CN113988202B - 一种基于深度学习的机械臂异常振动检测方法 - Google Patents

一种基于深度学习的机械臂异常振动检测方法 Download PDF

Info

Publication number
CN113988202B
CN113988202B CN202111297721.XA CN202111297721A CN113988202B CN 113988202 B CN113988202 B CN 113988202B CN 202111297721 A CN202111297721 A CN 202111297721A CN 113988202 B CN113988202 B CN 113988202B
Authority
CN
China
Prior art keywords
data
mechanical arm
abnormal
neural network
recognition model
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
CN202111297721.XA
Other languages
English (en)
Other versions
CN113988202A (zh
Inventor
张校志
付鑫
韩乐
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202111297721.XA priority Critical patent/CN113988202B/zh
Publication of CN113988202A publication Critical patent/CN113988202A/zh
Application granted granted Critical
Publication of CN113988202B publication Critical patent/CN113988202B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及异常检测的技术领域，并公开了一种基于深度学习的机械臂异常振动检测方法，只需要在训练阶段加装获取振幅数据的装置，获取实际的振幅数据用于采用事后分析的方法判断机械臂的轴是否产生了异常振动，生成标注数据，在训练完成后，不需要依赖额外加装机械结构即可实时对轴或关节的异常振动进行实时检测，且基于深度学习的机械臂异常振动方法考虑了机械臂不同轴或关节之间的耦合关系，将实时控制器实时反馈所有轴的状态数据作为输入，网络结构并不复杂，能够满足实时性要求。相比于阈值判断或事后非实时判断的方法，本发明能很好应对机械臂运行时状态一直变化的情况，适用性更强。

Description

一种基于深度学习的机械臂异常振动检测方法
技术领域
本发明涉及异常检测的技术领域，尤其涉及到一种基于深度学习的机械臂异常振动检测方法。
背景技术
早期技术研究中，将机械臂当作刚体，建模与实际情况存在较大的偏差，真实情况下的机械臂连接构件之间存在弹性，并非刚性。由于机械臂各轴弹性而引起的机械振动往往会对安全生产造成巨大的影响，轻则引起工作精度不够或者机械臂结构遭到破坏，重则造成重大的安全事故和经济损失。因此，对机械臂的异常振动进行检测显得尤为重要。
现有技术中，要实现实时对处于运行过程中的机械臂进行异常振动监测，可以通过建模的方法获取振幅数据，然后采用固定/动态阈值或者聚类的方法分析聚类结果中离散点的数量判断是否出现了异常振动，但这种方案中，通过建模方法获取振幅过于理想，现实中往往存在噪声和干扰项，阈值判断的方法不能够很好应对机械臂运行时状态一直变化的情况，聚类的方法属于事后的一种分析手段，不满足实时性要求。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于深度学习的机械臂异常振动检测方法，其适应性强，在保证检测精度的情况下，还能达到实时性的要求。
为实现上述目的，本发明所提供的技术方案为：
一种基于深度学习的机械臂异常振动检测方法，包括以下步骤：
S1、提前采集机械臂数据，并将采集到的机械臂数据放入时序数据库中；
S2、人工通过时序数据库中的数据判断机械臂的轴在采集数据的对应时刻是否产生异常振动，并对数据进行标注，标注出异常数据和非异常数据；
S3、对已标注的数据进行均衡化；
S4、划分已均衡化的数据集，分为训练集和验证集；
S5、构建神经网络识别模型；
S6、将已均衡化的训练集作为输入，采用梯度下降算法开始训练模型，直到模型收敛，并通过已均衡化的验证集进行验证，得到准训练好的神经网络识别模型，准训练好的神经网络识别模型的准确度达到设定值T1；
S7、结合实时采集到的机械臂数据更新准训练好的神经网络识别模型，得到训练好的神经网络识别模型，训练好的神经网络识别模型的准确度达到设定值T2，且T2>T1；
S8、通过训练好的神经网络识别模型对后续实时采集的机械臂数据进行异常振动检测。
进一步地，所述步骤S1具体包括：
让机械臂搭载不同的负载，在安全空间范围内运动，使得采样的点在机械臂运动空间内均匀分布，每隔控制周期的整数倍采集一次机械臂各个轴的状态数据，采集的数据包括三部分，分别如下：
1)通过实时控制器获取当前时刻的各轴状态反馈数据：速度V、位置P、加速度a、力矩F；
2)通过振幅数据获取装置获取当前时刻机械臂各轴的振幅和通过温度传感器测得各轴的电机温度；
3)其它数据：机械臂负载数据和关节自身的质量。
进一步地，所述步骤S2中，人工通过振幅数据获取装置获取的机械臂各轴的振幅数据判断机械臂的轴是否产生异常振动，异常则标注为1，非异常则标注为0。
进一步地，所述步骤S3中，均衡化包括对异常数据进行过采样从而增强异常数据的比例，以及对非异常数据进行降低采样的方法，只选取一部分非异常数据参与训练。
进一步地，过采样方式包括重复异常部分的数据以及采用SMOTE方法。
进一步地，所述步骤S7中，更新准训练好的神经网络识别模型，得到训练好的神经网络识别模型的具体过程如下：
S7-1、部署准训练好的神经网络识别模型；
S7-2、实时采集机械臂数据，采集的数据包括实时获取的机械臂各轴状态反馈数据：速度V实、位置P实、加速度a实、力矩F实，以及通过振幅数据获取装置获取的机械臂各轴的振幅和温度传感器测得的各轴的电机温度；
S7-3、通过准训练好的神经网络识别模型对实时采集的机械臂数据进行推断识别，得到推断识别结果；
S7-4、人工结合实时采集到的机械臂数据对步骤S7-2推断识别得到的结果进行判断，若人工认为结果有误，则依据人工对结果错误的机械臂数据进行标注，进入步骤S7-5，否则，将结果无误的机械臂数据记录下来，并返回步骤S7-2，直至记录下来的结果无误的机械臂数据达到设定的数量；当达到数量后，通过均匀抽样从该批结果无误的机械臂数据中抽出部分进行标注，并进入步骤S7-5；
S7-5、将步骤S7-4所有标注后的机械臂数据作为新数据集，并分为新的训练集和验证集；
S7-6、通过新的训练集和验证集对准训练好的神经网络识别模型进行训练和验证，若准确度达到设定值T2，则得到训练好的神经网络识别模型，否则返回步骤S7-2。
进一步地，所述步骤S8中，后续实时采集的机械臂数据包括通过实时控制器实时获取的各轴状态反馈数据：速度V实、位置P实、加速度a实、力矩F实。
进一步地，所述振幅数据获取装置为振幅传感器。
与现有技术相比，本方案原理及优点如下：
1、本方案只需要在训练阶段加装获取振幅数据的装置，获取实际的振幅数据用于机械臂的轴是否产生了异常振动，生成标注数据，在训练完成后，不需要依赖额外加装机械结构即可实时对轴或关节的异常振动进行实时检测，且基于深度学习的机械臂异常振动方法考虑了机械臂不同轴或关节之间的耦合关系，将实时控制器实时反馈所有轴的状态数据作为输入，网络结构并不复杂，能够满足实时性要求。
2、相比于阈值判断的方法，本方案能很好应对机械臂运行时状态一直变化的情况，适用性更强。
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服务作简单地介绍，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为本发明一种基于深度学习的机械臂异常振动检测方法的原理流程图；
图2为本发明实施例中的神经网络架构图；
图3为本发明实施例中结合新数据训练准训练好的神经网络识别模型的原理流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
如图1所示，本实施例所述的一种基于深度学习的机械臂异常振动检测方法，包括以下步骤：
S1、提前采集机械臂数据，并将采集到的机械臂数据放入时序数据库中；
本步骤中，让机械臂搭载不同的负载，在安全空间范围内运动，使得采样的点在机械臂运动空间内均匀分布，每隔控制周期的整数倍采集一次机械臂的各个轴的状态数据，采集的数据包括三部分，分别如下：
1)通过实时控制器获取当前时刻各轴状态反馈数据：速度V、位置P、加速度a、力矩F；
2)通过振幅数据获取装置获取当前时刻机械臂各轴的振幅和通过温度传感器测得各轴的电机温度；
3)其它数据：机械臂负载数据和关节自身的质量。
S2、人工通过时序数据库中的机械臂各轴的振幅数据判断机械臂的轴在采集数据的对应时刻是否产生异常振动，并对数据进行标注，异常则标注为1，非异常则标注为0(因为机械臂运动状态不同的时候，判断是否处于异常振动的阈值或者振幅特征也不同，所以需要人为判断)。
S3、根据机械臂实际运行情况可知，异常数据往往少于非异常数据，因此本步骤对已标注的数据进行均衡化，通过对异常数据进行过采样，从而增强异常数据的比例。而过采样方式采用SMOTE(Synthetic Minority Oversampling Technique)方法。
S4、划分已均衡化的数据集，分为训练集和验证集；
S5、构建神经网络识别模型；
S6、将已均衡化的训练集作为输入，采用梯度下降算法开始训练模型，直到模型收敛，并通过已均衡化的验证集进行验证，得到准训练好的神经网络识别模型，准训练好的神经网络识别模型的准确度达到设定值T1(例如98％)；
以六轴机械臂为例子，神经网络架构如图2所示；
模型的输入为t时刻控制器反馈的6个轴的速度Vt、位置Pt、加速度at、力矩Ft、关节电机温度、关节质量，除此之外，还需要输入机械臂的负载，输入数据总共为：6*6+1＝37(个)；
模型的输出为6个单值，每个值只能取0或者1，代表在t时刻，对应的轴是否处于异常振动，1代表异常振动。
模型说明：
模型包括全连接层、隐藏层、全连接层、激活层等；另外，考虑到机械臂是由关节组成，关节之间通过机械结构连接，关节之间会相互影响，产生异常振动的诱因可能是多个关节共同作用的结果，因此将所有关节的状态作为输入；加入自注意力机制(self-attention)使得模型在预测关节是否发生异常振动的时候自行去学习需要关注的输入特征。举例：直觉上，单个轴或关节是否会产生异常振动往往和最靠近其的轴或关节的状态最相关，此外，还不同程度上受到机械臂负载的影响。量化这种关联在建模上难度较大，通过引入注意力机制的深度神经网络，使得模型能够自行学会聚焦局部的特征，更准确地检测某个轴或关节是否产生异常振动。
S7、结合实时采集到的机械臂数据更新准训练好的神经网络识别模型，得到训练好的神经网络识别模型，训练好的神经网络识别模型的准确度达到设定值T2(例如99.8％)；
如图3所示，本步骤的具体过程如下：
S7-1、部署准训练好的神经网络识别模型；
S7-2、实时采集机械臂数据，此时采集的数据包括实时获取的各轴状态反馈数据：速度V实、位置P实、加速度a实、力矩F实，以及通过振幅数据获取装置获取的机械臂各轴的振幅和各轴电机温度；
S7-3、通过准训练好的神经网络识别模型对实时采集的机械臂数据进行推断识别，得到推断识别结果；
S7-4、人工结合实时采集到的机械臂数据对步骤S7-2推断识别得到的结果进行判断，若人工认为结果有误，则依据人工对结果错误的机械臂数据进行标注，进入步骤S7-5，否则，将结果无误的机械臂数据记录下来，并返回步骤S7-2，直至记录下来的结果无误的机械臂数据达到设定的数量；当达到数量后，通过均匀抽样从该批结果无误的机械臂数据中抽出部分进行标注，并进入步骤S7-5；
S7-5、将步骤S7-4所有标注后的机械臂数据作为新数据集，并分为新的训练集和验证集；
S7-6、通过新的训练集和验证集对准训练好的神经网络识别模型进行训练和验证，若准确度达到设定值T2，则得到训练好的神经网络识别模型，否则返回步骤S7-2。
S8、通过训练好的神经网络识别模型对后续实时采集的机械臂数据进行异常振动检测。本步骤中，后续实时采集的机械臂数据只包括通过实时控制器实时获取的各轴状态反馈数据：速度V实、位置P实、加速度a实、力矩F实，无需要再通过振幅传感器获取机械臂各轴的振幅和各轴的电机温度，也不用再获取机械臂负载数据和关节自身的质量。
本实施例只需要在训练阶段加装获取振幅数据的装置，获取实际的振幅数据用于机械臂的轴是否产生了异常振动，生成标注数据，在训练完成后，不需要依赖额外加装机械结构即可实时对轴或关节的异常振动进行实时检测，且基于深度学习的机械臂异常振动方法考虑了机械臂不同轴或关节之间的耦合关系，将实时控制器实时反馈所有轴的状态数据作为输入，网络结构并不复杂，能够满足实时性要求。相比于阈值判断的方法，本实施例能很好应对机械臂运行时状态一直变化的情况，适用性更强。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (6)

1.一种基于深度学习的机械臂异常振动检测方法，其特征在于，包括以下步骤：
S1、提前采集机械臂状态数据，并将采集到的机械臂数据放入时序数据库中；
S2、人工通过时序数据库中的数据判断机械臂的轴在采集数据的对应时刻是否产生异常振动，并对数据进行标注，标注出异常数据和非异常数据；
S3、对已标注的数据进行均衡化，调整异常数据和非异常数据的比例；
S4、划分已均衡化的数据集，分为训练集和验证集；
S5、构建神经网络识别模型；
S6、将已均衡化的训练集作为输入，采用梯度下降算法开始训练模型，直到模型收敛，并通过已均衡化的验证集进行验证，得到准训练好的神经网络识别模型，准训练好的神经网络识别模型的准确度达到设定值T1；
S7、结合实时采集到的机械臂数据更新准训练好的神经网络识别模型，得到训练好的神经网络识别模型，训练好的神经网络识别模型的准确度达到设定值T2，且T2>T1；
S8、通过训练好的神经网络识别模型对后续实时采集的机械臂数据进行异常振动检测；
所述步骤S1具体包括：
让机械臂搭载不同的负载，在安全空间范围内运动，使得采样的点在机械臂运动空间内均匀分布，每隔控制周期的整数倍采集一次机械臂的各个轴的状态数据，采集的数据包括三部分，分别如下：
1)通过实时控制器获取当前时刻各轴状态反馈数据：速度V、位置P、加速度a、力矩F；
2)通过振幅数据获取装置获取当前时刻机械臂各轴的振幅和通过温度传感器测得各轴的电机温度；
3)其它数据：机械臂负载数据和关节自身的质量；
所述步骤S2中，人工通过振幅数据获取装置获取的机械臂各轴的振幅数据判断机械臂的轴是否产生异常振动；
所述步骤S6中，模型的输入为当前时刻实时控制器反馈的各轴的速度V、位置P、加速度a、力矩F、电机温度、关节自身的质量以及机械臂的负载数据；
所述步骤S7中，更新准训练好的神经网络识别模型，得到训练好的神经网络识别模型的具体过程如下：
S7-1、部署准训练好的神经网络识别模型；
S7-2、实时采集机械臂数据，采集的数据包括实时获取的机械臂各轴状态反馈数据：速度V实、位置P实、加速度a实、力矩F实，以及通过振幅数据获取装置获取的机械臂各轴的振幅和温度传感器测得的各轴的电机温度；
S7-3、通过准训练好的神经网络识别模型对实时采集的机械臂数据进行推断识别，得到推断识别结果；
S7-4、人工结合实时采集到的机械臂数据对步骤S7-3推断识别得到的结果进行判断，若人工认为结果有误，则依据人工对结果错误的机械臂数据进行标注，进入步骤S7-5，否则，将结果无误的机械臂数据记录下来，并返回步骤S7-2，直至记录下来的结果无误的机械臂数据达到设定的数量；当达到数量后，通过均匀抽样从该批结果无误的机械臂数据中抽出部分进行标注，并进入步骤S7-5；
S7-5、将步骤S7-4所有标注后的机械臂数据作为新数据集，并分为新的训练集和验证集；
S7-6、通过新的训练集和验证集对准训练好的神经网络识别模型进行训练和验证，若准确度达到设定值T2，则得到训练好的神经网络识别模型，否则返回步骤S7-2。
2.根据权利要求1所述的一种基于深度学习的机械臂异常振动检测方法，其特征在于，所述步骤S2中，异常则标注为1，非异常则标注为0。
3.根据权利要求1所述的一种基于深度学习的机械臂异常振动检测方法，其特征在于，所述步骤S3中，均衡化包括对异常数据进行过采样从而增强异常数据的比例，以及对非异常数据进行降低采样的方法，只选取一部分非异常数据参与训练。
4.根据权利要求3所述的一种基于深度学习的机械臂异常振动检测方法，其特征在于，过采样方式包括重复异常部分的数据以及采用SMOTE方法。
5.根据权利要求1-4任一所述的一种基于深度学习的机械臂异常振动检测方法，其特征在于，所述步骤S8中，后续实时采集的机械臂数据包括通过实时控制器实时获取的各轴状态反馈数据：速度V实、位置P实、加速度a实、力矩F实。
6.根据权利要求1或2所述的一种基于深度学习的机械臂异常振动检测方法，其特征在于，所述振幅数据获取装置为振幅传感器。
CN202111297721.XA 2021-11-04 2021-11-04 一种基于深度学习的机械臂异常振动检测方法 Active CN113988202B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111297721.XA CN113988202B (zh) 2021-11-04 2021-11-04 一种基于深度学习的机械臂异常振动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111297721.XA CN113988202B (zh) 2021-11-04 2021-11-04 一种基于深度学习的机械臂异常振动检测方法

Publications (2)

Publication Number Publication Date
CN113988202A CN113988202A (zh) 2022-01-28
CN113988202B true CN113988202B (zh) 2022-08-02

Family

ID=79746315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111297721.XA Active CN113988202B (zh) 2021-11-04 2021-11-04 一种基于深度学习的机械臂异常振动检测方法

Country Status (1)

Country Link
CN (1) CN113988202B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114543982B (zh) * 2022-03-11 2023-09-08 珠海格力电器股份有限公司 设备的振动检测方法、装置、振动检测设备及存储介质
CN114932560B (zh) * 2022-07-25 2022-11-22 山东贞元汽车车轮有限公司 一种机械臂抓取轮毂的自动控制方法和系统
CN115147052B (zh) * 2022-09-02 2022-11-15 泗水县信诺线缆厂(普通合伙) 一种hdmi线缆库区智能管理系统
CN115993366B (zh) * 2023-03-24 2023-07-07 枣庄市大猫电子科技有限公司 基于传感设备的加工件表面检测方法及系统
CN116277040B (zh) * 2023-05-23 2023-07-18 佛山隆深机器人有限公司 基于深度学习的机械臂振动抑制方法、装置、设备及介质
CN116277161B (zh) * 2023-05-25 2023-12-08 山东理工职业学院 一种基于三维模型坐标的机械臂动态偏移监测系统
CN116968036B (zh) * 2023-09-20 2024-04-05 廊坊市珍圭谷科技有限公司 一种用于精密设备制造的机械手臂控制装置

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108520093B (zh) * 2018-03-02 2020-08-18 山东大学 一种基于知识库的机械设备故障诊断方法和装置
CN109029937A (zh) * 2018-05-24 2018-12-18 华中科技大学 一种基于数据的机械手臂轨迹异常监测方法
CN109710636B (zh) * 2018-11-13 2022-10-21 广东工业大学 一种基于深度迁移学习的无监督工业系统异常检测方法
KR102148792B1 (ko) * 2019-03-21 2020-08-27 조선내화 주식회사 레이저 진동측정을 이용한 제강 - 연주 공정설비 제어 및 상태분석 방법과 이를 이용한 시스템
CN110210516A (zh) * 2019-04-25 2019-09-06 合刃科技（武汉）有限公司 基于深度学习的机床异常识别方法、系统及终端设备
CN210146209U (zh) * 2019-05-22 2020-03-17 中材海外工程有限公司 用于立磨设备的振动监测控制装置
CN110867196B (zh) * 2019-12-03 2024-04-05 桂林理工大学 一种基于深度学习及声音识别的机器设备状态监测系统
CN111209168A (zh) * 2020-01-14 2020-05-29 中国人民解放军陆军炮兵防空兵学院郑州校区 一种基于nLSTM-self attention的日志序列异常检测框架
CN111597182A (zh) * 2020-05-20 2020-08-28 中国石油化工股份有限公司 一种基于卷积神经网络的抽油机驱动电机故障异常识别方法
CN111798518A (zh) * 2020-07-17 2020-10-20 腾讯科技（深圳）有限公司 机械臂姿态检测方法、装置和设备及计算机存储介质
CN112067289A (zh) * 2020-08-21 2020-12-11 天津电气科学研究院有限公司 一种基于神经网络的电机轴及传动轴异常振动预警算法
CN112459971A (zh) * 2020-11-30 2021-03-09 吉电(滁州)章广风力发电有限公司 风力发电机组塔筒的异常振动检测方法
CN112581031B (zh) * 2020-12-30 2023-10-17 杭州朗阳科技有限公司 一种c语言实现递归神经网络（rnn）对电机异常进行实时监控的方法
CN113239970A (zh) * 2021-04-16 2021-08-10 首钢集团有限公司 一种模型训练方法、设备振动异常检测方法和装置
CN113469217A (zh) * 2021-06-01 2021-10-01 桂林电子科技大学 一种基于深度学习的无人驾驶汽车导航传感器异常检测方法
CN113343633B (zh) * 2021-06-10 2022-04-26 上海交通大学 动力锂电池热失控故障分类及风险预测方法、系统
CN113378967B (zh) * 2021-06-28 2022-11-08 哈尔滨工业大学 一种基于卷积神经网络与迁移学习的结构健康监测多元数据异常诊断方法
CN113459109B (zh) * 2021-09-03 2021-11-26 季华实验室 机械臂路径规划方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113988202A (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
CN113988202B (zh) 一种基于深度学习的机械臂异常振动检测方法
WO2022037068A1 (zh) 一种机床轴承故障诊断方法
CN108444708B (zh) 基于卷积神经网络的滚动轴承智能诊断模型的建立方法
CN111695598B (zh) 一种基于生成对抗网络的监测数据异常诊断方法
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN107369635B (zh) 一种基于深度学习的智能半导体装备系统
CN113567132B (zh) 基于数字孪生技术的电机滚动轴承故障模型构建方法
CN115683235B (zh) 一种工业机器人伺服电机振动故障检测方法及装置
CN107391861A (zh) 不依赖本体动力学参数的工业机器人负载动力学参数辨识方法
CN110243595B (zh) 一种基于LabVIEW的远程齿轮箱故障监测系统
CN111537173A (zh) 一种基于数字孪生的微电子产品跌落冲击可靠性评估方法
CN107016396A (zh) 一种装配连接件图像特征深度学习与识别方法
CN108932581A (zh) 多物理域信息融合的自主感知方法及系统
CN111860839A (zh) 基于多信号融合及Adam优化算法的岸桥故障监测方法
US20190332936A1 (en) Additional learning method for deterioration diagnosis system
CN111639749A (zh) 一种基于深度学习的工业机器人摩擦力辨识方法
CN110879602B (zh) 基于深度学习的无人机控制律参数调节方法及系统
KR20220062547A (ko) 센서 애그나스틱 기계적 기계 결함 식별
CN110018322A (zh) 一种基于深度学习的转速检测方法及系统
CN115859077A (zh) 一种变工况下多特征融合的电机小样本故障诊断方法
CN116793682A (zh) 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法
Karlsson et al. Detection and control of contact force transients in robotic manipulation without a force sensor
Park et al. Data-driven fault detection and isolation of system with only state measurements and control inputs using neural networks
KR20200031463A (ko) 로봇 고장원인 진단 시스템 및 방법
CN111006941B (zh) 一种真三轴试验力转变形及峰后扰动自动化控制方法

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