moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2025.49.2.034 1912 Методология создания набора данных для предиктивного анализа промышленного робота Methodology for creating a dataset for predictive analysis of an industrial robot 0000-0002-8742-6033 Кормин Тимофей Григорьевич Kormin Timofey Grigorievich ktg39@mail.ru aff-1 Тихонов Игорь Николаевич Tikhonov Igor Nikolaevich i.n.tihonov@urfu.ru aff-2 0000-0002-4366-0426 Берестова Светлана Александровна Berestova Svetlana Alexandrovna s.a.berestova@urfu.ru aff-3 Зырянов Артем Владимирович Zyryanov Artyom Vladimirovich artemzyranovoffice@gmail.com aff-4 Уральский федеральный университет имени первого Президента России Б.Н. Ельцина Ural Federal University named after the first President of Russia B.N. Yeltsin Уральский федеральный университет имени первого Президента России Б.Н. Ельцина Ural Federal University named after the first President of Russia B.N. Yeltsin Уральский федеральный университет имени первого Президента России Б.Н. Ельцина Ural Federal University named after the first President of Russia B.N. Yeltsin Уральский федеральный университет имени первого Президента России Б.Н. Ельцина Ural Federal University named after the first President of Russia B.N. Yeltsin 01 01 2026 1 1 10.26102/2310-6018/2025.49.2.034 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

Промышленные роботы являются одним из способов увеличения объемов производства. Пакетирование, фрезеровка, сварка, лазерная обработка, 3D печать – это ряд процессов, в которых требуется поддержание высокой точности позиционирования промышленных роботов на протяжении всего цикла операций. В статье проводится анализ использования метода Денавита-Хартерберга (DH) для определения ошибок позиционирования и ориентации промышленного робота. В данном исследовании применяется метод DH для создания модели возможных ошибок в промышленных роботах и для создания базы данных об отклонениях звеньев и рабочего органа робота от заданной траектории. Особое внимание уделено представлению практических шагов по созданию синтетического набора данных отклонения осей промышленного робота, начиная от кинематической модели робота и заканчивая подготовкой конечного формата данных для последующего анализа и построения модели предиктивной аналитики. Важность тщательной подготовки данных подчеркивается примерами из других исследований в области предиктивной аналитики промышленного оборудования, демонстрируя экономическую выгоду от своевременного обнаружения и предотвращения возможных сбоев при работе техники. Разработанная модель используется в дальнейшем для генерации синтетического набора данных отклонения осей промышленного робота. Предлагаемая модель сбора данных и методология создания набора данных для предиктивной аналитики тестируется на спроектированном для этих целей 6-осевом роботе.

Industrial robots are one of the ways to increase production volumes. Bundling, milling, welding, laser processing, and 3D printing are a number of processes that require maintaining high precision positioning of industrial robots throughout the entire operation cycle. This article analyzes the use of the Denavit-Harterberg (DH) method to determine the positioning and orientation errors of an industrial robot. In this study, the DH method is used to create a model of possible errors in industrial robots and to create a database of deviations of the links and the working body of the robot from a predetermined trajectory. Special attention is paid to the presentation of practical steps to create a synthetic data set for the deviation of axes of an industrial robot, starting from the kinematic model of the robot and ending with the preparation of the final data format for subsequent analysis and the construction of a predictive analytics model. The importance of careful data preparation is highlighted by examples from other research in the field of predictive analytics of industrial equipment, demonstrating the economic benefits of timely detection and prevention of possible equipment failures. The developed model is used in the future to generate a synthetic data set for the deviation of the axes of an industrial robot. The proposed data collection model and methodology for creating a data set for predictive analytics are being tested on a six-axis robot designed for this purpose.

 обратная задача кинематики предиктивная аналитика имитационное моделирование оценка неисправности промышленного робота метод Денавита-Хартенберга автоматизация диагностика неисправностей inverse kinematics problem predictive analytics simulation modeling industrial robot malfunction assessment Denavit-Hartenberg method automation fault diagnosis Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Lao D., Quan Yo., Wang F., Liu Yu. Error Modeling and Parameter Calibration Method for Industrial Robots Based on 6-DOF Position and Orientation. Applied Sciences. 2023;13(19). https://doi.org/10.3390/app131910901 Zhang Yi., Zhu Q. Neural Network-Enhanced Fault Diagnosis of Robot Joints. Algorithms. 2023;16(10). https://doi.org/10.3390/a16100489 Габитов А.А., Каляшина А.В. Анализ обеспечения точности позиционирования промышленных роботов. Вестник Казанского государственного технического университета им. А.Н. Туполева. 2018;74(4):49–54. Li K.-L., Yang W.-T., Chan K.-Yu., Lin P.-Ch. An Optimization Technique for Identifying Robot Manipulator Parameters Under Uncertainty. SpringerPlus. 2016;5. https://doi.org/10.1186/s40064-016-3417-5 Gonzalez M.K., Theissen N.A., Barrios A., Archenti A. Online Compliance Error Compensation System for Industrial Manipulators in Contact Applications. Robotics and Computer-Integrated Manufacturing. 2022;76. https://doi.org/10.1016/j.rcim.2021.102305 Kou B., Zhang Yi. A New Method for Recognizing Geometric Parameters of Industrial Robots. Scientific Reports. 2025;15. https://doi.org/10.1038/s41598-025-86971-3 Marwan A., Simic M., Imad F. Calibration Method for Articulated Industrial Robots. Procedia Computer Science. 2017;112:1601–1610. https://doi.org/10.1016/j.procs.2017.08.246 Zhong D., Xia Zh., Zhu Yi., Duan J. Overview of Predictive Maintenance Based on Digital Twin Technology. Heliyon. 2023;9(4). https://doi.org/10.1016/j.heliyon.2023.e14534 Lu K., Chen Ch., Wang T., Cheng L., Qin J. Fault Diagnosis of Industrial Robot Based on Dual-Module Attention Convolutional Neural Network. Autonomous Intelligent Systems. 2022;2(1). https://doi.org/10.1007/s43684-022-00031-5 Mc Court K., Mc Court X., Du Sh., Zeng Zh. Use Digital Twins to Support Fault Diagnosis From System-Level Condition-Monitoring Data. arXiv. URL: https://doi.org/10.48550/arXiv.2411.01360 [Accessed 16th March 2025]. Motta J.M.S.T., Llanos-Quintero C.H., Sampaio R.C. Inverse Kinematics and Model Calibration Optimization of a Five-D.O.F. Robot for Repairing the Surface Profiles of Hydraulic Turbine Blades. International Journal of Advanced Robotic Systems. 2016;13(3). https://doi.org/10.5772/63673 Shi X., Guo Yu, Chen X., Chen Z., Yang Zh. Kinematics and Singularity Analysis of a 7-DOF Redundant Manipulator. Sensors. 2021;21(21). https://doi.org/10.3390/s21217257 Di̇kmenli̇ S. Forward & Inverse Kinematics Solution of 6-DOF Robots Those Have Offset & Spherical Wrists. Eurasian Journal of Science Engineering and Technology. 2022;3(1):14–28. https://doi.org/10.55696/ejset.1082648 Xiang W., Chen J., Li H., Chai Zh., Lou Yi. Research on End-Effector Position Error Compensation of Industrial Robotic Arm Based on ECOA-BP. Sensors. 2025;25(2). https://doi.org/10.3390/s25020378

The authors declare that there are no conflicts of interest present.