CN110757510B - 一种机器人剩余寿命预测方法及系统 - Google Patents
一种机器人剩余寿命预测方法及系统 Download PDFInfo
- Publication number
- CN110757510B CN110757510B CN201911054064.9A CN201911054064A CN110757510B CN 110757510 B CN110757510 B CN 110757510B CN 201911054064 A CN201911054064 A CN 201911054064A CN 110757510 B CN110757510 B CN 110757510B
- Authority
- CN
- China
- Prior art keywords
- robot
- tested
- value
- matching library
- degradation
- 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
-
- 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
- B25J19/0095—Means or methods for testing manipulators
Abstract
本申请一种机器人剩余寿命预测方法及系统,方法的主要步骤包括:(1)利用DTW算法对待测机器人与匹配库的机器人进行相似性度量,匹配寿命预测器、(2)对预测器的所有运行数据进行特征提取,筛选出退化特征变量、(3)预测从ts时刻起下个时间点待测机器人各退化特征变量的值,变量值故障阈值时停止预测,计算待测机器人的剩余寿命;本发明利用匹配库匹配出与待测机器人特征最相近的预测器,动态建立不同的预测模型,预测结果更为准确;结合DTW算法和XGBoost算法选取最具代表性的退化特征集作为预测变量,提高运算效率和精度,可以解决工况和运行环境对预测结果的影响;本发明可实现对未知工况的机器人剩余寿命实时且快速的预测。
Description
技术领域
本发明属于机器人健康管理领域,具体涉及一种机器人剩余寿命预测方法及系统。
背景技术
工业机器人是集机械、电子、控制、计算机、传感器、人工智能等多学科先进技术于一体的现代制造业重要的自动化装备。自从1962年美国研制出世界上第一台工业机器人以来,机器人技术及其产品发展很快,已成为柔性制造系统(FMS)、自动化工厂(FA)、计算机集成制造系统(CIMS)的自动化工具。在许多生产领域的使用实践证明,工业机器人在提高生产自动化水平,提高劳动生产率和产品质量以及经济效益,改善工人劳动条件等方面,有着令世人瞩目的作用,引起了世界各国和社会各层人士的广泛关注。
现阶段,机器人系统的集成度和复杂度也越来越高,多数厂家工业机器人作业运行工艺参数设定、运维管控多数还只是依靠有经验技术工人现场进行,单一依赖经验的维护与加工工艺知识积累与已经无法跟上系统复杂程度的提高,盲目定检、定修导致维护成本提高和效率低下等问题,机器人作业工艺参数设定也难以达到最优化从而影响生产效率与质量。一个有效评估机器人健康状态并及时做出针对性的维护措施对深化工业机器人应用显得尤其重要。
预测与健康管理(Prognostics and Health Management,PHM)是综合利用现代信息技术、人工智能技术的最新研究成果而提出的一种全新的管理复杂系统健康状态的解决方案。而机器人的剩余寿命预测是实现机器人预测与健康管理(PHM)的关键。
目前剩余寿命预测的主要方法有如下几种:
(1)基于物理模型的设备剩余寿命预测:将状态监测数据和机器人特定的机械动力学特征有效的结合来对寿命和状态进行预测。常见的物理模型主要包括裂缝扩展模型、损伤扩展模型、裂纹诊断与预测方法等,这种方法在不需要大量同类机器人历史数据情况下预测效果良好,但是需要事先知道机器人复杂的物理原理及结构等用于建模,而这对于应用场景愈加广泛、功能愈加强大的工业机器人来说是不现实的。
(2)基于数据驱动的设备剩余寿命预测:根据机器人运行状态的监测数据,通过机器人健康预测模型,可用确定性的失效阀值或失效面定义设备失效。通过对机器人的失效阈值和未来状态的分析,对机器人的失效时刻进行预测,获得机器人的健康状态和剩余寿命。常用的基本方法有滤波法、专家系统、神经网络、贝叶斯等。目前的基于数据驱动方法对失效或故障的阈值的划分是静态而单一的,建立的预测模型往往也是单一不变的,如果针对在不同工况和工作环境下的机器人都建立相同模型得到的预测结果并不理想。
(3)基于模型驱动的设备剩余寿命预测:假定可操作数据和数学模型都是可得到的,常用数学模型来描述设备的衰退行为,进而通过数学模型预测机器人健康状态和剩余寿命。常用的方法包括隐马尔可夫模型、隐式半马尔可夫模型、统计方法、比例模型等,这类方法对模型的识别和训练过程耗时较长,不利于做实时预测。
综上所述,早期的剩余寿命预测方法已经有了大量的研究方法,有了一定的解决方案,但是针对复杂工况和环境的工业机器人剩余寿命预测目前还没有明确、可行的解决方案。
发明内容
基于此,本发明旨在提供一种机器人剩余寿命预测方法及系统,通过在匹配库中匹配出与待测机器人特征最相近的机器人作为预测器,选出与退化更有相关性的特征变量,使用XGBoost算法对各个特征变量做多步回归预测,从而预测出待测机器人的剩余寿命,以克服现有预测方法无法针对复杂工况和运行环境机器人做精确寿命预测的技术问题。
本发明提供一种机器人剩余寿命预测方法,包括:
获取待测机器人的历史运行状态数据,利用动态时间归整(Dynamic TimeWarping,DTW)算法对待测机器人与匹配库的机器人进行相似性度量,从匹配库中选出与待测机器人特征最相近的一个模板机器人作为预测器,所述匹配库包括典型工况下不同机器人的全生命周期运行数据;
对预测器的所有运行数据进行特征提取,筛选出退化特征变量;
预测从ts时刻起下个时间点待测机器人各退化特征变量的值,当各退化相关特征变量值达到其对应的故障阈值时停止预测,计算待测机器人的剩余寿命,ts为待测机器人在时间序列上最后一个数据对应的时间点,故障阈值为预测器在时间序列上最终时间点的退化特征变量值。
进一步地,利用DTW算法对待测机器人与匹配库进行相似性度量,从匹配库中选出与待测机器人特征最相近的一个模板机器人作为预测器包括:
分别取待测机器人与匹配库机器人的时间序列并构造n×m维矩阵,计算从矩阵起点(1,1)到矩阵终点(n,m)的归整路径W,计算规整路径W上经过的所有元素之和,取元素之和最小的路径记为DTW距离,选择最小DTW距离对应的模板机器人作为预测器。
进一步地,DTW距离的计算包括:
取两段时间序列Q和C如下式表示
定义n×m维矩阵的元素值为d(i,j)=(qi-cj)2,设规整路径W为待测机器人与匹配库机器人的映射集,则DTW距离的计算为W(k)为规整路径W的第k个元素,d(W(k))表示规整路径W第k个元素的值,1≤K≤m+n-1。
进一步地,待测机器人与匹配库机器人的时间序列长度一致,n=m。
进一步地,对预测器的所有运行数据进行特征提取,筛选出退化特征变量包括:
使用k-means算法把预测器的所有运行数据聚为两类,在时间轴上以T0和T1为分界点,T0以前的数据为第一类数据,T1以后的数据为第二类数据,利用Relief算法筛选出退化特征变量。
进一步地,利用Relief算法筛选出退化特征变量包括:
初始化各特征变量的权重w,w=(0,0,...,0);
利用第一类数据建立第一子集Q0,,Q0={正例},利用第二类数据建立第二子集Q1,,Q1={负例};
随机选择一个样例x∈Q0∪Q1,随机选择一个x的最近邻正例Z+∈Q0和一个x的最近邻负例Z-∈Q1,当x是一个正例时Near-hit=Z+且Near-miss=Z-,当x是一个负例时则Near-hit=Z-且Near-miss=Z+,Near-hit表示样例x的最近邻正例的选取值,Near-miss表示样例x的最近邻负例选取值;
根据抽样次数更新各特征变量权重wj并对wj归一化,当wj≥τ时对应的特征变量为退化特征变量,τ为退化特征权重阈值。
进一步地,更新特征变量权重wj的公式为
xj表示样例x第j个特征变量的值,Near-hitj表示Near-hit第j个特征变量的值,Near-missj表示Near-miss第j个特征变量的值,z在此表示抽样次数,不表示指数运算,diff(·)表示两个样本的差异,avg(·)表示求平均值。
进一步地,预测从ts时刻起下个时间点待测机器人各退化特征变量的值,当各退化相关特征变量值达到其对应的故障阈值时停止预测,计算待测机器人的剩余寿命包括:
使用XGBoost算法进行多步回归预测,对于每个退化特征变量从ts时刻起逐个时间点预测变量值,当变量值达到对应的特征变量故障阈值时停止预测,此时变量值达到故障阈值的时间点为tend,待测机器人的剩余寿命为tend-ts。
进一步地,正则化项Ω(ft)由下式求解
本发明还提供一种机器人剩余寿命预测系统,包括:
历史数据获取模块,用于获取待测机器人的历史运行状态数据;
相似性度量模块,用于对待测机器人与匹配库进行相似性度量,从匹配库中选出与待测机器人特征最相近的一个模板机器人作为预测器;
退化特征筛选模块,用于利用预测器的运行数据进行特征提取,筛选出退化特征变量。
剩余寿命预测模块,用于对退化特征变量进行变量值的多步回归预测,计算待测机器人的剩余寿命。
从以上技术方案可以看出,本发明具有如下优点:
本发明一种机器人剩余寿命预测方法与系统,利用机器人老化数据匹配库匹配出与待测机器人特征最相近的预测器,针对每个待测机器人所建立的预测模型是不相同的,体现模型建立的动态特点,建立的预测模型更符合待测机器人的实际情况,预测结果更为准确;在匹配过程中的相似性度量本发明把主要应用于语音识别的DTW算法运用在工业机器人领域,利用DTW算法对机器人的时间序列数据进行比对,提高匹配的准确度;同时结合XGBoost算法进行剩余寿命预测,选取最具代表性的退化特征集作为预测变量,提高运算效率和精度,可以解决工况和运行环境对预测结果的影响;本发明提出的预测模型建立过程适用于各种运行与复杂且未知工况下的机器人的寿命预测,根据机器人的一段历史数据可直接预测,无需获取机器人的全生命周期数据,可实现对未知工况的机器人剩余寿命实时且快速的预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1本发明一个实施例提供的一种机器人剩余寿命预测系统结构框图
图2本发明另一个实施例提供的机器人剩余寿命预测方法实施流程图
图3本发明另一个实施例提供的机器人老化数据匹配库示意图
图4本发明另一个实施例多步回归寿命预测示意图
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本实施例提供一种机器人剩余寿命预测系统,包括:
历史数据获取模块110,相似性度量模块120,退化特征筛选模块130,剩余寿命预测模块140,机器人老化数据匹配库200。
该系统工作时有如下步骤,
通过历史数据获取模块110获取待测机器人的历史运行状态数据,该历史运行状态数据被传输至相似性度量模块120,同时机器人老化数据匹配库200也向度量模块120传输匹配库内所有机器人的全生命周期数据。
在度量模块120中还运行有DTW算法单元,利用该算法单元对待测机器人与匹配库的机器人进行相似性度量,从匹配库中选出与待测机器人特征最相近的一个模板机器人作为预测器。
预测器的全生命周期数据被传输至退化特征筛选模块130,在模块130中运行有Relief算法单元,利用该算法单元对预测器的全生命周期数据进行特征提取,筛选出退化特征变量。
则待测机器人对应的退化特征集被发送至剩余寿命预测模块140,在剩余寿命预测模块140中已预设有各特征变量的故障阈值,预测从ts时刻起下个时间点待测机器人各退化特征变量的值,当各退化相关特征变量值达到其对应的故障阈值时停止预测,此时的时间点记为tend,待测机器人的剩余寿命为tend-ts。
在进一步的实施例中,机器人老化数据匹配库200被嵌入在相似性度量模块120中,进行相似性度量时直接在模块内调取匹配库数据。
在进一步的实施例中,待测机器人对应的退化特征集可以由各模块逐级传输,无需由历史数据获取模块单独发送至剩余寿命预测模块;也可以在退化特征筛选模块完成筛选后向历史数据获取模块反馈筛选结果,由其根据筛选结果发送对应的退化特征集至预测模块。
请参阅图2至图4,下面介绍本发明的另一个实施例,本实施例提供一种工业机器人剩余寿命预测方法,实现对工业机器人寿命的实时快速预测。
获取待测工业机器人的历史运行状态数据,该数据为一段连续的时间序列数据,用于与匹配库中的机器人进行相似性度量,从匹配库中选出与待测机器人特征最相近的一个模板机器人作为预测器。
其中匹配库的建立过程为:对不同工况、不同工厂、不同批次的工业机器人进行老化实验,记录机器人从生产出厂到老化再到故障的全生命周期数据,结合专家经验,获得对应不同工况的典型老化趋势数据,匹配库的简化示意如图3所示。
利用DTW算法进行相似性度量,计算待测工业机器人与匹配库里机器人的运行数据相似度距离的大小,相似度距离越小则表示两台机器人的状态越相似,因此从匹配库中匹配出与待预测机器人最相似状态的老化机器人,作为该机器人的寿命预测器。DTW距离可以度量等长或非等长序列间的相似性,考虑到数据采集系统一般均为同步采样,同一时段内序列长度相等,即使对于非等长序列,也可通过插值重采样的方法使序列长度一致。因此,为简便起见,在本实施例中假设数据采集系统中数据序列长度一致,设有长度均为n的时间序列Q和C,
Q序列表示待测工业机器人,C序列表示匹配库机器人,qn为待测工业机器人在时间点n上的特征值,cn为匹配库机器人在时间点n上的特征值;
构建一个n×n维矩阵,矩阵元素值为d(i,j)=(qi-cj)2,矩阵中从(1,1)开始到(n,n)结束的连续元素的组合称为规整路径,若某一条规整路径形上的元素之和在所有路径中为最小,那么这个最小值即为Q和C的DTW距离。
设规整路径W为待测工业机器人与匹配库机器人的映射集,则DTW距离的计算为W(k)为规整路径W的第k个元素,d(W(k))表示规整路径W第k个元素的值,1≤K≤2n-1,选取与待测工业机器人的DTW距离最小的匹配库机器人作为寿命预测器。
使用Relief算法对预测器的所有运行数据进行特征提取,筛选出退化特征变量,假设机器人的数据在时间上体现为经历了E个时间观测点,共有M维特征变量,则ti(i=1,2,…,E)处的观测值xi由M维特征值组成,xi=(x1,x2,...,xM)T,而每一维的特征变量都是长度为tE的时间序列。
使用k-means算法把预测器的所有运行数据聚为两类,在时间轴上以T0和T1为分界点,T0以前的数据为性能正常数据,T1以后的数据为失效数据。
则在本实施例中Relief算法的筛选过程如下:
(1)输入预测器的样本集X,抽样次数k和退化特征权重阈值τ;
(2)取T0以前的数据建立Q0={正例},,取T1以后的数据建立Q1={负例},;
(3)初始化各特征变量的权重为w=(0,0,...,0);
(4)随机选择一个样例x∈Q0∪Q1,随机选择一个x的最近邻正例Z+∈Q0和一个x的最近邻负例Z-∈Q1,当x是一个正例时Near-hit=Z+,且Near-miss=Z-,当x是一个负例时则Near-hit=Z-,且Near-miss=Z+,Near-hit表示样例x的最近邻正例的选取值,Near-miss表示样例x的最近邻负例选取值;
(5)对于M个维度的特征变量,利用下式更新各权重,
xj表示样例x第j个特征变量的值,Near-hitj表示Near-hit第j个特征变量的值,Near-missj表示Near-miss第j个特征变量的值,z在此表示抽样次数,不表示指数运算,diff(·)表示两个样本的差异,avg(·)表示求平均值。
(6)归一化wj,当wj≥τ时记对应的特征变量为退化特征变量,取待测工业机器人对应的退化特征集进行寿命预测。
使用XGBoost算法进行多步回归预测,如图4所示,对于每个退化特征变量从ts时刻起逐个时间点预测变量值,当变量值达到对应的特征变量故障阈值时停止预测,此时变量值达到故障阈值的时间点为tend,待测机器人的剩余寿命为tend-ts。
正则化项Ω(ft)由下式求解
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (8)
1.一种机器人剩余寿命预测方法,其特征在于,包括:
获取待测机器人的历史运行状态数据,利用DTW算法对所述待测机器人与匹配库的机器人进行相似性度量,从所述匹配库中选出与所述待测机器人特征最相近的一个模板机器人作为预测器,所述匹配库包括典型工况下不同机器人的全生命周期运行数据;
所述利用DTW算法对所述待测机器人与匹配库进行相似性度量,从所述匹配库中选出与所述待测机器人特征最相近的一个模板机器人作为预测器包括:
分别取所述待测机器人与所述匹配库机器人的时间序列构造n×m维矩阵,计算从矩阵起点(1,1)到矩阵终点(n,m)的规整路径W,计算所述规整路径W经过的所有元素之和,取元素之和最小的路径记为DTW距离,选择最小DTW距离对应的模板机器人作为预测器;
所述DTW距离的计算为取两段时间序列Q和C如下式表示
定义n×m维矩阵的元素值为d(i,j)=(qi-cj)2,设规整路径W为待测机器人与匹配库机器人的映射集,则DTW距离的计算为W(k)为规整路径W的第k个元素,d(W(k))表示规整路径W第k个元素的值,1≤K≤m+n-1;
对所述预测器的所有运行数据进行特征提取,筛选出退化特征变量;
预测从ts时刻起下个时间点所述待测机器人的所述退化特征变量的值,当各退化相关特征变量值达到其对应的故障阈值时停止预测,计算所述待测机器人的剩余寿命,ts为所述待测机器人在时间序列上最后一个数据对应的时间点,所述故障阈值为所述预测器在时间序列上最终时间点的退化特征变量值。
2.根据权利要求1所述的机器人剩余寿命预测方法,其特征在于,所述待测机器人与所述匹配库机器人的时间序列长度一致,n=m。
3.根据权利要求1所述的机器人剩余寿命预测方法,其特征在于,所述对所述预测器的所有运行数据进行特征提取,筛选出退化特征变量包括:
使用k-means算法把所述预测器的所有运行数据聚为两类,在时间轴上以T0和T1为分界点,T0以前的数据为第一类数据,T1以后的数据为第二类数据,利用Relief算法筛选出退化特征变量。
4.根据权利要求3所述的机器人剩余寿命预测方法,其特征在于,所述利用Relief算法筛选出退化特征变量包括:
初始化各特征变量的权重w,w=(0,0,...,0);
利用所述第一类数据建立第一子集Q0,Q0={正例},利用所述第二类数据建立第二子集Q1,Q1={负例};
随机选择一个样例x∈Q0∪Q1,随机选择一个x的最近邻正例Z+∈Q0和一个x的最近邻负例Z-∈Q1,当x是一个正例时Near-hit=Z+且Near-miss=Z-,当x是一个负例时则Near-hit=Z-且Near-miss=Z+,Near-hit表示样例x的最近邻正例的选取值,Near-miss表示样例x的最近邻负例选取值;
根据抽样次数更新各特征变量权重wj并对wj归一化,当wj≥τ时对应的特征变量为退化特征变量,τ为退化特征权重阈值。
6.根据权利要求1所述的机器人剩余寿命预测方法,其特征在于,所述预测从ts时刻起下个时间点所述待测机器人的所述退化特征变量的值,当各退化相关特征变量值达到其对应的故障阈值时停止预测,计算所述待测机器人的剩余寿命包括:
使用XGBoost算法进行多步回归预测,对于每个退化特征变量从ts时刻起逐个时间点预测变量值,当所述变量值达到对应的特征变量故障阈值时停止预测,此时变量值达到故障阈值的时间点为tend,所述待测机器人的剩余寿命为tend-ts。
8.一种机器人剩余寿命预测系统,其特征在于,包括:
历史数据获取模块,用于获取待测机器人的历史运行状态数据;
相似性度量模块,用于利用DTW算法对所述待测机器人与匹配库的机器人进行相似性度量,从所述匹配库中选出与所述待测机器人特征最相近的一个模板机器人作为预测器,所述匹配库包括典型工况下不同机器人的全生命周期运行数据;
所述利用DTW算法对所述待测机器人与匹配库进行相似性度量,从所述匹配库中选出与所述待测机器人特征最相近的一个模板机器人作为预测器包括:
分别取所述待测机器人与所述匹配库机器人的时间序列构造n×m维矩阵,计算从矩阵起点(1,1)到矩阵终点(n,m)的规整路径W,计算所述规整路径W经过的所有元素之和,取元素之和最小的路径记为DTW距离,选择最小DTW距离对应的模板机器人作为预测器;
所述DTW距离的计算为取两段时间序列Q和C如下式表示
定义n×m维矩阵的元素值为d(i,j)=(qi-cj)2,设规整路径W为待测机器人与匹配库机器人的映射集,则DTW距离的计算为W(k)为规整路径W的第k个元素,d(W(k))表示规整路径W第k个元素的值,1≤K≤m+n-1;
退化特征筛选模块,用于利用预测器的运行数据进行特征提取,筛选出退化特征变量;
剩余寿命预测模块,用于预测从ts时刻起下个时间点所述待测机器人的所述退化特征变量的值,当各退化相关特征变量值达到其对应的故障阈值时停止预测,计算所述待测机器人的剩余寿命,ts为所述待测机器人在时间序列上最后一个数据对应的时间点,所述故障阈值为所述预测器在时间序列上最终时间点的退化特征变量值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911054064.9A CN110757510B (zh) | 2019-10-31 | 2019-10-31 | 一种机器人剩余寿命预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911054064.9A CN110757510B (zh) | 2019-10-31 | 2019-10-31 | 一种机器人剩余寿命预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110757510A CN110757510A (zh) | 2020-02-07 |
CN110757510B true CN110757510B (zh) | 2021-05-11 |
Family
ID=69335727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911054064.9A Active CN110757510B (zh) | 2019-10-31 | 2019-10-31 | 一种机器人剩余寿命预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110757510B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111999649A (zh) * | 2020-08-20 | 2020-11-27 | 浙江工业大学 | 一种基于XGBoost算法的锂电池剩余寿命预测方法 |
CN114619484B (zh) * | 2020-12-14 | 2023-06-20 | 广东博智林机器人有限公司 | 机器人作业寿命的确定方法、装置、服务器和存储介质 |
CN113305880B (zh) * | 2021-05-10 | 2022-08-05 | 佛山科学技术学院 | 一种基于dtw距离的工业机器人一致性检测系统及方法 |
CN115062672B (zh) * | 2022-07-25 | 2023-04-28 | 广东毕要科技有限公司 | 一种预测scara机器人生命周期的方法及系统 |
CN115470717A (zh) * | 2022-10-31 | 2022-12-13 | 四川工程职业技术学院 | 一种机器人剩余寿命预测方法、装置、设备及存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8352077B2 (en) * | 2008-12-19 | 2013-01-08 | Honda Motor Co., Ltd. | Inertia shaping for humanoid fall direction change |
US8498826B2 (en) * | 2010-11-30 | 2013-07-30 | General Electric Company | Method and system for machine condition monitoring |
JP6163882B2 (ja) * | 2013-05-30 | 2017-07-19 | 株式会社安川電機 | 予測システム |
CN103942444B (zh) * | 2014-04-29 | 2017-10-24 | 衣晓 | 一种基于dtw的平权1‑范数多传感器不等长序列相似度度量方法 |
CN106228026A (zh) * | 2016-08-15 | 2016-12-14 | 广东石油化工学院 | 一种基于最优退化特征量的剩余寿命预测算法 |
CN108549769A (zh) * | 2018-04-13 | 2018-09-18 | 中国人民解放军火箭军工程大学 | 一种维修设备剩余寿命预测方法及系统 |
CN109460574A (zh) * | 2018-10-09 | 2019-03-12 | 南京航空航天大学 | 一种航空发动机剩余寿命的预测方法 |
CN109711453B (zh) * | 2018-12-21 | 2022-05-13 | 广东工业大学 | 一种基于多变量的设备动态健康状态评估方法 |
CN109948860A (zh) * | 2019-03-26 | 2019-06-28 | 哈工大机器人(合肥)国际创新研究院 | 一种机械系统剩余寿命预测方法及系统 |
-
2019
- 2019-10-31 CN CN201911054064.9A patent/CN110757510B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110757510A (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
CN111222290B (zh) | 一种基于多参数特征融合的大型设备剩余使用寿命预测方法 | |
Wang et al. | Remaining useful life estimation using functional data analysis | |
Zheng et al. | Long short-term memory network for remaining useful life estimation | |
Zhang et al. | LSTM-based analysis of industrial IoT equipment | |
CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
CN114048600A (zh) | 一种数字孪生驱动的多模型融合工业系统异常检测方法 | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
KR20140041766A (ko) | 예측 및 예지를 위한 순차적 커널 회귀 모델링 방법 | |
CN107644297B (zh) | 一种电机系统节能量计算和验证方法 | |
Akpudo et al. | Towards bearing failure prognostics: A practical comparison between data-driven methods for industrial applications | |
CN111461551B (zh) | 一种基于深度学习和spc准则的电潜泵故障预警方法 | |
CN115769235A (zh) | 提供与训练函数的准确度有关的警报的方法和系统 | |
CN117193222A (zh) | 一种基于工业物联网和大数据的智能质量控制系统及其控制方法 | |
WO2023044770A1 (zh) | 干泵宕机的预警方法、装置、电子设备、存储介质及程序 | |
CN114841076A (zh) | 基于时空图模型的动力电池生产工艺波动异常检测方法 | |
CN117393076B (zh) | 耐热环氧树脂生产过程智能监测方法及系统 | |
Cohen et al. | Shapley-based explainable ai for clustering applications in fault diagnosis and prognosis | |
CN117273440A (zh) | 基于深度学习的工程施工物联网监测管理系统及方法 | |
Tirovolas et al. | Introducing fuzzy cognitive map for predicting engine’s health status | |
CN111222203A (zh) | 一种轴承使用寿命模型创建及其预测方法 | |
Kabiri et al. | A bayesian approach for recognition of control chart patterns | |
Sogi et al. | A time series forecasting model for equipment failure prediction using IoT sensor data | |
CN113377630A (zh) | 一种通用的kpi异常检测框架实现方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220120 Address after: 510288 shop 5, Jincheng 1st Street, Industrial Avenue South Road, Haizhu District, Guangzhou, Guangdong Province (office only) Patentee after: Guangzhou Fansha Intelligent Technology Co.,Ltd. Address before: No.729, Dongfeng East Road, Yuexiu District, Guangzhou City, Guangdong Province 510060 Patentee before: GUANGDONG University OF TECHNOLOGY |