CN114474150A - 七轴机器人的稳定性测试方法及系统 - Google Patents
七轴机器人的稳定性测试方法及系统 Download PDFInfo
- Publication number
- CN114474150A CN114474150A CN202111652566.9A CN202111652566A CN114474150A CN 114474150 A CN114474150 A CN 114474150A CN 202111652566 A CN202111652566 A CN 202111652566A CN 114474150 A CN114474150 A CN 114474150A
- Authority
- CN
- China
- Prior art keywords
- stability
- abnormal
- variable
- test
- path
- 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 60
- 238000012430 stability testing Methods 0.000 title claims abstract description 38
- 230000002159 abnormal effect Effects 0.000 claims abstract description 206
- 238000013112 stability test Methods 0.000 claims abstract description 52
- 230000008569 process Effects 0.000 claims abstract description 35
- 230000000694 effects Effects 0.000 claims abstract description 31
- 230000008439 repair process Effects 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims description 45
- 238000013135 deep learning Methods 0.000 claims description 12
- 238000012790 confirmation Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 5
- 230000000875 corresponding effect Effects 0.000 description 47
- 230000004807 localization Effects 0.000 description 8
- 206010000117 Abnormal behaviour Diseases 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Manipulator (AREA)
Abstract
本发明实施例提供的七轴机器人的稳定性测试方法及系统,首先依据在七轴机器人的稳定性测试过程中获得的包括稳定性测试变量的稳定性测试操作事件,提取具有相互联系的多个稳定性异常活动数据,然后确定所述稳定性异常活动数据对应的异常定位变量,接着假若所述异常定位变量满足预设条件,确定与所述具有相互联系的多个稳定性异常活动数据对应的稳定性异常路径,最后依据所述稳定性异常路径以及所述稳定性测试过程的稳定性测试操作事件,调取关联于所述稳定性异常路径以及所述稳定性测试变量的稳定性修复活动集,并通过所述稳定性测试过程对应的稳定性修复策略对所述异常定位变量进行稳定性修复。如此,可以针对稳定性异常路径进行决策,并由此进行稳定性修复处理,以此提高机器人运行的稳定性。
Description
技术领域
本发明涉及机器人稳定性测试技术领域,具体而言,涉及一种七轴机器人的稳定性测试方法及系统。
背景技术
如何针对针对七轴机器人的稳定性异常路径进行决策,并由此进行稳定性修复处理,以此提高机器人运行的稳定性,是亟待解决的技术问题。
发明内容
依据上述问题,本发明实施例提供一种七轴机器人的稳定性测试方法,包括:
依据在七轴机器人的稳定性测试过程中获得的包括稳定性测试变量的稳定性测试操作事件,提取具有相互联系的多个稳定性异常活动数据;
依据所述具有相互联系的多个稳定性异常活动数据,确定所述稳定性异常活动数据对应的异常定位变量,所述异常定位变量表征所述稳定性测试变量与多个设定异常定位标签之间的联系变量;
假若所述异常定位变量满足预设条件,确定与所述具有相互联系的多个稳定性异常活动数据对应的稳定性异常路径; 依据所述稳定性异常路径以及所述稳定性测试过程的稳定性测试操作事件,调取关联于所述稳定性异常路径以及所述稳定性测试变量的稳定性修复活动集,并通过所述稳定性测试过程对应的稳定性修复策略对所述异常定位变量进行稳定性修复。
其中,所述依据所述具有相互联系的多个稳定性异常活动数据,确定所述稳定性异常活动数据对应的异常定位变量,包括:
将所述稳定性异常活动数据加载到深度学习单元中,通过所述深度学习单元预测与所述稳定性异常活动数据对应的异常定位变量。
其中,假若所述异常定位变量满足预设条件,确定与所述具有相互联系的多个稳定性异常活动数据对应的稳定性异常路径,包括:
假若所述异常定位变量满足预设条件,确定所述异常定位变量对应的异常联动实体知识网络;
依据所述异常联动实体知识网络,从预设配置的运行测试路径库中匹配与所述异常联动实体知识网络对应的稳定性异常路径。
其中,依据所述异常联动实体知识网络,从预设配置的运行测试路径库中匹配与所述异常联动实体知识网络对应的稳定性异常路径,包括:
依据所述异常联动实体知识网络,从所述运行测试路径库中确定与所述异常联动实体知识网络对应的多个运行测试路径节点特征;
将所述多个运行测试路径节点特征通过所述测试服务系统对所述异常定位变量进行确认;
依据测试服务系统针对所述多个运行测试路径节点特征的确认指示信息,确定目标稳定性异常路径。
其中,所述方法还包括:
依据所述稳定性修复活动集,生成与所述稳定性修复活动集对应的稳定性修复执行数据,并将所述稳定性修复执行数据与所述稳定性修复活动集进行配置。
本发明还提供一种七轴机器人的稳定性测试系统,包括:
提取模块,用于依据在七轴机器人的稳定性测试过程中获得的包括稳定性测试变量的稳定性测试操作事件,提取具有相互联系的多个稳定性异常活动数据;
确定模块,用于依据所述具有相互联系的多个稳定性异常活动数据,确定所述稳定性异常活动数据对应的异常定位变量,所述异常定位变量表征所述稳定性测试变量与多个设定异常定位标签之间的联系变量;
修复模块,用于假若所述异常定位变量满足预设条件,确定与所述具有相互联系的多个稳定性异常活动数据对应的稳定性异常路径; 依据所述稳定性异常路径以及所述稳定性测试过程的稳定性测试操作事件,调取关联于所述稳定性异常路径以及所述稳定性测试变量的稳定性修复活动集,并通过所述稳定性测试过程对应的稳定性修复策略对所述异常定位变量进行稳定性修复。
其中,所述确定模块,具体用于:
将所述稳定性异常活动数据加载到深度学习单元中,通过所述深度学习单元预测与所述稳定性异常活动数据对应的异常定位变量。
其中,所述修复模块具体用于:
假若所述异常定位变量满足预设条件,确定所述异常定位变量对应的异常联动实体知识网络; 依据所述异常联动实体知识网络,从预设配置的运行测试路径库中匹配与所述异常联动实体知识网络对应的稳定性异常路径。
其中,所述修复模块具体还用于:
依据所述异常联动实体知识网络,从所述运行测试路径库中确定与所述异常联动实体知识网络对应的多个运行测试路径节点特征;
将所述多个运行测试路径节点特征通过所述测试服务系统对所述异常定位变量进行确认;
依据测试服务系统针对所述多个运行测试路径节点特征的确认指示信息,确定目标稳定性异常路径。
所述系统还包括:
配置模块,用于依据所述稳定性修复活动集,生成与所述稳定性修复活动集对应的稳定性修复执行数据,并将所述稳定性修复执行数据与所述稳定性修复活动集进行配置。
综上所述,本发明实施例提供的七轴机器人的稳定性测试方法及系统内,首先依据在七轴机器人的稳定性测试过程中获得的包括稳定性测试变量的稳定性测试操作事件,提取具有相互联系的多个稳定性异常活动数据,然后依据所述具有相互联系的多个稳定性异常活动数据,确定所述稳定性异常活动数据对应的异常定位变量,所述异常定位变量表征所述稳定性测试变量与多个设定异常定位标签之间的联系变量,接着假若所述异常定位变量满足预设条件,确定与所述具有相互联系的多个稳定性异常活动数据对应的稳定性异常路径,最后依据所述稳定性异常路径以及所述稳定性测试过程的稳定性测试操作事件,调取关联于所述稳定性异常路径以及所述稳定性测试变量的稳定性修复活动集,并通过所述稳定性测试过程对应的稳定性修复策略对所述异常定位变量进行稳定性修复。如此,通过针对稳定性测试变量的智能预测分析,并由此进行稳定性修复处理,以此提高机器人运行的稳定性。
为使本发明实施例的上述目的、特征和优点能更明显易懂,下面将结合实施例,并配合所附附图,作详细说明。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅是本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以依据这些附图获得其他相关的附图。
图1是本发明实施例所提供的七轴机器人的稳定性测试方法的流程示意图;
图2是本发明实施例所提供的七轴机器人的稳定性测试系统的功能模块框图。
具体实施方式
为了使本技术领域的学员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。依据本发明中的实施例,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他实施例,都属于本发明保护的范围。
图1是本发明实施例提供的七轴机器人的稳定性测试方法的流程示意图,该异常行为拦截方法可由用于提供稳定性测试过程服务的监控服务器执行,提供所述稳定性测试过程服务的后台服务器执行。
服务器可以包括一个或多个处理器,诸如一个或多个中央处理单元(CPU),每个处理单元可以实现一个或多个硬件线程。服务器还可以包括任何存储介质,其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的,比如,存储介质可以包括以下任一项或多种组合:任何类型的RAM,任何类型的ROM,闪存设备,硬盘,光盘等。更一般地,任何存储介质都可以使用任何技术来存储信息。进一步地,任何存储介质可以提供信息的易失性或非易失性保留。进一步地,任何存储介质可以表示服务器的固定或可移除部件。在一种情况下,当处理器执行被存储在任何存储介质或存储介质的组合中的对应的指令时,服务器可以执行相关联指令的任一操作。服务器还包括用于与任何存储介质交互的一个或多个驱动单元,诸如硬盘驱动单元、光盘驱动单元等。
服务器还包括输入/输出(I/O),其用于接收各种输入(经由输入单元)和用于提供各种输出(经由输出单元))。一个具体输出机构可以包括呈现设备和对应的图形用户接口(GUI)。服务器还可以包括一个或多个网络接口,其用于经由一个或多个通信单元与其他设备交换数据。一个或多个通信总线将上文所描述的部件耦合在一起。
通信单元可以以任何方式实现,例如,通过局域网、广域网(例如,因特网)、点对点连接等、或其任何组合。通信单元可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能等的任何组合。
该七轴机器人的稳定性测试方法的详细步骤介绍如下。
步骤100,依据在七轴机器人的稳定性测试过程中获得的包括稳定性测试变量的稳定性测试操作事件,提取具有相互联系的多个稳定性异常活动数据。
步骤200,依据所述具有相互联系的多个稳定性异常活动数据,确定所述稳定性异常活动数据对应的异常定位变量,所述异常定位变量表征所述稳定性测试变量与多个设定异常定位标签之间的联系变量。
步骤300,假若所述异常定位变量满足预设条件,确定与所述具有相互联系的多个稳定性异常活动数据对应的稳定性异常路径; 依据所述稳定性异常路径以及所述稳定性测试过程的稳定性测试操作事件,调取关联于所述稳定性异常路径以及所述稳定性测试变量的稳定性修复活动集,并通过所述稳定性测试过程对应的稳定性修复策略对所述异常定位变量进行稳定性修复。
在一种可能的实施方式中,针对步骤200,所述依据所述具有相互联系的多个稳定性异常活动数据,确定所述稳定性异常活动数据对应的异常定位变量,包括:
将所述稳定性异常活动数据加载到深度学习单元中,通过所述深度学习单元预测与所述稳定性异常活动数据对应的异常定位变量。
在一种可能的实施方式中,针对步骤300,假若所述异常定位变量满足预设条件,确定与所述具有相互联系的多个稳定性异常活动数据对应的稳定性异常路径,包括:
假若所述异常定位变量满足预设条件,确定所述异常定位变量对应的异常联动实体知识网络; 依据所述异常联动实体知识网络,从预设配置的运行测试路径库中匹配与所述异常联动实体知识网络对应的稳定性异常路径。
在一种可能的实施方式中,针对步骤300,依据所述异常联动实体知识网络,从运行测试路径库中匹配与所述异常联动实体知识网络对应的稳定性异常路径,包括:
依据所述异常联动实体知识网络,从所述运行测试路径库中确定与所述异常联动实体知识网络对应的多个运行测试路径节点特征;
将所述多个运行测试路径节点特征通过所述测试服务系统对所述异常定位变量进行确认;
依据测试服务系统针对所述多个运行测试路径节点特征的确认指示信息,确定目标稳定性异常路径。
在一种可能的实施方式中,本实施例所述的方法还包括:
依据所述稳定性修复活动集,生成与所述稳定性修复活动集对应的稳定性修复执行数据,并将所述稳定性修复执行数据与所述稳定性修复活动集进行配置。
图2是本发明实施例提供的异常行为拦截系统的功能模块图,该异常行为拦截系统实现的功能可以对应上述方法执行的步骤。该异常行为拦截系统可以理解为上述服务器,或服务器的处理器,也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本发明功能的组件,如图2所示,下面分别对该异常行为拦截系统的各个功能模块的功能进行详细阐述。
提取模块210,用于依据在七轴机器人的稳定性测试过程中获得的包括稳定性测试变量的稳定性测试操作事件,提取具有相互联系的多个稳定性异常活动数据;
确定模块220,用于依据所述具有相互联系的多个稳定性异常活动数据,确定所述稳定性异常活动数据对应的异常定位变量,所述异常定位变量表征所述稳定性测试变量与多个设定异常定位标签之间的联系变量;
修复模块230,用于假若所述异常定位变量满足预设条件,确定与所述具有相互联系的多个稳定性异常活动数据对应的稳定性异常路径; 依据所述稳定性异常路径以及所述稳定性测试过程的稳定性测试操作事件,调取关联于所述稳定性异常路径以及所述稳定性测试变量的稳定性修复活动集,并通过所述稳定性测试过程对应的稳定性修复策略对所述异常定位变量进行稳定性修复。
在一种可能的实施方式中,所述确定模块,具体用于:
将所述稳定性异常活动数据加载到深度学习单元中,通过所述深度学习单元预测与所述稳定性异常活动数据对应的异常定位变量。
在一种可能的实施方式中,所述修复模块具体用于:
假若所述异常定位变量满足预设条件,确定所述异常定位变量对应的异常联动实体知识网络; 依据所述异常联动实体知识网络,从预设配置的运行测试路径库中匹配与所述异常联动实体知识网络对应的稳定性异常路径。
在一种可能的实施方式中,所述修复模块具体还用于:
依据所述异常联动实体知识网络,从所述运行测试路径库中确定与所述异常联动实体知识网络对应的多个运行测试路径节点特征;
将所述多个运行测试路径节点特征通过所述测试服务系统对所述异常定位变量进行确认;
依据测试服务系统针对所述多个运行测试路径节点特征的确认指示信息,确定目标稳定性异常路径。
在一种可能的实施方式中,所述系统还包括:
配置模块240,用于依据所述稳定性修复活动集,生成与所述稳定性修复活动集对应的稳定性修复执行数据,并将所述稳定性修复执行数据与所述稳定性修复活动集进行配置。
综上所述,本发明实施例提供的七轴机器人的稳定性测试方法及系统内,首先依据在七轴机器人的稳定性测试过程中获得的包括稳定性测试变量的稳定性测试操作事件,提取具有相互联系的多个稳定性异常活动数据,然后依据所述具有相互联系的多个稳定性异常活动数据,确定所述稳定性异常活动数据对应的异常定位变量,所述异常定位变量表征所述稳定性测试变量与多个设定异常定位标签之间的联系变量,接着假若所述异常定位变量满足预设条件,确定与所述具有相互联系的多个稳定性异常活动数据对应的稳定性异常路径,最后依据所述稳定性异常路径以及所述稳定性测试过程的稳定性测试操作事件,调取关联于所述稳定性异常路径以及所述稳定性测试变量的稳定性修复活动集,并通过所述稳定性测试过程对应的稳定性修复策略对所述异常定位变量进行稳定性修复。如此,通过针对稳定性测试变量的智能预测分析,并由此进行稳定性修复处理,以此提高机器人运行的稳定性。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
可以替换的,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid StateDisk (SSD))等。
需要说明的是,在本文中,术语"包括"、"包括"或者其任何其它变体意在包括非排它性的包括,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句"包括一个……"限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其它的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图进销存确认视为限制所涉及的权利要求。
Claims (10)
1.一种七轴机器人的稳定性测试方法,其特征在于,包括:
依据在七轴机器人的稳定性测试过程中获得的包括稳定性测试变量的稳定性测试操作事件,提取具有相互联系的多个稳定性异常活动数据;
依据所述具有相互联系的多个稳定性异常活动数据,确定所述稳定性异常活动数据对应的异常定位变量,所述异常定位变量表征所述稳定性测试变量与多个设定异常定位标签之间的联系变量;
假若所述异常定位变量满足预设条件,确定与所述具有相互联系的多个稳定性异常活动数据对应的稳定性异常路径,依据所述稳定性异常路径以及所述稳定性测试过程的稳定性测试操作事件,调取关联于所述稳定性异常路径以及所述稳定性测试变量的稳定性修复活动集,并通过所述稳定性测试过程对应的稳定性修复策略对所述异常定位变量进行稳定性修复。
2.根据权利要求1所述的方法,其特征在于,所述依据所述具有相互联系的多个稳定性异常活动数据,确定所述稳定性异常活动数据对应的异常定位变量,包括:
将所述稳定性异常活动数据加载到深度学习单元中,通过所述深度学习单元预测与所述稳定性异常活动数据对应的异常定位变量。
3.根据权利要求1所述的方法,其特征在于,假若所述异常定位变量满足预设条件,确定与所述具有相互联系的多个稳定性异常活动数据对应的稳定性异常路径,包括:
假若所述异常定位变量满足预设条件,确定所述异常定位变量对应的异常联动实体知识网络;
依据所述异常联动实体知识网络,从预设配置的运行测试路径库中匹配与所述异常联动实体知识网络对应的稳定性异常路径。
4.根据权利要求3所述的方法,其特征在于,依据所述异常联动实体知识网络,从预设配置的运行测试路径库中匹配与所述异常联动实体知识网络对应的稳定性异常路径,包括:
依据所述异常联动实体知识网络,从所述运行测试路径库中确定与所述异常联动实体知识网络对应的多个运行测试路径节点特征;
将所述多个运行测试路径节点特征通过所述测试服务系统对所述异常定位变量进行确认;
依据测试服务系统针对所述多个运行测试路径节点特征的确认指示信息,确定目标稳定性异常路径。
5.根据权利要求1所述的方法,其特征在于, 所述方法还包括:
依据所述稳定性修复活动集,生成与所述稳定性修复活动集对应的稳定性修复执行数据,并将所述稳定性修复执行数据与所述稳定性修复活动集进行配置。
6.一种七轴机器人的稳定性测试系统,其特征在于,包括:
提取模块,用于依据在七轴机器人的稳定性测试过程中获得的包括稳定性测试变量的稳定性测试操作事件,提取具有相互联系的多个稳定性异常活动数据;
确定模块,用于依据所述具有相互联系的多个稳定性异常活动数据,确定所述稳定性异常活动数据对应的异常定位变量,所述异常定位变量表征所述稳定性测试变量与多个设定异常定位标签之间的联系变量;
修复模块,用于假若所述异常定位变量满足预设条件,确定与所述具有相互联系的多个稳定性异常活动数据对应的稳定性异常路径,依据所述稳定性异常路径以及所述稳定性测试过程的稳定性测试操作事件,调取关联于所述稳定性异常路径以及所述稳定性测试变量的稳定性修复活动集,并通过所述稳定性测试过程对应的稳定性修复策略对所述异常定位变量进行稳定性修复。
7.根据权利要求6所述的系统,其特征在于,所述确定模块,具体用于:
将所述稳定性异常活动数据加载到深度学习单元中,通过所述深度学习单元预测与所述稳定性异常活动数据对应的异常定位变量。
8.根据权利要求6所述的系统,其特征在于,所述修复模块具体用于:
假若所述异常定位变量满足预设条件,确定所述异常定位变量对应的异常联动实体知识网络; 依据所述异常联动实体知识网络,从预设配置的运行测试路径库中匹配与所述异常联动实体知识网络对应的稳定性异常路径。
9.根据权利要求8所述的系统,其特征在于,所述修复模块具体还用于:
依据所述异常联动实体知识网络,从所述运行测试路径库中确定与所述异常联动实体知识网络对应的多个运行测试路径节点特征;
将所述多个运行测试路径节点特征通过所述测试服务系统对所述异常定位变量进行确认;
依据测试服务系统针对所述多个运行测试路径节点特征的确认指示信息,确定目标稳定性异常路径。
10.根据权利要求6所述的系统,其特征在于, 所述系统还包括:
配置模块,用于依据所述稳定性修复活动集,生成与所述稳定性修复活动集对应的稳定性修复执行数据,并将所述稳定性修复执行数据与所述稳定性修复活动集进行配置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111652566.9A CN114474150B (zh) | 2021-12-31 | 2021-12-31 | 七轴机器人的稳定性测试方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111652566.9A CN114474150B (zh) | 2021-12-31 | 2021-12-31 | 七轴机器人的稳定性测试方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114474150A true CN114474150A (zh) | 2022-05-13 |
CN114474150B CN114474150B (zh) | 2024-07-09 |
Family
ID=81497259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111652566.9A Active CN114474150B (zh) | 2021-12-31 | 2021-12-31 | 七轴机器人的稳定性测试方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114474150B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070061189A (ko) * | 2005-12-09 | 2007-06-13 | 한국전자통신연구원 | 로봇 제어 장치 및 그 방법 |
KR20130110704A (ko) * | 2012-03-30 | 2013-10-10 | 대한민국(국립재활원장) | 로봇의 이상 유무 감지 장치 |
US20140137246A1 (en) * | 2012-11-14 | 2014-05-15 | International Business Machines Corporation | Application-Level Anomaly Detection |
US20150005936A1 (en) * | 2013-06-26 | 2015-01-01 | Canon Kabushiki Kaisha | Control method for robot system and robot system |
CN107671887A (zh) * | 2017-08-22 | 2018-02-09 | 广东美的智能机器人有限公司 | 机器人自检控制方法、机器人和调度服务器 |
CN107861506A (zh) * | 2017-09-30 | 2018-03-30 | 深圳市艾特智能科技有限公司 | 机器人通讯方法、系统、可读存储介质及机器人 |
US20190068467A1 (en) * | 2017-08-22 | 2019-02-28 | Bank Of America Corporation | Cloud Network Stability |
CN110370317A (zh) * | 2019-07-24 | 2019-10-25 | 广东工业大学 | 机器人修复方法及装置 |
CN110737504A (zh) * | 2019-08-31 | 2020-01-31 | 苏州浪潮智能科技有限公司 | 一种深度学习模型训练容错方法、系统、终端及存储介质 |
CN110834327A (zh) * | 2018-08-17 | 2020-02-25 | 深圳市优必选科技有限公司 | 一种机器人的控制方法及设备 |
CN111409109A (zh) * | 2020-04-01 | 2020-07-14 | 伯朗特机器人股份有限公司 | 工业机器人稳定性的测量和评估方法 |
CN111761576A (zh) * | 2020-06-15 | 2020-10-13 | 上海高仙自动化科技发展有限公司 | 健康监控方法及系统、智能机器人及可读存储介质 |
WO2020219685A1 (en) * | 2019-04-23 | 2020-10-29 | Sciencelogic, Inc. | Distributed learning anomaly detector |
CN112365004A (zh) * | 2020-11-27 | 2021-02-12 | 广东省科学院智能制造研究所 | 一种机器人自主异常修复技能学习方法及系统 |
EP3783548A1 (en) * | 2019-08-19 | 2021-02-24 | Wipro Limited | Method and system for task execution in dynamic heterogeneous robotic environment |
CN112651444A (zh) * | 2020-12-29 | 2021-04-13 | 山东科技大学 | 一种基于自学习的非平稳过程异常检测方法 |
-
2021
- 2021-12-31 CN CN202111652566.9A patent/CN114474150B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070061189A (ko) * | 2005-12-09 | 2007-06-13 | 한국전자통신연구원 | 로봇 제어 장치 및 그 방법 |
KR20130110704A (ko) * | 2012-03-30 | 2013-10-10 | 대한민국(국립재활원장) | 로봇의 이상 유무 감지 장치 |
US20140137246A1 (en) * | 2012-11-14 | 2014-05-15 | International Business Machines Corporation | Application-Level Anomaly Detection |
US20150005936A1 (en) * | 2013-06-26 | 2015-01-01 | Canon Kabushiki Kaisha | Control method for robot system and robot system |
CN107671887A (zh) * | 2017-08-22 | 2018-02-09 | 广东美的智能机器人有限公司 | 机器人自检控制方法、机器人和调度服务器 |
US20190068467A1 (en) * | 2017-08-22 | 2019-02-28 | Bank Of America Corporation | Cloud Network Stability |
CN107861506A (zh) * | 2017-09-30 | 2018-03-30 | 深圳市艾特智能科技有限公司 | 机器人通讯方法、系统、可读存储介质及机器人 |
CN110834327A (zh) * | 2018-08-17 | 2020-02-25 | 深圳市优必选科技有限公司 | 一种机器人的控制方法及设备 |
WO2020219685A1 (en) * | 2019-04-23 | 2020-10-29 | Sciencelogic, Inc. | Distributed learning anomaly detector |
CN110370317A (zh) * | 2019-07-24 | 2019-10-25 | 广东工业大学 | 机器人修复方法及装置 |
EP3783548A1 (en) * | 2019-08-19 | 2021-02-24 | Wipro Limited | Method and system for task execution in dynamic heterogeneous robotic environment |
CN110737504A (zh) * | 2019-08-31 | 2020-01-31 | 苏州浪潮智能科技有限公司 | 一种深度学习模型训练容错方法、系统、终端及存储介质 |
CN111409109A (zh) * | 2020-04-01 | 2020-07-14 | 伯朗特机器人股份有限公司 | 工业机器人稳定性的测量和评估方法 |
CN111761576A (zh) * | 2020-06-15 | 2020-10-13 | 上海高仙自动化科技发展有限公司 | 健康监控方法及系统、智能机器人及可读存储介质 |
CN112365004A (zh) * | 2020-11-27 | 2021-02-12 | 广东省科学院智能制造研究所 | 一种机器人自主异常修复技能学习方法及系统 |
CN112651444A (zh) * | 2020-12-29 | 2021-04-13 | 山东科技大学 | 一种基于自学习的非平稳过程异常检测方法 |
Non-Patent Citations (1)
Title |
---|
费燕琼等: "网格型自重构模块化机器人的对接过程", 机械工程学报, no. 07, 30 April 2011 (2011-04-30), pages 35 - 41 * |
Also Published As
Publication number | Publication date |
---|---|
CN114474150B (zh) | 2024-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101206569B (zh) | 用于动态识别促使服务劣化的组件的方法和系统 | |
US20170060546A1 (en) | System and method for providing software build violation detection and self-healing | |
US10630399B2 (en) | Testing distributed applications that have an established exchange in an advanced message queuing protocol (AMQP) message broker | |
CN113014445B (zh) | 用于服务器的运维方法、装置、平台及电子设备 | |
CN111666217B (zh) | 用于测试代码的方法和装置 | |
CN111865673A (zh) | 一种自动化故障管理方法、装置及系统 | |
CN113761526A (zh) | 基于大数据的攻击意图分析方法及系统 | |
CN116194894A (zh) | 原生云应用程序的故障定位 | |
CN113918438A (zh) | 服务器异常的检测方法、装置、服务器及存储介质 | |
CN111813872A (zh) | 一种故障排查模型的生成方法、装置、设备 | |
CN116150033A (zh) | 一种软件测试方法、系统、计算机设备及存储介质 | |
CN113779569A (zh) | 基于大数据的风险行为分析方法及系统 | |
CN114474150A (zh) | 七轴机器人的稳定性测试方法及系统 | |
CN113934595A (zh) | 数据分析方法及系统、存储介质及电子终端 | |
CN113301054A (zh) | 网络安全监控方法及网络安全监控系统 | |
CN113282482A (zh) | 软件包的兼容测试方法及系统 | |
CN113298622A (zh) | 基于机器学习的电商业务订单的处理方法及系统 | |
CN114309935B (zh) | 激光焊接过程中的数据采集方法及系统 | |
CN114002247B (zh) | 对电子束敏感晶体的三维电子衍射数据采集方法及系统 | |
CN113905407B (zh) | 分布式无线组网中的终端设备监控信息采集方法及系统 | |
CN113282480A (zh) | 软件开发测试方法及系统 | |
CN111832735B (zh) | 基于模板来执行机器学习过程的方法和系统 | |
CN117519035A (zh) | 应用于管桩生产控制系统的优化方法及系统 | |
CN114465773A (zh) | 基于电子商务的威胁识别方法及系统 | |
CN111144035A (zh) | 一种环保仿真方法及系统 |
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 |