:统计过程控制就是对生产过程的质量进行统计分析，计算样本出的均值和标准差，看看样本的均值和标准差是否发生了很大的。在质量特性中，最常用的计量值的理论分布为正态分布。因此当样本的均值为元、样本大小为n的时候，发现：

X—|L1<z=1—aX—|L1a/2丿时间或样不号LL这一公式成立，那么就表明了在显著性水平为a时，样本的总体均值卩没

有出现明显变化，这表明了生产设备处于健康稳定的状态。而统计过程控制图

的上控制限、中心线和下控制限分别为UCL，CL，LCL。控制图如图5所示：时间或样不号LL图5SPC控制图图中的UCL，CL，LCL的计算公式为：UCL二p+Zg/、】na/2CL二pLCL二p—Zg/Jna/2根据查找的资料显示，Zs/刀取3作为控制图的控制界限可以使因为弃真错误、取伪错误而造成的总损失较小，特征值点落在（p—3g，p+3g）界限内的概率为99.73%。（2）统计过程控制图的异常判断准则有很多的信号规则都可以用在统计过程控制图上。而这些判断异常的信号规则可以分为两个大类：一，特征值点超出统计过程控制图的上下控制限就可以判定为异常；二，控制图的控制界限内特征值点不是以随机的方式的排列变化时，就可以判定为异常。控制图的控制界限内特征值点不是以随机方式的排列变化的情况，可以细分为以下具体的信号规则：7个或以上的特征值点接连出现在中心线的一边；7个或以上的特征值点出现依次上升或下降的现象；多于2/3的特征值点落在控制图的控制界限内2/3以外（也就是接近控制界限），比如：连续的3个特征值点中超过2个特征值点落在中心线与2倍标准差（上）之外；f.特征值点距离中心线在1倍标准差（b）以内连续15点集中在中心线附近；特征值点在控制图界限内呈规律变化。如果统计过程控制图内的控制点符合以上的信号规则，就表明了机器人系统出现了异常。就算机器人系统的运行数据显示机器人仍在控制范围内，但我们依然可以通过对数据图的分析来判断机器人系统的运行情况，这体现了故障预测的思想。（3）过程能力指数Cp与爼过程能力也被叫做工序能力，指的是加工生产过程的时候，加工出来的产品达到加工质量要求的能力。过程能力是追求的是在加工过程时，生产设备最稳定的一段时间内的最小波动。在生产设备处于稳定的状态时，生产出来的产品的质量特性值点有99.73%都落在在区间36卩+3。」内（其中卩为产品特性值的总体均值，。为产品特性值总体标准差），也就代表它近乎百分百产品特性值点都落在力的范围内；因此，我们通常用力代表过程能力，它的值越小说明生产设备越稳定。过程能力指数Cp是代表的是生产过程固定不变的波动状态。过程能力指数代表的是在生产过程的平均值卩与目标值M重合这样的一种情况，如下图6所示：图6过程能力指数CP产品的生产过程处于稳定受控制的状态时，过程能力指数CP可用下面的公式表示：Cp=（usl-LSL）/6。

因为规格中心为M=(USL+LSL)/2，所以&越小，过程能力指数越大，代表着产品的加工质量越好，但这往往对设备及操作人员产生了更高的要求，使得产品的加工成本更高。因此,我们对Cp值的选择应该结合企业自身的技朮与经济实力综合分析后决定。在产品生产的过程中，我们一般要求生产过程能力指数为Cp-1，但实际上根据6&对生产过程能力的要求是C-2，也就是在短期内产品的生产过程能力指数为C-2。过程能力指数Cpk是(ComplexProcessCapabilityindex)的缩写，是大多数现代企业采用的表示过程能力的指标。5*主要是由子组间的变差产生,所以要对生产数据进行分组。其中涉及到子组，子组容量，采值频次等，Cpk针对的是一个短期的过程。做Cpk时，过程要求受控。因为Cp代表的生产过程输出的平均值与目标值重合这一情形在事实上是十分少见的，所以，我们在这里引进一个偏移度K的概述，也就是过程平均值卩与目标值M的偏离过程，如图7所示：图7过程能力指数CPk-kkp图7过程能力指数CPk-kkp训/T》/（6c）Cpk=-2M-=T/（6c）-M-比I/&）K=M-、/&/2）=2|M-卩|/T（其中t二USL-LSL）从公式可知：Cpk=Cp-|M-艸/\3c)冃即Cp-Cpk=|M_卩想要尽量使Cp=Cpk，那么M-叩亠丿就是是我们的改善机会。/&）图图8串口属性的设置窗口3.2数据的采集3.2.1数据的选择由于机器人底层参数开放的较少，所以本文中我们对机器人故障预测和分析的数据只包括：各轴的温度、各轴的转矩、各轴的转角。后面本文会把机器人第1个轴的温度做为示例。3.2.2数据的接收串口是一种比较简单的通信形式。串口通信协议包括RS-232、RS-422、RS-485这三种标准，但在PC与通信工业中应用最为广泛的串口是RS-232。因此，我们选择RS-232标准。RS-232的传输方式为单端通信，分别有9针和25针两种引脚。串口通讯只要有接收数据针脚就能和发送数据针脚就能实现对数据的传输，同一个串口的接收数据针脚和发送数据针脚直接用线相连。在.NETFramework2.0库类中提供了SerialPort类，方便地实现了所需要串口通讯的多种功能。SerialPort类提供了同步I/O和事件驱动I/O、对管脚和中断状态的访问以及串行驱动程序属性的访问。SerialPort类存在于System.IO.Ports命名空间，因此在使用SerialPort之前，我们需要引用System.IO.Ports命名空间。我们通过VisualStudio2017进行编程来实现PC端能接收到由串口发来的机器人运行数据。VisualStudio2017里封装了串口收发的模块，这使得我们可以对串口数据收集和处理。通过VisualStudio2017创建Windows窗体应用程序，我们可以在设计程序的时候事先设置好串口的常用属性，但在实际的情况下，为了提高软件的通用性，我们往往需要在程序中提供能设置选择串口参数的功能，具体参数包括：数据位、串口号、波特率、停止位、超时。如图8所示：串口设置图图10打开串口的部分程序为了对串口参数进行的设计，我们通过上网查询相关资料，获得串口常用

参数。将收集到的参数添加到软件界面的选项列表中。串口参数的选项列表程序如下图:"设盖串口号下揑列表的选项ckha.o・SrapDaimStyle=ComhoEoKStyle・0工口pD口™ckha.Q.Items.Add.(""COMl"");ckhao.Items.Add.("COM2")ckhao.Items.Add("COMd")ckhao.Iteina.Add("COM")ckhao.Iteina.Add("COMET)ckhao.ItemE.Add.("COMG")ckhao.ItemE.Add.("COM?")ckhao.Items.Add.("COMS")ckhao.Items.Add.COM3图9设置串口号下拉列表选项图9这里只是串口号的参数选项，上面程序中的ckhao代表的就是串口号。而波特率(btlv)、数据位(sjwei)、停止位(tzwei)、超时(chaoshi)的程序只需要把上面的“ckhao”和“coml”换成对应的缩写和参数就可以了。我们需要注意根据串口所连接的机器人控制柜来选择我们需要的参数，通过Button控件的click属性，对这些参数进行读取并打开新的串口连接。之后机器人的运行数据将会被送入到电脑的虚拟缓存区，以完成数据读取工作。这需要我们设置串口的打开和关闭两个按键。打开串口的部分程序如下图所示：privatevoidbtnckOpen_CLick(objectsendeijEventArgse){try{if(!(sp.IsOpen)){lblEdit.Visilile=false:丨丨丨Strmgdatabource=S+rlng.L-upy［土xtI1ataSour匚:已・Text..1:sqlite_table=Strin?■匚(丈貨丈Mqlit・丁亡盜丈)；Stringserver=Stringt筈七3亡匕\7亡匕.Tesrt);Stringdalabase=String.Copy(txtDalabase.Text):String口id二String：.Copy()：Stringpwd=String：.Copy(tKizPa-ss^ord.Te^t);sqlS_table=String：.Copy(tstsq.LS_Table.TeKt):i■i__sp.PortMane=ckhao.Test;sp・BaudRate=Convert・Tci工rrt32(titl卩.TeHt);sp.Datafiite=匚onvert.Tolnt32Text);sp.StopBi-ts=(StopBits)Convert.ToIrLt32(tsshi.:sp.ReadTiJneout=Convert.Toln-t32(chaoshi.TeKi:):sp.OpenQ;当我们点击打开串口按钮后，软件开始运行“btnckOpen_Click”内的程序。如果当符合条件“！(IsOpen)”的时候程序继续运行。通过对之前我们在界面上选择的参数的读取，程序打开相对应的串口。关闭串口的部分程序如下图：privatevsidbtnckClose_Click(objectsender^EventArgse){lblEdit.Visible=false:if1・Checked)IblState-Test=“串口已经关亦昱示已接欣数IT;IelseIblState.Text二"串口已经关诃，隐藏已接收藪揭"；btnckOpen.Enabled=true:btrickClose・Enatiled=false:OpenChange1st();bOpening=false:u/hile(bListenl||bListen2||bListen3||bListen-4)Application.DoEvents():trdDataReceiue.Abort():trdSQLite.Abort():trdSQLServer.Abort();trdDataShoiu.Abort():sp.Close();LOG.Info串口矣田正當");}图11关闭串口的部分程序当我们点击关闭串口按钮后，数据的接收终止。对机器人运行数据的收集和记录是分析机器人数据必不可少的过程。而通过串口采集来的数据，刷新率不是特别高。正因为这样，我们通过使用VisualStudio2017来开发编程以实现在PC进行对串口数据的收集。我们为了方便对机器人的运行数据进行查看和为了利于将来对数据的分析,本文采取了通过连接office办公自动化软件中的Excel来实现对串口数据的保存记录，这是因为Excel表格具有分析计算数据的功能，方便之后我们对机器人运行数据进行计算。而在VisualS的框架下，C#可以实现自动生成Excel2003表格。只需要通过解决方案资源管理器下的引用中选择添加引用Microsoft.office.Excel，这样就可以调出Excel类。我们事先将创建Excel文件的程序写好，该程序包含创建一个新的Excel文件、向Excel写入机器人运行数据、保存Excel文件的功能。在Windows窗口添加一个bottom控件，通过操作界面右边的属性，我们可以将button控件进行命名，这里我们简单的控件名为excel。利用bottom的

click属性就可以实现把通过串口通讯获得的机器人运行数据保存在excel文件里。3.3数据的处理和判断3.3.1故障预测算法基于统计过程控制理论，对数据样本进行处理，得到数据样本的平均值和标准差，判断是否符合正态分布。由于实际的监控中，我们能够得到很多数据，所以选择灵敏度高的Xbar—R（均值极差）图。由此我们将excel文件中的数据导出，根据下面的公式处理数据：以五个样本为一子组，一共产生20个子组。2•计算各个子组的平均值Xi。-工XX二ji53•计算各个子组的极差f。R=maxVLminsX）iijij计算样本的总均值X和平均样本极差R。205•计算R205•计算R图的参数。根据统计过程控制控制图的常数表可以知道，当子组大小n=5时，D=D=2.1144，D3二0，带入R图的公式，得到:UCLR=DR4CLR=RLCLR=DR36•计算X图参数。可知，当n=5时，A2=°.577，在将X，R带入X图的公式得到X图：UCLX=X+AR2CLX=XLCLX=X-AR27.与理想值进行比较。在这里我们假设正常参数的范围TL，上控制限TU，利用R和X计算Cp。d2厂TU-TLCp=6o如X与容差中心M不重合需要继续计算CpkM—卩K=T/2Cpk=(-Kb3.3.2数据异常判断准则根据统计过程控制的异常判断准则，我们可以得到用于对机器人数据进行判断异常的准则，如下：当样本数据的平均值X大于UCLX或小于LCLX时，可以判断机器人出i现异常。当样本数据的极差R大于UCLR或小于LCLR时，可以判断机器人出现异i常。3•当样本数据的平均值X出现连续7个以上大于或小于CLX时，可以判断i机器人出现异常。4•当样本数据的极差R出现连续7个以上大于或小于CLR时，可以判断机i器人出现异常。当样本数据的平均值X出现如：X到X的值依次增加或减少时，可以i17判断机器人出现异常。当样本数据的极差R出现如：R到R的值依次增加或减少时，可以判断i17机器人出现异常。当样本数据的平均值X出现连续15个以上大于CLX-o且小于ixCLX+o时，可以判断机器人出现异常。x当样本数据的极差R出现连续15个以上大于CLR-o且小于CLR+oirr时，可以判断机器人出现异常。当样本数据的平均值X出现如：X到X之间超过2/3的值大于i1nCLX+2o且小于UCLX或大于LCLX且小于CLX-2o时，可以判断机器人出xx现异常。当样本数据的极差R出现如：R到R之间超过2/3的值大于CLR+2oi1nr且小于UCLR或大于且LCLR小于CLR-2o时，可以判断机器人出现异常。r在上面的准则中，1、2两项是对机器人数据处理后的第一次判断。如果条件符合，则提醒技术人员机器人运行异常。2至10项为同时判断并且都采用计数的方法。3、4两项判断条件为大于中心线，每符合条件一次，n加一且m减一，如过不符合条件则n减一且m加一。当n或m累计达到7次时，提醒技术人员机器人运行异常。5、6两项判断条件为后一个值比前一个值大，每符合条件一次，n加一且m减一，如过不符合条件则n减一且m加一。当n或m累计达到7次时，提醒技术人员机器人运行异常。7、8两项判断条件为在距离中心线一倍标准差内，每符合条件一次，n加一,如过不符合条件则n减一。当n累计达到15次时，提醒技术人员机器人运行异常。9、10两项判断条件为在距离中心线两倍标准差外，每符合条件一次，n加一，如过不符合条件则n减一。当n累计达到总计数的2/3时，提醒技术人员机器人运行异常。3.3.3Cpk的判断标准Cpk值的判断标准如下表：表1等级数值范围代表的状态特优（A++）Cpk>2.0部件很健康优（A+）2.0>Cpk>1.67部件健康良（A）1.67>Cpk>1.33部件亚健康一般（B）1.33>Cpk>1.0部件有损伤差（C）1.0>Cpk>0.67部件接近损坏坏（D）0.67>Cpk部件损坏3.3.4实例我们通过串口通讯，在机器人端获取了电机的温度数据如下表2电机温度数据组号电机温度XXXX:AX11I2131415140.340.541.041.242.1242.543.043.343.944.0344.644.843.943.343.0

442.442.041.140.340.9541.141.541.942.543.0643.543.944.044.344.8743.943.042.842.141.0841.541.942.043.544.0944.543.243.042.542.01041.340.541.041.642.31142.543.543.944.343.61243.242.442.141.741.41340.840.240.741.141.51441.842.542.943.243.61544.144.544.944.744.21643.843.643.142.742.01741.741.241.040.840.11840.941.542.142.743.01943.643.944.344.644.92044.543.943.242.742.0根据故障预测算法求取电机温度数据的子组总数、平均数、极差如下表3组号X.R.1i41.02i1.8243.341.5343.921.8441.341.55421.9644.11.3742.562.9842.582.5943.042.51041.341.81143.561.81242.161.81340.861.31442.81.81544.480.81643.041.81740.961.61842.042.11944.261.32043.262.5根据故障预测算法求取所有数据的总平均值和所有极差的平均值：X=42.633R=1.815根据故障预测算法计算R图的参数：UCLR沁3.837CLR=1.815LCLR二0计算X图的参数：UCLX沁43.680CLX=42.633LCLX沁41.586根据数据异常判断准则判断电机温度是否处于安全区：我们将表内数据与R图和X图的上下控制限比较发现，根据数据的极差可以判断电机温度变化为稳定，根据数据的平均值可以发现第3、6、15、19组的X值大于UCLX。计算数据的过程能力指数：Cpk=1.012综上所述，我们可以预测电机温度有逐渐上涨的趋势并且已经接近安全温度上限，建议对电机进行检修。3.4统计过程控制图由于我本身的能力有限，在软件自动判断机器人是否出现异常中会有一些异常情况不能被发现，所以我们需要生成控制图来辅助技术人员进行判断。3.4.1统计过程控制图的选择统计过程控制图种类比较多，但主要分为两大类：计量型和计