CN113110245B - 机器人的运行状态监测方法 - Google Patents

机器人的运行状态监测方法 Download PDF

Info

Publication number
CN113110245B
CN113110245B CN202110536478.6A CN202110536478A CN113110245B CN 113110245 B CN113110245 B CN 113110245B CN 202110536478 A CN202110536478 A CN 202110536478A CN 113110245 B CN113110245 B CN 113110245B
Authority
CN
China
Prior art keywords
index
state
robot
obtaining
matrix
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
CN202110536478.6A
Other languages
English (en)
Other versions
CN113110245A (zh
Inventor
兑幸福
闫黎明
闫俊清
周政伟
刘季
李明伟
王淑英
李四新
张献利
袁子真
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 Tobacco Henan Industrial Co Ltd
Original Assignee
China Tobacco Henan Industrial Co Ltd
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 Tobacco Henan Industrial Co Ltd filed Critical China Tobacco Henan Industrial Co Ltd
Priority to CN202110536478.6A priority Critical patent/CN113110245B/zh
Publication of CN113110245A publication Critical patent/CN113110245A/zh
Application granted granted Critical
Publication of CN113110245B publication Critical patent/CN113110245B/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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0428—Safety, monitoring
    • 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
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24024—Safety, surveillance

Abstract

本申请公开了一种机器人的运行状态监测方法，包括：获取当前时刻所述机器人的多个指标的单次采样数据，每个指标的单次采样数据包括多个采样值；依据所述单次采样数据获得每个所述指标的第一特征向量；依据所述指标的第一特征向量获得所述指标的状态指数；若所述指标的状态指数低于第一阈值，则发出报警信息。本申请提前预测机器人的重要指标和重要部位的健康状态，排除潜在的问题隐患，将故障消灭在萌芽中。

Description

机器人的运行状态监测方法
技术领域
本申请涉及机器人技术领域，更具体地，涉及一种机器人的运行状态监测方法。
背景技术
机器人在各个行业应用十分广泛，但由于其自身的封闭性，只能通过手操器等设备查看有限的运行数据和故障报警信息，对机器人的运行状态管理却一直处于“盲区”，由于无法判断设备的运行状态，因此对机器人的维修基本采用的是事后维修策略，只有机器人发生故障停机后才组织人员进行维修，而机器人一般在生产线上承担着重要的工艺任务，停机维修必然影响生产的正常进行，给企业带来巨大的生产成本损失。
发明内容
本申请提供一种机器人的运行状态监测方法，提前预测机器人的重要指标和重要部位的健康状态，排除潜在的问题隐患，将故障消灭在萌芽中。
本申请提供了一种机器人的运行状态监测方法，包括：获取当前时刻所述机器人的多个指标的单次采样数据，每个指标的单次采样数据包括多个采样值；依据所述单次采样数据获得每个所述指标的第一特征向量；依据所述指标的第一特征向量获得所述指标的状态指数；若所述指标的状态指数低于第一阈值，则发出报警信息。
优选地，所述依据所述单次采样数据获得每个所述指标的第一特征向量，包括：依据所述指标的单次采样数据获得所述指标的多个初始特征值；所述指标的多个初始特征值形成所述指标的初始特征向量；对所述指标的初始特征向量进行标准化处理，获得所述指标的第一特征向量。
优选地，所述依据所述指标的第一特征向量获得所述指标的状态指数，包括：计算所述指标的第一特征向量与模式库中所有第二特征向量之间的相似度；依据最大的相似度计算所述指标的状态指数。
优选地，还包括：依据所有指标的状态指数获得所述机器人的各个运动关节上的轴的运行状态；若所述轴的运行状态低于第二阈值，则发出报警信息。
优选地，所述依据所有指标的状态指数获得所述机器人的各个运动关节上的轴的运行状态，包括：依据所有指标构建第一矩阵；依据所述第一矩阵获得每个指标对于所述运动关节上的轴的权重；依据每个指标的权重和状态指数计算所述轴的运行状态。
优选地，还包括：依据所有轴的运行状态获得所述机器人的运行状态；若所述机器人的运行状态低于第三阈值，则发出报警信息。
优选地，所述依据所有轴的运行状态获得所述机器人的运行状态，包括：依据所有轴的运行状态构建第二矩阵；依据所述第二矩阵获得每个轴对于所述机器人的权重；依据每个轴的权重和运行状态计算所述机器人的运行状态。
优选地，还包括对所述单次采样数据进行预处理。
优选地，所述预处理包括：将单次采样数据中的空值和/或异常值替换为前一时刻的对应采样值。
优选地，若当前时刻所述指标的某个采样值与当前时刻所述指标的单次采样均值之间的差大于第四阈值，则所述采样值为异常值。
通过以下参照附图对本申请的示例性实施例的详细描述，本申请的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本申请的实施例，并且连同其说明一起用于解释本申请的原理。
图1为本申请提供的机器人的运行状态监测方法的流程图；
图2是本申请提供的依据单次采样数据获得每个指标的第一特征向量的流程图；
图3为本申请提供的依据指标的第一特征向量获得该指标的状态指数的流程图；
图4是依据所有指标的状态指数获得所述机器人的各个运动关节上的轴的运行状态的流程图。
具体实施方式
现在将参照附图来详细描述本申请的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
本申请提供了一种机器人的运行状态监测方法。如图1所示，机器人的运行状态监测方法包括如下步骤：
S110：获取当前时刻机器人的多个指标的单次采样数据，每个指标的单次采样数据包括多个采样值。
当前时刻的单次采样数据是当前某一时间段(比如1秒钟)内采集到的多个采样值。例如，若采样频率为100hz，那么每秒钟就有100个采样值，这些采样值构成了单次采样数据。
作为一个实施例，上述的多个指标包括但不限于机器人的各个运动关节上的轴的力矩、温度、电流等指标。
S120：依据单次采样数据获得每个指标的第一特征向量。
图2是本申请提供的依据单次采样数据获得每个指标的第一特征向量的流程图。如图2所示，获得每个指标的第一特征向量包括：
S210：依据每个指标的单次采样数据获得该指标的多个初始特征值。
作为一个实施例，每个指标的多个初始特征值包括依据单次采样数据计算的均方根、峰峰值、标准差和绝对值平均值。
其中，指标的均方根计算公式如下：
Figure GDA0003614172030000041
其中，RMSk为第k个指标的均方根，nk为第k个指标的单次采样数据中的采集值的数量，xik为第k个指标的单次采样数据中的第i个采样值。
指标的峰峰值计算公式如下：
PPk＝xkmax-xkmin (2)
其中，PPk为第k个指标的峰峰值，xkmax为第k个指标的单次采样数据中的最大值，xkmin为第k个指标的单次采样数据中的最小值。
指标的标准差计算公式如下：
Figure GDA0003614172030000042
其中，STDk为第k个指标的标准差，
Figure GDA0003614172030000043
为第k个指标的单次采样均值，即第k个指标的单次采样数据中所有采样值的平均值。
指标的绝对值平均值计算公式如下：
Figure GDA0003614172030000044
其中，MEANk为第k个指标的绝对值平均值。
可以理解地，还可以包括本领域技术人员常用的其他统计值，如方差等。
S220：每个指标的多个初始特征值形成该指标的初始特征向量。
上述实施例中，每个指标的均方根、峰峰值、标准差和绝对值平均值形成该指标的初始特征向量Xk(RMSk，PPk，STDk，MEANk)。
S230：对每个指标的初始特征向量进行标准化处理，获得该指标的第一特征向量。
标准化是对不同数据特征维度的伸缩变换，目的是使得不同度量之间的特征具有可比性，这样可以消除量纲的影响，同时又不改变原始数据的分布，即：
Figure GDA0003614172030000045
其中，X′k为第k个指标的第一特征向量，Xk为第k个指标的初始特征向量，μ为所有指标的初始特征向量的均值，σ为所有指标的初始特征向量的标准差。
S130：依据指标的第一特征向量获得指标的状态指数。
图3为本申请提供的依据指标的第一特征向量获得该指标的状态指数的流程图。如图3所示，获得指标的状态指数包括如下步骤：
S310：计算该指标的第一特征向量与模式库中所有第二特征向量之间的相似度。
模式库中存储有每个指标的多个历史特征向量，该历史特征向量该指标在正常状态下的第一特征向量，每个历史特征向量作为一个第二特征向量。
作为一个实施例，可以通过计算S120获得第一特征向量与模式库中的每个第二特征向量的欧式距离，作为二者的相似度。
可以理解地，可以利用第一特征向量与第二特征向量的马氏距离、余弦距离等作为二者的相似度。
S320：依据最大的相似度计算指标的状态指数。
作为一个实施例，利用如下公式计算指标的状态指数
Figure GDA0003614172030000051
其中
Figure GDA0003614172030000052
其中，HIk为第k个指标的状态指数，dk为第k个指标的最大相似度，Xk′和Xj′为第k个第一特征向量和第j个的第二特征向量。
S140：针对每个指标，判断该指标的状态指数是否低于其对应的阈值。若是，则执行S150。
作为一个实施例，指标的状态指数与健康等级对应关系如表1所示。
表1
Figure GDA0003614172030000053
Figure GDA0003614172030000061
S150：发出报警信息。
在上述实施例中，若HIk＜0.75，则发出报警信息。
优选地，若0.6＜HIk＜0.75，则发出退化警报。若0.4＜HIk＜0.6，则发出异常警报。若HIk＜0.4，则发出故障警报。
本申请通过计算机器人的各个指标的状态指数预测各个指标的健康状态，排除潜在的问题隐患，将故障消灭在萌芽中。
在上述的基础上，优选地，本申请还包括对机器人的各个运动关节的轴的运行状态以及对机器人的整体运行状态的预测。
作为一个实施例，对机器人的各个运动关节的轴的运行状态预测包括如下步骤：
P1：依据所有指标的状态指数获得机器人的各个运动关节上的轴的运行状态。
如图4所示，依据所有指标的状态指数获得机器人的各个运动关节上的轴的运行状态，包括：
S410：依据所有指标构建第一矩阵。
S420：依据第一矩阵获得每个指标对于运动关节上的轴的权重。
S430：依据每个指标的权重和状态指数计算轴的运行状态。
作为一个实施例，步骤S410中，利用各个指标对轴的重要性构建对比矩阵，形成第一矩阵。在此基础上，步骤S420中，采用一致性检验方法获得每个指标对于轴的权重。
作为一个实例，在包含电流、力矩、温度三个指标的实施例中，对比矩阵B1为
Figure GDA0003614172030000062
其中行列方向上各指标的顺序为：电流、力矩、温度。
上述对比矩阵的最大特征根λmax1为3.00123355，由此获得不一致程度CI1
Figure GDA0003614172030000071
查表可知，当n＝3时，平均随机一致性指标RI值为0.58，由此获得一致性比率CR1
Figure GDA0003614172030000072
由于CR1<0.1，因此该对比矩阵通过了一致性检验，最大特征根对应的特征向量为
ε＝(-0.88398716,-0.45779227,-0.09483114) (11)
由此，电流对轴的权重为
Figure GDA0003614172030000073
力矩对轴的权重为
Figure GDA0003614172030000074
温度对轴的权重为
Figure GDA0003614172030000075
在此基础上，机器人的每个轴的运行状态为
Hl＝wcur·HIlcur+wtor·HIltor+wtem·HIltem (15)
其中，Hl为第l个轴的运行状态，HIlcur为第l个轴的电流的状态指数，HIltor为第l个轴的力矩的状态指数，HIltem为第l个轴的温度的状态指数。
P2：若轴的运行状态低于阈值，则发出报警信息。
在该优选实施例中，通过预测机器人的各关节的轴的运行状态，对于不符合要求的轴，发出报警提示，方便预先对轴进行维护保养。
作为一个实施例，在上述优选实施例的基础上，对机器人的整体运行状态预测包括如下步骤：
Q1：依据所有轴的运行状态获得机器人的运行状态。
具体地，与获得轴的运行状态相同，依据所有轴的运行状态获得机器人的运行状态时，首先依据所有轴的运行状态构建对比矩阵，形成第二矩阵；然后，采用一致性检验方法依据第二矩阵获得每个轴对于机器人的权重；最后，依据每个轴的权重和每个轴的运行状态计算机器人的运行状态。
作为一个实例，机器人包含六个关节，即六个轴，假设对比矩阵B2为
Figure GDA0003614172030000081
上述对比矩阵的最大特征根λmax2为6.23868836，由此获得不一致程度CI2
Figure GDA0003614172030000082
查表可知，当n＝6时，平均随机一致性指标RI值为1.24，由此获得一致性比率CR2
Figure GDA0003614172030000083
因为一致性比率CR2<0.1，因此该对比矩阵通过了一致性检验，最大特征根对应的特征向量为
ε＝(-0.88561364,-0.35391398,-0.23990624,-0.1455578,-0.08747697,-0.06355372) (19)
把特征向量归一化，解得每个轴所占权重为
1轴 2轴 3轴 4轴 5轴 6轴
0.49865006 0.19927338 0.13508064 0.08195719 0.04925443 0.0357843
在此基础上，机器人的每个轴的运行状态H为
H＝w1·H1+w2·H2+w3·H3+w4·H4+w5·H5+w6·H6 (20)
其中，w1，w2…w6为6个轴对机器人的权重，H1，H2…H6为6个轴的运行状态。
Q2：若机器人的运行状态低于阈值，则发出报警信息。
在该优选实施例中，通过预测机器人的运行状态，若机器人不符合要求，则发出报警提示，方便预先对机器人进行维护保养，避免故障的发生。
由于机器人运行在工业环境下，条件比较恶劣，可能采集到突发的异常值或者空值。因此，优选地，在计算第一特征向量之前还包括对单次采样数据进行预处理。
作为一个实施例，预处理包括将单次采样数据中的空值和/或异常值替换为前一时刻的对应采样值。
具体地，作为一个实施例，若当前时刻某指标的某个采样值与当前时刻该指标的单次采样均值之间的差大于阈值，则该采样值为异常值。
作为一个实例，该阈值为该指标的单次采样标准差的三倍，即若满足
Figure GDA0003614172030000091
则被认定为异常值。
其中，
Figure GDA0003614172030000092
Figure GDA0003614172030000093
其中，
Figure GDA0003614172030000094
为第k个指标的单次采样均值，即第k个指标的单次采样数据中所有采样值的平均值；Sk为第k个指标的单次采样标准差，即第k个指标的单次采样数据中所有采样值的标准差；Ek为第k个指标的单次采样期望值，即第k个指标的单次采样数据中所有采样值的期望值。
若某个采样值为异常值或空值，则用前一时刻的对应采样值替换该采样值。
通过预处理，消除了异常值或空值等无效数据对监测结果的影响，提高了预测的精度。
本申请提前预测机器人的重要指标和重要部位的健康状态，排除潜在的问题隐患，将故障消灭在萌芽中，避免机器人发生故障造成的生产成本损失。
虽然已经通过例子对本申请的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本申请的范围。本领域的技术人员应该理解，可在不脱离本申请的范围和精神的情况下，对以上实施例进行修改。本申请的范围由所附权利要求来限定。

Claims (8)

1.一种机器人的运行状态监测方法，其特征在于，包括：
获取当前时刻所述机器人的多个指标的单次采样数据，每个指标的单次采样数据包括多个采样值；
依据所述单次采样数据获得每个所述指标的第一特征向量；
依据所述指标的第一特征向量获得所述指标的状态指数；
若所述指标的状态指数低于第一阈值，则发出报警信息；
还包括：依据所有指标的状态指数获得所述机器人的各个运动关节上的轴的运行状态；
若所述轴的运行状态低于第二阈值，则发出报警信息；
其中，所述依据所有指标的状态指数获得所述机器人的各个运动关节上的轴的运行状态，包括：
依据所有指标构建第一矩阵，其中，利用各个指标对轴的重要性构建对比矩阵，形成所述第一矩阵；
依据所述第一矩阵获得每个指标对于所述运动关节上的轴的权重，其中，采用一致性检验方法获得每个指标对于轴的权重；
依据每个指标的权重和状态指数计算所述轴的运行状态，其中，通过将每个指标的状态指数与其权重相乘并相加，获得所述轴的运行状态。
2.根据权利要求1所述的机器人的运行状态监测方法，其特征在于，所述依据所述单次采样数据获得每个所述指标的第一特征向量，包括：
依据所述指标的单次采样数据获得所述指标的多个初始特征值；
所述指标的多个初始特征值形成所述指标的初始特征向量；
对所述指标的初始特征向量进行标准化处理，获得所述指标的第一特征向量。
3.根据权利要求1所述的机器人的运行状态监测方法，其特征在于，所述依据所述指标的第一特征向量获得所述指标的状态指数，包括：
计算所述指标的第一特征向量与模式库中所有第二特征向量之间的相似度；
依据最大的相似度计算所述指标的状态指数。
4.根据权利要求1所述的机器人的运行状态监测方法，其特征在于，还包括：
依据所有轴的运行状态获得所述机器人的运行状态；
若所述机器人的运行状态低于第三阈值，则发出报警信息。
5.根据权利要求4所述的机器人的运行状态监测方法，其特征在于，所述依据所有轴的运行状态获得所述机器人的运行状态，包括：
依据所有轴的运行状态构建第二矩阵，其中，依据所有轴的运行状态构建对比矩阵，形成所述第二矩阵；
依据所述第二矩阵获得每个轴对于所述机器人的权重，其中，采用一致性检验方法依据第二矩阵获得每个轴对于机器人的权重；
依据每个轴的权重和运行状态计算所述机器人的运行状态，其中，通过将每个轴的运行状态与其权重相乘并相加，获得所述机器人的运行状态。
6.根据权利要求1所述的机器人的运行状态监测方法，其特征在于，还包括对所述单次采样数据进行预处理。
7.根据权利要求6所述的机器人的运行状态监测方法，其特征在于，所述预处理包括：
将单次采样数据中的空值和/或异常值替换为前一时刻的对应采样值。
8.根据权利要求7所述的机器人的运行状态监测方法，其特征在于，若当前时刻所述指标的某个采样值与当前时刻所述指标的单次采样均值之间的差大于第四阈值，则所述采样值为异常值。
CN202110536478.6A 2021-05-17 2021-05-17 机器人的运行状态监测方法 Active CN113110245B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110536478.6A CN113110245B (zh) 2021-05-17 2021-05-17 机器人的运行状态监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110536478.6A CN113110245B (zh) 2021-05-17 2021-05-17 机器人的运行状态监测方法

Publications (2)

Publication Number Publication Date
CN113110245A CN113110245A (zh) 2021-07-13
CN113110245B true CN113110245B (zh) 2022-07-22

Family

ID=76722431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110536478.6A Active CN113110245B (zh) 2021-05-17 2021-05-17 机器人的运行状态监测方法

Country Status (1)

Country Link
CN (1) CN113110245B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116214582A (zh) * 2023-05-09 2023-06-06 北京惠朗时代科技有限公司 一种基于动态识别的机器人运行监测系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109270900A (zh) * 2018-09-03 2019-01-25 深圳市智物联网络有限公司 一种基于层次分析法的设备状态评价方法及相关设备
CN111324083A (zh) * 2020-03-02 2020-06-23 西南交通大学 一种机械设备关键部件实时监测与预警方法及系统
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
CN112596490A (zh) * 2020-02-28 2021-04-02 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 工业机器人故障检测方法、装置、计算机设备及存储介质
CN112801525A (zh) * 2021-02-04 2021-05-14 三一重工股份有限公司 机械设备的健康状态评估方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8306778B2 (en) * 2008-12-23 2012-11-06 Embraer S.A. Prognostics and health monitoring for electro-mechanical systems and components
EP2284769B1 (en) * 2009-07-16 2013-01-02 European Space Agency Method and apparatus for analyzing time series data
EP3483685A1 (en) * 2017-11-10 2019-05-15 ABB Schweiz AG Data processing device and method for performing problem diagnosis in a production system with a plurality of robots
CN111673733B (zh) * 2020-03-26 2022-03-29 华南理工大学 未知环境下机器人的智能自适应柔顺控制方法
CN111553590B (zh) * 2020-04-27 2021-09-24 中国电子科技集团公司第十四研究所 一种雷达嵌入式健康管理系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109270900A (zh) * 2018-09-03 2019-01-25 深圳市智物联网络有限公司 一种基于层次分析法的设备状态评价方法及相关设备
CN112596490A (zh) * 2020-02-28 2021-04-02 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 工业机器人故障检测方法、装置、计算机设备及存储介质
CN111324083A (zh) * 2020-03-02 2020-06-23 西南交通大学 一种机械设备关键部件实时监测与预警方法及系统
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
CN112801525A (zh) * 2021-02-04 2021-05-14 三一重工股份有限公司 机械设备的健康状态评估方法及装置

Also Published As

Publication number Publication date
CN113110245A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
CN109000940B (zh) 一种机车车辆异常轴温诊断方法及系统
Mahmoud et al. A change point method for linear profile data
Vachtsevanos et al. Fault prognosis using dynamic wavelet neural networks
CA2344908C (en) Model based fault detection and diagnosis methodology for hvac subsystems
JP2002522837A (ja) センサの性能確認装置および方法
CN113110245B (zh) 机器人的运行状态监测方法
Korbicz et al. Neuro-fuzzy networks and their application to fault detection of dynamical systems
CN109298633A (zh) 基于自适应分块非负矩阵分解的化工生产过程故障监测方法
Wang et al. Valve fault detection and diagnosis based on CMAC neural networks
CN109141945B (zh) 一种基于多方向重构的列车轴承故障诊断方法
CN111340367B (zh) 基于多维度关联性数据分析的少油设备状态评估方法及系统
Lu et al. Fault detection, diagnosis, and performance assessment scheme for multiple redundancy aileron actuator
CN111126477A (zh) 一种混合贝叶斯网络的学习与推理方法
Cempel Generalized singular value decomposition in multidimensional condition monitoring of machines—a proposal of comparative diagnostics
CN113496261A (zh) 一种卫星遥测数据的在轨异常监测方法
CN116641941A (zh) 一种基于典型变量分析的液压系统早期故障动态检测方法
CN116961226A (zh) 一种变电站中变压器的监控方法和系统
Lopes et al. Multivariate monitoring of fermentation processes with non-linear modelling methods
US11669082B2 (en) Online fault localization in industrial processes without utilizing a dynamic system model
Ma et al. Process monitoring of the pneumatic control valve using canonical variate analysis
Ahmadi et al. A robust wavelet based profile monitoring and change point detection using S-estimator and clustering
CN112284737A (zh) 一种基于奇异能量谱的矿用破碎机转子碰摩故障诊断方法
CN113406537A (zh) 一种电力设备故障程度的定量评估方法
Li et al. Phase I outlier detection in profiles with binary data based on penalized likelihood
Yang et al. Online approach of fault diagnosis based on lifting wavelets and moving window PCA

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