CN111832921A

CN111832921A - 基于机器学习的工业机器人性能指标评价设备及方法

Info

Publication number: CN111832921A
Application number: CN202010618573.6A
Authority: CN
Inventors: 张彩霞; 王斯琪
Original assignee: Foshan University
Current assignee: Foshan University
Priority date: 2020-06-30
Filing date: 2020-06-30
Publication date: 2020-10-27
Anticipated expiration: 2040-06-30
Also published as: CN111832921B

Abstract

本发明涉及基于机器学习的工业机器人性能指标评价设备及方法，包括以下步骤：步骤101、分别获取机械臂的临界承重力N、避障处理时间T1以及CPU反应时间T2；步骤102、根据机械臂的临界承重力N进行转换得到第一性能评价因子Y1，根据避障处理时间T1进行转换得到第二性能评价因子Y2，根据CPU反应时间T2进行转换得到第三性能评价因子Y3；步骤103、将第一性能评价因子Y1、第二性能评价因子Y2以及第三性能评价因子Y3带入权重预测模型得到待评测的工业机器人的性能得分X；步骤104、根据所述性能得分与性能指标对比表进行匹配对待评测的工业机器人进行性能评价。本发明所采用的计算方式较为简单，并能够对工业机器人的性能指标进行智能化预测。

Description

基于机器学习的工业机器人性能指标评价设备及方法

技术领域

本发明涉及人工智能领域，尤其涉及基于机器学习的工业机器人性能指标评价设备及方法。

背景技术

工业机器人是面向工业领域的多关节机械手或多自由度的机器装置，它能自动执行工作，是靠自身动力和控制能力来实现各种功能的一种机器。它可以接受人类指挥，也可以按照预先编排的程序运行，现代的工业机器人还可以根据人工智能技术制定的原则纲领行动。

现有的对工业机器人进行性能指标评价往往不够智能化，需要专业的工程师进行实地考察，并根据其经验来对工业机器人的性能进行评价，这样的话难免较为主观，且专业的工程师的经历也有限，培养一个专业的工程师也十分困难。

当今市场需要一种智能化地对工业机器人进行评价的设备以及对应的方法，能够对工业机器人的性能指标进行智能化地评价。

发明内容

本发明的目的是至少解决现有技术的不足之一，为此提供基于机器学习的工业机器人性能指标评价方法。

为了实现上述目的，本发明采用以下的技术方案：

提出基于机器学习的工业机器人性能指标评价方法，包括以下步骤：

步骤101、分别获取机械臂的临界承重力N、避障处理时间T1以及CPU反应时间T2；

步骤102、根据机械臂的临界承重力N进行转换得到第一性能评价因子Y1，根据避障处理时间T1进行转换得到第二性能评价因子Y2，根据CPU反应时间T2进行转换得到第三性能评价因子Y3；

步骤103、将第一性能评价因子Y1、第二性能评价因子Y2以及第三性能评价因子Y3带入权重预测模型得到待评测的工业机器人的性能得分X，所述权重预测模型为：

X＝Y1*W1+Y2*W2+Y3*W3；

其中W1为所述第一性能评价因子Y1的权重值，W2为所述第二性能评价因子Y2的权重值，W3为所述第三性能评价因子Y3的权重值；

步骤104、根据所述性能得分与性能指标对比表进行匹配对待评测的工业机器人进行性能评价，所述性能指标对比表包括性能得分区间以及所述性能得分区间对应的性能评价等级。

进一步，上述步骤102中得到第一性能评价因子Y1、得到第二性能评价因子Y2以及得到第三性能评价因子Y3的具体方式包括以下：

选取一批P个新产出的质检合格的工业机器人作为样本，将样本中的工业机器人的临界承重力、避障处理时间以及CPU反应时间取平均值作为参照的工业机器人的临界承重力n、避障处理时间t1以及CPU反应时间t2；

则第一性能评价因子Y1＝N/n，第二性能评价因子Y2＝t1/T1，第三性能评价因子Y3＝t2/T2。

进一步，上述步骤103中的权重预测模型的权重W1、W2以及W3通过层次分析法或随机森林算法进行训练得到。

进一步，上述步骤104中的所述性能指标对比表的所述性能得分区间一共设置有4个，分别为区间1[min，0.25max]，所述区间1对应较差性能评价等级；区间2[0.25max，0.5max]，所述区间2对应中等性能评价等级；区间3[0.5max，0.75max]，所述区间3对应较佳性能评价等级；区间4[0.75max，max]，所述区间4对应优秀性能评价等级；

其中min为最低性能得分，max为最高性能得分。

本发明还提出基于机器学习的工业机器人性能指标评价系统，包括：

第一获取模块，用于获取待评测工业机器人的机械臂的临界承重力N、避障处理时间T1以及CPU反应时间T2；

第一转换模块，用于根据机械臂的临界承重力N进行转换得到第一性能评价因子Y1，根据避障处理时间T1进行转换得到第二性能评价因子Y2，根据CPU反应时间T2进行转换得到第三性能评价因子Y3；

第一计算模块，用于将第一性能评价因子Y1、第二性能评价因子Y2以及第三性能评价因子Y3带入权重预测模型得到待评测的工业机器人的性能得分X，所述权重预测模型为：

X＝Y1*W1+Y2*W2+Y3*W3；

第一比对模块，用于根据所述性能得分与性能指标对比表进行匹配对待评测的工业机器人进行性能评价，所述性能指标对比表包括性能得分区间以及所述性能得分区间对应的性能评价等级。

本发明还提出基于机器学习的工业机器人性能指标评价设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1-4任一项所述的基于机器学习的工业机器人性能指标评价方法的步骤。

本发明还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-4任一项所述的基于机器学习的工业机器人性能指标评价方法的步骤。

本发明的有益效果为：本发明通过针对工业机器人的机械臂的临界承重力N、避障处理时间T1以及CPU反应时间T2进行转化得到性能指标评价的第一性能评价因子Y1、第二性能评价因子Y2以及第三性能评价因子Y3，在将将第一性能评价因子Y1、第二性能评价因子Y2以及第三性能评价因子Y3带入权重预测模型得到待评测的工业机器人的性能得分X，计算较为简单，并能够对工业机器人的性能指标进行智能化预测。

附图说明

图1所示为本发明基于机器学习的工业机器人性能指标评价方法的流程图。

具体实施方式

以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、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。附图中各处使用的相同的附图标记指示相同或相似的部分。

结合图1，提出基于机器学习的工业机器人性能指标评价方法，包括以下步骤：

X＝Y1*W1+Y2*W2+Y3*W3；

在本实施方式中，可以通过不断增加测试机械臂的承重力的值直到达到临界平衡的方式来获得机械臂的临界承受重力N；通过在工业机器人发送避障请求指令时开始计时到避障结束时停止计时来得到避障处理时间T1；在CPU接收指令时开始计时，在CPU发出相应的控制指令时停止计时来得到CPU反应时间T2

能够通过针对工业机器人的机械臂的临界承重力N、避障处理时间T1以及CPU反应时间T2进行转化得到性能指标评价的第一性能评价因子Y1、第二性能评价因子Y2以及第三性能评价因子Y3，在将将第一性能评价因子Y1、第二性能评价因子Y2以及第三性能评价因子Y3带入权重预测模型得到待评测的工业机器人的性能得分X，计算较为简单，并能够对工业机器人的性能指标进行智能化预测。

作为本发明的优选实施方式，上述步骤102中得到第一性能评价因子Y1、得到第二性能评价因子Y2以及得到第三性能评价因子Y3的具体方式包括以下：

作为本发明的优选实施方式，上述步骤103中的权重预测模型的权重W1、W2以及W3通过层次分析法或随机森林算法进行训练得到。

在本实施方式中使用了较为常用的机器学习算法来得到权重预测模型的权重W1、W2以及W3，当然也可以通过其他方式得到，合理即可。

作为本发明的优选实施方式，上述步骤104中的所述性能指标对比表的所述性能得分区间一共设置有4个，分别为区间1[min，0.25max]，所述区间1对应较差性能评价等级；区间2[0.25max，0.5max]，所述区间2对应中等性能评价等级；区间3[0.5max，0.75max]，所述区间3对应较佳性能评价等级；区间4[0.75max，max]，所述区间4对应优秀性能评价等级；

其中min为最低性能得分，max为最高性能得分。

按照上述方式对性能评价等级进行划分较具有代表性，在实际应用时也可以既显示性能评价等级又显示性能得分，这样会使结果更明了。

X＝Y1*W1+Y2*W2+Y3*W3；

存储器，用于存储计算机程序；

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储的介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

尽管本发明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，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，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发明的非实质性改动仍可代表本发明的等效改动。

以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。

Claims

1.基于机器学习的工业机器人性能指标评价方法，其特征在于，包括以下步骤：

X＝Y1*W1+Y2*W2+Y3*W3；

2.根据权利要求1所述的基于机器学习的工业机器人性能指标评价方法，其特征在于，上述步骤102中得到第一性能评价因子Y1、得到第二性能评价因子Y2以及得到第三性能评价因子Y3的具体方式包括以下：

3.根据权利要求1所述的基于机器学习的工业机器人性能指标评价方法，其特征在于，上述步骤103中的权重预测模型的权重W1、W2以及W3通过层次分析法或随机森林算法进行训练得到。

4.根据权利要求1所述的基于机器学习的工业机器人性能指标评价方法，其特征在于，上述步骤104中的所述性能指标对比表的所述性能得分区间一共设置有4个，分别为区间1[min，0.25max]，所述区间1对应较差性能评价等级；区间2[0.25max，0.5max]，所述区间2对应中等性能评价等级；区间3[0.5max，0.75max]，所述区间3对应较佳性能评价等级；区间4[0.75max，max]，所述区间4对应优秀性能评价等级；

其中min为最低性能得分，max为最高性能得分。

5.基于机器学习的工业机器人性能指标评价系统，其特征在于，包括：

X＝Y1*W1+Y2*W2+Y3*W3；

6.基于机器学习的工业机器人性能指标评价设备，其特征在于，包括：

存储器，用于存储计算机程序；

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-4任一项所述的基于机器学习的工业机器人性能指标评价方法的步骤。