CN115471625A - 一种云机器人平台大数据智能决策方法和系统 - Google Patents
一种云机器人平台大数据智能决策方法和系统 Download PDFInfo
- Publication number
- CN115471625A CN115471625A CN202211247863.XA CN202211247863A CN115471625A CN 115471625 A CN115471625 A CN 115471625A CN 202211247863 A CN202211247863 A CN 202211247863A CN 115471625 A CN115471625 A CN 115471625A
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- state
- early warning
- analysis
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- 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)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明给出了一种云机器人平台大数据智能决策方法和系统,包括基于数字孪生技术和SLAM算法构建3D地图;基于路径规划算法确定巡检机器人从出发点到目的地的最优路径;巡检机器人在巡检过程中利用大数据分析在视频、图像、在线监测数据以及巡视、检修记录数据进行数据挖掘分析处理,进行智能预警,智能预警包括单状态量预警和多状态复合预警;利用巡检机器人上的感知终端采集的海量设备状态信息和环境信息,结合设备台账、试验信息和故障案例数据样本对设备状态进行融合分析和深度挖掘,对设备进行状态检测获取设备状态,并根据设备状态对设备寿命进行预测。该方法和系统可在云机器人平台形成具备路径规划、智能告警,设备状态评估的智能决策系统。
Description
技术领域
本发明涉及机器人数据处理的技术领域,尤其是一种云机器人平台大数据智能决策方法和系统。
背景技术
云机器人是一个领域的机器人,试图调用云技术,例如云计算、云存储,以及其他互联网技术为中心的融合基础设施的机器人技术的好处和共享服务。当连接到云时,机器人可以从云中现代数据中心强大的计算,存储和通信资源中受益,后者可以处理和共享来自各种机器人或代理(其他机器、智能对象、人类等)的信息。
现巡检机器人可以依据事先规划好的路线或有人工远程操控,对巡检线路上的环境进行检测和探查,现有技术中的巡检机器人缺少一套使云机器人平台形成具备机器人路径规划、智能告警和设备状态评估的智能决策方案。
发明内容
为了解决如何现有技术中缺少使云机器人平台形成具备机器人路径规划、智能告警和设备状态评估的智能决策的技术问题,本发明提出了一种云机器人平台大数据智能决策方法和系统,用以解决上述技术问题。
在一个方面,本发明提出了一种云机器人平台大数据智能决策方法,包括:
S1:基于数字孪生技术和SLAM算法构建3D地图;
S2:基于路径规划算法确定巡检机器人从出发点到目的地的最优路径;
S3:巡检机器人在巡检过程中利用大数据分析在视频、图像、在线监测数据以及巡视、检修记录数据进行数据挖掘分析处理,进行智能预警,智能预警包括单状态量预警和多状态复合预警;
S4:利用巡检机器人上的感知终端采集的海量设备状态信息和环境信息,结合设备台账、试验信息和故障案例数据样本对设备状态进行融合分析和深度挖掘,对设备进行状态检测获取设备状态,并根据设备状态对设备寿命进行预测。
在一些具体的实施例中,S1中具体包括以下步骤:
S11:通过巡检机器人的摄像头获取RGB彩色图像,并对RGB彩色图像去畸和去除异常点获得预处理后的图像;
S12:在预处理后的图像中提取ORB特征点,并对多帧图像做匹配去除错误匹配点;
S13:将匹配好特征点的多帧图像进行跟踪,获得初步的机器人位姿估计;
S14:利用扩展卡尔曼滤波器对特征点进行滤波优化;
S15:响应于巡检机器人构建地图回到起始点,构成闭环,减少之前运动累计的误差;
S16:将生成的位姿信息生成巡检机器人运动轨迹,并将特征点生成点云地图,结合数字孪生技术生成3D地图。
在一些具体的实施例中,S2具体包括:从巡检机器人所在的初始点开始访问3D地图中的节点,轮询待检查节点集合中的节点,并把和当前节点最靠近的尚未检查的节点加入待检查节点集合,从待检查节点集合的初始节点向外扩展直到到达目标节点,获取从初始节点到目标节点的最短路径。
在一些具体的实施例中,S3中的单状态量预警基于单一状态量的绝对值、状态量变化趋势、同型设备单一状态量关联度超过相应阈值判断预警;多状态复合预警基于多状态量的综合逻辑分析预警。
在一些具体的实施例中,S4中对设备进行状态检测具体包括事件查询与统计、历史故障库和专家分析三部分,其中,时间查询与统计包括基本查询、高级查询和统计分析的应用;历史故障库包括故障查询和故障对比分析的应用;专家分析包括关联规则生成修正、专家分析和专家库展示的应用。
在一些具体的实施例中,事件查询与统计、历史故障库和专家分析三部分的应用之间相互交叉形成数据搜索层、数据挖掘层和界面展示层。
在一些具体的实施例中,数据搜索层包括基本查询和故障查询;数据挖掘层包括高级查询、统计分析、故障对比分析、专家分析和关联规则生成修正;界面展示层包括专家库展示。
在一些具体的实施例中,S4中的寿命预测具体包括:
构建基于深度学习模型的设备故障诊断及寿命预测:建立设备状态异常辨识和故障诊断的数据样本库,包括诊断样本数据库、可见光图像和红外热像异常样本数据库以及设备缺陷和故障综合案例库,利用深度卷积神经网络和深度置信网络建立智能诊断分析模型对大量数据样本进行学习训练,提取大量试验和现场案例样本数据的深层特征,进行设备故障类型诊断,根据严重程度进行寿命预测;
对于复杂关联关系的设备寿命预测:采用多层神经网络和时间序列预测模型,基于关联概率图模型对设备温度、外部环境信息数据进行关联规则挖掘,建立设备状态和环境信息各状态量间的关联关系概率图,利用关联关系挖掘得到的状态量间关联规则作为先验知识,对预测模型参数和权重进行自适应调整。
根据本发明的第二方面,提出了一种计算机可读存储介质,其上存储有一或多个计算机程序,该一或多个计算机程序被计算机处理器执行时实施上述方法。
根据本发明的第三方面,提出了一种云机器人平台大数据智能决策系统,系统包括:
3D地图构建单元:配置用于基于数字孪生技术和SLAM算法构建3D地图;
路径规划单元:配置用于基于路径规划算法确定巡检机器人从出发点到目的地的最优路径;
智能预警单元:配置用于通过巡检机器人在巡检过程中利用大数据分析在视频、图像、在线监测数据以及巡视、检修记录数据进行数据挖掘分析处理,进行智能预警,智能预警包括但状态量预警和多状态复合预警;
设备状态评估单元:配置用于利用巡检机器人上的感知终端采集的海量设备状态信息和环境信息,结合设备台账、试验信息和故障案例数据样本对设备状态进行融合分析和深度挖掘,对设备进行状态检测获取设备状态,并根据设备状态对设备寿命进行预测。
本发明提出了一种云机器人平台大数据智能决策方法和系统,通过数字孪生技术和SLAM算法构建3D地图、路径规划算法确定巡检机器人从出发点到目的地的最优路径,以及不同的智能预警方案实现智能决策,并实现对设备状态的监测和设备寿命的预测,使云机器人平台形成具备机器人路径规划、智能告警,设备状态评估等功能的智能决策系统。
附图说明
包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点,因为通过引用以下详细描述,它们变得被更好地理解。通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例的一种云机器人平台大数据智能决策方法的流程图;
图2是本申请的一个具体的实施例的路径规划的无向图;
图3是本申请的一个具体的实施例的状态检测的系统模块分解图;
图4是本申请的一个具体的实施例的专家分析的流程图;
图5是本申请的一个具体的实施例的设备状态的数据挖掘分析原理图;
图6是本申请的一个实施例的一种云机器人平台大数据智能决策系统的框架图;
图7是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本申请的一个实施例的云机器人平台大数据智能决策方法,图1示出了根据本申请的实施例的云机器人平台大数据智能决策方法的流程图。如图1所示,该方法包括以下步骤:
S101:基于数字孪生技术和SLAM算法构建3D地图。
在具体的实施例中,SLAM算法是增量式构建地图,即使采用多传感器融合,也依旧难免噪声带来的误差累积,所以要在地图构建地图时增加回环检测部分以尽量消除地图构建的误差,具体包括以下步骤:
S11:通过巡检机器人的摄像头获取RGB彩色图像,并对RGB彩色图像去畸和去除异常点获得预处理后的图像;
S12:在预处理后的图像中提取ORB特征点,并对多帧图像做匹配去除错误匹配点;
S13:将匹配好特征点的多帧图像进行跟踪,获得初步的机器人位姿估计;
S14:利用扩展卡尔曼滤波器对特征点进行滤波优化;
S15:响应于巡检机器人构建地图回到起始点,构成闭环,减少之前运动累计的误差;
S16:将生成的位姿信息生成巡检机器人运动轨迹,并将特征点生成点云地图,结合数字孪生技术生成3D地图。
在具体的实施例中,路径规划是指在已知环境中,通过算法计算合适的路径,进行路径规划的前提是对所处环境进行的地图进行建图,在此基础上再使用算法进行路径规划。本申请中采用数字孪生技术助力打造目标工厂的数字孪生体,为企业常态管理、调度指挥、应急处置、智能干预等提供数字化支撑。该技术对系统结构、运行逻辑、技术体系与管理机制都将带来重要影响。在物联网建设的具体场景中,数字孪生技术可应用于支撑虚拟现实下智能规划及优化设计、精准故障模拟云测仿真、智能设备监控、机房调控、设备监控等业务。
S102:基于路径规划算法确定巡检机器人从出发点到目的地的最优路径。
在具体的实施例中,从巡检机器人所在的初始点开始访问3D地图中的节点,轮询待检查节点集合中的节点,并把和当前节点最靠近的尚未检查的节点加入待检查节点集合,从待检查节点集合的初始节点向外扩展直到到达目标节点,获取从初始节点到目标节点的最短路径。该方法能够保证找到一条从初始点到目标点的最短路径,只要所有的边都有一个非负的代价值。
在具体的实施例中,将机器人运动环境构建成一个有权无向图G(V,E),如图2中示出的根据本申请的一个具体的实施例的路径规划的无向图(V1为起点,V6为终点),其中V={v1,v2,...,vn}为路网节点。n为路网的节点的数量。E表示无向边集,也就是两节点之间的距离权重。机器人执行任务时,从当前位置出发V1出发,经过一系列中间路网节点,达到目标点V6进行拍照测温等任务。设G=(V,E)是一个带权有向图,把图中顶点集合V分成两组,第一组为已求出最短路径的顶点集合(用S表示,初始时S中只有一个源点,以后每求得一条最短路径,就将加入到集合S中,直到全部顶点都加入到S中,算法就结束了),第二组为其余未确定最短路径的顶点集合(用U表示),按最短路径长度的递增次序依次把第二组的顶点加入S中。在加入的过程中,总保持从源点V1到S中各顶点的最短路径长度不大于从源点V1到U中任何顶点的最短路径长度。此外,每个顶点对应一个距离,S中的顶点的距离就是从V1到此顶点的最短路径长度,U中的顶点的距离,是从V1到此顶点只包括S中的顶点为中间顶点的当前最短路径长度。
S103:巡检机器人在巡检过程中利用大数据分析在视频、图像、在线监测数据以及巡视、检修记录数据进行数据挖掘分析处理,进行智能预警,智能预警包括单状态量预警和多状态复合预警。
在具体的实施例中,智能化预警综合利用大数据分析技术,在海量视频、图像、在线监测数据以及巡视、检修记录数据进行上述数据挖掘步骤,对数据进行分析处理,结合智能预警模型,可实现运行异常、设备异常、作业行为、运行环境的智能预警功能。智能化预警模型有两类,分别为单状态量预警、多状态量复合预警。单状态量预警模型基于单一状态量绝对值超阈值、状态量变化趋势超阈值、同型设备单一状态量关联度分析超阈值判断后的预警。多状态量复合预警模型基于多状态量的综合逻辑分析预警。
在具体的实施例中,智能决策通过各类设备故障特征和处理策略,建立故障判断库、故障决策库、故障案例库,依托智能分析和决策模型,实现预警信息多源数据与智能决策库快速匹配,自动判断可能的故障类型,主动推送处理措施和策略,进而提升故障处理及时性和有效性,减少故障处理时间。以上策略在具体系统运作的场景包括:巡检异常主动预警,支持巡检过程中对于机器人本身的运动异常、异物、表计读数异常等状态的主动预警推送;设备缺陷预警与处置:支持缺陷信息的主动识别与预警,推送缺陷处置建议;在线监测数据异常预警:在线监测采样值异常预警以及红外热成像温度趋势变化预警等,辅助推送故障判断和处置措施建议;运检分析报表统计,管控系统支持运检月度分析报表、专项分析报表、红外普测温度趋势分析报表的自动生成,辅助运维、检修计划的制定。
S104:利用巡检机器人上的感知终端采集的海量设备状态信息和环境信息,结合设备台账、试验信息和故障案例数据样本对设备状态进行融合分析和深度挖掘,对设备进行状态检测获取设备状态,并根据设备状态对设备寿命进行预测。
在具体的实施例中,该步骤可以通过PHM的通用数据采集分析平台对工业机器人及设备进行状态监测和寿命预测,可支持机器人控制器端,电流、温度信号的采集通信,支持16通道高频信号采集并可实时远程上传,具有数据存储、数据处理、故障预警、寿命预测等功能。
在具体的实施例中,图3示出了根据本申请的一个具体的实施例的状态检测的系统模块分解图,如图3所示,状态监测主要包含三个功能模块,分别是:事件查询与统计模块,专家分析模块和历史故障库模块,事件查询与统计模块主要由基本查询、高级查询和统计分析三部分应用组成;而专家分析模块则由关联规则生成修正、专家分析和专家库展示构成;历史故障库模块包含了设备故障查询与故障对比分析两个应用。而上述八个应用之间又相互交叉形成了数据搜索层、数据挖掘层和界面展示层三种层次结构。其中,数据搜索层包括基本查询和故障查询;数据挖掘层包括高级查询、统计分析、故障对比分析、专家分析和关联规则生成修正;界面展示层包括专家库展示。
在具体的实施例中,图4示出了根据本申请的一个具体的实施例的专家分析的流程图,如图4所示,运行人员通过对相关参数的设定,例如最小支持度和最小置信度,即可实现对海量运行信息的关联规则挖掘功能。在找出所有符合用户要求的强关联规则以后,结合系统的特性和运行人员的经验对由算法获取的强关联规则进行修改,并固化为在实际企业中能够切实有效运行的专家规则。当专家规则确定并生效以后,既可以使用规则来进行查询和决策分析。应用规则的专家决策主要是使用已经固化的专家规则对数据库已有的告警信息或者新增的告警信息进行离线分析,从大量数据中找出符合专家规则条件的告警事件,告警事件一般由一系列的告警信息组合成,主要是表征某个一次或二次设备在某一时间段内的状态。根据分析结果,运行人员可以对信息进行离线分析处理,对某些有特定意义的分析结果,可以选择保存在系统的知识库(主要用于保存应用规则分析、查询的结果)中。规则在多次使用以后,会在系统知识库里留下相关的分析和查询记录,运行人员则可以根据这些分析记录对规则进行调整,以使得规则更加符合实际系统的决策需求。
在具体的实施例中,关联规则生成是基于改进的Aprior算法实现的,改进的Aprior算法具体包括:应用DIC算法对数据库根据节点数I将数据库分为I个片区,根据Sampling算法在每个独立的片区中抽取样本特定子集SI,生成项目频繁集CS,验证获得单独片区的频繁集CSI,通过对每个片区执行重复算法以获得全局项目频繁集CI,计算置信度由全局项目频繁集CI产生关联规则。具体的,在首次扫描数据库时,按照数据库的分区特征将数据库划分为I片表区,统计每个数据片区的局部频繁项目集,形成局部候选项目集。相较于Apriori算法,数据片区划分得合适的情况下DIC算法仅需对数据库扫描两次即可获取所有的频繁项目集。并且本申请中进一步通过Sampling算法利用样本的抽取从而减少对数据库的扫描次数。具体的,从数据库中随机选取样本集构成数据库的特定子集,并将子集调入内存中运行,由于随机抽取样本存在丢失全局变量的可能性,所以需要在用户给定的最小支持度(minsupport)阀值的基础上对最小支持度阈值调低以弥补因引用样本造成的精度丢失,然后用调低后的最小支持度在子集中搜索所有的频繁项目集,并使用数据库中的余集去验证,修正后得到实际的频繁项目集。
在具体的实施例中,专家分析的另一个重要应用是故障巡检,即定时对从各子站拉取上来的变电站运行信息进行分析并提醒运行人员查看分析结果,一般选取晚上服务器空闲率较高的时间段进行数据提取和专家分析,以减轻系统的负担。
在具体的实施例中,专家库展示提供运行人员对专家规则浏览编辑的界面,包括规则的创建日期、规则名称、规则描述、规则类型、规则创建人及审批人、规则置信度、应用规则查询记录、应用规则分析记录以及对规则的编辑界面。
在具体的实施例中,图5示出了根据本申请的一个具体的实施例的设备状态的数据挖掘分析原理图,如图5所示,设备状态的大数据挖掘决策基于数据挖掘分析,主要利用感知终端采集的海量设备状态信息和环境气象信息,结合设备台账、试验信息和故障案例数据样本对设备状态相关数据进行融合分析和深度挖掘,实现设备状态综合评价以及故障诊断,全面、及时、准确地掌握设备关键性能的健康状态,根据其健康状态对设备进行寿命预测,为及时提供检修保养提供依据。
在具体的实施例中,构建基于深度学习模型的设备故障诊断及寿命预测。用于图像异常辨识、红外故障诊断识别的深度卷积神经网络模型的机器学习。在大数据决策系统内建立设备状态异常辨识和故障诊断的数据样本库,主要包括诊断样本数据库、可见光图像和红外热像异常样本数据库以及设备缺陷和故障综合案例库。利用深度卷积神经网络和深度置信网络建立智能诊断分析模型对大量数据样本进行学习训练,提取大量试验和现场案例样本数据的深层特征,实现设备故障类型诊断,根据严重程度进行寿命预测。该预测系统将图像异常辨识算法模型及参数下发至感知终端配置,实现边缘计算功能。
在具体的实施例中,对于复杂关联关系的设备寿命预测,设备寿命参量数据可以看成一个复杂的数据序列。传统的预测利用单一或少数参量的统计公式外推未来的时间序列及变化趋势,未考虑众多相关因素对公式适应性的影响,若状态量缺失无法预测。本功能主要采用多层神经网络和时间序列预测模型,为提高设备寿命预测的精度,基于关联概率图模型对设备温度、外部环境信息数据进行关联规则挖掘,建立设备状态和环境信息各状态量间的关联关系概率图,利用关联关系挖掘得到的状态量间关联规则作为先验知识,对预测模型参数和权重进行自适应调整,提高了设备寿命预测的准确性。
继续参考图6,图6示出了根据本发明的实施例的云机器人平台大数据智能决策系统。该系统具体包括3D地图构建单元601、路径规划单元602、智能预警单元603和设备状态评估单元604。
在具体的实施例中,3D地图构建单元601配置用于基于数字孪生技术和SLAM算法构建3D地图;路径规划单元602配置用于基于路径规划算法确定巡检机器人从出发点到目的地的最优路径;智能预警单元603配置用于通过巡检机器人在巡检过程中利用大数据分析在视频、图像、在线监测数据以及巡视、检修记录数据进行数据挖掘分析处理,进行智能预警,智能预警包括但状态量预警和多状态复合预警;设备状态评估单元604配置用于利用巡检机器人上的感知终端采集的海量设备状态信息和环境信息,结合设备台账、试验信息和故障案例数据样本对设备状态进行融合分析和深度挖掘,对设备进行状态检测获取设备状态,并根据设备状态对设备寿命进行预测。
下面参考图7,其示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。图7示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM703中,还存储有系统700操作所需的各种程序和数据。CPU701、ROM702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质,该计算机可读存储介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:基于数字孪生技术和SLAM算法构建3D地图;基于路径规划算法确定巡检机器人从出发点到目的地的最优路径;巡检机器人在巡检过程中利用大数据分析在视频、图像、在线监测数据以及巡视、检修记录数据进行数据挖掘分析处理,进行智能预警,智能预警包括单状态量预警和多状态复合预警;利用巡检机器人上的感知终端采集的海量设备状态信息和环境信息,结合设备台账、试验信息和故障案例数据样本对设备状态进行融合分析和深度挖掘,对设备进行状态检测获取设备状态,并根据设备状态对设备寿命进行预测。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种云机器人平台大数据智能决策方法,其特征在于,包括:
S1:基于数字孪生技术和SLAM算法构建3D地图;
S2:基于路径规划算法确定巡检机器人从出发点到目的地的最优路径;
S3:所述巡检机器人在巡检过程中利用大数据分析在视频、图像、在线监测数据以及巡视、检修记录数据进行数据挖掘分析处理,进行智能预警,所述智能预警包括单状态量预警和多状态复合预警;
S4:利用所述巡检机器人上的感知终端采集的海量设备状态信息和环境信息,结合设备台账、试验信息和故障案例数据样本对设备状态进行融合分析和深度挖掘,对设备进行状态检测获取设备状态,并根据所述设备状态对设备寿命进行预测。
2.根据权利要求1所述的云机器人平台大数据智能决策方法,其特征在于,所述S1具体包括以下步骤:
S11:通过所述巡检机器人的摄像头获取RGB彩色图像,并对所述RGB彩色图像去畸和去除异常点获得预处理后的图像;
S12:在所述预处理后的图像中提取ORB特征点,并对多帧图像做匹配去除错误匹配点;
S13:将匹配好特征点的多帧图像进行跟踪,获得初步的机器人位姿估计;
S14:利用扩展卡尔曼滤波器对特征点进行滤波优化;
S15:响应于所述巡检机器人构建地图回到起始点,构成闭环,减少之前运动累计的误差;
S16:将生成的位姿信息生成巡检机器人运动轨迹,并将特征点生成点云地图,结合数字孪生技术生成3D地图。
3.根据权利要求1所述的云机器人平台大数据智能决策方法,其特征在于,所述S2具体包括:从所述巡检机器人所在的初始点开始访问所述3D地图中的节点,轮询待检查节点集合中的节点,并把和当前节点最靠近的尚未检查的节点加入待检查节点集合,从所述待检查节点集合的初始节点向外扩展直到到达目标节点,获取从所述初始节点到目标节点的最短路径。
4.根据权利要求1所述的云机器人平台大数据智能决策方法,其特征在于,所述S3中的所述单状态量预警基于单一状态量的绝对值、状态量变化趋势、同型设备单一状态量关联度超过相应阈值判断预警;所述多状态复合预警基于多状态量的综合逻辑分析预警。
5.根据权利要求1所述的云机器人平台大数据智能决策方法,其特征在于,所述S4中对设备进行状态检测具体包括事件查询与统计、历史故障库和专家分析三部分,其中,时间查询与统计包括基本查询、高级查询和统计分析的应用;历史故障库包括故障查询和故障对比分析的应用;专家分析包括关联规则生成修正、专家分析和专家库展示的应用。
6.根据权利要求5所述的云机器人平台大数据智能决策方法,其特征在于,所述事件查询与统计、历史故障库和专家分析三部分的应用之间相互交叉形成数据搜索层、数据挖掘层和界面展示层。
7.根据权利要求6所述的云机器人平台大数据智能决策方法,其特征在于,所述数据搜索层包括所述基本查询和所述故障查询;所述数据挖掘层包括所述高级查询、所述统计分析、所述故障对比分析、所述专家分析和所述关联规则生成修正;所述界面展示层包括专家库展示。
8.根据权利要求1所述的云机器人平台大数据智能决策方法,其特征在于,所述S4中的寿命预测具体包括:
构建基于深度学习模型的设备故障诊断及寿命预测:建立设备状态异常辨识和故障诊断的数据样本库,包括诊断样本数据库、可见光图像和红外热像异常样本数据库以及设备缺陷和故障综合案例库,利用深度卷积神经网络和深度置信网络建立智能诊断分析模型对大量数据样本进行学习训练,提取大量试验和现场案例样本数据的深层特征,进行设备故障类型诊断,根据严重程度进行寿命预测;
对于复杂关联关系的设备寿命预测:采用多层神经网络和时间序列预测模型,基于关联概率图模型对设备温度、外部环境信息数据进行关联规则挖掘,建立设备状态和环境信息各状态量间的关联关系概率图,利用关联关系挖掘得到的状态量间关联规则作为先验知识,对预测模型参数和权重进行自适应调整。
9.一种计算机可读存储介质,其上存储有一或多个计算机程序,其特征在于,该一或多个计算机程序被计算机处理器执行时实施权利要求1至8中任一项所述的方法。
10.一种云机器人平台大数据智能决策系统,其特征在于,所述系统包括:
3D地图构建单元:配置用于基于数字孪生技术和SLAM算法构建3D地图;
路径规划单元:配置用于基于路径规划算法确定巡检机器人从出发点到目的地的最优路径;
智能预警单元:配置用于通过所述巡检机器人在巡检过程中利用大数据分析在视频、图像、在线监测数据以及巡视、检修记录数据进行数据挖掘分析处理,进行智能预警,所述智能预警包括但状态量预警和多状态复合预警;
设备状态评估单元:配置用于利用所述巡检机器人上的感知终端采集的海量设备状态信息和环境信息,结合设备台账、试验信息和故障案例数据样本对设备状态进行融合分析和深度挖掘,对设备进行状态检测获取设备状态,并根据所述设备状态对设备寿命进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211247863.XA CN115471625A (zh) | 2022-10-12 | 2022-10-12 | 一种云机器人平台大数据智能决策方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211247863.XA CN115471625A (zh) | 2022-10-12 | 2022-10-12 | 一种云机器人平台大数据智能决策方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115471625A true CN115471625A (zh) | 2022-12-13 |
Family
ID=84336862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211247863.XA Pending CN115471625A (zh) | 2022-10-12 | 2022-10-12 | 一种云机器人平台大数据智能决策方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115471625A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115983647A (zh) * | 2023-03-21 | 2023-04-18 | 江苏天一航空工业股份有限公司 | 一种封闭场景智慧查巡综合管理方法及系统 |
CN116155956A (zh) * | 2023-04-18 | 2023-05-23 | 武汉森铂瑞科技有限公司 | 一种基于梯度决策树模型的多路复用通信方法及系统 |
CN116522096A (zh) * | 2023-06-30 | 2023-08-01 | 长春市联心花信息科技有限公司 | 基于动作捕捉的三维数字孪生内容智能制作方法 |
CN116563969A (zh) * | 2023-07-07 | 2023-08-08 | 同方泰德国际科技(北京)有限公司 | 一种设备巡检方法、装置、设备和存储介质 |
CN118040911A (zh) * | 2024-04-15 | 2024-05-14 | 国网山西省电力公司晋城供电公司 | 储能微电网监测系统及监测方法、存储介质、计算机设备 |
-
2022
- 2022-10-12 CN CN202211247863.XA patent/CN115471625A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115983647A (zh) * | 2023-03-21 | 2023-04-18 | 江苏天一航空工业股份有限公司 | 一种封闭场景智慧查巡综合管理方法及系统 |
CN116155956A (zh) * | 2023-04-18 | 2023-05-23 | 武汉森铂瑞科技有限公司 | 一种基于梯度决策树模型的多路复用通信方法及系统 |
CN116522096A (zh) * | 2023-06-30 | 2023-08-01 | 长春市联心花信息科技有限公司 | 基于动作捕捉的三维数字孪生内容智能制作方法 |
CN116522096B (zh) * | 2023-06-30 | 2023-11-10 | 长春市联心花信息科技有限公司 | 基于动作捕捉的三维数字孪生内容智能制作方法 |
CN116563969A (zh) * | 2023-07-07 | 2023-08-08 | 同方泰德国际科技(北京)有限公司 | 一种设备巡检方法、装置、设备和存储介质 |
CN116563969B (zh) * | 2023-07-07 | 2023-10-24 | 同方泰德国际科技(北京)有限公司 | 一种设备巡检方法、装置、设备和存储介质 |
CN118040911A (zh) * | 2024-04-15 | 2024-05-14 | 国网山西省电力公司晋城供电公司 | 储能微电网监测系统及监测方法、存储介质、计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115471625A (zh) | 一种云机器人平台大数据智能决策方法和系统 | |
US11921566B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
CN105372581A (zh) | 挠性电路板制造过程自动监测和智能分析系统及方法 | |
CN110462536A (zh) | 对诸如光刻系统的系统进行建模或执行系统的预测性维护的方法和相关联的光刻系统 | |
JP2020101800A (ja) | 画像ベースのメンテナンス予測および動作エラーの検出 | |
CN112183906B (zh) | 一种基于多模型组合模型的机房环境预测方法及系统 | |
CN115640159A (zh) | 一种微服务故障诊断方法及系统 | |
CN116986246A (zh) | 一种用于对输煤皮带进行智能巡检系统及巡检方法 | |
CN114139589A (zh) | 故障诊断方法、装置、设备与计算机可读存储介质 | |
CN117743909A (zh) | 一种基于人工智能的供热系统故障分析方法及装置 | |
Salfinger et al. | Maintaining Situation Awareness over Time--A Survey on the Evolution Support of Situation Awareness Systems | |
CN116754022B (zh) | 电缆隧道的在线检测应急预警方法及系统 | |
Schachinger et al. | An advanced data analytics framework for energy efficiency in buildings | |
da Costa et al. | Policies for the dynamic traveling maintainer problem with alerts | |
JP2015072644A (ja) | 対話型設備不良予測方法 | |
CN116627126A (zh) | 一种基于大数据的智能巡检方法和系统 | |
Sim et al. | Missing data imputation algorithm for transmission systems based on multivariate imputation with principal component analysis | |
Lenart et al. | Real-time monitoring and analyses of sensory data integrated into the BIM platform | |
Li et al. | Particle Filter-Based Delamination Shape Prediction in Composites | |
KR102660626B1 (ko) | 현장 검증이 가능한 ai 기반 비전 검사 시스템 및 방법 | |
CN117765737B (zh) | 交通异常检测方法、装置、设备、介质及程序产品 | |
CN116484477A (zh) | 一种基于数字孪生的智能建造方法 | |
Yu et al. | Deep learning (dl) based on-board indirect useful life prediction | |
CN117723782B (zh) | 用于桥梁结构健康监测的传感器故障识别定位方法及系统 | |
CN117499621B (zh) | 视频采集设备的检测方法、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 |