CN115366157A - 工业机器人维护方法及装置 - Google Patents

Abstract

本申请提供一种工业机器人维护方法及装置，方法包括：基于工业机器人维护语料库及其对应的标注数据集迭代训练预训练语言模型，以使该预训练语言模型输出工业机器人维护语料库对应的实体识别结果，并根据实体识别结果自工业机器人维护语料库中抽取不同实体之间的关系；根据实体识别结果和不同实体之间的关系构建或更新工业机器人知识图谱，以使用户基于该工业机器人知识图谱的查询结果对工业机器人进行故障预测性维护。本申请能够提高工业机器人知识图谱的构建准确性及应用可靠性，并能够有效降低人工成本，提高应用工业机器人知识图谱的查找结果进行工业机器人维护的可靠性及效率。

Description

工业机器人维护方法及装置

技术领域

本申请涉及工业设备维护技术领域，尤其涉及工业机器人维护方法及装置。

背景技术

在工业设备维护领域，逐渐兴起基于数据的故障预测性维护，即提前预测工业设备可能出现的故障，以对该潜在故障提前进行人为干预，实现对工业设备的维护，防患于未然。而工业设备中的工业机器人，因其涵盖更多的电气和机械部件，使得其结构更为复杂，一旦出现故障再进行维修会严重影响其应用可靠性，甚至带来生产损失，因此，针对工业机器人的故障预测性维护已成为本领域的研究重点之一。

目前，工业机器人维护方式通常为：定期在工业机器人的历史维护数据中查找目标部件，来获取该目标部件潜在的故障失效模式及处理措施等，进而针对故障失效模式及处理措施对目标部件进行及时维护以尽量避免其出现故障。然而，在该维护过程中，由于历史维护数据格式不统一且分散，因此需要耗费大量的时间进行人工查找或关键词检索，而为了解决这一问题，另有现有方式中直接根据人工经验建立了异常知识图谱来提高查找目标部件的异常处理方式的效率，但该方式需要耗费大量的人力成本及时间成本从复杂且庞大的工业机器人的历史维护数据中整理出知识图谱所需数据，还容易出现漏填和错填的情况，导致无法保证应用知识图谱进行工业机器人维护的准确性。

发明内容

鉴于此，本申请实施例提供了工业机器人维护方法及装置，以消除或改善现有技术中存在的一个或更多个缺陷。

本申请的一个方面提供了一种工业机器人维护方法，包括：

基于工业机器人维护语料库及其对应的标注数据集迭代训练预训练语言模型，以使该预训练语言模型输出所述工业机器人维护语料库对应的实体识别结果，并根据所述实体识别结果自所述工业机器人维护语料库中抽取不同实体之间的关系；

根据所述实体识别结果和不同实体之间的关系构建或更新工业机器人知识图谱，以使用户基于该工业机器人知识图谱的查询结果对工业机器人进行故障预测性维护。

在本申请的一些实施例中，在所述基于工业机器人维护语料库及其对应的标注数据集迭代训练预训练语言模型之前，还包括：

接收工业机器人的机器人手册和维护记录报告，并设置对应的查询字典，其中，所述查询字典用于存储各个实体类型之间的对应关系，所述实体类型包含有：部件、故障原因、故障失效模式和故障处理措施；

将所述工业机器人的机器人手册和维护记录报告中的数据以所述字典中的各个所述实体类型之间的对应关系进行数据处理，得到对应的工业机器人维护语料库；

生成所述工业机器人维护语料库对应的标注数据集。

在本申请的一些实施例中，所述生成所述工业机器人维护语料库对应的标注数据集，包括：

选取工业机器人维护语料库中预设百分比的已进行实体标注的数据生成第一标注数据集，并将所述工业机器人维护语料库中未包含在所述第一标注数据集中的剩余数据确认为第二数据集；

将所述第一标注数据集作为当前的训练集。

在本申请的一些实施例中，所述基于工业机器人维护语料库及其对应的标注数据集迭代训练预训练语言模型，以使该预训练语言模型输出所述工业机器人维护语料库对应的实体识别结果，包括：

迭代训练步骤：基于当前的训练集训练预训练语言模型，以使该预训练语言模型输出对应的实体识别结果；

判断该实体识别结果是否包含在所述第二数据集中，或者，是否未包含在所述工业机器人维护语料库中且识别结果准确，若是，则更新所述训练集中数据的实体标注，并返回执行所述迭代训练步骤，直至经判断获知所述实体识别结果均包含在所述第一标注数据集中后停止迭代。

在本申请的一些实施例中，所述预训练语言模型包括：Bert+BiLSTM+CRF命名实体模型。

在本申请的一些实施例中，还包括：

接收经工业机器人故障实时监测系统输出的失效预测实体；

基于该失效预测实体自所述工业机器人知识图谱中查找对应的关系及实体，以得到该失效预测实体对应的维护数据；

根据所述维护数据自动创建所述失效预测实体对应的维护工单，并输出该维护工单。

在本申请的一些实施例中，还包括：

接收针对工业机器人维护的问题数据；

自所述问题数据中提取对应的问题目标实体；

基于所述问题目标实体自所述工业机器人知识图谱中查找对应的关系及实体，以生成该问题目标实体对应的答复数据；

输出所述答复数据。

本申请的另一个方面提供了一种工业机器人维护装置，包括：

迭代训练模块，用于基于工业机器人维护语料库及其对应的标注数据集迭代训练预训练语言模型，以使该预训练语言模型输出所述工业机器人维护语料库对应的实体识别结果，并根据所述实体识别结果自所述工业机器人维护语料库中抽取不同实体之间的关系；

图谱创建及应用模块，用于根据所述实体识别结果和不同实体之间的关系构建或更新工业机器人知识图谱，以使用户基于该工业机器人知识图谱的查询结果对工业机器人进行故障预测性维护。

本申请的另一个方面提供了一种电子设备，该电子设备设置在列车上，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的工业机器人维护方法。

本申请的另一个方面提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的工业机器人维护方法。

本申请提供的工业机器人维护方法，基于工业机器人维护语料库及其对应的标注数据集迭代训练预训练语言模型，以使该预训练语言模型输出所述工业机器人维护语料库对应的实体识别结果，并根据所述实体识别结果自所述工业机器人维护语料库中抽取不同实体之间的关系；根据所述实体识别结果和不同实体之间的关系构建或更新工业机器人知识图谱，以使用户基于该工业机器人知识图谱的查询结果对工业机器人进行故障预测性维护；通过基于工业机器人维护语料库及其对应的标注数据集迭代训练预训练语言模型，能够针对人工标注中的错误标注、漏标或重复标注等均能进行自动更正，同样能够有效提高预训练语言模型输出的实体识别结果的准确性，也无需人工对实体识别结果进行一一验证，能够有效降低人工标注及验证成本；通过根据所述实体识别结果和不同实体之间的关系构建或更新工业机器人知识图谱，以使用户基于该工业机器人知识图谱的查询结果对工业机器人进行故障预测性维护，能够有效降低机器人维护对人员经验知识的依赖程度，并提高工业机器人维护的可靠性及效率，能够使得维护人员对工业机器人及时进行故障预测性维护，以有效降低工业机器人发生故障带来的生产损失等。

本申请的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本申请的实践而获知。本申请的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。

本领域技术人员将会理解的是，能够用本申请实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本申请能够实现的上述和其他目的。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，并不构成对本申请的限定。附图中的部件不是成比例绘制的，而只是为了示出本申请的原理。为了便于示出和描述本申请的一些部分，附图中对应部分可能被放大，即，相对于依据本申请实际制造的示例性装置中的其它部件可能变得更大。在附图中：

图1为本申请一实施例中的工业机器人维护方法的总流程示意图。

图2为本申请一实施例中的工业机器人维护方法的一种具体流程示意图。

图3为本申请一实施例中的工业机器人维护方法中步骤030的具体流程示意图。

图4为本申请另一实施例中的工业机器人维护装置的结构示意图。

图5为本申请应用实例中提供的机器人手册和维护记录报告内容举例示意图。

图6为本申请应用实例中提供的数据标注举例示意图。

图7为本申请应用实例中提供的Bert+BiLSTM+CRF命名实体模型的结构举例示意图。

图8为本申请应用实例中提供的迭代训练Bert+BiLSTM+CRF模型的举例示意图。

图9为本申请应用实例中提供的工业机器人知识图谱的局部举例示意图。

图10为本申请应用实例中提供的工业机器人知识图谱在工单生成和自动问答场景中的应用举例示意图。

图11为本申请应用实例中提供的智能问答的流程举例示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本申请做进一步详细说明。在此，本申请的示意性实施方式及其说明用于解释本申请，但并不作为对本申请的限定。

在此，还需要说明的是，为了避免因不必要的细节而模糊了本申请，在附图中仅仅示出了与根据本申请的方案密切相关的结构和/或处理步骤，而省略了与本申请关系不大的其他细节。

应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。

在此，还需要说明的是，如果没有特殊说明，术语“连接”在本文不仅可以指直接连接，也可以表示存在中间物的间接连接。

在下文中，将参考附图描述本申请的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。

知识图谱在通用领域，保险、医疗、旅游等专用领域都有广泛的应用。各类基于预训练模型的定制化方案，在特定领域取得了较好的效果。例如风险投资预测、旅游方案推荐、辅助医疗问诊等等。

然而，在工业机器人领域中的知识图谱应用很少，尤其工业机器人维护领域，即使有现有技术记载了在工业机器人中使用知识图谱，也仅提及了基于异常状态匹配对应异常知识图谱的解决方案，并未提及如何保证在庞大且复杂的工业机器人维护历史数据中如何快速且准确的抽取形成异常知识图谱的元素。而知识图谱在其他领域中的应用，由因其均不具备工业机器人领域的数据特性而无法简单、直接的迁移至工业机器人领域。

因此，经过大量的研究及验证，本申请设计了一种工业机器人维护方法，能够有效提高工业机器人知识图谱的构建准确性及应用可靠性，并能够有效降低人工成本，进而能够提高应用工业机器人知识图谱的查找结果进行工业机器人维护的可靠性及效率，能够使得维护人员对工业机器人及时进行故障预测性维护，以有效降低工业机器人发生故障带来的生产损失等。

具体通过下述实施例进行详细说明。

基于此，本申请实施例提供一种工业机器人维护方法，参见图1，所述工业机器人维护方法具体包含有如下内容：

步骤100：基于工业机器人维护语料库及其对应的标注数据集迭代训练预训练语言模型，以使该预训练语言模型输出所述工业机器人维护语料库对应的实体识别结果，并根据所述实体识别结果自所述工业机器人维护语料库中抽取不同实体之间的关系。

可以理解的是，所述工业机器人维护语料库至少包含有工业机器人的各个部件、各个部件的故障失效模式（也可以称之为：现象）以及故障处理措施（也可以称之为：应急措施）等等，还可以包含有各个部件发生过故障或可能潜在的故障原因。

在一种具体举例中，部件可以为：“电机”；该部件的现象可以为：“过流”；该部件的故障处理措施可以为：“排除故障并通过操作控制屏上的确认键对故障信号复位”；该部件的故障原因可以为：“每根轴的电流都受到监视并且在电流输出过大时触发放大器内部的电流保护装置”。

在步骤100中，工业机器人维护装置可以直接获取预存储在本地的或自其他数据库调取所述工业机器人维护语料库，以提高构建工业机器人知识图谱的效率；

而工业机器人维护装置也可以先获取工业机器人的基础维护数据并对这些数据进行预处理后形成语料库，该种方式可以从基础数据处理开始，从整体上提高工业机器人维护语料库的应用可靠性，还可以适用于不断更新的工业机器人的基础维护数据，能够有效更新及完善工业机器人知识图谱，因此可以在本申请的另一实施例中，可以在步骤100之前先行生成工业机器人维护语料库，具体处理方式在下述实施例中进行详细说明。

可以理解的是，所述标注数据集是指对工业机器人维护语料库中的全部或部分数据进行实体标注后得到的训练集。

基于此，步骤100中，通过采用工业机器人维护语料库及其对应的标注数据集，迭代训练预训练语言模型，相较于现有技术中直接采用标注训练集训练机器学习模型的方式，能够有效降低对标注数据集的人工标注成本。

其一，可以通过对工业机器人维护语料库中的数据进行部分人工标注以形成第一标注数据集，并将该第一标注数据集作为训练集对预训练语言模型进行训练，而后根据训练结果与工业机器人维护语料库剩余数据形成的第二数据集判定当前预训练语言模型的训练效果是否满足要求，若不满足，则更新第一标注数据集后再对预训练语言模型进行迭代训练，这样，无需人工对工业机器人维护语料库进行全部数据的实体标注，也能有效提高预训练语言模型输出的实体识别结果的准确性，同时，也无需人工对实体识别结果进行一一验证，能够有效降低人工成本（包含标签标注及验证的时间成本及金钱成本等）。

其二，还可以对工业机器人维护语料库中的数据进行全部人工标注形成完整标注数据集，并自该完整标注数据集中提取部分标注数据以形成第三标注数据集，并将该第三标注数据集为训练集对预训练语言模型进行训练，而后根据训练结果与工业机器人维护语料库中剩余数据形成的第四数据集判定当前预训练语言模型的训练效果是否满足要求，若不满足，则更新第三标注数据集后再对预训练语言模型进行迭代训练，这样，可以直接采用市面上已全部人工标注的完整标注数据集，能够有效提高本方案的使用广泛性，同时，针对人工标注中的错误标注、漏标或重复标注等均能进行自动更正，同样能够有效提高预训练语言模型输出的实体识别结果的准确性，也无需人工对实体识别结果进行一一验证，能够有效降低人工成本（包含标签标注及验证的时间成本及金钱成本等。

在本申请的一个或多个实施例中，所述实体并非单指工业机器人的各个部件，还包含有前述的各个部件的故障失效模式（也可以称之为：现象）以及故障处理措施（也可以称之为：应急措施）等等，还可以包含有各个部件发生过故障或可能潜在的故障原因。

在一种具体举例中，工业机器人维护语料库中的数据“机器人在生产中电机过流”对应的实体至少包含有：“机器人”、 “电机”和“过流”，且这三者中的实体“机器人”和实体“电机”所属的实体类型为：“部件”；实体“过流”所属的实体类型为：“现象”。

基于此，在本申请的一个或多个实施例中，所述实体识别结果和实体标签中均包含有“实体标识和其对应的实体类型”。

另外，在步骤100中，根据所述实体识别结果自所述工业机器人维护语料库中抽取不同实体之间的关系的一种具体方式可以为：工业机器人维护装置输出所述实体识别结果，以使技术人员根据该实体识别结果在所述工业机器人维护语料库中的各条数据中分别抽取不同的实体之间的关系，具体可以形成包含所述实体识别结果和不同实体之间的关系的三元组信息：{实体1、关系、实体2}，其中的实体1和实体2用于表示不同的实体；而后用户可以将抽取到的全部的三元组信息发送至所述工业机器人维护装置，以使该工业机器人维护装置根据全部的三元组信息构建或更新工业机器人知识图谱。

在一种具体举例中，{实体1、关系、实体2}可以为：{平衡缸、包括、轴承}、{平衡缸、现象、卡死}或者{卡死、措施、更换轴承}等等。

以及，步骤100中的根据所述实体识别结果自所述工业机器人维护语料库中抽取不同实体之间的关系的另一种具体方式可以为：工业机器人维护装置调取预设的关系抽取规则对照表，并根据该关系抽取规则对照表和所述实体识别结果在所述工业机器人维护语料库中抽取不同实体之间的关系，也可以形成上述提及的三元组信息，该方式无需人工参与，仅需预先向工业机器人维护装置提供关系抽取规则对照表即可，能够进一步降低人工成本并提高抽取不同实体之间的关系的效率。

而步骤100中的根据所述实体识别结果自所述工业机器人维护语料库中抽取不同实体之间的关系的第三种具体方式可以为：将所述实体识别结果作为新的训练集，采用pipeline方式，对所有实体对进行分类，并且将实体的类型、起止信息编码到句子中，以在进一步降低人工成本并提高抽取不同实体之间的关系的效率的基础上，进一步提高抽取不同实体之间的关系的准确性。

步骤200：根据所述实体识别结果和不同实体之间的关系构建或更新工业机器人知识图谱，以使用户基于该工业机器人知识图谱的查询结果对工业机器人进行故障预测性维护。

在步骤200中，基于该工业机器人知识图谱对工业机器人进行故障预测性维护的基础逻辑为：通过查找知识图谱中的任一目标实体，来获取该目标实体对应的关系和其他实体，由于这些实体均是通过工业机器人维护语料库生成的，因此，若目标实体为部件，则可以借助查找到的目标对应的关系和其他实体来确定针对该部件的故障失效模式以及故障处理措施等，进而输出故障失效模式以及故障处理措施以使维护人员根据该故障失效模式以及故障处理措施对所述部件进行故障预测性维护，降低其发生故障带来的生产损失等。当然，目标实体也可以为除部件外的其他类型的实体，比如用户可以查找未来可能发生“过流”故障的部件，以进行统一的专项排查。

在此基础上，还可以基于工业机器人知识图谱在SAP系统中自动完成工单创建或实现专家问答等进一步的应用，具体在后续实施例中进行详细说明。

从上述描述可知，本申请实施例提供的工业机器人维护方法，通过基于工业机器人维护语料库及其对应的标注数据集迭代训练预训练语言模型，能够针对人工标注中的错误标注、漏标或重复标注等均能进行自动更正，同样能够有效提高预训练语言模型输出的实体识别结果的准确性，也无需人工对实体识别结果进行一一验证，能够有效降低人工标注及验证成本；通过根据所述实体识别结果和不同实体之间的关系构建或更新工业机器人知识图谱，以使用户基于该工业机器人知识图谱的查询结果对工业机器人进行故障预测性维护，能够有效降低机器人维护对人员经验知识的依赖程度，并提高工业机器人维护的可靠性及效率，能够使得维护人员对工业机器人及时进行故障预测性维护，以有效降低工业机器人发生故障带来的生产损失等。

为了进一步提高形成工业机器人维护语料库以及训练集的效率及可靠性，在本申请实施例提供的一种工业机器人维护方法中，参见图2，所述工业机器人维护方法中的步骤100之前还具体包含有如下内容：

步骤010：接收工业机器人的机器人手册和维护记录报告，并设置对应的查询字典，其中，所述查询字典用于存储各个实体类型之间的对应关系，所述实体类型包含有：部件、故障原因、故障失效模式和故障处理措施。

步骤020：将所述工业机器人的机器人手册和维护记录报告中的数据以所述字典中的各个所述实体类型之间的对应关系进行数据处理，得到对应的工业机器人维护语料库。

步骤030：生成所述工业机器人维护语料库对应的标注数据集。

从上述描述可知，本申请实施例提供的工业机器人维护方法，通过采用查询字典设置工业机器人维护语料库，能够有效提高形成工业机器人维护语料库的效率及可靠性，进而能够保证后续应用该工业机器人维护语料库生成训练集的应用可靠性及有效性。

为了进一步实现预训练语言模型的迭代训练，在本申请实施例提供的一种工业机器人维护方法中，参见图3，所述工业机器人维护方法中的步骤030具体包含有如下内容：

步骤031：选取工业机器人维护语料库中预设百分比的已进行实体标注的数据生成第一标注数据集，并将所述工业机器人维护语料库中未包含在所述第一标注数据集中的剩余数据确认为第二数据集。

步骤032：将所述第一标注数据集作为当前的训练集。

在本申请的一个或多个实施例中，所述预设百分比可以根据实际情况确定，具体可以为工业机器人维护语料库中数据的60%~80%之间，优选70%。

在本申请的一个或多个实施例中，对数据进行实体标注的方式可以采用BIO或BIE等标注方式，可以以查询字典方式，将每一句话中包括字典内容的词语进行数据标注。

从上述描述可知，本申请实施例提供的工业机器人维护方法，通过选取工业机器人维护语料库中预设百分比的已进行实体标注的数据生成第一标注数据集，能够有效实现预训练语言模型的迭代训练，进而能够提高样本标注准确性的方式，不断提升模型能力，且无需人工对工业机器人维护语料库进行全部数据的实体标注，也能有效提高预训练语言模型输出的实体识别结果的准确性，同时，也无需人工对实体识别结果进行一一验证，能够有效降低人工成本（包含标签标注及验证的时间成本及金钱成本等）。

为了提高样本标注准确性，不断提升模型能力，在本申请实施例提供的一种工业机器人维护方法中，参见图2，所述工业机器人维护方法中的步骤200具体包含有如下内容：

步骤210：迭代训练步骤：基于当前的所述训练集训练预训练语言模型，以使该预训练语言模型输出对应的实体识别结果；

步骤220：判断该实体识别结果是否包含在所述第二数据集中，或者，是否未包含在所述工业机器人维护语料库中且识别结果准确，若是，则更新所述训练集中数据的实体标注，并返回执行所述迭代训练步骤，直至经判断获知所述实体识别结果均包含在所述第一标注数据集中后停止迭代。

另，还可以通过额外追加字典或者追加语料的方式，增强获得图谱的范围。

从上述描述可知，本申请实施例提供的工业机器人维护方法，通过提高样本标注准确性的方式，不断提升模型能力，即可获得完整的工业机器人知识图谱，能够针对人工标注中的错误标注、漏标或重复标注等均能进行自动更正，同样能够有效提高预训练语言模型输出的实体识别结果的准确性，也无需人工对实体识别结果进行一一验证，能够有效降低人工标注及验证成本。

为了进一步提升预训练语言模型的准确率，在本申请提供的一种工业机器人维护方法的实施例中，所述预训练语言模型包括：Bert+BiLSTM+CRF命名实体模型。

具体来说，基于Bert（Bidirectional Encoder Representation fromTransformers）的预训练中文模型并在输出层引入双向长短记忆网络Bilstm（Bi-directional Long Short-Term Memory）+条件随机场CRF（Conditional Random Fields）模型使用训练集数据训练，得到训练后的工业机器人实体识别模型。Bilstm和CRF都是增加了文本间理解的信息。BERT的动态词向量获取能力很强，但在计算的过程当中是弱化了位置信息的，而在序列标注任务当中位置信息是很有必要的，甚至方向信息也很有必要，所以用Bilstm习得观测序列上的依赖关系，最后再用CRF习得状态序列的关系并得到答案。CRF层可以为最后预测的标签添加一些约束来保证预测的标签是合法的。在训练数据训练过程中，这些约束可以通过CRF层自动学习到，进而提升模型的准确率。

从上述描述可知，本申请实施例提供的工业机器人维护方法，通过采用Bert+BiLSTM+CRF命名实体模型，用Bilstm习得观测序列上的依赖关系，最后再用CRF习得状态序列的关系并得到答案；CRF层可以为最后预测的标签添加一些约束来保证预测的标签是合法的。在训练数据训练过程中，这些约束可以通过CRF层自动学习到，通过CRF模型避免能够有效避免标注顺序错误结果的采纳，进而提升预训练语言模型的准确率。

可以理解的是，实体识别模型训练还有很多方式，GPT-2 、百度文心大模型等等，都可以实现实体抽取。本研究目标在于从海量工业机器人语料库中构建成完整的知识图谱。涉及自然语言理解的预训练模型都能完成，实现方式不是目的，最终的图谱结果是智能系统的必须接口。本申请是通过不断迭代字典及训练样本方式，实现了图谱的丰富完整。因此，主要点在于基于模型去创建完整的知识图谱并把知识图谱与现场的工作场景相结合，去应用图谱，提高效率。

为了进一步保障工业机器人的运转可靠性，在本申请提供的一种工业机器人维护方法的实施例中，参见图2，所述工业机器人维护方法中的步骤200之后还具体包含有如下内容：

步骤310：接收经工业机器人故障实时监测系统输出的失效预测实体。

步骤320：基于该失效预测实体自所述工业机器人知识图谱中查找对应的关系及实体，以得到该失效预测实体对应的维护数据。

步骤330：根据所述维护数据自动创建所述失效预测实体对应的维护工单，并输出该维护工单，以使用户根据该维护工单对工业机器人进行故障预测性维护。

在一种具体举例中，通过预设的实时数据监控系统获取实时监控数据并进行特征提取后（振动数据转化为频域数据），得出结论如机器人2轴振动赋值超过阈值的信息输入智能维护系统。智能维护系统根据报告结果内容，自动创建维护工单。

从上述描述可知，本申请实施例提供的工业机器人维护方法，利用工业机器人知识图谱创建相应的工单，能够有效指导现场维护，进而能够进一步保障工业机器人的运转可靠性，进一步降低工业机器人发生故障带来的生产损失。

为了进一步保障工业机器人的运转可靠性，在本申请提供的一种工业机器人维护方法的实施例中，参见图2，所述工业机器人维护方法中的步骤200之后还具体包含有如下内容：

步骤410：接收针对工业机器人维护的问题数据。

步骤420：自所述问题数据中提取对应的问题目标实体。

步骤430：基于所述问题目标实体自所述工业机器人知识图谱中查找对应的关系及实体，以生成该问题目标实体对应的答复数据。

步骤440：输出所述答复数据，以使用户根据该答复数据对工业机器人进行故障预测性维护。

在一种具体举例中，用户问答功能，可选是否创建相对应的工单。例如实时监控系统发现平衡缸异响，“平衡缸异响”输入智能维护系统，基于工业知识图谱查询匹配措施是更换平衡缸。那么系统连接机器人流程自动化RPA（Robotic process automation）系统，通过RPA系统在企业管理解决方案软件SAP（System Applications and Products）系统中完成工单创建。

从上述描述可知，本申请实施例提供的工业机器人维护方法，利用工业机器人知识图谱进行针对工业机器人维护的自动问答，能够有效指导现场维护，进而能够进一步保障工业机器人的运转可靠性，进一步降低工业机器人发生故障带来的生产损失。

从软件层面来说，本申请还提供一种用于执行所述工业机器人维护方法中全部或部分内的工业机器人维护装置，参见图4，所述工业机器人维护装置具体包含有如下内容：

迭代训练模块10，用于基于工业机器人维护语料库及其对应的标注数据集迭代训练预训练语言模型，以使该预训练语言模型输出所述工业机器人维护语料库对应的实体识别结果，并根据所述实体识别结果自所述工业机器人维护语料库中抽取不同实体之间的关系；

图谱创建及应用模块20，用于根据所述实体识别结果和不同实体之间的关系构建或更新工业机器人知识图谱，以使用户基于该工业机器人知识图谱的查询结果对工业机器人进行故障预测性维护。

本申请提供的工业机器人维护装置的实施例具体可以用于执行上述实施例中的工业机器人维护方法的实施例的处理流程，其功能在此不再赘述，可以参照上述工业机器人维护方法实施例的详细描述。

所述工业机器人维护装置进行工业机器人维护的部分可以在服务器中执行，而在另一种实际应用情形中，也可以所有的操作都在客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器，用于工业机器人维护的具体处理。

上述的客户端设备可以具有通信模块（即通信单元），可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。

上述服务器与所述客户端设备端之间可以使用任何合适的网络协议进行通信，包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然，所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol，远程过程调用协议)、REST协议(Representational State Transfer，表述性状态转移协议)等。

从上述描述可知，本申请实施例提供的工业机器人维护装置，通过基于工业机器人维护语料库及其对应的标注数据集迭代训练预训练语言模型，能够针对人工标注中的错误标注、漏标或重复标注等均能进行自动更正，同样能够有效提高预训练语言模型输出的实体识别结果的准确性，也无需人工对实体识别结果进行一一验证，能够有效降低人工标注及验证成本；通过根据所述实体识别结果和不同实体之间的关系构建或更新工业机器人知识图谱，以使用户基于该工业机器人知识图谱的查询结果对工业机器人进行故障预测性维护，能够有效降低机器人维护对人员经验知识的依赖程度，并提高工业机器人维护的可靠性及效率，能够使得维护人员对工业机器人及时进行故障预测性维护，以有效降低工业机器人发生故障带来的生产损失等。

为了进一步说明本方案，本申请还提供一种工业机器人维护方法的具体应用实例，涉及中文语言处理、识别技术领域及工业设备维护领域，具体涉及一种基于Bert（预训练语言）模型构建工业机器人知识图谱，并基于知识图谱构建工业机器人的智能维护及专家问答系统。该应用实例能够解决下述问题：

1.工业领域知识图谱应用很少，尤其工业机器人维护领域；

2.培养工业机器人应用专业领域维护专家至少需要3年时间；

3.机器人维护对人知识依赖程度高，人的决策影响措施后的效果。一个错误决策，会导致多个小时的生产停机，带来巨额经济损坏。以车企为例，一小时产量损失30~50台车，折合经济损失达到百万级别。

4.构建出机器人图谱，一方面实时数据进行特征提取后，转入机器人图谱，根据故障预测自动的建立维护工单；另一方面，基于机器人图谱实现智能问答，帮助现场人员更精准定位故障及给出维护措施。

基于此，本申请应用实例提供一种工业机器人维护方法，具体包含有如下内容：

（一）基本原理

a.根据机器人手册及运行原理、维护记录等，获取机器人各部分零件、失效原因、失效模式及故障措施的基础数据，并对机器人日志、维修记录等数据进行信息标注。

b.基于Bert模型，训练标注，获取工业机器人的命名实体。

c.基于实体及关系构建出工业机器人知识图谱。

d.以工业机器人知识图谱为依据，实现监控创建维护工单及智能问答。

（二）具体实施流程

S1：机器人手册中包括机器人各部分的零件，例如可以包括电气和机械件，如驱动器（KSP）、私服电机、轴承、齿轮、平衡缸、控制系统主机等等。同时部分部件包括子部件，如控制系统电脑包括了硬盘、主板、风扇等，汇集所有部件作为查询字典。

S2：机器人手册和维护记录报告包括故障原因、故障失效模式以及故障处理措施，如图5所示，诸如电机温度高、电流过大、信号线短路、更换电机、更换编码器线等等，将原因、模式、措施都归结到字典中。

S3：将字典分为部件、原因、失效模式（现象）、措施，总计4个类别;并通过程序把机器人手册、维修记录的数据按照每一句话进行分隔存储。

S4：以查询字典方式，将每一句话中包括字典内容的词语进行数据标注，可以采用BIO的方式，举例如图6所示，对“UB64 030RB100 5轴电机报警过流，更换5轴电机。”进行实体标注；“B”代表实体中的首字符，“I”代表实体中除首字之外的其他字符，“O”代表其它非实体字符，不具备含义；而“-com”代表实体类型中的“部件”，“-sym”代表实体类型中的“现象”，“-han”代表实体类型中的“解决措施”。

在图6中，由于“UB64 030RB100”、“5轴”、“报警”等均未在字典内容中，因此以“O”进行标识，不关注。

S5：Bert+BiLSTM+CRF模型（或称之为：Bert+BiLSTM+CRF命名实体模型）是：基于Bert的预训练中文模型并在输出层引入Bilstm+CRF模型，其结构如图7所示。在图7中，“CLS”表示句子的开始；“E_CLS”表示编码（词向量）句子开始；“E1”至“E11”分别表示每个字的编码（词向量）；“C”、“T1”至“T11”分别表示句子开始和每个字在bert模型训练的中间输出；“X1”至“X11”分别表示bert模型输出的编码（词向量）。

即使用训练集数据训练，得到训练后的工业机器人实体识别模型。Bilstm和CRF都是增加了文本间理解的信息。BERT的动态词向量获取能力很强，但在计算的过程当中是弱化了位置信息的，而在序列标注任务当中位置信息是很有必要的，甚至方向信息也很有必要，所以用Bilstm习得观测序列上的依赖关系，最后再用CRF习得状态序列的关系并得到答案。CRF层可以为最后预测的标签添加一些约束来保证预测的标签是合法的。在训练数据训练过程中，这些约束可以通过CRF层自动学习到。例如工业机器人部件包括机械手和手臂关节，对于第一个词中的手标注是I，对于第二个词中的手标注是B，所以如果第一次训练结果标注为BIB那就是错误的结果，通过CRF模型避免该问题，进而提升模型的准确率。

S6：为构建完整的工业机器人知识图谱，训练模式采取反复迭代不断增加标注数据（即训练样本）的方式。参见图8，其实现方法为：选取字典中记录中出现高频、中频以及低频的总计70%字典数据进行工业机器人语料库的标注，把标注后的数据输入Bert+BiLSTM+CRF模型中训练。用训练好的模型去预测训练集，那么预测结果可以分为四种情况，第一种是预测结果就是原来的训练集内容（70%的字典）；第二种预测结果不在原训练集，但是在剩余30%的字典中；第三种是预测结果不在字典中，但结果预测正确（需要专家判断）；第四种不在字典中，预测结果错误。 将上述第二种与第三种情况重新对语料库进行标注，再次进行训练。反复上述过程，直到语料库100%利用完成。这样通过提高样本标注准确性的方式，不断提升模型能力，即可获得完整的工业机器人知识图谱所需的实体数据。可以通过额外追加字典或者追加语料的方式，增强获得图谱的范围。

S7：根据三元组信息（实体 关系 实体）生成完整的工业机器人知识图谱，例如{平衡缸 包括 轴承}、{平衡缸 现象 卡死}、{卡死 措施 更换轴承}。最终的数据存储在Neo4j图形化数据库中，所述工业机器人知识图谱的局部举例如图9所示。

S8：构建完整知识图谱后，知识图谱作为基础接口，实现智能维护，其应用包括两个应用场景，分别为工单生成和自动问答，过程举例参见图10。

场景一：通过现有的实时数据监控系统获取实时监控数据，并对该数据进行特征提取后（振动数据转化为频域数据），得出结论如机器人2轴振动赋值超过阈值的信息输入智能维护系统。智能维护系统根据报告结果内容，自动创建维护工单。其中，现有的实时数据监控系统可以生产监控的结果报告。其中，失效预测模型为能够对工业机器人的实时监控数据进行故障失效预测的机器学习模型，可以采用现有能够实现该功能的任意模型，本申请却对此不做限定。

具体来说，自动监控数据，利用RPA（机器人流程自动化技术）与SAP进行接口创建相应的工单，指导现场维护。用户问答功能，可选是否创建相对应的工单。例如实时监控系统发现平衡缸异响，“平衡缸异响”输入智能维护系统，基于工业知识图谱查询匹配措施是更换平衡缸。那么系统连接RPA（Uipath），通过RPA在SAP系统中完成工单创建。

场景二：系统对用户输入的咨询信息进行意图识别，根据意图识别结果查询Neo4j数据库，根据回的结果，实现智能问答，智能问答的流程举例如图11所示。

综上所述，本申请应用实例，针对工业机器人领域未构建完整的知识图谱，没有有效的相关应用的问题，通过基于构建的工业机器人知识图谱，降低对技术人员专业程度的依赖，可以自动化创建维护工单提高效率，同时能够实现专家问答，将经验知识转化输入给现场维护人员。

具体通过：a.基于机器人维护手册和维护记录，以字典方式，反复迭代实现数据高效标注及构建出完整工业机器人知识图谱。b.以构建的工业机器人知识图谱为基础，应用图谱查询实现机器人失效的原因、应对措施输出 c.智能维护系统与RPA（机器人自动化）技术结合，实现SAP工单的自动创建；实现用户咨询问题的智能问答。

本申请实施例还提供了一种电子设备（也即电子设备），该电子设备可以包括处理器、存储器、接收器及发送器，处理器用于执行上述实施例提及的工业机器人维护方法，其中处理器和存储器可以通过总线或者其他方式连接，以通过总线连接为例。该接收器可通过有线或无线方式与处理器、存储器连接。所述电子设备可自所述无线多媒体传感器网络中的传感器接收实时运动数据，并自所述视频采集装置接收原始视频序列。

处理器可以为中央处理器（Central Processing Unit，CPU）。处理器还可以为其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中的工业机器人维护方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的工业机器人维护方法。

存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器中，当被所述处理器执行时，执行实施例中的工业机器人维护方法。

在本申请的一些实施例中，用户设备可以包括处理器、存储器和收发单元，该收发单元可包括接收器和发送器，处理器、存储器、接收器和发送器可通过总线系统连接，存储器用于存储计算机指令，处理器用于执行存储器中存储的计算机指令，以控制收发单元收发信号。

作为一种实现方式，本申请中接收器和发送器的功能可以考虑通过收发电路或者收发的专用芯片来实现，处理器可以考虑通过专用处理芯片、处理电路或通用芯片实现。

作为另一种实现方式，可以考虑使用通用计算机的方式来实现本申请实施例提供的服务器。即将实现处理器，接收器和发送器功能的程序代码存储在存储器中，通用处理器通过执行存储器中的代码来实现处理器，接收器和发送器的功能。

本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现前述工业机器人维护方法的步骤。该计算机可读存储介质可以是有形存储介质，诸如随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。

本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路（ASIC）、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。

需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

本申请中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。

以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域的技术人员来说，本申请实施例可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种工业机器人维护方法，其特征在于，包括：

基于工业机器人维护语料库及其对应的标注数据集迭代训练预训练语言模型，以使该预训练语言模型输出所述工业机器人维护语料库对应的实体识别结果，并根据所述实体识别结果自所述工业机器人维护语料库中抽取不同实体之间的关系；

根据所述实体识别结果和不同实体之间的关系构建或更新工业机器人知识图谱，以使用户基于该工业机器人知识图谱的查询结果对工业机器人进行故障预测性维护。

2.根据权利要求1所述的工业机器人维护方法，其特征在于，在所述基于工业机器人维护语料库及其对应的标注数据集迭代训练预训练语言模型之前，还包括：

接收工业机器人的机器人手册和维护记录报告，并设置对应的查询字典，其中，所述查询字典用于存储各个实体类型之间的对应关系，所述实体类型包含有：部件、故障原因、故障失效模式和故障处理措施；

将所述工业机器人的机器人手册和维护记录报告中的数据以所述字典中的各个所述实体类型之间的对应关系进行数据处理，得到对应的工业机器人维护语料库；

生成所述工业机器人维护语料库对应的标注数据集。

3.根据权利要求2所述的工业机器人维护方法，其特征在于，所述生成所述工业机器人维护语料库对应的标注数据集，包括：

选取工业机器人维护语料库中预设百分比的已进行实体标注的数据生成第一标注数据集，并将所述工业机器人维护语料库中未包含在所述第一标注数据集中的剩余数据确认为第二数据集；

将所述第一标注数据集作为当前的训练集。

4.根据权利要求3所述的工业机器人维护方法，其特征在于，所述基于工业机器人维护语料库及其对应的标注数据集迭代训练预训练语言模型，以使该预训练语言模型输出所述工业机器人维护语料库对应的实体识别结果，包括：

迭代训练步骤：基于当前的训练集训练预训练语言模型，以使该预训练语言模型输出对应的实体识别结果；

判断该实体识别结果是否包含在所述第二数据集中，或者，是否未包含在所述工业机器人维护语料库中且识别结果准确，若是，则更新所述训练集中数据的实体标注，并返回执行所述迭代训练步骤，直至经判断获知所述实体识别结果均包含在所述第一标注数据集中后停止迭代。

5.根据权利要求1至4任一项所述的工业机器人维护方法，其特征在于，所述预训练语言模型包括：Bert+BiLSTM+CRF命名实体模型。

6.根据权利要求1所述的工业机器人维护方法，其特征在于，还包括：

接收经工业机器人故障实时监测系统输出的失效预测实体；

基于该失效预测实体自所述工业机器人知识图谱中查找对应的关系及实体，以得到该失效预测实体对应的维护数据；

根据所述维护数据自动创建所述失效预测实体对应的维护工单，并输出该维护工单。

7.根据权利要求1所述的工业机器人维护方法，其特征在于，还包括：

接收针对工业机器人维护的问题数据；

自所述问题数据中提取对应的问题目标实体；

基于所述问题目标实体自所述工业机器人知识图谱中查找对应的关系及实体，以生成该问题目标实体对应的答复数据；

输出所述答复数据。

8.一种工业机器人维护装置，其特征在于，包括：

迭代训练模块，用于基于工业机器人维护语料库及其对应的标注数据集迭代训练预训练语言模型，以使该预训练语言模型输出所述工业机器人维护语料库对应的实体识别结果，并根据所述实体识别结果自所述工业机器人维护语料库中抽取不同实体之间的关系；

图谱创建及应用模块，用于根据所述实体识别结果和不同实体之间的关系构建或更新工业机器人知识图谱，以使用户基于该工业机器人知识图谱的查询结果对工业机器人进行故障预测性维护。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的工业机器人维护方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述的工业机器人维护方法。

Images