CN114298410A - 一种基于卡尔曼滤波的agv在线故障预测系统及方法 - Google Patents
一种基于卡尔曼滤波的agv在线故障预测系统及方法 Download PDFInfo
- Publication number
- CN114298410A CN114298410A CN202111628005.5A CN202111628005A CN114298410A CN 114298410 A CN114298410 A CN 114298410A CN 202111628005 A CN202111628005 A CN 202111628005A CN 114298410 A CN114298410 A CN 114298410A
- Authority
- CN
- China
- Prior art keywords
- agv
- current
- data
- state
- fault
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于卡尔曼滤波的AGV在线故障预测系统，包括电流传感器，所述电流传感器用于读取AGV小车的电流实时数据并将电流数据加上对应的时间戳、设备ID后上传至本地服务器；通过工业物联网关将数据上传至工业物联网大数据分析中心对AGV小车运行电流进行预测并根据预测的电流数据来预测AGV小车的故障状态。本发明的优点在于：通过实时采集AGV小车的电流数据并据此预测的未来时刻的AGV小车的电流数据，根据预测的电流结果来判断小车未来故障状态，从而更加合理可靠的给出故障预测且预测结果更加准确合理。
Description
技术领域
本发明涉及AGV小车故障管理领域，特别涉及一种基于卡尔曼滤波的AGV在线故障预测系统及方法
背景技术
现有技术中AGV小车在线故障预测需要根据指定的检修计划对整体车队进行轮流离线巡检，由于AGV小车自身轴承等部件寿命波动极大，定期检查不仅需要耗费大量的时间和金钱，还会影响AGV作业效率。也没有办法实现对故障的实时预测，提前按需准备维修零部件库存，提高生产效率。
目前市面上有很多基于小车振动信号的故障预测方法，但其适用范围大都针对固定工况，在某些复杂变工况环境下，其故障预测效果往往不是十分理想。AGV作为经常复杂情况中使用的搬运工具，其振动信号中往往掺杂有大量的背景噪声，给信号分析带来了很大的干扰。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于卡尔曼滤波的AGV在线故障预测系统及方法，基于预测的AGV小车的电流数据来进行故障预测判断，提高故障预测准确性和可靠性。
为了实现上述目的，本发明采用的技术方案为：一种基于卡尔曼滤波的AGV在线故障预测系统，包括电流传感器，所述电流传感器用于读取AGV小车的电流实时数据并将电流数据加上对应的时间戳、设备ID后上传至本地服务器；通过工业物联网关将数据上传至工业物联网大数据分析中心对AGV小车运行电流进行预测并根据预测的电流数据来预测AGV小车的故障状态。
本地服务器中接收到的电流数据存在上位机mysql数据中形成历史数据记录并通过工业物联网关，将采集到的数据上传至工业互联网平台大数据分析中心。
所述工业互联网平台大数据分析中心与AGV管理系统连接，用于将预测的状态信息发送至AGV管理系统以实现对于故障预测结果的获取。
一种基于卡尔曼滤波的AGV在线故障预测方法，基于工业互联网对AGV实时数据进行采集，根据采集的AGV数据监测预测AGV的预测电流信号，根据预测电流信号判断未来AGV小车的故障状态。
根据采集的AGV电流数据采用卡尔曼滤波算法来进行计算出AGV小车未来时刻的电流值，并根据AGV小车未来时刻的工作电流数据来判断预测未来时刻AGV小车的故障状态。
预设设置正常电流限值及危险电流限值，其中危险电流限值大于所述正常电流限值；将AGV小车未来时刻的工作做电流与正常电流限值及危险电流限值比较来判断故障状态：
判断该AGV未来时刻的工作电流数据是否大于该目标设备对应的所述正常电流限值；若否，判定该AGV在未来时刻的状态为所述正常状态；若是，判断该目标设备的工作电流数据是否大于该目标设备对应的所述危险电流限值；若否，判定该AGV在未来时刻的状态为所述需检修状态；若是，判定该AGV在未来时刻的状态为所述危险状态。
本发明的优点在于：通过实时采集AGV小车的电流数据并据此预测的未来时刻的AGV小车的电流数据，根据预测的电流结果来判断小车未来故障状态，从而更加合理可靠的给出故障预测且预测结果更加准确合理；采用卡尔曼滤波算法实现电流值的预测，简单快速且可靠；根据预测电流数值的不同给出不同的故障预测结果，方便管理部门对AGV小车的管理；可以精确地预测AGV的作业状态，大幅减少由于AGV故障导致的作业中断，提升生产效率的同时避免给企业造成重大安全事故及财产损失。为主动运维服务提供技术支撑，可以有效地延长AGV使用寿命，降低设备故障率，同时降低运维成本。
附图说明
下面对本发明说明书各幅附图表达的内容及图中的标记作简要说明：
图1为本发明预测系统的结构原理图。
具体实施方式
下面对照附图，通过对最优实施例的描述，对本发明的具体实施方式作进一步详细的说明。
本发基于工业互联网对AGV实时数据进行采集，服务器根据来自AGV小车和电流传感器的监测信号，生成故障预测信号，实现了AGV小车的在线故障预测功能，极大的缩短了运载车辆的维修时间，降低维修成本，更好地满足AGV24小时高效作业的要求。
采用电流传感器直连AGV小车电池，读取小车的电流实时数据，再将这些数据加上对应的时间戳与设备ID通过CAN总线的方式上传至本地服务器，并将这些数据存储在上位机mysql数据中形成历史数据记录。最终通过工业物联网关，将这些采集到的数据上传至工业互联网平台大数据分析中心，通过本发明所述的算法进行数据分析。互联网平台的大数据分析中心根据预设算法进行电流预测和根据预测电流来判断故障状态，同时预测分析的结果需要告知AGV小车的管理系统以及时提醒用户进行管理，管理系统一般为AGV小车的调度服务器或管理服务器。
基于卡尔曼滤波预测电流的方法具体包括如下步骤：
第一步，基于当前时段的电流值Pk-1预测未来时刻的电流值Pk′，状态转移矩阵为A，Q为A协方差矩阵，且服从正态分布的过程噪声，根据卡尔曼公式则有P′k＝APk-1AT+Q；
第二步，计算未来时刻的卡尔曼增益Kk：假设测量矩阵为H，协方差矩阵为R，且服从正态分布的测量噪声，根据卡尔曼公式则有
Kk＝P′kHT(HP′kHT+R)-1；
第三步计算未来时刻的电流估计值
通过当前时刻的卡尔曼估计值预测未来时刻的预测值
由卡尔曼公式可得到
则有
其中zk为当前时段AGV小车的电压测量值。
在本申请中：Pk-1为当前时段的电流值，计算方法为当日工作时间内每隔一小时采集的电流值矩阵。
A为状态转移矩阵，计算方法为当日每小时电流值除以相同时段的前一日每小时电流值得到的数据集合构建成的矩阵。
AT为状态转移矩阵A的转置矩阵。
Q为状态转移矩阵A协方差矩阵。
H为观测矩阵，计算方法为当日每小时电压值除以相同时段的前一日每小时电压值得到的数据集合构建成的矩阵。
HT为观测矩阵H的转置矩阵。
R为观测矩阵H的协方差矩阵。
zk为当前时段AGV小车的电压测量值。计算方法为当日工作时间内每隔一小时采集的电流值矩阵。
预测出电流值后可以根据预测的未来时刻电流值来给出AGV小车的故障分析判断，包括如下：
卡尔曼滤波器就可以通过递推的方式，从而估计最精确的电流值。电流是评判AGV是否正常工作的核心依据，所述的AGV故障预测方法，其特征在于，所述预设电流值包括正常电流限值及危险电流限值、所述危险电流限值大于所述正常电流限值；所述根据任一所述AGV的工作电流数据及该目标设备对应的预设电流值确定该目标设备的状态的过程具体为：根据卡尔曼滤波计算出AGV小车未来时刻的电流值，判断该AGV未来时刻的工作电流数据是否大于该目标设备对应的所述正常电流限值；若否，判定该AGV在未来时刻的状态为所述正常状态；若是，判断该目标设备的工作电流数据是否大于该目标设备对应的所述危险电流限值；若否，判定该AGV在未来时刻的状态为所述需检修状态；若是，判定该AGV在未来时刻的状态为所述危险状态。
本发明提供一种基于卡尔曼滤波的AGV故障预测方法，可用于预测该AGV在未来任意时刻的状态，当AGV处于正常状态时，则说明AGV不需要进行任何维护操作；当AGV处于需检修状态时，则说明需要对AGV进行一定的检修和维保；当AGV处于危险状态时，则说明AGV需要立刻断电并停止使用，根据情况选择返厂维修。所述的基于卡尔曼滤波的AGV故障预测方法可以精确地预测AGV的作业状态，大幅减少由于AGV故障导致的作业中断，提升生产效率的同时避免给企业造成重大安全事故及财产损失。为主动运维服务提供技术支撑，可以有效地延长AGV使用寿命，降低设备故障率，同时降低运维成本。
本申请不仅可以采用卡尔曼滤波算法预测电流值还可以采用卡尔曼滤波的衍生算法无迹卡尔曼滤波，在状态变量的传递过程中，增加一个无迹变换(U变换)过程。利用计算机生成一组随机数，随机数的统计特征与要传递的状态变量的统计特征(均值和方差)一致。将这组随机数经过一个非线性函数的处理，形成一组新的点集，用这组新点集的统计特征作为状态方程的预测结果，与观测值进行加权处理后，形成下一次迭代的起点。采用无迹卡尔曼滤波得到电流预测值在某些情况下将更为精确。
本申请采用卡尔曼滤波非常适合不断变化的系统，它可以有效避免噪声信息干扰，非常适合用于在复杂环境中使用的AGV电流的预测，而且该算法具有内存占用较小、速度快等优点，从而实现了AGV小车电流的准确预测，而预测的电流按照预先设置的电流限值可以故障严重程度分为三类，方便用户根据故障的严重程度采取不同等级的应对措施。
显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，均在本发明的保护范围之内。
Claims (6)
1.一种基于卡尔曼滤波的AGV在线故障预测系统，其特征在于：包括电流传感器，所述电流传感器用于读取AGV小车的电流实时数据并将电流数据加上对应的时间戳、设备ID后上传至本地服务器；通过工业物联网关将数据上传至工业物联网大数据分析中心对AGV小车运行电流进行预测并根据预测的电流数据来预测AGV小车的故障状态。
2.如权利要求1所述的一种基于卡尔曼滤波的AGV在线故障预测系统，其特征在于：本地服务器中接收到的电流数据存在上位机mysql数据中形成历史数据记录并通过工业物联网关，将采集到的数据上传至工业互联网平台大数据分析中心。
3.如权利要求1或2所述的一种基于卡尔曼滤波的AGV在线故障预测系统，其特征在于：所述工业互联网平台大数据分析中心与AGV管理系统连接，用于将预测的状态信息发送至AGV管理系统以实现对于故障预测结果的获取。
4.一种基于卡尔曼滤波的AGV在线故障预测方法，其特征在于：基于工业互联网对AGV实时数据进行采集，根据采集的AGV数据监测预测AGV的预测电流信号，根据预测电流信号判断未来AGV小车的故障状态。
5.如权利要求4所述的一种基于卡尔曼滤波的AGV在线故障预测方法，其特征在于：根据采集的AGV电流数据采用卡尔曼滤波算法来进行计算出AGV小车未来时刻的电流值，并根据AGV小车未来时刻的工作电流数据来判断预测未来时刻AGV小车的故障状态。
6.如权利要求5所述的一种基于卡尔曼滤波的AGV在线故障预测方法，其特征在于：预设设置正常电流限值及危险电流限值，其中危险电流限值大于所述正常电流限值；将AGV小车未来时刻的工作做电流与正常电流限值及危险电流限值比较来判断故障状态：
判断该AGV未来时刻的工作电流数据是否大于该目标设备对应的所述正常电流限值；若否，判定该AGV在未来时刻的状态为所述正常状态；若是，判断该目标设备的工作电流数据是否大于该目标设备对应的所述危险电流限值；若否，判定该AGV在未来时刻的状态为所述需检修状态；若是，判定该AGV在未来时刻的状态为所述危险状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111628005.5A CN114298410A (zh) | 2021-12-28 | 2021-12-28 | 一种基于卡尔曼滤波的agv在线故障预测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111628005.5A CN114298410A (zh) | 2021-12-28 | 2021-12-28 | 一种基于卡尔曼滤波的agv在线故障预测系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114298410A true CN114298410A (zh) | 2022-04-08 |
Family
ID=80971630
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111628005.5A Pending CN114298410A (zh) | 2021-12-28 | 2021-12-28 | 一种基于卡尔曼滤波的agv在线故障预测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114298410A (zh) |
-
2021
- 2021-12-28 CN CN202111628005.5A patent/CN114298410A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3902992B1 (en) | Scalable system and engine for forecasting wind turbine failure | |
| US6816815B2 (en) | Preventive maintenance system of industrial machine | |
| CN101799320B (zh) | 一种旋转设备故障预测方法及其装置 | |
| Qiu et al. | Combine harvester remote monitoring system based on multi-source information fusion | |
| CN116893643A (zh) | 一种基于数据分析的智能机器人行驶轨迹安全管控系统 | |
| CN116972910A (zh) | 一种火电厂电气设备的监测方法及系统 | |
| CN113007040B (zh) | 风电机组主轴总成窜动在线监测与故障预警系统及方法 | |
| CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
| CN117423225A (zh) | 一种基于高速铁路运行的灾害遥感预警系统 | |
| CN114298410A (zh) | 一种基于卡尔曼滤波的agv在线故障预测系统及方法 | |
| CN115788771A (zh) | 一种基于物联网技术的风力发电系统的智能运维管理系统 | |
| CN105809257A (zh) | 一种基于电力通信网络的触发式状态检修方法 | |
| CN114637791A (zh) | 一种基于相似度的电厂设备预警方法 | |
| CN114091730A (zh) | 车辆状态监测方法、系统、电子设备和存储介质 | |
| WO2021042233A1 (en) | Remote diagnosis system, apparatus and method for power tool | |
| CN113092152A (zh) | 一种动设备振动温度复合监测装置及方法 | |
| CN117493129B (zh) | 一种计算机控制设备的运行功率监测系统 | |
| CN112417363B (zh) | 一种变电站的负载分析方法及系统 | |
| CN116523547B (zh) | 一种数字化营销服务管理平台 | |
| CN118381195B (zh) | 一种企业用电数据安全评估与反馈方法及系统 | |
| CN118095663B (zh) | 一种生产车间管理智能安灯系统 | |
| CN117951633B (zh) | 一种光伏发电设备故障诊断方法及系统 | |
| CN115421447B (zh) | 数控机床时间-能量效率评估与控制方法、系统及装置 | |
| CN107947984B (zh) | 一种面向铁路客运服务的故障预测处理方法及其系统 | |
| EP3955707A1 (en) | Method and system for predicting a failure probability of a component of an x-ray system |
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 |