CN111930081A - 用于监控agv状态的方法、装置、边缘设备和存储介质 - Google Patents
用于监控agv状态的方法、装置、边缘设备和存储介质 Download PDFInfo
- Publication number
- CN111930081A CN111930081A CN202010678416.4A CN202010678416A CN111930081A CN 111930081 A CN111930081 A CN 111930081A CN 202010678416 A CN202010678416 A CN 202010678416A CN 111930081 A CN111930081 A CN 111930081A
- Authority
- CN
- China
- Prior art keywords
- signal
- agv
- signal data
- data
- sampling rate
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000003860 storage Methods 0.000 title claims abstract description 25
- 238000005070 sampling Methods 0.000 claims abstract description 42
- 230000002159 abnormal effect Effects 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000010801 machine learning Methods 0.000 claims description 39
- 238000003745 diagnosis Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4189—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the transport system
- G05B19/41895—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the transport system using automatic guided vehicles [AGV]
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31302—Verify id data and reread, rewrite or alarm on fault
-
- 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
- Y02P90/60—Electric or hybrid propulsion means for production processes
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及用于监控AGV状态的方法、装置、计算设备和存储介质。该方法包括:第一信号采集步骤:以第一采样速率从AGV采集第一信号数据,所述第一信号数据至少包括振动信号;特征提取步骤:从所述第一信号数据中提取特征;异常状态判断步骤:基于所提取的特征,确定所述AGV是否处于异常状态,在确定所述AGV处于正常状态的情况下,执行存储步骤,在确定所述AGV处于异常状态的情况下,执行第二信号采集步骤;第二信号采集步骤:以第二采样速率从所述AGV采集第二信号数据,其中,所述第二采样速率大于所述第一采样速率,所述第二信号数据的种类等于或者多于所述第一信号数据的种类;以及存储步骤:存储所采集的第一信号数据或者第二信号数据。
Description
技术领域
本公开通常涉及工厂数字化技术领域,更具体地,涉及用于监控AGV状态的方法、装置、计算设备和存储介质。
背景技术
目前,随着灵活生产的趋势,AGV(自动引导车辆)被广泛使用。几乎所有的AGV都具有控制系统,如果发生电子故障,很容易获得错误代码。但是大多数AGV无法自己诊断机械故障。根据设备安全性和可靠性的要求,需要实时监控和分析AGV的健康状态。一些商业化解决方案是在AGV上设置一个边缘计算设备来收集相关数据并进行分析。由于边缘设备性能的限制,并且为了确保实时诊断,数据采样速率较低,并且一些简单的算法更加合适。因此难以得到准确的故障定位。
在目前通用的AGV边缘计算解决方案中,由于边缘设备的限制,通常是以较低频率采集原始数据,并且通过AGV的比如均方根、峭度等知识,提取有用的特征;然后使用一些简单的算法来处理特征,比如阈值检测或线性回归等;最后,存储特征和算法结果,或者发布给第三方系统。
以汽车生产线中的组装AGV为例,其任务是传送汽车部件,并且同时成为组装工作站。在这个场景中,存在以下问题:
1.在AGV中存在多种有价值的数据源,比如温度、振动、移动路径等。如果处理并存储所有的数据,对于边缘设备将是一个巨大挑战。
2.利用欠缺的数据和简单的算法,难以得到准确的结果。如果采用一些复杂的算法,比如深度学习,则需要大量的数据存储和较好的边缘设备性能,这将极大地增加成本。
发明内容
在下文中给出关于本发明的简要概述,以便提供关于本发明的某些方面的基本理解。应当理解,这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分,也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
有鉴于此,本发明提出了一种用于监控AGV状态的方法,在该方法中,引入了一种异常触发机制,可以解决现有技术中的成本和性能问题。当AGV处于正常状态时,触发机制处于非激活状态,只需要采集和存储较少的常规数据,消耗的边缘设备资源也非常少;当AGV出现故障时,则会激活异常触发机制,在这种情况下,将从AGV采集尽可能多的信息。利用复杂的算法对所采集的信息分析来进行故障诊断,可以得到更准确的故障诊断结果。
根据本公开的一个方面,提供了用于监控AGV状态的方法,包括:第一信号采集步骤:以第一采样速率从AGV采集第一信号数据,所述第一信号数据至少包括振动信号;特征提取步骤:从所述第一信号数据中提取特征;异常状态判断步骤:基于所提取的特征,确定所述AGV是否处于异常状态,在确定所述AGV处于正常状态的情况下,执行存储步骤,在确定所述AGV处于异常状态的情况下,执行第二信号采集步骤;第二信号采集步骤:以第二采样速率从所述AGV采集第二信号数据,其中,所述第二采样速率大于所述第一采样速率,所述第二信号数据的种类等于或者多于所述第一信号数据的种类;以及存储步骤:存储所采集的第一信号数据或者第二信号数据。
通过这样的方式,可以提高数据采集和数据存储效率。
可选地,在上述方面的一个示例中,所述第一信号数据还包括转速信号、电流信号、温度信号和位置信号中的至少一项。
通过这样的方式,不仅可以对振动信号进行分析,还可以根据需要选择其他信号进行分析。
可选地,在上述方面的一个示例中,其中,所述特征包括以下中的至少一项:时域特征、频域特征和时-频域特征。
通过这样的方式,可以利用频域特征来确定故障位置,并且利用时域特征来判断故障的严重程度。
可选地,在上述方面的一个示例中,在所述第二信号采集步骤之后,所述方法还包括:故障诊断步骤:利用预先存储的机器学习模型对所述第二信号数据进行分析,来对所述AGV进行故障诊断,其中,所述存储步骤进一步包括:存储所述第二信号数据和基于所述第二信号数据得到的故障诊断结果。
通过这样的方式,可以通过对采集的第二信号数据进行分析,来对AGV进行更加准确的故障诊断。
可选地,在上述方面的一个示例中,所述机器学习模型是利用预先收集的AGV信号历史数据和故障诊断历史数据作为训练样本,利用机器学习算法来学习得到。
通过这样的方式,可以用大量历史数据生成机器学习模型,从而可以对所采集的第二信号数据进行复杂的处理。
可选地,在上述方面的一个示例中,所述机器学习算法是深度神经网络算法。
可选地,在上述方面的一个示例中,利用存储的所述第二信号数据和所述故障诊断结果作为新的训练样本,来更新所述机器学习模型。
通过这样的方式,可以提高机器学习模型的精度,进一步提高故障诊断的准确性。
根据本公开的另一方面,提供了用于监控AGV状态的装置,所述装置安装在AGV上,包括:第一信号采集单元,被配置为以第一采样速率从AGV采集第一信号数据,所述第一信号数据至少包括振动信号;特征提取单元,被配置为从所述第一信号数据中提取特征;异常状态判断单元,被配置为基于所提取的特征,确定所述AGV是否处于异常状态;第二信号采集单元,被配置为以第二采样速率从所述AGV采集第二信号,其中,所述第二采样速率大于所述第一采样速率,所述第二信号的种类等于或者多于所述第一信号的种类;以及存储单元,被配置为存储所采集的第一信号数据或者第二信号数据。
可选地,在上述方面的一个示例中,所述第一信号数据还包括转速信号、电流信号、温度信号和位置信号中的至少一项。
可选地,在上述方面的一个示例中,所述特征包括以下中的至少一项:时域特征、频域特征和时-频域特征。
可选地,在上述方面的一个示例中,用于监控AGV状态的装置还包括:故障诊断单元,被配置为利用预先存储的机器学习模型对所述第二信号数据进行分析,来对所述AGV进行故障诊断,其中,所述存储单元进一步被配置为:存储所述第二信号数据和基于所述第二信号数据得到的故障诊断结果。
可选地,在上述方面的一个示例中,所述机器学习模型是利用预先收集的AGV信号历史数据和故障诊断历史数据作为训练样本,利用机器学习算法来学习得到。
可选地,在上述方面的一个示例中,所述机器学习算法是深度神经网络算法。
可选地,在上述方面的一个示例中,用于监控AGV状态的装置还包括:更新单元,被配置为利用存储的所述第二信号数据和所述故障诊断结果作为新的训练样本,来更新所述机器学习模型。
根据本公开的另一方面,提供了计算设备,包括:至少一个处理器;以及与所述至少一个处理器耦合的一个存储器,所述存储器用于存储指令,当所述指令被所述至少一个处理器执行时,使得所述处理器执行如上所述的方法。
根据本公开的另一方面,提供了一种非暂时性机器可读存储介质,其存储有可执行指令,所述指令当被执行时使得所述机器执行如上所述的方法。
附图说明
参照下面结合附图对本发明实施例的说明,会更加容易地理解本发明的以上和其它目的、特点和优点。附图中的部件只是为了示出本发明的原理。在附图中,相同的或类似的技术特征或部件将采用相同或类似的附图标记来表示。附图中:
图1是示出了根据本公开的一个实施例的用于监控AGV状态的方法100的示例性过程的流程图。
图2是示出了根据本公开的一个实施例的用于监控AGV状态的装置200的示例性配置的框图。
图3示出了根据本公开的实施例的用于进行AGV状态监控的边缘设备300的方框图其中,附图标记如下:
100:用于监控AGV状态的方法 S102、S104、S106、S108、S110、S112:步骤
200:用于监控AGV状态的装置 202:第一信号采集单元
204:特征提取单元 206:异常状态判断单元
208:第二信号采集单元 210:存储单元
212:故障诊断单元 214:更新单元
300:计算设备 302:处理器
304:存储器
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本公开内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。例如,所描述的方法可以按照与所描述的顺序不同的顺序来执行,以及各个步骤可以被添加、省略或者组合。另外,相对一些示例所描述的特征在其它例子中也可以进行组合。
如本文中使用的,术语“包括”及其变型表示开放的术语,含义是“包括但不限于”。术语“基于”表示“至少部分地基于”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下面可以包括其他的定义,无论是明确的还是隐含的。除非上下文中明确地指明,否则一个术语的定义在整个说明书中是一致的。
本公开提出了一种用于监控AGV状态的方法,在该方法中,引入了一种异常触发机制,可以解决现有技术中的成本和性能问题。当AGV处于正常状态时,触发机制处于非激活状态,只需要采集和存储较少的常规数据,消耗的边缘设备资源也非常少;当AGV出现故障时,则会激活异常触发机制,在这种情况下,将从AGV采集尽可能多的信息。利用复杂的算法对所采集的信息分析来进行故障诊断,可以得到更准确的故障诊断结果。
下面将结合附图来描述根据本公开的实施例的用于监控AGV状态的方法和装置。
图1是示出了根据本公开的一个实施例的用于监控AGV状态的方法100的示例性过程的流程图。
在图1中,首先执行第一信号采集步骤S102,以第一采样速率从AGV采集第一信号数据,所述第一信号数据至少包括振动信号。
当AGV运行在正常状态时,为了避免占用过多的资源,对于常规的监控,以一个较低的采样速率从AGV采集第一信号数据。由于通过振动数据更容易检测到AGV的机械故障,因此所采集的第一信号数据至少包括振动信号。
在一个实施例中,第一信号数据除了包括振动信号之外,还可以包括转速信号、电流信号、温度信号、位置信号等其他信号。
可以理解,可以在边缘设备中设置多个数据适配器,例如模拟输入适配器、Modbus适配器以及其他各种不同的适配器,来采集来自不同数据源的数据,比如来自PLC(可编程逻辑控制器)的振动信号、转速信号、电流信号、温度信号、位置信号等。边缘设备可以对这些适配器进行统一管理,每种协议的适配器采用标准接口,从而可以方便地集成在一起并且可以进行扩展。
优选地,可以在边缘设备中预先设置一个配置文件,其中存储数据采样速率、采集的数据源类型以及数据地址等,然后可以按照配置文件中设置的相关参数进行数据采集。
接着,执行特征提取步骤S104,从所述第一信号数据中提取特征。
具体地,可以提取信号的时域特征、频域特征以及时-频域特征中的一项或者多项。其中,时域特征可以包括RMS(均方根)、峭度(Kurtosis)等特征;频域特征可以包括FFT-能量(傅里叶变换能量)、峰值等特征;时-频域特征可以包括STFT(Short time FourierTransform,短时傅里叶变换)等。
通常,在振动分析中,可以利用频域特征来确定故障位置,并且利用时域特征来判断故障的严重程度。理论上来说,大多数机械故障都可以通过监测这些特征而被检测到。
可以通过在配置文件中设置和修改具体的特征提取方法和参数,来提高本发明的方法的灵活性。
接下来,执行异常状态判断步骤S106,基于所提取的特征,确定所述AGV是否处于异常状态。在确定所述AGV处于正常状态的情况下,直接执行方框S110中的存储步骤,在确定所述AGV处于异常状态的情况下,执行方框S108中的第二信号采集步骤。
具体地,可以采用本领域常用的异常状态检测方法,基于所提取的特征来确定AGV是否处于异常状态。本发明对于所采用的异常状态检测方法不做限定。本领域技术人员可以理解采用现有技术中的异常状态检测方法来确定AGV是否处于异常状态的具体过程,在此不再赘述。
在第二信号采集步骤S108中,以第二采样速率从所述AGV采集第二信号,其中,所述第二采样速率大于所述第一采样速率,所述第二信号的种类等于或者多于所述第一信号的种类。
在本发明的方法中,在AGV处于正常状态的情况下,以第一采样速率从AGV采集第一信号数据,这个第一采样速率通常较低,以避免占用过多的资源;而当确定AGV处于异常状态的情况下,则要以第二采样速率来采集信号,第二采样速率是一个大于第一采样速率的较高的速率,这样可以采集大量信号数据,从而更准确地进行故障诊断。
此外,在AGV处于正常状态的情况下,可以只采集振动信号,以减小信号数据的采集量和存储量;而当确定AGV处于异常状态的情况下,为了可以对AGV进行更准确的故障诊断,则尽可能从AGV采集更多种类的信号,因此第二信号数据可以包括振动信号、转速信号、电流信号、温度信号、位置信号等。
可以理解,采样速率越高,采集的信号种类越多,则采集的数据量就越大,从而占用的资源也越多,本领域技术人员可以根据需要在采集的数据量和占用的资源之间进行权衡,针对第一信号数据和第二信号数据选择合适的采样速率和信号种类。如上所述,第一信号数据除了包括振动信号之外,也可以包括转速信号、电流信号、温度信号、位置信号等其他信号。
在本发明中,针对AGV处于异常状态的情况下所采集的第二信号数据,可以采用更为复杂的算法进行分析。
具体地,在执行第二信号采集步骤S108之后,可以执行故障诊断步骤S112,利用机器学习模型对所采集的第二信号数据进行分析,来对AGV进行故障诊断。
该机器学习模型是利用预先收集的AGV信号历史数据和故障诊断历史数据作为训练样本,利用机器学习算法来学习得到的。
优选地,可以采用深度神经网络算法来进行机器学习。在利用深度神经网络算法进行机器学习时,可以采用从多种不同类型的数据源获得的数据和相应的故障诊断结果作为训练样本,使用多层自动编码器来获取有效的特征。
利用学习得到的机器学习模型对采集的第二信号数据进行分析,可以得到故障的具体细节,从而可以帮助维护人员进行现场检查。
在执行了步骤S112的操作之后,在步骤S110中可以将所采集的第二信号数据和基于所述第二信号数据分析得到的故障诊断结果都进行存储。
在一个示例中,可以进一步执行更新步骤S114,利用这些存储的第二信号数据和故障诊断结果作为新的训练样本,来更新所述机器学习模型。通过这样的方式,可以实现机器学习模型的自优化,从而进一步提高利用根据本发明的方法进行AGV的故障诊断的准确性。
图2是示出了根据本公开的一个实施例的用于监控AGV状态的装置200的示例性配置的框图。
该用于监控AGV状态的装置200安装在AGV上,相当于一个边缘设备,来监控AGV的状态。
如图2所示,用于监控AGV状态的装置200包括:第一信号采集单元202、特征提取单元204、异常状态判断单元206、第二信号采集单元208和存储单元210。
其中,第一信号采集单元202被配置为以第一采样速率从AGV采集第一信号数据,所述第一信号数据至少包括振动信号。
特征提取单元204被配置为从所述第一信号数据中提取特征。
异常状态判断单元206被配置为基于所提取的特征,确定所述AGV是否处于异常状态。
在确定AGV处于正常状态的情况下,则由存储单元210执行存储操作;在确定AGV处于异常状态的情况下,则触发第二信号采集单元208的操作。
第二信号采集单元208被配置为以第二采样速率从所述AGV采集第二信号,其中,所述第二采样速率大于所述第一采样速率,所述第二信号的种类等于或者多于所述第一信号的种类。
存储单元210被配置为存储所采集的第一信号数据或者第二信号数据。
其中,所述第一信号数据还包括转速信号、电流信号、温度信号和位置信号中的至少一项。
其中,所述特征包括以下中的至少一项:时域特征、频域特征和时-频域特征。
在一个示例中,用于监控AGV状态的装置200还包括:故障诊断单元212,被配置为利用预先存储的机器学习模型对所述第二信号数据进行分析,来对所述AGV进行故障诊断,其中,所述存储单元210进一步被配置为:存储所述第二信号数据和基于所述第二信号数据得到的故障诊断结果。
其中,所述机器学习模型是利用预先收集的AGV信号历史数据和故障诊断历史数据作为训练样本,利用机器学习算法来学习得到。
其中,所述机器学习算法是深度神经网络算法。
在一个示例中,用于监控AGV状态的装置200还包括:更新单元214,被配置为利用存储的所述第二信号数据和所述故障诊断结果作为新的训练样本,来更新所述机器学习模型。更新单元214可以将更新后的机器学习模型提供给故障诊断单元212,使得故障诊断单元212可以采用更新后的机器学习模型对所述第二信号数据进行分析,并对所述AGV进行故障诊断,通过这样的方式可以进一步提高对于AGV的故障诊断的准确性。
需要说明的是,图2所示的用于监控AGV状态的装置200及其组成单元的结构仅仅是示例性的,本领域技术人员可以根据需要对图2所示的结构框图进行修改。
用于监控设备状态的装置200的各个部分的操作和功能的细节例如可以与参照结合图1描述的本公开的用于监控AGV状态的方法100的实施例的相关部分相同或类似,这里不再详细描述。
根据本发明的方法和装置,可以优化在边缘设备上的数据存储,在AGV正常工作的情况下,只采集少量的常规数据,从而避免占用过多的存储资源,实现边缘设备的最大潜能。
根据本发明的方法和装置,利用配置文件进行配置,可以灵活地扩展数据源、特征、算法库等,并且提供统一的数据接口,从而可以方便地进行全局管理,并且可以适用于其他AGV。
根据本发明的方法和装置,在确定AGV出现异常的情况下,可以提高数据采集速率,增加数据的采集类别,从而提高故障诊断的准确性。
根据本发明的方法和装置,可以用采集的数据和分析结果对所采用的机器学习模型进行更新,来提高机器学习模型的精度,从而进一步提高故障诊断的准确性。
如上参照图1和图2,对根据本公开的实施例的用于监控AGV状态的方法和装置的实施例进行了描述。以上所述的用于监控设备状态的装置可以采用硬件实现,也可以采用软件或者硬件和软件的组合来实现。
图3示出了根据本公开的实施例的用于进行AGV状态监控的边缘设备300的方框图。根据一个实施例,边缘设备300可以包括至少一个处理器302,处理器302执行在计算机可读存储介质(即,存储器304)中存储或编码的至少一个计算机可读指令(即,上述以软件形式实现的元素)。
在一个实施例中,在存储器304中存储计算机可执行指令,其当执行时使得至少一个处理器302完成以下动作:以第一采样速率从AGV采集第一信号数据,所述第一信号数据至少包括振动信号;从所述第一信号数据中提取特征;基于所提取的特征,确定所述AGV是否处于异常状态,在确定所述AGV处于正常状态的情况下,直接执行存储动作,在确定所述AGV处于异常状态的情况下,执行第二信号采集动作;以第二采样速率从所述AGV采集第二信号数据,其中,所述第二采样速率大于所述第一采样速率,所述第二信号数据的种类等于或者多于所述第一信号数据的种类;存储所采集的第一信号数据或者第二信号数据。
应该理解,在存储器304中存储的计算机可执行指令当执行时使得至少一个处理器302进行本公开的各个实施例中以上结合图1-2描述的各种操作和功能。
根据一个实施例,提供了一种非暂时性机器可读介质。该非暂时性机器可读介质可以具有机器可执行指令(即,上述以软件形式实现的元素),该指令当被机器执行时,使得机器执行本公开的各个实施例中以上结合图1-2描述的各种操作和功能。
上面结合附图阐述的具体实施方式描述了示例性实施例,但并不表示可以实现的或者落入权利要求书的保护范围的所有实施例。在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”,并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的,具体实施方式包括具体细节。然而,可以在没有这些具体细节的情况下实施这些技术。在一些实例中,为了避免对所描述的实施例的概念造成难以理解,公知的结构和装置以框图形式示出。
本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本公开内容。对于本领域普通技术人员来说,对本公开内容进行的各种修改是显而易见的,并且,也可以在不脱离本公开内容的保护范围的情况下,将本文所定义的一般性原理应用于其它变型。因此,本公开内容并不限于本文所描述的示例和设计,而是与符合本文公开的原理和新颖性特征的最广范围相一致。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (16)
1.用于监控AGV状态的方法(100),包括:
第一信号采集步骤(S102):以第一采样速率从AGV采集第一信号数据,所述第一信号数据至少包括振动信号;
特征提取步骤(S104):从所述第一信号数据中提取特征;
异常状态判断步骤(S106):基于所提取的特征,确定所述AGV是否处于异常状态,在确定所述AGV处于正常状态的情况下,执行存储步骤,在确定所述AGV处于异常状态的情况下,执行第二信号采集步骤;
第二信号采集步骤(S108):以第二采样速率从所述AGV采集第二信号数据,其中,所述第二采样速率大于所述第一采样速率,所述第二信号数据的种类等于或者多于所述第一信号数据的种类;以及
存储步骤(S110):存储所采集的第一信号数据或者第二信号数据。
2.如权利要求1所述的方法(100),其中,所述第一信号数据还包括转速信号、电流信号、温度信号和位置信号中的至少一项。
3.如权利要求1或2所述的方法(100),其中,所述特征包括以下中的至少一项:时域特征、频域特征和时-频域特征。
4.如权利要求1或2所述的方法(100),在所述第二信号采集步骤之后,所述方法还包括:
故障诊断步骤(S112):利用预先存储的机器学习模型对所述第二信号数据进行分析,来对所述AGV进行故障诊断,
其中,所述存储步骤进一步包括:存储所述第二信号数据和基于所述第二信号数据得到的故障诊断结果。
5.如权利要求4所述的方法(100),其中,所述机器学习模型是利用预先收集的AGV信号历史数据和故障诊断历史数据作为训练样本,利用机器学习算法来学习得到。
6.如权利要求5所述的方法(100),其中,所述机器学习算法是深度神经网络算法。
7.如权利要求4所述的方法(100),还包括更新步骤(S114):利用存储的所述第二信号数据和所述故障诊断结果作为新的训练样本,来更新所述机器学习模型。
8.用于监控AGV状态的装置(200),所述装置安装在AGV上,包括:
第一信号采集单元(202),被配置为以第一采样速率从AGV采集第一信号数据,所述第一信号数据至少包括振动信号;
特征提取单元(204),被配置为从所述第一信号数据中提取特征;
异常状态判断单元(206),被配置为基于所提取的特征,确定所述AGV是否处于异常状态;
第二信号采集单元(208),被配置为以第二采样速率从所述AGV采集第二信号,其中,所述第二采样速率大于所述第一采样速率,所述第二信号的种类等于或者多于所述第一信号的种类;以及
存储单元(210),被配置为存储所采集的第一信号数据或者第二信号数据。
9.如权利要求8所述的装置(200),其中,所述第一信号数据还包括转速信号、电流信号、温度信号和位置信号中的至少一项。
10.如权利要求8或9所述的装置(200),其中,所述特征包括以下中的至少一项:时域特征、频域特征和时-频域特征。
11.如权利要求8或9所述的装置(200),还包括:故障诊断单元(212),被配置为利用预先存储的机器学习模型对所述第二信号数据进行分析,来对所述AGV进行故障诊断,
其中,所述存储单元(210)进一步被配置为:存储所述第二信号数据和基于所述第二信号数据得到的故障诊断结果。
12.如权利要求11所述的装置(200),其中,所述机器学习模型是利用预先收集的AGV信号历史数据和故障诊断历史数据作为训练样本,利用机器学习算法来学习得到。
13.如权利要求12所述的装置(200),其中,所述机器学习算法是深度神经网络算法。
14.如权利要求11所述的装置(200),还包括:更新单元(214),被配置为利用存储的所述第二信号数据和所述故障诊断结果作为新的训练样本,来更新所述机器学习模型。
15.边缘设备(300),包括:
至少一个处理器(302);以及
与所述至少一个处理器(302)耦合的一个存储器(304),所述存储器用于存储指令,当所述指令被所述至少一个处理器(302)执行时,使得所述处理器(302)执行如权利要求1到7中任意一项所述的方法。
16.一种非暂时性机器可读存储介质,其存储有可执行指令,所述指令当被执行时使得所述机器执行如权利要求1到7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010678416.4A CN111930081A (zh) | 2020-07-15 | 2020-07-15 | 用于监控agv状态的方法、装置、边缘设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010678416.4A CN111930081A (zh) | 2020-07-15 | 2020-07-15 | 用于监控agv状态的方法、装置、边缘设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111930081A true CN111930081A (zh) | 2020-11-13 |
Family
ID=73313039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010678416.4A Pending CN111930081A (zh) | 2020-07-15 | 2020-07-15 | 用于监控agv状态的方法、装置、边缘设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111930081A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114165430A (zh) * | 2021-11-19 | 2022-03-11 | 重庆川仪自动化股份有限公司 | 基于边缘计算的机泵健康监测方法、系统、设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103250107A (zh) * | 2010-12-31 | 2013-08-14 | 中国科学院自动化研究所 | 用于设备故障检测的智能检测系统及检测方法 |
CN104732276A (zh) * | 2015-03-18 | 2015-06-24 | 国家电网公司 | 一种计量生产设施故障在线诊断方法 |
CN105967063A (zh) * | 2016-05-16 | 2016-09-28 | 上海振华重工电气有限公司 | 维保平台故障分析处理系统及方法 |
CN108804668A (zh) * | 2018-06-08 | 2018-11-13 | 珠海格力智能装备有限公司 | 数据处理方法及装置 |
CN208421598U (zh) * | 2018-08-02 | 2019-01-22 | 珠海达明科技有限公司 | 一种agv应用的智能数据采集系统 |
US20190050515A1 (en) * | 2018-06-27 | 2019-02-14 | Intel Corporation | Analog functional safety with anomaly detection |
CN110056640A (zh) * | 2019-04-12 | 2019-07-26 | 苏芯物联技术(南京)有限公司 | 基于加速度信号和边缘计算的减速机无线故障诊断方法 |
CN110108431A (zh) * | 2019-05-22 | 2019-08-09 | 西安因联信息科技有限公司 | 一种基于机器学习分类算法的机械设备故障诊断方法 |
KR102043142B1 (ko) * | 2018-12-31 | 2019-11-12 | 호서대학교 산학협력단 | Agv 주행제어를 위한 인공신경망 학습 방법 및 장치 |
CN110475223A (zh) * | 2019-07-01 | 2019-11-19 | 深圳市中电数通智慧安全科技股份有限公司 | 一种安全监控方法、装置及终端设备 |
-
2020
- 2020-07-15 CN CN202010678416.4A patent/CN111930081A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103250107A (zh) * | 2010-12-31 | 2013-08-14 | 中国科学院自动化研究所 | 用于设备故障检测的智能检测系统及检测方法 |
CN104732276A (zh) * | 2015-03-18 | 2015-06-24 | 国家电网公司 | 一种计量生产设施故障在线诊断方法 |
CN105967063A (zh) * | 2016-05-16 | 2016-09-28 | 上海振华重工电气有限公司 | 维保平台故障分析处理系统及方法 |
CN108804668A (zh) * | 2018-06-08 | 2018-11-13 | 珠海格力智能装备有限公司 | 数据处理方法及装置 |
US20190050515A1 (en) * | 2018-06-27 | 2019-02-14 | Intel Corporation | Analog functional safety with anomaly detection |
CN208421598U (zh) * | 2018-08-02 | 2019-01-22 | 珠海达明科技有限公司 | 一种agv应用的智能数据采集系统 |
KR102043142B1 (ko) * | 2018-12-31 | 2019-11-12 | 호서대학교 산학협력단 | Agv 주행제어를 위한 인공신경망 학습 방법 및 장치 |
CN110056640A (zh) * | 2019-04-12 | 2019-07-26 | 苏芯物联技术(南京)有限公司 | 基于加速度信号和边缘计算的减速机无线故障诊断方法 |
CN110108431A (zh) * | 2019-05-22 | 2019-08-09 | 西安因联信息科技有限公司 | 一种基于机器学习分类算法的机械设备故障诊断方法 |
CN110475223A (zh) * | 2019-07-01 | 2019-11-19 | 深圳市中电数通智慧安全科技股份有限公司 | 一种安全监控方法、装置及终端设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114165430A (zh) * | 2021-11-19 | 2022-03-11 | 重庆川仪自动化股份有限公司 | 基于边缘计算的机泵健康监测方法、系统、设备及介质 |
CN114165430B (zh) * | 2021-11-19 | 2024-06-28 | 重庆川仪自动化股份有限公司 | 基于边缘计算的机泵健康监测方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112436968B (zh) | 一种网络流量的监测方法、装置、设备及存储介质 | |
US8676432B2 (en) | Fault prediction framework using temporal data mining | |
CN106843190A (zh) | 分布式车辆健康管理系统 | |
EP2950177A1 (en) | Asset condition monitoring | |
WO2018014502A1 (zh) | 电梯的预诊断方法及装置 | |
WO2011073613A1 (en) | A method, apparatus and computer program for diagnosing a mode of operation of a machine | |
CN109901555B (zh) | 一种车辆故障诊断方法、设备及存储介质 | |
CN107291475B (zh) | 通用型phm应用配置方法和装置 | |
CN115129011B (zh) | 基于边缘计算的工业资源管理方法 | |
CN110375983A (zh) | 基于时间序列分析的阀门故障实时诊断系统及诊断方法 | |
CN105571638A (zh) | 一种机械设备故障组合预测系统及方法 | |
KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
CN112394703A (zh) | 一种车辆故障管理系统 | |
CN110471395A (zh) | 一种故障检测方法、装置、设备及存储介质 | |
CN117289085A (zh) | 一种多线路故障分析诊断方法及系统 | |
CN110553789A (zh) | 一种压阻式压力传感器的状态检测方法、装置及制动系统 | |
US20220156586A1 (en) | System for monitoring a circuit breaker | |
CN111930081A (zh) | 用于监控agv状态的方法、装置、边缘设备和存储介质 | |
CN113516023B (zh) | 设备振动异常诊断方法和系统 | |
KR101490471B1 (ko) | 신호 계측 및 진단 시스템과 그 방법 | |
CN113919207A (zh) | 上面级开放式电气智能健康监测与管理系统 | |
CN117786461A (zh) | 水泵的故障诊断方法、控制设备及其存储介质 | |
CN206187050U (zh) | 轨道车辆系统故障的检测装置 | |
CN116226719A (zh) | 基于多维稳态振动特征的轴承故障诊断方法及相关组件 | |
KR101248232B1 (ko) | 병렬 부대설비의 이상 진단 방법 및 시스템 |
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 |