CN111712771B - 能够执行问题诊断的数据处理装置以及方法 - Google Patents

能够执行问题诊断的数据处理装置以及方法 Download PDF

Info

Publication number
CN111712771B
CN111712771B CN201880090073.0A CN201880090073A CN111712771B CN 111712771 B CN111712771 B CN 111712771B CN 201880090073 A CN201880090073 A CN 201880090073A CN 111712771 B CN111712771 B CN 111712771B
Authority
CN
China
Prior art keywords
alarm
data
event
historical
time series
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
CN201880090073.0A
Other languages
English (en)
Other versions
CN111712771A (zh
Inventor
M·迪克斯
B·菲德勒
B·克莱佩尔
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.)
ABB Schweiz AG
Original Assignee
ABB Schweiz 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 ABB Schweiz AG filed Critical ABB Schweiz AG
Priority claimed from PCT/EP2018/081202 external-priority patent/WO2019161947A1/en
Publication of CN111712771A publication Critical patent/CN111712771A/zh
Application granted granted Critical
Publication of CN111712771B publication Critical patent/CN111712771B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0229—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions knowledge based, e.g. expert systems; genetic algorithms
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Manipulator (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)

Abstract

本发明是关于能够执行具有多个机器人(21，22，2n)的生产系统中的问题诊断的数据处理装置(1)及相关方法，包括‑第一时间序列获取部分(3)，所述第一时间序列获取部分(3)配置成得到用于确定时间序列中的某个历史报警指示符的历史事件数据，并且将所述历史事件数据作为第一时间序列数据来存储，‑历史报警指示符计算部分(4)，所述历史报警指示符计算部分(4)配置成使用第一时间序列数据的统计特性来计算一系列历史报警指示符(ai,h)，‑阈值定义部分(5)，所述阈值定义部分(5)配置成基于历史报警指示符的统计分布来定义至少一个阈值，‑第二时间序列获取部分(6)，所述第二时间序列获取部分(6)配置成得到用于确定时间序列中的某个操作报警指示符(ai)的机器人(21，22，2n)的操作期间的操作事件数据，并且将操作事件数据作为第二时间序列数据来存储，‑操作报警指示符计算部分(7)，所述操作报警指示符计算部分(7)配置成使用第二时间系列数据的统计特性来计算一系列操作报警指示符(ai)，报警通知部分(8)，所述报警通知部分(8)配置成对于高于至少一个阈值水平的报警指示符将报警通知给予操作、维护或故障排除人员中的一个，事件突出显示部分(9)，所述事件突出显示部分(9)配置成向操作、维护或故障排除人员中的一个突出显示主要促成操作报警指示符(ai)的事件，以便确定主要促成操作报警指示符(ai)的所述事件。

Description

能够执行问题诊断的数据处理装置以及方法
技术领域
本发明是关于能够执行具有多个机器人的生产系统中的问题诊断的数据处理装置的。
本发明是进一步关于用于执行具有多个机器人的生产系统中的无监督诊断的方法的。
背景技术
在生产线中，工业机器人与多个其它机器人或机器共同使用。在许多应用中，大量工业机器人安装在一个位点中。因此，甚至当只有一个机器人无法正确操作时，也可能终止整条生产线。因此，存在对于用来足够早地检测在具有多个机器人的生产线中的机器人处出现的、可能导致机器人的失灵的问题以防止生产线的暂停的部件的需要。
检测作为一大队机器人中的组成部分的机器人中的问题不是简单的任务。不总是对于在线中的操作员可见的问题—例如同步问题可能引入几秒钟的延迟，其是未被注意的，但是如果它们在较长时间内继续不断出现，则达成严重问题。
用来监测机器人的信息的一个来源是每个机器人在生产中的操作期间产生的事件日志。但是原始事件日志的分析是非常繁琐的任务，而不是缩放的。在仪表板中对每个机器人来监测事件数据，因此存在至少与在线中的机器人数量同样多的机器人事件数据的仪表板，这使得几乎不可能使操作员监测或分析这些数据。
发明内容
因此，本发明的目的是要提供一种能够执行多个机器人中的问题诊断的数据处理装置和方法，其允许实现报警系统以执行一队多个机器人中的一个或多个机器人的故障诊断，允许机器人的日志文件的算法分析而无需大工程工作量，并且将监测信息的复杂度降低到能够由人类操作员所处理的程度。
相对于按照本发明的装置，通过包括如下的数据处理装置来解决此问题。也即，一种能够执行具有多个机器人的生产系统中的问题诊断的数据处理装置，包括：第一时间序列获取部分，所述第一时间序列获取部分配置成得到用于确定时间序列中的某个历史报警指示符的历史事件数据，并且将所述历史事件数据作为第一时间序列数据来存储；历史报警指示符计算部分，所述历史报警指示符计算部分配置成使用所述第一时间序列数据的关于时间窗口内历史事件数量的统计特性来计算一系列历史报警指示符；阈值定义部分，所述阈值定义部分配置成基于所述历史报警指示符的统计分布来定义至少一个阈值；第二时间序列获取部分，所述第二时间序列获取部分配置成得到用于确定时间序列中的某个操作报警指示符的所述机器人的操作期间的操作事件数据，并且将所述操作事件数据作为第二时间序列数据来存储；操作报警指示符计算部分，所述操作报警指示符计算部分配置成使用所述第二时间序列数据的关于时间窗口内操作事件数量的统计特性来计算一系列操作报警指示符；报警通知部分，所述报警通知部分配置成对于高于所述至少一个阈值的报警指示符将报警通知给予操作、维护或故障排除人员中的一个；事件突出显示部分，所述事件突出显示部分配置成向操作、维护或故障排除人员中的一个突出显示主要促成所述操作报警指示符的事件，以便指示主要促成所述操作报警指示符的所述事件。优选地，所述数据处理装置还包括机器学习部分，所述机器学习部分配置成执行机器学习算法，以便检测事件数据中的异常，以及还包括报警指示符部分，所述报警指示符部分配置成识别可能引起所述机器学习算法对异常的判定的事件。所述装置配置成包括作为事件数据的任意输入数据。所述任意输入数据是I/O或模拟信号。本发明还提供一种基于状态的报警系统，包括所述的数据处理装置，所述基于状态的报警系统配置成在得分高于阈值的同时触发警报。本发明还提供一种基于事件的报警系统，包括所述的数据处理装置，所述基于事件的报警系统配置成当警报超过阈值时触发所述警报。
相对于按照本发明的方法，通过包括如下的方法来解决此问题：一种用于执行具有多个机器人的生产系统中的无监督诊断的方法，所述方法包括下列步骤：S1基于历史数据利用关于时间窗口内历史事件数量的统计特性来计算历史报警指示符值，S2基于所述历史报警指示符值的分布来定义和选择阈值，S3使用新事件数据利用关于时间窗口内操作事件数量的统计特性来计算实时操作期间的操作报警指示符，S4对于高于所述阈值的值将报警通知给予操作、维护或故障排除人员，S5向所述操作、维护或故障排除人员突出显示主要促成所述操作报警指示符的事件。优选地，所述的方法还包括下列步骤：S6运行机器学习算法，以检测事件数据中的异常，以及S7运行报警指示符算法，以识别可能引起所述机器学习算法对异常的判定的事件。优选地，所述的方法包括使用作为事件数据的任意输入数据。所述任意输入数据是I/O或模拟信号。
按照本发明的数据处理装置包括
-第一时间序列获取部分，所述第一时间序列获取部分配置成得到用于确定时间序列中的某个历史报警指示符的历史事件数据，并且将历史事件数据作为第一时间序列数据来存储，
-历史报警指示符计算部分，所述历史报警指示符计算部分配置成使用第一时间序列数据的统计特性来计算一系列历史报警指示符ai,h，
-阈值定义部分，所述阈值定义部分配置成基于历史报警指示符的统计分布来定义至少一个阈值，
-第二时间序列获取部分，所述第二时间序列获取部分配置成得到用于确定时间系列中的某个操作报警指示符ai的机器人的操作期间的操作事件数据，并且将操作事件数据作为第二时间序列数据来存储，
-操作报警指示符计算部分，所述操作报警指示符计算部分配置成使用第二时间序列数据的统计特性来计算一系列操作报警指示符ai，
-报警通知部分，所述报警通知部分配置成对于高于至少一个阈值水平的报警指示符将报警通知给予操作、维护或故障排除人员中的一个，
-事件突出显示(highlighting)部分，所述事件突出显示部分配置成向操作、维护或故障排除人员中的一个突出显示主要促成操作报警指示符ai的事件，以便确定主要促成操作报警指示符ai的事件。
按照本发明的解决方案是突出显示要求关注的机器人的日志文件的算法分析。它从历史事件数据来得出报警逻辑，提供与问题的类型有关的报警和附加诊断信息而无需人类干预。
按照本发明的数据处理装置提供对单个空报警(nuisancealarm)是健壮的高水平报警逻辑，而无需手动定义或调整(tune)报警阈值。
它还提供生产结构(即，例如线或单元)和问题的技术性质(即，例如应用特定、通信、机械...)中的‘热区’的自动概览。
本发明提供用来基于机器人事件数据来监测仪表板的通用方式。
现在将参照附图来描述本发明、本发明的另外的优点以及本发明的有利实施例。
附图说明
图1是按照一个实施例的能够执行多个机器人中的问题诊断的数据处理装置的功能框图，
图2是示出按照一个实施例的由能够执行多个机器人中的问题诊断的数据处理装置所执行的过程的流程图。
具体实施方式
图1是按照一个实施例的能够执行多个机器人21、22、2n中的问题诊断的数据处理装置1的功能框图。数据处理装置1在通信上耦合到生产线或工业过程中的多个机器人21、22、2n。机器人21、22、2n未详细图示，而可以是已知的多关节机器人，所述已知的多关节机器人提供有多个马达，以用于驱动关节，并且各自提供有机器人控制器，或提供有机器人控制单元，以用于共同控制多个机器人。数据处理装置1可以是独自在功能和通信上耦合到机器人21、22、2n的每个、从而接收来自相应机器人控制单元的信息的装置，或者它可以是通用机器人控制单元的用于控制机器人的功能部分。数据处理装置1可实现为独立地或者作为机器人控制和监测软件的程序模块运行的软件程序。
数据处理装置1包括第一时间序列获取部分3，该第一时间序列获取部分3配置成得到用于确定时间序列中的某个历史报警指示符的历史事件数据，并且将历史事件数据作为第一时间序列数据来存储。它还包括历史报警指示符计算部分4，该历史报警指示符计算部分4配置成使用第一时间序列数据的统计特性来计算一系列历史报警指示符ai,h。它还包括阈值定义部分5，该阈值定义部分5配置成基于历史报警指示符的统计分布来定义至少一个阈值。它还包括第二时间序列获取部分6，该第二时间序列获取部分6配置成得到用于确定时间序列中的某个操作报警指示符ai的机器人21、22、2n的操作期间的操作事件数据，并且将操作事件数据作为第二时间序列数据来存储。它还包括操作报警指示符计算部分7，该操作报警指示符计算部分7配置成使用第二时间序列数据的统计特性来计算一系列操作报警指示符ai。它还包括报警通知部分8，该报警通知部分8配置成对于高于至少一个阈值水平的报警指示符将报警通知给予操作、维护或故障排除人员中的一个。它还包括事件突出显示部分9，该事件突出显示部分9配置成向操作、维护或故障排除人员中的一个突出显示主要促成操作报警指示符ai的事件，以便确定主要促成操作报警指示符(ai)的事件。
第一时间序列获取部分3、历史报警指示符计算部分4、阈值定义部分5、第二时间序列获取部分6、操作报警指示符计算部分7、报警通知部分8和事件突出显示部分9中的每个可实现为机器人控制和监测软件的程序模块。
参照图2描绘如由数据处理装置1所执行的总体过程。
在初始步骤S1中，基于历史数据来计算一些历史报警指示符值。能够针对时间窗口(例如小时或天数)或报警场景(episode)(例如在后续事件之间小于5分钟的事件块)来定义历史报警指示符。
基于历史报警指示符值的分布，在以下步骤S2中定义和选择阈值。
在下一个步骤S3中，在实时操作(liveoperation)期间，新事件数据用来计算操作报警指示符。操作报警指示符计算部分4为此目的可使用与历史报警指示符计算部分7中使用的算法相同的算法。
对于高于阈值的值，在步骤S4中，报警通知被给予操作、维护或故障排除人员。
在另外的步骤S5中，向操作、维护或故障排除人员突出显示主要促成操作报警指示符的事件。
本发明的基本概念是要使用事件日志的统计特性来计算报警指示符(ai)。
例如，一天内的报警指示符可通过下式来计算：
其中
X′＝观测周期(天，小时)中的事件的数量
σ＝事件数量中的标准偏差
ai捕获：与平均偏离的事件的当前数量中的多少能够算作(accountfor)标准偏差，以及多少是不常见的。基于历史数据中的ai的统计分布，能够定义一个或若干个阈值，例如：
ai>0.3＝>黄色警报
ai>0.5＝>橙色警报
ai>0.8＝>红色警报
所述值可能是例如ai的分布的第75百分位数(percentile)、第85百分位数和第95百分位数。
在初始训练步骤中对历史数据来确定ai的参数。
在运行时，引入事件的新‘块’用来计算对于报警指示符ai的更新值。如果ai高于阈值，则向监测人员显示具有全部相关信息(例如生产线、单元、机器人)的报警。
此外，提供突出显示机器人/线/单元的当前条件的附加信息。这种附加信息可包括：
-引起ai的高值的事件(例如，不可能的事件、不常见频繁事件、缺失事件等)的列表，或者
-按照分层方式对报警指示符的可视化，例如可视化多少ai被一个线/单元/机器人引起、多少ai被事件的什么类别引起，事件的该类别可以是通信、工具、应用、电气等中的一个。
报警指示符的其它示例能够：
-基于总体事件的频率、事件类别或者单事件；
-基于使用某个距离或相似性量度(例如余弦、jacquard、欧几里德或其它量度)到第k个最近邻居的距离；
-机器学习算法(例如自动编码器网络、回归算法、贝叶斯分类器或其它算法)的差错率；
-基于例如通过内核密度估计所估计的事件概率和似然。
另外的有利实施例能够是用来检测事件数据中的异常的机器学习算法(例如once-class-svm、knn异常检测、局部异常因子、自动编码器网络)以及用来识别可能引起机器学习算法对异常的判定的事件的报警指示符的组合。
另外的有利实施例可以是集成到例如基于状态或者基于事件的报警系统。在这样的报警系统是基于状态的情况下，它在得分高于阈值的同时将触发警报。在它是基于事件的情况下，它在警报超过阈值时将触发警报。
另外的有利实施例可以是要包括任意输入数据，例如I/O或模拟信号。
对于报警关键性能指示符(KPI)的计算的输入是机器人或生产系统的日志文件。下面是由一个或若干个机器人所产生的日志文件的示例。示例日志文件具有属性类别和消息。日志文件能够具有更多属性，例如若干消息自变量(argument)或事件严重性。
行 时间戳 类别 消息
1 2018-06-08 07:08:34 运动 运动消息
2 2018-06-08 07:08:35 通信 通信消息
3 2018-06-08 07:08:33 运动 运动消息
4 2018-06-08 07:08:35 控制器 控制器消息
5 2018-06-08 07:08:39 通信 通信消息
6 ... ... ...
n 2019-01-02 14:22:42 通信 通信消息
n+1 2019-01-02 14:22:43 控制器 控制器消息
n+2 2019-01-02 14:24:09 运动 运动消息
n+3 2019-01-02 14:25:34 通信 通信消息
示例1：
这个示例示出如何基于所指定时隙中的事件的数量来计算报警指示符。输入是如上表所示的历史时间序列，其具有来自一个或数个机器人的事件(vent)。机器人事件具有不同类别，例如运动(例如碰撞事件、所执行路径)、通信(例如I/O状态变化、I/O卡缺失)、控制器(例如备份、高温)，这取决于日志中所证明的事件的来源。在第一步骤中，计算每小时的事件数量。在十个小时内，结果是每小时的下列数：
下表示出事件的总数以及每个类别中的事件数量的平均和标准偏差：
报警KPI能够通过下式来计算：其中/>作为总警报的平均数量，x作为该小时中的警报的数量，以及σ作为每小时警报的标准偏差，从而在10个小时内引起下列报警指示符：
AI的第10百分位数为0.68，第25百分位数为0.85，以及第75百分位数为1。这能够用来定义下列报警阈值：
判定阈值
AI>0.75 状态绿色，显示没有警报
0.75>AI>0.68 状态黄色，显示黄色警报
0.68>AI 状态红色，显示红色警报
假定存在事件的不同类别(例如运动事件、工具事件、控制器事件)，能够提供与事件的主要促进因素(contributor)有关的附加信息。贡献例如能够通过对事件类别应用报警指示符公式来计算。
在操作期间，从机器人收集在最后60分钟期间所生成的事件，并且计算报警指示符。假定下列两个示例小时：
小时A中的事件引起报警指示符为AIA＝0.61，并且因而将不会触发警报。小时B中的事件引起报警指示符为AIB＝0.6，并且将引起显示红色警报。此外，对于每类别的小时B的报警指示符为AIB,motion＝0.7和AIB,communication＝1，以及AIB,controlelr＝1，暗示可能的问题与机器人的运动相关。
示例2：
这个示例示出机器学习模型如何能够用来计算报警KPI。输入再次是一个或若干个机器人的历史日志文件。日志文件表被变换为决策树分类的样本：
在事件类别是来自事件日志的事件的类别的情况下，之前的第1事件类别是事件之前一行的事件的类别，以及第2事件类别是事件之前二行的事件的类别。每行(除了‘来自原始表的行’列之外)用作决策树训练的一个样本，其中决策树被训练，以便当知道之前的第1事件和第2事件的类别时预测事件的类别。这是机器学习中的典型分类问题。
上图示出决策树输出的示例。遵循树的叶中的标准，达到树的预测。当进行预测时，决策树将进行正确和不正确预测。关于历史数据，决策树可能进行90％正确预测。在在线阶段期间，决策树用来预测引入数据流中的事件。如果决策树正确预测率例如在一小时内下降到低于第一阈值(例如70％)，则生成黄色警报。如果例如在一小时内的预测低于50％，则生成红色警报。
其它机器学习模型可能使用回归或概率估计(例如内核密度估计)及其输出来得出报警指示符。
参考数字
1 处理装置
21、22、2n 机器人
3 时间序列获取部分
4 历史报警指示符计算部分
5 阈值定义部分
6 第二时间序列获取部分
7 操作报警指示符计算部分
8 报警通知部分
9 事件突出显示部分
ai，h 历史报警指示符
ai 操作报警指示符
S1 步骤1
S2 步骤2
S3 步骤3
S4 步骤4
S5 步骤5
S6 步骤6
S7 步骤7

Claims (10)

1.一种能够执行具有多个机器人(21，22，2n)的生产系统中的问题诊断的数据处理装置(1)，包括：
-第一时间序列获取部分(3)，所述第一时间序列获取部分(3)配置成得到用于确定时间序列中的某个历史报警指示符的历史事件数据，并且将所述历史事件数据作为第一时间序列数据来存储，
-历史报警指示符计算部分(4)，所述历史报警指示符计算部分(4)配置成使用所述第一时间序列数据的关于时间窗口内历史事件数量的统计特性来计算一系列历史报警指示符(ai,h)，
-阈值定义部分(5)，所述阈值定义部分(5)配置成基于所述历史报警指示符的统计分布来定义至少一个阈值，
-第二时间序列获取部分(6)，所述第二时间序列获取部分(6)配置成得到用于确定时间序列中的某个操作报警指示符(ai)的所述机器人(21，22，2n)的操作期间的操作事件数据，并且将所述操作事件数据作为第二时间序列数据来存储，
-操作报警指示符计算部分(7)，所述操作报警指示符计算部分(7)配置成使用所述第二时间序列数据的关于时间窗口内操作事件数量的统计特性来计算一系列操作报警指示符(ai)，
-报警通知部分(8)，所述报警通知部分(8)配置成对于高于所述至少一个阈值的报警指示符将报警通知给予操作、维护或故障排除人员中的一个，
-事件突出显示部分(9)，所述事件突出显示部分(9)配置成向操作、维护或故障排除人员中的一个突出显示主要促成所述操作报警指示符(ai)的事件，以便指示主要促成所述操作报警指示符(ai)的所述事件。
2.如权利要求1所述的数据处理装置，还包括机器学习部分，所述机器学习部分配置成执行机器学习算法，以便检测事件数据中的异常，以及还包括报警指示符部分，所述报警指示符部分配置成识别可能引起所述机器学习算法对异常的判定的事件。
3.如权利要求1或2所述的数据处理装置(1)，其特征在于所述装置配置成包括作为事件数据的任意输入数据。
4.如权利要求3所述的数据处理装置(1)，其特征在于所述任意输入数据是I/O或模拟信号。
5.一种基于状态的报警系统，包括如权利要求1-4中的任一项所述的数据处理装置(1)，所述基于状态的报警系统配置成在得分高于阈值的同时触发警报。
6.一种基于事件的报警系统，包括如前述权利要求1-4中的任一项所述的数据处理装置(1)，所述基于事件的报警系统配置成当警报超过阈值时触发所述警报。
7.一种用于执行具有多个机器人的生产系统中的无监督诊断的方法，所述方法包括下列步骤：
S1：基于历史数据利用关于时间窗口内历史事件数量的统计特性来计算历史报警指示符值，S2：基于所述历史报警指示符值的分布来定义和选择阈值，
S3：使用新事件数据利用关于时间窗口内操作事件数量的统计特性来计算实时操作期间的操作报警指示符，
S4：对于高于所述阈值的值将报警通知给予操作、维护或故障排除人员，
S5：向所述操作、维护或故障排除人员突出显示主要促成所述操作报警指示符的事件。
8.如权利要求7所述的方法，还包括下列步骤：
S6：运行机器学习算法，以检测事件数据中的异常，以及
S7：运行报警指示符算法，以识别可能引起所述机器学习算法对异常的判定的事件。
9.如权利要求7-8中的任一项所述的方法，包括使用作为事件数据的任意输入数据。
10.如权利要求9所述的方法，其特征在于所述任意输入数据是I/O或模拟信号。
CN201880090073.0A 2017-11-10 2018-11-14 能够执行问题诊断的数据处理装置以及方法 Active CN111712771B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
EP17201008 2017-11-10
EP18158091.1 2018-02-22
EP18158091.1A EP3483685A1 (en) 2017-11-10 2018-02-22 Data processing device and method for performing problem diagnosis in a production system with a plurality of robots
PCT/EP2018/081202 WO2019161947A1 (en) 2018-02-22 2018-11-14 Data processing device capable of performing problem diagnosis in a production system with plurality of robots and method

Publications (2)

Publication Number Publication Date
CN111712771A CN111712771A (zh) 2020-09-25
CN111712771B true CN111712771B (zh) 2024-03-12

Family

ID=60327089

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880090073.0A Active CN111712771B (zh) 2017-11-10 2018-11-14 能够执行问题诊断的数据处理装置以及方法

Country Status (3)

Country Link
US (1) US11669081B2 (zh)
EP (1) EP3483685A1 (zh)
CN (1) CN111712771B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113110245B (zh) * 2021-05-17 2022-07-22 河南中烟工业有限责任公司 机器人的运行状态监测方法
CN113505172B (zh) * 2021-07-02 2023-10-24 泰康保险集团股份有限公司 数据处理方法、装置、电子设备及可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102830666A (zh) * 2011-05-11 2012-12-19 通用电气公司 优化工厂操作的系统和方法
CN106030630A (zh) * 2014-02-26 2016-10-12 锡克拜控股有限公司 用于跟踪物品的系统和方法
CN106368813A (zh) * 2016-08-30 2017-02-01 北京协同创新智能电网技术有限公司 一种基于多元时间序列的异常报警数据检测方法
CN106802643A (zh) * 2015-11-26 2017-06-06 通用电气公司 故障预测系统及方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8988238B2 (en) * 2012-08-21 2015-03-24 General Electric Company Change detection system using frequency analysis and method
WO2014043623A1 (en) 2012-09-17 2014-03-20 Siemens Corporation Log-based predictive maintenance
US20140336984A1 (en) * 2013-05-13 2014-11-13 Abb Technology Ag. Conditional monitoring of industrial systems
US10616080B2 (en) * 2014-11-26 2020-04-07 Fanuc America Corporation System for diagnosis of robot state
JP2016179527A (ja) * 2015-03-24 2016-10-13 ファナック株式会社 ロボットの異常診断を行う機能を有するロボット制御装置
DE102016008987B4 (de) * 2015-07-31 2021-09-16 Fanuc Corporation Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102830666A (zh) * 2011-05-11 2012-12-19 通用电气公司 优化工厂操作的系统和方法
CN106030630A (zh) * 2014-02-26 2016-10-12 锡克拜控股有限公司 用于跟踪物品的系统和方法
CN106802643A (zh) * 2015-11-26 2017-06-06 通用电气公司 故障预测系统及方法
CN106368813A (zh) * 2016-08-30 2017-02-01 北京协同创新智能电网技术有限公司 一种基于多元时间序列的异常报警数据检测方法

Also Published As

Publication number Publication date
US20210034047A1 (en) 2021-02-04
EP3483685A1 (en) 2019-05-15
US11669081B2 (en) 2023-06-06
CN111712771A (zh) 2020-09-25

Similar Documents

Publication Publication Date Title
DE102016008987B4 (de) Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt
CN107463161B (zh) 预测飞行器中的故障的方法和系统以及监控系统
KR102428632B1 (ko) 산업 프로세스들에서 이용되는 부품들로부터 기원하는 시그널링에 있어서의 이상을 검출 및 측정하는 시스템 및 방법
EP2015186B1 (en) Diagnostic systems and methods for predictive condition monitoring
JP5259797B2 (ja) 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置
JP6933899B2 (ja) プラント運転支援装置、プラント運転支援方法、及びプラント運転支援プログラム
US20210008774A1 (en) Method for the Automatic Process Monitoring and Process Diagnosis of a Piece-Based Process (batch production), in Particular an Injection-Moulding Process, and Machine That Performs the Process or Set of Machines that Performs the Process
CN108700873A (zh) 用于自动化系统的现场设备的智能嵌入式控制系统
JP2009070071A (ja) 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置
AU2002246994A1 (en) Diagnostic systems and methods for predictive condition monitoring
EP3500896B1 (en) Method of monitoring and controlling an industrial process, and a process control system
TWI710873B (zh) 支援裝置、學習裝置以及廠房運轉條件設定支援系統
CN111712771B (zh) 能够执行问题诊断的数据处理装置以及方法
EP3187950B1 (en) A method for managing alarms in a control system
US20180074482A1 (en) Method for Improving Process/Equipment Fault Diagnosis
CN109523030B (zh) 一种基于机器学习的遥测参数异常监测系统
EP3961333A1 (de) System und verfahren zur bestimmung einer ursache einer betriebsanomalie einer maschine sowie computerprogramm und elektronisch lesbarer datenträger
EP4136515B1 (en) Method, apparatus and computer program product for monitoring of industrial devices
WO2019161947A1 (en) Data processing device capable of performing problem diagnosis in a production system with plurality of robots and method
EP3042258A2 (en) Apparatus and method for model adaptation
KR102162427B1 (ko) 공작설비 이상 감지 모니터링 방법
CN116235121A (zh) 识别用于执行生产过程的工业设施中的异常的装置和方法
CN113836820A (zh) 一种基于自相关模型和多变量监控方法的设备健康评估与故障诊断算法
JP6749219B2 (ja) プラント運転データ解析システム
US20230341844A1 (en) Method and System for Diagnosing Messages

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