CN113175959B - 故障检测机器人及其控制方法 - Google Patents
故障检测机器人及其控制方法 Download PDFInfo
- Publication number
- CN113175959B CN113175959B CN202110731283.7A CN202110731283A CN113175959B CN 113175959 B CN113175959 B CN 113175959B CN 202110731283 A CN202110731283 A CN 202110731283A CN 113175959 B CN113175959 B CN 113175959B
- Authority
- CN
- China
- Prior art keywords
- magnetic pole
- detection
- fault
- pole pushing
- current
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J11/00—Manipulators not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J5/00—Manipulators mounted on wheels or on carriages
- B25J5/007—Manipulators mounted on wheels or on carriages mounted on wheels
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manipulator (AREA)
Abstract
本发明提供一种故障检测机器人及其控制方法,该机器人包括行走设备和检测设备,行走设备驱动故障检测机器人在区域内移动;检测设备包括:图像传感器,获取磁极推入设备多个推板的当前姿态图像;振动频率传感器,获取磁极推入设备传动部件的当前振动频率;机械臂,从检测设备的壳体上延伸出来,固定连接有振动频率传感器;第一无线通信模块,用于使得检测控制器与生产执行系统MES通信;检测控制器,根据当前姿态图像确定多个推板是否存在第一故障点,根据当前振动频率确定传动部件是否存在第二故障点,根据第一故障点和/或第二故障点,生成故障预警信息并同步到MES。其可对多个磁极推入设备自主执行故障检测,避免设备中途出现异常而停止工作。
Description
技术领域
本发明涉及智能制造领域的工业机器人,具体涉及故障检测机器人及其控制方法。
背景技术
在大型永磁发电机或者永磁电动机中,包括转子和定子,转子磁轭内壁上有固定的磁钢形成磁极。转子磁轭具有磁极安装面,该磁极安装面的内壁或外壁上安装有多个压条,每个压条是燕尾状的压条。相邻的两个压条之间形成用于安装磁钢的型腔。相邻的两个压条将磁极压入两个压条之间的槽内,从而实现对磁极的装配。
业界通常采用磁极推入设备使磁钢有序固定在转子磁轭的磁极装配面上。在现有比较常用的一种四极磁极推入设备工作中,一次推入四块相邻磁极相反的磁钢构成第一层,然后再推第二层,例如一共是6层。相邻的两个压条之间形成磁极安装槽,每个磁极安装槽内的磁钢的极性是一致的,比如均为南极或者北极,但与其相邻的磁极安装槽中磁钢是另一极,比如北极或者南极。即每一层的四块磁钢分别为N、S、N、S,同一个磁极安装槽内的磁钢的极性是相同的。在这个四个磁极安装槽内推满磁钢后,磁极推入设备再往另外四个磁极安装槽中推入磁钢。如此反复,最终把转子磁轭上的磁钢装满。即最后让整个转子磁轭的内壁或外壁上布满磁极,两个压条间为一个磁极,两个压条间的磁极安装槽内装配有6块或多块同极性磁钢。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:多个磁钢相互之间有吸、斥作用力,该作用力大小随着磁钢之间相对位置的变化而发生复杂的变化。另外,磁钢与转子磁轭间也有吸力,所以磁极推入设备在往转子磁轭上推磁钢的作业过程中,整个传动机构会受到较大的且变化复杂的反作用力。同时,磁钢材质较脆,在被推动过程中磁钢的边角会有少部分破碎形成碎渣蹦弹到磁极推入设备上。基于以上原因,磁极推入设备的推板容易发生松动,磁极推入设备的传动皮带容易磨损、拉长变形且内部容易卡滞有磁钢碎渣等故障。如上述故障不能及时排除,则会影响发电机磁极的安装精度。
磁极安装工艺对于永磁电机的可靠性非常关键,磁极安装不好会对电机性能有较大影响,因此磁极推入设备应该可靠。一旦磁极推入设备在执行作业过程中出现故障,中途停止工作或作业结果出现偏差后,处理这些大块磁钢非常麻烦。但是现有技术中,工人为保障磁极装配工艺的符合度,采用定期对磁极推入设备进行维护保养的方法,工人凭借经验诊断故障、记录设备保养时间和状态,不仅耗时费力,也存在过度保养造成浪费、人工判断不准确等问题。现有风电设备工厂中,不具有针对磁极推入设备的故障检测智能机器人,无法对一条生产线上的多个磁极推入设备自主执行有规律的科学检测。
发明内容
有鉴于此,本发明实施例的目的在于提供一种磁极推入设备的故障检测机器人及其控制方法,以实现对生产线上的多个磁极推入设备执行自主故障预测巡检,避免磁极推入设备异常中途停止工作。
第一方面,本发明实施例提供了一种磁极推入设备的故障检测机器人,用于多个磁极推入设备进行故障检测,其包括行走设备和检测设备;
所述检测设备安装在所述行走设备上,所述检测设备包括壳体,所述检测设备还包括:
图像传感器,设置于所述壳体的顶部,用于获取磁极推入设备的多个推板的当前姿态图像;
振动频率传感器,用于获取所述磁极推入设备的传动部件的当前振动频率;
机械臂,从所述检测设备的壳体上延伸出来,所述机械臂的末端执行器上固定连接有所述振动频率传感器,所述机械臂用于将所述振动频率传感器与所述传动部件接触以检测所述传动部件的当前振动频率;
第一无线通信模块,用于检测控制器与生产执行系统MES通信;
所述检测控制器,与所述图像传感器、所述振动频率传感器、所述机械臂和所述第一无线通信模块连接,用于根据所述多个推板的当前姿态图像确定所述多个推板是否存在第一故障点,根据所述磁极推入设备的传动部件的当前振动频率确定所述传动部件是否存在第二故障点,以及根据所述第一故障点和/或所述第二故障点,生成预测的第一故障预警信息,并且通过所述第一无线通信模块将所述第一故障预警信息同步到所述MES,所述第一故障预警信息用于请求将所述磁极推入设备在本道磁极推入工序结束后停止作业并且进入待检修状态。
在一些可能的实施方式中,所述检测控制器,具体可以用于:
将所述多个推板的当前姿态图像,对应与所述多个推板的预设的标准姿态图像进行比较,获得姿态比较结果,根据所述姿态比较结果确定所述多个推板是否存在第一故障点;或者,
测量所述多个推板的当前姿态图像对应的垂直度,根据测量的垂直度和预设的垂直度范围,确定所述多个推板是否存在第一故障点;
其中,所述第一故障点指示所述多个推板的连接螺栓发生松动和/或所述多个推板发生倾斜。
在一些可能的实施方式中,所述传动部件是所述磁极推入设备内部的直线单元的传动皮带,所述振动频率传感器包括压电式加速度传感器,用于检测所述传动皮带的当前振动频率;所述机械臂用于将所述压电式加速度传感器与所述传动皮带接触以检测所述传动皮带的当前振动频率。
在一些可能的实施方式中,所述故障检测机器人配置有用于识别传动皮带的图像识别系统和用于检测压电式加速度传感器与传动皮带之间的距离的测距传感器;所述检测控制器具体用于:控制所述行走设备移动到预先确定的检测位置,控制所述机械臂进行伸展;在所述机械臂的伸展过程中,开启所述图像识别系统对所述传动皮带进行识别;在识别所述传动皮带之后,控制引导所述机械臂向所述传动皮带的预定检测区域靠近,启动所述测距传感器实时监测所述压电式加速度传感器与所述传动皮带之间的距离,并且判断是否接收到所述压电式加速度传感器回传的检测数据;当检测到所述压电式加速度传感器与所述传动皮带之间的距离为零或者处于预设的距离范围内,并且接收到所述压电式加速度传感器回传的检测数据时,确定所述压电式加速度传感器已被放置在所述传动皮带的预定检测区域上并且所述压电式加速度传感器与所述传动皮带发生贴合接触。
在一些可能的实施方式中,所述检测设备还可以包括:存储器,用于记录每个磁极推入设备的每次的检测时间和检测结果;所述检测控制器还可以用于从所述生产执行系统MES获取每个磁极推入设备对应的生产工序信息,并且根据每个磁极推入设备对应的生产工序信息,以及所述存储器中记录的每个磁极推入设备最近一次的检测时间,确定多个待检测的磁极推入设备的标识,以及多个待检测的磁极推入设备的检测顺序;其中,所述生产工序信息包括:每个磁极推入设备处于空闲状态对应的时刻信息和每个磁极推入设备处于使用状态对应的时刻信息。
在一些可能的实施方式中,所述检测控制器具体可以用于根据所述每个磁极推入设备处于空闲状态对应的时刻信息、每个磁极推入设备处于使用状态对应的时刻信息和每个磁极推入设备最近一次的检测时间,确定距离上一次检测后累积工作时长大于预设的时长阈值并且当前处于工作状态的待检测的多个目标磁极推入设备,按照累积工作时长的降序排列结果确定所述多个目标磁极推入设备的检测顺序,进而根据所述检测顺序对所述多个目标磁极推入设备自动地依次进行故障检测。
在一些可能的实施方式中,所述故障检测机器人还包括定位模块,用于获取故障检测机器人当前的位置信息;
所述检测控制器具体用于:确定距离上一次检测后累积工作时长大于预设的时长阈值并且当前处于工作状态的待检测的多个目标磁极推入设备;按照累积工作时长的降序排列结果确定所述多个目标磁极推入设备的第一检测优先级;根据所述故障检测机器人当前的位置信息和预先输入的多个磁极推入设备的坐标信息,确定多个目标磁极推入设备的第二检测优先级;根据所述第一检测优先级和所述第二检测优先级,确定最终的检测顺序;根据所述最终的检测顺序规划最优检测路径,根据所述最优检测路径对所述多个目标磁极推入设备依次进行故障检测;其中,所述多个磁极推入设备固定设置在同一条生产线上。
在一些可能的实施方式中,所述检测控制器,具体可以用于将所述磁极推入设备的传动部件的当前振动频率输出为表征电压变化的电压波形图;采用连续小波变换对所述电压波形图进行处理;将处理后的电压波形图转换成对应的时频图;将所述时频图输入深度卷积残差网络模型,获得所述深度卷积残差网络模型的输出结果,根据所述深度卷积残差网络模型的输出结果确定所述传动部件是否存在第二故障点。
在一些可能的实施方式中,所述磁极推入设备包括:伺服电机,用于驱动传动皮带进行传动;安装于所述伺服电机上的霍尔电流传感器,用于监测所述伺服电机的工作电流;存储模块,用于存储监测到的伺服电机的工作电流;第二无线通信模块,用于将监测到的伺服电机的工作电流无线发送至所述故障检测机器人的检测控制器;
所述检测控制器,还用于与所述霍尔电流传感器无线通信,获取所述伺服电机的工作电流,将所述伺服电机的工作电流输入预先训练好的最小二乘支持向量机模型LS-SVM,获得所述传动皮带的当前的厚度数据,根据所述传动皮带的当前的厚度数据确定所述传动皮带是否存在第三故障点;所述第三故障点表示需要立即更换所述传动皮带;当确定需要立即更换所述传动皮带时,生成第二故障预警信息,并且通过所述第一无线通信模块将所述第二故障预警信息同步到所述MES,所述第二故障预警信息用于请求将所述磁极推入设备在本道磁极推入工序结束后停止作业并且更换所述传动皮带;当确定不存在第三故障点时,根据所述传动皮带的当前的厚度数据确定所述传动皮带的剩余使用寿命,根据所述传动皮带的剩余使用寿命确定所述磁极推入设备的磁极推入作业的剩余作业次数,生成第三故障预警信息并且同步至所述MES,所述第三故障预警信息用于请求在所述剩余作业次数达到后,将所述磁极推入设备停止作业并且进入待检修状态。
第二方面,提供一种故障检测机器人的控制方法,所述故障检测机器人是前述的故障检测机器人,所述控制方法包括:
获取磁极推入设备的多个推板的当前姿态图像;
获取所述磁极推入设备的传动部件的当前振动频率;
根据所述多个推板的当前姿态图像,确定所述多个推板是否存在第一故障点;
根据所述磁极推入设备的传动部件的当前振动频率,确定所述传动部件是否存在第二故障点;
根据所述第一故障点和/或所述第二故障点,生成预测的第一故障预警信息,其中,所述第一故障预警信息用于请求将所述磁极推入设备在本道磁极推入工序结束后停止作业并且进入待检修状态;
将所述第一故障预警信息同步到生产执行系统MES。
在一些可能的实施方式中,所述的根据所述多个推板的当前姿态图像,确定所述多个推板是否存在第一故障点,具体可以包括:
将所述多个推板的当前姿态图像,与所述多个推板的预设的标准姿态图像进行比较,获得姿态比较结果,根据所述姿态比较结果确定所述多个推板是否存在第一故障点;或者,
测量所述多个推板的当前姿态图像对应的垂直度,根据测量的垂直度和预设的垂直度范围,确定所述多个推板是否存在第一故障点;或者,
采用基于深度卷积神经网络的YOLO V3算法和所述多个推板的当前姿态图像,确定所述多个推板是否存在第一故障点;
其中,所述第一故障点指示所述多个推板的连接螺栓发生松动和/或所述多个推板发生倾斜。
在一些可能的实施方式中,所述的根据所述磁极推入设备的传动部件的当前振动频率,确定所述传动部件是否存在第二故障点,具体可以包括:
根据所述磁极推入设备的传动部件的当前振动频率和所述传动部件的预设的标准振动频率范围,确定所述传动部件是否存在第二故障点。
在一些可能的实施方式中,所述的根据所述磁极推入设备的传动部件的当前振动频率,确定所述传动部件是否存在第二故障点,具体可以包括:
将所述磁极推入设备的传动部件的当前振动频率输出为表征电压变化的电压波形图;
采用连续小波变换CWT对所述电压波形图进行处理;
将处理后的电压波形图转换成对应的时频图;
将所述时频图输入深度卷积残差网络模型,获得所述深度卷积残差网络模型的输出结果;其中,所述深度卷积残差网络模型包括卷积层、池化层和全连接层;所述卷积层包括多个卷积核;所述深度卷积残差网络模型采用线性整流函数ReLU作为激活函数;
根据所述深度卷积残差网络模型的所述全连接层输出的分类结果确定所述传动部件是否存在第二故障点。
在一些可能的实施方式中,所述深度卷积残差网络模型的全连接层采用Adma算法对损失函数进行优化,其中基础学习率设置为0.1,衰减率设置为0.9,损失函数为:
上述技术方案具有如下有益效果:
本发明实施例的磁极推入设备的故障检测机器人及其控制方法,能够对一条生产线上的多个磁极推入设备自主执行有规律的科学检测,从而实现精准维护保养,避免对生产和产品造成不良影响。
本发明实施例的故障检测机器人可以对磁极推入设备实施静态检测和动态检测,静态检测用于检测多个推板的当前姿态是否正确,动态检测用于检测直线单元内部的传动部件的振动频率是否正常。
该故障检测机器人根据第一故障点和第二故障点进行分析,确定是否报警,如果要报警,则生成预测的第一故障预警信息,并且通过第一无线通信模块将第一故障预警信息同步到生产执行系统MES,该第一故障预警信息用于请求将磁极推入设备在本道磁极推入工序结束后停止作业并且进入待检修状态,从而能够实现精准预测性维护和故障预判,避免磁极推入设备工作过程中发现中途停机。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的故障检测机器人的结构示意图;
图2是本发明实施例的磁极推入设备的结构示意图;
图3是本发明实施例的故障检测机器人在工厂内的工作场景示意图;
图4是本发明实施例的故障检测机器人的逻辑功能框图;
图5是本发明实施例中磁极推入设备的设备工作状态与设备空闲状态映射图;
图6是本发明实施例的故障检测机器人应用场景及其检测路径规划示意图;
图7是本发明实施例的一种故障检测机器人的控制方法的流程图;
图8是本发明实施例的卷积神经网络Darknet-53的网络结构示意图;
图9是本发明实施例对收集到的振动信号进行可视化处理提到的波形图;
图10是本发明实施例的卷积残差网络的结构示意图。
附图标号说明:
100、故障检测机器人;110、行走设备;120、检测设备;121、壳体;122、图像传感器;123、振动频率传感器;124、机械臂;125、第一无线通信模块;126、检测控制器;127、存储器;128、定位模块;
200、磁极推入设备;210、伺服电机;220、直线单元;230、推板;240、弧形连接板;250、底座;221、固定杆;222、传动皮带;Z1、振动频率测试区;Z2、机器人驻留区;Z3、机器人检测站位;P1、检测路径
200a、第一磁极推入设备;200b、第二磁极推入设备;200c、第三磁极推入设备;200d、第四磁极推入设备;200e、第五磁极推入设备;200f、第六磁极推入设备;300a、第一待装配的永磁电机转子;300b、第二待装配的永磁电机转子;300c、第三待装配的永磁电机转子。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了保证这个生产过程中平稳,减少磁极推入设备在生产过程中停摆造成对生产效率的影响,本发明的实施例提供一种磁极推入设备的故障检测机器人及其控制方法。
图1是本发明实施例的磁极推入设备的故障检测机器人的结构示意图。如图1所示,本发明实施例提供一种故障检测机器人100,用于对一片区域内分布的多个磁极推入设备200进行故障检测,其包括行走设备110和检测设备120,该行走设备110用于驱动故障检测机器人100在上述区域内移动,并具备行走避障功能;该检测设备120安装在行走设备110上,检测设120备包括壳体121,检测设备120还包括:
图像传感器122,设置于壳体121的顶部,用于获取磁极推入设备200的多个推板的当前姿态图像;
振动频率传感器123,用于获取磁极推入设备200的传动部件的当前振动频率;
机械臂124,从检测设备120的壳体121上延伸出来,机械臂124的末端执行器上固定连接有振动频率传感器123,机械臂124用于将振动频率传感器123与传动部件接触以检测传动部件的当前振动频率;
第一无线通信模块125,用于使得检测控制器126与生产执行系统MES通信;
检测控制器126,与图像传感器122、振动频率传感器123、机械臂124和第一无线通信模块125连接,用于根据多个推板的当前姿态图像确定多个推板是否存在第一故障点,根据磁极推入设备200的传动部件的当前振动频率确定传动部件是否存在第二故障点,以及根据第一故障点和/或第二故障点,生成预测的第一故障预警信息,并且通过第一无线通信模块125将第一故障预警信息同步到MES,第一故障预警信息用于请求将磁极推入设备200在本道磁极推入工序结束后停止作业并且进入待检修状态。
在一个示例中,MES在收到上述第一故障预警信息后,控制磁极推入设备200在本道工序结束后停止作业进入待检修状态,同时通过短信或者APP发送信息到设备管理员的终端进行处理。MES系统在汽车、航空、风电装配、机加工等行业已盛行使用,它是处于生产控制系统和生产管理信息系统之间的执行层,包括计划排产、生产进度管理、设备管理等多个模块,在数字化车间领域有着举足轻重的作用。
本实施例的优点在于:该故障检测机器人100根据第一故障点和/或第二故障点进行分析,确定是否报警,如果要报警,则生成预测的第一故障预警信息,并且通过第一无线通信模块125将第一故障预警信息同步到生产执行系统MES,该第一故障预警信息用于请求将磁极推入设备200在本道磁极推入工序结束后停止作业并且进入待检修状态,从而能够实现精准预测性维护和故障预判,避免磁极推入设备200工作过程中中途停机。在故障检测机器人对多个磁极推入设备的自主检测过程中,检测到有故障就进行维护,没有故障就不进行维护,允许磁极推入设备继续工作,从而可以实现对工厂专用关键设备的精准维护,并且避免过度维护。通过机器人代替人可对智能工厂内的多个磁极推入设备进行自动化故障检测,实现无人值守的自动化检测工作。另外,该故障检测机器人可自动充电,从而实现检测工作的全自动化。
在一个示例中,机械臂含有至少3-6个自由度,机器人的检测控制器用于控制机械臂124各个关节的旋转角度,以及控制机械臂124末端上的执行器的位姿。在一个示例中,行走设备可配置有导航系统,包括:视觉定位导航系统、超声波定位导航系统、红外线定位导航系统、iBeacon定位导航系统、激光定位导航系统、或者及时定位与地图构建SLAM系统。
图2是本发明实施例的磁极推入设备的结构示意图。如图2所示,该磁极推入设备200包括:伺服电机210、直线单元220、用于推磁钢的多个推板230、弧形连接板240和底座250;直线单元220包括固定杆221和传动皮带222,固定杆221相对于底座250固定,固定杆221支撑传动皮带222,固定杆221的两端分别是传动端和固定端,伺服电机210设置在固定杆221顶部的传动端,伺服电机210驱动传动皮带222相对于固定杆221进行传动,传动皮带222在传动端和固定端进行180转向;弧形连接板240通过螺接或粘接的方式固定于传动皮带222上,多个推板230间隔分布固定在弧形连接板240上;传动皮带222部分地暴露于固定杆221的外部,构成振动频率测试区Z1。当推入磁钢时,传动皮带222可正转,带动弧形连接板240、推板230和磁钢向上运动。在推入磁钢之后,传动皮带222可反转,以带动弧形连接板240和推板230向下运动至初始位置。
在一些实施例中,检测控制器126,具体可以用于:将多个推板的当前姿态图像,与多个推板的预设的标准姿态图像进行比较,获得姿态比较结果,根据姿态比较结果确定多个推板是否存在第一故障点;或者,测量多个推板的当前姿态图像对应的垂直度,根据测量的垂直度和预设的垂直度范围,确定多个推板是否存在第一故障点;其中,第一故障点指示多个推板的连接螺栓发生松动和/或多个推板发生倾斜。由于磁钢与转子有强大吸力,多个磁钢间磁力(吸、斥)相互作用很复杂,所以磁钢在推入过程中有振动,会导致设备结构松动。松动后的表现可能包括:1,磁钢被向上推动行走后,边角碎渣变多。因为设备结构松动后,磁钢块所受推力方向发生变化,碰撞变多。2,阻力变大,当有磁钢碎渣在磁钢的背后时,肉眼难以观察,但磁钢块滑动阻力变大,且变的不规律,体现在传送皮带的振动较正常情况发生变化,可以此判断是否发生故障。
在一些实施例中,检测控制器126,具体可以用于根据磁极推入设备200的传动部件的当前振动频率和传动部件的预设的标准振动频率范围,确定传动部件是否存在第二故障点。
在一些实施例中,传动部件可以是磁极推入设备内部的直线单元的传动皮带,振动频率传感器可以包括但不限于压电式加速度传感器,用于检测传动皮带的当前振动频率;机械臂用于将压电式加速度传感器与传动皮带接触以检测传动皮带的当前振动频率。BZ11系列压电式加速度传感器具有以下特点:1、有着更宽的高频响应范围,使得其更适合在宽频带范围内测量;2、传感器的低频特性得到明显改善,使其拥有了高灵敏度的低频测量能力;3、输出电流为4-20mA,同时测量噪声小,抗干扰能力极强,适合长远距离的精准测量;4、内部基准得到补偿,因而时间与温度稳定性大大提升,具备长期稳定监测能力;5、采用归一化输出,不需要单独为其设定灵敏度参数,具有良好的互换性,适合多点集群式测量;6、具备较强的过载能力,且防尘、防潮、防腐蚀,可以胜任任何恶劣环境内的测量;7、利用加速度传感器特有的输出特性,使传感器具备自检功能,进而拥有高可靠性测量能力;8、采用两线制接线,地电流不会对测量产生干扰,方便使用。
本发明实施例可采用多种手段来控制引导机械臂将压电式加速度传感器与传动皮带贴合接触。第一种方式,故障检测机器人移动到预先确定的检测位置,然后控制机械臂伸展至预设的长度,从而使压电式加速度传感器与传动皮带接触。第二种方式,该故障检测机器人配置有用于识别传动皮带的图像识别系统和用于检测压电式加速度传感器与传动皮带之间的距离的测距传感器,通过该图像识别系统对传动皮带进行识别定位,以便于引导机械臂将所述振动频率传感器放置于传送皮带的测试区域,通过测距传感器例如激光雷达来确定压电式加速度传感器与传动皮带之间的距离,当两者的距离为零或者处于预定的合理距离范围内时,检测控制器确定压电式加速度传感器已被放置在传动皮带的预定检测区域上。第三种方式,检测控制器判断是否接收到压电式加速度传感器回传的检测数据,如果接收到检测数据,则代表压电式加速度传感器与传动皮带已经正常接触上了,否则代表压电式加速度传感器与传动皮带未发生接触。第四种方式是上述三种方式的结合:首先,故障检测机器人移动到预先确定的检测位置,控制机械臂进行伸展;然后,在展开机械臂的过程中或者在机械臂伸展之前,检测控制器开启图像识别系统对传动皮带进行识别,在识别传动皮带之后,控制引导机械臂向所述传动皮带的预定检测区域靠近,启动测距传感器实时监测压电式加速度传感器与传动皮带之间的距离,并且判断是否接收到压电式加速度传感器回传的检测数据;最后,当检测控制器检测到压电式加速度传感器与传动皮带之间的距离为零或者处于预定的合理距离范围内,并且接收到压电式加速度传感器回传的检测数据时,检测控制器确定压电式加速度传感器已被放置在传动皮带的预定检测区域上并且两者发生接触。为了提高对传动皮带的当前振动频率的检测精度、准确度和检测数据的可靠性,本实施例可对进行交替多次检测,根据交替多次检测结果确定最终的检测结果。交替多次检测是指在磁极推入设备上行推磁钢时,检测传动皮带的振动频率;在磁极推入设备下行回归到初始位置并且处于静止状态时,检测多个磁钢推板的姿态是否倾斜;如此交替多次检测,分别根据多次检测数据获得更加准确可靠误差小的检测结果。本实施例的故障检测机器人可以实现预测性的故障巡检,根据预测的故障预警信息提前维修避免重大故障而影响永磁电机的装配质量,同时也可避免过度维护。
图3是本发明实施例的故障检测机器人在工厂内的工作场景示意图。如图3所示,该故障检测器人的工作场景可以是智能工厂内部的永磁电机装配车间,在该车间中有多条生产线,每条生产线上设置有多个磁极推入设备,向待装配的永磁电机的转子磁轭的磁极装配面上推入磁极。上述车间或者生产线构成该故障检测机器人进行巡检和故障预测的目标区域。
本发明实施例的故障检测机器人可实施静态检测和动态检测,静态检测用于检测四个推板在推磁钢之前的垂直度和推板当前的垂直度,动态检测用于检测直线单元内部的皮带的振动频率。
本发明实施例的故障检测机器人能够移动到磁极推入设备附近进行至少两类检测。第一类检测,是静态检测,故障检测机器人检测四个推板有没有倾斜,四个推板的螺栓有没有松动,本来四个推板是垂直往上推,故障检测机器人判断这四个推板有没有倾斜,故障检测机器人可以完成对四个推板的静态检测,以检测四个推板的位置和方向。故障检测机器人通过摄像头去拍摄四个推板的图像,以判定四个推板的位置有没有变动从而判断螺栓有没有松动,当故障检测机器人检测到四个推板的位置发生倾斜,那么故障检测机器人判定可能有问题,即存在第一故障点。第二类检测,是动态测频率,当四个推板被皮带带动往上推的时候,故障检测机器人可以通过机械臂把频率测试仪放到皮带上,检测皮带的振动频率,如果故障检测机器人检测到皮带的振动频率和正常的振动频率不一样,则确定存在第二故障点。故障检测机器人根据第一故障点和第二故障点进行分析,确定是否报警,如果要报警,则请求MES控制该磁极推入设备在本道装配工序结束后停下来进行检修,以实现精准预测性维护和故障预判。
图4是本发明实施例的故障检测机器人的逻辑功能框图。如图4所示,在一些实施例中,检测设备120还可以包括:存储器127,用于记录每个磁极推入设备200的每次的检测时间和检测结果;检测控制器126还可以用于从生产执行系统MES获取每个磁极推入设备对应的生产工序信息,并且根据每个磁极推入设备200对应的生产工序信息,以及存储器127中记录的每个磁极推入设备200最近一次的检测时间,确定多个待检测的磁极推入设备的标识,以及多个待检测的磁极推入设备的检测顺序;其中,生产工序信息包括:每个磁极推入设备200处于空闲状态对应的时刻信息和每个磁极推入设备200处于使用状态对应的时刻信息。
图5是本发明实施例中磁极推入设备的设备工作状态与设备空闲状态映射图。在工厂生产执行系统(MES)提供的生产工序信息中,以永磁电机转子装配工序为例,101-109是第一个产品(例如永磁电机转子)的生产工序节拍图,201-208是第二个产品的部分生产工序节拍图,301-306是第三个产品的部分生产工序节拍图,每个方框代表一个工序的节拍。带阴影的方框表示这个工序要使用本图所述的生产设备,即:执行这个生产工序过程中,该设备是使用状态,记为1;反之设备为空闲状态,记为0。根据当天生产计划可以推导出这个磁极推入设备什么时候闲,什么时候忙。
在一些实施例中,检测控制器126具体可以用于根据每个磁极推入设备200处于空闲状态对应的时刻信息、每个磁极推入设备200处于使用状态对应的时刻信息和每个磁极推入设备200最近一次的检测时间,确定距离上一次检测后累积工作时长大于预设的时长阈值并且当前处于工作状态的待检测的多个目标磁极推入设备,按照累积工作时长的降序排列结果确定多个目标磁极推入设备的检测顺序,根据检测顺序对多个目标磁极推入设备自主地依次进行自动故障检测。
具体地,该故障检测机器人100具有循环检测功能:故障检测机器人与工厂的生产执行系统(Manufacturing Execution System,MES)连接,这样故障检测机器人就知道哪个磁极推入设备当前在工作,哪个磁极推入设备当前处于休息或空闲状态。而且,故障检测机器人根据MES系统发送的生产工序信息以及记录的每个磁极推入设备上一次的检测时间,能够确定每个磁极推入设备的累积工作时长,当任意一台磁极推入设备的累积工作时长大于预设时长阈值后,对该磁极推入设备重新执行故障检测。例如,上次检测完之后,如果任意的待检测设备连续工作或者是间隔性的工作满十个小时,故障检测机器人则对该磁极推入设备进行下一次检测。因此,故障检测机器人在工厂内不断地对满足检测启动条件的磁极推入设备执行检测。
在一些实施例中,故障检测机器人还包括定位模块128,用于获取故障检测机器人100当前的位置信息;
检测控制器126具体还可以用于:确定距离上一次检测后累积工作时长大于预设的时长阈值并且当前处于工作状态的待检测的多个目标磁极推入设备;按照累积工作时长的降序排列结果确定多个目标磁极推入设备的第一检测优先级;根据故障检测机器人当前的位置信息和预先输入的多个磁极推入设备的坐标信息,确定多个目标磁极推入设备的第二检测优先级;根据第一检测优先级和第二检测优先级,确定最终的检测顺序;根据最终的检测顺序规划最优检测路径,根据最优检测路径对多个目标磁极推入设备依次进行故障检测;其中,多个磁极推入设备固定设置在同一条或者多条生产线上。同一条生产线上的多个磁极推入设备是固定在该生产线上,每个磁极推入设备的坐标信息是固定的。每个磁极推入设备具有标识信息,例如编号、条形码、或者二维码,本实施例预先将每个磁极推入设备的编号,以及每个磁极推入设备的坐标信息输入至故障检测机器人,以使其移动到相应的坐标信息处执行故障检测。在一个示例中,上述预设时长阈值可以为但不限于10小时。
在一些实施例中,检测控制器126,具体可以用于将磁极推入设备200的传动部件的当前振动频率输出为表征电压变化的电压波形图;采用连续小波变换CWT对所述电压波形图进行处理;将处理后的电压波形图转换成对应的时频图;将时频图输入深度卷积残差网络模型,获得深度卷积残差网络模型的输出结果,根据深度卷积残差网络模型的输出结果确定传动部件是否存在第二故障点。在可替换的实施例中,检测控制器126,具体还可以用于当根据深度卷积残差网络模型的输出结果确定传动部件存在第二故障点,并且磁极推入设备的传动部件的当前振动频率或一段时间内的振动频率均值或者振动频率的数学期望值没有处于传动部件的预设的标准振动频率范围内时,确定传动部件存在第二故障点。采用这种方式可实现联合相互校验,提高针对第二故障点检测的准确度。
在一些实施例中,磁极推入设备200包括:伺服电机210,用于驱动传动皮带222进行传动;安装于伺服电机210上的霍尔电流传感器,用于监测伺服电机210的工作电流;存储模块,用于存储监测到的伺服电机210的工作电流;第二无线通信模块(未绘出),用于将监测到的伺服电机210的工作电流无线发送至故障检测机器人的检测控制器126;
检测控制器126,还用于与霍尔电流传感器无线通信,获取伺服电机210的工作电流,将伺服电机210的工作电流输入预先训练好的最小二乘支持向量机模型LS-SVM,获得传动皮带的当前的厚度数据,根据传动皮带222的当前的厚度数据确定传动皮带222是否存在第三故障点;所述第三故障点表示需要立即更换传动皮带222;当确定需要立即更换传动皮带222时,生成第二故障预警信息,并且通过第一无线通信模块将第二故障预警信息同步到MES,第二故障预警信息用于请求将磁极推入设备在本道磁极推入工序结束后停止作业并且更换传动皮带222;当确定不存在第三故障点时,根据传动皮带222的当前的厚度数据确定传动皮带222的剩余使用寿命,根据传动皮带222的剩余使用寿命确定磁极推入设备200的磁极推入作业的剩余作业次数,生成第三故障预警信息并且至同步MES,第三故障预警信息用于请求在剩余作业次数达到后,将磁极推入设备200停止作业并且进入待检修状态。
可选地,伺服电机210也可以通过第二无线通信模块将监测到的伺服电机210的工作电流数据无线发送到生产执行系统MES,由MES将伺服电机210的工作电流数据转发检测控制器126。发送到MES的原因在于,MES可对伺服电机210的工作电流数据进行记录和统一管理。
图6是本发明实施例的故障检测机器人应用场景及其检测路径规划示意图。如图6所示,在永磁电机的一条生产线上,对于转子装配有很多工序,例如清理、喷砂、翻转、磁极推入等工序,在生产线上不同的工位对应于不同的生产工序。图6中重点示出了磁极推入工序,磁极推入工序以外的工序以其他工序表示。在图6中示出了三条生产线,但不以此为限,在实际中可以有更多的生产线。在生产线1上具有第一待装配的永磁电机转子300a,第一磁极推入设备200a和第二磁极推入设备200b对第一待装配的永磁电机转子300a进行磁极装配作业。在生产线2上具有第二待装配的永磁电机转子300b,第三磁极推入设备200c和第四磁极推入设备200d对第二待装配的永磁电机转子300b进行磁极装配作业。在生产线3上具有第三待装配的永磁电机转子300c,第五磁极推入设备200e和第六磁极推入设备200f对第三待装配的永磁电机转子300c进行磁极装配作业。可选地,多个磁极推入设备同时作业的效率高,比如一条生产线上也可以对称地放3个或更多的磁极推入设备。故障检测机器人具有机器人驻留区Z2,其可在机器人驻留区Z2待机和充电,并从机器人驻留区Z2出发,根据规划好的检测路径P1对多个磁极推入设备执行自主故障巡检。检测路径P1作为故障检测机器人的双向行走路径,其可在该检测路径上来回住返移动,实现检测路径最短、检测总耗时最短、检测能耗最低中的一个或多个目标。每个磁极推入设备均对应设置有一个检测位置,作为机器人检测站位Z3。该故障检测机器人可应用于但不限于风电发电智能工厂内或者高铁永磁电机的制造工厂中。机器人的检测控制器针对每台磁极推入设备,综合以下信息:距离上一次检测后的累计工作时长;以及,预设的设备检测周期,自主判定要对哪些磁极推入设备进行检测。机器人检测控制器标记待检磁极推入设备,调取对应磁极推入设备的位置坐标。机器人检测控制器规划检测路径:在多种路径组合中,计算往返行走距离最短的方案。然后故检测机器人自主执行针对永磁电机制造工厂内的一个或多个生产线上的多个磁极推入设备的故障检测。
图7是本发明实施例的一种故障检测机器人的控制方法的流程图。故障检测机器人是前述的故障检测机器人,如图7所示,该控制方法包括如下步骤:
S510、获取磁极推入设备的多个推板的当前姿态图像;
S520、获取磁极推入设备的传动部件的当前振动频率;
S530、根据多个推板的当前姿态图像,确定多个推板是否存在第一故障点;
S540、根据磁极推入设备的传动部件的当前振动频率,确定传动部件是否存在第二故障点;
S550、根据第一故障点和/或第二故障点,生成预测的第一故障预警信息,其中,第一故障预警信息用于请求将磁极推入设备在本道磁极推入工序结束后停止作业并且进入待检修状态;
S560、将第一故障预警信息同步到生产执行系统MES。
在一些实施例中,步骤S530根据多个推板的当前姿态图像,确定多个推板是否存在第一故障点,具体可以包括:
将多个推板的当前姿态图像,与多个推板的预设的标准姿态图像进行比较,获得姿态比较结果,根据姿态比较结果确定多个推板是否存在第一故障点;或者,
测量多个推板的当前姿态图像对应的垂直度,根据测量的垂直度和预设的垂直度范围,确定多个推板是否存在第一故障点;或者,
采用基于深度卷积神经网络的YOLO V3算法和所述多个推板的当前姿态图像,确定所述多个推板是否存在第一故障点;
其中,第一故障点指示多个推板的连接螺栓发生松动和/或多个推板发生倾斜。
在一些实施例中,步骤S540根据磁极推入设备的传动部件的当前振动频率,确定传动部件是否存在第二故障点,具体可以包括:
根据磁极推入设备的传动部件的当前振动频率和传动部件的预设的标准振动频率,确定传动部件是否存在第二故障点。
在一些实施例中,步骤S540根据磁极推入设备的传动部件的当前振动频率,确定传动部件是否存在第二故障点,具体可以包括:
将磁极推入设备的传动部件的当前振动频率输出为表征电压变化的电压波形图;
采用连续小波变换CWT对所述电压波形图进行处理;
将处理后的电压波形图转换成对应的时频图;转换成时频图剔除了噪声,检测效果更好;
将时频图输入深度卷积残差网络模型,获得深度卷积残差网络模型的输出结果;其中,深度卷积残差网络模型包括卷积层、池化层和全连接层;卷积层包括多个卷积核;该深度卷积残差网络模型采用线性整流函数ReLU作为激活函数;
根据深度卷积残差网络模型的全连接层输出的分类结果确定传动部件是否存在第二故障点。
进一步地,磁极推入设备包括:伺服电机,用于驱动传动皮带进行传动;安装于伺服电机上的霍尔电流传感器,用于监测伺服电机的工作电流;存储模块,用于存储监测到的伺服电机的工作电流;第二无线通信模块,用于将监测到的伺服电机的工作电流无线发送至故障检测机器人的检测控制器;
检测控制器,还用于执行如下方法:
与霍尔电流传感器无线通信,获取伺服电机的工作电流,将伺服电机的工作电流输入预先训练好的最小二乘支持向量机模型LS-SVM,获得传动皮带的当前的厚度数据,根据传动皮带的当前的厚度数据确定传动皮带是否存在第三故障点,第三故障点表示需要立即更换传动皮带;
当确定需要立即更换传动皮带时,生成第二故障预警信息,并且通过第一无线通信模块将第二故障预警信息同步到MES,第二故障预警信息用于请求将磁极推入设备在本道磁极推入工序结束后停止作业并且更换传动皮带;
当确定不存在第三故障点时,根据传动皮带的当前的厚度数据确定传动皮带的剩余使用寿命,根据传动皮带的剩余使用寿命确定磁极推入设备的磁极推入作业的剩余作业次数,生成第三故障预警信息并且同步至MES,第三故障预警信息用于请求在剩余作业次数达到后,将磁极推入设备停止作业并且进入待检修状态。
表1是本发明实施例的故障检测机器人的检测原理表。在可选的实施例中,可通过有监督的机器学习,获得多个深度卷积残差网络模型,分别对应于识别皮带与固定杆之间是否有异物、皮带是否变形、皮带是否有裂纹。或者,通过有监督的机器学习,获得具有多分类输出结果的深度卷积残差网络模型,通过一个模型输出4个分类结果,分别对应于:皮带与固定杆之间是否有异物、皮带是否变形、皮带是否有裂纹和皮带正常。
表1
以下对本发明实施例的上述控制方法进行更加详细的说明:
在每次磁极推入设备开始工作之前,先对磁极推入设备进行使用前的故障检测,该检测主要分为三部分。
第一部分是对磁极推入设备的多个推板进行姿态识别,多个推板及弧形连接板在磁极安装过程中容易出现松动,松动的推板使得推向磁钢块的力的方向及大小发生偏差,影响磁极装配工艺的准确性。
由于磁极推板间所受各种力的干扰,可能会出现与弧形连接板分离、错位等现象,为了能及时检测到这种情况的发生,本实施例采用YOLO网络实现对目标异常状态的检测。目标检测网络形成了多发(Two Stage)检测网络和单发(One Stage)检测网络,前者具有代表性的是以RCNN为基础的检测网络,例如Faster RCNN等,后者具有代表性的是SSD 网络和YOLO 网络。多发检测网络的检测过程分为两步,网络结构较为复杂,具有较高的检测精度,特对是对于小目标的检测,但检测速度较慢。单发检测网络是将目标检测问题当作一个回归问题,网络结构简单,检测速度快,基本能满足实时检测的要求。而本实施例所检测的磁推钢板正好是小目标检测任务,所以本实施例采用基于深度卷积神经网络的YOLO V3算法识别磁推钢板的异常状态。
具体工作流程如下:
(1)图像数据集的采集
在不同光照强度、不同背景、不同角度、不同远近大小的情况下,利用机器人及人工拍摄的方式采集磁推钢板异常状态的照片600张左右。然后整理收集到的图片并统一剪裁为416×416 像素。为了增加数据集的多样性,对图片进行随机旋转±45°和随机水平/垂直翻转,通过这样的数据扩展方式,将磁推钢板异常状态图片增加到1200张。这些扩展方式并不影响目标本身的特征信息,相反可以在数据量不足的情况下增加样本的多样性,从而提高检测模型的泛化性。
(2)图片的标注与数据集的制作
用矩形框标注1200张图片中的异常状态。标注框信息包括框的左上顶点坐标(xmin,ymin)、右下顶点坐标(xmax,ymax)和标注框包含目标的类别信息。然后将图片和标注框信息制作成标准的 PASCALVOC数据集格式,并划分为训练集和测试集,其比例为7:3。
(3)YOLO V3主体结构
为了达到更好的分类效果,YOLO V3采用更深的卷积神经网络Darknet-53,这是一个主要由 1×1 和 3×3的卷积层组成,每个卷积层后面都接一个批次归一化层和一个LeakyRelu激活层。并引入ResNet的残差模块以解决网络深度加深时所出现的训练退化问题,其网络结构如图8所示。
(4)匹配策略
在YOLO V3算法中,通过锚框anchor box 预测边界框,而每个 anchor box 都有对应的三种大小比例不同的边界框。通过anchor box预测边界框,可以不需要完全从无到有地训练学习目标的坐标,而是加入了一定的先验知识,只需要根据anchor box与标注框的偏移量进行回归。对于图片中目标的标注框,如果其中心点落在某个栅格内,则由该栅格负责预测该目标。YOLO V3算法在三种不同大小的特征图上进行预测,分别为13×13、26×26和52×52大小的特征图。在每个特征图的每一个栅格中都会预测三个不同尺寸的边界框。在训练过程中,与标注框有最大交并比的先验框负责预测该目标,而其余两个边界框不与该标注框匹配。每个预测框都包含四个坐标信息、两个类别信息和一个置信度,置信度公式如下所示:
模型训练完之后,本实施例就可以对测试集数据进行测试,检查本实施例所建立的YOLO网络是否具备了自动识别检测故障或异常的功能。
第二部分是对磁极推入设备的传动皮带的使用情况进行故障检测,主要目的是检测磁极推入设备的传送皮带是否能够进行接下来的工作,如果出现严重的问题,例如传送带裂纹、皮带间异物、皮带卡滞、皮带松弛、或者皮带打滑等问题,出现该问题则需要立即对磁极推入设备进行检修作业,确保生产任务的安全进行。例如更换皮带,如果不换会导致推磁钢的力度不够,两层磁钢间有空隙,进而影响磁钢位置,影响发电量。磁钢表面较脆,带有故障的磁极推入设备在磁极推入过程中容易与转子内壁产生额外的摩擦,边条会破碎形成渣渣,进入压条型腔内,或导致皮带旋转轨道卡滞,例如滑道磨损、有杂质等。判断是否有上述卡滞故障,如果确定有卡滞故障,就不能再长时间执行推磁钢的工作了,要退回来进行检查修理,免得卡死不能动弹影响生产。
第二部分的具体检测过程如下:
本发明实施例在磁极推入设备使用之前,让故障检测机器人将压电式传感器贴合安装在皮带上,让磁极推入设备空转几分钟,收集磁极推入设备运行之后传送的振动信号。在该检测过程中,采用BZ11系列压电式加速度传感器采集传送带本身的振动信号。BZ11系列压电式加速度传感器是一款基于压电互换原理,同时其内装集成电路的剪切式单轴向压电式加速度传感器。该传感器内部有集成电路用于模数转换等操作,单轴向是只能感应一条轴向上的振动,例如z轴,可以很好的避免其它方向上的干扰。其具有集成度高、体积小、重量轻、输出阻抗小、抗干扰性强等优点,适用范围广,且可靠性高。
经过BZ11压电式传感器采集数据之后,本实施例对收集到的振动信号进行可视化处理,如图9所示,生成振动波形图。其中,W1是设置了故障情况下的波形图,可以看出有明显异常振动出现,W2是没有设置故障情况下的波形图,可以看出振动较为平稳,振动频率较为一致。图9中横坐标是时序数据量,纵轴是电压幅度,单位是毫伏。振动传感器会将采集到的振动数据输出为电压变化的波形图,在CNN(卷积神经网络,Convolutional NeuralNetworks)识别前,本实施例需要将得到的电压波形图经过处理得到对应的时频图,这样剔除了噪声,检测效果更好。为此,本实施例使用连续小波变换(CWT,Continuous wavelettransform)对振动数据进行预处理。cwt是对波形图进行处理,可以起到消噪的效果,使得检测结果更加精确。小波变换相较于傅里叶变换可以做到时间和频率的局部细化分析,具体是可以对函数进行一系列的伸缩与平移运算从而对信号进行多尺度的细化处理,要达到的最终目标是可以对原始波形图做到高频处对时间细分,低频处对频率细分,做到了在信号的任意细节处都可以聚焦。
具体地,CWT首先选定一个中心频率,通过尺度变换和时移分别得到大量中心频率和基函数,在将其分别与原始信号中对应基函数的某一作乘积再进行积分,最后输出极值所对应的频率即是原始信号在所对应区间所包含的频率,小波是一个只允许频率或者与其相似信号通过的滤波器。在数据的预处理过程当中,本实施例首先要将收集到的数据经变换得到波形图,然后再将波形图转换成时频图以便于后期CNN的识别。
接着对处理过的数据集做批标准化操作,得到一个固定的分布,在训练过程中动态调整此分布,解决内部协方差漂移的问题,在一定程度上缓解过拟合。其中,批标准化和普通的数据标准化类似,是将分散的数据统一的一种优化做法。具有统一规格的数据,能让机器学习更容易学习到数据之中的规律。具体操作如下:
将处理过的训练集(波形图或时频图)放入深度卷积残差网络中进行训练,本实施例构建如图10所示深度卷积残差网络来实现检测分类,激活函数为ReLU函数,在一定程度上缓解了梯度消失的现象。其中,波形图和时频图都可用于神经网络中检测,时频图由波形图转换而来。
为了提高检测模型的检测精度以及拥有更高的泛化率,尽可能多的收集各种情况下的振动信号波形图,用于训练检测所使用的神经网络模型。针对本实施例磁极推入设备的传送带故障检测,本发明实施例设置卷积残差神经网络,深度残差网络包括卷积层、池化层和全连接层等。其中卷积层主要由多个卷积核组成,每个卷积核包含了若干可学习的参数,可学习的参数是卷积核中用于学习图像特征的参数,其数量与卷积核大小有关,在计算时卷积核主要考虑局部信息,因此计算量得到了充分降低。池化层选取主要的特征并对其进行降采样,使所需计算的数据维度降低,同时也有效的降低了计算量,避免了可能出现的过拟合。经过卷积层和池化层后,会接一个全连接层,全连接层经过计算后,对最后得出的结果做分类处理。本发明实施例所设置的卷积残差网络如图10所示。Conv代表卷积核,3×3表示卷积核的大小,64,128代表卷积核的数量,线性整流函数(Rectified Linear Unit,ReLU),又称修正线性单元,是一种人工神经网络中用到的激活函数(activationfunction)。图10中平铺层是全连接层的通俗理解,因为全连接层需要将数据平铺在一个平面上。softmax函数,又称归一化指数函数,它把一些输入映射为0-1之间的实数,并且归一化保证和为1。softmax函数是全连接层最后的一个用于分类的函数,它的作用是对结果进行分类。
全连接层采用Adma(适应性矩估计,adaptive moment estimation)算法对目标损失函数进行优化,Adam 是一种可以替代传统随机梯度下降过程的一阶优化算法,它能基于训练数据迭代地更新神经网络权重。Adam 算法和传统的随机梯度下降不同。随机梯度下降保持单一的学习率更新所有的权重,学习率在训练过程中并不会改变。而 Adam 通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率。可选地,也可采用其他的优化算法,例如Insofar、RMSprop、Adadelta算法。其中基础学习率设置为0.1,衰减率为0.9,损失函数定义为:
其中,CE代表损失函数,代表Softmax函数输出的概率值,y表示样本的真实标
签。在本实施例中检测异常数据样本的真实标签为1,无异常状态样本的真实标签为0,以此
二分类结果来判断磁极推入设备是否存在故障。
第三部分是对消耗件的使用情况进行寿命检测,主要检测损耗件的剩余寿命是否可以支持接下来的使用情况。例如皮带属于易消耗件,如果皮带使用过度,早已超过了报废标准,那么继续使用有可能出现安全事故。
第三部分的具体检测过程如下:
由于消耗件在使用限度内是可以继续使用的,所以本实施例需要监视其使用寿
命,在第二部分的检测中,本实施例在传送带的伺服电机上安装用于监测电流的霍尔电流
传感器。霍尔电流传感器基于磁平衡式霍尔原理,根据霍尔效应原理,从霍尔元件的控制电
流端通入电流Ic,并在霍尔元件平面的法线方向上施加磁感应强度为B的磁场,那么在垂直
于电流和磁场方向(即霍尔输出端之间),将产生一个电势VH,称其为霍尔电势,其大小正比
于控制电流Ic与磁感应强度B的乘积。即有公式: ;K为
霍尔系数,由霍尔元件的材料决定;KH是指当前半导体材料的霍尔系数,与输出电势的下标
相同;Ic是输入端的控制电流;B为磁感应强度;VH为霍尔电势。霍尔电流传感器有着以下优
点:1. 测量范围广:它可以测量任意波形的电流和电压,如直流、交流、脉冲、三角波形等,
甚至对瞬态峰值电流、电压信号也能忠实地进行反映;2. 响应速度快:最快者响应时间只
为1us;3. 测量精度高:其测量精度优于1%,该精度适合于对任何波形的测量,普通互感器
是感性元件,接入后影响被测信号波形,其一般精度为3%~5%,且只适合于50Hz 正弦波形;
4. 线性度好:优于0.2%;5. 动态性能好:响应时间快,可小于1us;普通互感器的响应时间
为10~20ms。6. 工作频带宽:在0~100KHz 频率范围内的信号均可以测量。7. 可靠性高,平
均无故障工作时间长:平均无故障时间>10 小时;8. 过载能力强、测量范围大:0至几十安
培再到上万安培;9. 体积小、重量轻、易于安装。
本实施例以传动皮带的耗损程度为例,实验中本实施例选择厚度为11.5mm的pvc传送带,用砂纸对传送带进行打磨,每次打薄1mm,最薄的一组为0.8mm,符合国家生产标准的最薄厚度,分别在每一组传送带运行时观测电流变化,一般来说,皮带磨损之后变薄,其对于传动压力变小,所消耗的电流变小,呈正相关。大约进行80小时试验后,本实施例收集所有数据结果,建立LS-SVM模型,本实施例选用支持向量机类型为最小二乘支持向量机(LS-SVM),LS-SVM是对SVM的一种改进,具有全局最优、具有泛化能力强、训练时间短及结果更具确定性等优点。上述LS-SVM模型可以配置在故障检测机器人的检测控制器中。
由于核函数的类型对SVM模型的性能有较大影响。本实施例选取RBF(径向基核函数,Radial Basis Function)核函数作为LS-SVM的核函数,其表达式为:
将得到的数据集用于建立相应的LS-SVM模型,从而得到传动皮带的厚度与工作电流的模型,以此来判断当前损耗件是否可以继续使用。
以上便是传送带整体的故障检测过程,第一检测部分、第二检测部分用于判断当前设备是否出现了故障,如果判断出现故障,则发出本道工序结束后停止工作进行检修的指令;第三检测部分用于判断当前设备的损耗件是否需要立即更换以及大概的剩余使用寿命。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备及可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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,均包含在本发明的保护范围内。
Claims (10)
1.一种故障检测机器人,用于对多个磁极推入设备进行自动故障检测,其特征在于,所述故障检测机器人包括行走设备和检测设备;
所述检测设备安装在所述行走设备上,所述检测设备包括壳体;
所述检测设备还包括:
图像传感器,设置于所述壳体的顶部,用于获取磁极推入设备的多个推板的当前姿态图像;
振动频率传感器,用于获取所述磁极推入设备的传动部件的当前振动频率;
机械臂,从所述检测设备的壳体上延伸出来,所述机械臂的末端执行器上固定连接有所述振动频率传感器,所述机械臂用于将所述振动频率传感器与所述传动部件接触以检测所述传动部件的当前振动频率;
第一无线通信模块,用于检测控制器与生产执行系统MES通信;
所述检测控制器,与所述图像传感器、所述振动频率传感器、所述机械臂和所述第一无线通信模块连接,用于根据所述多个推板的当前姿态图像确定所述多个推板是否存在第一故障点,根据所述磁极推入设备的传动部件的当前振动频率确定所述传动部件是否存在第二故障点,以及根据所述第一故障点和/或所述第二故障点,生成第一故障预警信息,并且通过所述第一无线通信模块将所述第一故障预警信息同步到所述MES,所述第一故障预警信息用于请求将所述磁极推入设备在本道磁极推入工序结束后停止作业并且进入待检修状态;
其中,所述传动部件是所述磁极推入设备内部的直线单元的传动皮带;
所述振动频率传感器包括压电式加速度传感器,用于检测所述传动皮带的当前振动频率;
所述机械臂用于将所述压电式加速度传感器与所述传动皮带接触以检测所述传动皮带的当前振动频率;
所述故障检测机器人配置有用于识别传动皮带的图像识别系统和用于检测压电式加速度传感器与传动皮带之间的距离的测距传感器;所述检测控制器具体用于:控制所述行走设备移动到预先确定的检测位置,控制所述机械臂进行伸展;在所述机械臂的伸展过程中,开启所述图像识别系统对所述传动皮带进行识别;在识别所述传动皮带之后,控制引导所述机械臂向所述传动皮带的预定检测区域靠近,启动所述测距传感器实时监测所述压电式加速度传感器与所述传动皮带之间的距离,并且判断是否接收到所述压电式加速度传感器回传的检测数据;当检测到所述压电式加速度传感器与所述传动皮带之间的距离为零或者处于预设的距离范围内,并且接收到所述压电式加速度传感器回传的检测数据时,确定所述压电式加速度传感器已被放置在所述传动皮带的预定检测区域上并且所述压电式加速度传感器与所述传动皮带发生贴合接触。
2.根据权利要求1所述的故障检测机器人,其特征在于,所述检测控制器,具体用于:
将所述多个推板的当前姿态图像,对应与所述多个推板的预设的标准姿态图像进行比较,获得姿态比较结果,根据所述姿态比较结果确定所述多个推板是否存在第一故障点;或者,
测量所述多个推板的当前姿态图像对应的垂直度,根据测量的垂直度和预设的垂直度范围,确定所述多个推板是否存在第一故障点;
其中,所述第一故障点指示所述多个推板的连接螺栓发生松动和/或所述多个推板发生倾斜。
3.根据权利要求1或2所述的故障检测机器人,其特征在于,所述检测设备还包括:存储器,用于记录每个磁极推入设备的每次的检测时间和检测结果;所述检测控制器还用于从所述生产执行系统MES获取每个磁极推入设备对应的生产工序信息,并根据每个磁极推入设备对应的生产工序信息,以及所述存储器中记录的每个磁极推入设备最近一次的检测时间,确定多个待检测的磁极推入设备的标识,以及多个待检测的磁极推入设备的检测顺序;其中,所述生产工序信息包括:每个磁极推入设备处于空闲状态对应的时刻信息和每个磁极推入设备处于使用状态对应的时刻信息。
4.根据权利要求3所述的故障检测机器人,其特征在于,所述检测控制器具体用于根据所述每个磁极推入设备处于空闲状态对应的时刻信息、每个磁极推入设备处于使用状态对应的时刻信息和每个磁极推入设备最近一次的检测时间,确定距离上一次检测后累积工作时长大于预设的时长阈值并且当前处于工作状态的待检测的多个目标磁极推入设备,按照累积工作时长的降序排列结果确定所述多个目标磁极推入设备的检测顺序,进而根据所述检测顺序对所述多个目标磁极推入设备依次进行自动故障检测。
5.根据权利要求3所述的故障检测机器人,其特征在于,所述故障检测机器人还包括定位模块,用于获取故障检测机器人当前的位置信息;
所述检测控制器具体用于:确定距离上一次检测后累积工作时长大于预设的时长阈值并且当前处于工作状态的待检测的多个目标磁极推入设备;按照累积工作时长的降序排列结果确定所述多个目标磁极推入设备的第一检测优先级;根据所述故障检测机器人当前的位置信息和预先输入的多个磁极推入设备的坐标信息,确定多个目标磁极推入设备的第二检测优先级;根据所述第一检测优先级和所述第二检测优先级,确定最终的检测顺序;根据所述最终的检测顺序规划最优检测路径,根据所述最优检测路径对所述多个目标磁极推入设备依次进行故障检测;其中,所述多个磁极推入设备固定设置在同一条生产线上。
6.根据权利要求1所述的故障检测机器人,其特征在于,所述检测控制器,具体用于将所述磁极推入设备的传动部件的当前振动频率输出为表征电压变化的电压波形图;采用连续小波变换CWT对所述电压波形图进行处理;将处理后的电压波形图转换成对应的时频图;将所述时频图输入深度卷积残差网络模型,获得所述深度卷积残差网络模型的输出结果,根据所述深度卷积残差网络模型的输出结果确定所述传动部件是否存在第二故障点。
7.根据权利要求1所述的故障检测机器人,其特征在于,所述磁极推入设备包括:伺服电机,用于驱动传动皮带进行传动;安装于所述伺服电机上的霍尔电流传感器,用于监测所述伺服电机的工作电流;存储模块,用于存储监测到的伺服电机的工作电流;第二无线通信模块,用于将监测到的伺服电机的工作电流无线发送至所述故障检测机器人的检测控制器;
所述检测控制器,还用于与所述霍尔电流传感器无线通信,获取所述伺服电机的工作电流,将所述伺服电机的工作电流输入预先训练好的最小二乘支持向量机模型LS-SVM,获得所述传动皮带的当前的厚度数据,根据所述传动皮带的当前的厚度数据确定所述传动皮带是否存在第三故障点;所述第三故障点表示需要立即更换所述传动皮带;当确定需要立即更换所述传动皮带时,生成第二故障预警信息,并且通过所述第一无线通信模块将所述第二故障预警信息同步到所述MES,所述第二故障预警信息用于请求将所述磁极推入设备在本道磁极推入工序结束后停止作业并且更换所述传动皮带;当确定不存在第三故障点时,根据所述传动皮带的当前的厚度数据确定所述传动皮带的剩余使用寿命,根据所述传动皮带的剩余使用寿命确定所述磁极推入设备的磁极推入作业的剩余作业次数,生成第三故障预警信息并且同步至所述MES,所述第三故障预警信息用于请求在所述剩余作业次数达到后,将所述磁极推入设备停止作业并且进入待检修状态。
8.一种故障检测机器人的控制方法,其特征在于,所述故障检测机器人为权利要求1-7中任一项所述的故障检测机器人,所述控制方法包括:
获取磁极推入设备的多个推板的当前姿态图像;
获取所述磁极推入设备的传动部件的当前振动频率;
根据所述多个推板的当前姿态图像,确定所述多个推板是否存在第一故障点;
根据所述磁极推入设备的传动部件的当前振动频率,确定所述传动部件是否存在第二故障点;
根据所述第一故障点和/或所述第二故障点,生成第一故障预警信息,其中,所述第一故障预警信息用于请求将所述磁极推入设备在本道磁极推入工序结束后停止作业并且进入待检修状态;
将所述第一故障预警信息同步到生产执行系统MES。
9.根据权利要求8所述的控制方法,其特征在于,所述的根据所述多个推板的当前姿态图像,确定所述多个推板是否存在第一故障点,具体包括:
将所述多个推板的当前姿态图像,与所述多个推板的预设的标准姿态图像进行比较,获得姿态比较结果,根据所述姿态比较结果确定所述多个推板是否存在第一故障点;或者,
测量所述多个推板的当前姿态图像对应的垂直度,根据测量的垂直度和预设的垂直度范围,确定所述多个推板是否存在第一故障点;或者,
采用基于深度卷积神经网络的YOLO V3算法和所述多个推板的当前姿态图像,确定所述多个推板是否存在第一故障点;
其中,所述第一故障点指示所述多个推板的连接螺栓发生松动和/或所述多个推板发生倾斜。
10.根据权利要求8所述的控制方法,其特征在于,所述的根据所述磁极推入设备的传动部件的当前振动频率,确定所述传动部件是否存在第二故障点,具体包括:
将所述磁极推入设备的传动部件的当前振动频率输出为表征电压变化的电压波形图;
采用连续小波变换对所述电压波形图进行处理;
将处理后的电压波形图转换成对应的时频图;
将所述时频图输入深度卷积残差网络模型,获得所述深度卷积残差网络模型的输出结果;其中,所述深度卷积残差网络模型包括卷积层、池化层和全连接层;所述卷积层包括多个卷积核;所述深度卷积残差网络模型采用线性整流函数ReLU作为激活函数;
根据所述深度卷积残差网络模型的所述全连接层输出的分类结果确定所述传动部件是否存在第二故障点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110731283.7A CN113175959B (zh) | 2021-06-30 | 2021-06-30 | 故障检测机器人及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110731283.7A CN113175959B (zh) | 2021-06-30 | 2021-06-30 | 故障检测机器人及其控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113175959A CN113175959A (zh) | 2021-07-27 |
CN113175959B true CN113175959B (zh) | 2021-09-24 |
Family
ID=76927936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110731283.7A Active CN113175959B (zh) | 2021-06-30 | 2021-06-30 | 故障检测机器人及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113175959B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113650038A (zh) * | 2021-09-30 | 2021-11-16 | 中国华能集团清洁能源技术研究院有限公司 | 一种巡检机器人 |
CN114700946A (zh) * | 2022-04-15 | 2022-07-05 | 山东新一代信息产业技术研究院有限公司 | 一种基于巡检机器人的设备震动频率采集方法 |
CN114935362B (zh) * | 2022-05-09 | 2023-06-06 | 南方电网调峰调频发电有限公司检修试验分公司 | 一种抽水蓄能机组发电机状态评估分析方法 |
CN116503472B (zh) * | 2023-06-30 | 2023-08-29 | 中国民航大学 | 机器人柔顺接取航空行李的方法、装置、设备及介质 |
CN116593953B (zh) * | 2023-07-18 | 2023-11-10 | 四川华鲲振宇智能科技有限责任公司 | 一种ai芯片测试管理系统及方法 |
CN117826737B (zh) * | 2024-03-04 | 2024-05-14 | 成都思越智能装备股份有限公司 | 一种跨越多个搬送系统的检测装置的运行调度方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105301495A (zh) * | 2015-10-23 | 2016-02-03 | 常州大学怀德学院 | 一种用于电机装配线的无线检测及故障诊断装置 |
CN107876425A (zh) * | 2017-11-10 | 2018-04-06 | 华东交通大学 | 一种基于视觉的轴承缺陷检测系统装置 |
CN108529105A (zh) * | 2018-03-23 | 2018-09-14 | 大族激光科技产业集团股份有限公司 | 上下料装置 |
JP2018199563A (ja) * | 2017-05-29 | 2018-12-20 | ブラザー工業株式会社 | シート搬送装置及び画像形成装置 |
CN109625219A (zh) * | 2018-11-01 | 2019-04-16 | 国网浙江省电力有限公司 | 有缆遥控水下机器人对故障海底电缆的巡检系统及方法 |
CN111168647A (zh) * | 2020-01-06 | 2020-05-19 | 西安交通大学 | 故障检测机器人及其使用方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200356951A1 (en) * | 2019-01-03 | 2020-11-12 | Lucomm Technologies, Inc. | Robotic Devices |
-
2021
- 2021-06-30 CN CN202110731283.7A patent/CN113175959B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105301495A (zh) * | 2015-10-23 | 2016-02-03 | 常州大学怀德学院 | 一种用于电机装配线的无线检测及故障诊断装置 |
JP2018199563A (ja) * | 2017-05-29 | 2018-12-20 | ブラザー工業株式会社 | シート搬送装置及び画像形成装置 |
CN107876425A (zh) * | 2017-11-10 | 2018-04-06 | 华东交通大学 | 一种基于视觉的轴承缺陷检测系统装置 |
CN108529105A (zh) * | 2018-03-23 | 2018-09-14 | 大族激光科技产业集团股份有限公司 | 上下料装置 |
CN109625219A (zh) * | 2018-11-01 | 2019-04-16 | 国网浙江省电力有限公司 | 有缆遥控水下机器人对故障海底电缆的巡检系统及方法 |
CN111168647A (zh) * | 2020-01-06 | 2020-05-19 | 西安交通大学 | 故障检测机器人及其使用方法 |
Non-Patent Citations (1)
Title |
---|
带式输送机多轨道故障巡检系统设计;张传伟 等;《煤炭技术》;20181130;第37卷(第11期);第304-306页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113175959A (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113175959B (zh) | 故障检测机器人及其控制方法 | |
US11592800B2 (en) | Abnormality detector of a manufacturing machine using machine learning | |
US20200356069A1 (en) | Machine tool management system | |
Borgi et al. | Data analytics for predictive maintenance of industrial robots | |
Soualhi et al. | Hidden Markov models for the prediction of impending faults | |
US8190294B2 (en) | Detection of condition changes in an industrial robot system | |
US10692302B2 (en) | Servicing schedule method based on prediction of degradation in electrified vehicles | |
Aqueveque et al. | Data-driven condition monitoring of mining mobile machinery in non-stationary operations using wireless accelerometer sensor modules | |
CN112173636B (zh) | 一种巡检机器人对皮带机托辊故障的检测方法 | |
CN104742153A (zh) | 六轴多关节工业机器人故障预测装置 | |
JP3401136B2 (ja) | プラント設備点検システム | |
US11992953B2 (en) | Abnormality determination device and abnormality determination method | |
CN111565024A (zh) | 一种太阳能电池板故障检测与运行效率预测装置和方法 | |
Mekid | IoT for health and usage monitoring systems: mitigating consequences in manufacturing under CBM | |
CN104442916B (zh) | 下接触式地铁接触轨轨道检测系统 | |
WO2021042233A1 (en) | Remote diagnosis system, apparatus and method for power tool | |
US20220402136A1 (en) | System and Method for Robotic Evaluation | |
Lu et al. | Design and implement of control system for power substation equipment inspection robot | |
JP2009169556A (ja) | トレーシングシステム | |
US11820007B2 (en) | Abnormality detection device and abnormality detection method | |
CN118092453A (zh) | 一种基于电力现场的智能机器人作业管理系统 | |
CN117381820A (zh) | 一种机器人的自动化部署系统 | |
CN111855166A (zh) | 线性运动系统及其监控装置 | |
CN116811760A (zh) | 一种车辆电机电刷板系统 | |
CN117656094A (zh) | 具有应急充电功能的充电站巡检机器人及巡检方法 |
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 |