CN114964841A - 基于多传感器融合的移动机器人故障检测系统及方法 - Google Patents
基于多传感器融合的移动机器人故障检测系统及方法 Download PDFInfo
- Publication number
- CN114964841A CN114964841A CN202210495349.1A CN202210495349A CN114964841A CN 114964841 A CN114964841 A CN 114964841A CN 202210495349 A CN202210495349 A CN 202210495349A CN 114964841 A CN114964841 A CN 114964841A
- Authority
- CN
- China
- Prior art keywords
- fault detection
- module
- mobile robot
- data
- original information
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000004927 fusion Effects 0.000 title claims abstract description 30
- 238000004891 communication Methods 0.000 claims description 54
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 13
- 238000003745 diagnosis Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/008—Subject matter not provided for in other groups of this subclass by doing functionality tests
-
- 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
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明公开了一种基于多传感器融合的移动机器人故障检测系统及方法,所述系统包括:移动机器人和故障检测设备,其中,所述移动机器人与所述故障检测设备连接;所述移动机器人包括多个传感器;所述多个传感器用于收集移动机器人运行期间的原始信息数据,并将所述原始信息数据发送给故障检测设备;所述故障检测设备用于接收、存储和融合计算所述移动机器人发出原始信息数据。针对智能移动机器人芯片算力不足的问题,本申请用于智能移动机器人传感器故障检测和数据储存。
Description
技术领域
本发明涉及电子信息技术领域,尤其涉及一种基于多传感器融合的移动机器人故障检测系统及方法。
背景技术
近年来,随着人工智能技术的快速发展,移动机器人被越来越多的国家所重视,在服务业、制造业、农业等领域得到了大量的应用,各行业对移动机器人产品的需求与日俱增。智能移动机器人是现代自动化领域的研究热点,其改变了传统的生产模式和生活方式,减轻了工人工作强度,提高了工作效率。
智能移动机器人是一个综合性比较强大的系统,包括:环境感知、动态规划和决策、行为执行和操控等多种功能。而实现环境感知的方法手段是使用传感器。多传感器融合是利用计算机技术将来自多传感器或多源的信息和数据,在一定的准则下加以自动分析和综合,以完成所需要的决策和估计而进行的信息处理过程。传感器故障是移动机器人的主要故障类型之一。传感器故障类型复杂多样,仅凭在编程时添加条件语句来判断传感器是否故障不足以涵盖尽量多的故障类型。而目前大多机器人使用的MCU主频和功耗不高,算力有限,很难在处理机器人“环境感知”、“动态决策与规划”、“行为执行和操控”之余通过执行基于多传感器融合的算法实现故障检测,如基于改进式CNN-GRU网络的多源传感器故障诊断算法。如果机器人使用故障传感器传入的错误数据作为当前周围环境信息,会产生不良的连锁反应并执行一系列错误行为,轻则机器人自身无法正常运行,影响作业和生产,重则会对周围环境产生破坏,甚至对生产人员的人身安全产生威胁。
针对智能移动机器人芯片算力不足的问题,可以通过使用更高主频和功耗的高算力芯片代为处理传感器故障检测算法,或者单独使用一块芯片专门处理该机器人的传感器故障检测算法。
目前我们使用的PC机(Personal Computer,个人计算机)普遍使用高主频高功率的芯片,足以应付机器人的传感器故障检测算法,因此可以用PC机处理机器人的传感器故障检测,具体做法可以是以下两种:使用电缆连接机器人和PC机,机器人将传感器传入的数据拷贝并通过电缆传出到PC机,PC机根据机器人传来的数据运行故障检测算法。但是智能移动机器人在运行期间会产生位移,机器人与PC机之间的电缆会限制机器人的位移,影响机器人的正常运行。所以该做法对于智能移动机器人来说并不适宜。
使用无线传输方法连接机器人和PC机,机器人将传感器传入的数据拷贝并通过无线传输传出到PC机,PC机根据机器人传来的数据运行故障检测算法。此做法不会直接限制机器人的位移,但是对于PC机来说接收机器人传来的数据需要使用专门为此开发的软件,软件的开发需要耗费一定的时间和精力。并且无线传输容易受到干扰,特别是在生产现场,复杂的环境伴随的干扰会对无线传输产生一定程度的影响,所以该做法并不十分可靠。
以上两种做法均有一定程度的缺陷,鉴于此,使用PC机处理机器人的传感器故障检测不是最好的做法。单独使用一块芯片专门处理该机器人的传感器故障检测算法或许是解决现阶段所存在问题的更好途径。
发明内容
本发明目的在于提供一种基于多传感器融合的机器人故障检测系统及方法,用于智能移动机器人运行期间传感器故障检测和数据储存。
为实现上述目的,本发明提供如下技术方案:
一种基于多传感器融合的移动机器人故障检测系统,所述系统包括:移动机器人和故障检测设备,其中,
所述移动机器人与所述故障检测设备连接;
所述移动机器人包括多个传感器;所述多个传感器用于收集移动机器人运行期间的原始信息数据,并将所述原始信息数据发送给故障检测设备;
所述故障检测设备用于接收、存储和融合计算所述移动机器人发出原始信息数据。
具体的,所述故障检测设备,还用于根据对原始信息数据进行融合计算后所得到的结果,判断出移动机器人故障时,向移动机器人发出中断信号。
具体的,所述故障检测设备包括数据读写模块、算法运行模块、通讯模块和显示模块,其中,
数据读写模块,与通讯模块连接,用于写入移动机器人传入的原始信息数据;
算法运行模块,与通讯模块连接,用于将移动机器人的原始信息数据传送到算法运行模块;
算法运行模块,还与数据读写模块连接,用于将根据原始数据进行融合计算后所得到的结果写入数据读写模块;
通讯模块,与数据读写模块连接,用于读取移动机器人的原始信息数据和算法运行模块计算结果;
显示模块,与算法运行模块连接,用于显示运行状态和错误信息。
具体的,所述算法运行模块,包括MCU/MPU、SDRAM和NANDFLASH,用于运行模型算法,包括改进式CNN-GRU网络的多源传感器故障诊断算法;
所述数据读写模块包括主控芯片和闪存芯片,所述主控芯片用于控制对闪存芯片的读写方式;所述闪存芯片用于存储动机器人的原始信息数据和根据原始信息数据进行融合计算后所得到的结果;
所述通讯模块包括通信接口子模块、USB接口子模块和切换电路,其中,
通信接口子模块包括I2C、SPI、UART三种通信协议和对应的物理接口,用于与机器人进行数据交换;
USB接口子模块用于与计算机进行数据交换,包括计算机通过USB接口子模块访问闪存芯片中的数据;
切换电路子模块用于切换工作模式,包括故障检测模式或数据读取模式。
具体的,所述系统还包括计算机,所述计算机通过通讯模块与所述故障检测设备连接,用于读取故障检测设备中存储在闪存芯片中的移动机器人的传感器发出的原始信息数据和对原始信息数据进行融合计算的结果。
一种基于多传感器融合的移动机器人故障检测方法,所述方法包括以下步骤:故障检测设备读取并存储移动机器人传入的多个传感器的原始信息数据;故障检测设备对所述原始信息数据进行融合计算处理,并根据处理结果判断机器人是否故障。
具体的,所述根据处理结果判断机器人是否故障,包括,判断出移动机器人故障时,故障检测设备向移动机器人发出中断信号。
具体的,故障检测设备对所述原始信息数据进行处理,具体为,所述故障检测设备包括数据读写模块、算法运行模块、通讯模块和显示模块,其中,通讯模块中的切换电路子模块设置为数据读取模式时,通信接口子模块读取移动机器人的原始信息数据,并传送给数据读写模块;数据读写模块写入移动机器人传入的原始信息数据,并存储于数据读写模块的闪存芯片中;通讯模块中的切换电路子模块设置为故障检测模式,算法运行模块对所述原始信息数据进行计算,并将计算结果存储于数据读写模块的闪存芯片中;显示模块实时显示故障检测设备的运行状态和错误信息。
具体的,所述算法运行模块包括MCU/MPU、SDRAM和NAND FLASH,其中,
MCU/MPU对原始信息数据进行运算和控制;
SDRAM存储运行过程中的临时数据,包括中间结果和运行程序;
NAND FLASH对原始信息数据进行运算结果进行存储。
具体的,所述方法还包括,计算机通过所述故障检测设备的通讯模块,读取故障检测设备的闪存芯片中的移动机器人的原始信息数据和故障检测设备对原始信息数据处理的结果,包括,
通讯模块中的切换电路子模块设置为数据读取模式,USB接口子模块将所述原始信息数据和故障检测设备的处理结果,传送给计算机。
本发明的技术效果和优点:
1、该系统是基于移动机器人的多个传感器发出的原始数据,可并融合计算移动机器人所有传感器的数据;
2、该系统可以将智能移动机器人传来的实时数据进行融合实时运算,保证系统运行的实时性;
3、该系统提供丰富的传输协议和物理接口,如I2C、SPI、UART协议和其支持的物理接口;
4、该系统在判断智能移动机器人传感器为有故障后能及时使用MCU/MPU通过通信接口向机器人发送一个中断信号,令其停止运行。这里的中断信号是移动机器人与该系统提前约定好的一个信号;
5、该系统能将传入的传感器数据、运行结果和故障分析保存下来,并能够随时使用PC机通过USB线这种简单的方式访问这些数据,便于对这些数据作进一步处理。
本发明的优点在于,该系统利用专门执行复杂算法的芯片处理多传感器融合信息,解决了目前大多机器人使用的MCU主频和功耗不高,算力有限,很难在处理机器人“环境感知”、“动态决策与规划”和“行为控制与执行”之余实现基于多传感器融合的故障检测。并且该系统提供丰富的通信协议和物理接口,使其可以使用在目前大多数智能移动机器人上,有良好的通用性。该系统还能将传入的传感器数据、运行结果和故障分析通过编程使用MCU/MPU传输到主控芯片,进而存入闪存芯片中,提供简单的方式以读取这些数据,为作进一步分析提供便捷和可能。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
图1为本发明的系统图;
图2为本发明具体实施例的系统图;
图3为本发明的故障检测设备的检测方法流程图;
图4为本发明具体实施例的传感器数据标定模块结构;
图5为本发明具体实施例的GRU的结构图;
图6为本发明具体实施例的具有类别解析模块的门控循环网络结构图;
图7为本发明具体实施例的改进式CNN-GRU网络结构图。
具体实施方式
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,都属于本发明保护的范围。
为解决现有技术的不足,本发明公开了一种基于多传感器融合的移动机器人故障检测系统及方法,结合图1可知,本发明系统包括:移动机器人、故障检测设备和计算机,其中,所述移动机器人与所述故障检测设备连接,所述移动机器包括多个传感器;所述多个传感器用于收集移动机器运行期间的内部的原始信息数据,并将所述原始信息数据发送给故障检测设备;所述故障检测设备用于接收、存储和融合计算所述移动机器人发出原始信息数据。所述故障检测设备,还用于根据对原始信息数据进行融合计算所得到的结果,判断出移动机器人故障时,向移动机器人发出中断信号。
所述系统还包括计算机,所述计算机通过通讯模块与所述故障检测设备连接,用于读取故障检测设备中存储在闪存芯片中的移动机器人的传感器发出的原始信息数据和对原始信息数据的进行融合计算的结果。
需要说明的是,本发明系统工作时,故障检测设备不是同时连接机器人和计算机的,故障检测设备中的“切换电路”用于选择连接机器人或计算机。
当选择连接机器人时,该系统接收机器人传来的数据,将同时进行以下两个工作:①将原始数据传入算法运行模块进行运算;②将原始数据存入数据读写模块中的“闪存芯片”中。当选择连接计算机时,该系统作为一个可移动硬盘接入计算机,计算机可以访问“闪存芯片”中的原始数据,用于作进一步分析。
该系统接收传感器数据,这里的“传感器”不是指专门用于检测机器人故障的传感器,而是机器人为实现功能而使用的传感器,比如机器人需要避障时,一定会用到红外传感器、激光传感器或超声波传感器,这些传感器产生的数据将会被传入故障检测设备中。
所述故障检测设备包括数据读写模块、算法运行模块、通讯模块、显示模块和电源模块,结合图2可知,数据读写模块,与通讯模块连接,用于写入移动机器人传入的原始信息数据;算法运行模块,与通讯模块连接,用于将移动机器人的内部的信息数据传送到算法运行模块;算法运行模块,还与数据读写模块连接,用于将原始数据计算的结果写入数据读写模块;通讯模块,与数据读写模块连接,用于读取移动机器人的原始信息数据和算法运行模块计算结果;显示模块,与算法运行模块连接,用于显示运行状态和错误信息;电源模块,用于给故障检测设备供电。
进一步的,结合图2可知,智能移动机器人包括移动机器人,通过通讯模块,与数据读写模块和算法运行模块连接,用于实现移动机器人收集到的智能移动机器人内部的原始信息数据分别写入数据读写模块和算法运行模块;PC机同样是通过通讯模块,与数据读写模块和算法运行模块连接,以实现PC机实时获取写入数据读写模块的移动机器人内部的原始信息数据和算法运行模块对原始信息数据的处理结果。设计此部分的目的是为了通过简单的方式获取原始传感器数据和该系统的运行结果,为进行进一步分析提供便捷和可能。
进一步地,结合图2可知,所述通讯模块包括通信接口子模块、USB接口子模块和切换电路,其中,通信接口子模块包括I2C、SPI、UART三种通信协议和对应的物理接口,用于与机器人进行数据交换;USB接口子模块用于与计算机进行数据交换,包括计算机通过USB接口子模块访问闪存芯片中的数据;切换电路子模块用于切换工作模式,包括故障检测模式或数据读取模式。
所述算法运行模块包括MCU/MPU、SDRAM和NAND FLASH;所述算法运行模块用于运行复杂的模型算法,包括改进式CNN-GRU网络的多源传感器故障诊断算法,其中,MCU/MPU用于运算和控制,SDRAM用于存储运行过程中的临时数据,如中间结果和运行程序等,NANDFLASH用于存储常数、数据表格、程序代码等。所述数据读写模块包括主控芯片和闪存芯片,所述主控芯片用于控制对闪存芯片的读写方式。
本申请还提出了一种基于多传感器融合的移动机器人故障检测方法,所述方法包括以下步骤:故障检测设备读取并存储移动机器人传入的多个传感器的原始信息数据;故障检测设备对所述原始信息数据进行融合计算处理,并根据处理结果判断机器人是否故障。所述根据处理结果判断机器人是否故障,包括,判断出移动机器人故障时,故障检测设备向移动机器人发出中断信号。
进一步地,故障检测设备对所述原始信息数据进行处理,具体为,通讯模块中的切换电路子模块设置为数据读取模式时,通信接口子模块读取移动机器人的原始信息数据,并传送给数据读写模块;数据读写模块写入移动机器人传入的原始信息数据,并存储于数据读写模块的闪存芯片中;通讯模块中的切换电路子模块设置为故障检测模式,算法运行模块对所述原始信息数据进行计算,并将计算结果存储于数据读写模块的闪存芯片中;显示模块实时显示故障检测设备的运行状态和错误信息。通讯模块读取将所述原始信息数据和所述原始数据的计算结果,并传送给计算机。
所述方法还包括,计算机通过所述故障检测设备的通讯模块,读取故障检测设备的闪存芯片中的移动机器人的原始信息数据和故障检测设备对原始信息数据的处理结果,包括,通讯模块中的切换电路子模块设置为数据读取模式,USB接口子模块将所述原始信息数据和故障检测设备的处理结果,传送给计算机。本发明需说明的是,计算机与故障检测设备连接是很根据实际需要进行连接的。
进一步地,所述故障检测设备对所述原始信息数据进行处理,还包括所述算法运行模块用于运行复杂的模型算法,包括改进式CNN-GRU网络的多源传感器故障诊断算法;所述算法运行模块中的MCU/MPU对原始信息数据进行运算和控制;所述算法运行模块中的SDRAM存储运行过程中的临时数据,包括中间结果和运行程序;所述算法运行模块中的NANDFLASH对原始信息数据进行运算结果进行存储。
进一步地,本发明具体实施列中算法运行模块用于运行复杂的模型算法,包括改进式CNN-GRU网络的多源传感器故障诊断算法,具体为,带有传感器标定模块的卷积神经网络(卷积层+标定模块):给定一个尺寸为s×t的卷积核,使用图像长×图像宽的二维矩阵格式表示图像,将卷积运算应用在在图像的某一个通道上,神经网络中卷积的计算公式为:
式中:H为卷积运算输出的特征响应;F为输入图像;G为卷积核;表示卷积运算.卷积核的参数决定了其提取特征的类型,较为初级的特征包括边缘和突变等,通过多层网络堆叠可以实现复杂特征的提取。当需要输入传感器数据时,可以将传感器数据整理成二维矩阵的形式,矩阵的行表示不同的传感器数据,矩阵的列表示某个传感器不同时刻的数据。
针对于传感器数据排列顺序,有一个传感器标定模块,如图4所示,传感器数据N代表采样点个数,n代表传感器个数,传感器数据N经过卷积层计算后提取基础特征[N×n](左支),同时进行全局平均池化和全连接网络(右支)得到传感器权重[n×1],最终将基础特征[N×n]与传感器权重[n×1]相乘得到标定后的数据[N×n]。
进一步地,带有类别解析模块的门控循环网络:门控循环单元GRU是循环神经网络的一种,有效缓解了传统循环神经网络训练困难的等问题,循环神经网络使用循环核提取特征,循环核内的记忆体ht负责将不同时刻的信息传递下去。GRU的结构图如图5所示,输入为上一个节点传递下来的隐状态ht-1和当前的输入xt,输出为当前隐藏节点的输出yt和传递给下一个节点的隐状态ht.GRU内需要使用到的参数有更新门权重zt,重置门权重rt,候选隐藏层ht′,GRU内部计算公式为:
式中:σ为sigmod激活函数,将zt和rt限制在0到1之间,从而发挥门控的作用。wz,wr,W是神经网络权矩阵,其值在训练期间被学习。在记忆体信息ht的计算过程中既包含了过去数据的信息ht-1也包含了当前输入信息ht′,从而使得网络具有了记忆和遗忘的功能。传感器数据就是一种典型的时间序列,将每个采样点的数据依次输入到网络中,训练之后网络就可以学习到某一种传感器数据之间在时间维度上的前后联系,进而完成分类预测等任务。
通过堆叠GRU组成一种具有类别解析模块的门控循环网络,如图6所示,带有类别解析的循环神经网络由两部分组成,主支路逐层的提取特征,主支路外附加的跳跃连接主要由平均值运算和全连接网络等组成。在识别故障的类别之后,将类别信息传递到估计参数的主网络上将有利于整体的诊断性能。
改进式CNN-GRU网络的具体结构如图7所示:共使用了2个卷积层和4个循环层,在卷积网络和循环神经网络之间设置了数据处理层,用于将网络中的数据的格式进行转换,以满足循环网络的输入要求。
进一步地,所述通讯模块读取将所述原始信息数据和所述原始数据的计算结果,并传送给计算机,包括,切换电路子模块设置为数据读取模式,通信接口子模块读取移动机器人的原始信息数据,并传送给故障检测设备;切换电路子模块设置为障检测模式,故障检测设备对所述原始信息数据进行处理;切换电路子模块设置为数据读取模式,USB接口子模块将所述原始信息数据和故障检测设备的处理结果,传送给计算机。
下面将结合具体的实施例,对本发明技术效果进一步进行说明。
如图3所示,本发明系统开始运行后先检测切换电路的状态,如果切换电路的状态为数据读取模式,则:
等待通过通讯模块的USB接口子模块接入PC机,USB接口子模块与PC机连接后,相当于向PC机插入一块可移动硬盘,PC机可以访问新插入的可移动硬盘并读出里面含有的文本文件,即允许PC机访问数据读写模块的闪存芯片中的数据。待PC机与该系统断开连接后结束运行。
如果切换电路的状态为故障检测模式,则:
从通信接口以I2C、SPI、UART三种协议之一和对应的物理接口接收来自智能移动机器人传来的传感器数据,将这些数据组成一个文本文件存入闪存芯片,并将这些数据输入该系统运行的算法模型进行运算,运行状态被显示到显示屏上。通过分析经过运算后得到的结果判断智能移动机器人传感器是否故障:当分析结果为无故障时,则继续根据新数据进行分析;当分析结果为有故障则通过通信接口向智能移动机器人发送一个中断信号使其停止运行,接着把故障分析信息存入该系统的闪存芯片中,并将故障信息显示到该系统的显示屏上供生产人员阅读。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多传感器融合的移动机器人故障检测系统,其特征在于,所述系统包括:移动机器人和故障检测设备,其中,
所述移动机器人与所述故障检测设备连接;
所述移动机器人包括多个传感器;所述多个传感器用于收集移动机器人运行期间的原始信息数据,并将所述原始信息数据发送给故障检测设备;
所述故障检测设备用于接收、存储和融合计算所述移动机器人发出原始信息数据。
2.根据权利要求1所述的系统,其特征在于,
所述故障检测设备,还用于根据对原始信息数据进行融合计算后所得到的结果,判断出移动机器人故障时,向移动机器人发出中断信号。
3.根据权利要求1或2所述的系统,其特征在于,
所述故障检测设备包括数据读写模块、算法运行模块、通讯模块和显示模块,其中,
数据读写模块,与通讯模块连接,用于写入移动机器人传入的原始信息数据;
算法运行模块,与通讯模块连接,用于将移动机器人的原始信息数据传送到算法运行模块;
算法运行模块,还与数据读写模块连接,用于将根据原始数据进行融合计算后所得到的结果写入数据读写模块;
通讯模块,与数据读写模块连接,用于读取移动机器人的原始信息数据和算法运行模块计算结果;
显示模块,与算法运行模块连接,用于显示运行状态和错误信息。
4.根据权利要求3所述的系统,其特征在于,
所述算法运行模块,包括MCU/MPU、SDRAM和NAND FLASH,用于运行模型算法,包括改进式CNN-GRU网络的多源传感器故障诊断算法;
所述数据读写模块包括主控芯片和闪存芯片,所述主控芯片用于控制对闪存芯片的读写方式;所述闪存芯片用于存储动机器人的原始信息数据和根据原始信息数据进行融合计算后所得到的结果;
所述通讯模块包括通信接口子模块、USB接口子模块和切换电路,其中,
通信接口子模块包括I2C、SPI、UART三种通信协议和对应的物理接口,用于与机器人进行数据交换;
USB接口子模块用于与计算机进行数据交换,包括计算机通过USB接口子模块访问闪存芯片中的数据;
切换电路子模块用于切换工作模式,包括故障检测模式或数据读取模式。
5.根据权利要求1所述的系统,其特征在于,
所述系统还包括计算机,所述计算机通过通讯模块与所述故障检测设备连接,用于读取故障检测设备中存储在闪存芯片中的移动机器人的传感器发出的原始信息数据和对原始信息数据进行融合计算的结果。
6.一种基于多传感器融合的移动机器人故障检测方法,其特征在于,所述方法包括以下步骤:
故障检测设备读取并存储移动机器人传入的多个传感器的原始信息数据;
故障检测设备对所述原始信息数据进行融合计算处理,并根据处理结果判断机器人是否故障。
7.根据权利要求6所述的方法,其特征在于,所述根据处理结果判断机器人是否故障,包括,
判断出移动机器人故障时,故障检测设备向移动机器人发出中断信号。
8.根据权利要求6所述的方法,其特征在于,故障检测设备对所述原始信息数据进行处理,具体为,
所述故障检测设备包括数据读写模块、算法运行模块、通讯模块和显示模块,其中,
通讯模块中的切换电路子模块设置为数据读取模式时,通信接口子模块读取移动机器人的原始信息数据,并传送给数据读写模块;
数据读写模块写入移动机器人传入的原始信息数据,并存储于数据读写模块的闪存芯片中;
通讯模块中的切换电路子模块设置为故障检测模式,算法运行模块对所述原始信息数据进行计算,并将计算结果存储于数据读写模块的闪存芯片中;
显示模块实时显示故障检测设备的运行状态和错误信息。
9.根据权利要求8所述的方法,其特征在于,
所述算法运行模块包括MCU/MPU、SDRAM和NAND FLASH,其中,
MCU/MPU对原始信息数据进行运算和控制;
SDRAM存储运行过程中的临时数据,包括中间结果和运行程序;
NAND FLASH对原始信息数据进行运算结果进行存储。
10.根据权利要求6所述的方法,其特征在于,所述方法还包括,
计算机通过所述故障检测设备的通讯模块,读取故障检测设备的闪存芯片中的移动机器人的原始信息数据和故障检测设备对原始信息数据处理的结果,其中,
通讯模块中的切换电路子模块设置为数据读取模式,USB接口子模块将所述原始信息数据和故障检测设备的处理结果,传送给计算机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210495349.1A CN114964841A (zh) | 2022-05-07 | 2022-05-07 | 基于多传感器融合的移动机器人故障检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210495349.1A CN114964841A (zh) | 2022-05-07 | 2022-05-07 | 基于多传感器融合的移动机器人故障检测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114964841A true CN114964841A (zh) | 2022-08-30 |
Family
ID=82981756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210495349.1A Pending CN114964841A (zh) | 2022-05-07 | 2022-05-07 | 基于多传感器融合的移动机器人故障检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114964841A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1588305A (zh) * | 2004-08-19 | 2005-03-02 | 西安交通大学 | 开关设备在线状态监测专用芯片的设计方法 |
CN201991567U (zh) * | 2011-03-15 | 2011-09-28 | 王军号 | 基于物联网用于煤矿瓦斯监测的智能移动Sink节点及其系统 |
CN102628738A (zh) * | 2012-03-26 | 2012-08-08 | 上海交通大学 | 厚板轧机agc伺服阀状态监测与故障诊断系统 |
CN107621368A (zh) * | 2017-09-04 | 2018-01-23 | 江西洪都航空工业集团有限责任公司 | 一种基于教练机的发动机专家诊断系统 |
CN109129574A (zh) * | 2018-11-08 | 2019-01-04 | 山东大学 | 服务机器人运动系统云端故障诊断系统及方法 |
US20190143541A1 (en) * | 2017-11-16 | 2019-05-16 | Google Llc | Component feature detector for robotic systems |
WO2019167170A1 (ja) * | 2018-02-28 | 2019-09-06 | 日産自動車株式会社 | 異常検出装置及び異常検出方法 |
CN110231156A (zh) * | 2019-06-26 | 2019-09-13 | 山东大学 | 基于时序特征的服务机器人运动系统故障诊断方法及装置 |
CN111967486A (zh) * | 2020-06-02 | 2020-11-20 | 安徽三禾一信息科技有限公司 | 一种基于多传感器融合的复杂装备故障诊断方法 |
CN113533962A (zh) * | 2021-07-29 | 2021-10-22 | 上海交通大学 | 基于多物理信号传感器决策融合的感应电机健康诊断系统 |
-
2022
- 2022-05-07 CN CN202210495349.1A patent/CN114964841A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1588305A (zh) * | 2004-08-19 | 2005-03-02 | 西安交通大学 | 开关设备在线状态监测专用芯片的设计方法 |
CN201991567U (zh) * | 2011-03-15 | 2011-09-28 | 王军号 | 基于物联网用于煤矿瓦斯监测的智能移动Sink节点及其系统 |
CN102628738A (zh) * | 2012-03-26 | 2012-08-08 | 上海交通大学 | 厚板轧机agc伺服阀状态监测与故障诊断系统 |
CN107621368A (zh) * | 2017-09-04 | 2018-01-23 | 江西洪都航空工业集团有限责任公司 | 一种基于教练机的发动机专家诊断系统 |
US20190143541A1 (en) * | 2017-11-16 | 2019-05-16 | Google Llc | Component feature detector for robotic systems |
WO2019167170A1 (ja) * | 2018-02-28 | 2019-09-06 | 日産自動車株式会社 | 異常検出装置及び異常検出方法 |
CN109129574A (zh) * | 2018-11-08 | 2019-01-04 | 山东大学 | 服务机器人运动系统云端故障诊断系统及方法 |
CN110231156A (zh) * | 2019-06-26 | 2019-09-13 | 山东大学 | 基于时序特征的服务机器人运动系统故障诊断方法及装置 |
CN111967486A (zh) * | 2020-06-02 | 2020-11-20 | 安徽三禾一信息科技有限公司 | 一种基于多传感器融合的复杂装备故障诊断方法 |
CN113533962A (zh) * | 2021-07-29 | 2021-10-22 | 上海交通大学 | 基于多物理信号传感器决策融合的感应电机健康诊断系统 |
Non-Patent Citations (2)
Title |
---|
代康,谢凯: "基于物联网的分拣机器人故障检测系统设计", 《计算机测量与控制》 * |
侯宪伦等: "基于CAN总线的移动机器人控制系统设计", 《山东科学》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112668237B (zh) | 一种基于工业互联网云平台的数字孪生模型及其构建方法 | |
CN112926641B (zh) | 基于多模态数据的三阶段特征融合旋转机械故障诊断方法 | |
Sitte et al. | Demand-compliant design | |
CN115562158A (zh) | 一种数字孪生驱动的数控机床智能诊断方法、系统及终端机 | |
US11544567B2 (en) | Network structure processing method and device and related products | |
WO2024022354A1 (zh) | 结合rpa及ai实现ia的对象推荐方法、装置及存储介质 | |
CN115617628A (zh) | 一种数字孪生系统、研发方法、设备和存储介质 | |
Lu et al. | Fault diagnosis of industrial robot based on dual-module attention convolutional neural network | |
CN113392749A (zh) | 一种基于gaf-vgg的滚动轴承故障诊断方法及装置 | |
CN109635706A (zh) | 基于神经网络的手势识别方法、设备、存储介质及装置 | |
CN114964841A (zh) | 基于多传感器融合的移动机器人故障检测系统及方法 | |
CN117011609A (zh) | 纺织品加工进度自动跟踪系统及其方法 | |
CN107291597A (zh) | 一种基于多核异构处理器的运维多模态决策感知系统 | |
CN113139650A (zh) | 深度学习模型的调优方法和计算装置 | |
CN113255701B (zh) | 一种基于绝对-相对学习架构的小样本学习方法和系统 | |
CN113703637A (zh) | 巡检任务代码化方法、装置、电子设备和计算机存储介质 | |
CN115291561A (zh) | 一种制造系统与装备虚拟调试平台、方法、设备及应用 | |
Deng et al. | A method for reliability detection of automated guided vehicle based on timed automata | |
EP4086811A1 (en) | Problematic behavior classification system and method based on deep neural network algorithm | |
CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 | |
CN117786507B (zh) | 全局和局部特征耦合指导的滚动轴承未知故障检测方法 | |
CN117150438B (zh) | 基于边缘计算的通信数据融合方法及系统 | |
CN114415602B (zh) | 工业设备的监控方法、装置、系统和存储介质 | |
CN117495421A (zh) | 基于电力通信网建设的电网通信工程造价预测方法 | |
CN116820778A (zh) | 边缘设备资源分配方法、系统、装置、设备及介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220830 |