CN114912642B - 一种基于互联网的人工智能机器人故障预测系统 - Google Patents
一种基于互联网的人工智能机器人故障预测系统 Download PDFInfo
- Publication number
- CN114912642B CN114912642B CN202210839374.7A CN202210839374A CN114912642B CN 114912642 B CN114912642 B CN 114912642B CN 202210839374 A CN202210839374 A CN 202210839374A CN 114912642 B CN114912642 B CN 114912642B
- Authority
- CN
- China
- Prior art keywords
- value
- fault
- maintenance
- artificial intelligent
- intelligent 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
Links
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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- 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
- 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于互联网的人工智能机器人故障预测系统,涉及人工智能机器人故障预测领域,用于解决现有的机器人故障预测系统存在不能对机器人的信息进行智能预测分析和提醒维护查看处理,进而增大机器人出现故障的几率,造成较大的经济损失的问题;本发明对参数名称对应的数据集故障模型分析以输出参数名称对应的故障值,通过故障值判定对应参数是否异常以及得到人工智能机器人的故障总值,从而对人工智能机器人进行故障预测分析,进而提示使用者及时查看故障参数异常;通过故障处理模块对维查指令进行处理,以便于智能的选取对应的维查人员对人工智能机器人进行维修和维护查看处理。
Description
技术领域
本发明涉及人工智能机器人故障预测领域,具体为一种基于互联网的人工智能机器人故障预测系统。
背景技术
机器人分为一般机器人和人工智能机器人;其中人工智能机器人具有感觉,识别,推理和判断能力这种机器人已拥有一定的自动规划能力,能够自己安排自己的工作。这种机器人可以不要人的照料,完全独立的工作,故称为高级自律机器人。这种机器人也开始走向实用和家用,而人工智能机器人在使用过程中,为了早期发现智能机器人可能出现故障,并及时进行故障报告,对机器人进行故障诊断及预测是一种非常重要的技术;现有的机器人故障预测系统存在不能对机器人的信息进行智能预测分析和提醒维护查看处理,进而增大机器人出现故障的几率,造成较大的经济损失。
发明内容
本发明的目的就在于为了解决现有的机器人故障预测系统存在不能对机器人的信息进行智能预测分析和提醒维护查看处理,进而增大机器人出现故障的几率,造成较大的经济损失的问题,而提出一种基于互联网的人工智能机器人故障预测系统。
本发明的目的可以通过以下技术方案实现:包括与人工智能机器人通过互联网连接的服务器;所述服务器内设置有数据采集模块和数据库;所述数据采集模块用于获取人工智能机器人的授权并采集对应授权成功的人工智能机器人的机器信息,然后将机器信息发送至数据库;所述服务器内还设置有故障预测模块和故障处理模块,所述故障预测模块用于对机器信息进行故障预测分析,具体分析过程为:
对机器信息进行信息识别以得到参数名称对应的数据集,再对参数名称对应的数据集故障模型分析以输出参数名称对应的故障值,具体过程为:
设定故障模型包括第一故障模型和第二故障模型;第一故障模型和第二故障模型均对应一个名称组,每个名称组内均包括若干个预设的参数名称;将参数名称与名称组内所有的参数名称进行匹配,当名称组内包括该参数名称时,将该名称组对应的故障模型标记为故障分析模型;将参数名称标记为Ai,参数名称对应数据集标记为Ki,数据集Ki内的数值标记为Kij,i=1,2,……,n;n为参数名称的总数量,取值为正整数;j=1,2,……,m;m为数据集Ki内数值的总数量,取值为正整数;
当故障分析模型为第一故障模型时,获取参数名称Ai对应的参数范围[Die,Dif],Die<Dif;将数据集Ki内的数值Kij与参数范围[Die,Dif]进行比对,当Kij∉[Die,Dif]时,将数值Kij分别与最小值Die和最大值Dif进行比对,当Kij<Die时,将数值Kij标记为数值Kig;当Kij>Dif时,将数值Kij标记为数值Kih;统计数值Kig的数量并标记为p1,统计数值Kih的数量并标记为p2;其中p1+p2≤m;将数值Kig和数值Kih代入第一故障模型中输出故障值GZ,其中,µ1i和µ2i为参数名称对应预设的第一故权系数和第二故权系数;0<µ1i<µ2i;λ为参数名称对应数据集的波动系数;
当故障分析模型为第二故障模型时,获取参数名称Ai对应的参数阈值Ei;将数据集Ki内的数值Kij代入第二故障模型中得到参数名称Ai对应的故障值GZ;其中,λ为参数名称对应数据集的波动系数;µ3i为参数名称Ai对应预设的第二故权系数;
将故障值大于设定阈值一的参数名称标记为异常参数;将所有的异常参数对应的故障值进行求和得到故障总值;
当故障总值大于设定阈值时,生成测试请求并将其发送至人工智能机器人对应的管理端;
接收管理端反馈的请求结果;当请求结果为测试结果时,生成测试信令并将其发送至人工智能机器人;接收人工智能机器人反馈的测试信息,其中测试信息为人工智能机器人接收到测试信令后,执行测试信令过程中产生的机器信息;对测试信息进行信息识别得到参数名称对应的数据集,将人工智能机器人同一机器部件所有参数名称的数据集进行组合得到数据集组;对机器部件的数据机组代入故障计算模型并输出机器部件的故障值;当故障值大于或等于设定阈值二时,将机器部件标记为故障部件,将故障部件发送至人工智能机器人对应的管理端;接收管理端反馈的处理结果;当处理结果为维查结果时,生成人工智能机器人对应的维查指令至故障处理模块;当处理结果为数查结果时,将故障部件及故障部件的数据集组发送至对应的管理端;当故障值小于设定阈值二时,生成机器正常指令并发送至对应的管理端;当请求结果为查看结果时,将异常参数、对应的数据集和故障值发送至人工智能机器人的管理端。
作为本发明的一种优选实施方式,所述故障预测模块内设置有系数分析单元,所述系数分析单元用于对数据集进行波动系数分析,具体分析过程为:
将数据集中的数值Kij进行求和并取均值得到平均值并标记为Xi,统计数据集中最大的数值和最小的数值以及对应的数量,将最大的数值减去最小的数值得到波动差并标记为Bi;再将最大数值的数量和最小数值的数量分别标记为T1i和T2i,代入波动系数计算公式得到数据集进行波动系数λ;其中q1i、q2i、q3i和q4i为参数名称Ai对应的预设波动权重因子。
作为本发明的一种优选实施方式,所述故障处理模块用于接收维查指令并进行处理,具体处理过程为:
对维查指令进行解析以得到对应人工智能机器人的型号、位置和故障部件的名称;获取数据库内存储的维查人员的人员信息,对人员信息进行筛选,将人员信息中包括人工智能机器人型号和故障部件名称的维查人员标记为第一人员;向第一人员的移动终端发送位置获取指令以获取第一人员的人员位置,将人员位置与人工智能机器人的位置进行距离差计算以得到维查间距,将维查间距小于设定距离阈值的第一人员标记为第二人员;向第二人员的移动终端发送维查请求指令,在预设时间范围内,以获取第二人员反馈的确认结果,将确认结果为接收确认的第二人员标记为第三人员,获取第三人员的维查参数,维查参数包括员维基值、维查处值和维查间距,对维查参数进行归一化处理以得到第三人员的维查优值,将维查优值最大的第三人员标记为处理人员,将人工智能机器人的型号、位置和故障部件的名称发送至处理人员的移动终端;处理人员通过移动终端接收到人工智能机器人的型号、位置和故障部件的名称后,到达人工智能机器人对应的位置并对其进行故障维修和维护查看操作。
作为本发明的一种优选实施方式,所述对维查参数进行归一化处理的具体过程为:
对员维基值、维查处值和维查间距进行归一化处理并取三者归一化处理的数值,以员维基值和维查处值的数值为半径构建两个圆形,将两个圆形的圆心位于同一水平线上并相切,作两个圆形的其中一个切线;选取切线的中点并以该中点为起始点作垂直于切线的垂线,其中垂线的长度等于预设数值除以维查间距的数值,垂线的方向为远离两个圆的方向;将垂线的结束点分别与切线的两端连接,通过垂线的结束点、切线的两端以及两个圆形切点构建封闭图形,计算封闭图形的面积并提取面积的数值,将面积的数值标记为维查优值。
作为本发明的一种优选实施方式,所述服务器内还设置有信息注册模块,信息注册模块用于人工智能机器人的使用者通过移动终端提交注册信息进行注册以及技术人员提交人员信息进行注册,将注册信息和人员信息发送至数据库内存储并与注册成功的人工智能机器人通过互联网通信连接;同时将注册成功的人工智能机器人使用者的移动终端标记为管理端,将注册成功的技术人员标记为维查人员;其中,注册信息包括人工智能机器人型号、购买时间、通信号码和位置等;人员信息包括维查人员的姓名、通信号码、身份证号、从业时长、位置以及维修证书和维修的人工智能机器人的型号和对应零部件的名称等
作为本发明的一种优选实施方式,所述服务器内还设置有信息分析模块和维查分析模块;
所述信息分析模块用于获取维查人员的人员信息并提取从业时长的数值以及年龄的数值,将从业时长的数值以及年龄的数值分别乘以预设的权重占比再求和,将求得的和加上二十得到员维基值;所述维查分析模块用于统计处理人员所有的维修查看人工智能机器人的完成时刻的数量,当数量大于设定数量阈值时,将处理人员到达对应人工智能机器人的到达时刻与对应的维修完成时刻进行时刻差计算得到维护时长,提取所有维护时长的数值依据时间先后顺序并代入柱状图中得到时长柱,依次连接相邻两个时长柱的中点得到时柱线;计算时柱线的斜率以及与水平线的夹角,将夹角为锐角的时柱线的斜率标记为第一斜率,将夹角为钝角的时柱线的斜率标记为第二斜率;将所有第一斜率进行求和得到第一斜率总值;将所有第一斜率进行求和并取绝对值得到第二斜率总值,将第一斜率总值除以第二斜率总值再加上二十得到维查处值。
与现有技术相比,本发明的有益效果是:
1、本发明通过故障预测模块对机器信息进行故障预测分析,结合机器信息进行信息识别以得到参数名称对应的数据集,再对参数名称对应的数据集故障模型分析以输出参数名称对应的故障值,通过故障值判定对应参数是否异常以及得到人工智能机器人的故障总值,从而对人工智能机器人进行故障预测分析,进而提示使用者及时查看故障参数异常;
2、本发明通过故障总值对人工智能机器人进行测试请求并生成对应的故障部件并生成维查指令,通过故障处理模块对维查指令进行处理,以便于智能的选取对应的维查人员对人工智能机器人进行维修和维护查看处理。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明。
图1为本发明的原理框图;
图2为本发明的封闭图形示意图;
图3为本发明的柱状图示意图。
具体实施方式
下面将结合实施例对本发明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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,一种基于互联网的人工智能机器人故障预测系统,包括人工智能机器人、管理端以及与人工智能机器人通过互联网连接的服务器;
服务器内设置有数据采集模块、数据库、故障预测模块、故障处理模块、信息注册模块、信息分析模块和维查分析模块;
信息注册模块用于人工智能机器人的使用者通过移动终端提交注册信息进行注册以及技术人员提交人员信息进行注册,将注册信息和人员信息发送至数据库内存储并与注册成功的人工智能机器人通过互联网通信连接;同时将注册成功的人工智能机器人使用者的移动终端标记为管理端,将注册成功的技术人员标记为维查人员;其中,注册信息包括人工智能机器人型号、购买时间、通信号码和位置等;人员信息包括维查人员的姓名、通信号码、身份证号、从业时长、位置以及维修证书和维修的人工智能机器人的型号和对应零部件的名称等;
信息分析模块获取维查人员的人员信息并提取从业时长的数值以及年龄的数值,将从业时长的数值以及年龄的数值分别乘以预设的权重占比再求和,将求得的和加上二十得到员维基值;
数据采集模块获取人工智能机器人的授权并采集该授权成功的人工智能机器人的机器信息,再将机器信息传输给数据库;机器信息包括人工智能机器人的型号、人工智能机器人内部零部件运行时的温度、电流、电压等数值。
故障预测模块对机器信息进行故障预测分析,具体分析过程为:
对机器信息进行信息识别以得到参数名称对应的数据集,如参数名称为A零部件运行的温度K1,数据集={K11,K12,……,K1n};再对参数名称对应的数据集故障模型分析以输出参数名称对应的故障值,具体过程为:
设定故障模型包括第一故障模型和第二故障模型;第一故障模型和第二故障模型均对应一个名称组,每个名称组内均包括若干个预设的参数名称;将参数名称与名称组内所有的参数名称进行匹配,当名称组内包括该参数名称时,将该名称组对应的故障模型标记为故障分析模型;将参数名称标记为Ai,参数名称对应数据集标记为Ki,数据集Ki内的数值标记为Kij,i=1,2,……,n;n为参数名称的总数量,取值为正整数;j=1,2,……,m;m为数据集Ki内数值的总数量,取值为正整数;
当故障分析模型为第一故障模型时,获取参数名称Ai对应的参数范围[Die,Dif],Die<Dif;将数据集Ki内的数值Kij与参数范围[Die,Dif]进行比对,当Kij∉[Die,Dif]时,将数值Kij分别与最小值Die和最大值Dif进行比对,当Kij<Die时,将数值Kij标记为数值Kig;当Kij>Dif时,将数值Kij标记为数值Kih;统计数值Kig的数量并标记为p1,统计数值Kih的数量并标记为p2;其中p1+p2≤m;将数值Kig和数值Kih代入第一故障模型中输出故障值GZ,其中,µ1i和µ2i为参数名称对应预设的第一故权系数和第二故权系数;0<µ1i<µ2i;λ为参数名称对应数据集的波动系数,计算过程为:
将数据集中的数值Kij进行求和并取均值得到平均值并标记为Xi,统计数据集中最大的数值和最小的数值以及对应的数量,将最大的数值减去最小的数值得到波动差并标记为Bi;再将最大数值的数量和最小数值的数量分别标记为T1i和T2i,代入波动系数计算公式得到数据集进行波动系数λ;其中q1i、q2i、q3i和q4i为参数名称Ai对应的预设波动权重因子;
当故障分析模型为第二故障模型时,获取参数名称Ai对应的参数阈值Ei;将数据集Ki内的数值Kij代入第二故障模型中得到参数名称Ai对应的故障值GZ;其中,λ为参数名称对应数据集的波动系数;µ3i为参数名称Ai对应预设的第二故权系数;
将故障值大于设定阈值一的参数名称标记为异常参数;将所有的异常参数对应的故障值进行求和得到故障总值;
当故障总值大于设定阈值时,生成测试请求并将其发送至人工智能机器人对应的管理端;
接收管理端反馈的请求结果;当请求结果为测试结果时,生成测试信令并将其发送至人工智能机器人;接收人工智能机器人反馈的测试信息,其中测试信息为人工智能机器人接收到测试信令后,执行测试信令过程中产生的机器信息;对测试信息进行信息识别得到参数名称对应的数据集,将人工智能机器人同一机器部件所有参数名称的数据集进行组合得到数据集组;对机器部件的数据机组代入故障计算模型并输出机器部件的故障值;当故障值大于或等于设定阈值二时,将机器部件标记为故障部件,将故障部件发送至人工智能机器人对应的管理端;接收管理端反馈的处理结果;当处理结果为维查结果时,生成人工智能机器人对应的维查指令至故障处理模块;当处理结果为数查结果时,将故障部件及故障部件的数据集组发送至对应的管理端;当故障值小于设定阈值二时,生成机器正常指令并发送至对应的管理端;当请求结果为查看结果时,将异常参数、对应的数据集和故障值发送至人工智能机器人的管理端。
故障处理模块接收维查指令并进行处理:对维查指令进行解析以得到对应人工智能机器人的型号、位置和故障部件的名称;获取数据库内存储的维查人员的人员信息,对人员信息进行筛选,将人员信息中包括人工智能机器人型号和故障部件名称的维查人员标记为第一人员;向第一人员的移动终端发送位置获取指令以获取第一人员的人员位置,将人员位置与人工智能机器人的位置进行距离差计算以得到维查间距,将维查间距小于设定距离阈值的第一人员标记为第二人员;向第二人员的移动终端发送维查请求指令,在预设时间范围内,以获取第二人员反馈的确认结果,将确认结果为接收确认的第二人员标记为第三人员,获取第三人员的维查参数,维查参数包括员维基值、维查处值和维查间距,对维查参数进行归一化处理,并取三者归一化处理的数值;
请参阅图2所示,以员维基值和维查处值的数值为半径构建两个圆形,将两个圆形的圆心位于同一水平线上并相切,作两个圆形的其中一个切线;选取切线的中点并以该中点为起始点作垂直于切线的垂线,其中垂线的长度等于预设数值除以维查间距的数值,垂线的方向为远离两个圆的方向;将垂线的结束点分别与切线的两端连接,通过垂线的结束点、切线的两端以及两个圆形切点构建封闭图形,计算封闭图形的面积并提取面积的数值,将面积的数值标记为维查优值;将维查优值最大的第三人员标记为处理人员,将人工智能机器人的型号、位置和故障部件的名称发送至处理人员的移动终端;处理人员通过移动终端接收到人工智能机器人的型号、位置和故障部件的名称后,到达人工智能机器人对应的位置并对其进行故障维修和维护查看操作;
维查分析模块统计处理人员所有的维修查看人工智能机器人的完成时刻的数量,当数量大于设定数量阈值时,将处理人员到达对应人工智能机器人的到达时刻与对应的维修完成时刻进行时刻差计算得到维护时长,提取所有维护时长的数值依据时间先后顺序并代入柱状图中得到时长柱,依次连接相邻两个时长柱的中点得到时柱线;
请参阅图3所示,计算时柱线的斜率以及与水平线的夹角,将夹角为锐角的时柱线的斜率标记为第一斜率,将夹角为钝角的时柱线的斜率标记为第二斜率;将所有第一斜率进行求和得到第一斜率总值;将所有第一斜率进行求和并取绝对值得到第二斜率总值,将第一斜率总值除以第二斜率总值再加上二十得到维查处值。
本发明在使用时,通过故障预测模块对机器信息进行故障预测分析,结合机器信息进行信息识别以得到参数名称对应的数据集,再对参数名称对应的数据集故障模型分析以输出参数名称对应的故障值,通过故障值判定对应参数是否异常以及得到人工智能机器人的故障总值,从而对人工智能机器人进行故障预测分析,进而提示使用者及时查看故障参数异常;通过故障总值对人工智能机器人进行测试请求并生成对应的故障部件并生成维查指令,通过故障处理模块对维查指令进行处理,以便于智能的选取对应的维查人员对人工智能机器人进行维修和维护查看处理。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (4)
1.一种基于互联网的人工智能机器人故障预测系统,用于服务器中,所述服务器内设置有故障预测模块和故障处理模块,其特征在于,所述故障预测模块用于对机器信息进行故障预测分析,具体分析过程为:
对机器信息进行信息识别以得到参数名称对应的数据集,再对参数名称对应的数据集进行故障模型分析以输出参数名称对应的故障值,具体过程为:
设定故障模型包括第一故障模型和第二故障模型;第一故障模型和第二故障模型均对应一个名称组,每个名称组内均包括若干个预设的参数名称;将参数名称与名称组内所有预设的参数名称进行匹配,当名称组内包括该参数名称时,将该名称组对应的故障模型标记为故障分析模型;将参数名称标记为Ai,参数名称对应数据集标记为Ki,数据集Ki内的数值标记为Kij,i=1,2,……,n;n为参数名称的总数量;j=1,2,……,m;m为数据集Ki内数值的总数量;
当故障分析模型为第一故障模型时,获取参数名称Ai对应的参数范围[Die,Dif],Die<Dif;将数据集Ki内的数值Kij与参数范围[Die,Dif]进行比对,当Kij∉[Die,Dif]时,将数值Kij分别与最小值Die和最大值Dif进行比对,当Kij<Die时,将数值Kij标记为数值Kig;当Kij>Dif时,将数值Kij标记为数值Kih;统计数值Kig的数量并标记为p1,统计数值Kih的数量并标记为p2;其中p1+p2≤m;将数值Kig和数值Kih代入第一故障模型中输出故障值GZ,其中,µ1i和µ2i为参数名称对应预设的第一故权系数和第二故权系数;λ为参数名称对应数据集的波动系数;
当故障分析模型为第二故障模型时,获取参数名称Ai对应的参数阈值Ei;将数据集Ki内的数值Kij代入第二故障模型中得到参数名称Ai对应的故障值GZ;其中,λ为参数名称对应数据集的波动系数;u 3i为参数名称Ai对应预设的第三故权系数;
将故障值大于设定阈值一的参数名称标记为异常参数;将所有的异常参数对应的故障值进行求和得到故障总值;
当故障总值大于预设阈值三时,生成测试请求并将其发送至人工智能机器人对应的管理端;
接收管理端反馈的请求结果;当请求结果为测试结果时,生成测试信令并将其发送至人工智能机器人;接收人工智能机器人反馈的测试信息,其中测试信息为人工智能机器人接收到测试信令后,执行测试信令过程中产生的机器信息;对测试信息进行信息识别得到参数名称对应的数据集,将人工智能机器人同一机器部件所有参数名称的数据集进行组合得到数据集组;对机器部件的数据集组代入故障模型并输出机器部件的故障值;当故障值大于或等于设定阈值二时,将机器部件标记为故障部件,将故障部件发送至人工智能机器人对应的管理端;接收管理端反馈的处理结果;当处理结果为维查结果时,生成人工智能机器人对应的维查指令至故障处理模块;当处理结果为数查结果时,将故障部件及故障部件的数据集组发送至对应的管理端;当故障值小于设定阈值二时,生成机器正常指令并发送至对应的管理端;当请求结果为查看结果时,将异常参数、对应的数据集和故障值发送至人工智能机器人的管理端;
所述服务器内还设置有信息分析模块和维查分析模块;
所述信息分析模块用于获取维查人员的人员信息并提取从业时长的数值以及年龄的数值,将从业时长的数值以及年龄的数值分别乘以预设的权重占比再求和,将求得的和加上二十得到员维基值;所述维查分析模块用于统计处理人员所有的维修查看人工智能机器人的完成时刻的数量,当数量大于设定数量阈值时,将处理人员到达对应人工智能机器人的到达时刻与对应的维修完成时刻进行时刻差计算得到维护时长,提取所有维护时长的数值依据时间先后顺序并代入柱状图中得到时长柱,依次连接相邻两个时长柱的中点得到时柱线;计算时柱线的斜率以及与水平线的夹角,将夹角为锐角的时柱线的斜率标记为第一斜率,将夹角为钝角的时柱线的斜率标记为第二斜率;将所有第一斜率进行求和得到第一斜率总值;将所有第一斜率进行求和并取绝对值得到第二斜率总值,将第一斜率总值除以第二斜率总值再加上二十得到维查处值。
3.根据权利要求1所述的一种基于互联网的人工智能机器人故障预测系统,其特征在于,所述故障处理模块用于接收维查指令并进行处理,具体处理过程为:
对维查指令进行解析以得到对应人工智能机器人的型号、位置和故障部件的名称;获取数据库内存储的维查人员的人员信息,对人员信息进行筛选,将人员信息中包括人工智能机器人型号和故障部件名称的维查人员标记为第一人员;向第一人员的移动终端发送位置获取指令以获取第一人员的人员位置,将人员位置与人工智能机器人的位置进行距离差计算以得到维查间距,将维查间距小于设定距离阈值的第一人员标记为第二人员;向第二人员的移动终端发送维查请求指令,在预设时间范围内,以获取第二人员反馈的确认结果,将确认结果为接收确认的第二人员标记为第三人员,获取第三人员的维查参数,维查参数包括员维基值、维查处值和维查间距,对维查参数进行归一化处理以得到第三人员的维查优值,将维查优值最大的第三人员标记为处理人员,将人工智能机器人的型号、位置和故障部件的名称发送至处理人员的移动终端;处理人员通过移动终端接收到人工智能机器人的型号、位置和故障部件的名称后,到达人工智能机器人对应的位置并对其进行故障维修和维护查看操作。
4.根据权利要求3所述的一种基于互联网的人工智能机器人故障预测系统,其特征在于,所述对维查参数进行归一化处理的具体过程为:
对员维基值、维查处值和维查间距进行归一化处理并取三者归一化处理的数值,以员维基值和维查处值的数值为半径构建两个圆形,将两个圆形的圆心位于同一水平线上并相切,作两个圆形的其中一个切线;选取切线的中点并以该中点为起始点作垂直于切线的垂线,其中垂线的长度等于预设数值除以维查间距的数值,垂线的方向为远离两个圆的方向;将垂线的结束点分别与切线的两端连接,通过垂线的结束点、切线的两端以及两个圆形切点构建封闭图形,计算封闭图形的面积并提取面积的数值,将面积的数值标记为维查优值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210839374.7A CN114912642B (zh) | 2022-07-18 | 2022-07-18 | 一种基于互联网的人工智能机器人故障预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210839374.7A CN114912642B (zh) | 2022-07-18 | 2022-07-18 | 一种基于互联网的人工智能机器人故障预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114912642A CN114912642A (zh) | 2022-08-16 |
CN114912642B true CN114912642B (zh) | 2022-12-20 |
Family
ID=82772569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210839374.7A Active CN114912642B (zh) | 2022-07-18 | 2022-07-18 | 一种基于互联网的人工智能机器人故障预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114912642B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3336636A1 (en) * | 2016-12-19 | 2018-06-20 | Palantir Technologies Inc. | Machine fault modelling |
CN111275213A (zh) * | 2020-01-17 | 2020-06-12 | 安徽华创环保设备科技有限公司 | 一种基于大数据的机械设备故障监控系统 |
CN111283474A (zh) * | 2020-03-06 | 2020-06-16 | 河北凯通信息技术服务有限公司 | 一种基于大数据的数控自动化设备故障检测系统 |
CN112009252A (zh) * | 2020-10-09 | 2020-12-01 | 哈尔滨工业大学(威海) | 一种动力电池系统故障诊断及容错控制方法 |
CN112235170A (zh) * | 2020-10-19 | 2021-01-15 | 广州臻悦信息科技有限责任公司 | 一种实时检测设备故障的智能家庭网关 |
CN113176462A (zh) * | 2021-04-28 | 2021-07-27 | 淮北市华明工业变频设备有限公司 | 一种基于大数据的变频设备运行故障监测系统 |
CN114237087A (zh) * | 2021-11-09 | 2022-03-25 | 深圳市移动力量科技有限公司 | 监控系统预警方法、装置及计算机可读存储介质 |
WO2022150012A1 (en) * | 2021-01-06 | 2022-07-14 | Hitachi, Ltd. | Method and system for fault detection and diagnostic for a building management system |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011155621A1 (ja) * | 2010-06-07 | 2011-12-15 | 日本電気株式会社 | 障害検出装置、障害検出方法およびプログラム記録媒体 |
CN105095817B (zh) * | 2015-07-03 | 2018-03-09 | 百度在线网络技术(北京)有限公司 | 基于人工智能的智能机器人故障诊断方法、装置及系统 |
CN114004528A (zh) * | 2021-11-09 | 2022-02-01 | 北京国网信通埃森哲信息技术有限公司 | 一种基于ai分析的变电设备状态预测方法 |
-
2022
- 2022-07-18 CN CN202210839374.7A patent/CN114912642B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3336636A1 (en) * | 2016-12-19 | 2018-06-20 | Palantir Technologies Inc. | Machine fault modelling |
CN111275213A (zh) * | 2020-01-17 | 2020-06-12 | 安徽华创环保设备科技有限公司 | 一种基于大数据的机械设备故障监控系统 |
CN111283474A (zh) * | 2020-03-06 | 2020-06-16 | 河北凯通信息技术服务有限公司 | 一种基于大数据的数控自动化设备故障检测系统 |
CN112009252A (zh) * | 2020-10-09 | 2020-12-01 | 哈尔滨工业大学(威海) | 一种动力电池系统故障诊断及容错控制方法 |
CN112235170A (zh) * | 2020-10-19 | 2021-01-15 | 广州臻悦信息科技有限责任公司 | 一种实时检测设备故障的智能家庭网关 |
WO2022150012A1 (en) * | 2021-01-06 | 2022-07-14 | Hitachi, Ltd. | Method and system for fault detection and diagnostic for a building management system |
CN113176462A (zh) * | 2021-04-28 | 2021-07-27 | 淮北市华明工业变频设备有限公司 | 一种基于大数据的变频设备运行故障监测系统 |
CN114237087A (zh) * | 2021-11-09 | 2022-03-25 | 深圳市移动力量科技有限公司 | 监控系统预警方法、装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114912642A (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255795B (zh) | 一种基于多指标集群分析的设备状态监测方法 | |
CN110929934A (zh) | 设备故障预测方法、装置、计算机设备和存储介质 | |
CN109813544B (zh) | 一种基于在线监测的旋转机械早期故障诊断方法及系统 | |
CN115170000B (zh) | 一种基于电能表通信模块的远程监测方法及系统 | |
CN116933197B (zh) | 一种基于大数据的用电信息采集系统故障判别方法及系统 | |
CN116125361B (zh) | 电压互感器误差评估方法、系统、电子设备及存储介质 | |
CN116611817A (zh) | 一种饲料厂设备的故障管理方法及系统 | |
CN116187867B (zh) | 一种智能化的传动模组生产管理方法及系统 | |
CN109298225A (zh) | 一种电压量测数据异常状态自动识别模型及方法 | |
CN114662619B (zh) | 基于多源数据融合的桥梁监测系统 | |
CN117368616B (zh) | 一种智能化的配电网接地故障监测方法及系统 | |
CN114912642B (zh) | 一种基于互联网的人工智能机器人故障预测系统 | |
CN116681186B (zh) | 一种基于智能终端的用电质量分析方法及装置 | |
CN107274025B (zh) | 一种实现用电模式智能识别与管理的系统和方法 | |
CN113487092B (zh) | 一种MiniLED高动态印制电路板的生产管理系统 | |
CN112215482A (zh) | 一种户变关系识别方法和装置 | |
CN116975389A (zh) | 一种变电站故障分析方法及装置 | |
CN114936614B (zh) | 一种基于神经网络的作业风险识别方法及系统 | |
CN115146715A (zh) | 用电安全隐患诊断方法、装置、设备及存储介质 | |
CN109492913B (zh) | 一种配电终端的模块化风险预测方法、装置及可存储介质 | |
CN114584585A (zh) | 一种基于物联网的工业设备自诊断系统及方法 | |
CN113591909A (zh) | 电力系统的异常检测方法、异常检测装置以及存储介质 | |
CN113900865B (zh) | 智能的电网设备自动化测试方法、系统和可读存储介质 | |
CN117688503B (zh) | 一种基于移动端的用电安全检查系统 | |
CN113608074B (zh) | 一种多表位耐压试验装置自动化在线监测方法及系统 |
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 | ||
GR01 | Patent grant |