CN114648148A - 机器人的参数预测方法、装置、存储介质和处理器 - Google Patents
机器人的参数预测方法、装置、存储介质和处理器 Download PDFInfo
- Publication number
- CN114648148A CN114648148A CN202011507850.2A CN202011507850A CN114648148A CN 114648148 A CN114648148 A CN 114648148A CN 202011507850 A CN202011507850 A CN 202011507850A CN 114648148 A CN114648148 A CN 114648148A
- Authority
- CN
- China
- Prior art keywords
- robot
- auxiliary
- parameter
- target
- target 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003062 neural network model Methods 0.000 claims abstract description 60
- 239000011159 matrix material Substances 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000007476 Maximum Likelihood Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract description 16
- 230000006870 function Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种机器人的参数预测方法、装置、存储介质和处理器。其中，该方法包括：获取目标机器人在上一时刻的参数预测结果；获取目标机器人在当前时刻的特征信息，其中，特征信息根据目标机器人的运行参数和辅助机器人的运行参数得到，其中，辅助机器人为与目标机器人执行同一组任务的机器人；根据目标机器人在上一时刻的参数预测结果和当前时刻的特征信息，通过预设神经网络模型，对目标机器人在下一时刻的待预测参数进行预测。本发明解决了现有技术中对建筑机器人的参数预测不准确的技术问题。
Description
技术领域
本发明涉及机器人领域，具体而言，涉及一种机器人的参数预测方法、装置、存储介质和处理器。
背景技术
在智慧建筑领域，一项复杂的施工任务通常需要多台智能建筑机器人共同参与完成，即存在多机协同工作的情况。这些建筑机器人往往是以分组分工的形式参与到整个施工过程中的。对于完成同一任务的建筑机器人，它们的工作状态是密切相关的，因此，在施工过程中，对某一重要设备的关键指标进行实时预测是十分必要的。
现有的方法在对该时序的监控信号进行预测的时候，往往利用其本身的历史时序数据以及自身协变量信息进行，而在面对历史信息不够多或由于某些原因导致的协变量数据缺失的情况下，此类方法经常会存在预测精度较低的问题，有时甚至得不到有效的预测。
针对现有技术中对建筑机器人的参数预测不准确的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种机器人的参数预测方法、装置、存储介质和处理器，以至少解决现有技术中对建筑机器人的参数预测不准确的技术问题。
根据本发明实施例的一个方面，提供了一种机器人的参数预测方法，包括：获取目标机器人在上一时刻的参数预测结果；获取目标机器人在当前时刻的特征信息，其中，特征信息根据目标机器人的运行参数和辅助机器人的运行参数得到，其中，辅助机器人为与目标机器人执行同一组任务的机器人；根据目标机器人在上一时刻的参数预测结果和当前时刻的特征信息，通过预设神经网络模型，对目标机器人在下一时刻的待预测参数进行预测。
进一步地，获取目标机器人在上一时刻的参数预测结果，包括：获取预设神经网络模型在上一时刻的输出；确定预设神经网络模型在上一时刻的输出为目标机器人在上一时刻的参数预测结果。
进一步地，获取目标机器人在当前时刻的特征信息，包括：获取目标机器人和辅助机器人之间的邻接矩阵，其中，邻接矩阵用于表示目标机器人和辅助机器人在执行同一组任务时的关联关系；根据每个辅助机器人的运行参数和邻接矩阵确定每个辅助机器人对应的辅助参数；将目标机器人的运行参数和每个辅助机器人的辅助参数进行加权，得到特征信息。
进一步地，根据每个辅助机器人的运行参数和邻接矩阵确定每个辅助机器人对应的辅助参数，包括：获取辅助机器人的阶数，其中，阶数用于表示辅助机器人与目标机器人在执行同一组任务时的关联关系的紧密程度；将阶数个邻接矩阵相乘并进行转置，得到n阶邻接矩阵，其中，n用于表示相乘的邻接矩阵的数量；将每个辅助机器人的运行参数与每个辅助机器人对应的n阶邻接矩阵相乘，得到每个辅助机器人的辅助参数。
进一步地，将阶数个邻接矩阵相乘并进行转置，得到n阶邻接矩阵，包括：将邻接矩阵进行行归一化处理，得到行归一化后的邻接矩阵；将阶数个归一化后的邻接矩阵相乘并进行转置，得到n阶邻接矩阵。
进一步地，将目标机器人的运行参数和每个辅助机器人的辅助参数进行加权，得到特征信息，包括：获取权重值，根据权重值将目标机器人的运行参数和每个辅助机器人的辅助参数进行加权，得到特征信息；其中，获取权重值的步骤包括：获取权重值的约束条件，其中，约束条件包括：第一权重值和所有第二权重值之和为1，第一权重值大于任意一个第二权重值，以及多阶辅助机器人的第二权重值为一阶辅助机器人的第二权重值的n次方，n表示辅助机器人的阶数；求解约束条件，得到目标机器人和每个辅助机器人对应的权重值。
进一步地，在任意一个机器人的运行参数缺失的情况下，缺失运行参数的机器人的权重值为0。
进一步地，根据目标机器人在上一时刻的参数预测结果和当前时刻的特征信息，通过预设神经网络模型，对目标机器人在下一时刻的待预测参数进行预测，包括：构建正态分布公式中均值参数与待预测参数之间的第一关系，以及方差参数与待预测参数之间的第二关系；通过预设神经网络模型根据第一关系和第二关系求解正态分布公式，得到待预测参数的预测结果。
进一步地，上述方法还包括：获取预设神经网络模型，其中，获取预设神经网络模型的步骤包括：获取初始神经网络模型；获取训练数据，其中，训练数据包括样本机器人在上一时刻的参数预测结果和样本机器人在当前时刻的特征信息，样本机器人在当前时刻的特征信息根据样本机器人的运行参数和样本机器人对应的辅助机器人的运行参数确定；构建损失函数，并通过训练数据对初始神经网络模型进行训练，其中，损失函数为对数极大似然函数；在损失函数的函数值小于预设值，或训练的迭代次数超过预设次数的情况下，得到预设神经网络模型。
进一步地，预设神经网络模型为门控循环网络模型。
进一步地，在根据目标机器人在上一时刻的参数预测结果和当前时刻的特征信息之后，根据待预测参数的分布信息确定正常运行区间，其中，分布信息根据预设神经网络模型的模型参数得到；如果待预测参数的预测结果不处于正常运行区间，对预测结果进行预警处理；
根据本发明实施例的一个方面，提供了一种机器人的参数预测装置，包括：第一获取模块，用于获取目标机器人在上一时刻的参数预测结果；第二获取模块，用于获取目标机器人在当前时刻的特征信息，其中，特征信息根据目标机器人的运行参数和辅助机器人的运行参数得到，其中，辅助机器人为与目标机器人执行同一组任务的机器人；预测模块，用于根据目标机器人在上一时刻的参数预测结果和当前时刻的特征信息，通过预设神经网络模型，对目标机器人在下一时刻的待预测参数进行预测。
根据本发明实施例的一个方面，提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述的机器人的参数预测。
根据本发明实施例的一个方面，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述的机器人的参数预测。
在本发明实施例中，获取目标机器人在上一时刻的参数预测结果；获取目标机器人在当前时刻的特征信息，其中，特征信息根据目标机器人的运行参数和辅助机器人的运行参数得到，其中，辅助机器人为与目标机器人执行同一组任务的机器人；根据目标机器人在上一时刻的参数预测结果和当前时刻的特征信息，通过预设神经网络模型，对目标机器人在下一时刻的待预测参数进行预测。由于目标机器人与辅助机器人用于执行同一组任务，因此目标机器人与辅助机器人在执行任务时相互具有一定的影响，上述方案在对目标机器人的待预测参数进行预测时，不仅根据检测到的目标机器人自身的运行参数进行预测，还引入了与目标机器人执行同一组任务的辅助机器人的运行参数，从而在对目标机器人的待预测参数进行预测时，引入了辅助机器人对目标机器人的影响，有效利用到各类相关的信息，进而提高了预测精度，解决了现有技术中对建筑机器人的参数预测不准确的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种机器人的参数预测方法的流程图；
图2是根据本申请实施例的一种机器人的参数预测方法的示意图；
图3是根据本发明实施例的一种可选的机器人的参数预测方法的流程图；
图4是根据本发明实施例的另一种可选的机器人的参数预测方法的流程图；
图5是一种通过无向无环图确定邻接矩阵的示意图；
图6是根据本发明实施例的一种机器人的参数预测装置的示意图。
具体实施方式
为了使本技术领域的人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，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种机器人的参数预测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种机器人的参数预测方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取目标机器人在上一时刻的参数预测结果。
具体的，上述机器人可以是建筑机器人，目标机器人可以是多个建筑机器人中，最主要的建筑机器人，也即需要对其参数进行预测的机器人。
步骤S104，获取目标机器人在当前时刻的特征信息，其中，特征信息根据目标机器人的运行参数和辅助机器人的运行参数得到，其中，辅助机器人为与目标机器人执行同一组任务的机器人。
具体的，上述运行参数可以是通过检测得到的多个参数。辅助机器人与目标机器人处于同一建筑工作场景下，在执行该建筑场景下的任务时，二者存在直接或间接的联系。上述步骤用于对目标机器人进行特征提取，特征提取所使用的数据不仅包括目标机器人自身的数据，还包括与目标机器人处于同一建筑环境下的辅助机器人的数据。
在一种可选的实施例中，获取同一建筑工作场景下多个机器人的监测数据，其中包括目标机器人的监测指标信息(即目标机器人的运行参数)以及辅助机器人的协变量信息(即辅助机器人的运行参数)。经过一段时间的记录可以得到时间序列类型的数据，记收集信号的时间点为1到T时间点，同一工作场景下有n台机器人协同工作，则最终得到的数据为{Y1：T，X1：T}。其中，{Y1：T}＝(Y1，1：T，Y2，1：T，...Yn，1：T)T，
1≤t≤T，并且有Y1：T∈RT，Xij，t表示第i个机器人在时间点t的第j个协变量的信息。
在获得目标机器人和辅助机器人的运行参数后，结合目标机器人和辅助机器人之间的关联关系，即可获取目标机器人在当前时刻的特征信息。
步骤S106，根据目标机器人在上一时刻的参数预测结果和当前时刻的特征信息，通过预设神经网络模型，对目标机器人在下一时刻的待预测参数进行预测。
上述预设神经网络模型为用于对待预测参数进行预测的神经网络模型。该神经网络模型通过对样本数据进行训练得到。
图2是根据本申请实施例的一种机器人的参数预测方法的示意图，结合图2所示，该神经网络模型为GRU(Gated Recurrent Unit，门控循环网络)模型。在t-1时刻，GRU根据t-2时刻的GRU输出信息和t-1时刻的特征信息输出t-1时刻的预测结果；在t时刻，GRU根据t-1时刻的GRU输出信息和t时刻的特征信息输出t时刻的预测结果，在t+1时刻，GRU根据t时刻的GRU输出信息和t+1时刻的特征信息输出t+1时刻的预测结果。
由此可知，本申请上述实施例中，获取目标机器人在上一时刻的参数预测结果；获取目标机器人在当前时刻的特征信息，其中，特征信息根据目标机器人的运行参数和辅助机器人的运行参数得到，其中，辅助机器人为与目标机器人执行同一组任务的机器人；根据目标机器人在上一时刻的参数预测结果和当前时刻的特征信息，通过预设神经网络模型，对目标机器人在下一时刻的待预测参数进行预测。由于目标机器人与辅助机器人用于执行同一组任务，因此目标机器人与辅助机器人在执行任务时相互具有一定的影响，上述方案在对目标机器人的待预测参数进行预测时，不仅根据检测到的目标机器人自身的运行参数进行预测，还引入了与目标机器人执行同一组任务的辅助机器人的运行参数，从而在对目标机器人的待预测参数进行预测时，引入了辅助机器人对目标机器人的影响，有效利用到各类相关的信息，进而提高了预测精度，解决了现有技术中对建筑机器人的参数预测不准确的技术问题。
图3是根据本发明实施例的一种可选的机器人的参数预测方法的流程图，作为一种可选的实施例，获取目标机器人在上一时刻的参数预测结果，包括：
步骤S1021，获取预设神经网络模型在上一时刻的输出；
步骤S1023，确定预设神经网络模型在上一时刻的输出为目标机器人在上一时刻的参数预测结果。
结合图2所示，预设神经网络模型在上一时刻的预测结果会作为当前时刻的输入至，例如，t-1时刻的GRU输入包括上一时刻的输出YI，t-2，t时刻的GRU输入包括上一时刻的输出YI，t-1，t+1时刻的GRU输入包括上一时刻的输出YI，t。
图4是根据本发明实施例的另一种可选的机器人的参数预测方法的流程图，作为一种可选的实施例，获取目标机器人在当前时刻的特征信息，包括：
步骤S1041，获取目标机器人和辅助机器人之间的邻接矩阵，其中，邻接矩阵用于表示目标机器人和辅助机器人在执行同一组任务时的关联关系；
步骤S1043，根据每个辅助机器人的运行参数和邻接矩阵确定每个辅助机器人对应的辅助参数；
步骤S1045，将目标机器人的运行参数和每个辅助机器人的辅助参数进行加权，得到特征信息。
具体的，上述邻接矩阵用于表示目标机器人与辅助机器人之间的关系。在一种可选的实施例中，可以通过建筑场景下目标机器人与辅助机器人之间的无向无环图来确定二者的邻接矩阵。图5是一种通过无向无环图确定邻接矩阵的示意图，结合图5所示，图中的每个节点用于表示同一建筑环境下的一个机器人，如果两个节点相连，则表示两个节点所表示的机器人在执行任务时具有关联关系。根据该无向无环图所体现的关联关系，即可确定邻接矩阵。
例如，可以用一个n*n维的矩阵A来表示上述邻接矩阵。其中A矩阵的(i，j)位置元素aik＝1，表示在工作场景中设备i和设备k(1≤i,k≤n)是共同直接参与到同一个任务当中。相应的，aik＝0表示两者之间没有直接相关的任务系。此外，由于机器人无法与自身产生共同工作关系，因此有矩阵A的所有对角线元素aii＝0，(1≤i≤n)。
在获得邻接矩阵之后，可以将邻接矩阵与辅助机器人的运行参数进行运算，得到辅助参数，再将辅助参数与目标机器人的运行参数进行加权，从而可以将目标机器人与辅助机器人之间的协作关系引入特征信息的运算中。
作为一种可选的实施例，根据每个辅助机器人的运行参数和邻接矩阵确定每个辅助机器人对应的辅助参数，包括：获取辅助机器人的阶数，其中，阶数用于表示辅助机器人与目标机器人在执行同一组任务时的关联关系的紧密程度；将阶数个邻接矩阵相乘并进行转置，得到n阶邻接矩阵，其中，n用于表示相乘的邻接矩阵的数量；将每个辅助机器人的运行参数与每个辅助机器人对应的n阶邻接矩阵相乘，得到每个辅助机器人的辅助参数。
具体的，上述阶数用于表示目标机器人与辅助机器人在执行任务时的相关程度。如果二者直接相关，则阶数为1阶，如果二者间隔一个其他机器人相关，则阶数为2阶，以此类推。仍结合图5所示，如果辅助机器人的节点与目标机器人的节点直接相连，则该辅助机器人的阶数为1阶，如果辅助机器人的节点间隔一个其他机器人的节点与目标机器人的节点相连，则该辅助机器人的阶数为2阶。
上述方案通过辅助机器人与目标机器人之间的关联关系的紧密程度确定辅助机器人对于目标机器人的阶数，并将该阶数应用在目标机器人的特征信息提取中，从而进一步提高了预测的精确度。
作为一种可选的实施例，将阶数个邻接矩阵相乘并进行转置，得到n阶邻接矩阵，包括：将邻接矩阵进行行归一化处理，得到行归一化后的邻接矩阵；将阶数个归一化后的邻接矩阵相乘并进行转置，得到n阶邻接矩阵。
仍在上述实施例中，可以对邻接矩阵A做进一步的处理，对邻接矩阵A的每一行元素除以行和，得到
即为行归一化后带权重的权重邻接阵。
作为一种可选的实施例，将目标机器人的运行参数和每个辅助机器人的辅助参数进行加权，得到特征信息，包括：获取权重值，根据权重值将目标机器人的运行参数和每个辅助机器人的辅助参数进行加权，得到特征信息；其中，获取权重值的步骤包括：获取权重值的约束条件，其中，约束条件包括：第一权重值和所有第二权重值之和为1，第一权重值大于任意一个第二权重值，以及多阶辅助机器人的第二权重值为一阶辅助机器人的第二权重值的n次方，n表示辅助机器人的阶数；求解约束条件，得到目标机器人和每个辅助机器人对应的权重值。
在上述方案中，由于目标设备自身的运行参数对于目标设备未来参数的预测应该最重要，因此目标机器人的第一权重值大于所有辅助机器人的第二权重值。由于具有不同阶数的辅助机器人对目标设备的影响也不相同，因此多阶辅助机器人的第二权重值可以为一阶辅助机器人的第二权重值的n次方。
例如，一阶辅助机器人的第二权重值为ρ，则二阶辅助机器人的第二权重值为ρ2，以此类推。基于此，可以得到公式α+ρ+ρ2+…+ρn＝1，且α＞ρ，由此可得到
进而得到
以及0＜ρ＜0.5。由于第一权重值大于任意一个第二权重值，也即
由此可以得到ρ的取值范围
另外，还可以根据超参数调优方法选取合适的特征权信息，最终得到了各机器人加权求和的协变量信息作为目标机器人i的特征输入。
需要注意的是，如果同一场景下机器人过多导致任务过于复杂，则在提取特征时可以直接应用邻接矩阵A而非行归一化后的权重邻接阵
从而可以在上述情况中避免双重权重带来的递减效应，能够保留更多的协同工作信息。
在一种可选的实施例中，对上述特征信息的提取举一个示例进行说明。首先认为提取的特征信息Zit为Xt和
的函数，即
在目标设备i的特征中，监测得到的其自身的运行参数影响比重最高，其次是和其直接相关的辅助机器人的运行参数，再次是与目标机器人i间接相关的辅助机器人的运行参数，以此类推。因此基于以上，表示目标机器人i在t(1≤t≤T)时刻的特征Zit，可以通过如下公式表达：
其中α＞0以及ρ＞0。
由上可知，特征信息Zi,t由两部分组成，分别是自身协变量和辅助机器人的协变量的加权值。其中
中包含了所有的一阶辅助机器人的协变量的求和，他们共同的系数是ρ。进一步的，二阶的辅助机器人信息以及三阶或更高阶的邻居信息我们可以根据邻接矩阵进一步得到。具体的，
用于表示目标机器人和辅助机器人的关联关系中的二阶邻接信息。矩阵
的第i行中不为0的元素即为目标机器人i的二阶邻居。因此
中包含了所有的二阶辅助机器人的协变量信息的和，其对应的权重大小是ρ2。更高阶的辅助机器人的信息推断以此类推。
作为一种可选的实施例，在任意一个机器人的运行参数缺失的情况下，缺失运行参数的机器人的权重值为0。
缺失运行参数的机器人可以为目标机器人，也可以为辅助机器人，当机器人缺失运行参数时，可以将该机器人的权重值置0，并对其他机器人的权重值进行重置，从而使得即使缺失一些机器人的信息，仍然可以对目标机器人的待预测参数进行预测。
通过上述特征信息的提取可知，如果由于某些因素导致目标机器人的协变量信息的缺失(即Xi，t缺失)，上述方案仍可以利用与其协同工作的辅助机器人的协变量信息来进行信号的预测，这是传统的预测方法所达不到的效果。解决了常规情况下变量缺失导致模型失效的问题。
作为一种可选的实施例，根据目标机器人在上一时刻的参数预测结果和当前时刻的特征信息，通过预设神经网络模型，对目标机器人在下一时刻的待预测参数进行预测，包括：构建正态分布公式中均值参数与待预测参数之间的第一关系，以及方差参数与待预测参数之间的第二关系；通过预设神经网络模型根据第一关系和第二关系求解正态分布公式，得到待预测参数的预测结果。
在一种可选的实施例中，假定待预测参数服从均值为μ方差为σ2的正态分布随机变量，因此具有如下分布形式：
分别对正态分布中的两个参数均值和方差进行建模，得到上述第一关系
以及第二关系
值得注意的是，此处利用了softplus函数来确保标准差的估计是大于0的。
通过第一关系和第二关系将待预测参数代入正态分布公式通过预设神经网络模型进行求解，即可得到预测结果。
作为一种可选的实施例，方法还包括：获取预设神经网络模型，其中，获取预设神经网络模型的步骤包括：获取初始神经网络模型；获取训练数据，其中，训练数据包括样本机器人在上一时刻的参数预测结果和样本机器人在当前时刻的特征信息，样本机器人在当前时刻的特征信息根据样本机器人的运行参数和样本机器人对应的辅助机器人的运行参数确定；构建损失函数，并通过训练数据对初始神经网络模型进行训练，其中，损失函数为对数极大似然函数；在损失函数的函数值小于预设值，或训练的迭代次数超过预设次数的情况下，得到预设神经网络模型。
在上述方案中，通过对初始神经网络模型进行训练得到用于对目标机器人的待预测参数进行预测的神经网络模型。在训练过程中，在每一时刻t时，将当前时刻提取到的特征Zi，t以及上一时刻GRU单元的输出hi，t-1共同作为当前GRU单元的输入，从而得到当前时刻的GRU单元输出hi，t。
为了获得神经网络模型的网络参数，上述基于对数极大似然函数的损失函数，来确保能够得到分布中参数的有效估计，即
根据以上损失函数对模型中的参数进行估计，并最终完成整个模型的训练过程。
上述方案给出了网络参数的估计方法，生成的神经网络模型的测试过程中与训练类似，将上一步的输出和当前时间点的特征信息作为输入来进行预测。但不同的是，在测试过程中，即t>T时，我们可以通过估计得到待预测参数的分布
然后从该经验分布中抽样，得到样本
并取样本均值
作为当前时间节点的输出。对于1≤i≤n，t＞T，可以将
作为预测的点估计。
作为一种可选的实施例，预设神经网络模型为门控循环网络模型。
作为一种可选的实施例，在根据目标机器人在上一时刻的参数预测结果和当前时刻的特征信息之后，上述方法还包括：根据待预测参数的分布信息确定正常运行区间，其中，分布信息根据预设神经网络模型的模型参数得到；如果待预测参数的预测结果不处于正常运行区间，对预测结果进行预警处理。
在上述方案中，设置待预测参数的预警，当待预测参数的预测结果不处于正常运行区间时候，为了防止目标机器人出现运行异常的情况下，即时进行预警处理。
在一种可选的实施例中，在每一时间点可以得到待待预测参数的分布信息
利用该分布信息，可以构造出区间[μ0.05，μ0.95]作为信号的正常取值区间预测，其中，该区间的上下限分别为0.95分位点和0.05分位点。如果预测的结果落于该区间外，则对该预测结果进行预警处理。
在另一种可选的实施例中，如果待预测参数对于落入异常区间更加敏感，可以采用更加严格的运行区间的构造方法，、采用1-sigma原则，即构造运行区间为
对于没有落于该区间内的预测值进行风险预警。
目前现有的绝大多数的预测方法往往只能预测出未来时间的信号点估计的预测值，而无法对于预测信号的异常值进行预警，这对于异常信号的防范及预测性维护领域都是不利的。上述方案可以同时得到信号的预测和正常运行区间预测，可以很好的解决该问题。
下面对本申请上述实施例的效果进行说明。在一种可选的实施例中，收集5台机器人的协变量信息，每台机器人均有三个维度的协变量信息，采用开平方的均方误差(RMSE)来进行评估。最终的预测结果如表一所示，方案一为仅利用目标设备自身的运行参数进行预测的方案的表现结果，方案二为本实施例上述方案的表现结果。从表一中的结果可以看出，在引入协同工作的辅助机器人的协变量信息后，无论迭代多少步数，预测精度都得到了有效的提升。
表一
| 步数 | 10000 | 20000 | 30000 | 40000 | 50000 |
| 方案一 | 0.440 | 0.413 | 0.385 | 0.370 | 0.366 |
| 方案二 | 0.412 | 0.399 | 0.354 | 0.350 | 0.348 |
实施例2
根据本发明实施例，提供了一种机器人的参数预测装置的实施例，图6是根据本发明实施例的一种机器人的参数预测装置的示意图，如图6所示，该装置包括如下步骤：
第一获取模块60，用于获取目标机器人在上一时刻的参数预测结果；
第二获取模块62，用于获取目标机器人在当前时刻的特征信息，其中，特征信息根据目标机器人的运行参数和辅助机器人的运行参数得到，其中，辅助机器人为与目标机器人执行同一组任务的机器人；
预测模块64，用于根据目标机器人在上一时刻的参数预测结果和当前时刻的特征信息，通过预设神经网络模型，对目标机器人在下一时刻的待预测参数进行预测。
作为一种可选的实施例，第一获取模块包括：第一获取子模块，用于获取预设神经网络模型在上一时刻的输出；第一确定子模块，用于确定预设神经网络模型在上一时刻的输出为目标机器人在上一时刻的参数预测结果。
作为一种可选的实施例，第二获取模块包括：第二获取子模块，用于获取目标机器人和辅助机器人之间的邻接矩阵，其中，邻接矩阵用于表示目标机器人和辅助机器人在执行同一组任务时的关联关系；第二确定子模块，用于根据每个辅助机器人的运行参数和邻接矩阵确定每个辅助机器人对应的辅助参数；加权子模块，用于将目标机器人的运行参数和每个辅助机器人的辅助参数进行加权，得到特征信息。
作为一种可选的实施例，第二确定子模块包括：第一获取单元，用于获取辅助机器人的阶数，其中，阶数用于表示辅助机器人与目标机器人在执行同一组任务时的关联关系的紧密程度；转置单元，用于将阶数个邻接矩阵相乘并进行转置，得到n阶邻接矩阵，其中，n用于表示相乘的邻接矩阵的数量；相乘单元，用于将每个辅助机器人的运行参数与每个辅助机器人对应的n阶邻接矩阵相乘，得到每个辅助机器人的辅助参数。
作为一种可选的实施例，转置单元包括：归一化子单元，用于将邻接矩阵进行行归一化处理，得到行归一化后的邻接矩阵；转置子单元，用于将阶数个归一化后的邻接矩阵相乘并进行转置，得到n阶邻接矩阵。
作为一种可选的实施例，加权子模块包括：第二获取单元，用于获取权重值，根据权重值将目标机器人的运行参数和每个辅助机器人的辅助参数进行加权，得到特征信息；其中，第二获取单元包括：第一获取子单元，用于获取权重值的步骤包括：第二获取子单元，用于获取权重值的约束条件，其中，约束条件包括：第一权重值和所有第二权重值之和为1，第一权重值大于任意一个第二权重值，以及多阶辅助机器人的第二权重值为一阶辅助机器人的第二权重值的n次方，n表示辅助机器人的阶数；求解子单元，用于求解约束条件，得到目标机器人和每个辅助机器人对应的权重值。
作为一种可选的实施例，在任意一个机器人的运行参数缺失的情况下，缺失运行参数的机器人的权重值为0。
作为一种可选的实施例，预测模块包括：构建子模块，用于构建正态分布公式中均值参数与待预测参数之间的第一关系，以及方差参数与待预测参数之间的第二关系；求解子模块，用于通过预设神经网络模型根据第一关系和第二关系求解正态分布公式，得到待预测参数的预测结果。
作为一种可选的实施例，上述装置还包括：第三获取模块，用于获取预设神经网络模型，其中，第三获取模块包括：第三获取子模块，用于获取初始神经网络模型；第四获取子模块，用于获取训练数据，其中，训练数据包括样本机器人在上一时刻的参数预测结果和样本机器人在当前时刻的特征信息，样本机器人在当前时刻的特征信息根据样本机器人的运行参数和样本机器人对应的辅助机器人的运行参数确定；训练子模块，用于构建损失函数，并通过训练数据对初始神经网络模型进行训练，其中，损失函数为对数极大似然函数；停止训练子模块，用于在损失函数的函数值小于预设值，或训练的迭代次数超过预设次数的情况下，得到预设神经网络模型。
作为一种可选的实施例，预设神经网络模型为门控循环网络模型。
作为一种可选的实施例，上述装置还包括：确定模块，用于在根据目标机器人在上一时刻的参数预测结果和当前时刻的特征信息之后，根据待预测参数的分布信息确定正常运行区间，其中，分布信息根据预设神经网络模型的模型参数得到；预警模块，用于如果待预测参数的预测结果不处于正常运行区间，对预测结果进行预警处理。
实施例3
根据本发明实施例，提供了一种存储介质，存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行实施例1所述的机器人的参数预测。
实施例4
根据本发明实施例，提供了一种处理器，处理器用于运行程序，其中，所述程序运行时执行实施例1所述的机器人的参数预测。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccessMemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (14)
1.一种机器人的参数预测方法，其特征在于，包括：
获取目标机器人在上一时刻的参数预测结果；
获取所述目标机器人在当前时刻的特征信息，其中，所述特征信息根据所述目标机器人的运行参数和辅助机器人的运行参数得到，其中，所述辅助机器人为与所述目标机器人执行同一组任务的机器人；
根据所述目标机器人在上一时刻的参数预测结果和当前时刻的特征信息，通过预设神经网络模型，对所述目标机器人在下一时刻的待预测参数进行预测。
2.根据权利要求1所述的方法，其特征在于，获取目标机器人在上一时刻的参数预测结果，包括：
获取所述预设神经网络模型在上一时刻的输出；
确定所述预设神经网络模型在上一时刻的输出为所述目标机器人在上一时刻的参数预测结果。
3.根据权利要求1所述的方法，其特征在于，获取所述目标机器人在当前时刻的特征信息，包括：
获取所述目标机器人和所述辅助机器人之间的邻接矩阵，其中，所述邻接矩阵用于表示所述目标机器人和所述辅助机器人在执行所述同一组任务时的关联关系；
根据每个所述辅助机器人的运行参数和所述邻接矩阵确定每个所述辅助机器人对应的辅助参数；
将所述目标机器人的运行参数和每个所述辅助机器人的辅助参数进行加权，得到所述特征信息。
4.根据权利要求3所述的方法，其特征在于，根据每个所述辅助机器人的运行参数和所述邻接矩阵确定每个所述辅助机器人对应的辅助参数，包括：
获取所述辅助机器人的阶数，其中，所述阶数用于表示所述辅助机器人与所述目标机器人在执行所述同一组任务时的关联关系的紧密程度；
将所述阶数个邻接矩阵相乘并进行转置，得到n阶邻接矩阵，其中，n用于表示相乘的邻接矩阵的数量；
将每个所述辅助机器人的运行参数与每个所述辅助机器人对应的n阶邻接矩阵相乘，得到每个所述辅助机器人的辅助参数。
5.根据权利要求4所述的方法，其特征在于，将所述阶数个邻接矩阵相乘并进行转置，得到n阶邻接矩阵，包括：
将所述邻接矩阵进行行归一化处理，得到行归一化后的邻接矩阵；
将所述阶数个归一化后的邻接矩阵相乘并进行转置，得到n阶邻接矩阵。
6.根据权利要求4或5所述的方法，其特征在于，将所述目标机器人的运行参数和每个所述辅助机器人的辅助参数进行加权，得到所述特征信息，包括：
获取权重值，根据所述权重值将所述目标机器人的运行参数和每个所述辅助机器人的辅助参数进行加权，得到所述特征信息；其中，
获取权重值的步骤包括：
获取权重值的约束条件，其中，所述约束条件包括：第一权重值和所有第二权重值之和为1，所述第一权重值大于任意一个第二权重值，以及多阶辅助机器人的第二权重值为一阶辅助机器人的第二权重值的n次方，所述n表示辅助机器人的阶数；
求解所述约束条件，得到所述目标机器人和每个所述辅助机器人对应的权重值。
7.根据权利要求3所述的方法，其特征在于，在任意一个机器人的运行参数缺失的情况下，缺失运行参数的机器人的权重值为0。
8.根据权利要求3所述的方法，其特征在于，根据所述目标机器人在上一时刻的参数预测结果和当前时刻的特征信息，通过预设神经网络模型，对所述目标机器人在下一时刻的待预测参数进行预测，包括：
构建正态分布公式中均值参数与待预测参数之间的第一关系，以及方差参数与待预测参数之间的第二关系；
通过预设神经网络模型根据所述第一关系和所述第二关系求解所述正态分布公式，得到所述待预测参数的预测结果。
9.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取所述预设神经网络模型，其中，获取所述预设神经网络模型的步骤包括：
获取初始神经网络模型；
获取训练数据，其中，所述训练数据包括样本机器人在上一时刻的参数预测结果和所述样本机器人在当前时刻的特征信息，所述样本机器人在当前时刻的特征信息根据所述样本机器人的运行参数和所述样本机器人对应的辅助机器人的运行参数确定；
构建损失函数，并通过所述训练数据对所述初始神经网络模型进行训练，其中，所述损失函数为对数极大似然函数；
在所述损失函数的函数值小于预设值，或训练的迭代次数超过预设次数的情况下，得到所述预设神经网络模型。
10.根据权利要求1所述的方法，其特征在于，所述预设神经网络模型为门控循环网络模型。
11.根据权利要求1所述的方法，其特征在于，在根据所述目标机器人在上一时刻的参数预测结果和当前时刻的特征信息之后，所述方法还包括：
根据所述待预测参数的分布信息确定正常运行区间，其中，所述分布信息根据所述预设神经网络模型的模型参数得到；
如果所述待预测参数的预测结果不处于所述正常运行区间，对所述预测结果进行预警处理。
12.一种机器人的参数预测装置，其特征在于，包括：
第一获取模块，用于获取目标机器人在上一时刻的参数预测结果；
第二获取模块，用于获取所述目标机器人在当前时刻的特征信息，其中，所述特征信息根据所述目标机器人的运行参数和辅助机器人的运行参数得到，其中，所述辅助机器人为与所述目标机器人执行同一组任务的机器人；
预测模块，用于根据所述目标机器人在上一时刻的参数预测结果和当前时刻的特征信息，通过预设神经网络模型，对所述目标机器人在下一时刻的待预测参数进行预测。
13.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至11中任意一项所述的机器人的参数预测。
14.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至11中任意一项所述的机器人的参数预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011507850.2A CN114648148A (zh) | 2020-12-18 | 2020-12-18 | 机器人的参数预测方法、装置、存储介质和处理器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011507850.2A CN114648148A (zh) | 2020-12-18 | 2020-12-18 | 机器人的参数预测方法、装置、存储介质和处理器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114648148A true CN114648148A (zh) | 2022-06-21 |
Family
ID=81991117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011507850.2A Pending CN114648148A (zh) | 2020-12-18 | 2020-12-18 | 机器人的参数预测方法、装置、存储介质和处理器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114648148A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105068972A (zh) * | 2015-07-31 | 2015-11-18 | 哈尔滨工业大学 | 一种拉丁超立方采样的扩展方法 |
| CN109031958A (zh) * | 2018-10-16 | 2018-12-18 | 廊坊师范学院 | 分数阶多智能体追踪一致性的迭代学习控制方法 |
| US20190001489A1 (en) * | 2017-07-03 | 2019-01-03 | X Development Llc | Determining and utilizing corrections to robot actions |
| CN109656229A (zh) * | 2018-12-10 | 2019-04-19 | 南通大学 | 基于ga-rbf网络的机器人末端性能预测模型的构建方法 |
| CN110134018A (zh) * | 2019-06-17 | 2019-08-16 | 哈尔滨工程大学 | 一种水下多足机器人系统多足协同控制方法 |
| CN111618864A (zh) * | 2020-07-20 | 2020-09-04 | 中国科学院自动化研究所 | 基于自适应神经网络的机器人模型预测控制方法 |
| CN111695301A (zh) * | 2020-06-16 | 2020-09-22 | 中国科学院深圳先进技术研究院 | 电池电荷状态的预测方法及预测装置、存储介质、设备 |
| CN111860763A (zh) * | 2020-06-05 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 模型训练、参数预测方法和装置、电子设备及存储介质 |
| CN112008707A (zh) * | 2020-08-13 | 2020-12-01 | 中山大学 | 一种基于部件分解的机器人控制方法及装置 |
-
2020
- 2020-12-18 CN CN202011507850.2A patent/CN114648148A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105068972A (zh) * | 2015-07-31 | 2015-11-18 | 哈尔滨工业大学 | 一种拉丁超立方采样的扩展方法 |
| US20190001489A1 (en) * | 2017-07-03 | 2019-01-03 | X Development Llc | Determining and utilizing corrections to robot actions |
| CN109031958A (zh) * | 2018-10-16 | 2018-12-18 | 廊坊师范学院 | 分数阶多智能体追踪一致性的迭代学习控制方法 |
| CN109656229A (zh) * | 2018-12-10 | 2019-04-19 | 南通大学 | 基于ga-rbf网络的机器人末端性能预测模型的构建方法 |
| CN110134018A (zh) * | 2019-06-17 | 2019-08-16 | 哈尔滨工程大学 | 一种水下多足机器人系统多足协同控制方法 |
| CN111860763A (zh) * | 2020-06-05 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 模型训练、参数预测方法和装置、电子设备及存储介质 |
| CN111695301A (zh) * | 2020-06-16 | 2020-09-22 | 中国科学院深圳先进技术研究院 | 电池电荷状态的预测方法及预测装置、存储介质、设备 |
| CN111618864A (zh) * | 2020-07-20 | 2020-09-04 | 中国科学院自动化研究所 | 基于自适应神经网络的机器人模型预测控制方法 |
| CN112008707A (zh) * | 2020-08-13 | 2020-12-01 | 中山大学 | 一种基于部件分解的机器人控制方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| FEDERICO VICENTINI 等: "Safety Assessment of Collaborative Robotics Through Automated Formal Verification", 《IEEE TRANSACTIONS ON ROBOTICS》, vol. 36, no. 1, 18 September 2019 (2019-09-18), pages 42 - 61, XP011770931, DOI: 10.1109/TRO.2019.2937471 * |
| SAID MOUSAVI 等: "Dynamic modeling and stability prediction in robotic machining", 《THE INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY》, vol. 88, 14 June 2016 (2016-06-14), pages 3053 - 3065, XP036151042, DOI: 10.1007/s00170-016-8938-0 * |
| 张永: "协作多机器人追逃问题中自适应编队策略研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 1, 15 January 2019 (2019-01-15), pages 140 - 1759 * |
| 郭雪梅 等: "周边智能化辅助实现的协作机器人速度与分离监控", 《机电工程技术》, vol. 48, no. 7, 6 August 2019 (2019-08-06), pages 1 - 4 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112862127B (zh) | 一种传感器数据的异常处理方法、装置、电子设备及介质 | |
| CN112508243B (zh) | 电力信息系统多故障预测网络模型的训练方法及装置 | |
| EP2963552B1 (en) | System analysis device and system analysis method | |
| CN106875124B (zh) | 一种电能计量装置状态评估方法、装置及系统 | |
| KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
| CN109324591B (zh) | 基于鲁棒估计器的随机混杂系统的故障诊断装置及方法 | |
| 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 | |
| CN115640860A (zh) | 一种工业云服务的机电设备远程维护方法及系统 | |
| CN114091600B (zh) | 一种数据驱动的卫星关联故障传播路径辨识方法及系统 | |
| CN111079348A (zh) | 一种缓变信号检测方法和装置 | |
| CN117278313A (zh) | 一种计算机网络结构优化的安全检测方法及系统 | |
| CN114648148A (zh) | 机器人的参数预测方法、装置、存储介质和处理器 | |
| CN114338351B (zh) | 网络异常根因确定方法、装置、计算机设备及存储介质 | |
| CN112395179B (zh) | 一种模型训练方法、磁盘预测方法、装置及电子设备 | |
| Do Coutto Filho et al. | Revealing gross errors in critical measurements and sets via forecasting-aided state estimators | |
| Chatterjee et al. | Transfer function modelling in software reliability | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN112949951A (zh) | 数据预测方法、装置、电子设备及存储介质 | |
| Colò | Anomaly detection for cyber security: time series forecasting and deep learning | |
| CN113537659A (zh) | 识别项目异常的方法和装置 | |
| CN117349770B (zh) | 一种结构健康监测多应变传感器数据异常检测与修复方法 | |
| CN111913462A (zh) | 一种基于广义多块独立元分析模型的化工故障监测方法 | |
| CN115600112B (zh) | 获取行为预测模型训练集的方法、装置、设备及介质 | |
| CN109871323B (zh) | 一种基于信息熵的二维软件可靠性增长模型的建立方法 | |
| WO2023097808A1 (zh) | 一种烧结设备的故障监测方法及装置 |
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 |