CN110430260B - 一种基于大数据云计算支撑的机器人云平台及工作方法 - Google Patents
一种基于大数据云计算支撑的机器人云平台及工作方法 Download PDFInfo
- Publication number
- CN110430260B CN110430260B CN201910712677.0A CN201910712677A CN110430260B CN 110430260 B CN110430260 B CN 110430260B CN 201910712677 A CN201910712677 A CN 201910712677A CN 110430260 B CN110430260 B CN 110430260B
- Authority
- CN
- China
- Prior art keywords
- data
- robot
- layer
- platform
- cloud
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/06—Network architectures or network communication protocols for network security for supporting key management in a packet data network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/10—Network architectures or network communication protocols for network security for controlling access to devices or network resources
- H04L63/101—Access control lists [ACL]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于大数据云计算支撑的机器人云平台及工作方法,包括资源层,用于采集机器人数据后经边缘计算层处理上传平台层;平台层,对数据进行处理和存储,包括大数据存储服务模块、大数据分析服务模块、算法引擎模块、基础管理服务模块,提供大数据存储服务、大数据分析服务、算法引擎、基础管理服务;应用层,包括云服务平台和移动应用侧,用户通过调用平台层各项服务,为用户提供基于机器人的多种分析应用功能及远程监控。本发明的优点在于,设备层支持国内外多种机器人数据接入,边缘计算层可进行设备认证防止恶意连接,数据预处理减轻云端处理压力,数据加密和断点续传保障数据传输安全和传输稳定的。
Description
技术领域
本发明涉及机器人监测技术领域,具体来说是一种基于大数据云计算支撑的机器人云平台及工作方法。
背景技术
目前工厂机器人的分布较分散且每台机器人都需单独维护无法统一管理,当工程师想了解机器人运行环境时都需到现场勘查,耗时耗力。与此同时,机器人工况仅能根据工程师经验判断,无法及时合理的进行预判且机器人出现异常时无法准确判断故障原因。
MQTT(消息队列遥测传输)是ISO标准(ISO/IEC PRF 20922)下基于发布/订阅范式的消息协议。工作在TCP/IP协议族上,是为硬件性能低下的远程设备以及网络状况糟糕的情况下而设计的发布/订阅型消息协议。
Hadoop是一个由Apache基金会所开发的分布式系统基础架构。用户可以在不了解分布式底层细节的情况下,开发分布式程序。充分利用集群的威力进行高速运算和存储。Hadoop实现了一个分布式文件系统(Hadoop Distributed File System),简称HDFS。HDFS有高容错性的特点,并且设计用来部署在低廉的(low-cost)硬件上;而且它提供高吞吐量(high throughput)来访问应用程序的数据,适合那些有着超大数据集(large data set)的应用程序。HDFS放宽了(relax)POSIX的要求,可以以流的形式访问(streaming access)文件系统中的数据。Hadoop的框架最核心的设计就是:HDFS和MapReduce。HDFS为海量的数据提供了存储,则MapReduce为海量的数据提供了计算。
Spark是专为大规模数据处理而设计的快速通用的计算引擎。Spark是UCBerkeley AMP lab(加州大学伯克利分校的AMP实验室)所开源的类Hadoop MapReduce的通用并行框架,拥有Hadoop MapReduce所具有的优点;但不同于MapReduce的是Job中间输出结果可以保存在内存中,从而不再需要读写HDFS,因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。Spark是一种与Hadoop相似的开源集群计算环境,但是两者之间还存在一些不同之处,这些有用的不同之处使Spark在某些工作负载方面表现得更加优越,换句话说,Spark启用了内存分布数据集,除了能够提供交互式查询外,它还可以优化迭代工作负载。Spark是在Scala语言中实现的,它将Scala用作其应用程序框架。与Hadoop不同,Spark和Scala能够紧密集成,其中的Scala可以像操作本地集合对象一样轻松地操作分布式数据集。
Kakfa是流行的开源消息队列系统,是AMQP(高级消息队列协议)的标准实现。MQ全称为消息队列Message Queue,是一种应用程序对应用程序的通信方法,属于消费-生产者模型的一个典型的代表,一端往消息队列中不断写入消息,而另一端则可以读取或者订阅队列中的消息。通过消息队列集群应对海量卡口数据同时接入,利用消息持久化存储,保证消息的效率读取和内存存取一致性,采用push/pull模型做为缓冲队列,为多节点提供分发服务。
HBase是一个高可靠性、高性能、面向列、可伸缩的分布式存储系统,利用HBase技术可在廉价PC Server上搭建起大规模结构化存储集群。
Influxdb是一个开源的分布式时序、时间和指标数据库,使用go语言编写,无需外部依赖。它有三大特性:时序性:与时间相关的函数的灵活使用(诸如最大、最小、求和等);度量:对实时大量数据进行计算;事件:支持任意的事件数据。
综上,现有技术中缺少能够实现数据统一接入和交换、数据的实时处理、数据的综合查询统计、数据挖掘研判、信息分析服务等应用功能,提供机器人的远程监控、故障诊断、预测性维护等服务的云服务平台。
发明内容
本发明要解决的技术问题是现有技术中缺少能够实现数据统一接入和交换、数据的实时处理、数据的综合查询统计、数据挖掘研判、信息分析服务等应用功能,提供机器人的远程监控、故障诊断、预测性维护等服务的云服务平台。
本发明通过以下技术方案来解决上述技术问题:
一种基于大数据云计算支撑的机器人云平台,包括
资源层,包括设备层和边缘计算层;所述设备层支持多种机器人型号并采集机器人各项数据;各项数据后经边缘计算层处理上传平台层;
平台层,对数据进行处理和存储,包括大数据存储服务模块、大数据分析服务模块、算法引擎模块、基础管理服务模块,提供大数据存储服务、大数据分析服务、算法引擎、基础管理服务;
应用层,包括云服务平台和移动应用侧,用户通过调用平台层各项服务,为用户提供基于机器人的多种分析应用功能及远程监控。
优选的,所述边缘计算层包括
协议驱动模块:基于各型号机器人厂商的开放通讯协议,对各型号机器人进行适配,使一套采集程序支持多种机器人的数据采集;
设备认证模块:机器人接入平台前将机器人号提前录入白名单;
数据预处理模块:对机器人单机/群组执行任务时产生的数据进行预处理;
数据加密模块:基于私有秘钥协商的加密算法对数据进行加密。具体流程如下所示:
1)将自身的标识信息和连接请求发送至与所述数据采集设备对应的MQTT server端;
2)接收MQTT server端返回的确定指令以及MQTT server端密钥;
3)将自身具备的设备密钥发送至所述MQTT server端;
4)根据预设的密钥生成函数,根据所述MQTT server端密钥以及所述设备密钥生成目标密钥;
5)使用所述目标密钥对采集的数据进行加密,并将加密后的数据发送至所述MQTTserver端,MQTT server端再向云端发送数据。
断电续传模块:当采集端程序和机器人中断连接时,程序会重新启动线程自动重连机器人。
优选的,所述大数据存储服务模块具体作业过程为:kafka消息队列接收到经MQTTserver传输至平台层的实时机器人的数据后,kafka消费端获取机器人数据并存入基于Hadoop大数据平台的Hbase数据仓库和InfluxDB时序数据库;
算法引擎模块包括异常检测单元,和故障诊断单元;所述异常检测单元基于IForest孤立森林异常检测模型,模型构建完成后,机器人实时数据作为模型输入,输出为异常度,当异常度值大于阈值时判定数据异常;所述故障诊断基于历史异常数据,故障问题以及相应的解决方案构建专家系统库,当机器人出现故障时,专家系统库匹配故障数据并返回相应解决方案;
大数据分析服务模块包括
实时分析单元,基于平台层异常检测算法引擎,采用spark streaming流式计算,实时分析处理机器人数据并把处理后的数据发送至应用层;
离线分析单元,每天按固定时间或者固定时间间隔计算存储在HBase,InfluxDB中的历史数据如机器人天开机时间、用电量、异常数据量等信息并存储在关系型数据库中;
基础服务管理模块包括
设备管理单元,管理每台设备的基础信息;
监控系统单元,管理每个摄像头的ip地址、视频推流服务、视频播放功能;
推送服务单元,使用第三方推送平台对消息进行实时的短信、邮件、APP推送。
优选的,所述机器人云服务平台包括
远程监控和实时状态单元,实时展示经平台层实时分析处理后上传的机器人数据及机器人状态是否异常,以及展示由监控系统支持的实时远程视频监控;
消息推送单元,实时推送短信、邮件、APP消息给指定人员;
预测性维保单元,基于平台层的异常检测模型,当机器人被检测出现异常时,在云平台生成维保建议并实时推送消息给工厂维保人员;
辅助决策单元,基于平台层离线计算,云平台展示工厂各台机器人各项数据对比结果,帮助工厂了解机器人工作状况;
故障诊断单元,基于平台层的机器人专家系统库,当机器人出现故障时,云平台能够提供故障参考解决方案,并接受事后故障解决方案反馈;
所述移动应用侧包括工程师APP,实时接收云平台经平台层推送的预测性运维消息。
优选的,所述异常检测模型具体构建过程为:
特征数据集生成:对机器人良好运行时的历史数据进行清理,定义处理后的特征数据集为D1;
异常数据集生成:人为设定异常状态机器人多维度数据形成的集合为异常数据集,定义为D2,
训练数据集生成:为特征数据集和异常数据集的集合,即D3=D1∪D2,其中特征数据集数量高于异常数据集数量;
建模:
1)从训练数据集中随机选择n个样本点构成m个子集Ωi,i∈1,2..m,在m个子集上构建决策树;
2)随机选择Ωi中的一个特征,随机选择一个阈值进行二分裂;所述阈值产生于当前节点数据中指定特征的最大值和最小值之间;
3)递归2)构建决策树,直到决策树到达设定的高度d或者每个叶子节点中只有一个点;
4)m个决策树建好,根据m个决策树的平均深度来定义其异常阈值。
优选的,所述检测具体为:异常检测模型根据输入的实时数据输出归一化异常分数,当异常分数大于异常阈值时,则该实时数据为异常数据。
本发明还提供一种基于大数据云计算支撑的机器人云平台的工作方法,方法具体为
对机器人进行数据采集并经过边缘计算层处理上传平台层,平台层对数据进行处理和存储,提供大数据分析服务、算法引擎、基础管理服务;应用层根据平台层的各项数据处理结果生成多种服务。
优选的,所述算法引擎包括异常检测单元,和故障诊断单元;所述异常检测单元基于IForest孤立森林异常检测模型,模型构建完成后,机器人实时数据作为模型输入,输出为异常度,当异常度值大于阈值时判定数据异常;所述故障诊断基于历史异常数据,故障问题以及相应的解决方案构建专家系统库,当机器人出现故障时,专家系统库匹配故障数据并返回相应解决方案。
优选的,所述异常检测模型具体构建过程为:
特征数据集生成:对机器人良好运行时的历史数据进行清理,定义处理后的特征数据集为D1;
异常数据集生成:人为设定异常状态机器人多维度数据形成的集合为异常数据集,定义为D2,
训练数据集生成:为特征数据集和异常数据集的集合,即D3=D1∪D2,其中特征数据集数量高于异常数据集数量;
建模:
1)从训练数据集中随机选择n个样本点构成m个子集Ωi,i∈1,2..m,在m个子集上构建决策树;
2)随机选择Ωi中的一个特征,随机选择一个阈值进行二分裂;所述阈值产生于当前节点数据中指定特征的最大值和最小值之间;
3)递归2)构建决策树,直到决策树到达设定的高度d或者每个叶子节点中只有一个点;
4)m个决策树建好,根据m个决策树的平均深度来定义其异常阈值。
优选的,所述检测具体为:异常检测模型根据输入的实时数据输出归一化异常分数,当异常分数大于异常阈值时,则该实时数据为异常数据。
本发明的优点在于:
(1)设备层支持国内外多种机器人数据接入,边缘计算层可进行设备认证防止恶意连接,数据预处理减轻云端处理压力,数据加密和断点续传保障数据传输安全和传输稳定;
(2)设备管理系统对工厂的离散设备进行统一综合管理;
(3)工程师可通过平台远程观察工厂设备运行状态并及时收到设备异常告警;
(4)平台同时提供预测性维护建议,可保障在其宕机前及时发现异常并进行相应的维保,在减少维保费用同时保障生产的稳定性;
(5)负载能耗分析可直观的展示机器人工况,合理安排生产,增加工厂收益。
附图说明
图1为本实施例中云平台的结构框图;
图2为本实施例中基于孤立森林机器学习的机器人实时异常监测方法流程框图;
图3为本实施例中基于孤立森林机器学习的机器人实时异常监测方法的具体案例框图;
图4为本实施例中云平台应用层中实时监控部分界面截图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识,用以较佳的实施例及附图配合详细的说明,说明如下:
如图1所述,一种基于大数据云计算支撑的机器人云平台,包括
一、资源层,IaaS(Infrastructure-as-a-Service)资源层主要由设备层以及边缘计算层组成。采集机器人数据后经边缘计算层处理上传平台层;
其中
1.设备层,支持国内外主流的十多种机器人品牌型号,包括KUKA、ABB、Fanuc、安川、UR、大族、HRG、Transforma、遨博等。
2.边缘计算层包括:
1)协议驱动模块
基于各机器人厂商的开放通讯协议,对各品牌型号机器人进行适配,使一套采集程序支持多种机器人的数据采集。
2)设备认证模块
设备接入系统前需要把设备号提前录入白名单,否则无法采集白名单外的设备数据。
3)数据预处理模块
机器人单机/群组执行时产生的数据(关节轨迹、移动轨迹、状态参数)、传感器数据、任务描述数据(例如缺陷检测图片及参数)等。根据数据特征可以分为:规则化关系型数据、文件数据(图片)。
在边缘服务器测预先写入数据处理程序,把采集到的数据进行简单的单位换算、格式转换、图片压缩等。
4)数据加密模块
基于私有秘钥协商的加密算法对数据进行加密。具体流程如下所示:
1))将自身的标识信息和连接请求发送至与所述数据采集设备对应的MQTTserver端;
2))接收MQTT server端返回的确定指令以及MQTT server端密钥;
3))将自身具备的设备密钥发送至所述MQTT server端;
4))根据预设的密钥生成函数,根据所述MQTT server端密钥以及所述设备密钥生成目标密钥;
5))使用所述目标密钥对采集的数据进行加密,并将加密后的数据发送至所述MQTT server端,MQTT server端再向云端发送数据。
5)断点续传模块
当采集端程序和机器人中断连接时,程序会重新启动线程自动重连机器人,保障数据的稳定性。
二、平台层,PaaS(Platform-as-a-Service)平台层对数据进行处理和存储,包括大数据存储服务模块、大数据分析服务模块、算法引擎模块、基础管理服务模块,提供大数据存储服务、大数据分析服务、算法引擎、基础管理服务;
1.大数据存储服务模块具体作业过程为:kafka消息队列接收到经MQTT server传输至平台层的实时机器人的数据后,kafka消费端获取机器人数据并存入基于Hadoop大数据平台的Hbase数据仓库和InfluxDB时序数据库;
2.算法引擎模块包括异常检测单元,和故障诊断单元;异常检测单元基于IForest孤立森林异常检测模型,模型构建完成后,机器人实时数据作为模型输入,输出为异常度,当异常度值大于阈值时判定数据异常;故障诊断基于历史异常数据,故障问题以及相应的解决方案构建专家系统库,当机器人出现故障时,专家系统库匹配故障数据并返回相应解决方案;
其中,异常检测的方法包括:
步骤1、数据采集:采集机器人良好运行下的历史数据以及机器人监测过程中的实时数据;数据为多维数据,根据实际监测需要,选择采集机器人各关节或其他部位的数据信息。
步骤2、建模:利用历史数据基于孤立森林机器学习建立异常检测模型;
具体建模过程为:
1)先进行各种数据集的生成
特征数据集生成:对机器人良好运行时的历史数据进行清理包括删除数据缺失值所在行,删除格式内容错误行,删除时间戳等无关数据列,定义处理后的特征数据集为D1,如表1;
表1
id | time | f1 | f2 | f3 | f4 | f5 | .... | fn |
1 | 0801 | 2.3 | -3.0 | 14 | 20 | 48 | .... | 48 |
1 | 0802 | 2.4 | -2.91 | 14 | 20 | 48.1 | .... | 48.1 |
1 | 0803 | 2.6 | -2.8 | 14 | 21 | 48 | .... | 48 |
1 | 0804 | 3.0 | -2.77 | 15 | 20 | 47.9 | .... | 48.2 |
其中id是机器人的设备号,time是机器人上传数据的时间戳,f1,f2,...,fn是机器人的运行参数(如各关节电流和温度等)。
异常数据集生成:人为设定异常状态机器人多维度数据形成的集合为异常数据集,定义为D2;如人为提高机器人运行速度至正常运行速度的1.5倍并定义此状态为异常状态;
训练数据集生成:为特征数据集和异常数据集的集合,即D3=D1∪D2,其中特征数据集数量高于异常数据集数量;
模型训练参数设置:模型训练参数A=D2/D3;如异常数据集D2有10条数据,训练数据集有1000条数据,则contamination=10/1000=0.01;
模型训练参数设置:contamination参数为异常数据集D2所占训练数据集D3的比例。示例:异常数据集D2有10条数据,训练数据集有1000条数据,则contamination=10/1000=0.01:
contamination=|D2|/|D3|
2)然后建模
1))从训练数据集中随机选择n个样本点构成m个子集Ωi,i∈1,2..m,在m个子集上构建决策树;
2))随机选择Ωi中的一个特征,随机选择一个阈值进行二分裂;阈值产生于当前节点数据中指定特征的最大值和最小值之间;
3))递归2))构建决策树,直到决策树到达设定的高度d或者每个叶子节点中只有一个点;
4))m个决策树建好,根据m个决策树的平均深度来定义其异常阈值。获得每个测试数据的平均深度后,可以人为设置一个阈值(边界值),平均深度低于此阈值的测试数据即为异常。
模型默认参数调优。数据集D3作为训练数据集训练孤立森林模型,定义机器人在正常运行状态下模型误判正常数据为异常数据的比例为虚警率:
虚警率=|D4|/|D1|,其中D4为在正常运行状态下正常数据判定为异常数据的集合。
机器人在异常运行状态下模型误判异常数据为正常数据的比例为漏警率:
漏警率=|D5|/|D2|,其中D5为在异常运行状态下异常数据判定为正常数据的集合。
为尽可能的降低虚警率和漏警率发生,提升实验效果,可调整孤立森林的默认传参值。其中,n_estimators为子树个数,孤立森林是由子树组成,最终的判定结果由所有子树共同决定;max_samples为构建每棵子树的训练样本个数。调整n_estimators和max_samples的值并统计机器人在正常状态下的虚警率和漏警率,经过多次试验,当模型的max_samples参数设置为300,n_estimators参数设置为150时,机器人在正常状态下的平均虚警率为0.03%,在异常状态下平均漏警率为0.16%,模型效果较好。
步骤3、检测:如图2所示,异常检测模型根据输入的实时数据输出归一化异常分数,当异常分数大于异常阈值时,则该实时数据为异常数据。一般定义归一化异常分数大于0.6的数据为异常数据,且数据的异常度和归一化异常分数成正比。示例:输入一条机器人温度和电流数据d1=[2.3,2.6,3.0,-1.2.......,35],经训练好的孤立森林模型输出归一化异常分数normalizedAnomalyScore=0.71。由于normalizedAnomalyScore=0.71大于0.6,判断此数据为异常数据。
故障诊断单元基于历史异常数据,故障问题以及相应的解决方案构建专家系统库。当机器人出现故障时,专家系统库匹配故障数据并返回相应解决方案。
3.大数据分析服务模块包括
1)实时分析单元,基于平台层异常检测算法引擎,采用spark streaming流式计算,实时分析处理机器人数据并把处理后的数据发送至应用层;
2)离线分析单元,每天按固定时间或者固定时间间隔计算存储在HBase,InfluxDB中的历史数据如机器人天开机时间、用电量、异常数据量等信息并存储在关系型数据库中。
4.基础服务管理模块包括
1)设备管理单元
管理每台设备的设备编号、所属工厂、设备ip地址、负责人等信息;
2)监控系统单元
管理每个摄像头的ip地址、视频推流服务、视频播放等功能;
3)推送服务单元
使用第三方推送平台对消息进行实时的短信、邮件、APP推送。
三、应用层,SaaS应用层主要由云服务平台及移动端工业APP应用组成。应用层主要通过调用平台层的各种服务,为用户提供基于机器人的多种分析应用功能,满足不同行业、不同场景的应用服务,为用户提供基于机器人的多种分析应用功能及远程监控。
1.机器人云服务平台包括
1)如图4所示,远程监控和实时状态单元,实时展示经平台层实时分析处理后上传的机器人数据包含机器人各关节电流、电压、角度、速度及机器人状态是否异常等。与此同时,界面展示由监控系统支持的实时远程视频监控;
2)消息推送单元,实时推送短信、邮件、APP消息给指定人员;
3)预测性维保单元,基于平台层的异常检测模型,当机器人被检测出现异常时,在云平台生成维保建议并实时推送消息给工厂维保人员。维修工可在适当时间对机器人进行维休保养,保证机器人稳定运行,降低工厂的经济损失与安全风险;
4)辅助决策单元,基于平台层离线计算,云平台展示工厂各台机器人开机率、开机时长、能耗、故障次数等分析对比,帮助工厂了解机器人工作状况,从而更好的安排生产工作,提高生产效率;
5)故障诊断单元,基于平台层的机器人故障分析专家系统,当机器人出现故障时,云平台能够提供故障参考解决方案,并接受事后故障解决方案反馈,实现了发现问题-解决问题-反馈优化的技术闭环体系,从而优化案例规则以及专家知识;
2.移动应用侧包括工程师APP,实时接收云平台经平台层推送的预测性运维消息。
本实施例还提供基于大数据云计算支撑的机器人云平台的工作方法,算法引擎包括异常检测单元,和故障诊断单元;异常检测单元基于IForest孤立森林异常检测模型,模型构建完成后,机器人实时数据作为模型输入,输出为异常度,当异常度值大于阈值时判定数据异常;故障诊断基于历史异常数据,故障问题以及相应的解决方案构建专家系统库,当机器人出现故障时,专家系统库匹配故障数据并返回相应解决方案。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (7)
1.一种基于大数据云计算支撑的机器人云平台,其特征在于:包括
资源层,包括设备层和边缘计算层;所述设备层支持多种机器人型号并采集机器人各项数据;各项数据后经边缘计算层处理上传平台层;
平台层,对数据进行处理和存储,包括大数据存储服务模块、大数据分析服务模块、算法引擎模块、基础管理服务模块,提供大数据存储服务、大数据分析服务、算法引擎、基础管理服务;
应用层,包括云服务平台和移动应用侧,用户通过调用平台层各项服务,为用户提供基于机器人的多种分析应用功能及远程监控;
算法引擎模块包括异常检测单元、故障诊断单元;所述异常检测单元基于IForest孤立森林构建异常检测模型,所述异常检测模型构建完成后,机器人实时数据作为异常检测模型输入,输出为异常度,当异常度值大于阈值时判定数据异常;所述故障诊断单元基于历史异常数据、故障问题以及相应的解决方案构建专家系统库,当机器人出现故障时,专家系统库匹配故障数据并返回相应解决方案;
所述异常检测模型具体构建过程为:
特征数据集生成:对机器人良好运行时的历史数据进行清理,定义处理后的特征数据集为D1;
异常数据集生成:人为设定异常状态机器人多维度数据形成的集合为异常数据集,定义为D2,
训练数据集生成:为特征数据集和异常数据集的集合,即D3=D1∪D2,其中特征数据集数量高于异常数据集数量;
建模:
1)从训练数据集中随机选择n个样本点构成m个子集Ωi,i∈1,2..m,在m个子集上构建决策树;
2)随机选择Ωi中的一个特征,随机选择一个阈值进行二分裂;所述阈值产生于当前节点数据中指定特征的最大值和最小值之间;
3)递归2)构建决策树,直到决策树到达设定的高度d或者每个叶子节点中只有一个点;
4)m个决策树建好,根据m个决策树的平均深度来定义其异常阈值。
2.根据权利要求1所述的一种基于大数据云计算支撑的机器人云平台,其特征在于:所述资源层包括设备层和边缘计算层;
所述设备层支持多种机器人型号;
所述边缘计算层包括
协议驱动模块:基于各型号机器人厂商的开放通讯协议,对各型号机器人进行适配,使一套采集程序支持多种机器人的数据采集;
设备认证模块:机器人接入平台前将机器人号提前录入白名单;
数据预处理模块:对机器人单机/群组执行任务时产生的数据进行预处理;
数据加密模块:基于私有秘钥协商的加密算法对数据进行加密;具体流程如下所示:
1)将自身的标识信息和连接请求发送至与所述数据采集设备对应的MQTT server端;
2)接收MQTT server端返回的确定指令以及MQTT server端密钥;
3)将自身具备的设备密钥发送至所述MQTT server端;
4)根据预设的密钥生成函数,根据所述MQTT server端密钥以及所述设备密钥生成目标密钥;
5)使用所述目标密钥对采集的数据进行加密,并将加密后的数据发送至所述MQTTserver端,MQTT server端再向云端发送数据;
断电续传模块:当采集端程序和机器人中断连接时,程序会重新启动线程自动重连机器人。
3.根据权利要求1或2所述的一种基于大数据云计算支撑的机器人云平台,其特征在于:所述大数据存储服务模块具体作业过程为:kafka消息队列接收到经MQTT server传输至平台层的实时机器人的数据后,kafka消费端获取机器人数据并存入基于Hadoop大数据平台的Hbase数据仓库和InfluxDB时序数据库;
大数据分析服务模块包括
实时分析单元,基于平台层异常检测算法引擎,采用spark streaming流式计算,实时分析处理机器人数据并把处理后的数据发送至应用层;
离线分析单元,每天按固定时间或者固定时间间隔计算存储在HBase,InfluxDB中的历史数据信息并存储在关系型数据库中;
基础服务管理模块包括
设备管理单元,管理每台设备的基础信息;
监控系统单元,管理每个摄像头的ip地址、视频推流服务、视频播放功能;
推送服务单元,使用第三方推送平台对消息进行实时的短信、邮件、APP推送。
4.根据权利要求1或2所述的一种基于大数据云计算支撑的机器人云平台,其特征在于:所述机器人云服务平台包括
远程监控和实时状态单元,实时展示经平台层实时分析处理后上传的机器人数据及机器人状态是否异常,以及展示由监控系统支持的实时远程视频监控;
消息推送单元,实时推送短信、邮件、APP消息给指定人员;
预测性维保单元,基于平台层的异常检测模型,当机器人被检测出现异常时,在云平台生成维保建议并实时推送消息给工厂维保人员;
辅助决策单元,基于平台层离线计算,云平台展示工厂各台机器人各项数据对比结果,帮助工厂了解机器人工作状况;
故障诊断单元,基于平台层的机器人专家系统库,当机器人出现故障时,云平台能够提供故障参考解决方案,并接受事后故障解决方案反馈;
所述移动应用侧包括工程师APP,实时接收云平台经平台层推送的预测性运维消息。
5.根据权利要求1所述的一种基于大数据云计算支撑的机器人云平台,其特征在于:所述检测具体为:异常检测模型根据输入的实时数据输出归一化异常分数,当异常分数大于异常阈值时,则该实时数据为异常数据。
6.根据权利要求1至5任一所述的基于大数据云计算支撑的机器人云平台的工作方法,其特征在于:方法具体为
对机器人进行数据采集并经过边缘计算层处理上传平台层,平台层对数据进行处理和存储,提供大数据分析服务、算法引擎、基础管理服务;应用层根据平台层的各项数据处理结果生成多种服务;所述算法引擎包括异常检测单元、故障诊断单元;所述异常检测单元基于IForest孤立森林构建异常检测模型,所述异常检测模型构建完成后,机器人实时数据作为异常检测模型输入,输出为异常度,当异常度值大于阈值时判定数据异常;所述故障诊断基于历史异常数据,故障问题以及相应的解决方案构建专家系统库,当机器人出现故障时,专家系统库匹配故障数据并返回相应解决方案;所述异常检测模型具体构建过程为:
特征数据集生成:对机器人良好运行时的历史数据进行清理,定义处理后的特征数据集为D1;
异常数据集生成:人为设定异常状态机器人多维度数据形成的集合为异常数据集,定义为D2,
训练数据集生成:为特征数据集和异常数据集的集合,即D3=D1∪D2,其中特征数据集数量高于异常数据集数量;
建模:
1)从训练数据集中随机选择n个样本点构成m个子集Ωi,i∈1,2..m,在m个子集上构建决策树;
2)随机选择Ωi中的一个特征,随机选择一个阈值进行二分裂;所述阈值产生于当前节点数据中指定特征的最大值和最小值之间;
3)递归2)构建决策树,直到决策树到达设定的高度d或者每个叶子节点中只有一个点;
4)m个决策树建好,根据m个决策树的平均深度来定义其异常阈值。
7.根据权利要求6所述的基于大数据云计算支撑的机器人云平台的工作方法,其特征在于:所述检测具体为:异常检测模型根据输入的实时数据输出归一化异常分数,当异常分数大于异常阈值时,则该实时数据为异常数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910712677.0A CN110430260B (zh) | 2019-08-02 | 2019-08-02 | 一种基于大数据云计算支撑的机器人云平台及工作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910712677.0A CN110430260B (zh) | 2019-08-02 | 2019-08-02 | 一种基于大数据云计算支撑的机器人云平台及工作方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110430260A CN110430260A (zh) | 2019-11-08 |
CN110430260B true CN110430260B (zh) | 2022-05-13 |
Family
ID=68412457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910712677.0A Active CN110430260B (zh) | 2019-08-02 | 2019-08-02 | 一种基于大数据云计算支撑的机器人云平台及工作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110430260B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110865988A (zh) * | 2019-11-15 | 2020-03-06 | 北京云迹科技有限公司 | 一种数据传输方法、装置,机器人及存储介质 |
CN111144578B (zh) * | 2019-12-27 | 2023-07-28 | 创新奇智(重庆)科技有限公司 | 一种分布式环境下的人工智能模型管理系统及管理方法 |
CN111385348A (zh) * | 2020-01-08 | 2020-07-07 | 广州番禺职业技术学院 | 一种云脑机器人系统 |
CN111339183A (zh) * | 2020-02-11 | 2020-06-26 | 腾讯云计算(北京)有限责任公司 | 数据处理方法、边缘节点、数据中心及存储介质 |
CN111339196B (zh) * | 2020-02-24 | 2022-02-25 | 深圳点链科技有限公司 | 基于区块链的数据处理方法、系统及计算机可读存储介质 |
CN112882904A (zh) * | 2020-07-31 | 2021-06-01 | 赵鑫飚 | 一种基于大数据的解决方案推荐系统 |
CN112039726A (zh) * | 2020-08-25 | 2020-12-04 | 新浪网技术(中国)有限公司 | 一种内容分发网络cdn设备的数据监控方法及系统 |
CN112540580A (zh) * | 2020-10-30 | 2021-03-23 | 红云红河烟草(集团)有限责任公司 | 一种基于历史生产数据监控制丝加料系统设备状态的方法 |
CN112668687B (zh) * | 2020-12-01 | 2022-08-26 | 达闼机器人股份有限公司 | 云端机器人系统、云服务器、机器人控制模块和机器人 |
CN113009896B (zh) * | 2021-03-09 | 2022-05-24 | 国能大渡河猴子岩发电有限公司 | 基于边缘计算和云计算的生产控制方法及系统 |
CN113111261A (zh) * | 2021-04-20 | 2021-07-13 | 树根互联股份有限公司 | 一种云平台的数据处理方法、云平台及全景分析系统 |
CN113284004A (zh) * | 2021-05-10 | 2021-08-20 | 广州汇通国信科技有限公司 | 一种基于孤立森林算法的电力数据诊断的治理方法 |
CN114124947A (zh) * | 2021-09-13 | 2022-03-01 | 北京航空航天大学 | 一种it与ot融合的轻量化自治式边缘智能一体机 |
CN113992598B (zh) * | 2021-10-27 | 2023-12-05 | 远景智能国际私人投资有限公司 | 流式数据的上传方法、装置、接入设备及存储介质 |
CN114884842B (zh) * | 2022-04-13 | 2023-09-05 | 哈工大机器人(合肥)国际创新研究院 | 一种动态配置任务的视觉安防检测系统及方法 |
CN115129430B (zh) * | 2022-09-01 | 2022-11-22 | 山东德晟机器人股份有限公司 | 一种基于5g网络的机器人远程控制指令下发方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107864222A (zh) * | 2017-12-14 | 2018-03-30 | 北京航天测控技术有限公司 | 一种基于PaaS平台的工业大数据计算架构 |
CN108880887A (zh) * | 2018-06-20 | 2018-11-23 | 山东大学 | 基于微服务的陪护机器人云服务系统及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10220517B2 (en) * | 2016-10-31 | 2019-03-05 | International Business Machines Corporation | System, method and computer program product for controlling a mission-oriented robot based on a user's emotional state |
CN109948669B (zh) * | 2019-03-04 | 2021-07-13 | 腾讯科技(深圳)有限公司 | 一种异常数据检测方法及装置 |
-
2019
- 2019-08-02 CN CN201910712677.0A patent/CN110430260B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107864222A (zh) * | 2017-12-14 | 2018-03-30 | 北京航天测控技术有限公司 | 一种基于PaaS平台的工业大数据计算架构 |
CN108880887A (zh) * | 2018-06-20 | 2018-11-23 | 山东大学 | 基于微服务的陪护机器人云服务系统及方法 |
Non-Patent Citations (3)
Title |
---|
""基于云平台的电机设备远程运维系统设计";周洪发;《电机与控制应用》;20181010;第2-3节 * |
"基于MQTT的物联网设备接入及网络通信方法的研究";冯春倩;《中国优秀硕士学位论文全文数据库-信息科技辑》;20181215;第4章 * |
周洪发.""基于云平台的电机设备远程运维系统设计".《电机与控制应用》.2018,第2-3节. * |
Also Published As
Publication number | Publication date |
---|---|
CN110430260A (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110430260B (zh) | 一种基于大数据云计算支撑的机器人云平台及工作方法 | |
US11959653B2 (en) | Cloud and edge integrated energy optimizer | |
US10685283B2 (en) | Demand classification based pipeline system for time-series data forecasting | |
US10560313B2 (en) | Pipeline system for time-series data forecasting | |
US20190098113A1 (en) | Web services platform with integration and interface of smart entities with enterprise applications | |
CN109976268B (zh) | 在过程控制系统中的大数据 | |
JP2020074640A (ja) | プロセス制御システム内でのアナリティクスのためのストリーミングデータ | |
EP3371665B1 (en) | Distributed embedded data and knowledge management system integrated with plc historian | |
EP2908196A1 (en) | Industrial monitoring using cloud computing | |
EP3262818B1 (en) | Distributed data management system and associated method for embedded controllers | |
US20190095517A1 (en) | Web services platform with integration of data into smart entities | |
CN113176948B (zh) | 边缘网关、边缘计算系统及其配置方法 | |
JP2017511942A (ja) | プロセス制御システムにおける分散ビッグデータ、プロセス制御デバイス、分散ビッグデータの支援方法、プロセス制御デバイス | |
CN113179190B (zh) | 边缘控制器、边缘计算系统及其配置方法 | |
CN112969058B (zh) | 一种具有云储存功能的工业视频实时监管平台及方法 | |
CN112749153A (zh) | 一种工业网络数据管理系统 | |
CN113570476A (zh) | 基于自定义告警规则的电网监控系统容器服务监控方法 | |
US20170097632A1 (en) | Method of cloud data services of industrial process automation systems | |
US20190114339A1 (en) | Identifying patterns within a set of events that includes time series data | |
Lee et al. | Research on IIoT Cloud-Edge Collaborative Stream Processing Architecture for Intelligent Factory | |
US11044320B2 (en) | Data distribution method for a process automation and internet of things system | |
Garcia et al. | Containerized Edge Architecture for Centralized Industry 4.0 Fleet Management | |
Longo | Big Data per la diagnosi avanzata dei guasti e sistemi di monitoraggio: gestire la complessità di sistemi in ambienti distribuiti | |
CN114462798A (zh) | 一种异源设备及web应用系统的数据集成方法和装置 | |
CN117573755A (zh) | 一种流数据处理平台和方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200814 Address after: Room 203, building 3, Zone C, intelligent technology park, 3963 Susong Road, Hefei Economic and Technological Development Zone, 230000 Anhui Province Applicant after: Anhui Lingyun IOT Technology Co.,Ltd. Address before: 236000 Anhui city of Hefei Province Economic and Technological Development Zone Cuiwei Road No. 6 Haiheng building room 6012 Applicant before: HRG INTERNATIONAL INSTITUTE FOR RESEARCH & INNOVATION |
|
GR01 | Patent grant | ||
GR01 | Patent grant |