CN112596490A - 工业机器人故障检测方法、装置、计算机设备及存储介质 - Google Patents

工业机器人故障检测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN112596490A
CN112596490A CN202010129112.2A CN202010129112A CN112596490A CN 112596490 A CN112596490 A CN 112596490A CN 202010129112 A CN202010129112 A CN 202010129112A CN 112596490 A CN112596490 A CN 112596490A
Authority
CN
China
Prior art keywords
axis
industrial robot
self
data
aging
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
Application number
CN202010129112.2A
Other languages
English (en)
Other versions
CN112596490B (zh
Inventor
王远航
丁小健
周健
孟苓辉
董成举
王春辉
李小兵
黄创绵
杨剑锋
刘文威
梁超
陆树汉
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.)
China Electronic Product Reliability and Environmental Testing Research Institute
Original Assignee
China Electronic Product Reliability and Environmental Testing Research Institute
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 China Electronic Product Reliability and Environmental Testing Research Institute filed Critical China Electronic Product Reliability and Environmental Testing Research Institute
Priority to CN202010129112.2A priority Critical patent/CN112596490B/zh
Publication of CN112596490A publication Critical patent/CN112596490A/zh
Application granted granted Critical
Publication of CN112596490B publication Critical patent/CN112596490B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Manipulator (AREA)

Abstract

本申请公开了一种工业机器人故障检测方法、装置、计算机设备及存储介质，涉及工业机器人技术领域，该工业机器人故障检测方法包括：获取所述工业机器人在工作状态下每个轴的第一自采集数据；当根据每个轴的所述第一自采集数据和预先存储的每个轴的老化模型确定所述工业机器人不存在老化异常时，获取所述工业机器人运行检测程序时每个轴的第二自采集数据；根据每个轴的所述第二自采集数据和预先存储的每个轴的检测模型确定所述工业机器人是否发生故障。通过老化异常检测和对每个轴特定检测提高了工业机器人故障检测结果的准确性。

Description

工业机器人故障检测方法、装置、计算机设备及存储介质
技术领域
本申请涉及工业机器人技术领域，特别是涉及一种工业机器人故障检测方法、装置、计算机设备及存储介质。
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人。近年来，具有高危、高强度以及重复性等特征的工作岗位逐渐地由工业机器人替代人力进行作业。在实际应用中，由于设备老化或者其他原因会导致工业机器人发生故障，这样会对工业生产造成不良影响。因此，需要对工业机器人进行故障检测。
现有技术中，进行故障检测的方法是：检测工业机器人在工作过程中的重要数据，例如电压、电流、力矩、速度等，然后将该些重要数据分别与其对应的阈值进行比较，当该些重要数据超过或者低于其对应的阈值时，确定出工业机器人发生故障。
然而，上述方法，仅通过阈值比较的方式确定工业机器人是否发生故障，导致故障检测结果的准确度不够。
发明内容
基于此，有必要针对上述故障检测结果的准确度不够的问题，提供一种工业机器人故障检测方法、装置、计算机设备及存储介质。
一种工业机器人故障检测方法，该方法包括：
获取工业机器人在工作状态下每个轴的第一自采集数据；
当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时，获取工业机器人运行检测程序时每个轴的第二自采集数据；
根据每个轴的第二自采集数据和预先存储的每个轴的检测模型确定工业机器人是否发生故障。
在本申请的一个实施例中，当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时，获取工业机器人运行检测程序时每个轴的第二自采集数据之前，该方法还包括：
根据工业机器人在工作状态下每个轴的第一自采集数据确定工业机器人是否存在停机故障；
当工业机器人不存在停机故障时，根据每个轴的第一自采集数据和每个轴的老化模型确定工业机器人是否存在老化异常。
在本申请的一个实施例中，每个轴的第一自采集数据包括每个轴的每个时刻的控制数据和状态数据，根据每个轴的第一自采集数据和每个轴的老化模型确定工业机器人是否存在老化异常，包括：
获取工业机器人在工作状态下的运行轨迹的轨迹编号、运行负载和运行速度；
对于每个轴，将工业机器人在工作状态下的运行轨迹的轨迹编号、运行负载、运行速度、轴在第t时刻的控制数据和轴在第t时刻的状态数据输入轴的老化模型，得到轴的老化模型输出的轴在第t+1时刻的状态数据；
对于每个轴，根据轴的老化模型输出的轴在第t+1时刻的状态数据与轴的第一自采集数据中的第t+1时刻的状态数据确定偏差值；
根据偏差值确定工业机器人是否存在老化异常。
在本申请的一个实施例中，每个轴的第二自采集数据包括每个轴的每个时刻的控制数据和状态数据，根据每个轴的第二自采集数据和预先存储的每个轴的检测模型确定工业机器人是否发生故障，包括：
对于每个轴，将轴在第t时刻的控制数据和轴在第t时刻的状态数据输入轴的检测模型，得到轴的检测模型输出的轴在第t+1时刻的状态数据；
对于每个轴，根据轴的检测模型输出的轴在第t+1时刻的状态数据与轴的第二自采集数据中的第t+1时刻的状态数据确定偏差值；
根据偏差值确定工业机器人是否发生故障。
在本申请的一个实施例中，工业机器人上增设有测试仪器，该方法还包括：
当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人存在老化异常时，和/或，工业机器人发生故障时，获取工业机器人运行检测程序时的外采集数据和每个轴的第二自采集数据，外采集数据通过在工业机器人上增设的测试仪器检测得到；
根据外采集数据、每个轴的第二自采集数据和预先存储的每个轴的检测模型确定工业机器人的故障点。
在本申请的一个实施例中，该方法还包括：当工业机器人存在停机故障时，控制工业机器人停机，并生成故障报警，故障报警用于指示工业机器人存在停机故障。
在本申请的一个实施例中，每个轴的第一自采集数据包括多个数据项，该方法还包括：
当工业机器人存在停机故障时，获取每个轴的第一自采集数据中不符合对应标准的数据项，不符合对应标准的数据项用于对工业机器人的故障点进行定位。
在本申请的一个实施例中，工业机器人预先设置有自检周期，当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时，获取工业机器人运行检测程序时每个轴的第二自采集数据，包括：
当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时，判断工业机器人是否处于自检周期；
当工业机器人处于自检周期时，获取工业机器人运行检测程序时每个轴的第二自采集数据。
在本申请的一个实施例中，当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时，获取工业机器人运行检测程序时每个轴的第二自采集数据，包括：
当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时，判断工业机器人是否处于空闲状态；
当工业机器人处于空闲状态时，获取工业机器人运行检测程序时每个轴的第二自采集数据。
在本申请的一个实施例中，当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时之前，该方法包括：
获取工业机器人的运行轨迹集合、运行负载集合和运行速度集合，其中，运行轨迹集合中包括工业机器人的多种运行轨迹，运行负载集合包括工业机器人的多种工作负载，运行速度集合包括工业机器人的多种运行速度；
根据运行轨迹集合、运行负载集合和运行速度集合确定多个老化工况；
根据多个老化工况，将工业机器人运行各老化工况过程中采集到的每个轴的老化运行数据作为训练样本集；
利用训练样本集训练机器学习模型，得到老化模型。
在本申请的一个实施例中，根据每个轴的第二自采集数据和预先存储的每个轴的检测模型确定工业机器人是否发生故障之前，该方法还包括：
对于每个轴，确定轴对应的自检速度和自检轨迹；
对于每个轴，将控制每个轴运行轴对应的自检速度和自检轨迹过程中采集到的轴的自检运行数据作为训练样本集；
对于每个轴，利用训练样本集训练训练机器学习模型，得到轴的检测模型。
一种工业机器人故障检测装置，该装置包括：
第一获取模块，用于获取工业机器人在工作状态下每个轴的第一自采集数据；
老化异常识别模块，用于当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时，获取工业机器人运行检测程序时每个轴的第二自采集数据；
故障确定模块，用于根据每个轴的第二自采集数据和预先存储的每个轴的检测模型确定工业机器人是否发生故障。
一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该计算机程序被该处理器执行时实现：
获取工业机器人在工作状态下每个轴的第一自采集数据；
当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时，获取工业机器人运行检测程序时每个轴的第二自采集数据；
根据每个轴的第二自采集数据和预先存储的每个轴的检测模型确定工业机器人是否发生故障。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现：
获取工业机器人在工作状态下每个轴的第一自采集数据；
当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时，获取工业机器人运行检测程序时每个轴的第二自采集数据；
根据每个轴的第二自采集数据和预先存储的每个轴的检测模型确定工业机器人是否发生故障。
本申请实施例提供的技术方案带来的有益效果至少包括：
上述工业机器人故障检测方法、装置、计算机设备及存储介质，通过获取工业机器人在工作状态下每个轴的第一自采集数据；当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时，获取工业机器人运行检测程序时每个轴的第二自采集数据；根据每个轴的第二自采集数据和预先存储的每个轴的检测模型确定工业机器人是否发生故障。由此可知，本技术方案中，通过工业机器人的每个轴的第一自采集数据和每个轴的老化模型对工业机器人在工作状态下进行老化异常检测。当工业机器人不存在老化异常时，通过控制工业机器人运行检测程序，对工业机器人的每个轴进行再次检测，以确定工业机器人是否发生故障，通过老化异常检测和对每个轴特定检测提高了工业机器人故障检测结果的准确性。
附图说明
图1为本申请实施例提供的一种实施环境的示意图；
图2为本申请实施例提供的另一种实施环境的示意图；
图3为本申请实施例提供的一种工业机器人故障检测方法的流程图；
图4为本申请实施例提供的一种运行检测程序时的各轴的运行轨迹的示意图；
图5为本申请实施例提供的另一种工业机器人故障检测方法的流程图；
图6为本申请实施例提供的一种检测工业机器人是否存在老化异常的方法的流程图；
图7为本申请实施例提供的老化模型的示意图；
图8为本申请实施例提供的偏差控制图；
图9为本申请实施例提供的一种对工业机器人进行再检测的方法的流程图；
图10为本申请实施例提供的另一种工业机器人故障检测方法的流程图；
图11为本申请实施例提供的一种离线检测过程中的检测模型的工作原理示意图；
图12为本申请实施例提供的另一种工业机器人故障检测方法的流程图；
图13为本申请实施例提供的另一种工业机器人故障检测方法的流程图；
图14为本申请实施例提供的一种工业机器人故障检测装置的模块图；
图15为本申请实施例提供的一种计算机设备的框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
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人。近年来，具有高危、高强度以及重复性等特征的工作岗位逐渐地由工业机器人替代人力进行作业。工业机器人在长期、重复的工作下容易出现故障。当前，工业机器人的故障主要包括两类，一类是突发型故障，另一类是老化型故障，老化型故障是在长期运行后，工业机器人的关键性能会老化，导致工业机器人整体性能下降直至出现加工质量问题(不良品)。
目前，对于工业机器人的故障，检测的方法是测量工业机器人的控制器、伺服驱动器、伺服电机等结构组件的关键位置的电压电流信号、力矩、位置、速度目标值等参数，然后对各参数分别进行阈值判断，当存在超过或者低于对应阈值的参数时，确定工业机器人发生故障。
然而，上述方法，仅通过阈值比较的方式确定工业机器人是否发生故障，导致故障检测结果的准确度不够。
并且，对于老化型故障，由于发生老化型故障时，工业机器人仍能运行，上述检测方法无法检测出老化型故障。而当存在超过对应阈值的参数时，说明工业机器人的故障已经发生。因此，上述检测方法不能对故障进行提前预测。
并且，当工业机器人发生故障时需要将工业机器人停机，并请专业维修人员对发生故障的工业机器人进行故障检修。然而当工业机器人发生故障之后，再进行故障检修，需要花费大量时间，影响工业机器人的工作效率。
本申请实施例提供一种工业机器人故障检测方法、装置、计算机设备及存储介质，通过获取工业机器人在工作状态下每个轴的第一自采集数据；当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时，获取工业机器人运行检测程序时每个轴的第二自采集数据；根据每个轴的第二自采集数据和预先存储的每个轴的检测模型确定工业机器人是否发生故障。由此可知，本技术方案中，通过工业机器人的每个轴的第一自采集数据和每个轴的老化模型对工业机器人在工作状态下进行老化异常检测。当工业机器人不存在老化异常时，通过控制工业机器人运行检测程序，对工业机器人的每个轴进行再次检测，以确定工业机器人是否发生故障，通过老化异常检测和对每个轴特定检测提高了工业机器人故障检测结果的准确性。
下面，将对本申请实施例提供的工业机器人故障检测方法所涉及到的实施环境进行简要说明。
图1为本申请实施例提供的一种实施环境的示意图，如图1所示，该实施环境可以包括工业机器人，其中，工业机器人由可以由本体和控制系统组成。本体由基座4和多个相互运动的轴组成，从基座4往上的轴依次为第1轴，标号为6；第2轴，标号为7；第3轴，标号为8；腕部，标号为10。其中，3A，3B，3C和3D为轴之间可以相互旋转或者移动的关节。每个关节的运用由伺服电机驱动，关节3A的运动由伺服电机12A驱动，关节3B的运动由伺服电机12B驱动，关节3C的运动由伺服电机12C驱动，关节3D的运动由伺服电机12D驱动。其中工业机器人上还设置有内置的传感器(图中未示出)，可以用于采集工业机器人的每个轴的数据，通过工业机器人内置的传感器采集的数据称为自采集数据。
控制系统可以由控制器、处理器、存储器、通信接口(图中未示出)和驱动单元(或伺服驱动器)27A，27B，27C和27D组成，其中，存储器中可以预先存储有工作程序和检测程序，工业机器人在工作状态时，按照工作程序运转，工作程序可以包括工业机器人的运行轨迹、运行负载以及运行速度。检测程序包括工业机器人的每个轴在零点位置下的运行轨迹、运行负载以及运行速度。控制器可以调用工作程序，以控制工业机器人执行工作程序，处理器可以获取工业机器人在工作状态下每个轴的第一自采集数据；当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时，获取工业机器人运行检测程序时每个轴的第二自采集数据；根据每个轴的第二自采集数据和预先存储的每个轴的检测模型确定工业机器人是否发生故障。
在一种可选的实现方式中，如图2所示，该实施环境可以包括工业机器人202和服务器201，其中，工业机器人的控制器可以控制工业机器人调用并运行存储器中存储的工作程序，并且工业机器人可以采集运行工作程序时的数据(称为自采集数据)，并将自采集数据发送给服务器，工业机器人202与服务器201可以通过有线或者无线的方式进行通讯连接。可选的，服务器201可以是服务器群组。
其中，服务器201可以获取工业机器人在工作状态下每个轴的第一自采集数据；当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时，获取工业机器人运行检测程序时每个轴的第二自采集数据；根据每个轴的第二自采集数据和预先存储的每个轴的检测模型确定工业机器人是否发生故障。
请参考图3，其示出了本申请实施例提供的一种工业机器人故障检测方法的流程图，该工业机器人故障检测方法可以应用于图1和图2所示的实施环境中，如图3所示，该工业机器人故障检测方法可以包括以下步骤：
步骤301，获取工业机器人在工作状态下每个轴的第一自采集数据。
其中，工业机器人在工作状态下，即工业机器人运行工作程序的状态。，工作程序为预先存储在工业机器人中的程序。工作程序可以是由工业机器人运行轨迹、工业机器人运行负载以及运行速度组成。
其中，工业机器人运行轨迹是指工业机器人在应用场景下重复工作的移动轨迹。可选的，工业机器人的运行轨迹可以包括多种不同线路。本实施例中，可以对每一种运行轨迹进行编号，例如编号为1#的运行轨迹，编号为2#的运行轨迹。工业机器人运行负载包括空载、额定负载以及应用场景下常见的工作负载。工业机器人运行速度可以包括额定速度的若干比例，例如额定速度的50％，额定速度的80％等，还包括工业机器人工作过程中的常用速度。
工业机器人的工作程序为：运行轨迹的编号为1#，运行速度为额定速度的80％，运行负载为额定负载的60％。本实施例中，采集工业机器人运行该工作程序的过程中每个轴对应的多项数据，本实施例中，将采集到的数据称为第一自采集数据。可选的，第一自采集数据可以包括控制数据和状态数据，如表1所示：
表1
Figure BDA0002395307010000091
Figure BDA0002395307010000101
需要说明的是，表1仅示例性地示出了第一自采集数据的数据类型，在实际应用中，第一自采集数据可以根据工业机器人的实际工作场景以及需要进行设定，即第一自采集数据包括的数据项可以比表1中示出的数据项多，也可以比表1中示出的数据项少，本实施例对第一自采集数据具体包括的数据项不做限定。
步骤302，当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时，获取工业机器人运行检测程序时每个轴的第二自采集数据。
其中，老化模型为已经训练好的神经网络模型。老化模型的训练过程可以包括以下步骤：
S1，获取机器人的运行轨迹集合、运行负载集合和运行速度集合。
其中，运行轨迹集合中包括机器人的多种运行轨迹，运行负载集合包括机器人的多种工作负载，运行速度集合包括机器人的多种运行速度。
可选的，运行轨迹用于表示机器人的运行路径，机器人的多种运行轨迹可以包括机器人执行不同工作指令时的工作轨迹，还可以包括对机器人进行测试实验时的测试轨迹。
运行负载可以包括空载、额定负载、额定负载的倍数以及典型工作负载等。
运行速度可以包括额定速度、典型工作时的常用工作速度以及额定负载的倍数等。
S2，根据运行轨迹集合、运行负载集合和运行速度集合确定多个老化工况。
老化工况是可以是指控制工业机器人运行时，工业机器人的运行轨迹、运行负载和运行速度。
根据运行轨迹集合、运行负载集合和运行速度集合对运行轨迹、运行负载和运行速度进行排列组合，得到多个老化工况，每个老化工况包括一个运行轨迹、一个运行负载和一个运行速度。
S3，根据多个老化工况，根据工业机器人运行各老化工况过程中采集到的每个轴的老化运行数据确定训练样本集。
本实施例中，工业机器人在安装后或者大修后，工业机器人的各方面性能均处于正常状态。此时，可以控制机器人分别对每个老化工况多次运行，并采集工业机器人运行各老化工况时的老化运行数据。
本实施例中，工业机器人运行各老化工况时的老化运行数据以及各老化工况共同组合形成训练样本集。
例如老化工况A包括运行轨迹的编号为A1，运行速度为A2，运行负载为A3。工业机器人多次运行老化工况A，可以采集到某个轴多组老化运行数据，例如多组老化运行数据分别为：a1、a2、a3、a4、a5、a6。该六组老化运行数据实际对应的数值不相同。但该六组老化运行数据均对应老化工况A，那么形成的训练样本可以包括以下六个样本：a1+A，a2+A，a3+A，a4+A，a5+A，a6+A。其中，a1+A表示：a1+A1+A2+A3。其余的与此类似，不再赘述。
需要说明的是，本实施例中的老化运行数据所包含的数据项与第一自采集数据所包含的数据项相同。老化运行数据是指在进行模型训练过程中采集的工业机器人的第一自采集数据，本实施例中，为了便于与工业机器人老化异常测试过程中的第一自采集数据进行区分，因此称为老化运行数据。
S4，利用训练样本集训练机器学习模型，得到老化模型。
将每个轴的老化运行数据输入到机器学习模型中，利用机器学习模型进行深度学习，构建工业机器人的每个轴的分别对应的老化模型。
本实施例中，机器学习模型可以是支持向量机模型、极限学习模型、神经网络模型等。
本实施例中，根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人是否存在老化异常的过程可以是：
确定第N个轴对应的老化模型A，将工业机器人的运行轨迹的编号、运行负载和运行速度以及第N个轴在第t个时刻的第一自采集数据。得到老化模型A输出的第N个轴在第t+1时刻的老化数据。
可以根据该老化数据确定在第t+1时刻第N个轴是否存在老化异常。
当工业机器人中的每个轴均不存在老化异常，那么可以确定该工业机器人不存在老化异常。
当工业机器人中，存在一个轴存在老化异常，那么可以确定该工业机器人存在老化异常。
本申请实施例中，工业机器人在工作状态下进行老化异常识别，是指对工业机器人在典型工况下各个轴的正常行为进行异常识别，为了进一步对工业机器人进行故障检测，本实施例还提出，当工业机器人不存在老化异常时，获取工业机器人运行检测程序时每个轴的第二自采集数据。
其中，获取工业机器人运行检测程序时每个轴的第二自采集数据，包括：
步骤A1，获取每个轴对应的检测程序。
其中，获取每个轴对应的检测程序的过程可以是：可以根据每个轴在工业机器人中的作用设定特定的运行轨迹和运行速度。
需要说明的是，由于工业机器人中每个轴的作用不同，因此每个轴对应的检测程序可以不相同。
步骤A2，获取工业机器人运行检测程序时每个轴的第二自采集数据。
工业机器人运行检测程序即依次分别控制工业机器人的每个轴运行对应的检测程序，并采集每个轴在运行对应检测程序的过程中的第二自采集数据。
可选的，工业机器人的每个轴运行对应的检测程序的过程可以是：
首先控制工业机器人停机，然后控制工业机器人的各轴先回零点位置，然后再在空载和额定负载情况下，从第1轴开始，保持其他轴处于零点位置不动，控制第1轴以特定的速度独立匀速正反转一定时长，运行结束后回到零点位置，采集在此过程中工业机器人的第1轴的数据，即第1轴的第二自采集数据。第二自采集数据包括的数据项的内容与第一自采集数据包括的数据项的内容可以相同。对第1轴检测完后，对第2轴按照上述过程进行检测，以此类推，直至对所有轴都完成故障检测。可选的，运行检测程序时，各轴的运行轨迹可以如图4所示，图4中的角度和高度为示例性的，不代表本实施例中的工业机器人的实际的运行轨迹。
其中，特定的速度可以是额定速度或者额定速度的倍数。一定时长例如可以是5分钟。需要说明的是，每个轴正反转的时长可以根据实际工况进行单独设定，即每个轴正反转的时长可以不同。
步骤303，根据每个轴的第二自采集数据和预先存储的每个轴的检测模型确定工业机器人是否发生故障。
在一种可选的实现方式中，根据每个轴的第二自采集数据和预先存储的每个轴的检测模型确定工业机器人是否发生故障的过程可以是：
以轴C为例，获取轴C对应的自检速度和自检轨迹。
控制轴C运行自检速度和自检轨迹，并采集轴C运行过程中轴C对应的自检运行数据。
将轴C的第二自采集数据和轴C对应的自检运行数据输入到轴C的检测模型中，轴C的检测模型用于比较轴C的第二自采集数据和轴C对应的自检运行数据。
当轴C的第二自采集数据和轴C对应的自检运行数据不匹配，则确定工业机器人发生故障。
当轴C的第二自采集数据和轴C对应的自检运行数据匹配，则对下一个轴进行判断。直到所有的轴判断结束。
在另一种可选的实现方式中，每个轴的检测模型为全信息模型，是通过神经网络模型进行训练后得到的。本实施例中，对于每个轴的检测模型的训练过程可以包括以下内容：
M1，确定该轴对应的自检速度和自检轨迹。
其中，自检速度是训练检测模型过程时，该轴的运行速度。自检轨迹是训练检测模型过程中，该轴的运行轨迹。
其中，自检速度可以是固定的额定速度。自检轨迹可以是固定的运行轨迹。
由于机器人的每个轴在机器人中的作用是不同的，因此，每个轴的自检速度以及自检轨迹与其他轴的自检速度以及自检轨迹一般是不相同的。本实施例中，根据每个轴的在机器人中的作用，确定该轴的自检速度和自检轨迹。
M2，控制该轴运行该轴对应的自检速度和自检轨迹，并采集该运行过程中的该轴的自检运行数据，将自检运行数据作为训练样本集。
在工业机器人在安装后或者大修后，工业机器人的性能处于最佳状态时，控制该轴分别执行该轴对应的自检速度和自检轨迹，并采集该运行过程中的该轴的自检运行数据，其中，每个轴运行自检轨迹和自检速度的过程可以参考步骤A2公开的内容，在此不进行赘述。
采集该运行过程中的该轴的自检运行数据，并将该轴的自检运行数据作为训练样本集。
每个轴都可以得到一个训练样本集，每个训练样本集只可以用于训练该轴的检测模型。
需要说明的是，本实施例中的自检运行数据所包含的数据项与第二自采集数据所包含的数据项相同。自检运行数据是指在进行模型训练过程中采集的工业机器人的第二自采集数据，本实施例中，为了便于与工业机器人健康自检过程中的第二自采集数据进行区分，因此称为自检运行数据。
M3，利用训练样本集训练初始神经网络模型，得到该轴的检测模型。
将该轴的自检运行数据输入到机器学习模型中，利用机器学习模型进行深度学习，构建该轴的检测模型。
本实施例中，机器学习模型可以是支持向量机模型、极限学习模型、神经网络模型等。
本实施例中，根据每个轴的第二自采集数据和预先存储的每个轴的检测模型确定工业机器人是否发生故障的过程可以包括：
确定第N个轴对应的检测模型为检测模型B，检测模型B的输入为工业机器人的第N个轴的在第t时刻的第二自采集数据。输出为第N个轴在第t+1时刻的状态数据和第N个轴在第t时刻的预估状态数据，预估状态数据是机器人的自身安装的传感器无法采集到的运行数据。
需要说明的是，本实施例中，确定工业机器人是否发生故障的过程中，只用到了第N个轴在第t+1时刻的状态数据，而对第N个轴在第t时刻的预估状态数据忽略不计。
对于第N个轴在第t+1时刻的状态数据，获取每个状态数据对应的阈值范围，当检测模型输出的状态数据超出对应的阈值范围时，确定机器人发生故障。当检测模型输出的状态数据均没有超出对应的阈值范围，则对第N+1个轴进行判断，以此类推，直至完成所有轴的检测。
本实施例通过获取工业机器人在工作状态下每个轴的第一自采集数据；当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时，获取工业机器人运行检测程序时每个轴的第二自采集数据；根据每个轴的第二自采集数据和预先存储的每个轴的检测模型确定工业机器人是否发生故障。由此可知，本技术方案中，通过工业机器人的每个轴的第一自采集数据和每个轴的老化模型对工业机器人在工作状态下进行老化异常检测。当工业机器人不存在老化异常时，通过控制工业机器人运行检测程序，对工业机器人的每个轴进行再次检测，以确定工业机器人是否发生故障，通过老化异常检测和对每个轴特定检测提高了工业机器人故障检测结果的准确性。
在本申请的一个实施例中，如图5所示，其示出了另一种工业机器人故障检测方法，该方法包括以下步骤：
步骤501，获取工业机器人在工作状态下每个轴的第一自采集数据。
当工业机器人正常运转时，以固定的采样频率实时采集工业机器人的每个轴的实时数据，得到每个轴在每个采样时刻(以下简称为时刻)的第一自采集数据。
本实施例中，获取工业机器人在工作状态下每个轴的第一自采集数据的过程可以参考步骤301，在此不再赘述。
步骤502，根据工业机器人在工作状态下每个轴的第一自采集数据确定工业机器人是否存在停机故障。
由于工业机器人在工作状态下，可能会发生突发型故障，突发型故障一般而言即必须停机的故障，本实施例中称为停机故障。本实施例中，在进行老化故障检测之前，首先进行停机故障的检测。
本实施例中，确定工业机器人是否存在停机故障的过程可以是：
对每个轴，获取每个轴的第一自采集数据包括的各个数据项对应的停机条件。当第一自采集数据包括的各个数据项中，有任何一个数据项的数据值符合其对应的停机条件时，判断工业机器人存在停机故障。若第一自采集数据包括的所有数据项均不符合各自对应的停机条件，即说明工业机器人不存在停机故障。如表2所示，表2中示例性地示出了本实施例中部分停机条件。
表2
Figure BDA0002395307010000161
Figure BDA0002395307010000171
步骤503，当工业机器人不存在停机故障时，根据每个轴的第一自采集数据和每个轴的老化模型确定工业机器人是否存在老化异常。
当工业机器人不存在停机故障时，再对工业机器人进行老化异常检测。
本实施例中，对工业机器人进行老化异常检测的过程可以是：对于每个轴，将该轴在第t时刻的第一自采集数据输入至该该轴对应的老化模型中，得到该老化模型输出的该轴在第t+1时刻的老化数据。
可以根据该老化数据确定在第t+1时刻第N个轴是否存在老化异常。
当工业机器人中的每个轴均不存在老化异常，那么可以确定该工业机器人不存在老化异常。
当工业机器人中，存在一个轴存在老化异常，那么可以确定该工业机器人存在老化异常。
步骤504，当工业机器人不存在老化异常时，获取工业机器人运行检测程序时每个轴的第二自采集数据。
步骤505，根据每个轴的第二自采集数据和预先存储的每个轴的检测模型确定工业机器人是否发生故障。
本实施例中，通过实时地检测工业机器人是否发生停机故障，当工业机器人不存在停机故障时，再进行老化异常检测和检测程序检测，这样可以对工业机器人可能发生的故障实现全面检测的目的。
在本申请的一个实施例中，当工业机器人存在停机故障时，控制工业机器人停机，并生成故障警报。
本实施例中，当工业机器人存在停机故障时，即工业机器人有较大可能发生突发型的控制异常故障，因此机器人需要保护性停机。对此，工业机器人的处理器或者工业机器人外接的服务器可以控制工业机器人保护性停机，并生成故障警报，故障警报可以用于向操作人员指示该工业机器人存在停机故障，从而辅助操作人员对工业机器人进行维修。
在本申请的一个实施例中，每个轴的第一自采集数据包括多个数据项，当工业机器人存在停机故障时，获取每个轴的所述第一自采集数据中不符合对应标准的数据项。
本实施例中，每个轴在每个采样时刻均采集有第一自采集数据，且每个时刻采集的第一自采集数据包括多个数据项。当判断出工业机器人存在停机故障时，获取得出这一判断结果的时刻的第一自采集数据，并将得出这一判断结果的时刻的第一自采集数据中的每个数据项分别与对应的标准数据进行比较，并提取出不符合对应标准的数据项。该些不符合对应标准的数据项可能是该工业机器人发生停机故障的原因，因此，可以根据该些不符合对应标准的数据项对工业机器人的故障点进行辅助定位，从而提高确定故障源的速度。
在本申请的一个实施例中，每个轴的第一自采集数据包括每个轴的每个时刻的控制数据和状态数据，其中，控制数据和状态数据可以如表1中所示，本实施例中，如图6所示，其示出了一种检测工业机器人是否存在老化异常的方法，该方法包括以下步骤：
步骤601，获取工业机器人在工作状态下的运行轨迹的轨迹编号、运行负载和运行速度。
工业机器人在工作状态下的运行轨迹的轨迹编号、运行负载和运行速度例如可以是步骤301中公开的“运行轨迹的编号为1#，运行速度为额定速度的80％，运行负载为额定负载的60％”。
步骤602，对于每个轴，将工业机器人在工作状态下的运行轨迹的轨迹编号、运行负载、运行速度、轴在第t时刻的控制数据和轴在第t时刻的状态数据输入轴的老化模型，得到轴的老化模型输出的轴在第t+1时刻的状态数据。
如图7所示，其示出了第N轴的老化模型的示意图。
以第N轴为例，将工业机器人在工作状态下的运行轨迹的轨迹编号、运行负载、运行速度输入至老化模型，并将第N轴在第t时刻的控制数据和状态数据输入至老化模型中，得到老化模型输出的第N轴在第t+1时刻的状态数据。
本实施例中，状态数据可以包括多个数据项，老化模型可以输出第N轴在第t+1时刻的状态数据的每个数据项。
步骤603，对于每个轴，根据轴的老化模型输出的轴在第t+1时刻的状态数据与轴的第一自采集数据中的第t+1时刻的状态数据确定偏差值。
承接上文举例，获取工业机器人在工作状态下，第N轴在第t+1时刻采集到的第一自采集数据中包括的状态数据K’(K’仅示例性地表示状态数据中的某一个数据项)。
获取第N轴的老化模型输出的第N轴在第t+1时刻的状态数据K(K为与K’相同的数据项)。
对状态数据中的每个数据项，计算出老化模型输出的K’与实际采集到的K之间的偏差值K”。
步骤604，根据偏差值确定工业机器人是否存在老化异常。
本实施例中，根据偏差值确定工业机器人是否存在老化异常的过程可以是：
确定偏差阈值，每个数据项对应的偏差阈值可以根据工业机器人应用场景设置，例如，对于焊接装配等高精度应用场景，偏差阈值可以设置的较小一些。而对于搬运等对精度要求不高的应用场景，偏差阈值可以设置的大一些。
针对状态数据中的每个数据项的偏差值和该数据项对应的偏差阈值，绘制该数据项对应的偏差控制图，如图8所示。其中，偏差阈值即为偏差控制图中的上下限。图8中示出了数据项M在不同采样时间对应的偏差值。
当某次某个数据项的偏差值超过偏差控制图中的上下限或者某个数据项的偏差值连续多次出现单侧现象时，确定该工业机器人存在老化异常。
当状态数据包括的多个数据项中的每个数据项对应的偏差控制图均不存在单侧现象，也均未超过偏差控制图中的上下限，则确定该工业机器人不存在老化异常。
本实施例中，通过对工业机器人进行老化异常检测，可以准确地确定在工作状态下的工业机器人的状态。
在本申请的一个实施例中，每个轴的第二自采集数据包括每个轴的每个时刻的控制数据和状态数据，如图9所示，其示出了一种对工业机器人进行再检测的方法。该方法包括以下步骤：
步骤901，对于每个轴，将轴在第t时刻的控制数据和轴在第t时刻的状态数据输入轴的检测模型，得到轴的检测模型输出的轴在第t+1时刻的状态数据。
仍以第N轴为例进行说明。将第N轴在第t时刻的控制数据和状态数据输入到第N轴对应的检测模型中，得到第N轴对应的检测模型输出的第N轴在第t+1时刻的状态数据。
本实施例中，状态数据可以包括多个数据项，检测模型可以输出第N轴在第t+1时刻的状态数据中的每个数据项。
需要说明的是，本实施例与上述步骤602的区别在于：首先，步骤602中是在工业机器人工作状态下同时采集每个轴对应的第一自采集数据，本实施例是对每个轴单独运行对应的检测程序，并单独采集每个轴对应的第二自采集数据。其次，步骤602中工业机器人的应用场景是：正常工作状态，而本实施例中，工业机器人的应用场景是：每个轴运行特定的对应的检测程序的情况下。因此，虽然步骤602中老化模型输出的数据与本实施例中检测模型输出的数据均为第N轴在第t+1时刻的状态数据，但对工业机器人进行老化异常检测和再次检测的结果所反映的内容并不相同。
步骤902，对于每个轴，根据轴的检测模型输出的轴在第t+1时刻的状态数据与轴的第二自采集数据中的第t+1时刻的状态数据确定偏差值。
获取第N轴在运行检测程序的过程中，第t+1时刻采集到的第N轴的第二自采集数据中的状态数据L’(L’仅示例性地表示状态数据中的某一个数据项)。
获取第N轴对应的检测模型，输出的在第t+1时刻的状态数据L(L为与L’相同的数据项)。
对状态数据中的每个数据项，计算出检测模型输出的L’与实际采集到的L之间的偏差值L”。
步骤903，根据偏差值确定工业机器人是否发生故障。
本实施例中，根据偏差值确定工业机器人是否发生故障的过程可以是：
确定偏差阈值，每个数据项对应的偏差阈值可以根据工业机器人应用场景设置，例如，对于焊接装配等高精度应用场景，偏差阈值可以设置的较小一些。而对于搬运等对精度要求不高的应用场景，偏差阈值可以设置的大一些。
针对状态数据中的每个数据项的偏差值和该数据项对应的偏差阈值，绘制该数据项对应的偏差控制图。偏差阈值即为偏差控制图中的上下限。
当某次某个数据项的偏差值超过偏差控制图中的上下限或者某个数据项的偏差值连续多次出现单侧现象时，确定该工业机器人发生故障。
当状态数据包括的多个数据项中的每个数据项对应的偏差控制图均不存在单侧现象，也均未超过偏差控制图中的上下限，则确定该工业机器人不存在发生故障。
本实施例中，在老化异常检测的基础上，对工业机器人进行再次检测，可以提高工业机器人故障检测结果的准确性。
在本申请的一个实施例中，在工业机器人上增设有测试仪器，如图10所示，其示出了另一种工业机器人故障检测方法，该方法包括以下步骤：
步骤1001，当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人存在老化异常时，和/或，工业机器人发生故障时，获取工业机器人运行检测程序时的外采集数据和每个轴的第二自采集数据。
本实施例中，当工业机器人存在老化异常时，需要对工业机器人进行离线检修。当工业机器人发生故障时，也需要对工业机器人进行离线检修，离线检修即控制工业机器人停机，并运行特定的检测程序，以确定工业机器人故障点的过程。
在离线检修时，需要在工业机器人上安装外置的测试仪器。本实施例中，工业机器人上增设的测试仪器可以是指在工业机器人上部署外置传感器或者仪器。工业机器人上增设的测试仪器采集的数据为外采集数据。外采集数据例如可以如表3中所示。
表3
Figure BDA0002395307010000221
需要说明的是，外采集数据所包括的数据项可以不仅限于表3中所示出的内容，还可以包括例如噪声、电信号以及动态响应等内容。本实施例对外采集数据的数据项不进行限制。
可选的，工业机器人上可以设置有外围接口，外围接口可以用于获取外置传感器或仪器采集的外采集数据。
本实施例中，获取工业机器人运行检测程序时的外采集数据和每个轴的第二自采集数据的过程可以是：
控制工业机器人的每个轴依次运行每个轴对应的检测程序，并通过工业机器人的内置的传感器采集每个轴的第二自采集数据，通过工业机器人的外置的测试仪器采集工业机器人整体以及每个轴的外采集数据。
其中，每个轴的检测程序的确定可以参见步骤A1所公开的内容，每个轴运行对应的检测程序的过程可以参见步骤A2所公开的内容。
步骤1002，根据外采集数据、每个轴的第二自采集数据和预先存储的每个轴的检测模型确定工业机器人的故障点。
本实施例中，以第N轴为例，将第N轴在第t时刻的第二自采集数据包括的状态数据和控制数据输入到第N轴对应的检测模型中，得到第N轴对应的检测模型输出的第N轴在第t时刻的预估状态数据和第N轴在第t+1时刻的状态数据，如图11所示，其中预估状态数据所包含的数据项与外采集数据包括的数据项相同。
比较检测模型输出的第N轴在第t时刻的预估状态数据和通过增设的测试仪器采集到的第N轴在第t时刻的外采集数据，确定外采偏差值。
其中，外采集数据可以包括多个数据项，本实施例中的外采偏差值是指对每个数据项而言，计算出每个数据项对应的偏差值。
比较检测模型输出的第N轴在第t+1时刻的状态数据和通过内置的传感器采集到的第N轴在第t+1时刻的状态数据，确定自采偏差值。
其中，自采偏差值是指对状态数据包括的每个数据项而言，计算出每个数据项对应的偏差值。
其中，外采集数据的每个数据项对应的偏差值和状态数据的每个数据项对应的偏差值中超过对应偏差阈值的数据项即为工业机器人老化异常或者发生故障的故障点。
本实施例中，当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人存在老化异常时，和/或，工业机器人发生故障时，对工业机器人进行离线检修，利用外采集数据和运行检测程序时每个轴的第二自采集数据以及检测模型可以快速确定出造成工业机器人故障的原因，即故障点，提高了工业机器人故障检修的效率。
在本申请的一个实施例中，工业机器人预先设置有自检周期，如图12所示，其示出了另一种工业机器人故障检测方法，该方法包括以下步骤：
步骤1201，当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时，判断工业机器人是否处于自检周期。
本实施例中，由于工业机器人的老化异常检测是实时进行的，若老化异常检测后，工业机器人的再检测也实时进行，会增加工业机器人的处理器或与工业机器人连接的服务器的运算负担，且会造成资源浪费。
为了解决这个问题，本实施例中，工业机器人在工作状态下实时地进行老化异常检测，当工业机器人不存在老化异常时，周期性地进行自检。因此，当判断出工业机器人不存在老化故障时，首先判断工业机器人是否处于自检周期。
步骤1202，当工业机器人处于自检周期时，获取工业机器人运行检测程序时每个轴的第二自采集数据。
若工业机器人不处于自检周期，则仍然实时地进行老化异常检测。若已经处于自检周期，则进行自检过程，即获取工业机器人运行检测程序时每个轴的第二自采集数据，并根据每个轴的第二自采集数据和预先存储的每个轴的检测模型确定工业机器人是否发生故障。
本实施例通过设置自检周期，实时地进行老化异常检测，并周期性地进行再次自检，不但提高了工业机器人故障检测结果的准确性，而且减轻了工业机器人的处理器或与工业机器人连接的服务器的运算负担。
在另一种可选的实现方式中，如图13所示，其示出了另一种工业机器人故障检测方法，该方法包括以下步骤：
步骤1301，当根据每个轴的,第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时，判断工业机器人是否处于空闲状态。
本实施例中，对工业机器人进行再检测时，需要工业机器人停机，并执行每个轴对应的检测程序，因此会对正常的生产作业活动带来影响，导致工业机器人的工作效率降低。
为了避免故障检测影响工业机器人的工作效率，本实施例提出，在工业机器人空闲的状态下进行再检测作业。因此，当工业机器人不存在老化异常时，需要判断工业机器人是否处于空闲状态。
步骤1302，当工业机器人处于空闲状态时，获取工业机器人运行检测程序时每个轴的第二自采集数据。
当工业机器人处于空闲状态时，则进行工业机器人自检过程，自检过程即获取工业机器人运行检测程序时每个轴的第二自采集数据，并根据每个轴的第二自采集数据和预先存储的每个轴的检测模型确定工业机器人是否发生故障。
当工业机器人不处于空闲状态时，则仍然实时地进行老化异常检测，而不进行再次检测。
本实施例通过判断工业机器人是否处于空闲状态，降低了故障检测过程对工业机器人的工作过程带来的不良影响，避免了工业机器人的工作效率的降低。
在一个实施例中，如图14所示，提供了一种工业机器人故障检测装置，包括：第一获取模块1401，老化异常识别模块1402和故障确定模块1403其中：
第一获取模块1401，用于获取工业机器人在工作状态下每个轴的第一自采集数据；
老化异常识别模块1402，用于当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时，获取工业机器人运行检测程序时每个轴的第二自采集数据；
故障确定模块1403，用于根据每个轴的第二自采集数据和预先存储的每个轴的检测模型确定工业机器人是否发生故障。
在本申请的一个实施例中，老化异常识别模块1402还用于根据工业机器人在工作状态下每个轴的第一自采集数据确定工业机器人是否存在停机故障；
当工业机器人不存在停机故障时，根据每个轴的第一自采集数据和每个轴的老化模型确定工业机器人是否存在老化异常。
在本申请的一个实施例中，每个轴的第一自采集数据包括每个轴的每个时刻的控制数据和状态数据，老化异常识别模块1402还用于获取工业机器人在工作状态下的运行轨迹的轨迹编号、运行负载和运行速度；
对于每个轴，将工业机器人在工作状态下的运行轨迹的轨迹编号、运行负载、运行速度、轴在第t时刻的控制数据和轴在第t时刻的状态数据输入轴的老化模型，得到轴的老化模型输出的轴在第t+1时刻的状态数据；
对于每个轴，根据轴的老化模型输出的轴在第t+1时刻的状态数据与轴的第一自采集数据中的第t+1时刻的状态数据确定偏差值；
根据偏差值确定工业机器人是否存在老化异常。
在本申请的一个实施例中，每个轴的第二自采集数据包括每个轴的每个时刻的控制数据和状态数据，故障确定模块1403还用于对于每个轴，将轴在第t时刻的控制数据和轴在第t时刻的状态数据输入轴的检测模型，得到轴的检测模型输出的轴在第t+1时刻的状态数据；
对于每个轴，根据轴的检测模型输出的轴在第t+1时刻的状态数据与轴的第二自采集数据中的第t+1时刻的状态数据确定偏差值；
根据偏差值确定工业机器人是否发生故障。
在本申请的一个实施例中，工业机器人上增设有测试仪器，故障确定模块1403还用于当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人存在老化异常时，和/或，工业机器人发生故障时，获取工业机器人运行检测程序时的外采集数据和每个轴的第二自采集数据，外采集数据通过在工业机器人上增设的测试仪器检测得到；
根据外采集数据、每个轴的第二自采集数据和预先存储的每个轴的检测模型确定工业机器人的故障点。
在本申请的一个实施例中，老化异常识别模块1402还用于当工业机器人存在停机故障时，控制工业机器人停机，并生成故障报警，故障报警用于指示工业机器人存在停机故障。
在本申请的一个实施例中，每个轴的第一自采集数据包括多个数据项，老化异常识别模块1402还用于当工业机器人存在停机故障时，获取每个轴的第一自采集数据中不符合对应标准的数据项，不符合对应标准的数据项用于对工业机器人的故障点进行定位。
在本申请的一个实施例中，工业机器人预先设置有自检周期，老化异常识别模块1402还用于当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时，判断工业机器人是否处于自检周期；
当工业机器人处于自检周期时，获取工业机器人运行检测程序时每个轴的第二自采集数据。
在本申请的一个实施例中，老化异常识别模块1402还用于当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时，判断工业机器人是否处于空闲状态；
当工业机器人处于空闲状态时，获取工业机器人运行检测程序时每个轴的第二自采集数据。
在本申请的一个实施例中，老化异常识别模块1402还用于获取工业机器人的运行轨迹集合、运行负载集合和运行速度集合，其中，运行轨迹集合中包括工业机器人的多种运行轨迹，运行负载集合包括工业机器人的多种工作负载，运行速度集合包括工业机器人的多种运行速度；根据运行轨迹集合、运行负载集合和运行速度集合确定多个老化工况；根据多个老化工况，根据工业机器人运行各老化工况过程中采集到的每个轴的老化运行数据确定训练样本集；利用训练样本集训练机器学习模型，得到老化模型。
在本申请的一个实施例中，故障确定模块1403还用于对于每个轴，确定轴对应的自检速度和自检轨迹；对于每个轴，将控制每个轴运行轴对应的自检速度和自检轨迹过程中采集到的轴的自检运行数据作为训练样本集；对于每个轴，利用训练样本集训练机器学习模型，得到轴的检测模型。
关于工业机器人故障检测装置的具体限定可以参见上文中对于工业机器人故障检测方法的限定，在此不再赘述。上述工业机器人故障检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在本申请的一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图15所示。该计算机设备包括通过系统总线连接的处理器和存储器。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机程序被处理器执行时以实现一种工业机器人故障检测方法。
本领域技术人员可以理解，图15中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图15中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在本申请的一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取工业机器人在工作状态下每个轴的第一自采集数据；当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时，获取工业机器人运行检测程序时每个轴的第二自采集数据；根据每个轴的第二自采集数据和预先存储的每个轴的检测模型确定工业机器人是否发生故障。
在本申请的一个实施例中，处理器执行计算机程序时还可以实现以下步骤：根据工业机器人在工作状态下每个轴的第一自采集数据确定工业机器人是否存在停机故障；当工业机器人不存在停机故障时，根据每个轴的第一自采集数据和每个轴的老化模型确定工业机器人是否存在老化异常。
在本申请的一个实施例中，每个轴的第一自采集数据包括每个轴的每个时刻的控制数据和状态数据，处理器执行计算机程序时还可以实现以下步骤：获取工业机器人在工作状态下的运行轨迹的轨迹编号、运行负载和运行速度；对于每个轴，将工业机器人在工作状态下的运行轨迹的轨迹编号、运行负载、运行速度、轴在第t时刻的控制数据和轴在第t时刻的状态数据输入轴的老化模型，得到轴的老化模型输出的轴在第t+1时刻的状态数据；对于每个轴，根据轴的老化模型输出的轴在第t+1时刻的状态数据与轴的第一自采集数据中的第t+1时刻的状态数据确定偏差值；根据偏差值确定工业机器人是否存在老化异常。
在本申请的一个实施例中，每个轴的第二自采集数据包括每个轴的每个时刻的控制数据和状态数据，处理器执行计算机程序时还可以实现以下步骤：对于每个轴，将轴在第t时刻的控制数据和轴在第t时刻的状态数据输入轴的检测模型，得到轴的检测模型输出的轴在第t+1时刻的状态数据；对于每个轴，根据轴的检测模型输出的轴在第t+1时刻的状态数据与轴的第二自采集数据中的第t+1时刻的状态数据确定偏差值；根据偏差值确定工业机器人是否发生故障。
在本申请的一个实施例中，工业机器人上增设有测试仪器，处理器执行计算机程序时还可以实现以下步骤：当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人存在老化异常时，和/或，工业机器人发生故障时，获取工业机器人运行检测程序时的外采集数据和每个轴的第二自采集数据，外采集数据通过在工业机器人上增设的测试仪器检测得到；根据外采集数据、每个轴的第二自采集数据和预先存储的每个轴的检测模型确定工业机器人的故障点。
在本申请的一个实施例中，处理器执行计算机程序时还可以实现以下步骤：当工业机器人存在停机故障时，控制工业机器人停机，并生成故障报警，故障报警用于指示工业机器人存在停机故障。
在本申请的一个实施例中，每个轴的第一自采集数据包括多个数据项，处理器执行计算机程序时还可以实现以下步骤：当工业机器人存在停机故障时，获取每个轴的第一自采集数据中不符合对应标准的数据项，不符合对应标准的数据项用于对工业机器人的故障点进行定位。
在本申请的一个实施例中，工业机器人预先设置有自检周期，处理器执行计算机程序时还可以实现以下步骤：当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时，判断工业机器人是否处于自检周期；当工业机器人处于自检周期时，获取工业机器人运行检测程序时每个轴的第二自采集数据。
在本申请的一个实施例中，处理器执行计算机程序时还可以实现以下步骤：当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时，判断工业机器人是否处于空闲状态；当工业机器人处于空闲状态时，获取工业机器人运行检测程序时每个轴的第二自采集数据。
在本申请的一个实施例中，处理器执行计算机程序时还可以实现以下步骤：获取工业机器人的运行轨迹集合、运行负载集合和运行速度集合，其中，运行轨迹集合中包括工业机器人的多种运行轨迹，运行负载集合包括工业机器人的多种工作负载，运行速度集合包括工业机器人的多种运行速度；根据运行轨迹集合、运行负载集合和运行速度集合确定多个老化工况；根据多个老化工况，根据工业机器人运行各老化工况过程中采集到的每个轴的老化运行数据确定训练样本集；利用训练样本集训练机器学习模型，得到老化模型。
在本申请的一个实施例中，处理器执行计算机程序时还可以实现以下步骤：对于每个轴，确定轴对应的自检速度和自检轨迹；对于每个轴，将控制每个轴运行轴对应的自检速度和自检轨迹过程中采集到的轴的自检运行数据作为训练样本集；对于每个轴，利用训练样本集训练机器学习模型，得到轴的检测模型。
本申请实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在本申请的一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取工业机器人在工作状态下每个轴的第一自采集数据；当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时，获取工业机器人运行检测程序时每个轴的第二自采集数据；根据每个轴的第二自采集数据和预先存储的每个轴的检测模型确定工业机器人是否发生故障。
在本申请的一个实施例中，计算机程序被处理器执行时还可以实现以下步骤：根据工业机器人在工作状态下每个轴的第一自采集数据确定工业机器人是否存在停机故障；当工业机器人不存在停机故障时，根据每个轴的第一自采集数据和每个轴的老化模型确定工业机器人是否存在老化异常。
在本申请的一个实施例中，每个轴的第一自采集数据包括每个轴的每个时刻的控制数据和状态数据，计算机程序被处理器执行时还可以实现以下步骤：获取工业机器人在工作状态下的运行轨迹的轨迹编号、运行负载和运行速度；对于每个轴，将工业机器人在工作状态下的运行轨迹的轨迹编号、运行负载、运行速度、轴在第t时刻的控制数据和轴在第t时刻的状态数据输入轴的老化模型，得到轴的老化模型输出的轴在第t+1时刻的状态数据；对于每个轴，根据轴的老化模型输出的轴在第t+1时刻的状态数据与轴的第一自采集数据中的第t+1时刻的状态数据确定偏差值；根据偏差值确定工业机器人是否存在老化异常。
在本申请的一个实施例中，每个轴的第二自采集数据包括每个轴的每个时刻的控制数据和状态数据，计算机程序被处理器执行时还可以实现以下步骤：对于每个轴，将轴在第t时刻的控制数据和轴在第t时刻的状态数据输入轴的检测模型，得到轴的检测模型输出的轴在第t+1时刻的状态数据；对于每个轴，根据轴的检测模型输出的轴在第t+1时刻的状态数据与轴的第二自采集数据中的第t+1时刻的状态数据确定偏差值；根据偏差值确定工业机器人是否发生故障。
在本申请的一个实施例中，工业机器人上增设有测试仪器，计算机程序被处理器执行时还可以实现以下步骤：当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人存在老化异常时，和/或，工业机器人发生故障时，获取工业机器人运行检测程序时的外采集数据和每个轴的第二自采集数据，外采集数据通过在工业机器人上增设的测试仪器检测得到；根据外采集数据、每个轴的第二自采集数据和预先存储的每个轴的检测模型确定工业机器人的故障点。
在本申请的一个实施例中，计算机程序被处理器执行时还可以实现以下步骤：当工业机器人存在停机故障时，控制工业机器人停机，并生成故障报警，故障报警用于指示工业机器人存在停机故障。
在本申请的一个实施例中，每个轴的第一自采集数据包括多个数据项，计算机程序被处理器执行时还可以实现以下步骤：当工业机器人存在停机故障时，获取每个轴的第一自采集数据中不符合对应标准的数据项，不符合对应标准的数据项用于对工业机器人的故障点进行定位。
在本申请的一个实施例中，工业机器人预先设置有自检周期，计算机程序被处理器执行时还可以实现以下步骤：当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时，判断工业机器人是否处于自检周期；当工业机器人处于自检周期时，获取工业机器人运行检测程序时每个轴的第二自采集数据。
在本申请的一个实施例中，计算机程序被处理器执行时还可以实现以下步骤：当根据每个轴的第一自采集数据和预先存储的每个轴的老化模型确定工业机器人不存在老化异常时，判断工业机器人是否处于空闲状态；当工业机器人处于空闲状态时，获取工业机器人运行检测程序时每个轴的第二自采集数据。
在本申请的一个实施例中，计算机程序被处理器执行时还可以实现以下步骤：获取工业机器人的运行轨迹集合、运行负载集合和运行速度集合，其中，运行轨迹集合中包括工业机器人的多种运行轨迹，运行负载集合包括工业机器人的多种工作负载，运行速度集合包括工业机器人的多种运行速度；根据运行轨迹集合、运行负载集合和运行速度集合确定多个老化工况；根据多个老化工况，根据工业机器人运行各老化工况过程中采集到的每个轴的老化运行数据确定训练样本集；利用训练样本集训练机器学习模型，得到老化模型。
在本申请的一个实施例中，计算机程序被处理器执行时还可以实现以下步骤：对于每个轴，确定轴对应的自检速度和自检轨迹；对于每个轴，将控制每个轴运行轴对应的自检速度和自检轨迹过程中采集到的轴的自检运行数据作为训练样本集；对于每个轴，利用训练样本集训练机器学习模型，得到轴的检测模型。
本申请实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (14)

1.一种工业机器人故障检测方法，其特征在于，所述方法包括：
获取所述工业机器人在工作状态下每个轴的第一自采集数据；
当根据每个轴的所述第一自采集数据和预先存储的每个轴的老化模型确定所述工业机器人不存在老化异常时，获取所述工业机器人运行检测程序时每个轴的第二自采集数据；
根据每个轴的所述第二自采集数据和预先存储的每个轴的检测模型确定所述工业机器人是否发生故障。
2.根据权利要求1所述的方法，其特征在于，所述当根据每个轴的所述第一自采集数据和预先存储的每个轴的老化模型确定所述工业机器人不存在老化异常时，获取所述工业机器人运行检测程序时每个轴的第二自采集数据之前，所述方法还包括：
根据所述工业机器人在工作状态下每个轴的所述第一自采集数据确定所述工业机器人是否存在停机故障；
当所述工业机器人不存在停机故障时，根据每个轴的所述第一自采集数据和每个轴的所述老化模型确定所述工业机器人是否存在老化异常。
3.根据权利要求2所述的方法，其特征在于，所述每个轴的第一自采集数据包括所述每个轴的每个时刻的控制数据和状态数据，所述根据每个轴的所述第一自采集数据和每个轴的所述老化模型确定所述工业机器人是否存在老化异常，包括：
获取所述工业机器人在工作状态下的运行轨迹的轨迹编号、运行负载和运行速度；
对于每个轴，将所述工业机器人在工作状态下的运行轨迹的轨迹编号、运行负载、运行速度、所述轴在第t时刻的所述控制数据和所述轴在第t时刻的所述状态数据输入所述轴的所述老化模型，得到所述轴的所述老化模型输出的所述轴在第t+1时刻的状态数据；
对于每个轴，根据所述轴的所述老化模型输出的所述轴在第t+1时刻的状态数据与所述轴的第一自采集数据中的第t+1时刻的状态数据确定偏差值；
根据所述偏差值确定所述工业机器人是否存在老化异常。
4.根据权利要求1所述的方法，其特征在于，所述每个轴的第二自采集数据包括所述每个轴的每个时刻的控制数据和状态数据，所述根据每个轴的所述第二自采集数据和预先存储的每个轴的检测模型确定所述工业机器人是否发生故障，包括：
对于每个轴，将所述轴在第t时刻的所述控制数据和所述轴在第t时刻的所述状态数据输入所述轴的所述检测模型，得到所述轴的所述检测模型输出的所述轴在第t+1时刻的状态数据；
对于每个轴，根据所述轴的所述检测模型输出的所述轴在第t+1时刻的状态数据与所述轴的第二自采集数据中的第t+1时刻的状态数据确定偏差值；
根据所述偏差值确定所述工业机器人是否发生故障。
5.根据权利要求1所述的方法，其特征在于，所述工业机器人上增设有测试仪器，所述方法还包括：
当根据每个轴的所述第一自采集数据和预先存储的每个轴的老化模型确定所述工业机器人存在老化异常时，和/或，所述工业机器人发生故障时，获取所述工业机器人运行所述检测程序时的外采集数据和每个轴的第二自采集数据，所述外采集数据通过在所述工业机器人上增设的所述测试仪器检测得到；
根据所述外采集数据、所述每个轴的第二自采集数据和所述预先存储的每个轴的检测模型确定所述工业机器人的故障点。
6.根据权利要求2所述的方法，其特征在于，所述方法还包括：
当所述工业机器人存在停机故障时，控制所述工业机器人停机，并生成故障报警，所述故障报警用于指示所述工业机器人存在停机故障。
7.根据权利要求2所述的方法，其特征在于，所述每个轴的第一自采集数据包括多个数据项，所述方法还包括：
当所述工业机器人存在停机故障时，获取所述每个轴的所述第一自采集数据中不符合对应标准的数据项，所述不符合对应标准的数据项用于对所述工业机器人的故障点进行定位。
8.根据权利要求1所述的方法，其特征在于，所述工业机器人预先设置有自检周期，所述当根据每个轴的所述第一自采集数据和预先存储的每个轴的老化模型确定所述工业机器人不存在老化异常时，获取所述工业机器人运行检测程序时每个轴的第二自采集数据，包括：
当根据每个轴的所述第一自采集数据和预先存储的每个轴的老化模型确定所述工业机器人不存在老化异常时，判断所述工业机器人是否处于所述自检周期；
当所述工业机器人处于所述自检周期时，获取所述工业机器人运行检测程序时每个轴的第二自采集数据。
9.根据权利要求1所述的方法，其特征在于，所述当根据每个轴的所述第一自采集数据和预先存储的每个轴的老化模型确定所述工业机器人不存在老化异常时，获取所述工业机器人运行检测程序时每个轴的第二自采集数据，包括：
当根据每个轴的所述第一自采集数据和预先存储的每个轴的老化模型确定所述工业机器人不存在老化异常时，判断所述工业机器人是否处于空闲状态；
当所述工业机器人处于空闲状态时，获取所述工业机器人运行检测程序时每个轴的第二自采集数据。
10.根据权利要求1所述的方法，其特征在于，所述当根据每个轴的所述第一自采集数据和预先存储的每个轴的老化模型确定所述工业机器人不存在老化异常时之前，所述方法包括：
获取工业机器人的运行轨迹集合、运行负载集合和运行速度集合，其中，所述运行轨迹集合中包括工业机器人的多种运行轨迹，所述运行负载集合包括工业机器人的多种工作负载，所述运行速度集合包括工业机器人的多种运行速度；
根据所述运行轨迹集合、所述运行负载集合和所述运行速度集合确定多个老化工况；
根据所述多个老化工况，根据所述工业机器人运行各所述老化工况过程中采集到的每个轴的老化运行数据确定训练样本集；
利用所述训练样本集训练机器学习模型，得到所述老化模型。
11.根据权利要求1所述的方法，其特征在于，所述根据每个轴的所述第二自采集数据和预先存储的每个轴的检测模型确定所述工业机器人是否发生故障之前，所述方法还包括：
对于每个轴，确定所述轴对应的自检速度和自检轨迹；
对于每个轴，将控制每个轴运行所述轴对应的自检速度和自检轨迹过程中采集到的所述轴的自检运行数据作为训练样本集；
对于每个轴，利用所述训练样本集训练机器学习模型，得到所述轴的检测模型。
12.一种工业机器人故障检测装置，其特征在于，所述装置包括：
第一获取模块，用于获取所述工业机器人在工作状态下每个轴的第一自采集数据；
老化异常识别模块，用于当根据每个轴的所述第一自采集数据和预先存储的每个轴的老化模型确定所述工业机器人不存在老化异常时，获取所述工业机器人运行检测程序时每个轴的第二自采集数据；
故障确定模块，用于根据每个轴的所述第二自采集数据和预先存储的每个轴的检测模型确定所述工业机器人是否发生故障。
13.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至11中任一项所述的方法的步骤。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至11中任一项所述的方法的步骤。
CN202010129112.2A 2020-02-28 2020-02-28 工业机器人故障检测方法、装置、计算机设备及存储介质 Active CN112596490B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010129112.2A CN112596490B (zh) 2020-02-28 2020-02-28 工业机器人故障检测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010129112.2A CN112596490B (zh) 2020-02-28 2020-02-28 工业机器人故障检测方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN112596490A true CN112596490A (zh) 2021-04-02
CN112596490B CN112596490B (zh) 2021-09-07

Family

ID=75180293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010129112.2A Active CN112596490B (zh) 2020-02-28 2020-02-28 工业机器人故障检测方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN112596490B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113110245A (zh) * 2021-05-17 2021-07-13 河南中烟工业有限责任公司 机器人的运行状态监测方法
CN116117827A (zh) * 2023-04-13 2023-05-16 北京奔驰汽车有限公司 工业机器人状态监控方法及装置

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1344942A (zh) * 2000-09-29 2002-04-17 罗伯特-博希股份公司 用于检测技术系统如电动机由老化引起的改变的方法及装置
KR100884573B1 (ko) * 2008-06-13 2009-02-19 (주)타우마텍 L c d 백라이트용 램프의 에이징 시스템
CN101446615A (zh) * 2008-12-19 2009-06-03 艾默生网络能源有限公司 一种太阳能方阵管理方法
US20100041621A1 (en) * 2008-08-15 2010-02-18 Perry Renshaw Methods and compositions for improving cognitive performance
US20100191681A1 (en) * 2009-01-23 2010-07-29 Oxfordian, L.L.C. Prognostics and health management method for aging systems
CN201898519U (zh) * 2010-09-01 2011-07-13 燕山大学 带有风险控制的设备维修预警装置
CN102162826A (zh) * 2010-02-16 2011-08-24 哈米尔顿森德斯特兰德公司 气体传感器老化补偿及故障检测
CN102761475A (zh) * 2012-03-27 2012-10-31 西安交通大学 一种基于通道依赖关系图的片上互联网络容错路由方法
CN104462846A (zh) * 2014-12-22 2015-03-25 山东鲁能软件技术有限公司 一种基于支持向量机的设备故障智能诊断方法
CN104573740A (zh) * 2014-12-22 2015-04-29 山东鲁能软件技术有限公司 一种基于svm分类模型的设备故障诊断方法
CN105758423A (zh) * 2014-12-19 2016-07-13 上海亨通光电科技有限公司 一种光纤陀螺光功率开机自检测试方法
CN106199261A (zh) * 2016-07-04 2016-12-07 芯海科技（深圳）股份有限公司 基于互联网的电器老化度持续检测系统及检测方法
CN107733357A (zh) * 2016-08-11 2018-02-23 苏州瑞得恩光能科技有限公司 一种大型光伏电站中电池面板的故障检测算法
CN109595687A (zh) * 2018-12-17 2019-04-09 吉林建筑大学城建学院 电采暖dcs控制系统、系统的故障诊断方法及故障容错方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1344942A (zh) * 2000-09-29 2002-04-17 罗伯特-博希股份公司 用于检测技术系统如电动机由老化引起的改变的方法及装置
KR100884573B1 (ko) * 2008-06-13 2009-02-19 (주)타우마텍 L c d 백라이트용 램프의 에이징 시스템
US20100041621A1 (en) * 2008-08-15 2010-02-18 Perry Renshaw Methods and compositions for improving cognitive performance
CN101446615A (zh) * 2008-12-19 2009-06-03 艾默生网络能源有限公司 一种太阳能方阵管理方法
US20100191681A1 (en) * 2009-01-23 2010-07-29 Oxfordian, L.L.C. Prognostics and health management method for aging systems
CN102162826A (zh) * 2010-02-16 2011-08-24 哈米尔顿森德斯特兰德公司 气体传感器老化补偿及故障检测
CN201898519U (zh) * 2010-09-01 2011-07-13 燕山大学 带有风险控制的设备维修预警装置
CN102761475A (zh) * 2012-03-27 2012-10-31 西安交通大学 一种基于通道依赖关系图的片上互联网络容错路由方法
CN105758423A (zh) * 2014-12-19 2016-07-13 上海亨通光电科技有限公司 一种光纤陀螺光功率开机自检测试方法
CN104462846A (zh) * 2014-12-22 2015-03-25 山东鲁能软件技术有限公司 一种基于支持向量机的设备故障智能诊断方法
CN104573740A (zh) * 2014-12-22 2015-04-29 山东鲁能软件技术有限公司 一种基于svm分类模型的设备故障诊断方法
CN106199261A (zh) * 2016-07-04 2016-12-07 芯海科技（深圳）股份有限公司 基于互联网的电器老化度持续检测系统及检测方法
CN107733357A (zh) * 2016-08-11 2018-02-23 苏州瑞得恩光能科技有限公司 一种大型光伏电站中电池面板的故障检测算法
CN109595687A (zh) * 2018-12-17 2019-04-09 吉林建筑大学城建学院 电采暖dcs控制系统、系统的故障诊断方法及故障容错方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宋屹峰: "基于视觉方法的输电线断股检测与机器人行为规划", 《机器人》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113110245A (zh) * 2021-05-17 2021-07-13 河南中烟工业有限责任公司 机器人的运行状态监测方法
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
CN116117827A (zh) * 2023-04-13 2023-05-16 北京奔驰汽车有限公司 工业机器人状态监控方法及装置

Also Published As

Publication number Publication date
CN112596490B (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
Borgi et al. Data analytics for predictive maintenance of industrial robots
CN110187694B (zh) 故障预测装置以及机器学习装置
CN112596490B (zh) 工业机器人故障检测方法、装置、计算机设备及存储介质
CN101192062B (zh) 用于监测工业机器人的状况的方法和装置
US20200198128A1 (en) Learning data confirmation support device, machine learning device, and failure predicting device
US10036731B2 (en) Weld testing system and method for a welding assembly
US10906116B2 (en) Arc welding system and arc weld determination device
USRE45815E1 (en) Method for simplified real-time diagnoses using adaptive modeling
CN113552840B (zh) 一种机械加工控制系统
CN109693146B (zh) 寿命推定装置以及机器学习装置
CN106813926A (zh) 用于车辆的故障诊断方法
JP6568167B2 (ja) 異常検知装置及び機械学習装置
US20200394092A1 (en) Diagnostic apparatus
CN116755386A (zh) 诊断用数据取得系统、诊断用系统以及计算机可读介质
JP2019165533A (ja) 制御装置
JP2019148971A (ja) 異常要因特定装置
US11803178B2 (en) Event estimation system and event estimation method
CN111788042A (zh) 机器人的预见性分析
JP2019076993A (ja) 工作機械における直動軸の異常診断装置及び異常診断方法、工作機械
US11550305B2 (en) Diagnostic apparatus for generating verification data including at least one piece of abnormal data based on normal data
CN115202962A (zh) 一种基于工业互联网平台的设备故障快速诊断方法和系统
JP2006285734A (ja) 制御装置の診断方法
US20160258841A1 (en) Data measuring device switching communication destination for measuring physical data
US20230311326A1 (en) Monitoring during a robot-assisted process
Park et al. A design of detecting defect devices using ML in simulation robots

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