CN114055516A - 一种故障诊断和维保的方法、系统、设备及存储介质 - Google Patents
一种故障诊断和维保的方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN114055516A CN114055516A CN202111324890.8A CN202111324890A CN114055516A CN 114055516 A CN114055516 A CN 114055516A CN 202111324890 A CN202111324890 A CN 202111324890A CN 114055516 A CN114055516 A CN 114055516A
- Authority
- CN
- China
- Prior art keywords
- joint
- fault
- motion data
- stage
- maintenance
- 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
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/0095—Means or methods for testing manipulators
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/0066—Means or methods for maintaining or repairing manipulators
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种故障诊断和维保的方法、系统、设备及存储介质,用于解决现有技术中无法根据机器人在使用过程中的运行状态进行针对性维护的技术问题。该故障诊断和维保的方法包括:接收机器人关节的关节运动数据,判断关节运动数据和故障阈值间的大小关系,根据大小关系确定关节的当前生命阶段;将关节运动数据输入故障程度模型中进行计算,预测所述关节的下一生命阶段;生命阶段包括容错阶段、劣化阶段和故障阶段,故障程度模型用于根据关节运动数据,计算关节的预测下一生命阶段;当关节的下一运行状态是故障状态时,向用户发送提示信息,提示该关节需要进行维护。
Description
技术领域
本发明专利涉及机械装置故障诊断领域,尤其涉及一种故障诊断和维保的方法、系统、设备及存储介质。
背景技术
工业机器人是广泛用于工业领域的多关节机械手或多自由度的机器装置,具有一定的自动性,可依靠自身的动力能源和控制能力实现各种工业加工制造功能。相比于传统的工业设备,工业机器人有着易用性、智能化水平高、生产效率及安全性高、易于管理且经济效益显著等特点,使得它们可以在高危环境下进行作业。
但同时,工业机器人在使用过程中,需要不断的进行维护和保养,以保证工业机器人正常运行。现有技术中,机器人的维护和保养通常由定期维护方案和不定期维护方案组成,但维护后用户无法量化维护效果,也无法针对机器在使用过程中的运行状态进行针对性维护。
鉴于此,如何根据机器人在使用过程中的运行状态进行针对性维护,成为一个亟待解决的技术问题。
发明内容
本发明提供一种故障诊断和维保的方法、系统、设备及计算机存储介质,用于解决现有技术中无法根据机器人在使用过程中的运行状态进行针对性维护的技术问题。
本发明第一方面提供了一种故障诊断和维保的方法,所述方法包括:
接收机器人关节的关节运动数据,判断所述关节运动数据和故障阈值间的大小关系,根据所述大小关系确定所述关节的当前生命阶段;其中,故障阈值是取所述关节运行在故障状态下,历史关节运动数据经过一定数据处理后得到的极值;
将所述关节运动数据输入所述故障程度模型中进行计算,获得所述关节预测下一生命阶段;所述生命周期包括容错阶段、劣化阶段和故障阶段,所述故障程度模型用于根据所述关节运动数据,预测所述关节的下一生命阶段;
当所述关节的下一运行状态是故障状态时,向用户发送提示信息,提示该关节需要进行维护。
可选的,判断所述关节运动数据和故障阈值间的大小关系,根据所述大小关系确定所述关节的当前运行状态,包括:
当所述关节运动数据大于所述故障阈值,则确定所述关节的当前运行状态为故障状态;
当所述关节运动数据小于所述故障阈值,则确定所述关节的当前运行状态为劣化状态。
当所述关节处于新近更换时,则确定所述关节的当前运行状态为容错状态。
可选的,将所述关节运动数据输入所述故障程度模型中进行计算,预测所述关节的下一生命阶段,包括:
将所述关节运动数据输入到所述故障程度模型的故障程度函数中进行计算,获得所述关节的当前故障程度值;其中所述当前故障程度值为量化所述关节的当前生命阶段和初始生命阶段之间的差值;
将所述关节的当前故障程度值输入到所述故障程度模型的生命阶段发展函数中,预测所述关节的下一生命阶段;其中,所述生命阶段发展函数用于表征当前故障程度值和生命阶段之间的函数关系。
可选的,将所述关节运动数据输入到故障程度模型中进行计算,还包括:
在确定故障程度模型时,利用历史关节运动数据和历史关节生命阶段,计算所述故障程度模型的关节故障程度函数;
将所述关节运动数据输入所述故障程度模型的关节故障程度函数,获得所述关节运动数据对应的当前故障程度。
可选的,将所述关节的当前故障程度值输入到所述故障程度模型中,预测所述关节的下一生命阶段之后,包括:
将所述关节当前的生命阶段、所述关节运动数据,存入所述故障程度模型的缓存区中,作为历史关节运动数据和历史关节生命阶段;
将所述关节的当前故障程度值和生命阶段存入所述故障程度模型中,根据所有的历史故障程度值和历史生命阶段,重新计算所述故障程度模型。
可选的,当所述关节的下一运行状态是故障状态时,向用户发送提示信息,提示该关节需要进行维护之后,还包括:
接受维护后的所述关节的关节运动数据,将维护更换后的关节数据设置为容错阶段对应的关节运动数据;将维护但是不更换关节部件时的关节运动数据,设置为劣化阶段对应的关节运动数据;
将维护更换部件前的关节数据设置为故障阶段的关节运动数据;
根据所述故障阶段对应的关节运动数据,校正所述故障阈值。
第二方面,本申请实施例提供了一种故障诊断和维保的系统,包括:
判断模块,用于接收机器人关节的关节运动数据,判断所述关节运动数据和故障阈值间的大小关系,根据所述大小关系确定所述关节的当前生命阶段;其中,故障阈值是取所述关节运行在故障状态下,历史关节运动数据的极值;
预测模块,用于将所述关节运动数据输入所述故障程度模型中进行计算,预测所述关节的下一生命阶段;所述故障程度模型用于根据所述关节运动数据,计算所述关节的当前生命阶段和预测下一生命阶段;
故障学习模块,获得用户对关节的故障评级判定描述和相应的关节运动数据,学习故障模型。故障模型将会更新到预测模块中。
报警模块,用于当所述关节的下一运行状态是故障状态时,向用户发送提示信息,提示该关节需要进行维护。
第三方面,本申请实施例提供了一种故障诊断和维保的装置,包括:
关节驱动单元,用于获取机器人关节的运动数据;
故障预测单元,用于执行如第一方面述的方法,以根据机器人在使用过程中的运行状态进行针对性维护。
第四方面,本申请实施例提供了一种故障诊断和维保的装置,包括:
至少一个处理器,以及
与所述至少一个处理器连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令执行如第一方面所述的方法。
第五方面,本申请实施例提供了一种计算机可读存储介质,包括:
所述计算机可读存储介质存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行如第一方面任一项所述的方法。
本发明实施例中的技术方案具有以下有益效果:接收机器人关节的关节运动数据,判断所述关节运动数据和故障阈值间的大小关系,根据所述大小关系确定所述关节的当前生命阶段;其中,故障阈值是所述关节运行在故障状态下,历史关节运动数据的极值;将所述关节运动数据输入所述故障程度模型中进行计算,预测所述关节的下一生命阶段;所述故障程度模型用于根据所述关节运动数据,计算所述关节的预测下一生命阶段;当所述关节的下一运行状态是故障状态时,向用户发送提示信息,提示该关节需要进行维护。从而根据机器人的运行状态进行针对性维护,减少定期维护的停机次数,减少停机维护成本,降低意外停机率,提高维护保养的目的性。
附图说明
图1是本发明实施例提供的一种故障诊断和维保的方法的流程图;
图2是本发明实施例提供的一种故障诊断和维保的装置的结构示意图;
图3是本发明实施例提供的一种机器人关节运动数据的示意图;
图4是本发明实施例提供的一种训练学习模型的流程图;
图5是本发明实施例提供的一种校正故障阈值的示意图;
图6是本发明实施例提供的一种故障诊断和维保的系统的结构示意图;
图7是本发明实施例提供的另一种故障诊断和维保的装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
现有技术中,现有的机器人维护保养系统是由基于定期维护和不定期维护方案组成的保养系统,通常不同时具备故障检测、故障诊断和故障预测等功能。机器人的实际使用者对维护保养在设备产生的改善程度的量化效果不明确。维护保养行为作为一种重要的信息被丢失,导致故障预测和诊断信息等有效信息损失。机器人维护系统不包含预测性维护,故障诊断依赖于设备生产商售后服务,有滞后性的特点;或是依赖于设备出场时候的预设参数或算法进行故障预测,有场景不适用性的特点。
为此,本发明提供一种故障诊断和维保的方法、系统、设备及计算机存储介质,用于解决现有技术中无法根据机器人在使用过程中的运行状态进行针对性维护的技术问题。
下面结合说明书附图介绍本申请实施例提供的技术方案。
请参见图1,本发明提供一种故障诊断和维保的方法,该方法的具体流程如下:
S101、接收机器人关节的关节运动数据,判断关节运动数据和故障阈值间的大小关系,根据大小关系确定关节的当前生命阶段;其中,故障阈值是取关节运行在故障状态下,关节运动数据经过处理后的极值,运动数据包括关节在执行某一固定动作或动作组合的期间获得的与该关节相关的数据;
S102、将关节运动数据输入故障程度模型中进行计算,获得关节预测下一生命阶段;生命阶段包括容错阶段、劣化阶段和故障阶段,故障程度模型用于根据关节运动数据,预测所述关节的下一生命阶段之后;
S103、当关节的下一运行状态是故障状态时,向用户发送提示信息,提示该关节需要进行维护。
其中,判断关节运动数据和故障阈值间的大小关系,根据大小关系确定关节的当前运行状态,包括:
当关节运动数据大于故障阈值,则确定关节的当前运行状态为故障状态;
当关节运动数据小于故障阈值,则确定关节的当前运行状态为劣化状态;
当所述关节处于新近更换时,则确定所述关节的当前运行状态为容错状态。
例如,如图2所示,图2是本发明实施例提供的一种故障诊断和维保的装置的结构示意图。假设机器人为液晶基板搬运机器人,传感器模块采集关节运动数据为电机驱动数据。传感器模块201采集机器人运行过程中的关节数据如图3所示,图3是本发明实施例提供的一种机器人关节运动数据的示意图。其中曲线301为机器人工作时,传感器模块201采集到的在一次动作过程中,电机驱动力的幅值和时间的关系;曲线302为故障阈值曲线。
由于关节运动数据曲线301的幅值小于故障阈值曲线302,确定关节的当前运行状态为劣化状态。数据分析模块202将关节运动数据输入故障程度模型中进行计算,得到结果为预测下一生命阶段为故障状态。当关节运动数据的幅值大于故障阈值曲线,得到的结果为预测当前生命阶段为故障状态。所述数据分析模块202将所述预测下一生命阶段转化为维护需求(该关节即将进入故障状态,请及时维护),将维护需求发送至维护需求显示模型203中
维护需求显示模块203将维护需求(该关节即将进入故障状态,请及时维护)显示给用户,方便用户对该关节进行维护保养。
在实际应用中,关节运动数据可以包括伺服电机的电流电压、机器人移动的速度、力矩、位置偏差等能够标识关节运行状态的参数。关节运动数据可以通过布设传感器直接获取,也可以通过其他方式间接获取。预测下一生命阶段可以由用户根据该关节的使用时间,用户检测设备的结果描述,包括减速机内润滑脂中铁粉含量浓度或用户最终产品成品率等,运行数据的分析等方面综合评估并确认。维护需求显示模块也可以使用显示屏显示,扬声器语音播报等多种方式向用户发送维护需求。
在本发明提供的实施例中,在机器人工作时接收机器人关节的关节运动数据,判断所述关节运动数据和故障阈值间的大小关系,根据所述大小关系确定所述关节的当前生命阶段;其中,故障阈值是所述关节运行在故障状态下,历史关节运动数据的极值;将所述关节运动数据输入所述故障程度模型中进行计算,获得所述关节的预测下一生命阶段;所述故障程度模型用于根据所述关节运动数据,计算所述关节的预测下一生命阶段;当所述关节的下一运行状态是故障状态时,向用户发送提示信息,提示该关节需要进行维护。从而根据机器人的运行状态进行针对性维护,减少定期维护的停机次数,减少停机维护成本,降低意外停机率,提高维护保养的目的性。
一种可能的实施方式,将关节运动数据输入故障程度模型中进行计算,获得关节的预测下一生命阶段,包括:
将关节运动数据输入到故障程度模型的故障程度函数中进行计算,获得关节的当前故障程度值;其中当前故障程度值为量化关节的当前生命阶段和初始生命阶段之间的差值;将关节的当前故障程度值输入到故障程度模型中,预测所述关节的下一生命阶段之后;其中,生命阶段发展函数用于表征当前故障程度值和生命阶段之间的函数关系。
其中,将关节运动数据输入到故障程度模型中进行计算,还包括:
在确定故障程度模型时,利用历史关节运动数据和历史关节生命阶段,计算故障程度模型的关节故障程度函数;在机器人运行过程中,将关节运动数据输入故障程度模型的关节故障程度函数,获得关节运动数据对应的当前故障程度。
其中,将关节的当前故障程度值输入到关节故障程度函数,预测所述关节的下一生命阶段之后,包括:
将关节当前的生命阶段、关节运动数据,存入故障程度模型的缓存区中,作为历史关节运动数据和历史关节生命阶段;将关节的当前故障程度值和生命阶段存入故障程度模型的缓存区中,根据所有的历史故障程度值和历史生命阶段,重新计算故障程度模型。
例如,假设当前关节的运行状态为劣化状态,历史关节运动数据和历史关节故障程度值包含3组数据,分别为历史关节运动数据a1,对应的历史关节故障程度为容错;历史关节运动数据a2,对应的历史关节故障程度为劣化;历史关节运动数据a3,对应的历史关节故障程度为故障。最新采集的关节运动数据为大于a3时候,提醒用户进行故障确认,若此时无故障确认,则更新故障阈值为圆整后的数据,等于a4。当最新采集的关节运动数据大于a4,且用户确认发生故障,则将a4存入劣化阶段关节故障程度函数的缓存区中。将当前故障值输入生命阶段发展函数中,获得当前关节的预测下一个生命阶段为故障阶段。
在实际应用中,关节故障程度函数和生命阶段发展函数可以使用其他学习策略进行替换,在此不做任何限定。
例如,使用神经网络对关节运动数据和生命阶段进行学习,如图4所示,图4是本发明实施例提供的一种训练学习模型的流程图,其中包括:
S401、获取训练组;
S402、训练学习模型;
S403、验证学习模型。
将历史关节运动数据a1,生命阶段为容错阶段作为训练组1;历史关节运动数据a2,生命阶段为劣化阶段作为训练组2;历史关节运动数据a3,对应的生命阶段为劣化阶段作为训练组3;历史关节运动数据a4,对应的生命阶段为故障阶段作为训练组4。将包含1~4的多组数据,作为训练组输入神经网络中进行学习,生成对应的学习模型。将最新采集的大于a4的关节运动数据输入该学习模型中,获得结果为故障阶段。
在实际应用中,我们可以将机器人设备信息、时间信息、状态变量、数据变量、判定数据和评估数据等相互关联起来形成训练数据组,从而训练故障程度模型。
在本发明提供的实施例中,根据历史数据生成故障程度函数和生命阶段发展函数,利用故障程度函数和生命阶段发展函数计算当前关节的故障状态值和对应的生命阶段。将新的故障状态值和生命阶段发展时间作为历史数据存入数据缓存区中,用于生成下一个关节运动数据所使用的故障程度函数和生命阶段发展函数。从而让故障程度函数和生命阶段发展函数不断根据最新数据进行迭代,随着历史数据的增加,求得的故障状态值和生命阶段也越来越靠近真实状态,让关节运行状态的预测结果更加准确。
一种可能的实施方式,当关节的下一运行状态是故障状态时,向用户发送提示信息,提示该关节需要进行维护之后,还包括:
接受维护后的关节的关节运动数据,将维护更换后的关节数据设置为容错阶段对应的关节运动数据;将维护但是不更换关节部件时的关节运动数据,设置为劣化阶段对应的关节运动数据;将维护更换部件前的关节数据设置为故障阶段的关节运动数据;根据故障阶段对应的关节运动数据,校正故障阈值。
例如,以图2中的例子为例,假设用户对机器人关节的同步皮带进行停机更换后,传感器模块201采集当前的关节运动数据,数据分析模块202将传感器模块201采集到的数据设置为容错阶段的关节运动数据,容错系数为1.0,故障系数为2.0。
请参见图5,图5为本发明实施提供的一种校正故障阈值的示意图,曲线 501为传感器模块201采集到的容错阶段的关节运动数据,将曲线501的幅值乘以预设的故障系数,获得曲线502,数据分析模块202将曲线502设置为新的故障阈值曲线。
在本发明提供的实施例中,当机器人经过维护后,将维护后的操作者评估仍然处于容错阶段的关节运动数据作为容错阶段的关节运动数据,将容错阶段的关节运动数据用于校正故障阈值。从而根据维护结果,自行调整对应的故障阈值,使得故障预测结果不会受到维护保养的影响。
基于同一发明构思,本申请提供一种故障诊断和维保的系统,参见图6,该系统包括:
判断模块601,用于接收机器人关节的关节运动数据,判断关节运动数据和故障阈值间的大小关系,根据大小关系确定关节的当前生命阶段;其中,故障阈值是取关节运行在故障状态下,关节运动数据经过处理后的极值,运动数据包括关节在执行某一固定动作或动作组合的期间获得的与该关节相关的数据;
预测模块602,用于将关节运动数据输入故障程度模型中进行计算,获得关节预测下一生命阶段;生命阶段包括容错阶段、劣化阶段和故障阶段,故障程度模型用于根据关节运动数据,预测关节的下一生命阶段;
报警模块603,用于当关节的下一运行状态是故障状态时,向用户发送提示信息,提示该关节需要进行维护。
一种可能的实施方式,判断模块601还用于:
当关节运动数据大于故障阈值,则确定关节的当前运行状态为故障状态;当关节运动数据小于故障阈值,则确定关节的当前运行状态为劣化状态;当关节处于新近更换时,则确定关节的当前运行状态为容错状态。
一种可能的实施方式,预测模块602还用于:
将关节运动数据输入到故障程度模型的故障程度函数中进行计算,获得关节的当前故障程度值;其中当前故障程度值为量化关节的当前生命阶段和初始生命阶段之间的差值;将关节的当前故障程度值输入到故障程度模型中,预测关节的下一生命阶段;其中,生命阶段发展函数用于表征当前故障程度值和生命阶段之间的函数关系。
一种可能的实施方式,预测模块602还用于:
在确定故障程度模型时,利用历史关节运动数据和历史关节生命阶段,计算故障程度模型的关节故障程度函数;在机器人运行过程中,将关节运动数据输入故障程度模型的关节故障程度函数,获得关节运动数据对应的当前故障程度。
一种可能的实施方式,预测模块602还用于:
将关节当前的生命阶段、关节运动数据,存入故障程度模型的缓存区中,作为历史关节运动数据和历史关节生命阶段;将关节的当前故障程度值和生命阶段存入故障程度模型的缓存区中,根据所有的历史故障程度值和历史生命阶段,重新计算故障程度模型。
一种可能的实施方式,判断模块601还用于:
接受维护后的关节的关节运动数据,将维护更换后的关节数据设置为容错阶段对应的关节运动数据;将维护但是不更换关节部件时的关节运动数据,设置为劣化阶段对应的关节运动数据;将维护更换部件前的关节数据设置为故障阶段的关节运动数据;根据故障阶段对应的关节运动数据,校正故障阈值。
基于同一发明构思,本申请提供一种故障诊断和维保的装置,请参见图7,该设备包括:
传感器单元701,用于检测机器人关节的运动数据;
故障预测单元702,用于执行如上所述的故障诊断和维保的方法,以根据机器人在使用过程中的运行状态进行针对性维护。
基于同一发明构思,本发明一实施例提供一种故障诊断和维保的设备,该故障诊断和维保的设备可以是个人电脑等电子设备,该设备可以包括:
至少一个处理器,处理器用于执行存储器中存储的计算机程序时实现本申请实施例提供的如上的故障诊断和维保的方法的步骤。
可选的,处理器具体可以是中央处理器、特定应用集成电路(英文: ApplicationSpecific Integrated Circuit,简称:ASIC),可以是一个或多个用于控制程序执行的集成电路。
可选的,该数据完整性保护的设备还包括与至少一个处理器连接的存储器,存储器可以包括只读存储器(英文:Read Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)和磁盘存储器。存储器用于存储处理器运行时所需的数据,即存储有可被至少一个处理器执行的指令,至少一个处理器通过执行存储器存储的指令,执行如图1所示的方法。其中,存储器的数量为一个或多个。
本申请实施例还提供一种计算机存储介质,其中,计算机存储介质存储有计算机指令,当计算机指令在计算机上运行时,使得计算机执行如上的故障诊断和维保的方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种故障诊断和维保的方法,其特征在于,所述方法包括:
接收机器人关节的关节运动数据,判断所述关节运动数据和故障阈值间的大小关系,根据所述大小关系确定所述关节的当前生命阶段;其中,故障阈值是取所述关节运行在故障状态下,关节运动数据经过处理后的极值,所述运动数据包括所述关节在执行某一固定动作或动作组合的期间获得的与该关节相关的数据;
将所述关节运动数据输入所述故障程度模型中进行计算,获得所述关节预测下一生命阶段;所述生命阶段包括容错阶段、劣化阶段和故障阶段,所述故障程度模型用于根据所述关节运动数据,预测所述关节的下一生命阶段;
当所述关节的下一运行状态是故障状态时,向用户发送提示信息,提示该关节需要进行维护。
2.如权利要求1所述的方法,其特征在于,判断所述关节运动数据和故障阈值间的大小关系,根据所述大小关系确定所述关节的当前运行状态,包括:
当所述关节运动数据大于所述故障阈值,则确定所述关节的当前运行状态为故障状态;
当所述关节运动数据小于所述故障阈值,则确定所述关节的当前运行状态为劣化状态;
当所述关节处于新近更换时,则确定所述关节的当前运行状态为容错状态。
3.如权利要求1所述的方法,其特征在于,将所述关节运动数据输入所述故障程度模型中进行计算,预测所述关节的下一生命阶段,包括:
将所述关节运动数据输入到所述故障程度模型的故障程度函数中进行计算,获得所述关节的当前故障程度值;其中所述当前故障程度值为量化所述关节的当前生命阶段和初始生命阶段之间的差值;
将所述关节的当前故障程度值输入到所述故障程度模型中,预测所述关节的下一生命阶段;其中,所述生命阶段发展函数用于表征当前故障程度值和生命阶段之间的函数关系。
4.如权利要求3所述的方法,其特征在于,将所述关节运动数据输入到故障程度模型中进行计算,还包括:
在确定故障程度模型时,利用历史关节运动数据和历史关节生命阶段,计算所述故障程度模型的关节故障程度函数;
在机器人运行过程中,将所述关节运动数据输入所述故障程度模型的关节故障程度函数,获得所述关节运动数据对应的当前故障程度。
5.如权利要求3所述的方法,其特征在于,将所述关节的当前故障程度值输入到关节故障程度函数,预测所述关节的下一生命阶段之后,包括:
将所述关节当前的生命阶段、所述关节运动数据,存入所述故障程度模型的缓存区中,作为历史关节运动数据和历史关节生命阶段;
将所述关节的当前故障程度值和生命阶段存入所述故障程度模型的缓存区中,根据所有的历史故障程度值和历史生命阶段,重新计算所述故障程度模型。
6.如权利要求1所述的方法,其特征在于,当所述关节的下一运行状态是故障状态时,向用户发送提示信息,提示该关节需要进行维护之后,还包括:
接受维护后的所述关节的关节运动数据,将维护更换后的关节数据设置为容错阶段对应的关节运动数据;将维护但是不更换关节部件时的关节运动数据,设置为劣化阶段对应的关节运动数据;
将维护更换部件前的关节数据设置为故障阶段的关节运动数据;
根据所述故障阶段对应的关节运动数据,校正所述故障阈值。
7.一种故障诊断和维保的系统,其特征在于,包括:
判断模块,用于接收机器人关节的关节运动数据,判断所述关节运动数据和故障阈值间的大小关系,根据所述大小关系确定所述关节的当前生命阶段;其中,故障阈值是取所述关节运行在故障状态下,历史关节运动数据的极值;
预测模块,用于将所述关节运动数据输入所述故障程度模型中进行计算,预测所述关节的下一生命阶段;所述生命周期包括容错阶段、劣化阶段和故障阶段,所述故障程度模型用于根据所述关节运动数据,计算所述关节的预测下一生命阶段;
报警模块,用于当所述关节的下一运行状态是故障状态时,向用户发送提示信息,提示该关节需要进行维护。
8.一种故障诊断和维保的装置,其特征在于,包括:
关节驱动单元,用于获取机器人关节的运动数据;
故障预测单元,用于执行如权利要求1-6中任一项所述的方法,以根据机器人在使用过程中的运行状态进行针对性维护。
9.一种故障诊断和维保的装置,其特征在于,包括:
至少一个处理器,以及
与所述至少一个处理器连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令执行权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111324890.8A CN114055516B (zh) | 2021-11-10 | 2021-11-10 | 一种故障诊断和维保的方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111324890.8A CN114055516B (zh) | 2021-11-10 | 2021-11-10 | 一种故障诊断和维保的方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114055516A true CN114055516A (zh) | 2022-02-18 |
CN114055516B CN114055516B (zh) | 2023-08-11 |
Family
ID=80274596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111324890.8A Active CN114055516B (zh) | 2021-11-10 | 2021-11-10 | 一种故障诊断和维保的方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114055516B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495549A (zh) * | 2011-11-22 | 2012-06-13 | 中联重科股份有限公司 | 工程机械的远程维护决策系统及方法 |
CN103019135A (zh) * | 2012-11-28 | 2013-04-03 | 北京金风科创风电设备有限公司 | 风机部件的寿命预测方法及系统 |
US20150074367A1 (en) * | 2013-09-09 | 2015-03-12 | International Business Machines Corporation | Method and apparatus for faulty memory utilization |
CN106409120A (zh) * | 2015-07-31 | 2017-02-15 | 发那科株式会社 | 机械学习方法及机械学习装置、以及故障预知装置及系统 |
CN109683574A (zh) * | 2019-01-10 | 2019-04-26 | 上海海事大学 | 一种工业机器人运行状态监测及维护方法 |
CN112527613A (zh) * | 2020-11-30 | 2021-03-19 | 北京航天智造科技发展有限公司 | 基于云边协同的设备故障维护方法及装置 |
-
2021
- 2021-11-10 CN CN202111324890.8A patent/CN114055516B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495549A (zh) * | 2011-11-22 | 2012-06-13 | 中联重科股份有限公司 | 工程机械的远程维护决策系统及方法 |
CN103019135A (zh) * | 2012-11-28 | 2013-04-03 | 北京金风科创风电设备有限公司 | 风机部件的寿命预测方法及系统 |
US20150074367A1 (en) * | 2013-09-09 | 2015-03-12 | International Business Machines Corporation | Method and apparatus for faulty memory utilization |
CN106409120A (zh) * | 2015-07-31 | 2017-02-15 | 发那科株式会社 | 机械学习方法及机械学习装置、以及故障预知装置及系统 |
CN109683574A (zh) * | 2019-01-10 | 2019-04-26 | 上海海事大学 | 一种工业机器人运行状态监测及维护方法 |
CN112527613A (zh) * | 2020-11-30 | 2021-03-19 | 北京航天智造科技发展有限公司 | 基于云边协同的设备故障维护方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114055516B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7104121B2 (ja) | 故障予知装置、故障予知システム及び故障予知方法 | |
US11275345B2 (en) | Machine learning Method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device | |
JP6140331B1 (ja) | 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム | |
US11897068B2 (en) | Information processing method, information processing system, and information processing device | |
JP6031202B1 (ja) | 製造機械の異常の原因を発見するセル制御装置 | |
JP5997330B1 (ja) | 主軸交換の要否を判定できる機械学習装置、主軸交換判定装置、制御装置、工作機械及び生産システム、並びに機械学習方法 | |
US20180373233A1 (en) | Failure predicting apparatus and machine learning device | |
US20170308052A1 (en) | Cell controller for optimizing motion of production system including industrial machines | |
US20220269259A1 (en) | Predictive maintenance for a device in the food industry by means of a digital twin, and optimized production planning | |
JP6333868B2 (ja) | セル制御装置、及び製造セルにおける複数の製造機械の稼働状況を管理する生産システム | |
JP2020173551A (ja) | 故障予測装置、故障予測方法、コンピュータプログラム、計算モデルの学習方法および計算モデルの生成方法 | |
JP6711323B2 (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
CN113732557B (zh) | 一种基于数字孪生的焊接监控方法 | |
CN113657693A (zh) | 一种智能制造装备的预测性维护系统和方法 | |
US11992953B2 (en) | Abnormality determination device and abnormality determination method | |
JP6702297B2 (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
CN114055516B (zh) | 一种故障诊断和维保的方法、系统、设备及存储介质 | |
Alamaniotis et al. | Anticipatory monitoring and control of complex energy systems using a fuzzy based fusion of support vector regressors | |
US20210178615A1 (en) | Abnormality diagnosis device and abnormality diagnosis method | |
US20190154548A1 (en) | Machine diagnostic method and diagnostic system thereof | |
Zhao et al. | Modeling human operator decision-making in manufacturing systems using BDI agent paradigm | |
JP7504163B2 (ja) | 異常予知装置、異常予知システム、異常予知方法及び異常予知プログラム | |
CN112105489B (zh) | 异常检测装置和异常检测方法 | |
Mourtzis et al. | Check for updates A Conceptual Framework for the Improvement of Robotic System Reliability Through Industry 4.0 | |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 230013 Southwest District of Hefei City, Anhui Province Applicant after: Hefei xinyihua Intelligent Machine Co.,Ltd. Address before: 230013 Southwest District of Hefei City, Anhui Province Applicant before: HEFEI SINEVA INTELLIGENT MACHINE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |