CN111126822A - 一种工业机器人健康评估方法、装置及存储介质 - Google Patents
一种工业机器人健康评估方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111126822A CN111126822A CN201911314662.5A CN201911314662A CN111126822A CN 111126822 A CN111126822 A CN 111126822A CN 201911314662 A CN201911314662 A CN 201911314662A CN 111126822 A CN111126822 A CN 111126822A
- Authority
- CN
- China
- Prior art keywords
- industrial robot
- health assessment
- sample data
- cluster
- health
- 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.)
- Granted
Links
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明涉及智能机器人技术领域,具体涉及一种工业机器人健康评估方法、装置及存储介质,首先根据获取的特征量生成样本数据集,所述特征量表征工业机器人运行状态;接着采用聚类分析算法对所述样本数据集进行聚类分析,生成聚类模型;从而根据工业机器人的当前运行状态实时评估工业机器人的健康评估类别,本发明有效利用各种传感器采集的数据,更加客观准确的对工业机器人健康进行评估。
Description
技术领域
本发明涉及智能机器人技术领域,具体涉及一种工业机器人健康评估方法、装置及存储介质。
背景技术
工业机器人因其集自动化生产和集成生产的特点于一身,在装配制造业中规模地使用了工业机器人来提高生产效率,工业机器人自身的正常运行是整个制造系统中的基石,对工业机器人的健康评估成为需要研究的问题。
在大数据时代,基于数据对工业机器人进行健康评估成为更好的选择,工业机器人数据源主要有两种:中控系统和数据采集传感器,两种方式采集的数据通过工业现场总线协议,完成底层数据向上层网络传输过程中的协议解析以及上层网络向底层设备传输数据过程中的数据协议封装。
鉴于此,如何有效利用各种传感器采集的数据,更加客观准确的对工业机器人健康进行评估,成为亟待解决的问题。
发明内容
为解决上述问题,本发明提供一种工业机器人健康评估方法、装置及存储介质,能够有效利用各种传感器采集的数据,更加客观准确的对工业机器人健康进行评估。
为了实现上述目的,本发明提供以下技术方案:
根据本发明第一方面实施例的一种工业机器人健康评估方法,包括:
根据获取的特征量生成样本数据集,所述特征量用于表征工业机器人运行状态;
采用聚类分析算法对所述样本数据集进行聚类分析,生成聚类模型;
根据工业机器人的当前运行状态实时评估工业机器人的健康评估类别。
进一步,所述根据获取的特征量生成样本数据集,具体为:
从工业机器人上设置的传感器获取特征量,所述特征量包括负载、误差、速度、力矩、振动、温度;
采用主元分析法对特征量进行降维处理,生成样本数据;
将所述样本数据中的无效数据进行剔除,得到样本数据集。
进一步,所述采用聚类分析算法对所述样本数据集进行聚类分析,生成聚类模型,包括:
获取工业机器人运行的工艺条件,以确定对工业机器人进行评估的特征量组;
确定工业机器人在所述工艺条件下的健康评估类别,每个健康评估类别作为一个聚类,所述聚类的总类别数m;
确定每个健康评估类别下特征量组的典型值,将所述典型值作为初始聚类中心;
计算各样本数据到m个初始聚类中心的距离,并将各样本数据划归到距离其最近的初始聚类中心所在的聚类;
计算出各个初始聚类的中心位置,以该位置作为聚类中心重新聚类,直至得到聚类中心不再变化,且最小平方误差准则函数呈现收敛状态。
进一步,所述确定每个健康评估类别下特征量组的典型值,具体为:
将每个特征量的极大值和极小值按总类别数m进行等分,每个等分点所对应的数值即为该聚类的典型值;
将特征量组的全部典型值汇总形成特征量组的典型值。
进一步,所述根据工业机器人的当前运行状态实时评估工业机器人的健康评估类别,具体为:
实时获取工业机器人的当前特征量,根据所述当前特征量得出工业机器人运行状态的划分结果;
根据所述工业机器人运行状态的划分结果计算最近的聚类中心,以该聚类中心得到聚类结果作为工业机器人的健康评估类别。
根据本发明第二方面实施例的一种工业机器人健康评估装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现所述一种工业机器人健康评估方法。
根据本发明第三方面实施例的一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行所述一种工业机器人健康评估方法。
本发明的有益效果是:本发明公开一种工业机器人健康评估方法、装置及存储介质,首先根据获取的特征量生成样本数据集,所述特征量表征工业机器人运行状态;接着采用聚类分析算法对所述样本数据集进行聚类分析,生成聚类模型;从而根据工业机器人的当前运行状态实时评估工业机器人的健康评估类别。本发明有效利用各种传感器采集的数据,更加客观准确的对工业机器人健康进行评估。
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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一种工业机器人健康评估方法的流程示意图;
图2是本发明实施例步骤S200的流程示意图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本公开的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
参考图1,如图1所示为一种工业机器人健康评估方法,包括以下步骤:
步骤S100、根据获取的特征量生成样本数据集,所述特征量表征工业机器人运行状态。
本实施例中,所述特征量可通过设置在工业机器人关键节点上的传感器进行采集,通过采集工业机器人在过往运行工作中的大量数据,可形成特征量的大数据,通过大量的特征量形成样本数据集,从而反映工业机器人的整体运行状态。工业机器人运行状态需要从多个维度进行表征,相应的,所述传感器采集的特征量也需要包括多个维度,以客观准确的反映工业机器人的运行状态。通过与传感器进行联网通信即可获取传感器采集的特征量,典型的,可通过WSN网络(wireless sensor network,无线传感器网络)进行联网通信。
步骤S200、采用聚类分析算法对所述样本数据集进行聚类分析,生成聚类模型。
在采集到样本数据集后,需要对样本数据集与工业机器人运行状态进行对应,以便于后续的工业机器人健康评估,本实施例中,采用聚类分析的方式对样本数据集进行划分,相比采用人工方式直接对样本数据集进行分类,对所述样本数据集进行聚类分析,可以更加客观准确的对样本数据集进行划分,获得的聚类结果更优。
步骤S300、根据工业机器人的当前运行状态实时评估工业机器人的健康评估类别。
在通过聚类分析形成之后,可生成聚类模型,通过获得的工业机器人的当前运行状态,可实时评估工业机器人的健康评估类别,即获得工业机器人健康评估结果,由于这一评估过程是根据前期训练好的聚类模型进行判断的,避免了人为判断所造成的主观失误,对工业机器人健康评估结果更加客观准确。
本实施例首先根据获取的特征量生成样本数据集,所述特征量表征工业机器人运行状态;接着采用聚类分析算法对所述样本数据集进行聚类分析,生成聚类模型;从而根据工业机器人的当前运行状态实时评估工业机器人的健康评估类别。本公开提供的实施例可以有效利用各种传感器采集的数据,更加客观准确的对工业机器人健康进行评估。
在一个优选的实施例中,所述步骤S100中,根据获取的特征量生成样本数据集,具体为:
(1)从工业机器人上设置的传感器获取特征量,所述特征量包括负载、误差、速度、力矩、振动、温度;
(2)采用主元分析法对特征量进行降维处理,生成样本数据;
主元分析法(Principal components analysis,PCA)是基于多元统计过程控制的故障诊断技术的核心,是基于原始数据空间,通过构造一组新的潜隐变量来降低原始数据空间的维数,再从新的映射空间抽取主要变化信息,提取统计特征,从而构成对原始数据空间特性的理解。
在欧几里得空间给定一组点数,第一主成分对应于通过多维空间平均点的一条线,同时保证各个点到这条直线距离的平方和最小。去除掉第一主成分后,用同样的方法得到第二主成分。依此类推。在Σ中的奇异值均为矩阵XXT的特征值的平方根。每一个特征值都与跟它们相关的方差是成正比的,而且所有特征值的总和等于所有点到它们的多维空间平均点距离的平方和。P CA提供了一种降低维度的有效办法,本质上,它利用正交变换将围绕平均点的点集中尽可能多的变量投影到第一维中去,因此,降低维度必定是失去特征信息最少的方法。
主成分分析可以减少数据集的维数,同时保持数据集中的对方差贡献最大的特征。这是通过保留低阶主成分,忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方面。
(3)将所述样本数据中的无效数据进行剔除,得到样本数据集。
所述无效数据是指对异常数据进行处理,将无效数据进行剔除,即数据清洗,指发现并纠正数据中可识别的错误。工业机器人运行过程中,由于受噪音、电磁等干扰,避免不了产生错误数据,例如数据缺失、数据错误或数据为偏离期望值的孤立点,这些错误数据显然是不需要的,要把错误数据删掉,这就是数据清洗。
参考图2,在一个优选的实施例中,所述步骤S200中具体包括:
步骤S210、获取工业机器人运行的工艺条件,以确定对工业机器人进行评估的特征量组。
在不同的工艺下,特征集合的组合方式也不相同,需要从特征量集中选取对应的特征量进行组合,例如,通过负载、误差、振动、温度可反映机械臂的震动状态;通过负载、误差、速度、力矩可反映机械臂的抓取状态。
步骤S220、确定工业机器人在所述工艺条件下的健康评估类别,每个健康评估类别作为一个聚类。本实施例中所述聚类的总类别数m,m为正整数,且m≥2,即所述健康评估类别至少包括正常和异常。
步骤S230、确定每个健康评估类别下特征量组的典型值,将所述典型值作为初始聚类中心。
步骤S240、计算各样本数据到m个初始聚类中心的距离,并将各样本数据划归到距离其最近的初始聚类中心所在的聚类;
步骤S250、计算出各个初始聚类的中心位置,以该位置作为聚类中心重新聚类,直至得到聚类中心不再变化,且最小平方误差准则函数呈现收敛状态,以获得m个聚类中心的聚类模型。
在一个优选的实施例中,所述确定每个健康评估类别下特征量组的典型值,具体为:
将每个特征量的极大值和极小值按总类别数m进行等分,每个等分点所对应的数值即为该聚类的典型值;
将特征量组的全部典型值汇总形成特征量组的典型值。
在一个优选的实施例中,所述步骤S300具体为:
实时获取工业机器人的当前特征量,根据所述当前特征量得出工业机器人运行状态的划分结果。
根据所述工业机器人运行状态的划分结果计算最近的聚类中心,以该聚类中心得到聚类结果作为工业机器人的健康评估类别。
本公开的另一方面,还提供一种工业机器人健康评估装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现所述一种工业机器人健康评估方法。
可见,上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本公开的再一方面,还提供一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行所述一种工业机器人健康评估方法。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件的实现方式,以软件形式加载到处理器中,以有效利用各种传感器采集的数据,对工业机器人进行健康评估。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来。
所述处理器可以是中央处理单元(Central-Processing-Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor,DSP)、专用集成电路(Application-Specific-Integrated-Circuit,ASIC)、现场可编程门阵列(Field-Programmable-Gate-Arr ay,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种工业机器人健康评估装置的控制中心,利用各种接口和线路连接整个工业机器人健康评估装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述工业机器人健康评估装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart-Media-Card,SMC),安全数字(Secure-Digital,SD)卡,闪存卡(F lash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求,考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本公开的预定范围。此外,上文以发明人可预见的实施例对本公开进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (7)
1.一种工业机器人健康评估方法,其特征在于,包括:
根据获取的特征量生成样本数据集,所述特征量用于表征工业机器人运行状态;
采用聚类分析算法对所述样本数据集进行聚类分析,生成聚类模型;
根据工业机器人的当前运行状态实时评估工业机器人的健康评估类别。
2.根据权利要求1所述的一种工业机器人健康评估方法,其特征在于,所述根据获取的特征量生成样本数据集,具体为:
从工业机器人上设置的传感器获取特征量,所述特征量包括负载、误差、速度、力矩、振动、温度;
采用主元分析法对特征量进行降维处理,生成样本数据;
将所述样本数据中的无效数据进行剔除,得到样本数据集。
3.根据权利要求2所述的一种工业机器人健康评估方法,其特征在于,所述采用聚类分析算法对所述样本数据集进行聚类分析,生成聚类模型,包括:
获取工业机器人运行的工艺条件,以确定对工业机器人进行评估的特征量组;
确定工业机器人在所述工艺条件下的健康评估类别,每个健康评估类别作为一个聚类,所述聚类的总类别数m;
确定每个健康评估类别下特征量组的典型值,将所述典型值作为初始聚类中心;
计算各样本数据到m个初始聚类中心的距离,并将各样本数据划归到距离其最近的初始聚类中心所在的聚类;
计算出各个初始聚类的中心位置,以该位置作为聚类中心重新聚类,直至得到聚类中心不再变化,且最小平方误差准则函数呈现收敛状态。
4.根据权利要求3所述的一种工业机器人健康评估方法,其特征在于,所述确定每个健康评估类别下特征量组的典型值,具体为:
将每个特征量的极大值和极小值按总类别数m进行等分,每个等分点所对应的数值即为该聚类的典型值;
将特征量组的全部典型值汇总形成特征量组的典型值。
5.根据权利要求4所述的一种工业机器人健康评估方法,其特征在于,所述根据工业机器人的当前运行状态实时评估工业机器人的健康评估类别,具体为:
实时获取工业机器人的当前特征量,根据所述当前特征量得出工业机器人运行状态的划分结果;
根据所述工业机器人运行状态的划分结果计算最近的聚类中心,以该聚类中心得到聚类结果作为工业机器人的健康评估类别。
6.一种工业机器人健康评估装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-5任一项所述一种工业机器人健康评估方法。
7.一种存储介质,其中存储有处理器可执行的指令,其特征在于,所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-5任一项所述一种工业机器人健康评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911314662.5A CN111126822B (zh) | 2019-12-19 | 2019-12-19 | 一种工业机器人健康评估方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911314662.5A CN111126822B (zh) | 2019-12-19 | 2019-12-19 | 一种工业机器人健康评估方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111126822A true CN111126822A (zh) | 2020-05-08 |
CN111126822B CN111126822B (zh) | 2023-04-28 |
Family
ID=70500185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911314662.5A Active CN111126822B (zh) | 2019-12-19 | 2019-12-19 | 一种工业机器人健康评估方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126822B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832921A (zh) * | 2020-06-30 | 2020-10-27 | 佛山科学技术学院 | 基于机器学习的工业机器人性能指标评价设备及方法 |
CN112508069A (zh) * | 2020-11-27 | 2021-03-16 | 中国科学院沈阳自动化研究所 | 一种工业机器人健康评估方法 |
CN113486329A (zh) * | 2021-05-27 | 2021-10-08 | 四川大学华西医院 | 一种评估监督任务的解锁方法及装置 |
CN114418042A (zh) * | 2021-12-30 | 2022-04-29 | 智昌科技集团股份有限公司 | 一种基于聚类分析的工业机器人运行趋势诊断方法 |
CN114418383A (zh) * | 2022-01-18 | 2022-04-29 | 青岛方维智能科技有限公司 | 一种工业机器人的健康风险评估方法、装置、介质和设备 |
CN115081938A (zh) * | 2022-07-22 | 2022-09-20 | 清华大学 | 机器人健康管理方法、装置及电子设备、存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101509839A (zh) * | 2009-03-12 | 2009-08-19 | 上海交通大学 | 基于离群点挖掘的集群工业机器人故障诊断方法 |
CN108363836A (zh) * | 2018-01-17 | 2018-08-03 | 杭州安脉盛智能技术有限公司 | 多工况自适应的工业机器人健康度评估方法及系统 |
CN110110803A (zh) * | 2019-05-15 | 2019-08-09 | 广东工业大学 | 一种机器人故障诊断方法、装置及设备 |
-
2019
- 2019-12-19 CN CN201911314662.5A patent/CN111126822B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101509839A (zh) * | 2009-03-12 | 2009-08-19 | 上海交通大学 | 基于离群点挖掘的集群工业机器人故障诊断方法 |
CN108363836A (zh) * | 2018-01-17 | 2018-08-03 | 杭州安脉盛智能技术有限公司 | 多工况自适应的工业机器人健康度评估方法及系统 |
CN110110803A (zh) * | 2019-05-15 | 2019-08-09 | 广东工业大学 | 一种机器人故障诊断方法、装置及设备 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832921A (zh) * | 2020-06-30 | 2020-10-27 | 佛山科学技术学院 | 基于机器学习的工业机器人性能指标评价设备及方法 |
CN111832921B (zh) * | 2020-06-30 | 2023-09-26 | 佛山科学技术学院 | 基于机器学习的工业机器人性能指标评价设备及方法 |
CN112508069A (zh) * | 2020-11-27 | 2021-03-16 | 中国科学院沈阳自动化研究所 | 一种工业机器人健康评估方法 |
CN113486329A (zh) * | 2021-05-27 | 2021-10-08 | 四川大学华西医院 | 一种评估监督任务的解锁方法及装置 |
CN114418042A (zh) * | 2021-12-30 | 2022-04-29 | 智昌科技集团股份有限公司 | 一种基于聚类分析的工业机器人运行趋势诊断方法 |
CN114418042B (zh) * | 2021-12-30 | 2022-07-22 | 智昌科技集团股份有限公司 | 一种基于聚类分析的工业机器人运行趋势诊断方法 |
CN114418383A (zh) * | 2022-01-18 | 2022-04-29 | 青岛方维智能科技有限公司 | 一种工业机器人的健康风险评估方法、装置、介质和设备 |
CN115081938A (zh) * | 2022-07-22 | 2022-09-20 | 清华大学 | 机器人健康管理方法、装置及电子设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111126822B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126822A (zh) | 一种工业机器人健康评估方法、装置及存储介质 | |
CN110830450A (zh) | 基于统计的异常流量监测方法、装置、设备及存储介质 | |
CN109685092B (zh) | 基于大数据的聚类方法、设备、存储介质及装置 | |
CN109257383B (zh) | 一种bgp异常检测方法及系统 | |
CN114861788A (zh) | 一种基于dbscan聚类的负荷异常检测方法及系统 | |
CN115563477B (zh) | 谐波数据识别方法、装置、计算机设备和存储介质 | |
CN113163353B (zh) | 一种电源车的智能健康服务系统及其数据传输方法 | |
CN112001409A (zh) | 一种基于K-means聚类算法的配电网线损异常诊断方法和系统 | |
EP1958034A1 (en) | Use of sequential clustering for instance selection in machine condition monitoring | |
CN111626360A (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN115599873B (zh) | 基于人工智能物联网的数据采集方法、系统及云平台 | |
CN112767379A (zh) | 陶瓷制造的故障检测方法、系统及计算机可读存储介质 | |
CN115310516A (zh) | 自动化设备状态稳定判断方法、系统及可读存储介质 | |
US11263485B2 (en) | Transfer model training system and method | |
CN113657442A (zh) | 电动汽车充电设备的故障诊断方法、装置及存储介质 | |
CN113742650A (zh) | 一种分布式传感数据处理方法及装置 | |
CN113076268A (zh) | 一种批量采集从机设备数据的方法 | |
CN113949633A (zh) | 基于机器学习的5g网络切片容灾池资源管理方法及装置 | |
CN105721199A (zh) | 一种基于核密度估计与模糊推理系统的实时云服务瓶颈检测方法 | |
CN104752259A (zh) | 对具有与工艺水平不相称良率的芯片的分类方法 | |
CN110731777A (zh) | 基于图像识别的左心室测量方法、装置以及计算机设备 | |
CN109978038A (zh) | 一种集群异常判定方法及装置 | |
CN115473343B (zh) | 一种智能网关多主站并行接入测试方法 | |
CN116736173B (zh) | 一种储能电池模型构建和储能电池状态判定方法、装置 | |
CN114115150B (zh) | 基于数据的热泵系统在线建模方法及装置 |
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 |