CN113485295A - 基于数字孪生的四足机器人故障预测方法、装置及设备 - Google Patents
基于数字孪生的四足机器人故障预测方法、装置及设备 Download PDFInfo
- Publication number
- CN113485295A CN113485295A CN202110770990.7A CN202110770990A CN113485295A CN 113485295 A CN113485295 A CN 113485295A CN 202110770990 A CN202110770990 A CN 202110770990A CN 113485295 A CN113485295 A CN 113485295A
- Authority
- CN
- China
- Prior art keywords
- modeling
- updated
- target
- quadruped robot
- gearbox
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
-
- 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
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种基于数字孪生的四足机器人故障预测方法、装置及设备,该方法主要包括:选取影响目标四足机器人健康状况的多个建模组件,并定义各建模组件的建模级别;根据各建模组件及对应的建模级别,构建目标四足机器人的数字孪生模型,并定义建模参数;迭代计算建模参数对应的更新建模参数,并判断建模参数对应的更新建模参数是否满足预设条件;若满足,则根据建模参数对应的更新建模参数对目标四足机器人进行故障预测。本发明可以选取影响目标四足机器人健康状况的多个建模组件并定义各建模组件的建模级别,能够简单方便地对工业四足机器人设备进行评估,得出故障风险,从而有效提升了生产效率,还大大降低了企业的运营成本。
Description
技术领域
本发明涉及工业设备维护技术领域,具体涉及一种基于数字孪生的四足机器人故障预测方法、装置及设备。
背景技术
由于现代制造业对高速、高精度和灵活性的要求,工业设备可靠性和操作安全性成为关键问题。当设备发生故障时,企业的损失不仅仅来自于设备的维修成本,还有设备执行任务时停机所造成的成本。虽然企业可以通过定期维护排查计划外的设备停机,但并不能避免出现设备在运行时发生故障的情况。若运行时发生故障,可能会导致灾难性的后果,使企业财产与人身安全都受到不同程度的损失。
采用传统方法对工业设备进行故障预测时,尤其是针对工业四足机器人,只能在故障出现时才能对故障进行处理而无法对故障进行及时检测与预测性维护,这样就易导致出现较为严重的后果,会使企业财产与人身安全受到不同程度的损失。
需要注意的是,本部分旨在为权利要求书中陈述的本公开的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
发明内容
本发明实施例提供一种基于数字孪生的四足机器人故障预测方法、装置及设备,以解决现有技术中对工业设备进行故障预测时只能在故障出现时才能对故障进行处理而易导致出现较为严重的后果的问题。
第一方面,本发明实施例提供一种基于数字孪生的四足机器人故障预测方法,包括:
根据目标四足机器人的历史数据,选取影响所述目标四足机器人健康状况的多个建模组件,并定义各所述建模组件的建模级别;
根据各所述建模组件及对应的建模级别,构建所述目标四足机器人的数字孪生模型,并定义所述数字孪生模型的建模参数;所述建模参数包括变速箱摩擦分量和变速箱齿轮惯性;
迭代计算所述建模参数对应的更新建模参数,并判断所述建模参数对应的更新建模参数是否满足预设条件;
若所述建模参数对应的更新建模参数满足预设条件,则根据所述建模参数对应的更新建模参数对所述目标四足机器人进行故障预测。
作为本发明第一方面的优选方式,还包括:
若所述建模参数对应的更新建模参数不满足预设条件,则继续执行迭代计算所述建模参数对应的更新建模参数,并判断所述建模参数对应的更新建模参数是否满足预设条件的步骤。
作为本发明第一方面的优选方式,所述根据目标四足机器人的历史数据,选取影响所述目标四足机器人健康状况的多个建模组件,并定义各所述建模组件的建模级别,包括:
获取所述目标四足机器人的历史数据,并根据所述历史数据评估所述目标四足机器人中各组件对所述目标四足机器人健康状况的影响,生成评估结果;
根据所述评估结果,选取影响所述目标四足机器人健康状况的多个建模组件;其中,所述建模组件包括机械结构组件、变速箱组件、执行器组件和输入信号组件;
根据各所述建模组件的功能,分别定义各所述建模组件的建模级别;其中,所述机械结构组件的建模级别为白盒,所述变速箱组件的建模级别为灰盒,所述执行器组件的建模级别为黑盒,所述输入信号组件的建模级别为黑盒。
作为本发明第一方面的优选方式,所述迭代计算所述建模参数对应的更新建模参数,并判断所述建模参数对应的更新建模参数是否满足预设条件,包括:
基于非线性最小二乘法,迭代计算所述变速箱摩擦分量对应的更新建模参数和所述变速箱齿轮惯性对应的更新建模参数;
将所述变速箱摩擦分量对应的更新建模参数和所述变速箱齿轮惯性对应的更新建模参数导入所述数字孪生模型中,并运行所述数字孪生模型,得到模拟扭矩信号;
判断所述模拟扭矩信号与获取的实际扭矩信号之间的偏差是否大于最大允许偏差;
若大于,则确定所述变速箱摩擦分量对应的更新建模参数和所述变速箱齿轮惯性对应的更新建模参数满足预设条件;否则,继续执行迭代计算所述变速箱摩擦分量对应的更新建模参数和所述变速箱齿轮惯性对应的更新建模参数的步骤。
作为本发明第一方面的优选方式,所述若所述建模参数对应的更新建模参数满足预设条件,则根据所述建模参数对应的更新建模参数对所述目标四足机器人进行故障预测,包括:
若所述建模参数对应的更新建模参数满足预设条件,则根据所述建模参数对应的更新建模参数的迭代次数,计算所述目标四足机器人的变速箱的剩余使用寿命;
根据所述目标四足机器人的变速箱的剩余使用寿命,确定所述目标四足机器人的故障诊断结果。
第二方面,本发明实施提供一种基于数字孪生的四足机器人故障预测装置,包括:
组件选取单元,用于根据目标四足机器人的历史数据,选取影响所述目标四足机器人健康状况的多个建模组件,并定义各所述建模组件的建模级别;
模型构建单元,用于根据各所述建模组件及对应的建模级别,构建所述目标四足机器人的数字孪生模型,并定义所述数字孪生模型的建模参数;所述建模参数包括变速箱摩擦分量和变速箱齿轮惯性;
参数更新单元,用于迭代计算所述建模参数对应的更新建模参数,并判断所述建模参数对应的更新建模参数是否满足预设条件;
故障预测单元,用于若所述建模参数对应的更新建模参数满足预设条件,则根据所述建模参数对应的更新建模参数对所述目标四足机器人进行故障预测。
作为本发明第二方面的优选方式,所述组件选取单元具体用于:
获取所述目标四足机器人的历史数据,并根据所述历史数据评估所述目标四足机器人中各组件对所述目标四足机器人健康状况的影响,生成评估结果;
根据所述评估结果,选取影响所述目标四足机器人健康状况的多个建模组件;其中,所述建模组件包括机械结构组件、变速箱组件、执行器组件和输入信号组件;
根据各所述建模组件的功能,分别定义各所述建模组件的建模级别;其中,所述机械结构组件的建模级别为白盒,所述变速箱组件的建模级别为灰盒,所述执行器组件的建模级别为黑盒,所述输入信号组件的建模级别为黑盒。
作为本发明第二方面的优选方式,所述参数更新单元具体用于:
基于非线性最小二乘法,迭代计算所述变速箱摩擦分量对应的更新建模参数和所述变速箱齿轮惯性对应的更新建模参数;
将所述变速箱摩擦分量对应的更新建模参数和所述变速箱齿轮惯性对应的更新建模参数导入所述数字孪生模型中,并运行所述数字孪生模型,得到模拟扭矩信号;
判断所述模拟扭矩信号与获取的实际扭矩信号之间的偏差是否大于最大允许偏差;
若大于,则确定所述变速箱摩擦分量对应的更新建模参数和所述变速箱齿轮惯性对应的更新建模参数满足预设条件;否则,继续执行迭代计算所述变速箱摩擦分量对应的更新建模参数和所述变速箱齿轮惯性对应的更新建模参数的步骤。
第三方面,本发明实施例提供一种基于数字孪生的四足机器人故障预测设备,包括处理器和存储器,其中所述存储器内存储有执行指令,所述处理器读取所述存储器内的执行指令用于执行如第一方面及其优选方式中任一项所述的基于数字孪生的四足机器人故障预测方法中的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,所述存储介质存储有计算机执行指令,所述计算机执行指令被用于执行如第一方面及其优选方式中任一项所述的基于数字孪生的四足机器人故障预测方法中的步骤。
本发明实施例提供的基于数字孪生的四足机器人故障预测方法、装置及设备,可以选取影响目标四足机器人健康状况的多个建模组件并定义各建模组件的建模级别,接着基于这些建模组件及对应的建模级别来构建数字孪生模型并定义其建模参数,然后迭代更新建模参数并选取满足预设条件的更新建模参数来对目标四足机器人进行故障预测。
本发明能够简单方便地对工业四足机器人设备进行评估,得出故障风险,从而有效提升了生产效率,还大大降低了企业的运营成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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为本发明实施例提供的一种基于数字孪生的四足机器人故障预测方法的实现流程图;
图2为本发明实施例提供的一种基于数字孪生的四足机器人故障预测装置的结构示意图;
图3为本发明实施例提供的一种基于数字孪生的四足机器人故障预测设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
图1示例性地示出了本发明实施例提供的一种基于数字孪生的四足机器人故障预测方法的流程示意图,该方法能够简单方便地对工业四足机器人设备进行评估,得出故障风险,从而有效提升了生产效率,还大大降低了企业的运营成本。
参照图1所示,该方法主要包括如下步骤:
步骤101、根据目标四足机器人的历史数据,选取影响目标四足机器人健康状况的多个建模组件,并定义各建模组件的建模级别;
步骤102、根据各建模组件及对应的建模级别,构建目标四足机器人的数字孪生模型,并定义数字孪生模型的建模参数;建模参数包括变速箱摩擦分量和变速箱齿轮惯性;
步骤103、迭代计算建模参数对应的更新建模参数,并判断建模参数对应的更新建模参数是否满足预设条件;
步骤104、若建模参数对应的更新建模参数满足预设条件,则根据建模参数对应的更新建模参数对目标四足机器人进行故障预测。
在步骤101中,目标四足机器人是由不同的组件构成的,这些组件均会影响目标四足机器人的健康状况。
因此,先获取目标四足机器人在一定时间段内的历史数据,然后根据这些历史数据评估各组件对四足机器人健康状况的影响,最后根据评估结果选择需要建模的建模组件,这样构建出来的数字孪生模型能够较好地反映出四足机器人的健康状况,以便对其进行故障预测。
在本申请提供的一种可选实施例中,步骤101可按照如下步骤具体实施:
步骤1011、获取目标四足机器人的历史数据,并根据历史数据评估目标四足机器人中各组件对目标四足机器人健康状况的影响,生成评估结果。
该步骤中,先获取目标四足机器人在一定时间段内的历史数据,这些历史数据能够反映出各组件对四足机器人健康状况的影响。本实施例中,对四足机器人的历史数据的获取过程不作限定。
然后,根据获取到的这些历史数据评估各组件对四足机器人健康状况的影响,生成评估结果。
步骤1012、根据评估结果,选取影响目标四足机器人健康状况的多个建模组件。
该步骤中,根据上述步骤中生成的评估结果,从构成目标四足机器人中的各组件中选取对目标四足机器人健康状况影响较大的多个组件作为建模组件。
在本实施例中,最终选取的建模组件包括机械结构组件、变速箱组件、执行器组件和输入信号组件。
变速箱组件是对四足机器人的健康状况影响最大的组件,其主要由齿轮、轴承和惯性部件组成,而机械结构组件、执行器组件和输入信号组件则是与变速箱组件关系最紧密的其他组件。具体地,至于组件的组合,输入信号组件连接到每个轴的执行器组件上。执行器组件根据输入的角度信号为相应连杆的运动产生扭矩信号。扭矩信号是变速箱组件的输入,从而执行器组件连接到变速箱组件,然后每个变速箱组件连接到相应的连杆上。机械结构组件是四足机器人机械运行执行所必备的基本结构,执行器组件将输入的角度信号转换为输出的扭矩信号,输入的角度信号部分由四足机器人的数据集组成,用于输入仿真所需的轨迹。
最后,输出的扭矩信号在步骤103中,会用于判断建模参数对应的更新建模参数是否满足预设条件。
步骤1013、根据各建模组件的功能,分别定义各建模组件的建模级别。
该步骤中,在上述步骤选取好多个建模组件后,进一步根据各建模组件的功能进行区分,分别定义各建模组件的建模级别,这样可以简化最终构建出的数字孪生模型。
在本实施例中,建模级别分为黑盒、白盒和灰盒三种。若不了解该建模组件的内部工作原理时,则定义其建模级别为黑盒;若该建模组件的确切功能和工作机制是已知的,则定义其建模级别为白盒;若该建模组件需要使用理论数据来完成其模型的,则定义其建模级别为灰盒。
具体地,由于制造商、CAD文件或实时测量提供了必需的建模数据,因此将机械结构组件的建模级别定义为白盒;尽管变速箱组件是数字孪生模型的重要建模组件,但在该部分中观察到的大多都是磨损效应,因此将其建模级别定义为灰盒;执行器组件将输入的角度信号转换为输出的扭矩信号,并用作马达组件的替代品以简化数字孪生模型,因此将其建模级别定义为黑盒;输入信号组件由四足机器人关节角度的数据集组成,用于输入仿真所需的轨迹,因此将其建模组件定义为黑盒。
在步骤102中,根据上述步骤得出的各建模组件及对应的建模级别,通过solidwork对目标四足机器人进行建模,即构建目标四足机器人的数字孪生模型。
在构建出该数字孪生模型后,需要进一步定义其建模参数。这些建模参数将是可编辑的,并将与同步模拟调整相关联,目的是用于调整数字孪生模型与真实四足机器人的行为。
最终,根据四足机器人的实际情况,选择了对四足机器人的健康状况影响最大的变速箱组件中的两个参数作为建模参数,即变速箱摩擦分量Fc和变速箱齿轮惯性Jm,这两个参数均是与变速箱组件使用寿命最相关的参数,有利于对四足机器人的故障预测。
在构建出目标四足机器人的数字孪生模型并定义其建模参数后,运行该数字孪生模型进行模拟仿真,以实现数字孪生模型以及真实四足机器人的同步。
将此时运行该数字孪生模型输出的模拟扭矩信号与获取的四足机器人的实际扭矩信号进行比较,计算出扭矩误差,然后以此来研究建模参数的调整机制。
在步骤103中,根据得出的调整机制,对上述步骤中定义出的建模参数进行迭代更新,分别计算出各建模参数对应的更新建模参数,然后再判断这些更新建模参数是否满足预设条件。
上述预设条件通过比较数字孪生模型输出的模拟扭矩信号与获取的实际扭矩信号之间的偏差来实现的,而模拟扭矩信号是通过将更新建模参数导入数字孪生模型中而模拟输出的。
在本申请提供的一种可选实施例中,步骤103可按照如下步骤具体实施:
步骤1031、基于非线性最小二乘法,迭代计算变速箱摩擦分量对应的更新建模参数和变速箱齿轮惯性对应的更新建模参数。
该步骤中,对各建模参数进行迭代更新时,采用非线性最小二乘法来计算各建模参数对应的更新建模参数。使用这种方法,更新建模参数的取值范围会受到很大限制。使用计算出的更新建模参数执行迭代过程,目的是评估模拟数字孪生模型的行为。
本实施例中,非线性最小二乘法为现有技术,因此此处不再对非线性最小二乘法的原理进行赘述。
最终,基于非线性最小二乘法,可以计算出变速箱摩擦分量对应的更新建模参数和变速箱齿轮惯性对应的更新建模参数。
步骤1032、将变速箱摩擦分量对应的更新建模参数和变速箱齿轮惯性对应的更新建模参数导入数字孪生模型中,并运行数字孪生模型,得到模拟扭矩信号。
该步骤中,将上述步骤中得到的变速箱摩擦分量对应的更新建模参数和变速箱齿轮惯性对应的更新建模参数导入数字孪生模型中,然后运行该数字孪生模型进行模拟仿真,此时数字孪生模型会输出模拟扭矩信号,该模拟扭矩信号将作为判断更新建模参数是否满足预设条件的依据。
步骤1033、判断模拟扭矩信号与获取的实际扭矩信号之间的偏差是否大于最大允许偏差。
该步骤中,通过将更新建模参数导入数字孪生模型中输出模拟扭矩信号时,还通过四足机器人的控制器收集其实际扭矩信号,然后计算模拟扭矩信号与实际扭矩信号之间的偏差。
根据四足机器人的历史数据和先前经验,定义模拟扭矩信号与实际扭矩信号之间的最大允许偏差,然后判断模拟扭矩信号与获取的实际扭矩信号之间的偏差是否大于最大允许偏差。
需要说明的是,本实施例中所述的模拟扭矩信号均是指将更新建模参数导入数字孪生模型中后输出的模拟扭矩信号,即该模拟扭矩信号是与导入数字孪生模型中的更新建模参数对应的。
步骤1034、若大于,则确定变速箱摩擦分量对应的更新建模参数和变速箱齿轮惯性对应的更新建模参数满足预设条件;否则,继续执行迭代计算变速箱摩擦分量对应的更新建模参数和变速箱齿轮惯性对应的更新建模参数的步骤。
该步骤中,若模拟扭矩信号与获取的实际扭矩信号之间的偏差大于最大允许偏差,则确定变速箱摩擦分量对应的更新建模参数和变速箱齿轮惯性对应的更新建模参数满足预设条件。
否则,需要继续对建模参数进行迭代更新,得到新的变速箱摩擦分量对应的更新建模参数和变速箱齿轮惯性对应的更新建模参数,然后再次判断新的变速箱摩擦分量对应的更新建模参数和变速箱齿轮惯性对应的更新建模参数是否满足预设条件。
本实施例中,迭代更新的过程优选每天进行一次,即数字孪生模型每天更新一次,每天均会输出对应的模拟扭矩信号。同时,每个月会整理一个图表显示变速箱摩擦分量Fc和变速箱齿轮惯性Jm对目标四足机器人的变速箱健康状态的影响。
在步骤104中,若建模参数对应的更新建模参数满足预设条件,即将某一次迭代更新过程中得到的变速箱摩擦分量对应的更新建模参数和变速箱齿轮惯性对应的更新建模参数导入数字孪生模型中,并运行数字孪生模型输出对应的模拟扭矩信号,且该模拟扭矩信号与实际扭矩信号之间的偏差大于最大允许偏差,则根据该建模参数对应的更新建模参数对目标四足机器人进行故障预测。
在本申请提供的一种可选实施例中,步骤104可按照如下步骤具体实施:
步骤1041、若建模参数对应的更新建模参数满足预设条件,则根据建模参数对应的更新建模参数的迭代次数,计算目标四足机器人的变速箱的剩余使用寿命。
该步骤中,当该模拟扭矩信号与实际扭矩信号之间的偏差大于最大允许偏差时,说明此时四足机器人的变速箱已出现问题,容易使四足机器人产生故障。此时,停止运行数字孪生模型,并将建模参数对应的更新建模参数的迭代更新次数,即数字孪生模型的运行天数,作为四足机器人的变速箱的剩余使用寿命。
若目标四足机器人具有多个变速箱时,采用相同的方法,模拟目标四足机器人的所有变速箱,并对应估算其剩余使用寿命。
步骤1042、根据目标四足机器人的变速箱的剩余使用寿命,确定目标四足机器人的故障诊断结果。
该步骤中,根据上述步骤得到的目标机器人的变速箱的使用寿命,并据此确定目标四足机器人的故障诊断结果,即可以估算出目标四足机器人的剩余使用寿命。
根据目标四足机器人的变速箱的剩余使用寿命来对目标四足机器人进行故障预测,因此在四足机器人的故障出现前就能对故障进行预测,从而能够对故障进行及时的预测性维护,有效提升了生产效率,还大大降低了企业的运营成本。
在步骤104之后,还包括以下步骤:
步骤105、若建模参数对应的更新建模参数不满足预设条件,则继续执行迭代计算建模参数对应的更新建模参数,并判断建模参数对应的更新建模参数是否满足预设条件的步骤。
在步骤105中,若建模参数对应的更新建模参数不满足预设条件,则需要继续迭代更新建模参数,得到新的更新建模参数,然后继续判断新的建模参数对应的更新建模参数是否满足预设条件,直至其满足预设条件为止,则停止迭代更新过程。
需要说明的是,对于上述方法的实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明所必须的。
综上所述,本发明实施例提供的基于数字孪生的四足机器人故障预测方法,可以选取影响目标四足机器人健康状况的多个建模组件并定义各建模组件的建模级别,接着基于这些建模组件及对应的建模级别来构建数字孪生模型并定义其建模参数,然后迭代更新建模参数并选取满足预设条件的更新建模参数来对目标四足机器人进行故障预测。
本发明能够简单方便地对工业四足机器人设备进行评估,得出故障风险,从而有效提升了生产效率,还大大降低了企业的运营成本。
基于同一发明构思,图2示例性地示出了本发明实施例提供的一种基于数字孪生的四足机器人故障预测装置,由于该装置解决技术问题的原理与一种基于数字孪生的四足机器人故障预测方法相似,因此该装置的具体实施方式可以参见方法的具体实施方式,重复之处不再赘述。
参照图2所示,该装置主要包括如下单元:
组件选取单元201,用于根据目标四足机器人的历史数据,选取影响目标四足机器人健康状况的多个建模组件,并定义各建模组件的建模级别;
模型构建单元202,用于根据各建模组件及对应的建模级别,构建目标四足机器人的数字孪生模型,并定义数字孪生模型的建模参数;建模参数包括变速箱摩擦分量和变速箱齿轮惯性;
参数更新单元203,用于迭代计算建模参数对应的更新建模参数,并判断建模参数对应的更新建模参数是否满足预设条件;
故障预测单元204,用于若建模参数对应的更新建模参数满足预设条件,则根据建模参数对应的更新建模参数对目标四足机器人进行故障预测。
此处需要说明的是,上述组件选取单元201、模型构建单元202、参数更新单元203和故障预测单元204对应于上述方法实施例中的步骤101至步骤104,四个单元与对应的步骤所实现的实例和应用场景相同,但不限于上述方法实施例所公开的内容。
优选地,组件选取单元201具体用于:
获取目标四足机器人的历史数据,并根据历史数据评估目标四足机器人中各组件对目标四足机器人健康状况的影响,生成评估结果;
根据评估结果,选取影响目标四足机器人健康状况的多个建模组件;其中,建模组件包括机械结构组件、变速箱组件、执行器组件和输入信号组件;
根据各建模组件的功能,分别定义各建模组件的建模级别;其中,机械结构组件的建模级别为白盒,变速箱组件的建模级别为灰盒,执行器组件的建模级别为黑盒,输入信号组件的建模级别为黑盒。
优选地,参数更新单元203具体用于:
基于非线性最小二乘法,迭代计算变速箱摩擦分量对应的更新建模参数和变速箱齿轮惯性对应的更新建模参数;
将变速箱摩擦分量对应的更新建模参数和变速箱齿轮惯性对应的更新建模参数导入数字孪生模型中,并运行数字孪生模型,得到模拟扭矩信号;
判断模拟扭矩信号与获取的实际扭矩信号之间的偏差是否大于最大允许偏差;
若大于,则确定变速箱摩擦分量对应的更新建模参数和变速箱齿轮惯性对应的更新建模参数满足预设条件;否则,继续执行迭代计算变速箱摩擦分量对应的更新建模参数和变速箱齿轮惯性对应的更新建模参数的步骤。
优选地,故障预测单元204具体用于:
若建模参数对应的更新建模参数满足预设条件,则根据建模参数对应的更新建模参数的迭代次数,计算目标四足机器人的剩余使用寿命;
根据目标四足机器人的剩余使用寿命,确定目标四足机器人的故障诊断结果。
优选地,故障预测单元204还用于:
若建模参数对应的更新建模参数不满足预设条件,则继续执行迭代计算建模参数对应的更新建模参数,并判断建模参数对应的更新建模参数是否满足预设条件的步骤。
需要说明的是,本发明实施例提供的基于数字孪生的四足机器人故障预测装置与前述实施例所述的基于数字孪生的四足机器人故障预测方法属于相同的技术构思,其具体实施过程可参照前述实施例中对方法步骤的说明,在此不再赘述。
应当理解,以上一种基于数字孪生的四足机器人故障预测装置包括的单元仅为根据该装置实现的功能进行的逻辑划分,实际应用中,可以进行上述单元的叠加或拆分。并且该实施例提供的一种基于数字孪生的四足机器人故障预测装置所实现的功能与上述实施例提供的一种基于数字孪生的四足机器人故障预测方法一一对应,对于该装置所实现的更为详细的处理流程,在上述方法实施例中已做详细描述,此处不再详细描述。
综上所述,本发明实施例提供的基于数字孪生的四足机器人故障预测装置,可以选取影响目标四足机器人健康状况的多个建模组件并定义各建模组件的建模级别,接着基于这些建模组件及对应的建模级别来构建数字孪生模型并定义其建模参数,然后迭代更新建模参数并选取满足预设条件的更新建模参数来对目标四足机器人进行故障预测。
本发明能够简单方便地对工业四足机器人设备进行评估,得出故障风险,从而有效提升了生产效率,还大大降低了企业的运营成本。
基于同一发明构思,图3示例性地示出了本发明实施例提供的一种基于数字孪生的四足机器人故障预测设备,由于该设备解决技术问题的原理与一种基于数字孪生的四足机器人故障预测方法相似,因此该设备的具体实施方式可以参见方法的具体实施方式,重复之处不再赘述。
参照图3所示,本发明实施例提供一种基于数字孪生的四足机器人故障预测设备,该设备主要包括处理器301和存储器302,其中存储器302内存储有执行指令。该处理器301读取存储器302内的执行指令用于执行上述基于数字孪生的四足机器人故障预测方法任一个实施例中所述的步骤。或者,该处理器301读取存储器302内的执行指令用于实现上述基于数字孪生的四足机器人故障预测装置任一个实施例中各单元的功能。
图3为本发明实施例提供的基于数字孪生的四足机器人故障预测设备的一种结构示意图,如图3所示,该设备包括处理器301、存储器302和收发器303;其中,处理器301、存储器302和收发器303通过总线304相互实现相互间的通信。
上述提到的总线304可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Ind ustry StandardArchitecture,EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条箭头线表示,但并不表示仅有一根总线或一种类型的总线。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
综上所述,本发明实施例提供的基于数字孪生的四足机器人故障预测设备,可以选取影响目标四足机器人健康状况的多个建模组件并定义各建模组件的建模级别,接着基于这些建模组件及对应的建模级别来构建数字孪生模型并定义其建模参数,然后迭代更新建模参数并选取满足预设条件的更新建模参数来对目标四足机器人进行故障预测。
本发明能够简单方便地对工业四足机器人设备进行评估,得出故障风险,从而有效提升了生产效率,还大大降低了企业的运营成本。
本发明实施例还提供一种计算机可读存储介质,包含计算机执行指令,所述计算机执行指令被用于执行上述基于数字孪生模型的四足机器人故障预测方法实施例中所述的步骤。或者,所述计算机执行指令被用于执行上述基于数字孪生的四足机器人故障预测装置实施例中各单元的功能。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是,但不限于,电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random Access Memory,RAM)、只读存储器(Read Only Memory,ROM)、可擦式可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、闪存、光纤、便携式CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于:电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、无线电频率(Radio Frequency,RF)等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于数字孪生的四足机器人故障预测方法,其特征在于,包括:
根据目标四足机器人的历史数据,选取影响所述目标四足机器人健康状况的多个建模组件,并定义各所述建模组件的建模级别;
根据各所述建模组件及对应的建模级别,构建所述目标四足机器人的数字孪生模型,并定义所述数字孪生模型的建模参数;所述建模参数包括变速箱摩擦分量和变速箱齿轮惯性;
迭代计算所述建模参数对应的更新建模参数,并判断所述建模参数对应的更新建模参数是否满足预设条件;
若所述建模参数对应的更新建模参数满足预设条件,则根据所述建模参数对应的更新建模参数对所述目标四足机器人进行故障预测。
2.根据权利要求1所述的方法,其特征在于,还包括:
若所述建模参数对应的更新建模参数不满足预设条件,则继续执行迭代计算所述建模参数对应的更新建模参数,并判断所述建模参数对应的更新建模参数是否满足预设条件的步骤。
3.根据权利要求1所述的方法,其特征在于,所述根据目标四足机器人的历史数据,选取影响所述目标四足机器人健康状况的多个建模组件,并定义各所述建模组件的建模级别,包括:
获取所述目标四足机器人的历史数据,并根据所述历史数据评估所述目标四足机器人中各组件对所述目标四足机器人健康状况的影响,生成评估结果;
根据所述评估结果,选取影响所述目标四足机器人健康状况的多个建模组件;其中,所述建模组件包括机械结构组件、变速箱组件、执行器组件和输入信号组件;
根据各所述建模组件的功能,分别定义各所述建模组件的建模级别;其中,所述机械结构组件的建模级别为白盒,所述变速箱组件的建模级别为灰盒,所述执行器组件的建模级别为黑盒,所述输入信号组件的建模级别为黑盒。
4.根据权利要求1所述的方法,其特征在于,所述迭代计算所述建模参数对应的更新建模参数,并判断所述建模参数对应的更新建模参数是否满足预设条件,包括:
基于非线性最小二乘法,迭代计算所述变速箱摩擦分量对应的更新建模参数和所述变速箱齿轮惯性对应的更新建模参数;
将所述变速箱摩擦分量对应的更新建模参数和所述变速箱齿轮惯性对应的更新建模参数导入所述数字孪生模型中,并运行所述数字孪生模型,得到模拟扭矩信号;
判断所述模拟扭矩信号与获取的实际扭矩信号之间的偏差是否大于最大允许偏差;
若大于,则确定所述变速箱摩擦分量对应的更新建模参数和所述变速箱齿轮惯性对应的更新建模参数满足预设条件;否则,继续执行迭代计算所述变速箱摩擦分量对应的更新建模参数和所述变速箱齿轮惯性对应的更新建模参数的步骤。
5.根据权利要求1所述的方法,其特征在于,所述若所述建模参数对应的更新建模参数满足预设条件,则根据所述建模参数对应的更新建模参数对所述目标四足机器人进行故障预测,包括:
若所述建模参数对应的更新建模参数满足预设条件,则根据所述建模参数对应的更新建模参数的迭代次数,计算所述目标四足机器人的变速箱的剩余使用寿命;
根据所述目标四足机器人的变速箱的剩余使用寿命,确定所述目标四足机器人的故障诊断结果。
6.一种基于数字孪生的四足机器人故障预测装置,其特征在于,包括:
组件选取单元,用于根据目标四足机器人的历史数据,选取影响所述目标四足机器人健康状况的多个建模组件,并定义各所述建模组件的建模级别;
模型构建单元,用于根据各所述建模组件及对应的建模级别,构建所述目标四足机器人的数字孪生模型,并定义所述数字孪生模型的建模参数;所述建模参数包括变速箱摩擦分量和变速箱齿轮惯性;
参数更新单元,用于迭代计算所述建模参数对应的更新建模参数,并判断所述建模参数对应的更新建模参数是否满足预设条件;
故障预测单元,用于若所述建模参数对应的更新建模参数满足预设条件,则根据所述建模参数对应的更新建模参数对所述目标四足机器人进行故障预测。
7.根据权利要求6所述的装置,其特征在于,所述组件选取单元具体用于:
获取所述目标四足机器人的历史数据,并根据所述历史数据评估所述目标四足机器人中各组件对所述目标四足机器人健康状况的影响,生成评估结果;
根据所述评估结果,选取影响所述目标四足机器人健康状况的多个建模组件;其中,所述建模组件包括机械结构组件、变速箱组件、执行器组件和输入信号组件;
根据各所述建模组件的功能,分别定义各所述建模组件的建模级别;其中,所述机械结构组件的建模级别为白盒,所述变速箱组件的建模级别为灰盒,所述执行器组件的建模级别为黑盒,所述输入信号组件的建模级别为黑盒。
8.根据权利要求6所述的装置,其特征在于,所述参数更新单元具体用于:
基于非线性最小二乘法,迭代计算所述变速箱摩擦分量对应的更新建模参数和所述变速箱齿轮惯性对应的更新建模参数;
将所述变速箱摩擦分量对应的更新建模参数和所述变速箱齿轮惯性对应的更新建模参数导入所述数字孪生模型中,并运行所述数字孪生模型,得到模拟扭矩信号;
判断所述模拟扭矩信号与获取的实际扭矩信号之间的偏差是否大于最大允许偏差;
若大于,则确定所述变速箱摩擦分量对应的更新建模参数和所述变速箱齿轮惯性对应的更新建模参数满足预设条件;否则,继续执行迭代计算所述变速箱摩擦分量对应的更新建模参数和所述变速箱齿轮惯性对应的更新建模参数的步骤。
9.一种基于数字孪生的四足机器人故障预测设备,其特征在于,包括处理器和存储器,其中所述存储器内存储有执行指令,所述处理器读取所述存储器内的执行指令用于执行如权利要求1~5中任一项所述的基于数字孪生的四足机器人故障预测方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机执行指令,所述计算机执行指令被用于执行如权利要求1~5中任一项所述的基于数字孪生的四足机器人故障预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110770990.7A CN113485295A (zh) | 2021-07-07 | 2021-07-07 | 基于数字孪生的四足机器人故障预测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110770990.7A CN113485295A (zh) | 2021-07-07 | 2021-07-07 | 基于数字孪生的四足机器人故障预测方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113485295A true CN113485295A (zh) | 2021-10-08 |
Family
ID=77937903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110770990.7A Pending CN113485295A (zh) | 2021-07-07 | 2021-07-07 | 基于数字孪生的四足机器人故障预测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113485295A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114918976A (zh) * | 2022-06-16 | 2022-08-19 | 慧之安信息技术股份有限公司 | 基于数字孪生技术的关节机器人健康状态评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110442936A (zh) * | 2019-07-24 | 2019-11-12 | 中国石油大学(北京) | 基于数字孪生模型的设备故障诊断方法、装置及系统 |
CN111230887A (zh) * | 2020-03-10 | 2020-06-05 | 合肥学院 | 一种基于数字孪生技术的工业涂胶机器人运行状态监测方法 |
CN111596604A (zh) * | 2020-06-12 | 2020-08-28 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 |
CN112200493A (zh) * | 2020-11-02 | 2021-01-08 | 傲林科技有限公司 | 一种数字孪生模型构建方法及装置 |
-
2021
- 2021-07-07 CN CN202110770990.7A patent/CN113485295A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110442936A (zh) * | 2019-07-24 | 2019-11-12 | 中国石油大学(北京) | 基于数字孪生模型的设备故障诊断方法、装置及系统 |
CN111230887A (zh) * | 2020-03-10 | 2020-06-05 | 合肥学院 | 一种基于数字孪生技术的工业涂胶机器人运行状态监测方法 |
CN111596604A (zh) * | 2020-06-12 | 2020-08-28 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 |
CN112200493A (zh) * | 2020-11-02 | 2021-01-08 | 傲林科技有限公司 | 一种数字孪生模型构建方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114918976A (zh) * | 2022-06-16 | 2022-08-19 | 慧之安信息技术股份有限公司 | 基于数字孪生技术的关节机器人健康状态评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aivaliotis et al. | Degradation curves integration in physics-based models: Towards the predictive maintenance of industrial robots | |
US11480952B2 (en) | System, method and control unit for diagnosis and life prediction of one or more electro-mechanical systems | |
US9310790B2 (en) | Large-scale comprehensive real-time monitoring framework for industrial facilities | |
Lee et al. | Intelligent prognostics tools and e-maintenance | |
JP2009053938A (ja) | 複数モデルに基づく設備診断システム及びその設備診断方法 | |
CN115562158A (zh) | 一种数字孪生驱动的数控机床智能诊断方法、系统及终端机 | |
Gilabert et al. | Intelligent automation systems for predictive maintenance: A case study | |
CN112417742B (zh) | 一种基于数字孪生模型的齿轮箱寿命动态评估方法及系统 | |
EP4033390A1 (en) | System and method for fault prediction and management of an asset | |
CN113485295A (zh) | 基于数字孪生的四足机器人故障预测方法、装置及设备 | |
Taleb-Berrouane et al. | Dynamic RAMS analysis using advanced probabilistic approach | |
CN104081298B (zh) | 用于自动化和/或电气工程项目中的工作流程的自动化操控的系统和方法 | |
Hess et al. | The maintenance aware design environment: Development of an aerospace phm software tool | |
CN116611523B (zh) | 涡轮风扇发动机的可解释故障预测方法及系统 | |
Weber et al. | System approach-based Bayesian network to aid maintenance of manufacturing processes | |
Antonino et al. | Continuous engineering for Industry 4.0 architectures and systems | |
JP7378367B2 (ja) | 故障診断装置および故障診断方法 | |
Shkarupylo et al. | On Hoare triples applicability to dependable system specification synthesis | |
Lorenzoni et al. | Degradation model constructed with the aid of dynamic Bayesian networks | |
Armendia et al. | Twin-control: a new concept towards machine tool health management | |
AU2016265997B2 (en) | Large-scale comprehensive real-time monitoring framework for industrial facilities | |
Malinowski et al. | Risk Analysis and Prognostics and Health Management for Smart Manufacturing | |
Shorthill et al. | An application of a modified beta factor method for the analysis of software common cause failures | |
Kolodenkova et al. | Data fusion and industrial equipment diagnostics based on information technology | |
Costa et al. | Prolonging Robot Lifespan Using Fatigue Balancing with Reinforcement Learning |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211008 |