CN110780198B - 一种伺服焊接系统运动的波形识别方法及设备 - Google Patents
一种伺服焊接系统运动的波形识别方法及设备 Download PDFInfo
- Publication number
- CN110780198B CN110780198B CN201911127815.5A CN201911127815A CN110780198B CN 110780198 B CN110780198 B CN 110780198B CN 201911127815 A CN201911127815 A CN 201911127815A CN 110780198 B CN110780198 B CN 110780198B
- Authority
- CN
- China
- Prior art keywords
- welding system
- waveform
- servo welding
- information
- time
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Numerical Control (AREA)
Abstract
本申请的目的是提供一种用于伺服焊接系统的波形识别方法及设备,本申请通过根据伺服焊接系统的运动控制和程序启动的信息确定基准程序;根据所述基准程序建立所述伺服焊接系统的波形识别模型;利用所述波形识别模型识别所述基准程序运行时的所述伺服焊接系统的运动控制的当前波形信息;根据所述当前波形信息判断所述伺服焊接系统是否存在驱动异常。从而实现与工业逻辑一致性,精准通过位置的偏离识别反应伺服焊接系统的异常状态,且需要的输入参数比较少,可以节约通信资源。
Description
技术领域
本申请涉及机械设备的数据分析领域,尤其涉及一种用于伺服焊接系统的波形识别方法及设备。
背景技术
电阻点焊作为一种连接工艺,被广泛的应用在生产制造过程中。电阻点焊工艺通常需要伺服焊接系统来实现,而伺服驱动系统又是伺服焊接系统的核心组成部分,对工艺的稳定、可靠影响重大。因此开发对于伺服驱动系统的异常诊断方法,可以有效避免产品的焊接质量缺陷,减少计划外停机,降低成本,提高经济效益。
现有的一些追加额外的传感器的技术,比如振动、温度传感器,可以一定程度实现异常诊断功能,但是安装传感器的成本以及现场的空间限制和后期改造可能带来的新的问题隐患,导致追加新的硬件。在工厂的实际生产中,人工标记数据的正常或异常是比较困难的,一般情况下状态异常的数据记录也是比较少,所以需要使用无监督学习来得到一个模型。另外,变频器和PLC等控制器的通讯资源通常是有限的,应该尽量少的占用通道。
发明内容
本申请的一个目的是提供一种用于伺服焊接系统的波形识别方法及设备,解决现有技术中进行数据识别时需要追加传感器部署和改造成本高、占用通讯资源的问题。
根据本申请的一个方面,提供了一种用于伺服焊接系统的波形识别方法,该方法包括:
根据伺服焊接系统的运动控制和程序启动的信息确定基准程序;
根据所述基准程序建立所述伺服焊接系统的波形识别模型;
利用所述波形识别模型识别所述基准程序运行时的所述伺服焊接系统的运动控制的当前波形信息;
根据所述当前波形信息判断所述伺服焊接系统是否存在驱动异常。
进一步地,所述基准程序包括所述伺服焊接系统的运动控制的位置变化信息以及标志位。
进一步地,根据所述基准程序建立所述伺服焊接系统的波形识别模型,包括:
获取所述基准程序运行时的所述伺服焊接系统的运动控制的位置变化信息;
根据所述基准程序的标志位计算节拍时间;
利用分位数及所述节拍时间筛选所述位置变化信息,得到筛选后的训练集;
将所述筛选后的训练集中绝对时间处理为相对时间,得到目标训练集;
根据所述目标训练集建立所述伺服焊接系统的波形识别模型。
进一步地,根据所述基准程序的标志位计算节拍时间,包括:
根据所述基准程序的标志位获取所述基准程序的开始时间和结束时间;
根据所述开始时间和结束时间计算节拍时间。
进一步地,利用分位数及所述节拍时间筛选所述位置变化信息,包括:
利用分位数筛选出所述节拍时间中离群节拍时间,确定除去离群节拍时间后的节拍时间对应的位置变化信息。
进一步地,利用所述波形识别模型识别所述基准程序运行时的所述伺服焊接系统的运动控制的当前波形信息,包括:
获取所述基准程序运行时的所述伺服焊接系统的运动控制的位置变化信息;
根据所述位置变化信息确定所述运动控制的目标控制变量;
利用所述波形识别模型将所述目标控制变量按照所述相对时间聚类,确定当前波形;
从所述当前波形提取波形的边界信息。
进一步地,根据所述当前波形信息判断所述伺服焊接系统是否存在驱动异常,包括:
根据提取到的波形的边界信息判断所述伺服焊接系统是否存在驱动异常,其中,所述波形的边界信息包括分位数、最大值、最小值及均值。
进一步地,所述目标控制变量包括伺服焊接系统的电机的轴弧度。
进一步地,根据所述目标训练集建立所述伺服焊接系统的波形识别模型之后,包括:
根据预设的交叉校验方式对所述波形识别模型进行校验,其中,所述预设的交叉校验方式包括使用多组不同时间段下的训练集以及获得的测试集按照预设比率组成的样本进行校验。
根据本申请另一个方面,还提供了一种用于伺服焊接系统的波形识别的设备,该设备包括:
一个或多个处理器;以及存储有计算机可读指令的存储器,所述计算机可读指令在被执行时使所述处理器执行如前述所述方法的操作。
根据本申请再一个方面,还提供了一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现如前述所述的方法。
与现有技术相比,本申请通过根据伺服焊接系统的运动控制和程序启动的信息确定基准程序;根据所述基准程序建立所述伺服焊接系统的波形识别模型;利用所述波形识别模型识别所述基准程序运行时的所述伺服焊接系统的运动控制的当前波形信息;根据所述当前波形信息判断所述伺服焊接系统是否存在驱动异常。从而实现与工业逻辑一致性,精准通过位置的偏离识别反应伺服焊接系统的异常状态,且需要的输入参数比较少,可以节约通信资源。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出根据本申请的一个方面提供的一种用于伺服焊接系统的波形识别方法的流程示意图;
图2示出本申请一实施例中通过基准程序获得的位置数据的示意图;
图3示出本申请一实施例中时间信息的标志示意图;
图4示出本申请一实施例中轴弧度的波形示意图;
图5示出本申请一实施例中交叉校验时的数据使用示意图;
图6示出本申请一实施例中正常波形的示意图;
图7示出本申请一实施例中交叉校验的结果示意图;
图8(1)-(4)分别示出本申请一实施例中轴弧度循环次数分别为1次、12次、14次和16次时的表现的示意图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中,终端、服务网络的设备和可信方均包括一个或多个处理器(例如中央处理器(Central Processing Unit,CPU))、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RandomAccess Memory,RAM)和/或非易失性内存等形式,如只读存储器(Read Only Memory,ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(Phase-Change RAM,PRAM)、静态随机存取存储器(Static Random Access Memory,SRAM)、动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、数字多功能光盘(Digital Versatile Disk,DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitorymedia),如调制的数据信号和载波。
图1示出根据本申请的一个方面提供的一种用于伺服焊接系统的波形识别方法的流程示意图,该方法包括:步骤S11~步骤S14,
在步骤S11中,根据伺服焊接系统的运动控制和程序启动的信息确定基准程序;在此,伺服焊接系统包括需要电机驱动进行运行的设备,伺服焊接系统的运动控制为伺服焊接系统的电机驱动单元的运动控制情况,在伺服焊接系统的控制程序中植入基准程序,该基准程序为一段标准程序,伺服焊接系统按照该标准程序完成一个标准工况的动作,从而获得标准程序完成后伺服焊接系统的相关参数的响应。
在步骤S12中,根据所述基准程序建立所述伺服焊接系统的波形识别模型;在此,根据运行基准程序,得到伺服焊接系统的相关参数的响应,利用响应的数据作为数据基础,作为训练集建立该伺服焊接系统的波形识别模型,以方便后续再进行检测该伺服焊接系统的驱动系统是否正常工作。
在步骤S13中,利用所述波形识别模型识别所述基准程序运行时的所述伺服焊接系统的运动控制的当前波形信息;在此,利用建立好的波形识别模型识别当前的伺服焊接系统的运动控制的信息,通过波形信息进行反馈,当前波形上的数据信息表示伺服焊接系统当前的驱动系统的运行状态信息。随后,在步骤S14中,根据所述当前波形信息判断所述伺服焊接系统是否存在驱动异常。在此,分析当前波形信息,如当前波形的幅度的上下边界值,根据分析的结果判断伺服焊接系统是否存在驱动异常,如存在一些偏离值,则可能是异物入侵、润滑不良导致的偏离正常状态。
本申请通过在控制程序中植入一段标准程序,设备按照该标准程序完成一个标准工况的工作,实现与工业逻辑的一致性,得到一致性结果,通过比较完成该标准程序时,设备其他参数的响应,识别出设备“正常”状态响应波形,收到响应波形偏离“正常”状态的边界,从而可以进行后续的异常警告。另外,不需要追加传感器部署,改造成本低。
在本申请一实施例中,所述基准程序包括所述伺服焊接系统的运动控制的位置变化信息以及标志位。在此,根据设备特点和场景编制一段基准程序,该基准程序包含一个设备的运动控制和程序是否启动信息,为伺服焊接系统提供一个相同工况,构造一个相同的比较基准,将该基准程序放入伺服焊接系统的控制器中,当伺服焊接系统空闲时,运行该基准程序。如图2所示,该基准程序至少包含一套设备的运动控制,即位置变化(A线条),和标志位即该基准程序是否运行(B线条)。通过使用基准程序,需要的输入参数比较少,仅需要一个标志位和一个控制变量,可以节约通信资源。
在本申请一实施例中,在步骤S12中,获取所述基准程序运行时的所述伺服焊接系统的运动控制的位置变化信息;根据所述基准程序的标志位计算节拍时间;利用分位数及所述节拍时间筛选所述位置变化信息,得到筛选后的训练集;将所述筛选后的训练集中绝对时间处理为相对时间,得到目标训练集;根据所述目标训练集建立所述伺服焊接系统的波形识别模型。在此,收集基准程序运行时伺服焊接系统的运动控制的相关数据,具体为伺服焊接系统的电机驱动单元的位置数据(如图2中的A线条),通过基准程序的标志位计算节拍时间,利用分位数标记离群节拍,提取标记为“正常”数据作为筛选后的训练集,将筛选后的训练集中绝对时间处理成相对时间,处理后的训练集为目标训练集,根据该目标训练集建立波形识别模型,该波形识别模型为基于分位数的离群值过滤法的波形识别模型。
接上述实施例,利用分位数及所述节拍时间筛选所述位置变化信息时,可以利用分位数筛选出所述节拍时间中离群节拍时间,确定除去离群节拍时间后的节拍时间对应的位置变化信息。在此,比如将样本中节拍时间5%分位数以下,95%分位数以上作为离群值从训练样本中去除,将非离群数据作为“正常”数据进行标记,其中,训练样本为位置变化信息,根据节拍时间进行离群节拍时间时,得到非离群节拍时间对应的位置变化信息,作为筛选后的训练集。分位数为连续分布函数中的一个点,该点对应概率p,例如,5%分位数表明样本中5%数据小于该分位数。通过使用基于分位数的离群值过滤的计算,相比于平滑处理的方法计算量更小,更节约计算资源。
在本申请一实施例中,根据所述基准程序的标志位计算节拍时间时,可以根据所述基准程序的标志位获取所述基准程序的开始时间和结束时间;根据所述开始时间和结束时间计算节拍时间。在此,如图3所示,节拍时间为每完成一次基准程序花费的时间,节拍时间=节拍结束时间-节拍开始时间,相对时间=绝对时间-节拍开始时间,通过对筛选后的训练集中绝对时间处理为相对时间,使得获得的运动控制的位置数据在不同循环中进行比较、聚合,从而得到波形信息。
在本申请一实施例中,在步骤S13中,获取所述基准程序运行时的所述伺服焊接系统的运动控制的位置变化信息;根据所述位置变化信息确定所述运动控制的目标控制变量;利用所述波形识别模型将所述目标控制变量按照所述相对时间聚类,确定当前波形;从所述当前波形提取波形的边界信息。其中,所述目标控制变量包括伺服焊接系统的电机的轴弧度。在此,进行判断当前伺服焊接系统的电机驱动单元是否异常时,根据基准程序收集当前的位置变化信息,根据位置变化信息确定目标控制变量,如在本申请中根据位置变化信息确定轴弧度,将轴弧度作为目标控制变量,利用建立好的波形识别模型将该目标控制变量按照相对时间聚类,形成波形信息,提取波形信息的上下边界信息,其中,波形信息为轴幅度的信息,如图4所示,将轴弧度按照相对时间聚类后得到的波形信息。波形识别模型建立的过程为上述所述的通过手机基准程序运行时的伺服焊接系统的位置数据,对该位置数据利用分位数进行筛选,将筛选后的训练集中绝对时间处理为相对时间,从而将目标控制变量按照该相对时间进行聚类形成波形信息的过程。通过本申请所述的波形信息的识别方法,可以实现与工业逻辑的一致性,位置精确性反应控制精度,从而通过位置的偏离可以反应设备的异常状态。
具体地,根据提取到的波形的边界信息判断所述伺服焊接系统是否存在驱动异常,其中,所述波形的边界信息包括分位数、最大值、最小值及均值。在此,波形的边界信息包括但不限于分位数、最大值、最小值以及均值,通过这些边界信息判断伺服焊接系统的响应的波形是否偏离正常状态的边界,触发异常警告。通过边界信息判断出当前波形是否为正常波形。
在本申请一实施例中,根据所述目标训练集建立所述伺服焊接系统的波形识别模型之后,可以根据预设的交叉校验方式对所述波形识别模型进行校验,其中,所述预设的交叉校验方式包括使用多组不同时间段下的训练集以及获得的测试集按照预设比率组成的样本进行校验。在此,通过交叉检验验证波形识别模型的准确性,采用不同时间段对应的训练集和测试集,如使用为XX月X日采集的数据得到的训练集和XX月(X-1)日采集的数据得到的测试集,按照训练集和测试集的占比进行测试,如图5所示,使用多组交叉数据进行验证,其中,TP为真正例,FP为假正例,TN为真反例,FN为假反例。例如采用的训练集数据为10日和11日的数据,测试集数据为9日数据,正常波形如图6所示,A1表示轴弧度上限,A2表示轴弧度下限,A3表示轴弧度均值,进行交叉检验结果如图7所示,其中,测试集、预测“异常”和预测“正常”的结果如表1所示:
测试集 | 预测---异常 | 预测---正常 |
实际---异常 | TP=4 | FN=0 |
实际---正常 | FP=0 | TP=1034 |
表1
该过程以轴弧度循环(Cycle)次数为1次、12次和16次为例,如图8(1)-(4)分别为Cycle=1、Cycle=12、Cycle=14和Cycle=16时的示意图,M线条表示轴弧度循环表现。从而得到交叉校验的结果,根据校验结果使用该波形识别模型或者重新构建波形识别模型。
此外,本申请实施例还提供了一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现前述一种用于伺服焊接系统的波形识别方法。
在本申请一实施例中,还提供了一种用于伺服焊接系统的波形识别的设备,所述设备包括:
一个或多个处理器;以及
存储有计算机可读指令的存储器,所述计算机可读指令在被执行时使所述处理器执行如前述所述方法的操作。
例如,计算机可读指令在被执行时使所述一个或多个处理器:
根据伺服焊接系统的运动控制和程序启动的信息确定基准程序;
根据所述基准程序建立所述伺服焊接系统的波形识别模型;
利用所述波形识别模型识别所述基准程序运行时的所述伺服焊接系统的运动控制的当前波形信息;
根据所述当前波形信息判断所述伺服焊接系统是否存在驱动异常。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
需要注意的是,本申请可在软件和/或软件与硬件的组合体中被实施,例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中,本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地,本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本申请的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
另外,本申请的一部分可被应用为计算机程序产品,例如计算机程序指令,当其被计算机执行时,通过该计算机的操作,可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令,可能被存储在固定的或可移动的记录介质中,和/或通过广播或其他信号承载媒体中的数据流而被传输,和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此,根据本申请的一个实施例包括一个装置,该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (8)
1.一种用于伺服焊接系统的波形识别方法,其特征在于,所述方法包括:
根据伺服焊接系统的运动控制和程序启动的信息确定基准程序;
根据所述基准程序建立所述伺服焊接系统的波形识别模型,其中,所述基准程序包括所述伺服焊接系统的运动控制的位置变化信息以及标志位;
利用所述波形识别模型识别所述基准程序运行时的所述伺服焊接系统的运动控制的当前波形信息;
根据所述当前波形信息判断所述伺服焊接系统是否存在驱动异常;
其中,根据所述基准程序建立所述伺服焊接系统的波形识别模型,包括:
获取所述基准程序运行时的所述伺服焊接系统的运动控制的位置变化信息;
根据所述基准程序的标志位计算节拍时间;
利用分位数及所述节拍时间筛选所述位置变化信息,得到筛选后的训练集;
将所述筛选后的训练集中绝对时间处理为相对时间,得到目标训练集;
根据所述目标训练集建立所述伺服焊接系统的波形识别模型;
其中,利用所述波形识别模型识别所述基准程序运行时的所述伺服焊接系统的运动控制的当前波形信息,包括:
获取所述基准程序运行时的所述伺服焊接系统的运动控制的位置变化信息;
根据所述位置变化信息确定所述运动控制的目标控制变量;
利用所述波形识别模型将所述目标控制变量按照所述相对时间聚类,确定当前波形;
从所述当前波形提取波形的边界信息。
2.根据权利要求1所述的方法,其特征在于,根据所述基准程序的标志位计算节拍时间,包括:
根据所述基准程序的标志位获取所述基准程序的开始时间和结束时间;
根据所述开始时间和结束时间计算节拍时间。
3.根据权利要求1所述的方法,其特征在于,利用分位数及所述节拍时间筛选所述位置变化信息,包括:
利用分位数筛选出所述节拍时间中离群节拍时间,确定除去离群节拍时间后的节拍时间对应的位置变化信息。
4.根据权利要求1所述的方法,其特征在于,根据所述当前波形信息判断所述伺服焊接系统是否存在驱动异常,包括:
根据提取到的波形的边界信息判断所述伺服焊接系统是否存在驱动异常,其中,所述波形的边界信息包括分位数、最大值、最小值及均值。
5.根据权利要求1所述的方法,其特征在于,所述目标控制变量包括伺服焊接系统的电机的轴弧度。
6.根据权利要求1所述的方法,其特征在于,根据所述目标训练集建立所述伺服焊接系统的波形识别模型之后,包括:
根据预设的交叉校验方式对所述波形识别模型进行校验,其中,所述预设的交叉校验方式包括使用多组不同时间段下的训练集以及获得的测试集按照预设比率组成的样本进行校验。
7.一种用于伺服焊接系统的波形识别的设备,其中,所述设备包括:
一个或多个处理器;以及
存储有计算机可读指令的存储器,所述计算机可读指令在被执行时使所述处理器执行如权利要求1至6中任一项所述方法的操作。
8.一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现如权利要求1至6中任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910850375 | 2019-09-10 | ||
CN201910850375X | 2019-09-10 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110780198A CN110780198A (zh) | 2020-02-11 |
CN110780198B true CN110780198B (zh) | 2021-08-06 |
Family
ID=69392005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911127815.5A Active CN110780198B (zh) | 2019-09-10 | 2019-11-18 | 一种伺服焊接系统运动的波形识别方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110780198B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113189935B (zh) * | 2021-04-29 | 2022-09-30 | 浙江陀曼云计算有限公司 | 基于时序功率数据的非侵入式生产节拍预测方法及系统 |
CN113210824B (zh) * | 2021-05-26 | 2022-09-02 | 上海大制科技有限公司 | 一种伺服焊枪驱动的异常检测方法及设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080018279A1 (en) * | 2006-06-22 | 2008-01-24 | Matsushita Electric Industrial Co., Ltd. | Motor driving apparatus, motor driving method and disk driving apparatus |
US20080033695A1 (en) * | 2004-10-18 | 2008-02-07 | Nsk Ltd | Abnormality Diagnosing System For Mechanical Equipment |
CN101154800A (zh) * | 2007-09-29 | 2008-04-02 | 吴为麟 | 故障电弧检测方法及保护装置 |
CN205852109U (zh) * | 2016-08-10 | 2017-01-04 | 湖南华菱节能环保科技有限公司 | 自动跟踪焊接除尘器 |
CN107153735A (zh) * | 2017-04-28 | 2017-09-12 | 无锡开放大学 | 电机驱动系统pwm逆变器故障诊断方法 |
CN107390124A (zh) * | 2017-09-05 | 2017-11-24 | 天津迈斯特机车配件有限公司 | 一体化电机性能在线测试装置 |
CN108536109A (zh) * | 2018-06-22 | 2018-09-14 | 武汉久同智能科技有限公司 | 基于无线扫码连接的伺服驱动器参数整定及监测系统和方法 |
CN109347653A (zh) * | 2018-09-07 | 2019-02-15 | 阿里巴巴集团控股有限公司 | 一种指标异常发现方法和装置 |
-
2019
- 2019-11-18 CN CN201911127815.5A patent/CN110780198B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080033695A1 (en) * | 2004-10-18 | 2008-02-07 | Nsk Ltd | Abnormality Diagnosing System For Mechanical Equipment |
US20080018279A1 (en) * | 2006-06-22 | 2008-01-24 | Matsushita Electric Industrial Co., Ltd. | Motor driving apparatus, motor driving method and disk driving apparatus |
CN101154800A (zh) * | 2007-09-29 | 2008-04-02 | 吴为麟 | 故障电弧检测方法及保护装置 |
CN205852109U (zh) * | 2016-08-10 | 2017-01-04 | 湖南华菱节能环保科技有限公司 | 自动跟踪焊接除尘器 |
CN107153735A (zh) * | 2017-04-28 | 2017-09-12 | 无锡开放大学 | 电机驱动系统pwm逆变器故障诊断方法 |
CN107390124A (zh) * | 2017-09-05 | 2017-11-24 | 天津迈斯特机车配件有限公司 | 一体化电机性能在线测试装置 |
CN108536109A (zh) * | 2018-06-22 | 2018-09-14 | 武汉久同智能科技有限公司 | 基于无线扫码连接的伺服驱动器参数整定及监测系统和方法 |
CN109347653A (zh) * | 2018-09-07 | 2019-02-15 | 阿里巴巴集团控股有限公司 | 一种指标异常发现方法和装置 |
Non-Patent Citations (4)
Title |
---|
《Development of a low cost embedded diagnosis system for servo controlled drives including data mining technologies》;Ralf Wegener等;《2009 IEEE INTERNATIONAL SYMPOSIUM ON INDUSTRIAL ELECTRONICS》;20090825;全文 * |
《Fault analysis on driving motors of lunar rover wheels》;Li Wang等;《2011 International Conference on Electrical Machines and Systems》;20111115;全文 * |
《伺服驱动异常的咨询诊断与分析处理》;闫恩刚;《制造技术与机床》;20130430;全文 * |
《基于滤波算法的波形识别在电厂中的应用》;彭国富等;《广东电力》;20190331;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110780198A (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110426634B (zh) | 一种用于驱动系统的异常预测的方法及设备 | |
CN112393931B (zh) | 检测方法、装置、电子设备和计算机可读介质 | |
CN112346941A (zh) | 一种故障诊断方法及装置 | |
CN110780198B (zh) | 一种伺服焊接系统运动的波形识别方法及设备 | |
JP2015075821A (ja) | 状態診断方法および状態診断装置 | |
CN117270514B (zh) | 基于工业物联网的生产过程全流程故障检测方法 | |
CN112526319B (zh) | 芯片测试方法、装置、处理器芯片及服务器 | |
CN113820333B (zh) | 电池极片异常检测方法、装置、上位机及检测系统 | |
CN105677572A (zh) | 基于自组织映射模型云软件性能异常错误诊断方法与系统 | |
CN112416670A (zh) | 硬盘测试方法、装置、服务器和存储介质 | |
CN113210824B (zh) | 一种伺服焊枪驱动的异常检测方法及设备 | |
CN113838480A (zh) | 一种洗衣机异音检测方法、装置及电子设备 | |
CN116820821A (zh) | 磁盘故障检测方法、装置、电子设备及计算机可读存储介质 | |
CN116431522A (zh) | 一种低代码对象存储网关自动化测试方法及系统 | |
CN116482460A (zh) | 电网设备故障诊断方法及相关设备 | |
CN112241343B (zh) | 一种慢盘检测方法、装置、电子设备及可读存储介质 | |
CN113538725B (zh) | 一种硬件产品的测试方法及相关设备 | |
CN112945535B (zh) | 一种基于数值模拟的旋转机械故障检测方法及装置 | |
CN115270896A (zh) | 一种用于识别航空发动机主轴承松动故障的智能诊断方法 | |
CN114139853A (zh) | 一种基于大数据的钢结构产品清单处理方法和装置 | |
CN107102938B (zh) | 测试脚本的更新方法及装置 | |
CN109491845B (zh) | 一种存储产品控制器的测试方法及系统 | |
TWI712944B (zh) | 利用聲音監控設備之方法 | |
CN114253780A (zh) | 一种基于amd处理器的硬盘性能测试方法和系统 | |
CN111737123A (zh) | 一种故障码存储的测试方法、装置、设备和存储介质 |
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 |