CN114323718A - 一种机器人故障预测方法及装置 - Google Patents
一种机器人故障预测方法及装置 Download PDFInfo
- Publication number
- CN114323718A CN114323718A CN202111527693.6A CN202111527693A CN114323718A CN 114323718 A CN114323718 A CN 114323718A CN 202111527693 A CN202111527693 A CN 202111527693A CN 114323718 A CN114323718 A CN 114323718A
- Authority
- CN
- China
- Prior art keywords
- robot
- axis
- torque
- monitoring
- command
- 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
- 238000000034 method Methods 0.000 title claims abstract description 145
- 238000012544 monitoring process Methods 0.000 claims abstract description 262
- 230000033001 locomotion Effects 0.000 claims abstract description 131
- 230000008569 process Effects 0.000 claims abstract description 96
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 238000009826 distribution Methods 0.000 claims description 39
- 230000008859 change Effects 0.000 claims description 32
- 230000001133 acceleration Effects 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 26
- 238000009499 grossing Methods 0.000 claims description 23
- 230000003247 decreasing effect Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 43
- 238000013461 design Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 239000010410 layer Substances 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Manipulator (AREA)
Abstract
一种机器人故障预测方法及装置,用以更准确地对机器人故障进行预测。所述方法包括:接收监控命令当前的执行信息,所述执行信息包括所述监控命令的信息以及在执行所述监控命令的过程中所述机器人的各轴的扭矩;若在此次执行所述监控命令的过程中,所述机器人的任一轴的扭矩最大值超过该轴的扭矩监测阈值,或者扭矩抖动量最大值超过该轴的扭矩抖动量监测阈值,则判断所述机器人存在异常;其中,所述监控命令根据在过去的设定时间段内所述机器人执行控制命令集合中各个控制命令的次数,以及在执行所述各个控制命令的过程中所述机器人的各轴的运动距离确定。
Description
技术领域
本申请涉及工业机器人领域,尤其涉及一种机器人故障预测方法及装置。
背景技术
工业机器人容易出现故障的关键部件有伺服电机和伺服驱动器。工业机器人的一些机械故障,例如零件磨损、皮带老化等,也都能够改变机械性能,并通过伺服电机的扭矩输出变化来反应。关于具备伺服电机等驱动部件的工业机器人,目前已存在保存伺服电机的历史数据并且将其用于机器人的维护和故障诊断的技术。
为了进行工业机器人的预防性维护和故障诊断,现有技术中的做法为:通过机器人的历史数据中扭矩的最大值和最小值确定一个扭矩的设定范围。如果机器人在运行过程中,扭矩的最大值或最小值超出了该设定范围,则认为机器人出现故障。由于机器人运行过程中运动距离和速度多样,扭矩变化范围很大,而当机器人出现一般故障时,扭矩可能不会超过设定范围,因此,通过此种方法识别出工业机器人出现异常的效果欠佳。只有在机器人出现严重问题时扭矩才会超过设定范围,此时产线可能会因为故障停机,造成较大的经济损失。
因此,目前亟需一种方案,用以更准确地对机器人故障进行预测。
发明内容
本申请提供一种机器人故障预测方法及装置,用以更准确地对机器人故障进行预测。
第一方面,本申请实施例提供一种机器人故障预测方法,该方法应用于机器人故障预测装置,该方法包括:接收监控命令当前的执行信息,所述执行信息包括所述监控命令的信息以及在执行所述监控命令的过程中所述机器人的各轴的扭矩;若在此次执行所述监控命令的过程中,所述机器人的任一轴的扭矩最大值超过该轴的扭矩监测阈值,或者扭矩抖动量最大值超过该轴的扭矩抖动量监测阈值,则判断所述机器人存在异常;其中,所述监控命令根据在过去的设定时间段内所述机器人执行控制命令集合中各个控制命令的次数,以及在执行所述各个控制命令的过程中所述机器人的各轴的运动距离确定。
上述技术方案中,一方面,提供了一种监控命令的选择机制,根据控制命令的执行次数以及控制命令使得机器人的各轴的运动距离的大小来选择。另一方面,在选择好的监控命令的基础上,考虑了机器人的各轴执行监控命令时的扭矩大小以及扭矩抖动量的变化情况等多种因素进行机器人故障预测,因此,可以有效提高机器人故障预测的准确性。
在一种可能的设计中,所述方法还包括:从所述控制命令集合中选择在执行控制命令的过程中所述机器人的各轴的运动距离均大于该轴对应的最小运动距离的各个控制命令,作为候选监控命令;从各个所述候选监控命令中,选择在所述设定时间段内执行次数最多的候选监控命令作为所述监控命令。
上述技术方案中,先筛选出各轴运动距离大于该轴最小运动距离的各控制命令作为候选监控命令,避免选出的监控命令因某个轴的运动距离过小,导致该轴的扭矩较小,使得该轴的监测阈值不具备参考价值的情况。再从候选命令中选出执行次数最多的控制命令作为监控命令,可以使选择的监控命令参考价值更高,基于该监控命令进行故障预测的准确性更高。
在一种可能的设计中,所述方法还包括:针对所述控制命令集合中的每个控制命令,根据所述控制命令的示教点,确定在执行所述控制命令的过程中所述机器人的各轴的运动距离。
上述技术方案中,通过控制命令的示教点,可以得到执行该控制命令过程中每个轴更准确的运动距离。
在一种可能的设计中,所述方法还包括:根据接收到的所述监控命令过去的N条执行信息,确定在过去的N次执行所述监控命令的过程中,所述机器人的各轴的扭矩最大值的分布范围和扭矩抖动量最大值的分布范围,N为正整数;根据所述机器人的各轴的扭矩最大值的分布范围,确定所述机器人的各轴分别对应的所述扭矩监测阈值,以及根据所述机器人的各轴的扭矩抖动量最大值的分布范围,确定所述机器人的各轴分别对应的所述扭矩抖动量监测阈值。
上述技术方案中,扭矩监测阈值和扭矩抖动量监测阈值是根据过去执行的监控命令的真实扭矩值确定的,可以为机器人故障预测提供更可靠的判断依据。
在一种可能的设计中,所述执行信息还包括在执行所述监控命令的过程中所述机器人的各轴的运动速度;所述方法还包括:根据所述机器人的各轴的运动速度,确定在每次执行所述监控命令的过程中所述机器人的各轴的五个运动阶段,所述五个运动阶段包括加速过程加速度增加阶段、加速过程加速度减少阶段、匀速阶段、减速过程加速度增加阶段和减速过程加速度减少阶段;所述根据所述机器人的各轴的扭矩最大值的分布范围,确定所述机器人的各轴分别对应的所述扭矩监测阈值,以及根据所述机器人的各轴的扭矩抖动量最大值的分布范围,确定所述机器人的各轴分别对应的所述扭矩抖动量监测阈值,包括:针对所述机器人的每个轴,根据该轴在各个运动阶段的扭矩最大值的分布范围,确定该轴在所述各个运动阶段分别对应的所述扭矩监测阈值,以及根据该轴在各个运动阶段的扭矩抖动量最大值的分布范围,确定该轴在所述各个运动阶段分别对应的所述扭矩抖动量监测阈值。
上述技术方案中,考虑到机器人各轴的加减速过程与匀速过程输出的扭矩大小不同,将机器人各轴的运动过程分为五个运动阶段,对于每个运动阶段生成对应的扭矩监测阈值和扭矩抖动量监测阈值,可以在对各轴的每个运动阶段采用不同的标准进行故障预测,提高机器人故障预测的准确率。
在一种可能的设计中,所述若在此次执行所述监控命令的过程中,所述机器人的任一轴的扭矩最大值超过该轴的扭矩监测阈值,或者扭矩抖动量最大值超过该轴的扭矩抖动量监测阈值,则判断所述机器人存在异常,包括:若在此次执行所述监控命令的过程中,所述机器人的任一轴在任一运动阶段的扭矩最大值超过该轴在所述运动阶段对应的扭矩监测阈值,或者扭矩抖动量最大值超过该轴在所述运动阶段对应的扭矩抖动量监测阈值,则判断所述机器人存在异常。
上述技术方案中,机器人执行监控命令时,根据各轴的每个运动阶段的扭矩最大值和扭矩抖动量的最大值,判断机器人的异常情况。对于各轴的每个运动阶段采用不同的标准进行故障预测,可以使机器人故障预测的准确率更高。
在一种可能的设计中,所述方法还包括:针对每次执行所述监控命令的过程,根据该次执行所述监控命令的过程中所述机器人的各轴的扭矩,绘制所述机器人的各轴的扭矩变化曲线;针对所述机器人的每个轴,通过对该轴的扭矩变化曲线进行平滑处理,得到该轴经过平滑处理后的扭矩变化曲线;根据所述扭矩变化曲线与所述经过平滑处理后的扭矩变化曲线的各个扭矩值的绝对差值中的最大值,确定所述扭矩抖动量最大值。
上述技术方案中,对扭矩变化曲线进行平滑处理后得到扭矩抖动量的最大值,考虑了扭矩抖动的情况,可以使对机器人故障预测的准确率更高。
第二方面,本申请实施例提供一种机器人故障预测装置,包括:
接收模块,用于接收监控命令当前的执行信息,所述执行信息包括所述监控命令的信息以及在执行所述监控命令的过程中所述机器人的各轴的扭矩;
处理模块,用于若在此次执行所述监控命令的过程中,所述机器人的任一轴的扭矩最大值超过该轴的扭矩监测阈值,或者扭矩抖动量最大值超过该轴的扭矩抖动量监测阈值,则判断所述机器人存在异常;
其中,所述监控命令根据在过去的设定时间段内所述机器人执行控制命令集合中各个控制命令的次数,以及在执行所述各个控制命令的过程中所述机器人的各轴的运动距离确定。
在一种可能的设计中,所述处理模块还用于:从所述控制命令集合中选择在执行控制命令的过程中所述机器人的各轴的运动距离均大于该轴对应的最小运动距离的各个控制命令,作为候选监控命令;从各个所述候选监控命令中,选择在所述设定时间段内执行次数最多的候选监控命令作为所述监控命令。
在一种可能的设计中,所述处理模块还用于:针对所述控制命令集合中的每个控制命令,根据所述控制命令的示教点,确定在执行所述控制命令的过程中所述机器人的各轴的运动距离。
在一种可能的设计中,所述处理模块还用于:根据接收到的所述监控命令过去的N条执行信息,确定在过去的N次执行所述监控命令的过程中,所述机器人的各轴的扭矩最大值的分布范围和扭矩抖动量最大值的分布范围,N为正整数;根据所述机器人的各轴的扭矩最大值的分布范围,确定所述机器人的各轴分别对应的所述扭矩监测阈值,以及根据所述机器人的各轴的扭矩抖动量最大值的分布范围,确定所述机器人的各轴分别对应的所述扭矩抖动量监测阈值。
在一种可能的设计中,所述执行信息还包括在执行所述监控命令的过程中所述机器人的各轴的运动速度;所述处理模块还用于:根据所述机器人的各轴的运动速度,确定在每次执行所述监控命令的过程中所述机器人的各轴的五个运动阶段,所述五个运动阶段包括加速过程加速度增加阶段、加速过程加速度减少阶段、匀速阶段、减速过程加速度增加阶段和减速过程加速度减少阶段;针对所述机器人的每个轴,根据该轴在各个运动阶段的扭矩最大值的分布范围,确定该轴在所述各个运动阶段分别对应的所述扭矩监测阈值,以及根据该轴在各个运动阶段的扭矩抖动量最大值的分布范围,确定该轴在所述各个运动阶段分别对应的所述扭矩抖动量监测阈值。
在一种可能的设计中,所述处理模块还用于:若在此次执行所述监控命令的过程中,所述机器人的任一轴在任一运动阶段的扭矩最大值超过该轴在所述运动阶段对应的扭矩监测阈值,或者扭矩抖动量最大值超过该轴在所述运动阶段对应的扭矩抖动量监测阈值,则判断所述机器人存在异常。
在一种可能的设计中,所述处理模块还用于:针对每次执行所述监控命令的过程,根据该次执行所述监控命令的过程中所述机器人的各轴的扭矩,绘制所述机器人的各轴的扭矩变化曲线;针对所述机器人的每个轴,通过对该轴的扭矩变化曲线进行平滑处理,得到该轴经过平滑处理后的扭矩变化曲线;根据所述扭矩变化曲线与所述经过平滑处理后的扭矩变化曲线的各个扭矩值的绝对差值中的最大值,确定所述扭矩抖动量最大值。
第三方面,本申请实施例还提供一种计算机设备,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序指令执行如第一方面的各种可能的设计中所述的方法。
第四方面,本申请实施例还提供一种计算机可读存储介质,其中存储有计算机可读指令,当计算机读取并执行所述计算机可读指令时,使得上述第一方面或第一方面的任一种可能的设计中所述的方法实现。
附图说明
为了更清楚地说明本申请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要介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种系统架构的示意图;
图2为本申请实施例提供的另一种系统架构的示意图;
图3为本申请实施例提供的又一种系统架构的示意图;
图4为本申请实施例提供的一种机器人故障预测方法的流程示意图;
图5为本申请实施例提供的一种选择监控命令的流程示意图;
图6为本申请实施例提供的一种计算扭矩最大值和扭矩抖动量最大值的流程示意图;
图7为本申请实施例提供的一种扭矩变化曲线的程示意图;
图8为本申请实施例提供的某轴运动过程的示意图;
图9为本申请实施例提供的一种机器人故障预测装置的示意图;
图10为本申请实施例提供的一种计算机设备的示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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它实施例,都属于本申请保护的范围。
在本申请的实施例中,多个是指两个或两个以上。“第一”、“第二”等词汇,仅用于区分描述的目的,而不能理解为指示或暗示相对重要性,也不能理解为指示或暗示顺序。
此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖但不排他的包含,例如,包含了一系列组件的产品或设备不必限于清楚地列出的那些组件,而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
首先介绍本申请实施例适用的一种系统架构。该系统架构中包括机器人故障预测装置、控制器、上位机和机器人。
其中,所述机器人故障预测装置用于对机器人各轴的执行信息进行收集、管理和分析,以及在预测机器人出现故障时进行及时报警。所述机器人故障预测装置也可以称为机器人故障预测系统。
控制器用于接收来自上位机的控制命令,通过对控制命令进行分析确定机器人需要执行的动作,然后通过实时总线,将控制命令发送给机器人的各轴对应的伺服驱动器,由各个伺服驱动器分别驱动各轴对应的伺服电机,控制机器人的各轴完成相应动作。
机器人可以有多个轴,例如可以有运动的轴和/或旋转的轴。每个轴可以执行不同的动作,各个轴共同协作完成上位机下发的控制命令。
在执行控制命令的过程中,机器人的各轴对应的伺服驱动器可将其输出的电流传输给控制器。控制器可将接收到的各个伺服驱动器的电流换算成对应轴的伺服电机的扭矩和运动速度,然后将控制命令的信息,以及在执行该控制命令的过程中各个轴的扭矩和运动速度发送给机器人故障预测装置。机器人故障预测装置可以通过本申请中的方法,首先筛选出监控命令,然后并根据每次执行该监控命令时机器人各个轴的扭矩和运动速度对机器人进行故障预测,并在判断机器人发生故障时发出预警,以提示用户进行故障排查。机器人故障预测装置还可以存储监控命令的历史执行信息供用户查看,以便为故障排查提供更多依据。
根据机器人故障预测装置设置位置的不同,本发明实施例提供的系统架构可具有多种不同的实施方式。例如,图1、图2和图3分别为本发明实施例提供的系统架构的三个具体示例。在图1所示的系统架构中,机器人故障预测装置可以设置在PC机中,PC机和控制器通过网络进行数据传输,控制器将采集的上位机命令和伺服电机的扭矩传输给PC机中的机器人故障预测装置。在图2所示的系统架构中,机器人故障预测装置可以设置在示教器中,示教器和控制器通过网络进行数据传输,控制器将采集的上位机命令和伺服电机的扭矩传输给示教器中的机器人故障预测装置。在图3所示的系统架构中,机器人故障预测装置可以设置在控制器中,控制器将采集的上位机命令和伺服电机的扭矩传输给控制器中的机器人故障预测装置。
图4示例性地示出了本申请实施例提供的一种机器人故障预测方法,该方法可由上述机器人故障预测装置执行。如图4所示,该方法包括以下步骤:
步骤400,根据过去的设定时间段内机器人执行控制命令集合中各个控制命令的次数,以及在执行各个控制命令的过程中机器人的各轴的运动距离确定监控命令。
本申请实施例中,所述控制命令集合用于记录机器人可以执行的控制命令。通常,机器人可以执行多种控制命令,每种控制命令可能会控制机器人的各个轴执行不同的动作。因此,为了对机器人的工作情况进行准确判断,首先需要从控制命令集合中选取适合的控制命令作为监控命令。
在一种可能的实施方式中,所述控制命令集合可以是预先配置的,用于记录该机器人可以执行的所有控制命令,例如可以预先配置在机器人故障预测装置中,或者由控制器预先发送给机器人故障预测装置。
在另一种可能的实施方式中,所述控制命令集合用于记录机器人已经执行的控制命令,如果机器人后续执行了新的控制命令,则可将新的控制命令收录到该控制命令集合中。
示例性的,控制命令可以如表1所示。表1中第一列的bit合在一起表示一条命令,每一行是每个bit代表的含义,例如6145~6150表示动作类型编号,6151~6156表示位置编号,6157~6162表示位置层的编号,6163~6164表示用哪个手执行命令。
表1
图5示例性示出了本申请中选择监控命令的过程,如图5所示,该过程包括以下步骤:
步骤501、预设机器人每个轴的最小运动距离。
其中,不同轴的最小运动距离可以相同,也可以不相同,本申请不作具体限定。
步骤502、从控制命令集合中选择在执行控制命令的过程中机器人的各轴的运动距离均大于该轴对应的最小运动距离的各个控制命令,作为候选监控命令。
本申请中,针对控制命令集合中的每个控制命令,可以根据该控制命令的示教点,确定在执行该控制命令的过程中机器人的各轴的运动距离。其中,一个控制命令可以有一个或多个示教点,本申请不作具体限定。在一个示例中,机器人从A点取一块玻璃放到B点,两个示教点的坐标如下A(70,0,1000,90,1000)、B(70,0,500,0,5000),那么各个轴的运动距离依次为0,0,-500,-90,4000。
扭矩的大小受每个轴的运动距离影响,为避免因控制命令中某一轴的运动距离过小,导致该轴的扭矩较小,使得该控制命令中该轴的扭矩不具备参考价值,本申请中可预设每个轴的最小运动距离,然后从控制命令集合中选择在执行控制命令的过程中机器人的各轴的运动距离均大于该轴对应的最小运动距离的各个控制命令,作为候选监控命令。需要说明的是,所述候选监控命令也可以叫做合格命令,即只有令机器人的各轴的运行距离都满足最小运动距离条件的控制命令才是合格命令。若控制命令集合中某个控制命令中任何一个轴的运动距离小于该轴对应的最小运动距离,则该控制命令不能作为监控命令。
步骤503、从各个候选监控命令中,选择在设定时间段内执行次数最多的候选监控命令作为监控命令。
选择监控命令考虑的再一个因素为控制命令的执行次数。本申请可从各个候选监控命令中,选择在设定时间段内执行次数最多的候选监控命令作为监控命令,即选择设定时间段内执行频率最高的候选监控命令作为监控命令。所述设定时间段可以根据具体情况灵活调整,例如可以是过去的几小时,几天等等。
示例性的,机器人故障预测装置可以统计每天各监控命令的执行次数,选取过去3天或过去5天内总执行次数最多的候选监控命令作为监控命令。
在一种可能的实施方式中,为保证每天统计的控制命令的执行次数稳定,可以预设机器人每天工作的最小有效时间。例如,如果机器人全天24小时运行,那么若机器人当天的有效工作时间小于20个小时,则可认为这天各个监控命令的统计次数无效。
在一种可能的实施方式中,由于机器人执行当前控制命令的起点是上一控制命令执行后的终点,因此,在选取监控命令之前,可以将机器人执行的当前控制命令和上一控制命令的ID合在一起作为当前控制命令的识别ID,统计每个控制命令的识别ID出现的次数,将各轴的运动距离均小于该轴对应最小运动距离,且识别ID出现频率最高的命令作为监控命令。
步骤401、接收监控命令当前的执行信息。其中,执行信息包括监控命令的信息以及在执行该监控命令的过程中机器人的各轴的扭矩。
所述监控命令的执行信息可包括以下信息中的一项或多项:命令的动作编号(例如,取或放)、工位位置编号、工位类型编号(例如,单层ST、多层等间距CST和多层不等间距CT)、工位层数编号、执行机构编号(如上手或下手)、工件类型编号和速度编号等。上述执行信息的编号可以唯一确定一个控制命令。
步骤402、若在此次执行监控命令的过程中,机器人的任一轴的扭矩最大值超过该轴的扭矩监测阈值,或者扭矩抖动量最大值超过该轴的扭矩抖动量监测阈值,则判断机器人存在异常。
在确定监控命令之后,每当机器人执行一次监控命令,机器人故障预测装置便会从控制器接收到一条该监控命令的执行信息。
进而,针对每条执行信息,机器人故障预测装置可以通过图6中所示的方式来确定在此次执行监控命令的过程中各轴的扭矩最大值和扭矩抖动量最大值。其中,扭矩的最大值也可以称为扭矩的特征值,扭矩抖动量最大值也可以称为扭矩抖动量的特征值。
当机器人累计执行N次该监控命令之后,机器人故障预测装置可以根据该监控命令过去的N条执行信息,确定在过去的N次执行该监控命令的过程中,机器人的各轴的扭矩最大值的分布范围和扭矩抖动量最大值的分布范围,然后根据各轴的扭矩最大值的分布范围和扭矩抖动量最大值的分布范围,分别确定各轴对应的扭矩监测阈值和扭矩抖动量监测阈值。其中,N为正整数,例如可以为100、200、300或者其他更大或更小的数值,本申请不做具体限定。
图6示例性示出了确定每次执行监控命令的过程中各轴的扭矩最大值和扭矩抖动量最大值的方式,具体如下:
步骤601,根据该次执行监控命令的过程中机器人的各轴的扭矩,绘制机器人的各轴的扭矩变化曲线。
以机器人的某个轴为例,其扭矩变化曲线可以如图7所示,扭矩变化曲线的横坐标为时间,纵坐标为扭矩。机器人故障预测装置可将以固定时间间隔接收到的该轴对应的伺服电机的扭矩值连接起来,得到扭矩变化曲线。从扭矩变化曲线图中可以直接得到该轴扭矩的最大值。
步骤602,针对机器人的每个轴,通过对该轴的扭矩变化曲线进行平滑处理,得到该轴经过平滑处理后的扭矩变化曲线。
在一种可能的实施方式中,可以采用简单平均法对扭矩变化曲线进行平滑处理。简单平均法是求扭矩变化曲线上每个点邻近像素点扭矩的平均值。在对扭矩变化曲线做平滑处理时,邻近像素点的邻域大小与平滑的效果直接相关,邻域越大平滑的效果越好,但邻域过大,会使平滑处理后的曲线边缘信息损失越大。因此,本申请实施例可以选择不同的参数(求均值时相邻像素点的数量)对扭矩变化曲线进行一次或多次平滑处理。需要说明的是,对扭矩变化曲线进行平滑处理的次数可以根据具体情况灵活调整。或者可以根据监控命令的大量历史执行信息,确定一个最优参数对扭矩变化曲线进行平滑处理。
在一个示例中,可以对扭矩变化曲线进行5次平滑处理,处理过程包括:使用参数10对扭矩变化曲线做平滑处理得到平滑处理后的扭矩变化曲线S1,参数10是指每个点取前后各5个邻近像素点的扭矩相加之后取均值作为该点平滑处理后的扭矩值。使用参数20对扭矩变化曲线做平滑处理得到平滑处理后的扭矩变化曲线S2,参数20是指每个点取前后各10个邻近像素点的扭矩相加之后取均值作为该点平滑处理后的扭矩值。使用参数30对扭矩变化曲线做平滑处理得到平滑处理后的扭矩变化曲线S3,参数30是指每个点取前后各15个邻近像素点的扭矩相加之后取均值作为该点平滑处理后的扭矩值。使用参数40对扭矩变化曲线做平滑处理得到平滑处理后的扭矩变化曲线S4,参数40是指每个点取前后各20个邻近像素点的扭矩相加之后取均值作为该点平滑处理后的扭矩值。使用参数50对扭矩变化曲线做平滑处理得到平滑处理后的扭矩变化曲线S5,参数50是指,每个点取前后各25个邻近像素点的扭矩相加之后取均值作为该点平滑处理后的扭矩值。
步骤603,根据扭矩变化曲线与经过平滑处理后的扭矩变化曲线的各个扭矩值的绝对差值中的最大值,确定该轴扭矩抖动量最大值。
对于步骤602的示例,针对每个轴分别计算实际扭矩变化曲线与曲线S1、S2、S3、S4和S5的扭矩差值的最大值,得到曲线S1、S2、S3、S4和S5的扭矩抖动量最大值,根据曲线S1、S2、S3、S4和S5的扭矩抖动量最大值的分布范围,确定该轴的曲线S1、S2、S3、S4和S5分别对应的扭矩抖动量监测阈值。
在机器人执行监控命令的过程中,由于各个轴实际执行的动作不同,各个轴的扭矩大小也会不同,因此,本申请可以针对每个轴分别设置监测阈值,以提高判断精度,所述监控阈值是指扭矩监测阈值和扭矩抖动量检测阈值。
在一种可能的实施方式中,可以将超过机器人的各轴的扭矩最大值的分布范围的预设比例的范围的边界值,作为机器人的各轴的扭矩监测阈值;将超过机器人的各轴的扭矩抖动量最大值的分布范围的预设比例的范围的边界值,作为机器人的各轴的扭矩抖动量监测阈值。其中,扭矩的预设比例与扭矩抖动量的预设比例可以相同也可以不同,本申请不作具体限定。预设比例可以取4%、5%、6%等,例如,将超过机器人的各轴的扭矩最大值的分布范围的5%的范围的边界值,作为机器人的各轴的扭矩监测阈值;将超过机器人的各轴的扭矩抖动量最大值的分布范围的5%的范围的边界值,作为机器人的各轴的扭矩抖动量监测阈值。可选的,可以根据机器人各轴的实际运动对各轴设定不同的预设比例或者根据机器人各轴的不同运动阶段设定不同的预设比例。
在确定好机器人的各轴分别对应的扭矩监测阈值以及扭矩抖动量监测阈值后,如果机器人再次执行该监控命令,则机器人故障预测装置可以采取相应机制根据此次执行监控命令的过程,预测机器人是否存在异常。若在此次执行监控命令的过程中,机器人的任一轴的扭矩最大值超过该轴的扭矩监测阈值,或者扭矩抖动量最大值超过该轴的扭矩抖动量监测阈值,则可判断机器人存在异常。后续,机器人故障预测装置可以向用户发出报警信号,以提示用户对该机器人系统进行故障排查。
在一种可能的实施方式中,由于机器人在执行监控命令的过程中各轴的运动速度不完全一致,并且同一轴在执行监控命令过程中每个时刻的运动状态也不完全一致,这也将导致不同的运动阶段的扭矩大小不同,扭矩的变化范围也不同,如图8所示。因此,为了更精确的对机器人的故障进行预测,本申请还可以对各轴的运动过程划分不同的运动阶段,针对每个运动阶段分别设置监测阈值,所述监控阈值是指扭矩监测阈值和扭矩抖动量检测阈值。基于此,本申请还可提供另一种预测机器人故障的机制,即:在确定好机器人的各轴的各个运动阶段分别对应的扭矩监测阈值以及扭矩抖动量监测阈值后,如果机器人再次执行该监控命令,则机器人故障预测装置可以采取相应机制根据此次执行监控命令的过程,预测机器人是否存在异常,具体的,若在此次执行监控命令的过程中,机器人的任一轴在任一运动阶段的扭矩最大值超过该轴在该运动阶段的扭矩监测阈值,或者扭矩抖动量最大值超过该轴在该运动阶段的扭矩抖动量监测阈值,则可判断机器人存在异常。
具体的,机器人监控命令的执行信息中还可包括,在执行监控命令的过程中机器人的各轴的运动速度。根据机器人的各轴的运动速度,本申请可将在每次执行监控命令的过程中,机器人的各轴的运动过程分为五个运动阶段,然后,分别针对机器人的各个轴的各个运动阶段,计算扭矩最大值和扭矩抖动量最大值。进而,再针对机器人的每个轴,根据该轴在各个运动阶段的扭矩最大值的分布范围,确定该轴在各个运动阶段分别对应的扭矩监测阈值,以及根据该轴在各个运动阶段的扭矩抖动量最大值的分布范围,确定该轴在各个运动阶段分别对应的扭矩抖动量监测阈值。
如图8所示,所述五个运动阶段包括加速过程加速度增加阶段、加速过程加速度减少阶段、匀速阶段、减速过程加速度增加阶段和减速过程加速度减少阶段。所述运动速度可以是线速度也可以是角速度,具体可以根据各轴的类型及其实际运动情况进行设置。划分运动阶段后,计算扭矩最大值和扭矩抖动量最大值的方式可以为,在图6所示的方法的基础上,通过对扭矩变化曲线和经过平滑后的扭矩变化曲线划分运动阶段得到。
针对同一轴,单独分析每个运动状态得到的扭矩监测阈值和扭矩抖动量监测阈值,会比将不同的运动状态的扭矩放在一起分析得到的扭矩监测阈值和扭矩抖动量监测的范围更精确,进而使对机器人的故障预测更准确。
需要说明的是,机器人执行监控命令过程中,如果某一轴的加速过程和减速过程的加速度均保持不变,上述运动过程也可以分为三个运动阶段,包括加速阶段、匀速阶段和减速阶段。
在一种可能的实施方式中,当机器人监控命令的示教点发生变化,则该监控命令的实际运动轨迹会发生变化。如果监控命令的示教点发生变化,若该监控命令仍然符合每个轴的运动距离大于预设最小运动距离,那么这个监控命令仍然符合监控命令的选择条件。若机器人故障系统之前使用过示教点发生变化后的监控命令作为监控命令,则采用机器人故障预测装置中存储的该示教点发生变化后的监控命令的监测阈值,对机器人进行故障预测。若机器人故障系统之前没有使用过示教点发生变化后的监控命令作为监控命令,则关闭报警功能,重新累计示教点发生变化后的监控命令的出现次数,待该监控命令的次数达到N次之后,生成新的监测阈值,再次开启报警功能。如果监控命令的示教点发生变化,若该监控命令不符合每个轴的运动距离大于预设最小运动距离,则重新按照图5示出的方法选择监控命令。
如果监控命令的速度发生变化,若机器人故障系统之前使用过速度发生变化后的监控命令作为监控命令,则采用机器人故障预测装置中存储的速度发生变化后的监控命令的监测阈值,对机器人进行故障预测。若机器人故障系统之前没有使用过速度发生变化后的监控命令作为监控命令,则关闭报警功能,重新累计速度发生变化后的监控命令的出现次数,待该监控命令的次数达到N次之后,生成新的监测阈值,再次开启报警功能。
在一种可能的实施方式中,如果出现新的执行频率更高的控制命令,导致监控命令在设定时间段内统计次数不是最多时,选择新的控制命令作为监控命令。当选择新的监控命令时,新的监控命令如果在机器人故障预测装置中存储有监测阈值,那么直接使用该监测阈值,如果没有监测阈值,需要关闭报警功能,当新的监控命令累计到预设次数后,生成新的监测阈值,然后再开启报警功能。
在一种可能的实施方式中,机器人故障预测装置还可以从控制命令集合中选取一个备用监控命令,记录备用监控命令的监测阈值。当示教点或速度发生变化导致无法使用监控命令进行机器人故障预测时,可以先使用备用监控命令的监测阈值对机器人故障进行预测。当新的示教点或速度生成新的监测阈值时,再切换回监控命令,通过新的监测阈值对机器人故障进行预测。在一种可能的设计中,若机器人具有上手和下手,由于执行机构不同,可以分别对机器人的上手和下手执行上述机器人故障预测方法的各个步骤。需要注意的是,在选择上手的监控命令时,设置下手的最小运动距离为0,即下手不需要运动。类似的,在选择下手的监控命令时,设置上手的最小运动距离为0,即上手不需要运动。
本申请实施例提供一种机器人故障预测方法,在进行机器人故障预测时,不仅考虑了各轴每个运动阶段执行监控命令时的扭矩大小,还考虑了扭矩抖动的情况,可以提高机器人故障预测的准确率。并且,监控命令是机器人故障预测装置根据设定的标准选定的,无需人工去选择监控命令。
基于相同的技术构思,图9示例性地示出了本申请实施例提供的一种机器人故障预测装置,该装置用于实现上述实施例中的机器人故障预测方法。如图9所示,该装置900包括:
接收模块901,用于接收监控命令当前的执行信息,所述执行信息包括所述监控命令的信息以及在执行所述监控命令的过程中所述机器人的各轴的扭矩;
处理模块902,用于若在此次执行所述监控命令的过程中,所述机器人的任一轴的扭矩最大值超过该轴的扭矩监测阈值,或者扭矩抖动量最大值超过该轴的扭矩抖动量监测阈值,则判断所述机器人存在异常;
其中,所述监控命令根据在过去的设定时间段内所述机器人执行控制命令集合中各个控制命令的次数,以及在执行所述各个控制命令的过程中所述机器人的各轴的运动距离确定。
在一种可能的设计中,所述处理模块902还用于:从所述控制命令集合中选择在执行控制命令的过程中所述机器人的各轴的运动距离均大于该轴对应的最小运动距离的各个控制命令,作为候选监控命令;从各个所述候选监控命令中,选择在所述设定时间段内执行次数最多的候选监控命令作为所述监控命令。
在一种可能的设计中,所述处理模块902还用于:针对所述控制命令集合中的每个控制命令,根据所述控制命令的示教点,确定在执行所述控制命令的过程中所述机器人的各轴的运动距离。
在一种可能的设计中,所述处理模块902还用于:根据接收到的所述监控命令过去的N条执行信息,确定在过去的N次执行所述监控命令的过程中,所述机器人的各轴的扭矩最大值的分布范围和扭矩抖动量最大值的分布范围,N为正整数;根据所述机器人的各轴的扭矩最大值的分布范围,确定所述机器人的各轴分别对应的所述扭矩监测阈值,以及根据所述机器人的各轴的扭矩抖动量最大值的分布范围,确定所述机器人的各轴分别对应的所述扭矩抖动量监测阈值。
在一种可能的设计中,所述执行信息还包括在执行所述监控命令的过程中所述机器人的各轴的运动速度;所述处理模块902还用于:根据所述机器人的各轴的运动速度,确定在每次执行所述监控命令的过程中所述机器人的各轴的五个运动阶段,所述五个运动阶段包括加速过程加速度增加阶段、加速过程加速度减少阶段、匀速阶段、减速过程加速度增加阶段和减速过程加速度减少阶段;针对所述机器人的每个轴,根据该轴在各个运动阶段的扭矩最大值的分布范围,确定该轴在所述各个运动阶段分别对应的所述扭矩监测阈值,以及根据该轴在各个运动阶段的扭矩抖动量最大值的分布范围,确定该轴在所述各个运动阶段分别对应的所述扭矩抖动量监测阈值。
在一种可能的设计中,所述处理模块902还用于:若在此次执行所述监控命令的过程中,所述机器人的任一轴在任一运动阶段的扭矩最大值超过该轴在所述运动阶段对应的扭矩监测阈值,或者扭矩抖动量最大值超过该轴在所述运动阶段对应的扭矩抖动量监测阈值,则判断所述机器人存在异常。
在一种可能的设计中,所述处理模块902还用于:针对每次执行所述监控命令的过程,根据该次执行所述监控命令的过程中所述机器人的各轴的扭矩,绘制所述机器人的各轴的扭矩变化曲线;针对所述机器人的每个轴,通过对该轴的扭矩变化曲线进行平滑处理,得到该轴经过平滑处理后的扭矩变化曲线;根据所述扭矩变化曲线与所述经过平滑处理后的扭矩变化曲线的各个扭矩值的绝对差值中的最大值,确定所述扭矩抖动量最大值。
基于相同的技术构思,本申请实施例提供了一种计算机设备,如图10所示,包括至少一个处理器1001,以及与至少一个处理器连接的存储器1002,本申请实施例中不限定处理器1001与存储器1002之间的具体连接介质,图10中处理器1001和存储器1002之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。
在本申请实施例中,存储器1002存储有可被至少一个处理器1001执行的指令,至少一个处理器1001通过执行存储器1002存储的指令,可以执行上述机器人故障预测方法的步骤。
其中,处理器1001是计算机设备的控制中心,可以利用各种接口和线路连接计算机设备的各个部分,通过运行或执行存储在存储器1002内的指令以及调用存储在存储器1002内的数据,从而进行资源设置。可选的,处理器1001可包括一个或多个处理单元,处理器1001可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器1001中。在一些实施例中,处理器1001和存储器1002可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
处理器1001可以是通用处理器,例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列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,可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器1002作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器1002可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器1002是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器1002还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
基于相同的技术构思,本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行程序,计算机可执行程序用于使计算机执行上述任一方式所列的机器人故障预测方法。
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实施例的方法、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。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
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)
1.一种机器人故障预测方法,其特征在于,所述方法应用于机器人故障预测装置,所述方法包括:
接收监控命令当前的执行信息,所述执行信息包括所述监控命令的信息以及在执行所述监控命令的过程中所述机器人的各轴的扭矩;
若在此次执行所述监控命令的过程中,所述机器人的任一轴的扭矩最大值超过该轴的扭矩监测阈值,或者扭矩抖动量最大值超过该轴的扭矩抖动量监测阈值,则判断所述机器人存在异常;
其中,所述监控命令根据在过去的设定时间段内所述机器人执行控制命令集合中各个控制命令的次数,以及在执行所述各个控制命令的过程中所述机器人的各轴的运动距离确定。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
从所述控制命令集合中选择在执行控制命令的过程中所述机器人的各轴的运动距离均大于该轴对应的最小运动距离的各个控制命令,作为候选监控命令;
从各个所述候选监控命令中,选择在所述设定时间段内执行次数最多的候选监控命令作为所述监控命令。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
针对所述控制命令集合中的每个控制命令,根据所述控制命令的示教点,确定在执行所述控制命令的过程中所述机器人的各轴的运动距离。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:
根据接收到的所述监控命令过去的N条执行信息,确定在过去的N次执行所述监控命令的过程中,所述机器人的各轴的扭矩最大值的分布范围和扭矩抖动量最大值的分布范围,N为正整数;
根据所述机器人的各轴的扭矩最大值的分布范围,确定所述机器人的各轴分别对应的所述扭矩监测阈值,以及根据所述机器人的各轴的扭矩抖动量最大值的分布范围,确定所述机器人的各轴分别对应的所述扭矩抖动量监测阈值。
5.根据权利要求4所述的方法,其特征在于,所述执行信息还包括在执行所述监控命令的过程中所述机器人的各轴的运动速度;
所述方法还包括:
根据所述机器人的各轴的运动速度,确定在每次执行所述监控命令的过程中所述机器人的各轴的五个运动阶段,所述五个运动阶段包括加速过程加速度增加阶段、加速过程加速度减少阶段、匀速阶段、减速过程加速度增加阶段和减速过程加速度减少阶段;
所述根据所述机器人的各轴的扭矩最大值的分布范围,确定所述机器人的各轴分别对应的所述扭矩监测阈值,以及根据所述机器人的各轴的扭矩抖动量最大值的分布范围,确定所述机器人的各轴分别对应的所述扭矩抖动量监测阈值,包括:
针对所述机器人的每个轴,根据该轴在各个运动阶段的扭矩最大值的分布范围,确定该轴在所述各个运动阶段分别对应的所述扭矩监测阈值,以及根据该轴在各个运动阶段的扭矩抖动量最大值的分布范围,确定该轴在所述各个运动阶段分别对应的所述扭矩抖动量监测阈值。
6.根据权利要求5所述的方法,其特征在于,所述若在此次执行所述监控命令的过程中,所述机器人的任一轴的扭矩最大值超过该轴的扭矩监测阈值,或者扭矩抖动量最大值超过该轴的扭矩抖动量监测阈值,则判断所述机器人存在异常,包括:
若在此次执行所述监控命令的过程中,所述机器人的任一轴在任一运动阶段的扭矩最大值超过该轴在所述运动阶段对应的扭矩监测阈值,或者扭矩抖动量最大值超过该轴在所述运动阶段对应的扭矩抖动量监测阈值,则判断所述机器人存在异常。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述方法还包括:
针对每次执行所述监控命令的过程,根据该次执行所述监控命令的过程中所述机器人的各轴的扭矩,绘制所述机器人的各轴的扭矩变化曲线;
针对所述机器人的每个轴,通过对该轴的扭矩变化曲线进行平滑处理,得到该轴经过平滑处理后的扭矩变化曲线;
根据所述扭矩变化曲线与所述经过平滑处理后的扭矩变化曲线的各个扭矩值的绝对差值中的最大值,确定所述扭矩抖动量最大值。
8.一种机器人故障预测装置,其特征在于,包括:
接收模块,用于接收监控命令当前的执行信息,所述执行信息包括所述监控命令的信息以及在执行所述监控命令的过程中所述机器人的各轴的扭矩;
处理模块,用于若在此次执行所述监控命令的过程中,所述机器人的任一轴的扭矩最大值超过该轴的扭矩监测阈值,或者扭矩抖动量最大值超过该轴的扭矩抖动量监测阈值,则判断所述机器人存在异常;
其中,所述监控命令根据在过去的设定时间段内所述机器人执行控制命令集合中各个控制命令的次数,以及在执行所述各个控制命令的过程中所述机器人的各轴的运动距离确定。
9.一种计算机设备,其特征在于,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序指令执行如权利要求1至7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,包括计算机可读指令,当计算机读取并执行所述计算机可读指令时,使得计算机执行如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111527693.6A CN114323718B (zh) | 2021-12-14 | 2021-12-14 | 一种机器人故障预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111527693.6A CN114323718B (zh) | 2021-12-14 | 2021-12-14 | 一种机器人故障预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114323718A true CN114323718A (zh) | 2022-04-12 |
CN114323718B CN114323718B (zh) | 2023-12-15 |
Family
ID=81051182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111527693.6A Active CN114323718B (zh) | 2021-12-14 | 2021-12-14 | 一种机器人故障预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114323718B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007072937A1 (en) * | 2005-12-20 | 2007-06-28 | Honda Motor Co., Ltd. | Fault monitoring method for work machine |
CN102208888A (zh) * | 2010-03-30 | 2011-10-05 | 株式会社安川电机 | 电动机驱动系统、电动机控制器和安全功能扩展器 |
WO2013050314A1 (en) * | 2011-10-03 | 2013-04-11 | Abb Research Ltd | Condition monitoring of an industrial robot |
CN108058188A (zh) * | 2017-11-24 | 2018-05-22 | 苏州灵猴机器人有限公司 | 机器人健康监测和故障诊断系统及其控制方法 |
CN110919657A (zh) * | 2019-12-10 | 2020-03-27 | 北京奔驰汽车有限公司 | 一种基于大数据的工业机器人预测性状态监控方法 |
CN113211424A (zh) * | 2020-12-11 | 2021-08-06 | 格创东智(深圳)科技有限公司 | 故障检测告警方法、装置、服务器及存储介质 |
CN113211426A (zh) * | 2020-12-02 | 2021-08-06 | 格创东智(深圳)科技有限公司 | 机器人故障诊断方法、装置、计算机设备以及存储介质 |
CN113358353A (zh) * | 2021-06-08 | 2021-09-07 | 南京智汇智能科技有限公司 | 一种具有失效预警的减速器寿命测试方法及其装置 |
CN113696229A (zh) * | 2021-10-12 | 2021-11-26 | 上海非夕机器人科技有限公司 | 安全系统、关节组件及机器人 |
-
2021
- 2021-12-14 CN CN202111527693.6A patent/CN114323718B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007072937A1 (en) * | 2005-12-20 | 2007-06-28 | Honda Motor Co., Ltd. | Fault monitoring method for work machine |
CN102208888A (zh) * | 2010-03-30 | 2011-10-05 | 株式会社安川电机 | 电动机驱动系统、电动机控制器和安全功能扩展器 |
WO2013050314A1 (en) * | 2011-10-03 | 2013-04-11 | Abb Research Ltd | Condition monitoring of an industrial robot |
CN108058188A (zh) * | 2017-11-24 | 2018-05-22 | 苏州灵猴机器人有限公司 | 机器人健康监测和故障诊断系统及其控制方法 |
CN110919657A (zh) * | 2019-12-10 | 2020-03-27 | 北京奔驰汽车有限公司 | 一种基于大数据的工业机器人预测性状态监控方法 |
CN113211426A (zh) * | 2020-12-02 | 2021-08-06 | 格创东智(深圳)科技有限公司 | 机器人故障诊断方法、装置、计算机设备以及存储介质 |
CN113211424A (zh) * | 2020-12-11 | 2021-08-06 | 格创东智(深圳)科技有限公司 | 故障检测告警方法、装置、服务器及存储介质 |
CN113358353A (zh) * | 2021-06-08 | 2021-09-07 | 南京智汇智能科技有限公司 | 一种具有失效预警的减速器寿命测试方法及其装置 |
CN113696229A (zh) * | 2021-10-12 | 2021-11-26 | 上海非夕机器人科技有限公司 | 安全系统、关节组件及机器人 |
Non-Patent Citations (1)
Title |
---|
赵亮: "工业机器人故障诊断方法发展现状及发展方向", 《河南科技》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114323718B (zh) | 2023-12-15 |
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 | |
KR101889248B1 (ko) | 고장 진단 장치 및 고장 진단 방법 | |
KR101849894B1 (ko) | 고장 진단 장치 및 고장 진단 방법 | |
US20220269259A1 (en) | Predictive maintenance for a device in the food industry by means of a digital twin, and optimized production planning | |
US20170178015A1 (en) | Maintenance timing prediction system and maintenance timing prediction device | |
CN107614217B (zh) | 故障诊断装置及故障诊断方法 | |
KR101930198B1 (ko) | 고장 진단 장치 및 고장 진단 방법 | |
US10268187B2 (en) | Manufacturing cell machine management system based on component degree of consumption | |
US20230131828A1 (en) | Predictive maintenance system and method for intelligent manufacturing equipment | |
CN101059697A (zh) | 控制电动机的装置以及方法 | |
JP2008546084A (ja) | 生産機械のための評価装置の動作方法 | |
CN111191838A (zh) | 一种集成人工智能算法的工业设备状态管控方法和装置 | |
US20170115655A1 (en) | Diagnostic device and diagnostic method | |
US6904388B2 (en) | Method for preventing or minimizing operational failures in a technical installation | |
CN113924207B (zh) | 异常探测装置、异常探测方法以及存储介质 | |
CN107614213B (zh) | 故障诊断装置及故障诊断方法 | |
CN115167222A (zh) | 一种设备监控的方法及相关设备 | |
CN114323718A (zh) | 一种机器人故障预测方法及装置 | |
CN114897111B (zh) | 一种用于监控间歇式凸轮分割器运行状况的方法 | |
CN109828512A (zh) | 机台诊断方法及其系统 | |
CN113203876B (zh) | 一种取力器故障确定方法、装置、电子设备和存储介质 | |
US20210350282A1 (en) | Managing an installed base of artificial intelligence modules | |
CN115357864B (zh) | 旋转机械转子部件脱落故障识别方法及系统 | |
CN112070264A (zh) | 基于大数据的设备预测性维护方法 | |
TWI817855B (zh) | 刀具加工負載監控方法 |
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 | ||
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 |