CN115346034B - 一种基于5g网络的机器人远程诊断与维护方法及系统 - Google Patents
一种基于5g网络的机器人远程诊断与维护方法及系统 Download PDFInfo
- Publication number
- CN115346034B CN115346034B CN202211264958.2A CN202211264958A CN115346034B CN 115346034 B CN115346034 B CN 115346034B CN 202211264958 A CN202211264958 A CN 202211264958A CN 115346034 B CN115346034 B CN 115346034B
- Authority
- CN
- China
- Prior art keywords
- preliminary
- diagnosis
- result
- final
- test
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种基于5G网络的机器人远程诊断与维护方法及系统,涉及数据处理技术领域,通过根据机器人运行图像信息获得初步诊断结果,并在初步诊断结果不符合预设要求时,将初步运行状态诊断结果传输至机器人运维主体,运维主体根据初步诊断结果获得测试参数并传输回机器人进行测试,通过最终运行状态诊断模型处理测试结果获得最终诊断结果对机器人进行维护。解决现有技术中机器人远程诊断检测过程耗时较长且诊断结果准确度较低不利于机器人程序故障缺陷的快速修复的技术问题。达到提高机器人远程诊断的诊断效率和诊断结果准确度,技术人员基于诊断结果快速进行机器人软硬件维护,使机器人恢复预设运行功能的技术效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于5G网络的机器人远程诊断与维护方法及系统。
背景技术
机器人是能够辅助或完全替代人类完成重复性或危险性劳动,保护人类身体以及解放人类的重要工具。随着人工智能的不断发展,机器人的能力也得以提升,逐渐从简单操作能力发展为具备感知决策能力的智能机器。机器人能够完成的行为动作复杂度越高,对应的硬件构成复杂度以及软件程序的复杂度对应提升。
随着机器人发生故障后的诊断难度和维护难度上升,以及机器人应用范围扩大,单一基于技术人员进行现场故障维护处理显然不在能够满足机器人管理需求,远程诊断技术应运而生。
现有技术中存在对机器人进行远程诊断的检测过程耗时较长且诊断结果准确度较低,导致机器人维护管理不及时,不利于机器人程序故障缺陷的快速修复的技术问题。
发明内容
本申请提供了一种基于5G网络的机器人远程诊断与维护方法及系统,用于针对解决现有技术中存在对机器人进行远程诊断的检测过程耗时较长且诊断结果准确度较低,导致机器人维护管理不及时,不利于机器人程序故障缺陷的快速修复的技术问题。
鉴于上述问题,本申请提供了一种基于5G网络的机器人远程诊断与维护方法及系统。
本申请的第一个方面,提供了一种基于5G网络的机器人远程诊断与维护方法,所述方法包括:基于物联网,采集获取目标机器人的运行图像信息,获得目标图像信息;基于边缘计算,将所述目标图像信息输入预构建的初步运行状态诊断模型内,获得初步诊断结果;判断所述初步诊断结果是否符合预设要求,若是,则将所述初步运行状态诊断结果保存,若否,则将所述初步运行状态诊断结果保存,并基于5G网络,将所述初步运行状态诊断结果传输至中心化的机器人运维主体内;在所述运维主体内,根据所述初步诊断结果,获得测试参数;通过5G网络,采用所述测试参数对所述目标机器人进行测试,获得测试结果;将所述测试结果输入预构建的最终运行状态诊断模型内,获得最终诊断结果;根据所述最终诊断结果,对所述目标机器人进行维护。
本申请的第二个方面,提供了一种基于5G网络的机器人远程诊断与维护系统,所述系统包括:运行图像采集模块,用于基于物联网,采集获取目标机器人的运行图像信息,获得目标图像信息;初步诊断执行模块,用于基于边缘计算,将所述目标图像信息输入预构建的初步运行状态诊断模型内,获得初步诊断结果;诊断结果判断模块,用于判断所述初步诊断结果是否符合预设要求,若是,则将所述初步运行状态诊断结果保存,若否,则将所述初步运行状态诊断结果保存,并基于5G网络,将所述初步运行状态诊断结果传输至中心化的机器人运维主体内;测试参数获得模块,用于在所述运维主体内,根据所述初步诊断结果,获得测试参数;测试结果获得模块,用于通过5G网络,采用所述测试参数对所述目标机器人进行测试,获得测试结果;诊断结果生成模块,用于将所述测试结果输入预构建的最终运行状态诊断模型内,获得最终诊断结果;维护处理执行模块,用于根据所述最终诊断结果,对所述目标机器人进行维护。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的方法通过基于物联网,采集获取目标机器人的运行图像信息,获得目标图像信息,为后续进行程序故障判断提供运行图像参考信息;基于边缘计算,将所述目标图像信息输入预构建的初步运行状态诊断模型内,获得初步诊断结果,基于初步运行状态诊断模型进行初步诊断,降低故障诊断对于人工经验的需求;判断所述初步诊断结果是否符合预设要求,若是,则将所述初步运行状态诊断结果保存,若否,则将所述初步运行状态诊断结果保存,并基于5G网络,将所述初步运行状态诊断结果传输至中心化的机器人运维主体内;在所述运维主体内,根据所述初步诊断结果,获得测试参数,测试参数作为输出指令便于进行机器人内部对应功能程序的单独运行分析,通过5G网络,采用所述测试参数对所述目标机器人进行测试,获得测试结果;将所述测试结果输入预构建的最终运行状态诊断模型内,获得最终诊断结果,根据所述最终诊断结果,对所述目标机器人进行维护。达到了提高机器人远程诊断的诊断效率和诊断结果准确度,降低机器人故障检测对于人工的依赖,技术人员可直接基于诊断结果快速进行机器人的软硬件维护,使机器人恢复预设运行功能的技术效果。
附图说明
图1为本申请提供的一种基于5G网络的机器人远程诊断与维护方法流程示意图;
图2为本申请提供的一种基于5G网络的机器人远程诊断与维护方法中构建初步运行状态诊断模型的流程示意图;
图3为本申请提供的一种基于5G网络的机器人远程诊断与维护方法中获得最终诊断结果的流程示意图;
图4为本申请提供的一种基于5G网络的机器人远程诊断与维护系统的结构示意图。
附图标记说明:运行图像采集模块11,初步诊断执行模块12,诊断结果判断模块13,测试参数获得模块14,测试结果获得模块15,诊断结果生成模块16,维护处理执行模块17。
具体实施方式
本申请提供了一种基于5G网络的机器人远程诊断与维护方法及系统,用于针对解决现有技术中存在对机器人进行远程诊断的检测过程耗时较长且诊断结果准确度较低,导致机器人维护管理不及时,不利于机器人程序故障缺陷的快速修复的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
获取机器人运行图像,通过比对分析确定机器人运行状态是否与预设运行状态存在差异,并根据运行差异获得进行程序诊断的诊断指令,基于诊断指令进行对应机器人程序测试,获得程序测试结果根据程序测试结果确定机器人存在的运行差异原因,辅助技术人员进行故障差异程序的处理。实现提高机器人远程诊断的诊断效率和诊断结果准确度,降低机器人故障检测对于人工的依赖,技术人员可直接基于诊断结果快速进行机器人的软硬件维护。本申请能够适用于工业机器人、协作机器人、AGV搬运机器人等,如四轴机器人或六轴机器人等。
实施例一
如图1所示,本申请提供了一种基于5G网络的机器人远程诊断与维护方法,所述方法包括:
S100:基于物联网,采集获取目标机器人的运行图像信息,获得目标图像信息;
具体而言,所述目标机器人为包括但不限于各类民用机器人和工业机器人的可进行半自主或全自主运行工作的智能机器,本实施例对于进行5G远程诊断的目标机器人类型不做限制,为提高基于5G网络的机器人远程诊断与维护系统的使用性能,在本实施例中,所述目标机器人优选为工作精度要求较高,机器人设计精密度较高,诊断维护难度较高的智能机器。
在本实施例中,基于图像采集装置获取所述目标机器人运行装状态下多角度的运行图像,构成无视觉死角的所述运行图像信息,作为用于进行所述目标机器人远程诊断维护用途的所述目标图像信息。
S200:基于边缘计算,将所述目标图像信息输入预构建的初步运行状态诊断模型内,获得初步诊断结果;
进一步的,所述基于边缘计算,将所述目标图像信息输入预构建的初步运行状态诊断模型内,本申请提供的方法步骤S200还包括:
S210:基于边缘计算,在所述目标机器人接近的服务器内,构建所述初步运行状态诊断模型;
S220:将所述目标图像信息输入所述初步运行状态诊断模型内,获得所述初步诊断结果。
具体而言,在本实施例中,为提高基于所述目标图像信息分析获得诊断结果的准确度,采用具有低延迟性以及低宽带运行优势的边缘计算构建所述初步运行状态诊断模型,所述初步诊断模型为具有数据测量功能的检测模型,用于测量获取所述目标机器人运行过程中机械臂等工作部件的工作数据以及移动轮等辅助工作部件的工作数据,本实施例对于所述初步运行状态诊断模型的训练方法、训练数据来源以及模型训练收敛要求不作任何限制,技术人员可根据实际应用需求基于边缘计算进行模型构建和训练。
将获得的所述目标图像信息输入所述初步运行状态诊断模型中进行所述目标机器人初步运行状态信息的检测生成,获得包括目标机器人工作部件以及辅助工作部件的运行数据的所述初步诊断结果。
本实施例通过引入基于边缘计算构建的初步运行状态诊断模型进行目标机器人的初步诊断,达到了获得可用于准确判断目标机器人是否存在运行缺陷的运行信息的技术效果,同时为后续进行目标机器人缺陷诊断的测试参数获取提供了数据基础。
S300:判断所述初步诊断结果是否符合预设要求,若是,则将所述初步运行状态诊断结果保存,若否,则将所述初步运行状态诊断结果保存,并基于5G网络,将所述初步运行状态诊断结果传输至中心化的机器人运维主体内;
具体而言,在本实施例中,所述预设要求为目标机器人在设计之处规定的机器人工作部件动作标准要求,例如机械臂运动幅度和运动速率数据。将所述初步诊断结果中的工作部件动作数据与所述预设要求中工作部件的标准动作数据进行比对,进行所述初步诊断结果是否符合预设要求的确定。
当所述初步诊断结果符合预设要求时,则将所述初步运行状态诊断结果结合诊断时间保持至所述目标机器人存储装置内,作为历史诊断数据,以便后期进行诊断时判断新增缺陷发生时间的确定。
反之,当所述初步诊断结果不满足符合预设要求时,表明当前所述目标机器人的工作部件可能存在故障风险,将所述初步运行状态诊断结果保存至所述目标机器人存储装置内,作为历史诊断数据,同时基于5G网络,将所述初步运行状态诊断结果传输至中心化的机器人运维主体内进行所述目标机器人的运行状态诊断处理。
S400:在所述运维主体内,根据所述初步诊断结果,获得测试参数;
进一步的,根据所述初步诊断结果,获得测试参数,本申请提供的方法步骤S400还包括:
S410:构建测试参数映射关系;
S420:将所述初步诊断结果输入所述测试参数映射关系内,获得所述测试参数。
具体而言,所述测试参数为控制目标机器人某一程序片段运行产生对应初步诊断结果的程序片段进行程序代码运行检测的输入指令。
目标机器人基于所述测试参数进行对应程序片段处理,获得输出结果,判断程序片段输出结果与预设的程序输出结果是否一致,完成程序片段检测。
在本实施例中,基于具有映射关系的多个样本初步诊断结果-初步问题类型-样本测试参数构建测试参数映射关系集合,基于所述初步诊断结果生成检索指令,在所述测试参数映射关系内遍历获得与目标机器人的初步诊断结果具有映射关系的测试参数,用于后续进行目标机器人的代码片段运行测试,获得进行目标机器人故障缺陷诊断确定的测试结果。
本实施例通过构建包含多组具有映射关系的诊断结果-故障问题类型-测试数据的测试参数映射关系作为目标机器人测试参数生成库,并根据目标机器人初步诊断结果进行对应测试参数获取,达到了快速且较为准确的对目标机器人可能存在的故障进行检测分析的技术效果。
S500:通过5G网络,采用所述测试参数对所述目标机器人进行测试,获得测试结果;
具体而言,在本实施例中,通过5G网络将所述测试数据从中心化的机器人运维主体传输至所述目标机器人,所述目标机器人基于所述测试参数遍历控制程序获得进行分析处理的程序代码片段。对部分程序代码片段进行单独运行测试,获得测试结果,将测试结果与该程序代码片段的预设输出结果进行比对,确定所述目标机器人出现的不符合预设要求的初步诊断结果的出现原因是软件程序问题还是硬件装置问题。
S600:将所述测试结果输入预构建的最终运行状态诊断模型内,获得最终诊断结果;
进一步的,如图3所示,将所述测试结果输入预构建的最终运行状态诊断模型内,获得最终诊断结果,本申请提供的方法步骤S600还包括:
S610:根据所述多个对应的样本测试参数,获得每种所述样本测试参数测试获得的不同的多个测试结果,获得样本测试结果集合;
S620:根据所述样本测试结果集合内的多种样本测试结果,获得多个对应的最终诊断结果,获得样本最终诊断结果集合;
S630:采用所述样本测试结果集合和所述样本最终诊断结果集合,构建所述最终运行状态诊断模型;
S640:将所述测试结果输入所述最终运行状态诊断模型内,获得所述最终诊断结果。
具体而言,应理解的,导致程序代码出错的程序故障具有多样性,即每一测试参数对应有多种不同的测试结果,且每一测试结果对应有不同的最终诊断结果。
因而在本实施例中,根据所述多个对应的样本测试参数,获得每种所述样本测试参数测试获得的不同的多个测试结果,构成样本测试结果集合,根据所述样本测试结果集合内的多种样本测试结果,获得多个对应的最终诊断结果,获得样本最终诊断结果集合。
采用所述样本测试结果集合和所述样本最终诊断结果集合,构建所述最终运行状态诊断模型,本实施例对于所述最终运行状态诊断模型的模型构建方法和具体的训练过程不做任何限制,技术人员可根据远程诊断的具体需要进行模型构建和训练。
将采用所述测试参数对所述目标机器人进行测试获得的所述测试结果输入所述最终运行状态诊断模型内,获得所述最终诊断结果。
本实施例通过采集多个样本测试参数以及与多个样本参数具有非一一对应关系的多个测试结果作为训练数据进行最终运行状态诊断模型的构建训练,获得可准确分析目标机器人的测试结果对应的设备诊断结果的最终运行状态诊断模型。
S700:根据所述最终诊断结果,对所述目标机器人进行维护。
具体而言,所述最终诊断结果为包括发生程序故障的故障位点定位信息的多组诊断信息集合,技术人员参考所述最终诊断结果无需在目标机器人故障诊断上耗费过多时间即可进行故障维护管理。
本实施例通过基于物联网,采集获取目标机器人的运行图像信息,获得目标图像信息,为后续进行程序故障判断提供运行图像参考信息;基于边缘计算,将所述目标图像信息输入预构建的初步运行状态诊断模型内,获得初步诊断结果,基于初步运行状态诊断模型进行初步诊断,降低故障诊断对于人工经验的需求;判断所述初步诊断结果是否符合预设要求,若是,则将所述初步运行状态诊断结果保存,若否,则将所述初步运行状态诊断结果保存,并基于5G网络,将所述初步运行状态诊断结果传输至中心化的机器人运维主体内;在所述运维主体内,根据所述初步诊断结果,获得测试参数,测试参数作为输出指令便于进行机器人内部对应功能程序的单独运行分析,通过5G网络,采用所述测试参数对所述目标机器人进行测试,获得测试结果;将所述测试结果输入预构建的最终运行状态诊断模型内,获得最终诊断结果,根据所述最终诊断结果,对所述目标机器人进行维护。达到了提高机器人远程诊断的诊断效率和诊断结果准确度,降低机器人故障检测对于人工的依赖,技术人员可直接基于诊断结果快速进行机器人的软硬件维护,使机器人恢复预设运行功能的技术效果。
进一步的,如图2所示,所述基于边缘计算,在所述目标机器人接近的服务器内,构建所述初步运行状态诊断模型,本申请提供的方法步骤S210还包括:
S211:采集获取多个所述目标机器人在不同运行状态下的运行图像信息,获得样本运行图像信息集合;
S212:对所述样本运行图像信息集合内的运行图像信息按照不同的运行状态进行标识,获得样本初步诊断结果集合;
S213:基于卷积神经网络,构建所述初步运行状态诊断模型;
S214:对所述样本运行图像信息集合和所述样本初步诊断结果集合进行划分和数据标识,获得第一构建数据集;
S215:采用所述第一构建数据集对所述初步运行状态诊断模型进行交叉训练和验证,直到所述初步运行状态诊断模型的准确率达到预设准确率,获得所述初步运行状态诊断模型。
具体而言,在本实施例中,构建所述初步运行状态诊断模型优选的方法为,基于图像采集装置采集获取多个所述目标机器人在不同运行状态下的无死角运行图像信息生成所述样本运行图像信息集合,作为进行所述初步运行状态诊断模型的训练数据。
基于目标机器人维修诊断人员或设计人员人工经验对所述样本运行图像信息集合内的运行图像信息按照不同的运行状态进行标识,获得样本初步诊断结果集合。
基于边缘计算,在通信距离上靠近机器人的服务器内,构建所述初步运行状态诊断模型并进行模型训练处理。采用将所述样本运行图像信息集合和所述样本初步诊断结果集合划分为训练数据、验证数据以及测试数据并对应进行运行图像信息中工作部件运行数据的数据标识,获得用于进行所述初步运行状态诊断模型训练的所述第一构建数据集。
预设初步运行状态诊断模型的模型输出准确率,作为模型训练结束标识,采用所述第一构建数据集对所述初步运行状态诊断模型进行交叉训练和验证,直到所述初步运行状态诊断模型的准确率达到预设准确率,获得满足预设准确率要求的所述初步运行状态诊断模型。
本实施例基于卷积神经网络构建初步运行状态诊断模型,并基于目标机器人历史数据对初步运行诊断模型进行训练,达到了获得可准确基于目标机器人的运行图像进行目标机器人工作部件运行数据信息的分析获取的初步运行状态诊断模型的技术效果。
进一步的,所述构建测试参数映射关系,本申请提供的方法步骤S410还包括:
S411:根据所述样本初步诊断结果集合,获得多个不同的样本初步诊断结果;
S412:根据所述多个不同的样本初步诊断结果,获得多个初步问题类型;
S413:根据所述多个初步问题类型,获得多个对应的样本测试参数;
S414:根据所述多个不同的样本初步诊断结果、所述多个初步问题类型和所述多个对应的样本测试参数,构建所述测试参数映射关系。
具体而言,在本实施例中,所述样本初步诊断结果集合为基于所述目标机器人的多个样本运行图像信息进行工作部件运行数据标识生成的包括各个工作部件运行数据信息的数据集合。从所述样本初步诊断结果集合,获得多个不同的样本初步诊断结果,根据所述多个不同的样本初步诊断结果,一一分析确定每一样本初步诊断结果存在的机器人问题类型,获得多个初步问题类型,所述初步问题类型包括但不限于机械臂延伸过度或无法衍生,移动轮运动过快或无法移动等。
根据所述多个初步问题类型结合所述目标机器人的设计原理,确定引发初步问题的软件程序,基于软件程序获得多个对应的样本测试参数,根据所述多个不同的样本初步诊断结果、所述多个初步问题类型和所述多个对应的样本测试参数,构建所述测试参数映射关系。
本实施例基于历史诊断结果以及对应的机器人问题类型进行测试数据生成,获得测试参数映射关系集合,达到了提高基于诊断结果进行测试参数获取的效率,缩短对目标机器人进行问题诊断的耗费时间的技术效果。
进一步的,所述采用所述样本测试结果集合和所述样本最终诊断结果集合,构建所述最终运行状态诊断模型,本申请提供的方法步骤S630还包括;
S631:对所述样本测试结果集合和所述样本最终诊断结果集合内的数据进行划分和标识,获得训练集、验证集和测试集;
S632:基于BP神经网络,构建所述最终运行状态诊断模型;
S633:采用所述训练集对所述最终运行状态诊断模型进行监督训练,直到所述最终运行状态诊断模型收敛或达到预设准确率;
S634:采用所述验证集和测试集对所述最终运行状态诊断模型进行验证和测试,若所述最终运行状态诊断模型的准确率达到预设准确率,则获得所述最终运行状态诊断模型。
具体而言,本实施例通过构建并训练最终运行状态诊断模型实现获得准确反映目标机器人存在的故障缺点的最终诊断结果,便于维护人员参考进行目标机器人存在缺陷的精准消除处理。
优选的,本实施例基于BP神经网络,构建所述最终运行状态诊断模型,为提高最终运行状态诊断模型的输出最终诊断结果的输出准确率,通过大量数据进行最终运行状态诊断模型的模型训练。通过对所述样本测试结果集合和所述样本最终诊断结果集合内的数据进行划分和标识,将部分样本测试结果集合作为训练集,将部分样本最终诊断结果作为验证集,训练集中的样本测试结果和验证集中的最终诊断结果具有对应关系,同时将具有对应关系的部分样本测试结果和部分样本最终诊断结果作为测试集。
预设模型输出准确率作为模型训练结束和模型验证合格要求,采用所述训练集对所述最终运行状态诊断模型进行监督训练,直到所述最终运行状态诊断模型收敛或达到预设准确率,采用所述验证集和测试集对所述最终运行状态诊断模型进行验证和测试,若所述最终运行状态诊断模型的准确率达到预设准确率,则获得所述最终运行状态诊断模型。
本实施例通过获取样本测试结果集合和样本最终诊断结果集合内的数据,并按照模型训练需求进行划分和标记,方便计算机进行识别处理,作为最终运行状态诊断模型的训练数据,获得有效且便于模型进行识别处理的训练数据,基于有效训练数据对最终运行状态诊断模型进行监督训练、验证和测试,达到了获得可输出具有较高参考性的最终诊断结果的最终运行状态诊断模型的技术效果。
实施例二
基于与前述实施例中一种基于5G网络的机器人远程诊断与维护方法相同的发明构思,如图4所示,本申请提供了一种基于5G网络的机器人远程诊断与维护系统,其中,所述系统包括:
运行图像采集模块11,用于基于物联网,采集获取目标机器人的运行图像信息,获得目标图像信息;
初步诊断执行模块12,用于基于边缘计算,将所述目标图像信息输入预构建的初步运行状态诊断模型内,获得初步诊断结果;
诊断结果判断模块13,用于判断所述初步诊断结果是否符合预设要求,若是,则将所述初步运行状态诊断结果保存,若否,则将所述初步运行状态诊断结果保存,并基于5G网络,将所述初步运行状态诊断结果传输至中心化的机器人运维主体内;
测试参数获得模块14,用于在所述运维主体内,根据所述初步诊断结果,获得测试参数;
测试结果获得模块15,用于通过5G网络,采用所述测试参数对所述目标机器人进行测试,获得测试结果;
诊断结果生成模块16,用于将所述测试结果输入预构建的最终运行状态诊断模型内,获得最终诊断结果;
维护处理执行模块17,用于根据所述最终诊断结果,对所述目标机器人进行维护。
进一步的,所述初步诊断执行模块12还包括:
诊断模型生成单元,用于基于边缘计算,在所述目标机器人接近的服务器内,构建所述初步运行状态诊断模型;
诊断结果生成单元,用于将所述目标图像信息输入所述初步运行状态诊断模型内,获得所述初步诊断结果。
进一步的,所述诊断模型生成单元还包括:
样本图像采集单元,用于采集获取多个所述目标机器人在不同运行状态下的运行图像信息,获得样本运行图像信息集合;
样本图像标识单元,用于对所述样本运行图像信息集合内的运行图像信息按照不同的运行状态进行标识,获得样本初步诊断结果集合;
诊断模型处理单元,用于基于卷积神经网络,构建所述初步运行状态诊断模型;
诊断结果处理单元,用于对所述样本运行图像信息集合和所述样本初步诊断结果集合进行划分和数据标识,获得第一构建数据集;
模型训练执行单元,用于采用所述第一构建数据集对所述初步运行状态诊断模型进行交叉训练和验证,直到所述初步运行状态诊断模型的准确率达到预设准确率,获得所述初步运行状态诊断模型。
进一步的,所述测试参数获得模块14还包括:
参数关系构建单元,用于构建测试参数映射关系;
测试参数获得单元,用于将所述初步诊断结果输入所述测试参数映射关系内,获得所述测试参数。
进一步的,所述参数关系构建单元还包括:
诊断结果获得单元,用于根据所述样本初步诊断结果集合,获得多个不同的样本初步诊断结果;
诊断结果分析单元,用于根据所述多个不同的样本初步诊断结果,获得多个初步问题类型;
测试参数获得单元,用于根据所述多个初步问题类型,获得多个对应的样本测试参数;
参数映射构建单元,用于根据所述多个不同的样本初步诊断结果、所述多个初步问题类型和所述多个对应的样本测试参数,构建所述测试参数映射关系。
进一步的,所述诊断结果生成模块16还包括:
样本测试执行单元,用于根据所述多个对应的样本测试参数,获得每种所述样本测试参数测试获得的不同的多个测试结果,获得样本测试结果集合;
诊断结果生成单元,用于根据所述样本测试结果集合内的多种样本测试结果,获得多个对应的最终诊断结果,获得样本最终诊断结果集合;
状态模型生成单元,用于采用所述样本测试结果集合和所述样本最终诊断结果集合,构建所述最终运行状态诊断模型;
诊断结果输出单元,用于将所述测试结果输入所述最终运行状态诊断模型内,获得所述最终诊断结果。
进一步的,所述状态模型生成单元还包括;
样本数据划分单元,用于对所述样本测试结果集合和所述样本最终诊断结果集合内的数据进行划分和标识,获得训练集、验证集和测试集;
诊断模型构建单元,用于基于BP神经网络,构建所述最终运行状态诊断模型;
模型训练执行单元,用于采用所述训练集对所述最终运行状态诊断模型进行监督训练,直到所述最终运行状态诊断模型收敛或达到预设准确率;
诊断模型训练单元,用于采用所述验证集和测试集对所述最终运行状态诊断模型进行验证和测试,若所述最终运行状态诊断模型的准确率达到预设准确率,则获得所述最终运行状态诊断模型。
综上所述的任意一项方法或者步骤可作为计算机指令或程序存储在各种不限类型的计算机存储器中,通过各种不限类型的计算机处理器识别计算机指令或程序,进而实现上述任一项方法或者步骤。
基于本发明的上述具体实施例,本技术领域的技术人员在不脱离本发明原理的前提下,对本发明所作的任何改进和修饰,皆应落入本发明的专利保护范围。
Claims (7)
1.一种基于5G网络的机器人远程诊断与维护方法,其特征在于,所述方法包括:
基于物联网,采集获取目标机器人的运行图像信息,获得目标图像信息;
基于边缘计算,将所述目标图像信息输入预构建的初步运行状态诊断模型内,获得初步诊断结果,其中包括:基于边缘计算,在所述目标机器人接近的服务器内,构建所述初步运行状态诊断模型;将所述目标图像信息输入所述初步运行状态诊断模型内,获得所述初步诊断结果;
判断所述初步诊断结果是否符合预设要求,若是,则将所述初步运行状态诊断结果保存,若否,则将所述初步运行状态诊断结果保存,并基于5G网络,将所述初步运行状态诊断结果传输至中心化的机器人运维主体内;
在所述运维主体内,根据所述初步诊断结果,获得测试参数;
通过5G网络,采用所述测试参数对所述目标机器人进行测试,获得测试结果;
将所述测试结果输入预构建的最终运行状态诊断模型内,获得最终诊断结果;
根据所述最终诊断结果,对所述目标机器人进行维护。
2.根据权利要求1所述的方法,其特征在于,所述基于边缘计算,在所述目标机器人接近的服务器内,构建所述初步运行状态诊断模型,包括:
采集获取多个所述目标机器人在不同运行状态下的运行图像信息,获得样本运行图像信息集合;
对所述样本运行图像信息集合内的运行图像信息按照不同的运行状态进行标识,获得样本初步诊断结果集合;
基于卷积神经网络,构建所述初步运行状态诊断模型;
对所述样本运行图像信息集合和所述样本初步诊断结果集合进行划分和数据标识,获得第一构建数据集;
采用所述第一构建数据集对所述初步运行状态诊断模型进行交叉训练和验证,直到所述初步运行状态诊断模型的准确率达到预设准确率,获得所述初步运行状态诊断模型。
3.根据权利要求2所述的方法,其特征在于,根据所述初步诊断结果,获得测试参数,包括:
构建测试参数映射关系;
将所述初步诊断结果输入所述测试参数映射关系内,获得所述测试参数。
4.根据权利要求3所述的方法,其特征在于,所述构建测试参数映射关系,包括:
根据所述样本初步诊断结果集合,获得多个不同的样本初步诊断结果;
根据所述多个不同的样本初步诊断结果,获得多个初步问题类型;
根据所述多个初步问题类型,获得多个对应的样本测试参数;
根据所述多个不同的样本初步诊断结果、所述多个初步问题类型和所述多个对应的样本测试参数,构建所述测试参数映射关系。
5.根据权利要求4所述的方法,其特征在于,将所述测试结果输入预构建的最终运行状态诊断模型内,获得最终诊断结果,包括:
根据所述多个对应的样本测试参数,获得每种所述样本测试参数测试获得的不同的多个测试结果,获得样本测试结果集合;
根据所述样本测试结果集合内的多种样本测试结果,获得多个对应的最终诊断结果,获得样本最终诊断结果集合;
采用所述样本测试结果集合和所述样本最终诊断结果集合,构建所述最终运行状态诊断模型;
将所述测试结果输入所述最终运行状态诊断模型内,获得所述最终诊断结果。
6.根据权利要求5所述的方法,其特征在于,所述采用所述样本测试结果集合和所述样本最终诊断结果集合,构建所述最终运行状态诊断模型,包括:
对所述样本测试结果集合和所述样本最终诊断结果集合内的数据进行划分和标识,获得训练集、验证集和测试集;
基于BP神经网络,构建所述最终运行状态诊断模型;
采用所述训练集对所述最终运行状态诊断模型进行监督训练,直到所述最终运行状态诊断模型收敛或达到预设准确率;
采用所述验证集和测试集对所述最终运行状态诊断模型进行验证和测试,若所述最终运行状态诊断模型的准确率达到预设准确率,则获得所述最终运行状态诊断模型。
7.一种基于5G网络的机器人远程诊断与维护系统,其特征在于,所述系统包括:
运行图像采集模块,用于基于物联网,采集获取目标机器人的运行图像信息,获得目标图像信息;
初步诊断执行模块,用于基于边缘计算,将所述目标图像信息输入预构建的初步运行状态诊断模型内,获得初步诊断结果,其中包括:诊断模型生成单元,用于基于边缘计算,在所述目标机器人接近的服务器内,构建所述初步运行状态诊断模型;诊断结果生成单元,用于将所述目标图像信息输入所述初步运行状态诊断模型内,获得所述初步诊断结果;
诊断结果判断模块,用于判断所述初步诊断结果是否符合预设要求,若是,则将所述初步运行状态诊断结果保存,若否,则将所述初步运行状态诊断结果保存,并基于5G网络,将所述初步运行状态诊断结果传输至中心化的机器人运维主体内;
测试参数获得模块,用于在所述运维主体内,根据所述初步诊断结果,获得测试参数;
测试结果获得模块,用于通过5G网络,采用所述测试参数对所述目标机器人进行测试,获得测试结果;
诊断结果生成模块,用于将所述测试结果输入预构建的最终运行状态诊断模型内,获得最终诊断结果;
维护处理执行模块,用于根据所述最终诊断结果,对所述目标机器人进行维护。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211264958.2A CN115346034B (zh) | 2022-10-17 | 2022-10-17 | 一种基于5g网络的机器人远程诊断与维护方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211264958.2A CN115346034B (zh) | 2022-10-17 | 2022-10-17 | 一种基于5g网络的机器人远程诊断与维护方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115346034A CN115346034A (zh) | 2022-11-15 |
CN115346034B true CN115346034B (zh) | 2023-03-24 |
Family
ID=83957719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211264958.2A Active CN115346034B (zh) | 2022-10-17 | 2022-10-17 | 一种基于5g网络的机器人远程诊断与维护方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115346034B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115922736B (zh) * | 2023-02-22 | 2023-07-18 | 山东德晟机器人股份有限公司 | 一种基于5g网络实现机器人远程控制和远程运维系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102086784A (zh) * | 2010-12-16 | 2011-06-08 | 浙江大学 | 大型汽轮发电机组分布式远程振动监测与故障诊断系统 |
CN108444708A (zh) * | 2018-04-16 | 2018-08-24 | 长安大学 | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 |
CN108663980A (zh) * | 2018-06-11 | 2018-10-16 | 哈尔滨锅炉厂有限责任公司 | 电站锅炉远程在线诊断系统及其在线诊断方法 |
CN110554657A (zh) * | 2019-10-16 | 2019-12-10 | 河北工业大学 | 一种数控机床运行状态健康诊断系统及诊断方法 |
CN114780308A (zh) * | 2022-03-07 | 2022-07-22 | 国网陕西省电力有限公司超高压公司 | 一种基于5g和卫星通信技术的变压器故障远程智能诊断系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109732597A (zh) * | 2018-12-29 | 2019-05-10 | 深圳市越疆科技有限公司 | 一种基于机器人的远程调试方法、装置及控制器 |
CN111007799B (zh) * | 2019-12-18 | 2021-04-27 | 宁波财经学院 | 一种基于神经网络的数控装备远程诊断系统 |
CN111531580B (zh) * | 2020-04-27 | 2023-02-07 | 武汉工程大学 | 一种基于视觉的多工业机器人故障检测方法及系统 |
CN112123338A (zh) * | 2020-09-27 | 2020-12-25 | 国网上海市电力公司 | 一种支持深度学习加速的变电站智能巡检机器人系统 |
CN114821194B (zh) * | 2022-05-30 | 2023-07-25 | 深圳市科荣软件股份有限公司 | 一种设备运行状态识别方法及装置 |
CN115122155B (zh) * | 2022-08-31 | 2022-11-22 | 深圳市玄羽科技有限公司 | 基于工业互联网大数据的机床远程诊断方法及系统 |
CN115129430B (zh) * | 2022-09-01 | 2022-11-22 | 山东德晟机器人股份有限公司 | 一种基于5g网络的机器人远程控制指令下发方法及系统 |
-
2022
- 2022-10-17 CN CN202211264958.2A patent/CN115346034B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102086784A (zh) * | 2010-12-16 | 2011-06-08 | 浙江大学 | 大型汽轮发电机组分布式远程振动监测与故障诊断系统 |
CN108444708A (zh) * | 2018-04-16 | 2018-08-24 | 长安大学 | 基于卷积神经网络的滚动轴承智能诊断模型的建立方法 |
CN108663980A (zh) * | 2018-06-11 | 2018-10-16 | 哈尔滨锅炉厂有限责任公司 | 电站锅炉远程在线诊断系统及其在线诊断方法 |
CN110554657A (zh) * | 2019-10-16 | 2019-12-10 | 河北工业大学 | 一种数控机床运行状态健康诊断系统及诊断方法 |
CN114780308A (zh) * | 2022-03-07 | 2022-07-22 | 国网陕西省电力有限公司超高压公司 | 一种基于5g和卫星通信技术的变压器故障远程智能诊断系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115346034A (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102096730B (zh) | 用于故障模型验证和生效的以软件为中心的方法 | |
CN115346034B (zh) | 一种基于5g网络的机器人远程诊断与维护方法及系统 | |
CN116755451B (zh) | 一种智能巡逻机器人路径规划方法及系统 | |
CN115225463A (zh) | 一种基于it运维的硬件故障监测方法及系统 | |
CN116399630A (zh) | 一种基于设备工况的运行监测管理方法及系统 | |
Liu et al. | An approach for auto bridge inspection based on climbing robot | |
CN110727553A (zh) | 处理器系统故障的预测与诊断方法和装置 | |
JP6823025B2 (ja) | 検査装置及び機械学習方法 | |
CN109213119B (zh) | 基于在线学习的复杂工业关键部件故障预测方法及系统 | |
KR20230071067A (ko) | 인공지능 기반 사출성형 품질관리 플랫폼 시스템 | |
WO2023053029A1 (en) | Method for identifying and characterizing, by means of artificial intelligence, surface defects on an object and cracks on brake discs subjected to fatigue tests | |
CN112015180B (zh) | 一种智能实验小车及其控制系统 | |
CN113624507A (zh) | 一种车辆底盘检测系统 | |
EP3640751A1 (en) | Apparatus for gas analysis and emission prediction | |
CN116258467B (zh) | 一种电力施工管控系统 | |
CN116846892B (zh) | 一种应用边缘计算的能耗智能化监管系统及方法 | |
CN117830961B (zh) | 一种基于图像分析的环保设备运维行为分析方法及系统 | |
RU2779795C1 (ru) | Способ и устройство для предиктивного диагностирования технического состояния промышленных объектов | |
CN115147872B (zh) | 一种考场中教师行为的检测方法及系统 | |
JP7413205B2 (ja) | 自律管制制御装置、自律管制制御システム、および設計方法 | |
CN117216647A (zh) | 车身焊接设备预测性维护及故障诊断方法和系统 | |
CN117606480A (zh) | 一种数据中心巡检方法、装置、设备及存储介质 | |
CN117192369A (zh) | 基于数字孪生技术的曳引电机监测与诊断方法 | |
Zorić et al. | AI-Enhanced Structural Health Monitoring with a Multi-Rotor Aerial Vehicle | |
CN116743803A (zh) | 基于边缘计算的轮机模拟器数据交互单元智能健康监测系统 |
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 |