CN113210824A - 一种伺服焊枪驱动的异常检测方法及设备 - Google Patents

一种伺服焊枪驱动的异常检测方法及设备 Download PDF

Info

Publication number
CN113210824A
CN113210824A CN202110579733.5A CN202110579733A CN113210824A CN 113210824 A CN113210824 A CN 113210824A CN 202110579733 A CN202110579733 A CN 202110579733A CN 113210824 A CN113210824 A CN 113210824A
Authority
CN
China
Prior art keywords
welding gun
real
driving
time
servo welding
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
CN202110579733.5A
Other languages
English (en)
Other versions
CN113210824B (zh
Inventor
徐骏
郭云
黄毅
何琪
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.)
Shanghai Dazhi Technology Co ltd
Original Assignee
Shanghai Dazhi Technology 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 Shanghai Dazhi Technology Co ltd filed Critical Shanghai Dazhi Technology Co ltd
Priority to CN202110579733.5A priority Critical patent/CN113210824B/zh
Publication of CN113210824A publication Critical patent/CN113210824A/zh
Application granted granted Critical
Publication of CN113210824B publication Critical patent/CN113210824B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K11/00—Resistance welding; Severing by resistance heating
    • B23K11/30—Features relating to electrodes
    • B23K11/31—Electrode holders and actuating devices therefor
    • B23K11/314—Spot welding guns, e.g. mounted on robots
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K11/00—Resistance welding; Severing by resistance heating
    • B23K11/10—Spot welding; Stitch welding
    • B23K11/11—Spot welding
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Robotics (AREA)
  • Manipulator (AREA)
  • Numerical Control (AREA)

Abstract

本申请的目的是提供一种伺服焊枪驱动的异常检测方法及设备，本申请中确定用于对伺服焊枪的驱动进行异常检测的异常检测模型；获取伺服焊枪在整个运动过程中的实时驱动信息和实时位置信息；基于实时位置信息确定伺服焊枪所处的至少一个实时运动状态，并分别提取每个实时运动状态下的实时驱动信息的实时特征数据；将实时特征数据输入异常检测模型，对伺服焊枪的驱动进行异常检测，得到实时检测结果；若实时检测结果超过预设异常阈值，则生成用于指示伺服焊枪的驱动存在异常的报警信息，解决了现有技术中焊枪驱动状态不可知、进行数据识别时需要追加传感器、部署和改造成本高以及占用通讯资源大等问题。

Description

一种伺服焊枪驱动的异常检测方法及设备
技术领域
本申请涉及机械设备数据分析领域，尤其涉及一种伺服焊枪驱动的异常检测方法及设备。
背景技术
电阻点焊作为一种连接工艺，被广泛的应用在生产制造过程中。电阻点焊工艺通常需要伺服焊枪来实现，而伺服驱动单元又是伺服焊接系统的核心组成部分，主要保证焊接压力的施加，对工艺的稳定、可靠影响重大。因此开发对于伺服驱动系统的异常诊断方法，可以有效避免产品的焊接质量缺陷，减少计划外停机，降低成本，提高经济效益。
现有的一些追加额外的传感器的技术，比如振动、温度传感器，可以一定程度实现异常诊断功能，但是安装传感器的成本、现场的空间限制以及后期改造，可能带来新的问题隐患，导致追加新的硬件并不能很好的解决这一问题。另外，在工厂的实际生产中，人工标记数据的正常或异常是比较困难的，一般情况下状态异常的数据记录也是比较少，所以需要使用无监督学习来得到一个模型。另外，变频器和PLC等控制器的通讯资源通常是有限的，应该尽量少的占用通道。
发明内容
本申请的一个目的是提供一种伺服焊枪驱动的异常检测方法及设备，以解决现有技术中伺服焊枪的驱动的状态不可知、进行数据识别时需要追加传感器、部署和改造成本高以及占用通讯资源大等问题。
根据本申请的一个方面，提供了一种伺服焊枪驱动的异常检测方法，其中，所述方法包括：
确定用于对伺服焊枪的驱动进行异常检测的异常检测模型；
获取伺服焊枪在整个运动过程中的实时驱动信息和实时位置信息；
基于所述实时位置信息确定所述伺服焊枪所处的至少一个实时运动状态，并分别提取每个所述实时运动状态下的所述实时驱动信息的实时特征数据；
将所述实时特征数据输入所述异常检测模型，对所述伺服焊枪的驱动进行异常检测，得到实时检测结果；
若所述实时检测结果超过预设异常阈值，则生成用于指示所述伺服焊枪的驱动存在异常的报警信息。
进一步地，上述一种伺服焊枪驱动的异常检测方法，其中，所述确定用于对伺服焊枪的驱动进行异常检测的异常检测模型，包括：
确定所述伺服焊枪在基准工况内确定的每个运动状态下的驱动信息对应的特征数据；
将预设数量的基准工况内的、所述伺服焊枪在每个所述运动状态下的所述驱动信息对应的特征数据，作为训练样本；
对所述训练样本进行异常检测学习和模型训练，得到用于对所述伺服焊枪的驱动进行异常检测的异常检测模型。
进一步地，上述一种伺服焊枪驱动的异常检测方法，其中，所述确定所述伺服焊枪在基准工况内确定的每个运动状态下的驱动信息对应的特征数据，包括：
获取所述伺服焊枪在基准工况内的驱动信息和位置信息；
根据所述位置信息确定所述伺服焊枪所处的至少一个运动状态，并分别提取每个所述运动状态下的所述驱动信息对应的特征数据。
进一步地，上述一种伺服焊枪驱动的异常检测方法，其中，所述对所述训练样本进行异常检测学习和模型训练，得到用于对所述伺服焊枪的驱动进行异常检测的异常检测模型，包括：
对所述训练样本中的所述特征数据进行筛选和过滤，得到用于对所述伺服焊枪的驱动进行异常检测训练的、过滤后的训练样本；
对所述过滤后的训练样本进行异常检测学习和模型训练，得到用于对所述伺服焊枪的驱动进行异常检测的异常检测模型。
进一步地，上述一种伺服焊枪驱动的异常检测方法，其中，所述方法还包括：
预置用于对所述伺服焊枪的驱动的检测结果进行异常评估的预设异常阈值；
其中，若所述实时检测结果超过预设异常阈值，则生成用于指示所述伺服焊枪的驱动存在异常的报警信息之前，所述方法还包括：
判断所述实时检测结果是否超过所述预设异常阈值。
进一步地，上述一种伺服焊枪驱动的异常检测方法，其中，若所述实时检测结果未超过所述预设异常阈值，生成用于指示所述伺服焊枪的驱动正常的响应信息。
根据本申请的另一方面，还提供了一种非易失性存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行时，使所述处理器实现如上述一种伺服焊枪驱动的异常检测方法。
根据本申请的另一方面，还提供了一种伺服焊枪驱动的异常检测设备，其中，所述设备包括：
一个或多个处理器；
非易失性存储介质，用于存储一个或多个计算机可读指令，
当所述一个或多个计算机可读指令被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述一种伺服焊枪驱动的异常检测方法。
与现有技术相比，本申请中确定用于对伺服焊枪的驱动进行异常检测的异常检测模型；获取伺服焊枪在整个运动过程中的实时驱动信息和实时位置信息；基于所述实时位置信息确定所述伺服焊枪所处的至少一个实时运动状态，并分别提取每个所述实时运动状态下的所述实时驱动信息的实时特征数据；将所述实时特征数据输入所述异常检测模型，对所述伺服焊枪的驱动进行异常检测，得到实时检测结果；若所述实时检测结果超过预设异常阈值，则生成用于指示所述伺服焊枪的驱动存在异常的报警信息，解决了现有技术中焊枪驱动状态不可知、进行数据识别时需要追加传感器、部署和改造成本高以及占用通讯资源大等问题。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出根据本申请一个方面的一种伺服焊枪驱动的异常检测方法的流程示意图；
图2示出根据本申请一个方面的一种伺服焊枪驱动的异常检测方法的Tukey’s离群值箱线图法的示意图；
图3示出根据本申请一个方面的一种伺服焊枪驱动的异常检测方法的3sigma准则的示意图；
图4示出根据本申请一个方面的一种伺服焊枪驱动的异常检测方法的孤立森林的示意图；
图5示出根据本申请一个方面的一种伺服焊枪驱动的异常检测方法的基准工况示意图；
图6示出根据本申请一个方面的一种伺服焊枪驱动的异常检测方法的异常检测模型效果图；
图7示出根据本申请一个方面的一种伺服焊枪驱动的异常检测方法的伺服焊枪的驱动阻力增加示意图；
图8示出根据本申请一个方面的一种伺服焊枪驱动的异常检测方法的伺服焊枪的驱动在重新装配配后的磨合示意图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本申请作进一步详细描述。
在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
如图1所示，本申请一个方面的一种伺服焊枪驱动的异常检测方法的流程示意图。其中，所述方法包括：步骤S11、步骤S12、步骤S13、步骤S14及步骤S15，具体包括如下步骤：
根据本申请的一个方面，提供了一种伺服焊枪驱动的异常检测方法，其中，所述方法包括：
步骤S11，确定用于对伺服焊枪的驱动进行异常检测的异常检测模型。
步骤S12，获取伺服焊枪在整个运动过程中的实时驱动信息和实时位置信息；在此，所述实时驱动信息包括但不限于伺服焊枪在整个实时的运行过程中的扭矩、电流等可以表征伺服焊枪驱动作用力的物理量。
步骤S13，基于所述实时位置信息确定所述伺服焊枪所处的至少一个实时运动状态，并分别提取每个所述实时运动状态下的所述实时驱动信息的实时特征数据；在此，根据所述实时位置信息将伺服焊枪的运动拆分成若干状态，其中，所述实时运动状态包括但不限于伺服焊枪在整个实时运动过程中的伺服焊枪打开状态、伺服焊枪关闭状态、伺服焊枪打开极限附近状态以及伺服焊枪关闭极限附近状态等运动状态，所述实时特征数据包括但不限于伺服焊枪在整个实时的过程中的最大值、最小值、平均值、中位数、标准差等数据。
步骤S14，将所述实时特征数据输入所述异常检测模型，对所述伺服焊枪的驱动进行异常检测，得到实时检测结果。
步骤S15，若所述实时检测结果超过预设异常阈值，则生成用于指示所述伺服焊枪的驱动存在异常的报警信息。
通过上述步骤S11至步骤S15，本申请中预先确定用于对伺服焊枪的驱动进行异常检测的异常检测模型；在实际异常检测的应用场景中，先获取伺服焊枪在整个运动过程中的实时驱动信息和实时位置信息；然后，基于所述实时位置信息确定所述伺服焊枪所处的至少一个实时运动状态，并分别提取每个所述实时运动状态下的所述实时驱动信息的实时特征数据；接着，将所述实时特征数据输入所述异常检测模型，对所述伺服焊枪的驱动进行异常检测，得到实时检测结果；最后，若所述实时检测结果超过预设异常阈值，则生成用于指示所述伺服焊枪的驱动存在异常的报警信息，解决了现有技术中焊枪驱动状态不可知、进行数据识别时需要追加传感器、部署和改造成本高以及占用通讯资源大等问题。
例如，在本申请一优选实施例中，将伺服焊枪的驱动信息优选为扭矩，在确定异常检测模型之后，获取所述伺服焊枪在整个运动过程中的实时扭矩和实时位置信息，根据所述实时位置信息确定所述伺服焊枪处于伺服焊枪打开状态、伺服焊枪关闭状态、伺服焊枪打开极限附近状态以及伺服焊枪关闭极限附近状态中的某一个，分别提取所述伺服焊枪在实时状态下实时扭矩的实时特征数据，即分别提取所述伺服焊枪在所述伺服焊枪打开状态下实时扭矩的实时特征数据、所述伺服焊枪在所述伺服焊枪关闭状态下实时扭矩的实时特征数据、所述伺服焊枪在所述伺服焊枪打开极限附近状态下实时扭矩的实时特征数据以及所述伺服焊枪在所述伺服焊枪关闭极限附近状态下实时扭矩的实时特征数据，将每个实时运动状态下的所述实时特征数据输入所述异常检测模型进行异常检测，得到所述伺服焊枪的驱动的实时检测结果，若所述实时检测结果超过预先设置的异常阈值，则说明所述伺服焊枪的驱动存在异常，由于已经对所述实时运动状态进行了精确拆分，因此可以确定所述伺服焊枪的驱动异常发生在伺服焊枪打开状态、伺服焊枪关闭状态、伺服焊枪打开极限附近状态以及伺服焊枪关闭极限附近状态中的哪一个实时运动状态。
接着本申请的上述实施例，其中，所述确定用于对伺服焊枪的驱动进行异常检测的异常检测模型，包括：
确定所述伺服焊枪在基准工况内确定的每个运动状态下的驱动信息对应的特征数据；需要说明的是，所述基准工况根据伺服焊枪运动控制和采集到的数据信息进行约定，其中，所述采集到的数据信息包括但不限于预设的程序信息、焊枪位置信息以及扭矩等信息，所述预设程序信息用来切分数据，分离处所需要的数据，对数据的切分分离的方法包括但不限于用标准程序信息等方法，其中，所述基准工况的时间长度为节拍时间，所述运动状态包括但不限于伺服焊枪打开状态、伺服焊枪关闭状态、伺服焊枪打开极限附近状态以及伺服焊枪关闭极限附近状态等运动状态，所述驱动信息包括但不限于扭矩、电流等可以表征伺服焊枪驱动作用力的物理量，所述特征数据包括但不限于最大值、最小值、平均值、中位数、标准差等数据。
将预设数量的基准工况内的、所述伺服焊枪在每个所述运动状态下的所述驱动信息对应的特征数据，作为训练样本；在此，为保证数据的准确性，所述预设数量可以尽可能的设置的多一点，在本申请的一优选实施例中，收集大于50个所述基准工况内的、所述伺服焊枪在每个所述运动状态下的所述驱动信息对应的特征数据，作为训练样本。
对所述训练样本进行异常检测学习和模型训练，得到用于对所述伺服焊枪的驱动进行异常检测的异常检测模型。在此，通过对所述训练样本使用异常检测算法，得到所述异常检测模型，其中，异常检测算法包括但不限于统计类(如图2所示，Tukey’s离群值箱线图法；如图3所示，3sigma准则)及基于密度的方法(如图4所示，孤立森林；最近邻居法)等算法。
例如，在本申请的一优选实施例中，根据伺服焊枪运动控制和采集到的数据信息约定基准工况，如图5所示，采集到的数据信息包括标准程序信息、焊枪位置信息、扭矩等信息，其中，标准程序信息通过人为设定，用来切分数据，分离出所需要的数据；其中，所述基准工况的时间长度为节拍时间；收集一段时间的数据，得到一个包含100个所述基准工况的数据集，提取所述数据集中每个所述基准工况内的每个运动状态下的驱动信息对应的特征数据，作为训练样本，然后通过异常检测算法对训练样本进行异常检测学习和模型训练，得到异常检测模型。
接着本申请的上述实施例，其中，所述确定所述伺服焊枪在基准工况内确定的每个运动状态下的驱动信息对应的特征数据，包括：
获取所述伺服焊枪在基准工况内的驱动信息和位置信息；需要说明的是，获取的所述驱动信息不同，确定的所述异常检测模型对所述伺服焊枪的驱动进行异常检测的信息也不同，比如，如果所述驱动信息为扭矩或电流，则得到的所述异常检测模型检测的是所述伺服焊枪驱动的阻力是否异常。在本申请的一优选实施例中，将所述驱动信息选择为扭矩，则所述异常检测模型就是检测所述伺服焊枪驱动的阻力是否异常。
根据所述位置信息确定所述伺服焊枪所处的至少一个运动状态，并分别提取每个所述运动状态下的所述驱动信息对应的特征数据。在此，根据所述位置信息将伺服焊枪的运动状态拆分为若干状态，其中，所述运动状态包括但不限于伺服焊枪打开状态、伺服焊枪关闭状态、伺服焊枪打开极限附近状态以及伺服焊枪关闭极限附近状态等运动状态。
例如，首先提取所述基准工况内的驱动信息和位置信息，根据所述位置信息将所述伺服焊枪的所述运动状态拆分为伺服焊枪打开状态、伺服焊枪关闭状态、伺服焊枪打开极限附近状态以及伺服焊枪关闭极限附近状态，分别提取所述伺服焊枪打开状态、所述伺服焊枪关闭状态、所述伺服焊枪打开极限附近状态以及所述伺服焊枪关闭极限附近状态下的驱动信息的特征数据，以便确定所述伺服焊枪在基准工况内确定的每个运动状态下的扭矩对应的特征数据。
接着本申请的上述实施例，其中，所述对所述训练样本进行异常检测学习和模型训练，得到用于对所述伺服焊枪的驱动进行异常检测的异常检测模型，包括：
对所述训练样本中的所述特征数据进行筛选和过滤，得到用于对所述伺服焊枪的驱动进行异常检测训练的、过滤后的训练样本；
对所述过滤后的训练样本进行异常检测学习和模型训练，得到用于对所述伺服焊枪的驱动进行异常检测的异常检测模型。
需要说明的是，在对所述训练样本进行异常检测学习和模型训练之前，需要先对所述训练样本按照节拍时间进行筛选和过滤，剔除节拍时间异常的训练样本，比如，去除节拍时间特别长和特别短的训练样本，得到过滤后的训练样本，然后在通过异常检测算法对所述过滤后的训练样本进行异常检测学习和模型训练，从而得到用于对所述伺服焊枪的驱动进行异常检测的异常检测模型。
例如，将100个基准工况内的、所述伺服焊枪在每个所述运动状态下所述驱动信息对应的特征数据，作为训练样本，若所述100个基准工况中存在某些基准工况对应的特征数据的节拍时间语句其他机基准工况对应的特征数据的节拍时间相比，节拍时间特别长或特别短，差异过大，则这些节拍时间特别长和特别短的特征数据就不、具有参考性，因此需要将这些节拍时间特别长和特别短的特征数据从所述训练样本中剔除，比如，在所述100个基准工况对应的所述特征数据中，大部分特征数据对应的节拍时间在10秒至5分钟之间，个别特征数据对应的节拍时间为1秒钟或30分钟以上，则需要将节拍时间为1秒钟和节拍时间为30分钟以上的特征数据从所述100个基准工况对应的特征数据中剔除，得到过滤后的训练样本，然后对所述过滤后的训练样本通过异常检测算法进行异常检测学习和模型训练，得到用于对所述伺服焊枪的驱动进行异常检测的异常检测模型，通过对训练样本进行过滤筛选，可以提高所述异常检测模型的准确性，以便后续对所述伺服焊枪的驱动进行检测时能够更加准确。
接着本申请的上述实施例，其中，所述方法还包括：
预置用于对所述伺服焊枪的驱动的检测结果进行异常评估的预设异常阈值；在此，所述预设异常阈值是指为所述异常检测模型设定的阈值，所述预设异常阈值是在构建所述异常检测模型的过程中通过学习确定的。
其中，若所述实时检测结果超过预设异常阈值，则生成用于指示所述伺服焊枪的驱动存在异常的报警信息之前，所述方法还包括：
判断所述实时检测结果是否超过所述预设异常阈值。
例如，将实时特征数据输入异常检测模型，得到实时检测结果，根据实时位置信息确定所述实时检测结果的实时运动状态，判断所述实时检测结果在当前所述实时状态下是否超过预设异常阈值，如图6所示，当伺服焊枪的处于伺服焊枪打开状态时，所述预设异常阈值为-157.0324至-123.0757的范围之间，若此时所述实时检测结果超过-157.0324至-123.0757这个范围，则说明所述伺服焊枪的驱动存在异常，生成用于指示所述伺服焊枪存在异常的报警信息；当伺服焊枪处于伺服焊枪关闭状态时，所述预设异常阈值为61.15至99.5099的范围之间，若此时所述实时检测结果超过61.15至99.5099这个范围，则说明所述伺服焊枪的驱动存在异常，生成用于指示所述伺服焊枪存在异常的报警信息。
接着本申请的上述实施例，其中，若所述实时检测结果未超过所述预设异常阈值，生成用于指示所述伺服焊枪的驱动正常的响应信息。
例如，如图6所示，当伺服焊枪的处于伺服焊枪打开状态时，所述预设异常阈值为-157.0324至-123.0757的范围之间，若此时所述实时检测结果在-157.0324至-123.0757这个范围之间，则说明所述伺服焊枪的驱动正常，生成用于指示所述伺服焊枪正常的响应信息；当伺服焊枪处于伺服焊枪关闭状态时，所述预设异常阈值为61.15至99.5099的范围之间，若此时所述实时检测结果在61.15至99.5099这个范围之间，则说明所述伺服焊枪的驱动正常，生成用于指示所述伺服焊枪正常的响应信息。
在本申请提供的一种伺服焊枪驱动的异常检测方法的实际应用场景中，将所述驱动信息优选为扭矩，则通过构建异常检测模型将会检测所述伺服焊枪驱动的阻力是否异常。在本优选实施例中，收集一段时间的数据，得到一个包含100个基准状况的数据集，作为训练集，提取所述训练集中每个所述基准工况内的扭矩和位置信息，根据所述位置信息将所述训练集中的、所述伺服焊枪的每个所述基准工况内的运动状态，拆分为伺服焊枪打开状态、伺服焊枪关闭状态、伺服焊枪打开极限附近状态以及伺服焊枪关闭极限附近状态四个状态，分别提取所述训练集中每个所述基准工况内不同运动状态下对应的扭矩的特征数据，所述特征数据包括但不限于最大值、最小值、平均值、中位数及标准差，从而得到所述训练集的特征数据，对所述训练集的所述特征数据按照节拍时间进行过滤筛选，将节拍时间特别长和特别短的特征数据提出，得到过滤后的训练样本，对所述过滤后的训练样本使用异常检测算法，如Tukey’s离群值箱线图法、3sigma准则、孤立森林及最近邻居法等算法，得到异常检测模型，然后将实时获取的某个运动状态下扭矩的特征数据输入所述异常检测模型进行判断，若得到的检测结果超过所述异常检测模型的阈值，则会生成所述伺服焊枪的驱动在这个状态下存在阻力异常的报警信息，若得到的检测结果未超过所述异常检测模型的阈值，则会生成所述伺服焊枪的驱动在这个运动状态下阻力正常的响应信息，从而实现了对所述伺服焊枪的运动状态进行精确拆分，并方便观察不同运动状态下的阻力变化和异常发生在哪个运动状态，而且本申请对于输入信号要求较少，无需增加额外传感器。
从实践中来看，本申请已经能够观察到如下现象，如图7所示，伺服焊枪驱动的阻力(用扭矩的绝对值表示，扭矩的正负表示方向)增加，表明润滑恶化，能够被异常检测模型检测到；如图8所示，伺服焊枪驱动的阻力(用扭矩的绝对值表示，扭矩的正负表示方向)在重新装配(通常是调紧)后，先继续增大后逐渐减少，说明当重进装配后，在调紧时扭矩增大，而在随后磨合过程中，扭矩会逐渐减小，能够被异常检测模型检测到。
根据本申请的另一方面，还提供了一种非易失性存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行时，使所述处理器实现如上述一种伺服焊枪驱动的异常检测方法。
根据本申请的另一方面，还提供了一种伺服焊枪驱动的异常检测设备，其中，所述设备包括：
一个或多个处理器；
非易失性存储介质，用于存储一个或多个计算机可读指令，
当所述一个或多个计算机可读指令被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述一种伺服焊枪驱动的异常检测方法。
在此，所述一种伺服焊枪驱动的异常检测设备中的各实施例的详细内容，具体可参见上述一种伺服焊枪驱动的异常检测方法的实施例的对应部分，在此，不再赘述。
综上所述，本申请中确定用于对伺服焊枪的驱动进行异常检测的异常检测模型；获取伺服焊枪在整个运动过程中的实时驱动信息和实时位置信息；基于所述实时位置信息确定所述伺服焊枪所处的至少一个实时运动状态，并分别提取每个所述实时运动状态下的所述实时驱动信息的实时特征数据；将所述实时特征数据输入所述异常检测模型，对所述伺服焊枪的驱动进行异常检测，得到实时检测结果；若所述实时检测结果超过预设异常阈值，则生成用于指示所述伺服焊枪的驱动存在异常的报警信息，解决了现有技术中焊枪驱动状态不可知、进行数据识别时需要追加传感器、部署和改造成本高以及占用通讯资源大等问题。
需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (8)

1.一种伺服焊枪驱动的异常检测方法，其中，所述方法包括：
确定用于对伺服焊枪的驱动进行异常检测的异常检测模型；
获取伺服焊枪在整个运动过程中的实时驱动信息和实时位置信息；
基于所述实时位置信息确定所述伺服焊枪所处的至少一个实时运动状态，并分别提取每个所述实时运动状态下的所述实时驱动信息的实时特征数据；
将所述实时特征数据输入所述异常检测模型，对所述伺服焊枪的驱动进行异常检测，得到实时检测结果；
若所述实时检测结果超过预设异常阈值，则生成用于指示所述伺服焊枪的驱动存在异常的报警信息。
2.根据权利要求1所述的方法，其中，所述确定用于对伺服焊枪的驱动进行异常检测的异常检测模型，包括：
确定所述伺服焊枪在基准工况内确定的每个运动状态下的驱动信息对应的特征数据；
将预设数量的基准工况内的、所述伺服焊枪在每个所述运动状态下的所述驱动信息对应的特征数据，作为训练样本；
对所述训练样本进行异常检测学习和模型训练，得到用于对所述伺服焊枪的驱动进行异常检测的异常检测模型。
3.根据权利要求2所述的方法，其中，所述确定所述伺服焊枪在基准工况内确定的每个运动状态下的驱动信息对应的特征数据，包括：
获取所述伺服焊枪在基准工况内的驱动信息和位置信息；
根据所述位置信息确定所述伺服焊枪所处的至少一个运动状态，并分别提取每个所述运动状态下的所述驱动信息对应的特征数据。
4.根据权利要求2所述的方法，其中，所述对所述训练样本进行异常检测学习和模型训练，得到用于对所述伺服焊枪的驱动进行异常检测的异常检测模型，包括：
对所述训练样本中的所述特征数据进行筛选和过滤，得到用于对所述伺服焊枪的驱动进行异常检测训练的、过滤后的训练样本；
对所述过滤后的训练样本进行异常检测学习和模型训练，得到用于对所述伺服焊枪的驱动进行异常检测的异常检测模型。
5.根据权利要求1至4中任一项所述的方法，其中，所述方法还包括：
预置用于对所述伺服焊枪的驱动的检测结果进行异常评估的预设异常阈值；
其中，若所述实时检测结果超过预设异常阈值，则生成用于指示所述伺服焊枪的驱动存在异常的报警信息之前，所述方法还包括：
判断所述实时检测结果是否超过所述预设异常阈值。
6.根据权利要求5所述的方法，其中，若所述实时检测结果未超过所述预设异常阈值，生成用于指示所述伺服焊枪的驱动正常的响应信息。
7.一种非易失性存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行时，使所述处理器实现如权利要求1至6中任一项所述的方法。
8.一种伺服焊枪驱动的异常检测设备，其中，所述设备包括：
一个或多个处理器；
非易失性存储介质，用于存储一个或多个计算机可读指令，
当所述一个或多个计算机可读指令被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至6中任一项所述的方法。
CN202110579733.5A 2021-05-26 2021-05-26 一种伺服焊枪驱动的异常检测方法及设备 Active CN113210824B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110579733.5A CN113210824B (zh) 2021-05-26 2021-05-26 一种伺服焊枪驱动的异常检测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110579733.5A CN113210824B (zh) 2021-05-26 2021-05-26 一种伺服焊枪驱动的异常检测方法及设备

Publications (2)

Publication Number Publication Date
CN113210824A true CN113210824A (zh) 2021-08-06
CN113210824B CN113210824B (zh) 2022-09-02

Family

ID=77099548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110579733.5A Active CN113210824B (zh) 2021-05-26 2021-05-26 一种伺服焊枪驱动的异常检测方法及设备

Country Status (1)

Country Link
CN (1) CN113210824B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113927190A (zh) * 2021-11-26 2022-01-14 深圳软动智能控制有限公司 激光轴运动控制方法、装置、激光设备和存储介质
CN117555892A (zh) * 2024-01-10 2024-02-13 江苏省生态环境大数据有限公司 大气污染物多模式融合核算模型后处理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104439645A (zh) * 2014-12-08 2015-03-25 重庆瑞阳科技开发有限公司 一种焊接装置和焊接方法
CN109562500A (zh) * 2016-08-10 2019-04-02 三菱重工工作机械株式会社 机床的工具的异常检测装置及方法
CN110780198A (zh) * 2019-09-10 2020-02-11 上海大制科技有限公司 一种伺服焊接系统运动的波形识别方法及设备
US20200348660A1 (en) * 2019-05-03 2020-11-05 Hyundai Motor Company System and method for managing welding gun
CN112171057A (zh) * 2020-09-10 2021-01-05 五邑大学 基于激光焊接的质量检测方法、装置及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104439645A (zh) * 2014-12-08 2015-03-25 重庆瑞阳科技开发有限公司 一种焊接装置和焊接方法
CN109562500A (zh) * 2016-08-10 2019-04-02 三菱重工工作机械株式会社 机床的工具的异常检测装置及方法
US20200348660A1 (en) * 2019-05-03 2020-11-05 Hyundai Motor Company System and method for managing welding gun
CN110780198A (zh) * 2019-09-10 2020-02-11 上海大制科技有限公司 一种伺服焊接系统运动的波形识别方法及设备
CN112171057A (zh) * 2020-09-10 2021-01-05 五邑大学 基于激光焊接的质量检测方法、装置及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113927190A (zh) * 2021-11-26 2022-01-14 深圳软动智能控制有限公司 激光轴运动控制方法、装置、激光设备和存储介质
CN117555892A (zh) * 2024-01-10 2024-02-13 江苏省生态环境大数据有限公司 大气污染物多模式融合核算模型后处理方法
CN117555892B (zh) * 2024-01-10 2024-04-02 江苏省生态环境大数据有限公司 大气污染物多模式融合核算模型后处理方法

Also Published As

Publication number Publication date
CN113210824B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
US11775873B2 (en) Missing value imputation technique to facilitate prognostic analysis of time-series sensor data
CN113210824B (zh) 一种伺服焊枪驱动的异常检测方法及设备
CN108647136B (zh) 基于smart信息和深度学习的硬盘损坏预测方法及装置
CN110888783B (zh) 微服务系统的监测方法、装置以及电子设备
EP2015186B1 (en) Diagnostic systems and methods for predictive condition monitoring
US8761909B2 (en) Batch process monitoring using local multivariate trajectories
CN110426634B (zh) 一种用于驱动系统的异常预测的方法及设备
WO2021027213A1 (zh) 检测方法、装置、电子设备和计算机可读介质
US20080167842A1 (en) Method and system for detecting, analyzing and subsequently recognizing abnormal events
EP3663919A1 (en) System and method of automated fault correction in a network environment
Züfle et al. A machine learning-based workflow for automatic detection of anomalies in machine tools
CN109145981B (zh) 深度学习自动化模型训练方法及设备
EP3460612A1 (en) Method, apparatus and device for detecting abnormal data, and machine-readable medium
KR20180031698A (ko) 공간 왜곡 유사도를 사용하는 툴 오류 분석
CN114493204A (zh) 一种基于工业互联网的工业设备监测方法及设备
US11487640B2 (en) Replacing stair-stepped values in time-series sensor signals with inferential values to facilitate prognostic-surveillance operations
CN112733884A (zh) 焊接缺陷识别模型训练方法、装置和计算机终端
EP3712728A1 (en) Apparatus for predicting equipment damage
WO2016034945A2 (en) Stuck pipe prediction
CN110780198B (zh) 一种伺服焊接系统运动的波形识别方法及设备
CN112131078B (zh) 一种监控磁盘容量的方法及设备
CN116482460A (zh) 电网设备故障诊断方法及相关设备
EP3557346B1 (en) State identification device, state identification method and mechanical device
CN116361351B (zh) 一种用于工业设备健康管理的数据挖掘方法
CN114322446A (zh) 冷却系统故障预警方法、装置、冷却系统及作业机械

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