CN110597698B - 用于分析至少一个异常的原因的方法 - Google Patents

用于分析至少一个异常的原因的方法 Download PDF

Info

Publication number
CN110597698B
CN110597698B CN201910505857.1A CN201910505857A CN110597698B CN 110597698 B CN110597698 B CN 110597698B CN 201910505857 A CN201910505857 A CN 201910505857A CN 110597698 B CN110597698 B CN 110597698B
Authority
CN
China
Prior art keywords
data set
state data
previous state
cause
anomaly
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
Application number
CN201910505857.1A
Other languages
English (en)
Other versions
CN110597698A (zh
Inventor
M.比肖夫
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.)
Siemens AG
Original Assignee
Siemens AG
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 Siemens AG filed Critical Siemens AG
Publication of CN110597698A publication Critical patent/CN110597698A/zh
Application granted granted Critical
Publication of CN110597698B publication Critical patent/CN110597698B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/07Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079Root cause analysis, i.e. error or fault diagnosis
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/04Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0423Input/output
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/04Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/05Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
    • G05B19/054Input/output
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/07Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751Error or fault detection not based on redundancy
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/30Monitoring
    • G06F11/34Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3457Performance evaluation by simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Manipulator (AREA)

Abstract

用于分析至少一个异常的原因的方法。本发明用于分析至少一个异常的原因的方法,其具有如下步骤:接收所要分析的状态数据组,其具有至少一个异常;确定至少一个之前的状态数据组;基于至少一个之前的状态数据组来确定至少一个可替换的之前的状态数据组;通过对至少一个可替换的之前的状态数据组进行仿真来确定至少一个经仿真的数据组;将至少一个经仿真的数据组与所要分析的状态数据组进行比较;确定在至少一个经仿真的数据组与所要分析的状态数据组之间的相似值;根据相似值,输出至少一个经仿真的数据组、至少一个可替换的之前的状态数据组,作为至少一个异常或至少一个故障报告的原因。本发明还涉及相对应的自主单元和相对应的计算机程序产品。

Description

用于分析至少一个异常的原因的方法
技术领域
本发明涉及一种计算机实现的用于分析至少一个异常的原因的方法。本发明还针对一种相对应的自主单元和一种计算机程序产品。本发明尤其可用在自动化技术和机器人技术的技术领域。
背景技术
故障原因分析(“rootcauseanalysis(根本原因分析)”)在自动化技术和机器人技术中越来越重要。故障原因分析旨在识别并且分析异常的原因。异常例如可以是故障、特殊情况、反常状态、干扰、异常的或未预料到的表现、问题或者事故。例如,故障原因分析在自动化设施、如生产-制造设施或者生产线以及机器人系统中起重要的作用。
例如,在工业机器人的工作过程中可能出现故障。在此,该故障可能由于工业机器人或者由于周围环境而造成。参考工业机器人,在机器人手臂上的夹具可以夹持对象。在运动时,对象掉落。为此,可能存在不同的原因,例如,对象在运动时撞到障碍物上,该对象的摩擦较小并且因此从夹具中滑动,夹具没有在正确的位置夹持该对象,因为传感器提供了错误的数据,或者夹具夹持该对象的力太小,比如因为夹具的执行器为此的最大力不足。
按照现有技术,手动地进行故障原因分析。然而,故障原因分析由此花费高而且复杂。还公知测试和维护方案,以便对于专家来说使对故障原因的识别变得容易。常规的方案尤其是“记录(Logging)”和“远程监控(RemoteMonitoring)”。记录(Logging)是对例如系统状态和来自周围环境的测量数据的记录。远程监控是对设施或系统、如工业机器人的外部监控。
例如,借助于这些方案,上文的工业机器人可以以秒时间间隔来存储每个关节在空间中的姿态和夹具在空间中的位置。在夹具上的压力传感器的测量数据同样被存储。依据这些数据可以确定用怎样的力来夹持对象。附加地,可以在手臂上安装立体摄像机,利用该立体摄像机可以拍摄周围环境、对象和手而且将它们重构为空间中的三维对象。利用这种数据,向专家提供了良好的基础,用于故障原因分析,如对上文的掉落的对象的故障原因分析。
然而,已知的方案关于越来越多的自动化和工业4.0方面不足,因为这些方案费时而且错误多以及需要专家知识。因而值得期望的是:提供一种自主单元,该自主单元独立地执行故障原因分析以及还可以采取应对措施。
因而,本发明提出了如下任务:提供一种用于自主单元的方法,该方法高效地并且可靠地分析至少一个异常的原因。
发明内容
按照本发明,上面提到的任务通过一种用于分析至少一个异常的原因的方法来解决,该方法具有如下步骤:
a.接收所要分析的状态数据组,该状态数据组具有至少一个异常;
b.确定至少一个之前的状态数据组;
c.基于该至少一个之前的状态数据组来确定至少一个可替换的之前的状态数据组;
d.通过对该至少一个可替换的之前的状态数据组进行仿真来确定至少一个经仿真的数据组;
e.将该至少一个经仿真的数据组与所要分析的状态数据组进行比较;
f.确定在该至少一个经仿真的数据组与所要分析的状态数据组之间的相似度值;而且
g.根据该相似度值,输出该至少一个经仿真的数据组、该至少一个可替换的之前的状态数据组,作为该至少一个异常和/或至少一个故障报告的原因。
按照本发明的方法由自主单元来执行。术语“自主”表示自立、独立、自决和自治。示例性的自主系统是自主车辆。自主驾驶应被理解为车辆、移动机器人和无驾驶员的运输系统的尽可能自主采取的前进运动。自主单元的其它示例是机器人单元或者其它自动化设施单元。
状态数据组包括:自主单元的数据、如系统状态;和/或自主单元的周围环境的数据、如传感器数据或摄像机摄影。
所要分析的状态数据组是在当前的时间点存在的那个数据组。换言之,该所要分析的状态数据组是当前的状态数据组。之前的状态数据组是时间上在所要分析的状态数据组之前或者先于所要分析的状态数据组的那个数据组。换言之,该之前的状态数据组是来自之前的时间点的状态数据组。
自主单元可以通过一个或多个接口来传输数据组。
所要分析的状态数据组具有至少一个异常。该异常对应于与所预期的表现的偏差。换言之,实际状态与理论状态不同。实际状态对应于自主单元的当前状态或者自主单元在当前的时间点的状态。理论状态对应于正常状态或者所预期的表现。异常尤其可以是自主单元的故障、特殊情况、反常状态、干扰、异常的或未预料到的表现、问题或者事故。相比之下,在之前的状态数据组中还不存在异常。
将至少一个经仿真的数据组与所要分析的状态数据组进行比较并且有关相似性来对该至少一个经仿真的数据组进行检查。在这些状态数据组之间的距离越小,这些状态数据组就越相似。该距离可以借助于距离量度或度量来确定。
如果相似度值足够高,尤其是超过预先确定的极限值,则该至少一个经仿真的数据组和/或该至少一个可替换的之前的状态数据组尤其可以作为至少一个异常的原因被输出。否则,可以输出至少一个故障报告。
优点在于:与现有技术相比,故障原因分析由自主单元自立地或独立地执行。由此可以节省人力和以及时间。因此,可以显著降低成本。此外,有利地,自主单元不那么容易出错并且因此更可靠。
此外,与现有技术相比,自主单元也可以确定未预料到的、前所未有的事件的原因。
此外,作为另一优点,自主单元可以收集、存储这些被获得的数据并且由此积累丰富的经验。与此相应地,知识增长而且自主单元可以被改进。
在一个设计方案中,该至少一个之前的状态数据组被存储在存储单元中。与此相应地,存储单元可以构造为数据库、云或者其它易失性的、非易失性的存储单元,可以高效地并且可靠地访问该存储单元。状态数据组可以每隔一定时间间隔或区间被存储,以便改善状态数据组的可靠性以及完整性和按照本发明的分析的精度。
在另一设计方案中,基于距离度量、尤其是欧氏距离或者曼哈顿距离来确定相似度值。
与此相应地,不同的距离度量可以得到应用。在此,使用距离度量,以便将这些数据组进行比较并且确定相似度值。在最简单的情况下,这可以是欧氏距离。此外,具有权重的距离函数也适合于使在距离函数中的不同的参数类型相互间进行比较。
在另一设计方案中,仿真是物理仿真。
与此相应地,物理仿真可以得到应用。示例性的物理仿真是声音,热量,刚体,流体,变形,过程和刚体仿真以及它们的组合(所谓的多域仿真)等等。可替换地或附加地,可以使用其它度量或仿真。由此,有利地,根据应用领域或者其它条件可以使度量或仿真灵活地适配。
在另一设计方案中,通过使至少一个变量变化来确定至少一个可替换的之前的状态数据组。
在另一设计方案中,使至少一个变量在至少一个区间内发生变化。
与此相应地,该变量是参数、特性或者其它不同的标准。换言之,进行参数变化。例如,产生示例性的夹具的多个相似的夹取情况,这些夹取情况在一个或多个变量方面有区别。位置和/或力可以变化或者被改变。与此相应地,该变量是位置或力。该变量可以在一个区间或范围内被改变。
在另一设计方案中,至少一个变量的变化考虑密度分布。
与此相应地,参数的变化可以根据密度分布来进行。借此,例如具有较小的异常的夹取情况比具有大的异常的夹取情况更频繁地生成。这是有利的,因为大的异常不那么可能。
在另一设计方案中,该方法还具有:对至少一个异常的原因进行处理。
在另一设计方案中,对至少一个异常的原因的处理包括
-将该原因传输给其它单元;和/或
-执行措施。
在另一设计方案中,该原因以消息或通知的形式被传输。
在另一设计方案中,该措施是适配或者调整。
与此相应地,按照本发明的方法由自主单元来执行。除了确定故障原因之外,自主单元也可以处理所确定的或所识别出的原因,以便消除故障。为此,该自主单元可以同时或者依次执行一个或多个步骤。该自主单元也可以分级地采取行动。该自主单元可以将原因传送给其它单元、如终端设备、控制单元或者其它计算单元,该其它单元采取相对应的措施。可替换地或附加地,该自主单元也可以自己并且不通过其它单元引入相对应的措施。由此,有利地,可以高效地并且可靠地消除故障,而不需要其它组件。
本发明还涉及一种用于执行上述方法的自主单元。
本发明还涉及一种具有计算机程序的计算机程序产品,所述计算机程序产品具有用于当所述计算机程序在程序控制装置上执行时实施上面描述的方法的装置。
计算机程序产品、诸如计算机程序装置例如可以作为存储介质(诸如存储卡、USB记忆棒、CD-ROM、DVD)或者也可以以网络中的服务器的能下载的文件的形式来提供或者供应。这例如可以在无线通信网络中通过利用计算机程序产品或者计算机程序装置传输相对应的文件来实现。尤其考虑控制装置,诸如工业控制PC或存储可编程控制器或可编程逻辑控制器(ProgrammableLogicController,简称PLC)或者智能卡的微处理器或者诸如此类的,作为程序控制装置。
附图说明
在如下详细的描述中,本发明的在当前情况下优选的实施方式参考如下附图进一步予以描述。
图1示出了按照本发明的方法的示意性流程图。
图2示出了按照本发明的实施方式的不同的状态数据组。
具体实施方式
在下文,本发明的优选的实施方式参考附图予以描述。
图1示意性地示出了按照本发明的具有方法步骤S1至S7的方法的流程图。该方法被应用于所要分析的状态数据组10,以便分析该状态数据组的异常的原因。图1示出了如下步骤:步骤S1:接收所要分析的状态数据组,所述状态数据组具有至少一个异常;步骤S2:确定至少一个之前的状态数据组;步骤S3:基于所述至少一个之前的状态数据组来确定至少一个可替换的之前的状态数据组;步骤S4:通过对所述至少一个可替换的之前的状态数据组进行仿真来确定至少一个经仿真的数据组;步骤S5:将所述至少一个经仿真的数据组与所要分析的状态数据组进行比较;步骤S6:确定在所述至少一个经仿真的数据组与所要分析的状态数据组之间的相似度值;和步骤S7:根据所述相似度值,输出所述至少一个经仿真的数据组、所述至少一个可替换的之前的状态数据组,作为所述至少一个异常或至少一个故障报告的原因。
按照图1,在步骤S2中,之前的情况被重构。为此,调用来自之前的时间点的之前的状态数据组20,在该之前的状态数据组中,还不存在故障。例如,作为自主单元的机器人系统借助于立体摄像机并且通过压力传感器识别出:对象从夹具中滑落并且掉到地面上。机器人系统开始原因分析,其方式是该机器人系统加载之前的状态数据组,关于该之前的状态数据组,该对象是被夹具稳定地夹持的。
在进一步的步骤S3中,进行参数变化。状态数据可能有测量误差,可能不精确而且也许可能甚至本身有错误。因而可能的是:故障原因已经隐藏在所记下的状态数据中并且不曾被自主单元探测到。之前的状态数据组20在预先给定的区间和密度分布内发生变化。以这种方式,生成各种可替换的之前的状态数据组30,这些可替换的之前的状态数据组30与之前的状态数据组20非常相似,但是在细节上不同。
参考上文的示例,生成多个相似的夹取情况,这些夹取情况全部都根据预先给定的参数变化在细节上有区别。例如,夹具在空间中处在与在最初的状态数据组中寄存的稍微不同的位置,对象在夹具中以与在最初的状态数据组中寄存的稍微不同的取向,夹具用与在最初的状态数据组中寄存的不同的力来围住对象,可能的障碍物在空间中处在与在最初的状态数据组中寄存的稍微不同的位置。
在进一步的步骤S4中,基于每个单个的所生成的可替换的之前的状态数据组30,执行仿真,直至已探测到异常的当前的时间点。在这种情况下,视应用领域而定,应用专门的算术运算,所述专门的算术运算描述了系统状态如何随时间继续发展。因此,确定被仿真直至当前的时间点的系统状态,作为经仿真的数据组40。在此,视应用领域而定可以选择不同的仿真。
例如,在夹具的情况下,特别是机械力是起决定作用的。与此相应地,物理仿真已经被证明为特别有利。针对每个人工生成的夹取情况,根据控制信号和物理定律来仿真夹具运动,直至有异常的时间点。在另一示例、比如自主的发电厂控制中,力学定律不那么重要。因而,从一个系统状态到下一个系统状态的过程可以通过控制逻辑和化学和/或热力学过程来描述。
在进一步的步骤S5中,将经仿真的数据组40与所要分析的状态数据组10进行比较。具有与所要分析的状态数据组10相同的异常的一个或多个状态必要时可以再次更详细地被检查,例如通过其它详细的参数变化来更详细地被检查。根据经仿真的数据组40,确定如下那个经仿真的数据组,该经仿真的数据组与所要分析的状态数据组10最相似。此外,也已知如下可替换的之前的状态数据组,从该可替换的之前的状态数据组得知经仿真的数据组。
例如,在一些经仿真的数据中,夹具同样使对象掉落。例如,仿真的特点在于:对象在同一时间点、在同一控制信号的情况下从手中掉落或停在地面上的同一点。该仿真以其开始的相对应的可替换的之前的状态数据组不同于来自之前的所要分析的状态数据组,区别特别在于:对象已具有稍微不同的取向。
在进一步的步骤中,通过考虑在可替换的之前的状态数据组与之前的状态数据组之间的区别,可以推断出故障原因。
换言之,在将经仿真的数据与所要分析的状态数据组进行比较时,这些可替换的之前的状态数据组可以一并被考虑。可替换的之前的状态与所要分析的状态数据组的偏差越大,该可替换的之前的状态数据组就越不可能是实际的之前的状态。
例如,该可替换的之前的状态数据组与该之前的状态数据组的区别在于取向。这里,容易理解的是:对象实际上像在该可替换的之前的状态数据组中描述的那样已被夹具检测到,而不像在该之前的状态数据组中假定的那样。因此,例如可以执行传感器的自测。可替换地或附加地,也可以检查更之前的其它之前的状态数据组,以便确定该对象是否已错误地被容纳或者已经在先前的运动期间在夹具中打滑。
该自主单元可以依据所获得的结果来采取不同的措施,以便对异常的原因进行处理,诸如:独立地消除异常;向人类或其它单元报警;自己重新被编程,以便在将来预防这种异常,比如更频繁地监控;或者以其它方式进行夹取;和/或将该异常归为无害,因为现在知道该原因并且可以将该原因相对应地分类。

Claims (15)

1.一种用于分析至少一个异常的原因的方法,所述方法具有如下步骤:
a.接收所要分析的状态数据组,所述状态数据组具有至少一个异常;
b.确定至少一个之前的状态数据组;
c.基于所述至少一个之前的状态数据组来确定至少一个可替换的之前的状态数据组;
d.通过对所述至少一个可替换的之前的状态数据组进行仿真来确定至少一个经仿真的数据组;
e.将所述至少一个经仿真的数据组与所要分析的状态数据组进行比较;
f.确定在所述至少一个经仿真的数据组与所要分析的状态数据组之间的相似度值;而且g.根据所述相似度值,输出所述至少一个经仿真的数据组、所述至少一个可替换的之前的状态数据组,作为至少一个故障报告或所述至少一个异常的原因。
2.根据权利要求1所述的方法,其中所述至少一个之前的状态数据组被存储在存储单元中。
3.根据权利要求1或2所述的方法,其中基于距离度量来确定所述相似度值。
4.根据权利要求3所述的方法,其中所述距离度量是欧氏距离或者曼哈顿距离。
5.根据权利要求1或2所述的方法,其中所述仿真是物理仿真。
6.根据权利要求1或2所述的方法,其中通过使至少一个变量变化来确定所述至少一个可替换的之前的状态数据组。
7.根据权利要求6所述的方法,其中使所述至少一个变量在至少一个区间内变化。
8.根据权利要求7所述的方法,其中所述至少一个变量的变化考虑密度分布。
9.根据权利要求1或2所述的方法,所述方法还具有:对所述至少一个异常的原因进行处理。
10.根据权利要求9所述的方法,其中对所述至少一个异常的原因的处理包括:
将所述原因传输给其它单元;和/或
执行措施。
11.根据权利要求10所述的方法,其中所述措施是适配或者调整。
12.根据权利要求10所述的方法,其中所述原因以消息或通知的形式被传输。
13.根据权利要求12所述的方法,其中所述措施是适配或者调整。
14.一种自主单元,所述自主单元用于执行根据权利要求1至13之一所述的方法。
15.一种计算机可读存储介质,在其上存储有计算机程序,所述计算机程序具有指令,用于当所述计算机程序在程序控制装置上执行时实施根据权利要求1至13之一所述的方法。
CN201910505857.1A 2018-06-12 2019-06-12 用于分析至少一个异常的原因的方法 Active CN110597698B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP18177160.1A EP3582050B1 (de) 2018-06-12 2018-06-12 Verfahren zum analysieren einer ursache mindestens einer abweichung
EP18177160.1 2018-06-12

Publications (2)

Publication Number Publication Date
CN110597698A CN110597698A (zh) 2019-12-20
CN110597698B true CN110597698B (zh) 2023-11-10

Family

ID=62783977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910505857.1A Active CN110597698B (zh) 2018-06-12 2019-06-12 用于分析至少一个异常的原因的方法

Country Status (3)

Country Link
US (1) US11138057B2 (zh)
EP (1) EP3582050B1 (zh)
CN (1) CN110597698B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11714702B1 (en) * 2022-02-10 2023-08-01 International Business Machines Corporation Device underperformance identification and solution

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110054843A1 (en) * 2009-07-31 2011-03-03 Jonghye Han Diagnostic system and method for home appliance
CN103529825A (zh) * 2013-10-23 2014-01-22 上海白丁电子科技有限公司 自动分析和诊断设备故障的方法及其装置
CN103558955A (zh) * 2012-10-10 2014-02-05 陈山鹏 基于多对象多状态显示器的多对象状态监测方法及系统
US20180106261A1 (en) * 2016-10-13 2018-04-19 Caterpillar Inc. System, method, and apparatus to monitor compressor health

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2673464B2 (ja) 1990-06-18 1997-11-05 ファナック株式会社 成形モニタ装置
US20020091972A1 (en) * 2001-01-05 2002-07-11 Harris David P. Method for predicting machine or process faults and automated system for implementing same
GB0415144D0 (en) * 2004-07-06 2004-08-11 Attar Software Ltd Method and system for detecting events in process operating data and identifying associations between related events
US7954090B1 (en) * 2004-12-21 2011-05-31 Zenprise, Inc. Systems and methods for detecting behavioral features of software application deployments for automated deployment management
US8095819B2 (en) * 2007-06-06 2012-01-10 Nec Corporation Communication network failure cause analysis system, failure cause analysis method, and failure cause analysis program
US9262255B2 (en) * 2013-03-14 2016-02-16 International Business Machines Corporation Multi-stage failure analysis and prediction
US10311356B2 (en) * 2013-09-09 2019-06-04 North Carolina State University Unsupervised behavior learning system and method for predicting performance anomalies in distributed computing infrastructures
CN104809134B (zh) * 2014-01-27 2018-03-09 国际商业机器公司 检测数据序列中的异常子序列的方法和设备
US10142596B2 (en) * 2015-02-27 2018-11-27 The United States Of America, As Represented By The Secretary Of The Navy Method and apparatus of secured interactive remote maintenance assist
US10592328B1 (en) * 2015-03-26 2020-03-17 Amazon Technologies, Inc. Using cluster processing to identify sets of similarly failing hosts
US10277693B2 (en) * 2015-06-04 2019-04-30 Twitter, Inc. Trend detection in a messaging platform
WO2017011708A1 (en) * 2015-07-14 2017-01-19 Sios Technology Corporation Apparatus and method of leveraging machine learning principals for root cause analysis and remediation in computer environments
US10354332B2 (en) * 2015-09-30 2019-07-16 Sensormatic Electronics, LLC Sensor based system and method for drift analysis to predict equipment failure
WO2017139046A1 (en) * 2016-02-09 2017-08-17 Presenso, Ltd. System and method for unsupervised root cause analysis of machine failures
DE102016203676A1 (de) 2016-03-07 2017-09-07 Siemens Aktiengesellschaft Transporteinheit mit zumindest einer Anlage
CN106126391A (zh) * 2016-06-28 2016-11-16 北京百度网讯科技有限公司 系统监控方法和装置
US10146609B1 (en) * 2016-07-08 2018-12-04 Splunk Inc. Configuration of continuous anomaly detection service
US10467087B2 (en) * 2017-10-04 2019-11-05 Airmagnet, Inc. Plato anomaly detection

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110054843A1 (en) * 2009-07-31 2011-03-03 Jonghye Han Diagnostic system and method for home appliance
CN103558955A (zh) * 2012-10-10 2014-02-05 陈山鹏 基于多对象多状态显示器的多对象状态监测方法及系统
CN103529825A (zh) * 2013-10-23 2014-01-22 上海白丁电子科技有限公司 自动分析和诊断设备故障的方法及其装置
US20180106261A1 (en) * 2016-10-13 2018-04-19 Caterpillar Inc. System, method, and apparatus to monitor compressor health

Also Published As

Publication number Publication date
EP3582050A1 (de) 2019-12-18
US20190377626A1 (en) 2019-12-12
CN110597698A (zh) 2019-12-20
US11138057B2 (en) 2021-10-05
EP3582050B1 (de) 2021-04-28

Similar Documents

Publication Publication Date Title
Borgi et al. Data analytics for predictive maintenance of industrial robots
US11009847B2 (en) Controller, control program, and control method
US9108316B2 (en) Method and system for in-production optimization of the parameters of a robot used for assembly
Xiao et al. An intelligent actuator fault reconstruction scheme for robotic manipulators
Harada et al. Log-based anomaly detection of CPS using a statistical method
US10768188B2 (en) Diagnostic device and method for monitoring operation of a technical system
Van et al. Fault diagnosis and fault-tolerant control of uncertain robot manipulators using high-order sliding mode
US10363638B2 (en) Method for controlling a screwing process
US20210283771A1 (en) Control apparatus, robot, learning apparatus, robot system, and method
CN109420932B (zh) 异常检测装置
KR101178186B1 (ko) Pc 기반 시스템에서 피엘씨 신호 패턴을 이용하여 다수의 설비로 구성된 자동화 라인의 비정상 상태 알람 방법.
US20230367296A1 (en) Industrial system, abnormality detection system, and abnormality detection method
CN113252371B (zh) 状态估计装置、系统和制造方法
CN110597698B (zh) 用于分析至少一个异常的原因的方法
CN112154048B (zh) 基于机器人的工件插装方法、系统及计算机可读介质
CN111752733A (zh) 气动系统中的异常检测
EP3839680B1 (en) Method and device for controlling a machine using principal component analysis
US20200147737A1 (en) Device for detecting abnormality in attachment of tool
JP2010513039A (ja) コントロール・システム
Zhang et al. Nonlinear dynamics modeling and fault detection for a soft trunk robot: An adaptive nn-based approach
Mahajan et al. Physical and virtual intelligent sensors for integrated health management systems
CN110231802B (zh) 机器人控制装置、记录的生成方法以及存储介质
Reuss et al. End-to-end learning of hybrid inverse dynamics models for precise and compliant impedance control
CN112639645A (zh) 用于定位传感器的方法、设备和定位系统
Cheng et al. Sensor selection and stage & result classifications for automated miniature screwdriving

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
GR01 Patent grant
GR01 Patent grant