CN107392401A - 重型轧辊装载智能机器人的故障预测方法 - Google Patents

重型轧辊装载智能机器人的故障预测方法 Download PDF

Info

Publication number
CN107392401A
CN107392401A CN201710806963.4A CN201710806963A CN107392401A CN 107392401 A CN107392401 A CN 107392401A CN 201710806963 A CN201710806963 A CN 201710806963A CN 107392401 A CN107392401 A CN 107392401A
Authority
CN
China
Prior art keywords
heavy
failure
intelligent robot
mill roll
loads
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710806963.4A
Other languages
English (en)
Inventor
薛晓伟
邬春学
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201710806963.4A priority Critical patent/CN107392401A/zh
Publication of CN107392401A publication Critical patent/CN107392401A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/0066—Means or methods for maintaining or repairing manipulators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Optimization (AREA)
  • Robotics (AREA)
  • Manipulator (AREA)
  • Algebra (AREA)
  • Mechanical Engineering (AREA)
  • Educational Administration (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)

Abstract

本发明提供了一种提高故障因素预测的准确率的重型轧辊装载智能机器人的故障预测方法。本发明提供的故障预测方法，包括以下步骤：从记录有重型轧辊装载智能机器人运行的记录数据中，判断出不同的故障以及与故障相对应的所有故障因素；根据记录数据计算故障因素偏离正常阈值不同程度所造成的破坏程度，形成一个相对应的预警运行阈值范围集合；根据记录数据得到与故障因素相对应的故障系数；根据记录数据为每个故障因素建立高斯模型；将实时测得的当前数据代入高斯模型中，得到当前运行阈值；计算重型轧辊装载智能机器人的整体风险值；判断当前运行阈值是否大于预警运行阈值，判断整体风险值f是否大于理论整体风险值；当判断为是时，进行预警。

Description

重型轧辊装载智能机器人的故障预测方法
技术领域
本发明具体涉及一种重型轧辊装载智能机器人的故障预测方法。
背景技术
目前，重型轧辊装载智能机器人发展迅速，应用广泛。但在智能机器人的使用过程中，由于损耗、意外事件等因素带来的故障会导致其不能正常工作，可能会带来巨大的经济损失，因此考虑到整体机器人的稳定性和安全性，对故障进行预测是很有必要的。
目前对故障进行预测常常采用线性模型，但是由于发生故障的起因多变，线性模型无法准确预测，往往无法达到预期的效果。
发明内容
本发明是为了解决上述问题而进行的，目的在于提供一种提高故障因素预测的准确率的重型轧辊装载智能机器人的故障预测方法。
本发明提供了一种重型轧辊装载智能机器人的故障预测方法，具有这样的特征，包括以下步骤：步骤一，从记录有重型轧辊装载智能机器人运行的记录数据中，判断出不同的故障以及与故障相对应的所有故障因素，并将不同的故障因素记为V1，V2，...，Vi，...，Vn(0<i≤n，n为故障因素的数量)；步骤二，根据记录数据计算不同的故障因素Vi偏离正常阈值不同程度所造成的破坏程度，形成一个相对应的预警运行阈值范围集合Ui，Ui包含至少一个预警运行阈值ui1；步骤三，根据记录数据得到与故障因素Vi相对应的故障系数wi，步骤四，根据记录数据为每个故障因素Vi建立高斯模型，并计算出每个高斯模型中的参数；步骤五，将实时测得的当前数据代入高斯模型中，得到当前运行阈值gi；步骤六，计算重型轧辊装载智能机器人的整体风险值f，步骤七，判断当前运行阈值gi是否大于预警运行阈值ui1，判断整体风险值f是否大于理论整体风险值；步骤八，当任意一个判断为是时，进行预警。
在本发明提供的重型轧辊装载智能机器人的故障预测方法中，还可以具有这样的特征：其中，记录数据包含重型轧辊装载智能机器人的运行参数、重型轧辊装载智能机器人的正常运行数据以及重型轧辊装载智能机器人的异常运行数据。
在本发明提供的重型轧辊装载智能机器人的故障预测方法中，还可以具有这样的特征：其中，正常运行数据以及异常运行数据均包括重型轧辊装载智能机器人运行时的温度、压力、运行电压以及运行速度。
在本发明提供的重型轧辊装载智能机器人的故障预测方法中，还可以具有这样的特征：其中，故障因素是重型轧辊装载智能机器人的电路停电、重型轧辊装载智能机器人的电路短路、重型轧辊装载智能机器人的电路老化、重型轧辊装载智能机器人的器件损坏以及重型轧辊装载智能机器人的器件规格不符中的至少一种。
在本发明提供的重型轧辊装载智能机器人的故障预测方法中，还可以具有这样的特征：其中，高斯模型为x为故障因素发生时检测到的运行压力、电压、速度、温度数值，g为运行阈值，δ为标准差或者协方差矩阵，μ为期望值。
在本发明提供的重型轧辊装载智能机器人的故障预测方法中，还可以具有这样的特征：其中，在步骤二中，根据记录数据，计算故障因素Vi偏离正常阈值不同程度所造成的破坏程度，给予共四个等级并分别映射为25、50、75、100，形成一个相对应的预警运行阈值范围集合Ui，Ui包含四个预警运行阈值ui1，ui2，ui3，ui4。
在本发明提供的重型轧辊装载智能机器人的故障预测方法中，还可以具有这样的特征，还包括以下步骤：步骤九，根据所有得到的整体风险值f进行风险预测。
发明的作用与效果
根据本发明所涉及的重型轧辊装载智能机器人的故障预测方法，因为根据记录数据计算故障因素Vi偏离正常阈值不同程度所造成的破坏程度；根据记录数据得到与故障因素Vi相对应的故障系数wi；根据记录数据为每个故障因素Vi建立高斯模型，并计算出每个高斯模型中的参数分别计算系统以及单个因素的故障风险，当触发警戒条件时发出预警。所以，本发明的重型轧辊装载智能机器人的故障预测方法具有能提早发现潜在的故障隐患，给维修预留出充裕的时间，避免因故障造成的损失。
附图说明
图1是本发明的实施例中重型轧辊装载智能机器人的故障预测方法的流程图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下实施例结合附图对本发明重型轧辊装载智能机器人的故障预测方法作具体阐述。
图1是本发明的实施例中重型轧辊装载智能机器人的故障预测方法的步骤流程图。
如图1所示，本发明的实施例中重型轧辊装载智能机器人的故障预测方法包含以下步骤：
步骤一，从记录有重型轧辊装载智能机器人运行的记录数据中，判断出不同的故障以及与故障相对应的所有故障因素，并将不同的故障因素记为V1，V2，...，Vi，...，Vn(0<i≤n，n为故障因素的数量)。
记录数据包含重型轧辊装载智能机器人的运行参数、重型轧辊装载智能机器人的正常运行数据以及重型轧辊装载智能机器人的异常运行数据。正常运行数据以及异常运行数据均包括重型轧辊装载智能机器人运行时的温度、压力、运行电压以及运行速度。
在本实施例中，故障主要为重型轧辊装载智能机器人停止运行或者重型轧辊装载智能机器人生产的产品不合格或重型轧辊装载智能机器人未达到理论目标。
而这些故障的故障因素可以是重型轧辊装载智能机器人的电路停电、重型轧辊装载智能机器人的电路短路、重型轧辊装载智能机器人的电路老化、重型轧辊装载智能机器人的器件损坏以及重型轧辊装载智能机器人的器件规格不符中的至少一种。
步骤二，根据记录数据，计算不同的故障因素Vi偏离正常阈值不同程度所造成的破坏程度，给予共四个等级并分别映射为25、50、75、100，形成一个相对应的预警运行阈值范围集合Ui，Ui包含四个预警运行阈值ui1，ui2，ui3，ui4。
ui1表示当检测对象的检测值在此范围内时，是正常运行的，对应数值为25，此时的预警运行阈值ui1等于理论运行阈值的125％；ui2表示当检测对象的检测值在此范围内时，要进行预警，对应数值为50，此时的预警运行阈值ui2等于理论运行阈值的150％；ui3表示当检测对象的检测值在此范围内时，要进行预警，对应数值为75，此时的预警运行阈值ui3等于理论运行阈值的175％；ui4表示当检测对象的检测值在此范围内时，要停止设备的运行，对应数值为100，此时的预警运行阈值ui4等于理论运行阈值的200％。通过这种方式，将不同的因素映射到同一个范围里。在本实施例中，预警运行阈值均大于理论运行阈值。
步骤三，根据记录数据得到与故障因素Vi相对应的故障系数wi，
步骤四，根据记录数据为每个故障因素Vi建立高斯模型，并计算出每个高斯模型中的参数。
高斯模型的公式为x为故障因素发生时检测到的运行压力、电压、速度、温度数值，g为运行阈值，δ为标准差或者协方差矩阵，μ为期望值。将每个故障因素Vi的不同数值x以及运行阈值g代入公式中，即可求出δ以及μ的值。
步骤五，将实时测得的当前数据代入高斯模型中，得到当前运行阈值gi。
步骤六，计算重型轧辊装载智能机器人的整体风险值f，
步骤七，判断当前运行阈值gi是否大于预警运行阈值ui1，判断整体风险值f是否大于理论整体风险值。
步骤八，当任意一个判断为是时，进行预警。对于单个因素Vi，当其高斯模型gi预测值在{ui2,ui3,ui4}中时，根据其严重程度的不同，给予不同等级的预警。当其高斯模型gi预测值在{ui1}中时，不预警。当整体风险值f大于理论整体风险值也进行预警。
步骤九，根据所有得到的整体风险值f进行风险预测。对于重型轧辊装载智能机器人的整体，当整体风险值f呈现上升趋势时，根据其上升幅度的不同，给予预警、预警直至停止运行的处理措施。当系统整体的风险估计运行平稳时，不预警。
经过以上步骤，最终实现对重型轧辊装载智能机器人的故障预测。
实施例的作用与效果
根据本实施例所涉及的重型轧辊装载智能机器人的故障预测方法，因为根据记录数据计算故障因素Vi偏离正常阈值不同程度所造成的破坏程度；根据记录数据得到与故障因素Vi相对应的故障系数wi；根据记录数据为每个故障因素Vi建立高斯模型，并计算出每个高斯模型中的参数分别计算系统以及单个因素的故障风险，当触发警戒条件时发出预警。所以，本实施例的重型轧辊装载智能机器人的故障预测方法具有能提早发现潜在的故障隐患，给维修预留出充裕的时间，避免因故障造成的损失。
上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。

Claims (7)

1.一种重型轧辊装载智能机器人的故障预测方法，其特征在于，包括以下步骤：
步骤一，从记录有所述重型轧辊装载智能机器人运行的记录数据中，判断出不同的故障以及与所述故障相对应的所有故障因素，并将不同的所述故障因素记为V1，V2，...，Vi，...，Vn(0<i≤n，n为故障因素的数量)；
步骤二，根据所述记录数据计算不同的所述故障因素Vi偏离正常阈值不同程度所造成的破坏程度，形成一个相对应的预警运行阈值范围集合Ui，Ui包含至少一个预警运行阈值ui1；
步骤三，根据所述记录数据得到与所述故障因素Vi相对应的故障系数wi，
步骤四，根据所述记录数据为每个所述故障因素Vi建立高斯模型，并计算出每个高斯模型中的参数；
步骤五，将实时测得的当前数据代入所述高斯模型中，得到当前运行阈值gi；
步骤六，计算所述重型轧辊装载智能机器人的整体风险值f，
步骤七，判断所述当前运行阈值gi是否大于所述预警运行阈值ui1，判断所述整体风险值f是否大于理论整体风险值；
步骤八，当任意一个判断为是时，进行预警。
2.根据权利要求1所述的重型轧辊装载智能机器人的故障预测方法，其特征在于：
其中，所述记录数据包含所述重型轧辊装载智能机器人的运行参数、所述重型轧辊装载智能机器人的正常运行数据以及所述重型轧辊装载智能机器人的异常运行数据。
3.根据权利要求2所述的重型轧辊装载智能机器人的故障预测方法，其特征在于：
其中，所述正常运行数据以及所述异常运行数据均包括所述重型轧辊装载智能机器人运行时的温度、压力、运行电压以及运行速度。
4.根据权利要求1所述的重型轧辊装载智能机器人的故障预测方法，其特征在于：
其中，所述故障因素是所述重型轧辊装载智能机器人的电路停电、所述重型轧辊装载智能机器人的电路短路、所述重型轧辊装载智能机器人的电路老化、所述重型轧辊装载智能机器人的器件损坏以及所述重型轧辊装载智能机器人的器件规格不符中的至少一种。
5.根据权利要求1所述的重型轧辊装载智能机器人的故障预测方法，其特征在于：
其中，所述高斯模型为
x为故障因素发生时检测到的运行压力、电压、速度、温度数值，g为运行阈值，δ为标准差或者协方差矩阵，μ为期望值。
6.根据权利要求1所述的重型轧辊装载智能机器人的故障预测方法，其特征在于：
其中，在步骤二中，根据所述记录数据，计算所述故障因素Vi偏离正常阈值不同程度所造成的破坏程度，给予共四个等级并分别映射为25、50、75、100，形成一个相对应的预警运行阈值范围集合Ui，Ui包含四个预警运行阈值ui1，ui2，ui3，ui4。
7.根据权利要求1所述的重型轧辊装载智能机器人的故障预测方法，其特征在于，还包括以下步骤：
步骤九，根据所有得到的所述整体风险值f进行风险预测。
CN201710806963.4A 2017-09-08 2017-09-08 重型轧辊装载智能机器人的故障预测方法 Pending CN107392401A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710806963.4A CN107392401A (zh) 2017-09-08 2017-09-08 重型轧辊装载智能机器人的故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710806963.4A CN107392401A (zh) 2017-09-08 2017-09-08 重型轧辊装载智能机器人的故障预测方法

Publications (1)

Publication Number Publication Date
CN107392401A true CN107392401A (zh) 2017-11-24

Family

ID=60349425

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710806963.4A Pending CN107392401A (zh) 2017-09-08 2017-09-08 重型轧辊装载智能机器人的故障预测方法

Country Status (1)

Country Link
CN (1) CN107392401A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330769A (zh) * 2021-12-24 2022-04-12 深圳优地科技有限公司 一种机器人故障预警方法、装置、机器人以及服务器

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103512651A (zh) * 2012-06-26 2014-01-15 华锐风电科技(集团)股份有限公司 基于振动突变报警的风电机组状态监测方法及装置
CN104976139A (zh) * 2015-06-08 2015-10-14 北京化工大学 一种基于高斯模型的机械设备状态诊断方法
CN106446540A (zh) * 2016-09-20 2017-02-22 华北电力大学（保定） 一种风电机组健康状态实时评估方法
CN106776288A (zh) * 2016-11-25 2017-05-31 北京航空航天大学 一种基于Hadoop的分布式系统的健康度量方法
CN107066365A (zh) * 2017-02-20 2017-08-18 阿里巴巴集团控股有限公司 一种系统异常的监测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103512651A (zh) * 2012-06-26 2014-01-15 华锐风电科技(集团)股份有限公司 基于振动突变报警的风电机组状态监测方法及装置
CN104976139A (zh) * 2015-06-08 2015-10-14 北京化工大学 一种基于高斯模型的机械设备状态诊断方法
CN106446540A (zh) * 2016-09-20 2017-02-22 华北电力大学（保定） 一种风电机组健康状态实时评估方法
CN106776288A (zh) * 2016-11-25 2017-05-31 北京航空航天大学 一种基于Hadoop的分布式系统的健康度量方法
CN107066365A (zh) * 2017-02-20 2017-08-18 阿里巴巴集团控股有限公司 一种系统异常的监测方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330769A (zh) * 2021-12-24 2022-04-12 深圳优地科技有限公司 一种机器人故障预警方法、装置、机器人以及服务器

Similar Documents

Publication Publication Date Title
CN108537426B (zh) 电力设备运行状态估计方法、装置和计算机设备
CN108761228B (zh) 量测大数据下的电力变压器运行状态评估方法
CN115712268B (zh) 一种电子产品辅料自动贴合装置用故障预警系统
CN106649755B (zh) 一种多维度实时变电设备数据的阈值自适应设置异常检测方法
TWI566065B (zh) Communication anomaly detection device, communication anomaly detection method and program
CN109619644A (zh) 一种烟草加香加料系统异常报警方法
CN110849404A (zh) 一种传感器数据异常的连续判别方法
CN110749532A (zh) 水利工程渗流智能监测系统及方法
CN107392401A (zh) 重型轧辊装载智能机器人的故障预测方法
Jang et al. Failure detection technique under random fatigue loading by machine learning and dual sensing on symmetric structure
CN109298700B (zh) 一种实时判断火电机组运行参数异常变化的方法及系统
CN102566477A (zh) 冗余信息处理方法、处理装置及工程机械
Vafeiadis et al. Robust malfunction diagnosis in process industry time series
CN206257111U (zh) 液压电控系统的压力感应装置
CN107522052B (zh) 一种电梯异常预警系统和方法
US10955837B2 (en) Method and system for error detection and monitoring for an electronically closed-loop or open-loop controlled machine part
CN110826024A (zh) 一种传感器数据异常的抽样判别方法
CN102330608B (zh) 用于确定燃气涡轮中的稳态条件的系统和方法
CN113359639B (zh) 基于安全检测机器人的工厂设备监控方法及系统
CN105138755A (zh) 一种液体火箭发动机试验台故障响应生成器的设计方法
CN109828146B (zh) 一种通过设备电参数ad采样判断设备工况的方法
JP6940030B2 (ja) 高炉の異常判定装置、高炉の異常判定方法、高炉の操業方法および溶銑の製造方法
CN112224023B (zh) 高速动车组蓄电池充电保护方法
KR102384999B1 (ko) 누적 파형을 통한 기기의 예지 보전방법
KR102385001B1 (ko) 누적 파형을 통한 기기의 예지 보전방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20171124