CN114444623B - 面向工业机器人的异常检测分析方法及系统 - Google Patents

面向工业机器人的异常检测分析方法及系统 Download PDF

Info

Publication number
CN114444623B
CN114444623B CN202210372342.0A CN202210372342A CN114444623B CN 114444623 B CN114444623 B CN 114444623B CN 202210372342 A CN202210372342 A CN 202210372342A CN 114444623 B CN114444623 B CN 114444623B
Authority
CN
China
Prior art keywords
abnormal
length
data
resource
industrial robot
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
CN202210372342.0A
Other languages
English (en)
Other versions
CN114444623A (zh
Inventor
甘中学
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
Priority to CN202210372342.0A priority Critical patent/CN114444623B/zh
Publication of CN114444623A publication Critical patent/CN114444623A/zh
Application granted granted Critical
Publication of CN114444623B publication Critical patent/CN114444623B/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
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manipulator (AREA)

Abstract

本发明涉及异常检测技术领域，且公开了面向工业机器人的异常检测分析方法及系统，本方法针对异常数据信息获取具有数值长度数据段的异常特征长度和具有数值高度数据段的异常资源变量，将其构建成具有异常数据信息的数据库用做于后面的数据对比。通过采集工业机器人的实时监测数据，提取其在运行的过程中产生的数据信息，将其分为运行数据长度和运行资源变量，通过两侧对比的方式确保异常检测的准确性，防止单一检测带来的误差；同时将两者基于数据库进行划分，提高数据对比的准确性，最后利用其进行异常值的计算，并通过预设阈值进行对比，从而提高了异常检测的准确性，降低了对异常状态的误判，且根据准确的异常状态对应解决方案。

Description

面向工业机器人的异常检测分析方法及系统
技术领域
本发明涉及异常检测技术领域，具体为面向工业机器人的异常检测分析方法及系统。
背景技术
随着企业对产品交付时间的不断缩短，对产品质量要求的不断提高，工业机器人工作状态的稳定性变得尤为重要。工业机器人在异常检测的过程中通常是利用采集到的数据与现有的异常数据进行对比，从而对工业机器人进行异常检测分析。但是传统的对比分析方式，检测精度不高，出现误判的概率较大。
发明内容
本发明主要是提供面向工业机器人的异常检测分析方法及系统。
为了解决上述技术问题，本发明采用如下技术方案：
面向工业机器人的异常检测分析方法，包括：
采集工业机器人运行时的异常数据信息，基于所述异常数据信息提取异常特征长度和异常资源变量，并构建数据库；
采集工业机器人运行时的实时监测数据，基于所述实时监测数据提取运行数据长度和运行资源变量，并利用所述数据库对所述运行数据长度和运行资源变量进行划分；
基于划分结果和数据库进行对比，基于对比相似度获取长度数量和资源量数量；
基于所述长度数量和资源量数量计算异常值，并基于所述异常值与预设阈值进行对比，基于对比结果判断工业机器人是否处于异常状态；
若工业机器人处于异常状态，则进行异常报警，以及基于异常状态匹配对应异常知识图谱的解决方案。
进一步，所述采集工业机器人运行时的异常数据信息，基于所述异常数据信息提取异常特征长度和异常资源变量，并构建数据库，包括：
采集工业机器人运行时的异常数据信息；
基于所述异常数据信息提取异常特征长度和异常资源变量；将所述异常特征长度划分为多个异常数据长度段，基于所述异常资源变量获取每一个异常数据长度段的对应异常资源量，将所述异常资源变量划分为多个异常数据高度段，基于所述异常特征长度获取每一个异常资源高度段的对应异常长度；
基于所述对应异常资源量和对应异常长度构建数据库。
进一步，所述采集工业机器人运行时的实时监测数据，基于所述实时监测数据提取运行数据长度和运行资源变量，并利用所述数据库对所述运行数据长度和运行资源变量进行划分，包括：
采集所述工业机器人运行时的实时监测数据；
基于所述实时监测数据提取运行数据长度和运行资源变量；
基于所述异常数据长度段的长度对所述运行数据长度进行划分，获取运行数据长度段，并获取与所述运行数据长度段对应的对应运行资源量，基于所述异常数据高度段的高度对所述运行资源变量进行划分，获取运行数据高度段，并获取与所述运行数据高度段对应的对应运行数据长度。
进一步，所述基于划分结果和数据库进行对比，基于对比相似度获取长度数量和资源量数量，包括：
获取所述对应运行资源量和对应运行数据长度；
获取所述对应异常资源量和对应异常长度；
利用所述对应运行资源量与对应异常资源量进行相似度对比，获取相似度高的长度数量；利用所述对应运行数据长度与对应异常长度进行相似度对比，获取相似度高的资源量数量。
进一步，所述基于所述长度数量和资源量数量计算异常值，并基于所述异常值与预设阈值进行对比，基于对比结果判断工业机器人是否处于异常状态，包括：
基于所述长度数量和资源量数量，计算异常值；
将所述异常值与预设阈值进行对比，若大于则判断异常，若小于则判断非异常。
面向工业机器人的异常检测分析系统，包括：
数据库构建模块，用于采集工业机器人运行时的异常数据信息，基于所述异常数据信息提取异常特征长度和异常资源变量，并构建数据库；
监测数据划分模块，用于采集工业机器人运行时的实时监测数据，基于所述实时监测数据提取运行数据长度和运行资源变量，并利用所述数据库对所述运行数据长度和运行资源变量进行划分；
数量获取模块，用于基于划分结果和数据库进行对比，基于对比相似度获取长度数量和资源量数量；
异常判断模块，用于基于所述长度数量和资源量数量计算异常值，并基于所述异常值与预设阈值进行对比，基于对比结果判断工业机器人是否处于异常状态；
检测报警模块，用于若工业机器人处于异常状态，则进行异常报警，以及基于异常状态匹配对应异常知识图谱的解决方案。
进一步，所述数据库构建模块，包括：
异常数据采集子模块，用于采集工业机器人运行时的异常数据信息；
异常数据划分子模块，用于基于所述异常数据信息提取异常特征长度和异常资源变量；将所述异常特征长度划分为多个异常数据长度段，基于所述异常资源变量获取每一个异常数据长度段的对应异常资源量，将所述异常资源变量划分为多个异常数据高度段，基于所述异常特征长度获取每一个异常资源高度段的对应异常长度；
数据库构建子模块，用于基于所述对应异常资源量和对应异常长度构建数据库。
进一步，所述监测数据划分模块，包括：
监测数据采集子模块，用于采集所述工业机器人运行时的实时监测数据；
监测数据提取子模块，用于基于所述实时监测数据提取运行数据长度和运行资源变量；
数据划分子模块，用于基于所述异常数据长度段的长度对所述运行数据长度进行划分，获取运行数据长度段，并获取与所述运行数据长度段对应的对应运行资源量，基于所述异常数据高度段的高度对所述运行资源变量进行划分，获取运行数据高度段，并获取与所述运行数据高度段对应的对应运行数据长度。
进一步，所述数量获取模块，包括：
划分数据获取子模块，用于获取所述对应运行资源量和对应运行数据长度；
异常数据获取子模块，用于获取所述对应异常资源量和对应异常长度；
数据相似度对比子模块，用于利用所述对应运行资源量与对应异常资源量进行相似度对比，获取相似度高的长度数量；利用所述对应运行数据长度与对应异常长度进行相似度对比，获取相似度高的资源量数量。
进一步，所述异常判断模块，包括：
异常值计算子模块，用于基于所述长度数量和资源量数量，计算异常值；
异常判断子模块，用于将所述异常值与预设阈值进行对比，若大于则判断异常，若小于则判断非异常。
有益效果：本方法针对异常数据信息获取具有数值长度数据段的异常特征长度和具有数值高度数据段的异常资源变量，将其构建成具有异常数据信息的数据库用做于后面的数据对比。通过采集工业机器人的实时监测数据，提取其在运行的过程中产生的数据信息，将其分为运行数据长度和运行资源变量，通过两侧对比的方式确保异常检测的准确性，防止单一检测带来的误差；同时将两者基于数据库进行划分，提高数据对比的准确性，最后利用其进行异常值的计算，并通过预设阈值进行对比，从而提高了异常检测的准确性，降低了对异常状态的误判，且根据准确的异常状态对应解决方案。
附图说明
图1为面向工业机器人的异常检测分析方法流程图；
图2为步骤S1流程图；
图3为步骤S2流程图；
图4为步骤S3流程图；
图5为步骤S4流程图；
图6为面向工业机器人的异常检测分析系统框图。
具体实施方式
以下将结合实施例对本发明涉及的面向工业机器人的异常检测分析方法及系统技术方案进一步详细说明。
如图1所示，本实施例的面向工业机器人的异常检测分析方法，包括：S1~S5；
S1、采集工业机器人运行时的异常数据信息，基于所述异常数据信息提取异常特征长度和异常资源变量，并构建数据库；
其中，异常数据信息指的是工业机器人在使用的过程中出现的异常数据，如：部件温度异常、运行轨迹异常、噪声异常、过载异常、指令响应速度等；这些异常数据会通过相应的设备进行采集，如：传感器；并将被采集的异常数据换为电讯号等各种物理量，如：噪声数值、温度数值等；其可以是模拟量，也可以是数字量。然后构建数据库。采集一般是采样方式，即根据采样周期对同一点数据重复采集；采集的数据大多是瞬时值，也可是某段时间内的一个特征值；在后续步骤中的实时监测数据采集也适用。
S2、采集工业机器人运行时的实时监测数据，基于所述实时监测数据提取运行数据长度和运行资源变量，并利用所述数据库对所述运行数据长度和运行资源变量进行划分；
S3、基于划分结果和数据库进行对比，基于对比相似度获取长度数量和资源量数量；
S4、基于所述长度数量和资源量数量计算异常值，并基于所述异常值与预设阈值进行对比，基于对比结果判断工业机器人是否处于异常状态；
S5、若工业机器人处于异常状态，则进行异常报警，以及基于异常状态匹配对应异常知识图谱的解决方案。
其中，将采集到的异常数据信息划分长度和高度，即，长度为数据的时间长度，高度为数据的峰值/资源量。相似度指的是指实时监测数据的数据进行处理后与数据库进行对比产生的相似值，其数值范围可以预先设置，如：相似度大于百分之九十八，则认为两端数据为同样的数据。预设阈值是用来与异常值进行对比，从而进行异常判断的预设值，如：当预设阈值与异常值进行对比后相差度在百分之五以为，则认为异常。
本发明实施例提供的上述技术方案的有益效果至少包括：
本发明实施例提供的面向工业机器人的异常检测分析方法，本方法针对异常数据信息获取具有数值长度数据段的异常特征长度和具有数值高度数据段的异常资源变量，将其构建成具有异常数据信息的数据库用做于后面的数据对比。通过采集工业机器人的实时监测数据，提取其在运行的过程中产生的数据信息，将其分为运行数据长度和运行资源变量，通过两侧对比的方式确保异常检测的准确性，防止单一检测带来的误差；同时将两者基于数据库进行划分，提高数据对比的准确性，最后利用其进行异常值的计算，并通过预设阈值进行对比，从而提高了异常检测的准确性，降低了对异常状态的误判，且根据准确的异常状态对应解决方案。
进一步，如图2所示，步骤S1中所述采集工业机器人运行时的异常数据信息，基于所述异常数据信息提取异常特征长度和异常资源变量，并构建数据库，包括：
S11、采集工业机器人运行时的异常数据信息；
S12、基于所述异常数据信息提取异常特征长度和异常资源变量；将所述异常特征长度划分为多个异常数据长度段，基于所述异常资源变量获取每一个异常数据长度段的对应异常资源量，将所述异常资源变量划分为多个异常数据高度段，基于所述异常特征长度获取每一个异常资源高度段的对应异常长度；
其中，对应异常资源量的集合为：
Figure 848801DEST_PATH_IMAGE001
，
Figure 44290DEST_PATH_IMAGE002
为第一个异常数据长度段对应的异常资源变量，其它类似；对应异常长度的集合为：
Figure 457823DEST_PATH_IMAGE003
，
Figure 371553DEST_PATH_IMAGE004
为第一个异常数据高度段对应的异常特征长度。
S13、基于所述对应异常资源量和对应异常长度构建数据库。
进一步，如图3所示，步骤S2中所述采集工业机器人运行时的实时监测数据，基于所述实时监测数据提取运行数据长度和运行资源变量，并利用所述数据库对所述运行数据长度和运行资源变量进行划分，包括：
S21、采集所述工业机器人运行时的实时监测数据；
S22、基于所述实时监测数据提取运行数据长度和运行资源变量；
S23、基于所述异常数据长度段的长度对所述运行数据长度进行划分，获取运行数据长度段，并获取与所述运行数据长度段对应的对应运行资源量，基于所述异常数据高度段的高度对所述运行资源变量进行划分，获取运行数据高度段，并获取与所述运行数据高度段对应的对应运行数据长度。
其中，异常数据长度段的长度是确定的，利用其将运行数据长度按照相同的长度进行划分，从而确定对应运行资源量用作后续对比；异常数据高度段的高度是确定的，利用其将运行资源变量按照相同的高度进行划分，从而确定对应运行数据长度进行后续对比。
对应运行资源量的集合为：
Figure 99206DEST_PATH_IMAGE005
；对应运行数据长度的集合为：
Figure 883622DEST_PATH_IMAGE006
。
进一步，如图4所示，步骤S3中所述基于划分结果和数据库进行对比，基于对比相似度获取长度数量和资源量数量，包括：
S31、获取所述对应运行资源量和对应运行数据长度；
S32、获取所述对应异常资源量和对应异常长度；
S33、利用所述对应运行资源量与对应异常资源量进行相似度对比，获取相似度高的长度数量；利用所述对应运行数据长度与对应异常长度进行相似度对比，获取相似度高的资源量数量。
根据余弦相似性公式：
Figure 405739DEST_PATH_IMAGE007
其中，根据上式进行长度相似度的对比，当相似度超过预设相似值时，则进行记录，并最后统计数量，记为：
Figure 790453DEST_PATH_IMAGE008
；
Figure 338109DEST_PATH_IMAGE009
其中，根据上式进行高度相似度的对比，当相似度超过预设相似值时，则进行记录，并最后统计数量，记为：
Figure 570507DEST_PATH_IMAGE010
。
进一步，如图5所示，步骤S4中所述基于所述长度数量和资源量数量计算异常值，并基于所述异常值与预设阈值进行对比，基于对比结果判断工业机器人是否处于异常状态，包括：
S41、基于所述长度数量和资源量数量，计算异常值；
Figure 263526DEST_PATH_IMAGE011
其中，
Figure 151847DEST_PATH_IMAGE012
，
Figure 503194DEST_PATH_IMAGE013
代表长度在异常检测中的影响占比，
Figure 511470DEST_PATH_IMAGE014
代表高度在异常检测中的影响占比。
S42、将所述异常值与预设阈值进行对比，若大于则判断异常，若小于则判断非异常。
如图6所示，面向工业机器人的异常检测分析系统，包括：
数据库构建模块61，用于采集工业机器人运行时的异常数据信息，基于所述异常数据信息提取异常特征长度和异常资源变量，并构建数据库；
监测数据划分模块62，用于采集工业机器人运行时的实时监测数据，基于所述实时监测数据提取运行数据长度和运行资源变量，并利用所述数据库对所述运行数据长度和运行资源变量进行划分；
数量获取模块63，用于基于划分结果和数据库进行对比，基于对比相似度获取长度数量和资源量数量；
异常判断模块64，用于基于所述长度数量和资源量数量计算异常值，并基于所述异常值与预设阈值进行对比，基于对比结果判断工业机器人是否处于异常状态；
检测报警模块65，用于若工业机器人处于异常状态，则进行异常报警，以及基于异常状态匹配对应异常知识图谱的解决方案。
进一步，所述数据库构建模块61，包括：
异常数据采集子模块611，用于采集工业机器人运行时的异常数据信息；
异常数据划分子模块612，用于基于所述异常数据信息提取异常特征长度和异常资源变量；将所述异常特征长度划分为多个异常数据长度段，基于所述异常资源变量获取每一个异常数据长度段的对应异常资源量，将所述异常资源变量划分为多个异常数据高度段，基于所述异常特征长度获取每一个异常资源高度段的对应异常长度；
数据库构建子模块613，用于基于所述对应异常资源量和对应异常长度构建数据库。
进一步，所述监测数据划分模块62，包括：
监测数据采集子模块621，用于采集所述工业机器人运行时的实时监测数据；
监测数据提取子模块622，用于基于所述实时监测数据提取运行数据长度和运行资源变量；
数据划分子模块623，用于基于所述异常数据长度段的长度对所述运行数据长度进行划分，获取运行数据长度段，并获取与所述运行数据长度段对应的对应运行资源量，基于所述异常数据高度段的高度对所述运行资源变量进行划分，获取运行数据高度段，并获取与所述运行数据高度段对应的对应运行数据长度。
进一步，所述数量获取模块63，包括：
划分数据获取子模块631，用于获取所述对应运行资源量和对应运行数据长度；
异常数据获取子模块632，用于获取所述对应异常资源量和对应异常长度；
数据相似度对比子模块633，用于利用所述对应运行资源量与对应异常资源量进行相似度对比，获取相似度高的长度数量；利用所述对应运行数据长度与对应异常长度进行相似度对比，获取相似度高的资源量数量。
进一步，所述异常判断模块64，包括：
异常值计算子模块641，用于基于所述长度数量和资源量数量，计算异常值；
异常判断子模块642，用于将所述异常值与预设阈值进行对比，若大于则判断异常，若小于则判断非异常。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (2)

1.面向工业机器人的异常检测分析方法，其特征在于，包括：
采集工业机器人运行时的异常数据信息，基于所述异常数据信息提取异常特征长度和异常资源变量，并构建数据库；
采集工业机器人运行时的实时监测数据，基于所述实时监测数据提取运行数据长度和运行资源变量，并利用所述数据库对所述运行数据长度和运行资源变量进行划分；
基于划分结果和数据库进行对比，基于对比相似度获取长度数量和资源量数量；
基于所述长度数量和资源量数量计算异常值，并基于所述异常值与预设阈值进行对比，基于对比结果判断工业机器人是否处于异常状态；
若工业机器人处于异常状态，则进行异常报警，以及基于异常状态匹配对应异常知识图谱的解决方案；
其中，所述采集工业机器人运行时的异常数据信息，基于所述异常数据信息提取异常特征长度和异常资源变量，并构建数据库，具体包括：采集工业机器人运行时的异常数据信息；基于所述异常数据信息提取异常特征长度和异常资源变量；将所述异常特征长度划分为多个异常数据长度段，基于所述异常资源变量获取每一个异常数据长度段的对应异常资源量，将所述异常资源变量划分为多个异常数据高度段，基于所述异常特征长度获取每一个异常资源高度段的对应异常长度；基于所述对应异常资源量和对应异常长度构建数据库；其中，对应异常资源量的集合为：
Figure DEST_PATH_IMAGE001
，
Figure 933244DEST_PATH_IMAGE002
为第一个异常数据长度段对应的异常资源变量；对应异常长度的集合为：
Figure DEST_PATH_IMAGE003
，
Figure 146050DEST_PATH_IMAGE004
为第一个异常数据高度段对应的异常特征长度；
其中，所述采集工业机器人运行时的实时监测数据，基于所述实时监测数据提取运行数据长度和运行资源变量，并利用所述数据库对所述运行数据长度和运行资源变量进行划分，具体包括：采集所述工业机器人运行时的实时监测数据；基于所述实时监测数据提取运行数据长度和运行资源变量；基于所述异常数据长度段的长度对所述运行数据长度进行划分，获取运行数据长度段，并获取与所述运行数据长度段对应的对应运行资源量，基于所述异常数据高度段的高度对所述运行资源变量进行划分，获取运行数据高度段，并获取与所述运行数据高度段对应的对应运行数据长度；其中，异常数据长度段的长度是确定的，利用其将运行数据长度按照相同的长度进行划分，从而确定对应运行资源量用作后续对比；异常数据高度段的高度是确定的，利用其将运行资源变量按照相同的高度进行划分，从而确定对应运行数据长度进行后续对比；对应运行资源量的集合为：
Figure DEST_PATH_IMAGE005
；对应运行数据长度的集合为：
Figure 930467DEST_PATH_IMAGE006
；
其中，所述基于划分结果和数据库进行对比，基于对比相似度获取长度数量和资源量数量，具体包括：获取所述对应运行资源量和对应运行数据长度；获取所述对应异常资源量和对应异常长度；利用所述对应运行资源量与对应异常资源量进行相似度对比，获取相似度高的长度数量；利用所述对应运行数据长度与对应异常长度进行相似度对比，获取相似度高的资源量数量；
Figure DEST_PATH_IMAGE007
其中，根据上式进行长度相似度的对比，当相似度超过预设相似值时，则进行记录，并最后统计数量，记为：
Figure 140999DEST_PATH_IMAGE008
；
Figure DEST_PATH_IMAGE009
其中，根据上式进行高度相似度的对比，当相似度超过预设相似值时，则进行记录，并最后统计数量，记为：
Figure 7937DEST_PATH_IMAGE010
；
其中，所述基于所述长度数量和资源量数量计算异常值，并基于所述异常值与预设阈值进行对比，基于对比结果判断工业机器人是否处于异常状态，包括：基于所述长度数量和资源量数量，计算异常值；
Figure DEST_PATH_IMAGE011
其中，
Figure 244008DEST_PATH_IMAGE012
，
Figure DEST_PATH_IMAGE013
代表长度在异常检测中的影响占比，
Figure 617352DEST_PATH_IMAGE014
代表高度在异常检测中的影响占比；
将所述异常值与预设阈值进行对比，若大于则判断异常，若小于则判断非异常。
2.面向工业机器人的异常检测分析系统，其特征在于，包括：
数据库构建模块，用于采集工业机器人运行时的异常数据信息，基于所述异常数据信息提取异常特征长度和异常资源变量，并构建数据库；
监测数据划分模块，用于采集工业机器人运行时的实时监测数据，基于所述实时监测数据提取运行数据长度和运行资源变量，并利用所述数据库对所述运行数据长度和运行资源变量进行划分；
数量获取模块，用于基于划分结果和数据库进行对比，基于对比相似度获取长度数量和资源量数量；
异常判断模块，用于基于所述长度数量和资源量数量计算异常值，并基于所述异常值与预设阈值进行对比，基于对比结果判断工业机器人是否处于异常状态；
检测报警模块，用于若工业机器人处于异常状态，则进行异常报警，以及基于异常状态匹配对应异常知识图谱的解决方案；
其中，所述数据库构建模块，具体包括：异常数据采集子模块，用于采集工业机器人运行时的异常数据信息；异常数据划分子模块，用于基于所述异常数据信息提取异常特征长度和异常资源变量；将所述异常特征长度划分为多个异常数据长度段，基于所述异常资源变量获取每一个异常数据长度段的对应异常资源量，将所述异常资源变量划分为多个异常数据高度段，基于所述异常特征长度获取每一个异常资源高度段的对应异常长度；数据库构建子模块，用于基于所述对应异常资源量和对应异常长度构建数据库；其中，对应异常资源量的集合为：
Figure 716895DEST_PATH_IMAGE001
，
Figure 760810DEST_PATH_IMAGE002
为第一个异常数据长度段对应的异常资源变量；对应异常长度的集合为：
Figure 705633DEST_PATH_IMAGE003
，
Figure 871166DEST_PATH_IMAGE004
为第一个异常数据高度段对应的异常特征长度；
其中，所述监测数据划分模块，具体包括：监测数据采集子模块，用于采集所述工业机器人运行时的实时监测数据；监测数据提取子模块，用于基于所述实时监测数据提取运行数据长度和运行资源变量；数据划分子模块，用于基于所述异常数据长度段的长度对所述运行数据长度进行划分，获取运行数据长度段，并获取与所述运行数据长度段对应的对应运行资源量，基于所述异常数据高度段的高度对所述运行资源变量进行划分，获取运行数据高度段，并获取与所述运行数据高度段对应的对应运行数据长度；其中，异常数据长度段的长度是确定的，利用其将运行数据长度按照相同的长度进行划分，从而确定对应运行资源量用作后续对比；异常数据高度段的高度是确定的，利用其将运行资源变量按照相同的高度进行划分，从而确定对应运行数据长度进行后续对比；对应运行资源量的集合为：
Figure 876031DEST_PATH_IMAGE005
；对应运行数据长度的集合为：
Figure 392594DEST_PATH_IMAGE006
；
其中，所述数量获取模块，具体包括：划分数据获取子模块，用于获取所述对应运行资源量和对应运行数据长度；异常数据获取子模块，用于获取所述对应异常资源量和对应异常长度；数据相似度对比子模块，利用所述对应运行资源量与对应异常资源量进行相似度对比，获取相似度高的长度数量；利用所述对应运行数据长度与对应异常长度进行相似度对比，获取相似度高的资源量数量；
Figure 157419DEST_PATH_IMAGE007
其中，根据上式进行长度相似度的对比，当相似度超过预设相似值时，则进行记录，并最后统计数量，记为：
Figure 692306DEST_PATH_IMAGE008
；
Figure 615875DEST_PATH_IMAGE009
其中，根据上式进行高度相似度的对比，当相似度超过预设相似值时，则进行记录，并最后统计数量，记为：
Figure 603422DEST_PATH_IMAGE010
；
其中，所述异常判断模块，具体包括：异常值计算子模块，用于基于所述长度数量和资源量数量，计算异常值；
Figure 640779DEST_PATH_IMAGE011
其中，
Figure 764593DEST_PATH_IMAGE012
，
Figure 861993DEST_PATH_IMAGE013
代表长度在异常检测中的影响占比，
Figure 602416DEST_PATH_IMAGE014
代表高度在异常检测中的影响占比；
异常判断子模块，用于将所述异常值与预设阈值进行对比，若大于则判断异常，若小于则判断非异常。
CN202210372342.0A 2022-04-11 2022-04-11 面向工业机器人的异常检测分析方法及系统 Active CN114444623B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210372342.0A CN114444623B (zh) 2022-04-11 2022-04-11 面向工业机器人的异常检测分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210372342.0A CN114444623B (zh) 2022-04-11 2022-04-11 面向工业机器人的异常检测分析方法及系统

Publications (2)

Publication Number Publication Date
CN114444623A CN114444623A (zh) 2022-05-06
CN114444623B true CN114444623B (zh) 2022-08-12

Family

ID=81360529

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210372342.0A Active CN114444623B (zh) 2022-04-11 2022-04-11 面向工业机器人的异常检测分析方法及系统

Country Status (1)

Country Link
CN (1) CN114444623B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108428457A (zh) * 2018-02-12 2018-08-21 北京百度网讯科技有限公司 音频去重方法及装置
CN109165234A (zh) * 2018-09-19 2019-01-08 北京云迹科技有限公司 机器人异常分析方法及装置
CN109359135A (zh) * 2018-09-04 2019-02-19 河海大学 一种基于分段权重的时间序列相似性搜索方法
CN113254609A (zh) * 2021-05-12 2021-08-13 同济大学 一种基于负样本多样性的问答模型集成方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105467975B (zh) * 2015-12-29 2018-08-03 山东鲁能软件技术有限公司 一种设备故障诊断方法
AU2017279806B2 (en) * 2017-05-29 2023-10-12 Saltor Pty Ltd Method and system for abnormality detection
CN111177276B (zh) * 2020-01-06 2023-10-20 浙江中烟工业有限责任公司 一种基于Spark计算框架的动能数据处理系统及方法
CN111695634A (zh) * 2020-06-12 2020-09-22 江苏方天电力技术有限公司 一种基于有限陪审团机制的数据异常突变点检测算法
CN112788066B (zh) * 2021-02-26 2022-01-14 中南大学 物联网设备的异常流量检测方法、系统及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108428457A (zh) * 2018-02-12 2018-08-21 北京百度网讯科技有限公司 音频去重方法及装置
CN109359135A (zh) * 2018-09-04 2019-02-19 河海大学 一种基于分段权重的时间序列相似性搜索方法
CN109165234A (zh) * 2018-09-19 2019-01-08 北京云迹科技有限公司 机器人异常分析方法及装置
CN113254609A (zh) * 2021-05-12 2021-08-13 同济大学 一种基于负样本多样性的问答模型集成方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《基于时间序列挖掘的异常检测关键技术研究》;展鹏;《中国博士学位论文全文数据库 基础科学辑》;20210415(第2021年第04期);全文 *

Also Published As

Publication number Publication date
CN114444623A (zh) 2022-05-06

Similar Documents

Publication Publication Date Title
CN110895526A (zh) 一种大气监测系统中数据异常的修正方法
CN105525913B (zh) 一种抽油机悬点位移的确定方法及示功仪
CN116308305B (zh) 一种桥梁健康监测数据管理系统
CN109117450B (zh) 振动测试数据最佳分析长度的确定方法
CN114490156A (zh) 一种时间序列数据异常标记方法
CN112000081A (zh) 基于多块信息提取和马氏距离的故障监测方法及系统
CN114444623B (zh) 面向工业机器人的异常检测分析方法及系统
CN103821749A (zh) 一种轴流式通风机失速和喘振的在线诊断方法
CN111538755B (zh) 一种基于归一化互相关与单位根检验的设备运行状态异常检测方法
CN117314020A (zh) 一种浮游生物的湿地碳汇数据监测系统
CN117109805A (zh) 一种压力传感设备的异常压力检测与校正方法
CN117171655A (zh) 一种基于频谱分析的煤矿生产状态智能判别方法及装置
CN113919173A (zh) 一种采样流量特征参数自动识别方法
CN114037010A (zh) 一种电量数据异常的识别方法及装置
CN113407520A (zh) 一种基于机器学习的电力网络安全数据清洗系统及方法
CN113075547A (zh) 电机数据的采集方法及系统
CN117556274B (zh) 一种热管背板的温度数据异常分析方法
CN117289778B (zh) 一种工控主机电源健康状态的实时监测方法
CN117433591B (zh) 基于多传感器数据的自动化设备监测系统
CN117556108B (zh) 一种基于数据分析的油渣分离效率异常检测方法
CN117422345B (zh) 一种油渣分离质量评估方法及系统
CN116510223B (zh) 基于物联网的自识别消防泵电参数巡检监测系统
CN117439827B (zh) 一种网络流量大数据分析方法
CN115636103B (zh) 一种piu子系统的工况分离方法、装置、设备及存储介质
CN112632925B (zh) 物联网中台遥感数据可视化的方法和系统

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