CN114418042B - 一种基于聚类分析的工业机器人运行趋势诊断方法 - Google Patents

一种基于聚类分析的工业机器人运行趋势诊断方法 Download PDF

Info

Publication number
CN114418042B
CN114418042B CN202210336270.4A CN202210336270A CN114418042B CN 114418042 B CN114418042 B CN 114418042B CN 202210336270 A CN202210336270 A CN 202210336270A CN 114418042 B CN114418042 B CN 114418042B
Authority
CN
China
Prior art keywords
data
category
dynamic
matching
collected
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
CN202210336270.4A
Other languages
English (en)
Other versions
CN114418042A (zh
Inventor
甘中学
马玲玉
苑忠亮
陈益飞
郑青山
冯浩然
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.)
Zhichang Technology Group Co ltd
Original Assignee
Zhichang Technology Group Co ltd
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 Zhichang Technology Group Co ltd filed Critical Zhichang Technology Group Co ltd
Publication of CN114418042A publication Critical patent/CN114418042A/zh
Application granted granted Critical
Publication of CN114418042B publication Critical patent/CN114418042B/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
    • G06F18/23—Clustering techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Abstract

本发明涉及一种基于聚类分析的工业机器人运行趋势诊断方法，包括以下步骤，S1、采集周期性数据；S2、平滑滤波；S3、数据匹配分组；S4、更新数据平均值；S5、健康状况分析。本发明通过使用本发明中的故障诊断方法，可实时的给出机器人的运行状态评分，同时不同的机器人，也可适配的使用该方法，并且无需提前训练模型，无需有大量的历史数据，即可直接使用，对工业机器人的健康状态进行评估，提高了工业机器人的寿命，保障了工业的效益。

Description

一种基于聚类分析的工业机器人运行趋势诊断方法
相关申请参考：
本申请根据《专利法》第二十九条要求2022年12月30日向国家知识产权局提交的发明专利申请（一种基于聚类分析的工业机器人运行趋势诊断方法，申请号为：2021116566457）的优先权，本文以此申请的内容为基础并通过参考将其完整地结合于此。
技术领域
本发明涉及智能机器人技术领域，尤其是一种基于聚类分析的工业机器人运行趋势诊断方法。
背景技术
工业机器人是集自动化生产和集成生产的特点于一身的，面向工业领域的机器装置。近年来在装配制造业中，工业机器人的应用规模在不断扩大，用以提高生产效率，因此，工业机器人自身的正常运行是整个制造系统中的基石，对工业机器人运行状态的健康评估成为需要研究的问题。
由于工业机器人设备运行具有工况复杂和设备多样的特点，为了给机器人的运行状态进行健康评估，目前的现有技术大多是采用有监督学习，以大量的历史数据集为前提，进行训练，从而预测机器人的运行状态，进而达到来为机器人的健康状态进行评分的目的。但是，此方法具有有一定的局限性，即需要大量的历史数据集，因此如何对工业机器人的运行状态进行简单有效的评估，是目前需要解决的问题。
发明内容
本发明提供一种基于聚类分析的工业机器人运行趋势诊断方法，能够采用无监督学习的聚类方式，达到对机器人的健康情况进行打分，并给出故障预警的效果。
本发明解决上述技术问题所采用的技术方案如下：一种基于聚类分析的工业机器人运行趋势诊断方法，包括以下步骤，
S1、采集周期性数据，包括静态数据以及动态数据，通过观察数据的时间序列图，确定数据为周期性的数据；
S2、平滑滤波，采用中值滤波方式对采集到的动态数据进行平滑处理，去掉异常的噪声数据；
S3、数据匹配分组，对于采集到的静态数据匹配已有的静态数据组合，然后对动态数据匹配已有的动态数据的类别，根据马式距离法，得出最接近的类别，进行归类；
S4、更新数据平均值，当采集到的动态数据匹配到某一个类别之后，将该类别数据的平均值更新为该类别全部数据的平均值；
S5、健康状况分析，将采集的数据与已有的数据类别组进行比对，并根据比对的差距结果，进行评分。
进一步的，所述的步骤S1中，所述静态数据为实时采集，包括机器人型号、机器人类型、操作系统版本、程序名称、协议版本；所述动态数据包括，速度数据、位置数据以及扭矩数据。
进一步的，所述的步骤S3中“对于采集到的静态数据匹配已有的静态数据组合”还包括，
S31、将采集到的静态数据与已有的静态数据组合进行匹配，若不一致，则新加一个静态数据组合。
进一步的，所述的步骤S3中“对动态数据匹配已有的动态数据的类别，根据马式距离法，得出最接近的类别，进行归类”还包括，
S32、在归类之前，先对动态数据进行傅里叶变换，找出数据的周期数，并在每个周期内对应位置取数据并取平均值；
S33、将取得的平均值数据与已有的动态类别数据使用马氏距离法进行匹配，找到与已有动态类别数据中的最接近的类别。
进一步的，所述的步骤S3还包括，
S331、若采集到的动态数据没有匹配到最接近的类别，则单独新建一个动态数据组合。
进一步的，所述的步骤S4还包括，
S41、当有新的速度数据要匹配类别时，与上一次计算好的类别数据平均值进行对比，对比方式为马氏距离法。
进一步的，所述的步骤S5中“将采集的数据与已有的数据类别组进行比对，并根据比对的差距结果，进行评分”还包括，
S51、分析扭矩数据的匹配结果，速度数据与位置数据的匹配结果不做健康状况分析。
进一步的，所述的步骤S51中，当采集的扭矩数据，与已有的扭矩数据类别组相差为10%以上，则认为该机器人的健康情况出现故障，并根据差距的结果，进行评分；当差距为50%以上时，则进行故障预警。
本发明的有益效果是，解决了背景技术中存在的缺陷，通过使用本发明中的故障诊断方法，可实时的给出机器人的运行状态评分，同时不同的机器人，也可适配的使用该方法，并且无需提前训练模型，无需有大量的历史数据，即可直接使用，对工业机器人的健康状态进行评估，提高了工业机器人的寿命，保障了工业的效益。
附图说明
图1是本发明聚类分析组示意图；
图2是本发明一种基于聚类分析的工业机器人运行趋势诊断方法流程图；
图3是本发明实施例中步骤S3的子流程图；
图4是本发明实施例中步骤S4的子流程图；
图5是本发明实施例中步骤S5的子流程图；
图6是本发明扭矩噪声数据示意图。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本公开，而非对本申请的限定。基于所描述的本申请的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本申请保护的范围。
图1是本发明聚类分析组示意图，本实施例以每个机器人为单位，如图1所示，对所采集的数据划分为不同的集群。首先对每个机器人根据静态数据的不同进行分组，其次在每个静态数据下，再根据速度进行分组，然后再根据位置进行分组，最后再进行扭矩数据的分组，从而完成机器人数据的聚类分组。
图2是本发明实施例提供的一种基于聚类分析的工业机器人运行趋势诊断方法流程图，结合图2，一种基于聚类分析的工业机器人运行趋势诊断方法，包括S1至S5五个步骤：
S1、数据采集，采集工业机器人的静态数据以及运行时的动态数据；
具体的，目前机器人为6轴机器人，采集到的静态数据有，机器人型号、机器人类型、操作系统版本、程序名称、协议版本。采集到的动态数据有，速度、位置、扭矩。而系统实时采集机器人的最新静态数据，以及当前时间前10分钟的数据，即以当前时间为终点，当前时间减10分钟为起点，取期间的动态数据，速度、位置、扭矩。通过观察数据的时间序列图，确定数据均为周期性的数据。首先对速度数据进行处理，前后不足一个周期的数据去掉，只保留完整的周期数据，且确定好时间边界，且数据值从最低点开始。根据上述确定好的时间边界，得到相应的位置数据与扭矩数据。
S2、平滑滤波，采用中值滤波方式对采集到的动态数据进行平滑处理，去掉异常的噪声数据；
具体的，速度数据为实时采集的数据，故先要对速度数据进行滤波处理，用于去除噪声和异常值。滤波方式为中值滤波，具体方式为取最近5次的数据，取其中值，作为数值的输出。另外，由于采集的动态数据有噪声，如图6中箭头所示，扭矩数据会有突然的增大的情况，需要对数据进行平滑处理，去掉异常的噪声数据。这里采用中值滤波。
S3、数据匹配分组，对于采集到的静态数据匹配已有的静态数据组合，然后对动态数据匹配已有的动态数据的类别，根据马式距离法，得出最接近的类别，进行归类；
具体的，采集10分钟内的数据，首先要根据静态数据，匹配到静态数据组合，例如机器人型号、类型、程序名称、协议版本等，匹配方式为完全一致匹配。如果找不到一致的静态数据组合，则新建一个静态数据组合，作为新的静态组合类别，即每一个静态数据组合代表了某一种机器人，新的静态数据组合代表了新识别到的一种机器人，从而便于后期采集到的动态数据的聚类。而对于动态数据的匹配，首先需要对动态数据进行傅里叶变换，找出动态数据的周期数，比如本实施例中600个数据，傅里叶变换后得到周期数为10，即一个周期包含了60个数据。将每个周期对应位置的10个数据进行取平均值，则可得到60个平均值数据，将这60个数据与已有的动态类别数据使用马氏距离法公式，
Figure 899639DEST_PATH_IMAGE001
进行匹配，找到最佳的组合，比如速度值，如果没有最佳的类别，则单独新建一个类别。同样位置与扭矩也按照此法提取出数据。其中，
Figure 206993DEST_PATH_IMAGE002
为原有动态数据类别，
Figure 49047DEST_PATH_IMAGE003
表示采集到的动态数据，
Figure 601513DEST_PATH_IMAGE004
为原有数据类别
Figure 478202DEST_PATH_IMAGE002
与采集到的动态数据
Figure 503927DEST_PATH_IMAGE003
之间的马氏距离。
S4、更新数据平均值，当采集到的动态数据匹配到某一个类别之后，将该类别数据的平均值更新为该类别全部数据的平均值；
具体的，对于某一类别的数据，如一组速度值，当匹配到一个类别之后，则更新该类别数据的平均值，即取该类别的全部数据组合，比如每个组合有600个数据，共有10个组合，则按每个组合对应位置的数据取平均值，则可得到600个数据，将此数据作为新的类别数据，即当有新的速度数据要匹配类别时，是与每次计算好的平均值的数据进行对比，对比方式为马氏距离。找出最匹配的一组数据。
S5、健康状况分析，将采集的数据与已有的数据类别组进行比对，并根据比对的差距结果，进行评分。
具体的，对于速度与位置的匹配结果不做健康状况分析，只有扭矩的匹配情况做分析，确定好速度与位置类别之后，当采集的扭矩数据，与已有的数据类别组相差较大时，则认为该机器人的健康情况出现故障，并根据差距的结果，进行评分。当差距为50%以上时，则进行故障预警。
在一些实施例中，所述的步骤S1中，所述静态数据为实时采集，包括机器人型号、机器人类型、操作系统版本、程序名称、协议版本；所述动态数据包括，速度数据、位置数据以及扭矩数据。
图3是本发明实施例中步骤S3的子流程图，结合图3，在一些实施例中，所述的步骤S3中“对于采集到的静态数据匹配已有的静态数据组合”还包括步骤S31，
S31、将采集到的静态数据与已有的静态数据组合进行匹配，若不一致，则新加一个静态数据组合。
具体的，匹配到静态数据组合，例如机器人型号、类型、程序名称、协议版本等，匹配方式为完全一致匹配。如果找不到一致的静态数据组合，则新建一个静态数据组合，作为新的静态组合类别，即每一个静态数据组合代表了某一种机器人，新的静态数据组合代表了新识别到的一种机器人，从而便于后期采集到的动态数据的聚类。
在一些实施例中，所述的步骤S3中“对动态数据匹配已有的动态数据的类别，根据马式距离法，得出最接近的类别，进行归类”还包括步骤S32以及步骤S33，
S32、在归类之前，先对动态数据进行傅里叶变换，找出数据的周期数，并在每个周期内对应位置取数据并取平均值；
具体的，对于动态数据的匹配，首先需要对动态数据进行傅里叶变换，找出动态数据的周期数，比如本实施例中600个数据，傅里叶变换后得到周期数为10，即一个周期包含了60个数据。
S33、将取得的平均值数据与已有的动态类别数据使用马氏距离法进行匹配，找到与已有动态类别数据中的最接近的类别。
具体的，将每个周期对应位置的10个数据进行取平均值，则可得到60个平均值数据，将这60个数据与已有的动态类别数据使用马氏距离法公式，
Figure 98857DEST_PATH_IMAGE005
进行匹配，找到最佳的组合，比如速度值，如果没有最佳的类别，则单独新建一个类别。同样位置与扭矩也按照此法提取出数据。其中，
Figure 858609DEST_PATH_IMAGE002
为原有动态数据类别，
Figure 855384DEST_PATH_IMAGE003
表示采集到的动态数据，
Figure 176643DEST_PATH_IMAGE006
为原有数据类别
Figure 993290DEST_PATH_IMAGE002
与采集到的动态数据
Figure 199143DEST_PATH_IMAGE003
之间的马氏距离。
图4是本发明实施例中步骤S4的子流程图，结合图4，在一些实施例中，所述的步骤S4还包括步骤S41，
S41、当有新的速度数据要匹配类别时，与上一次计算好的类别数据平均值进行对比，对比方式为马氏距离法。
具体的，对于某一类别的数据，如一组速度值，当匹配到一个类别之后，则更新该类别数据的平均值，即取该类别的全部数据组合，比如每个组合有600个数据，共有10个组合，则按每个组合对应位置的数据取平均值，则可得到600个数据，将此数据作为新的类别数据，即当有新的速度数据要匹配类别时，是与每次计算好的平均值的数据进行对比，对比方式为马氏距离。找出最匹配的一组数据。
图5是本发明实施例中步骤S5的子流程图，结合图5，在一些实施例中，所述的步骤S5中“将采集的数据与已有的数据类别组进行比对，并根据比对的差距结果，进行评分”还包括步骤S51，
S51、分析扭矩数据的匹配结果，速度数据与位置数据的匹配结果不做健康状况分析。
在一些实施例中，所述的步骤S51中，当采集的扭矩数据，与已有的扭矩数据类别组相差为10%以上，则认为该机器人的健康情况出现故障，并根据差距的结果，进行评分；当差距为50%以上时，则进行故障预警。
具体的，对于速度与位置的匹配结果不做健康状况分析，只有扭矩的匹配情况做分析，确定好速度与位置类别之后，当采集的扭矩数据，与已有的数据类别组相差为10%以上，则认为该机器人的健康情况出现故障，并根据差距的结果，进行评分。当差距为50%以上时，则评价为一级故障并进行故障预警；当差距为40%~50%时，则评价为二级故障；当差距为30%~40%时，则评价为三级故障；当差距为20%~30%时，则评价为四级故障；当差距为10%~20%时，则评价为五级故障；当差距为10%以下，则认为机器人正常工作，健康状况良好。
下面通过实时数据分析进行详细说明。
首先， 采集10分钟内的数据，首先根据静态数据，匹配到静态数据组合，例如机器人型号、类型、程序名称、协议版本等，匹配方式为完全一致匹配。如果找不到一致的静态数据组合，则新建一个静态数据组合，作为新的静态组合类别。
其次，找到匹配后的静态数据之后，取速度数据，每秒钟采集一次，10分钟的速度数据为600个，速度数据为实时采集的数据，故先要对速度数据进行滤波处理，用于去除噪声和异常值。滤波方式为中值滤波，具体方式为取最近5次的数据，取其中值，作为数值的输出。
最后，滤波处理之后，得到一组数据，经过经验观察，机器人在正常工作时，都是进行周期性的动作，因此可已知速度数据为周期性的，对数据进行傅里叶变换，可得出数据的周期数，本系统中600个数据的周期数为10，则只对60个数据进行对比。
本方法不只对机器人的当前运行状态进行评估，还会通过实时数据的发展趋势对机器人的整体进行评估。强调了参数数据的周期性，并对周期性的数据进行获取。采用平滑滤波的方式，自动去除异常数据。并且将单独性质的参数进行比较，以参数进行分组。比如先比较速度、再比较位置、再比较扭矩，这种方式由于只对单一的参数进行比较准确率更高。如果有没有匹配到的，则会新增一个组合。比如静态数据组合，如果没有匹配到，则会自动新增加一个组合。如果最先比较的速度，如果没有匹配到，也要新增加一个速度；但是当速度与位置的组合都匹配之后，如果扭矩与前面的数据相差很大，则不会新增一个扭矩组合，则认为，当前机器的健康有问题。
以上说明书虽然结合附图描述了本申请的实施方式，但是本领域技术人员可以在不脱离本申请的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (7)

1.一种基于聚类分析的工业机器人运行趋势诊断方法，其特征在于：包括以下步骤，
S1、数据采集，采集工业机器人的静态数据以及运行时的动态数据；
S2、平滑滤波，采用中值滤波方式对采集到的动态数据进行平滑处理，去掉异常的噪声数据；
S3、数据匹配分组，对于采集到的静态数据匹配已有的静态数据组合，然后对动态数据匹配已有的动态数据的类别，根据马式距离法，得出最接近的类别，进行归类；
S4、更新数据平均值，当采集到的动态数据匹配到某一个类别之后，将该类别数据的平均值更新为该类别全部数据的平均值；
S5、健康状况分析，将采集的数据与已有的数据类别组进行比对，并根据比对的差距结果，进行评分；
其中，所述步骤S3数据匹配分组还包括，对每个机器人根据静态数据分组，其次在每个静态数据下，根据速度进行分组，然后再根据位置进行分组，最后再根据扭矩进行分组；
所述的步骤S3中“对动态数据匹配已有的动态数据的类别，根据马式距离法，得出最接近的类别，进行归类”还包括，
S32、在归类之前，先对动态数据进行傅里叶变换，找出数据的周期数，并在每个周期内对应位置取数据并取平均值；
S33、将取得的平均值数据与已有的动态类别数据使用马氏距离法进行匹配，找到与已有动态类别数据中的最接近的类别；
所述步骤S5中对数据类别组进行比对时，对同类数据进行对比，先比较速度数据，再比较位置数据，再比较扭矩数据；
所述步骤S32中“并在每个周期内对应位置取数据并取平均值”的计算方法为：
Figure DEST_PATH_IMAGE002
，其中
Figure DEST_PATH_IMAGE004
为每个周期位置i处的数据平均值，n为任一周期内位置i处的数据值，m为周期数。
2.根据权利要求1所述的一种基于聚类分析的工业机器人运行趋势诊断方法，其特征在于：所述的步骤S1中，所述静态数据为实时采集，包括机器人型号、机器人类型、操作系统版本、程序名称、协议版本；所述动态数据包括，速度数据、位置数据以及扭矩数据。
3.根据权利要求1所述的一种基于聚类分析的工业机器人运行趋势诊断方法，其特征在于：所述的步骤S3中“对于采集到的静态数据匹配已有的静态数据组合”还包括，
S31、将采集到的静态数据与已有的静态数据组合进行匹配，若不一致，则新加一个静态数据组合。
4.根据权利要求1所述的一种基于聚类分析的工业机器人运行趋势诊断方法，其特征在于：所述的步骤S3还包括，
S331、若采集到的动态数据没有匹配到最接近的类别，则单独新建一个动态数据组合。
5.根据权利要求1所述的一种基于聚类分析的工业机器人运行趋势诊断方法，其特征在于：所述的步骤S4还包括，
S41、当有新的速度数据要匹配类别时，与上一次计算好的类别数据平均值进行对比，对比方式为马氏距离法。
6.根据权利要求1所述的一种基于聚类分析的工业机器人运行趋势诊断方法，其特征在于：所述的步骤S5中“将采集的数据与已有的数据类别组进行比对，并根据比对的差距结果，进行评分”还包括，
S51、分析扭矩数据的匹配结果，速度数据与位置数据的匹配结果不做健康状况分析。
7.根据权利要求6所述的一种基于聚类分析的工业机器人运行趋势诊断方法，其特征在于：所述的步骤S51中，当采集的扭矩数据，与已有的扭矩数据类别组相差为10%以上，则认为该机器人的健康情况出现故障，并根据差距的结果，进行评分；当差距为50%以上时，则进行故障预警。
CN202210336270.4A 2021-12-30 2022-04-01 一种基于聚类分析的工业机器人运行趋势诊断方法 Active CN114418042B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2021116566457 2021-12-30
CN202111656645 2021-12-30

Publications (2)

Publication Number Publication Date
CN114418042A CN114418042A (zh) 2022-04-29
CN114418042B true CN114418042B (zh) 2022-07-22

Family

ID=81262777

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210336270.4A Active CN114418042B (zh) 2021-12-30 2022-04-01 一种基于聚类分析的工业机器人运行趋势诊断方法

Country Status (1)

Country Link
CN (1) CN114418042B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114596014B (zh) * 2022-05-10 2022-09-16 智昌科技集团股份有限公司 工业运输机器人权限管理方法、系统、设备及存储介质
CN114918976B (zh) * 2022-06-16 2022-12-02 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 (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101509839A (zh) * 2009-03-12 2009-08-19 上海交通大学 基于离群点挖掘的集群工业机器人故障诊断方法
CN108363836A (zh) * 2018-01-17 2018-08-03 杭州安脉盛智能技术有限公司 多工况自适应的工业机器人健康度评估方法及系统
CN110733038A (zh) * 2019-09-30 2020-01-31 浙江工业大学 工业机器人远程监控及数据处理系统
WO2020043538A1 (en) * 2018-08-28 2020-03-05 Koninklijke Philips N.V. A distributed edge-environment computing platform for context-enabled ambient intelligence, environmental monitoring and control, and large-scale near real-time informatics
CN111126822A (zh) * 2019-12-19 2020-05-08 佛山科学技术学院 一种工业机器人健康评估方法、装置及存储介质
KR20200121756A (ko) * 2019-04-16 2020-10-26 주식회사 유진로봇 모바일 로봇의 초기화 진단 방법 및 시스템
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113077172A (zh) * 2021-04-19 2021-07-06 瑞湖智科数据(苏州)有限公司 一种设备状态趋势分析及故障诊断方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101509839A (zh) * 2009-03-12 2009-08-19 上海交通大学 基于离群点挖掘的集群工业机器人故障诊断方法
CN108363836A (zh) * 2018-01-17 2018-08-03 杭州安脉盛智能技术有限公司 多工况自适应的工业机器人健康度评估方法及系统
WO2020043538A1 (en) * 2018-08-28 2020-03-05 Koninklijke Philips N.V. A distributed edge-environment computing platform for context-enabled ambient intelligence, environmental monitoring and control, and large-scale near real-time informatics
KR20200121756A (ko) * 2019-04-16 2020-10-26 주식회사 유진로봇 모바일 로봇의 초기화 진단 방법 및 시스템
CN110733038A (zh) * 2019-09-30 2020-01-31 浙江工业大学 工业机器人远程监控及数据处理系统
CN111126822A (zh) * 2019-12-19 2020-05-08 佛山科学技术学院 一种工业机器人健康评估方法、装置及存储介质
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FAULT DETECTION IN A NETWORK OF SIMILAR MACHINES USING CLUSTERING APPROACH;Edzel R. Lapira;《University of Cincinnati,Computer Science Dept. Cincinnati, OH, United States》;20121231;全文 *
矿渣粉磨健康状态识别模型及系统设计;代风等;《振动.测试与诊断》;20180815(第04期);全文 *
面向智能制造的工业机器人健康评估方法;赵威等;《机器人》;20200731(第04期);全文 *

Also Published As

Publication number Publication date
CN114418042A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN114418042B (zh) 一种基于聚类分析的工业机器人运行趋势诊断方法
WO2022037068A1 (zh) 一种机床轴承故障诊断方法
CN108731923B (zh) 一种旋转机械设备的故障检测方法及装置
CN112418277B (zh) 旋转机械零部件剩余寿命预测方法、系统、介质、设备
JP6141235B2 (ja) 時系列データにおける異常を検出する方法
US20100030521A1 (en) Method for analyzing and classifying process data
CN107238508A (zh) 一种设备状态诊断方法及装置
CN105975797A (zh) 一种基于模糊数据处理的产品早期故障根原因识别方法
Cao et al. Intelligent fault diagnosis of wind turbine gearbox based on Long short-term memory networks
CN105677572A (zh) 基于自组织映射模型云软件性能异常错误诊断方法与系统
CN112231971A (zh) 基于相对整体趋势扩散故障样本生成的高炉故障诊断方法
CN113780151B (zh) 一种双线性特征融合的轴承故障诊断方法及系统
CN110727669B (zh) 一种电力系统传感器数据清理装置及清理方法
CN115424635B (zh) 一种基于声音特征的水泥厂设备故障诊断方法
CN112001511A (zh) 基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备
CN117435908A (zh) 一种用于旋转机械的多种故障特征提取方法
CN111783941A (zh) 一种基于概率置信度卷积神经网络的机械设备诊断分类方法
CN116562599A (zh) 基于深度学习的高效智能工厂调度系统
CN110837953A (zh) 一种自动化异常实体定位分析方法
CN113919225B (zh) 环境试验箱可靠性评估方法和系统
CN114764538B (zh) 一种设备声音信号模式识别方法
CN114896228A (zh) 基于过滤规则多级组合优化的工业数据流清洗模型和方法
CN113505639A (zh) 一种基于TPE-XGBoost的旋转机械多参数健康状态评估方法
Lorenz et al. Vibration Data Analysis for Fault Detection in Manufacturing Systems-A Systematic Literature Review
Zhao et al. Health indicator selection and health assessment of rolling element bearing

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