CN115481726A - 一种工业机器人整机健康评估方法及系统 - Google Patents

一种工业机器人整机健康评估方法及系统 Download PDF

Info

Publication number
CN115481726A
CN115481726A CN202211028301.6A CN202211028301A CN115481726A CN 115481726 A CN115481726 A CN 115481726A CN 202211028301 A CN202211028301 A CN 202211028301A CN 115481726 A CN115481726 A CN 115481726A
Authority
CN
China
Prior art keywords
data
industrial robot
health
training
learning model
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
Application number
CN202211028301.6A
Other languages
English (en)
Inventor
肖红
曾汉霖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202211028301.6A priority Critical patent/CN115481726A/zh
Publication of CN115481726A publication Critical patent/CN115481726A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及工业机器人技术领域公开了一种工业机器人整机健康评估方法及系统，包括以下步骤：S1.采集训练用工业机器人的历史运行数据，将历史运行数据划分为平稳运行阶段与非平稳运行阶段；S2.构造特征集；S3.构造工业机器人退化特征集；S4.用随机采样的方式，构造三元组样本；S5.将三元组样本输入深度度量学习模型中训练调优；S6.获取待评估工业机器人历史运行数据，将待评估工业机器人历史运行数据输入到训练好的深度度量学习模型中，得到距离数据；S7.构建健康指标；S8.通过健康指标评估待评估工业机器人的健康状态。本发明解决了现有技术无法适用于工业机器人的整机的健康评估的问题，且具有精确，易于部署的特点。

Description

一种工业机器人整机健康评估方法及系统
技术领域
本发明涉及工业机器人技术领域，更具体的，涉及一种工业机器人整机健康评估方法及系统。
背景技术
工业机器人是集机械、电子、控制、计算机、传感器、人工智能等多学科先进技术于一体的面向工业领域的智能装备，已广泛应用于汽车、家电、金属加工等多个领域。现阶段多数厂家工业机器人的运维管理都还是依靠有经验的技术工人现场进行。然而随着工业机器人结构复杂化多样化的加剧，对工业机器人进行运维管理也日趋困难，传统依靠技术工人经验的运维方法已无法满足逐渐复杂的工业机器人需求。除此之外，盲目的定检定修不仅导致机器人的维护成本提高还会提高工业机器人磨损，降低机器人的可靠性。因此建立一个实时有效的工业机器人整机的健康评估系统，及时对工业机器人的整体健康状态做出判断，并根据评估结果选择合适的维护维修方案对提高工业机器人的可靠性显得尤为重要。
目前在工业界针对复杂设备整机的健康评估技术方法主要有如下两种：
一是基于多源多层次信息融合的方法：将分布于不同系统层次的可靠性信息进行整体上的建模描述，并运用信息融合的方法将可用的设备可靠性信息融合到系统整体的健康评估中。其实施方法主要是通过对工业复杂设备构建一个多层次的健康指标体系，再自底向上对指标体系中每一项进行评估，并向上融合，最终得出复杂工业设备的整机健康状态。常用的方法主要包括：层次分析法、模糊综合评价法、灰色评价法等。这类方法需要建立复杂庞大的健康状态体系，其中有许多指标是在正常工业过程中难以获取的，在实际情况中难以应用。
一是基于数据驱动的方法：基于数据驱动的方法是利用复杂工业设备在运行中的监测数据，构建设备的整机健康评估模型。常用的方法有隐马尔可夫模型、神经网络、贝叶斯等。
综上所述，工业界对复杂设备整机健康评估已有了一定的研究方法。但是针对工业机器人整机的健康评估目前还没有明确、可行的解决方案。
现有一种基于深度学习的工业机器人可靠性建模方法，包括以下步骤：通过限制玻尔兹曼机RBM构建深度神经网络DNN；利用对比散度快速学习算法训练RBM、DNN，并对训练结果进行评估；输入评估对象工业机器人的加速退化原始数据，构建加速退化模型，预测正常工作条件下其预期工作寿命及可靠性。
然而现有技术仅仅适用于一部分工作场景，无法适用于工业机器人的整机的健康评估，因此，如何发明一种适用于工业机器人的整机的健康评估的方法，是本技术领域亟需解决的问题。
发明内容
本发明为了解决现有技术无法适用于工业机器人的整机的健康评估的问题，提供了一种工业机器人整机健康评估方法及系统，其具有精确，易于部署的特点。
为实现上述本发明目的，采用的技术方案如下：
一种工业机器人整机健康评估方法，包括以下步骤：
S1.采集训练用工业机器人的历史运行数据，根据训练用工业机器人的动作周期的任务特点与数据特点，将历史运行数据划分为平稳运行阶段与非平稳运行阶段；
S2.对平稳运行阶段与非平稳运行阶段的运行数据分别进行时域频域特征的提取，构造特征集；
S3.从特征集中选取更能表示训练用工业机器人退化的特征，构造工业机器人退化特征集；
S4.用随机采样的方式，从退化特征集随机构造三元组样本；
S5.将三元组样本输入深度度量学习模型中训练调优，得到训练好的深度度量学习模型；
S6.获取待评估工业机器人历史运行数据，将待评估工业机器人历史运行数据输入到训练好的深度度量学习模型中，得到距离数据；
S7.根据距离数据，构建健康指标；
S8.通过健康指标评估待评估工业机器人的健康状态。
优选的，所述的历史运行数据为时序的训练用工业机器人的运行信号数据集。
进一步的，所述的步骤S1中，采集训练用工业机器人的历史运行数据，具体为：根据工业机器人执行的任务特点，将训练用工业机器人的运行数据划分成多个完整的动作周期，得到训练用工业机器人的历史运行数据。
更进一步的，所述的步骤S4中，通过随机采样，从退化特征集随机构造三元组样本，具体为：通过随机采样，从退化特征集随机构造锚点样本、正样本、负样本，其中锚点样本与正样本为同一类别样本，锚点样本与负样本为不同类别样本。
更进一步的，所述的步骤S5中，将三元组样本输入深度度量学习模型中训练调优，得到训练好的深度度量学习模型，具体为步骤：
S501.将三元组数据输入深度度量学习模型提取特征，得到三组数据的高维特征表示；
S502.将三组数据的高维特征表示通过损失函数计算损失，损失函数通过反向传播来计算梯度，在用梯度下降法更新深度度量学习模型的神经网络参数，从而训练深度度量学习模型。
更进一步的，所述的损失函数具体为：
Figure BDA0003816586020000031
其中，
Figure BDA0003816586020000032
代表锚点样本，
Figure BDA0003816586020000033
代表正样本，
Figure BDA0003816586020000034
代表负样本，f(x)代表高维特征表示；||*||2表示欧式距离，用于计算两个特征间的距离，a表示正样本与负样本分开的边界阈值，即当锚点样本与负样本间的距离小于锚点样本与正样本间的距离小于加a时，将不产生损失。
更进一步的，所述的深度度量学习模型包括第一长短时记忆网络层、第二长短时记忆网络层、注意力机制层、第一卷积层、第二卷积层；所述的第一长短时记忆网络层、第二长短时记忆网络层、注意力机制层、第一卷积层、第二卷积层依次相连。
更进一步的，所述的步骤S501中，将三元组数据输入深度度量学习模型提取特征，得到三组数据的高维特征表示，具体步骤为：
A1.将三元组数据分别依次输入第一长短时记忆网络层、第二长短时记忆网络层提取时序特征；
A2.将提取了时序特征的三元组数据通过注意力机制层，通过注意力机制调整特征权重；
A3.将调整了特征权重的三元组数据依次输入第一卷积层、第二卷积层进一步提取空间局部特征，得到三组数据的高维特征表示。
更进一步的，所述的步骤S7中，根据距离数据，构建健康指标HIt，具体为：
Figure BDA0003816586020000041
其中，t为样本数，L为最大样本数，ft代表距离数据中实时数据与健康基准数据的距离，ffault是距离数据中失效数据与健康数据的距离；当HIt的值越大，则工业机器人健康状态越好，可靠性越高；当工业机器人的HIt值接近0时，则工业机器人退化严重，即将失效。
一种工业机器人整机健康评估系统，包括数据采集模块、数据划分模块、特征集提取模块、退化特征集提取模块、三元组样本构建模块、模型训练模块、距离数据计算模块、健康指标构建模块、健康评估模块；
所述的数据采集模块用于采集训练用工业机器人的历史运行数据；
所述的数据划分模块用于根据训练用工业机器人的动作周期的任务特点与数据特点，将历史运行数据划分为平稳运行阶段与非平稳运行阶段；
所述的特征集提取模块用于对平稳运行阶段与非平稳运行阶段的运行数据分别进行时域频域特征的提取，构造特征集；
所述的退化特征集提取模块用于从特征集中选取更能表示训练用工业机器人退化的特征，构造工业机器人退化特征集；
所述的三元组样本构建模块用于用随机采样的方式，从退化特征集随机构造三元组样本；
所述的模型训练模块用于将三元组样本输入深度度量学习模型中训练调优，得到训练好的深度度量学习模型；
所述的数据采集模块还用于获取待评估工业机器人数据；
所述的距离数据计算模块用于将待评估工业机器人数据的历史特征集，与健康特征集输入到训练好的深度度量学习模型中，得到距离数据；
所述的健康指标构建模块用于根据距离数据，构建健康指标；
所述的健康评估模块用于通过健康指标评估待评估工业机器人的健康状态。
本发明的有益效果如下：
本发明通过采集训练用工业机器人的历史运行数据，根据训练用工业机器人的动作周期的任务特点与数据特点，将历史运行数据划分为平稳运行阶段与非平稳运行阶段，并根据不同状态，构造特征集和退化特征集，由此提取了符合工业机器人的运行机理的数据；本发明还用随机采样的方式，从退化特征集随机构造三元组样本，并将三元组样本输入深度度量学习模型中训练调优，得到训练好的深度度量学习模型，从大量数据样本中学习一种符合工业机器人运行数据分布的距离度量，更贴合机器人数据情况，提高机器人健康评估的精度；由此本发明解决了现有技术无法适用于工业机器人的整机的健康评估的问题，且具有精确，易于部署的特点。
附图说明
图1是本发明一种工业机器人整机健康评估方法的流程示意图。
图2是本发明一种工业机器人整机健康评估方法的深度度量学习模型提取特征的流程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明做详细描述。
实施例1
如图1所示，一种工业机器人整机健康评估方法，包括以下步骤：
S1.采集训练用工业机器人的历史运行数据，根据训练用工业机器人的动作周期的任务特点与数据特点，将历史运行数据划分为平稳运行阶段与非平稳运行阶段；
S2.对平稳运行阶段与非平稳运行阶段的运行数据分别进行时域频域特征的提取，构造特征集；
S3.从特征集中选取更能表示训练用工业机器人退化的特征，构造工业机器人退化特征集；
S4.用随机采样的方式，从退化特征集随机构造三元组样本；
S5.将三元组样本输入深度度量学习模型中训练调优，得到训练好的深度度量学习模型；
S6.获取待评估工业机器人历史运行数据，将待评估工业机器人历史运行数据输入到训练好的深度度量学习模型中，得到距离数据；
S7.根据距离数据，构建健康指标；
S8.通过健康指标评估待评估工业机器人的健康状态。
实施例2
如图1所示，一种工业机器人整机健康评估方法，包括以下步骤：
S1.采集训练用工业机器人的历史运行数据，根据训练用工业机器人的动作周期的任务特点与数据特点，将历史运行数据划分为平稳运行阶段与非平稳运行阶段；
S2.对平稳运行阶段与非平稳运行阶段的运行数据分别进行时域频域特征的提取，构造特征集；
S3.从特征集中选取更能表示训练用工业机器人退化的特征，构造工业机器人退化特征集；
S4.用随机采样的方式，从退化特征集随机构造三元组样本；
S5.将三元组样本输入深度度量学习模型中训练调优，得到训练好的深度度量学习模型；
S6.获取待评估工业机器人历史运行数据，将待评估工业机器人历史运行数据输入到训练好的深度度量学习模型中，得到距离数据；
S7.根据距离数据，构建健康指标；
S8.通过健康指标评估待评估工业机器人的健康状态。
本实施例中，机器人退化时，其各个关节的运行效率会降低，此时控制系统为了保证机器人执行任务的精度，就会分配更大的力矩。除此之外，工业机器人退化特征在机器人的不同运行阶段也会有不同的表现。在加减速阶段，其反馈电流、反馈力矩等变化更大，退化特征也会更明显。因此，本发明对工业机器人进行分阶段的特征提取更符合工业机器人的运行机理，也可以提高特征提取的质量。
在一个具体实施例中，所述的历史运行数据为时序的训练用工业机器人的运行信号数据集。
在一个具体实施例中，所述的步骤S1中，采集训练用工业机器人的历史运行数据，具体为：根据工业机器人执行的任务特点，将训练用工业机器人的运行数据划分成多个完整的动作周期，得到训练用工业机器人的历史运行数据。
在一个具体实施例中，所述的步骤S4中，通过随机采样，从退化特征集随机构造三元组样本，具体为：通过随机采样，从退化特征集随机构造锚点样本、正样本、负样本，其中锚点样本与正样本为同一类别样本，锚点样本与负样本为不同类别样本。
在一个具体实施例中，所述的步骤S5中，将三元组样本输入深度度量学习模型中训练调优，得到训练好的深度度量学习模型，具体为步骤：
S501.将三元组数据输入深度度量学习模型提取特征，得到三组数据的高维特征表示；
S502.将三组数据的高维特征表示通过损失函数计算损失，损失函数通过反向传播来计算梯度，在用梯度下降法更新深度度量学习模型的神经网络参数，从而训练深度度量学习模型。
在一个具体实施例中，所述的损失函数具体为：
Figure BDA0003816586020000071
其中，
Figure BDA0003816586020000072
代表锚点样本，
Figure BDA0003816586020000073
代表正样本，
Figure BDA0003816586020000074
代表负样本，f(x)代表高维特征表示；||*||2表示欧式距离，用于计算两个特征间的距离，a表示正样本与负样本分开的边界阈值，即当锚点样本与负样本间的距离小于锚点样本与正样本间的距离小于加a时，将不产生损失。
在一个具体实施例中，所述的深度度量学习模型包括第一长短时记忆网络层、第二长短时记忆网络层、注意力机制层、第一卷积层、第二卷积层；所述的第一长短时记忆网络层、第二长短时记忆网络层、注意力机制层、第一卷积层、第二卷积层依次相连。
在一个具体实施例中，如图2所示，所述的步骤S501中，将三元组数据输入深度度量学习模型提取特征，得到三组数据的高维特征表示，具体步骤为：
A1.将三元组数据分别依次输入第一长短时记忆网络层、第二长短时记忆网络层提取时序特征；
A2.将提取了时序特征的三元组数据通过注意力机制层，通过注意力机制调整特征权重；
A3.将调整了特征权重的三元组数据依次输入第一卷积层、第二卷积层进一步提取空间局部特征，得到三组数据的高维特征表示。
在一个具体实施例中，所述的步骤S7中，根据距离数据，构建健康指标HIt，具体为：
Figure BDA0003816586020000075
其中，t为样本数，L为最大样本数，ft代表距离数据中实时数据与健康基准数据的距离，ffault是距离数据中失效数据与健康数据的距离；当HIt的值越大，则工业机器人健康状态越好，可靠性越高；当工业机器人的HIt值接近0时，则工业机器人退化严重，即将失效。
本发明通过采集训练用工业机器人的历史运行数据，根据训练用工业机器人的动作周期的任务特点与数据特点，将历史运行数据划分为平稳运行阶段与非平稳运行阶段，并根据不同状态，构造特征集和退化特征集，由此提取了符合工业机器人的运行机理的数据；本发明还用随机采样的方式，从退化特征集随机构造三元组样本，并将三元组样本输入深度度量学习模型中训练调优，得到训练好的深度度量学习模型，从大量数据样本中学习一种符合工业机器人运行数据分布的距离度量，更贴合机器人数据情况，提高机器人健康评估的精度；由此本发明解决了现有技术无法适用于工业机器人的整机的健康评估的问题，且具有精确，易于部署的特点。
实施例3
一种工业机器人整机健康评估系统，包括数据采集模块、数据划分模块、特征集提取模块、退化特征集提取模块、三元组样本构建模块、模型训练模块、距离数据计算模块、健康指标构建模块、健康评估模块；
所述的数据采集模块用于采集训练用工业机器人的历史运行数据；
所述的数据划分模块用于根据训练用工业机器人的动作周期的任务特点与数据特点，将历史运行数据划分为平稳运行阶段与非平稳运行阶段；
所述的特征集提取模块用于对平稳运行阶段与非平稳运行阶段的运行数据分别进行时域频域特征的提取，构造特征集；
所述的退化特征集提取模块用于从特征集中选取更能表示训练用工业机器人退化的特征，构造工业机器人退化特征集；
所述的三元组样本构建模块用于用随机采样的方式，从退化特征集随机构造三元组样本；
所述的模型训练模块用于将三元组样本输入深度度量学习模型中训练调优，得到训练好的深度度量学习模型；
所述的数据采集模块还用于获取待评估工业机器人数据；
所述的距离数据计算模块用于将待评估工业机器人数据的历史特征集，与健康特征集输入到训练好的深度度量学习模型中，得到距离数据；
所述的健康指标构建模块用于根据距离数据，构建健康指标；
所述的健康评估模块用于通过健康指标评估待评估工业机器人的健康状态。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种工业机器人整机健康评估方法，其特征在于：包括以下步骤：
S1.采集训练用工业机器人的历史运行数据，根据训练用工业机器人的动作周期的任务特点与数据特点，将历史运行数据划分为平稳运行阶段与非平稳运行阶段；
S2.对平稳运行阶段与非平稳运行阶段的运行数据分别进行时域频域特征的提取，构造特征集；
S3.从特征集中选取更能表示训练用工业机器人退化的特征，构造工业机器人退化特征集；
S4.用随机采样的方式，从退化特征集随机构造三元组样本；
S5.将三元组样本输入深度度量学习模型中训练调优，得到训练好的深度度量学习模型；
S6.获取待评估工业机器人历史运行数据，将待评估工业机器人历史运行数据输入到训练好的深度度量学习模型中，得到距离数据；
S7.根据距离数据，构建健康指标；
S8.通过健康指标评估待评估工业机器人的健康状态。
2.根据权利要求1所述的工业机器人整机健康评估方法，其特征在于：所述的历史运行数据为时序的训练用工业机器人的运行信号数据集。
3.根据权利要求1所述的工业机器人整机健康评估方法，其特征在于：所述的步骤S1中，采集训练用工业机器人的历史运行数据，具体为：根据工业机器人执行的任务特点，将训练用工业机器人的运行数据划分成多个完整的动作周期，得到训练用工业机器人的历史运行数据。
4.根据权利要求1所述的工业机器人整机健康评估方法，其特征在于：所述的步骤S4中，通过随机采样，从退化特征集随机构造三元组样本，具体为：通过随机采样，从退化特征集随机构造锚点样本、正样本、负样本，其中锚点样本与正样本为同一类别样本，锚点样本与负样本为不同类别样本。
5.根据权利要求4所述的工业机器人整机健康评估方法，其特征在于：所述的步骤S5中，将三元组样本输入深度度量学习模型中训练调优，得到训练好的深度度量学习模型，具体为步骤：
S501.将三元组数据输入深度度量学习模型提取特征，得到三组数据的高维特征表示；
S502.将三组数据的高维特征表示通过损失函数计算损失，损失函数通过反向传播来计算梯度，在用梯度下降法更新深度度量学习模型的神经网络参数，从而训练深度度量学习模型。
6.根据权利要求5所述的工业机器人整机健康评估方法，其特征在于：所述的损失函数具体为：
Figure FDA0003816586010000021
其中，
Figure FDA0003816586010000022
代表锚点样本，
Figure FDA0003816586010000023
代表正样本，
Figure FDA0003816586010000024
代表负样本，f(x)代表高维特征表示；||*||2表示欧式距离，用于计算两个特征间的距离，a表示正样本与负样本分开的边界阈值，即当锚点样本与负样本间的距离小于锚点样本与正样本间的距离小于加a时，将不产生损失。
7.根据权利要求5所述的工业机器人整机健康评估方法，其特征在于：所述的深度度量学习模型包括第一长短时记忆网络层、第二长短时记忆网络层、注意力机制层、第一卷积层、第二卷积层；所述的第一长短时记忆网络层、第二长短时记忆网络层、注意力机制层、第一卷积层、第二卷积层依次相连。
8.根据权利要求7所述的工业机器人整机健康评估方法，其特征在于：所述的步骤S501中，将三元组数据输入深度度量学习模型提取特征，得到三组数据的高维特征表示，具体步骤为：
A1.将三元组数据分别依次输入第一长短时记忆网络层、第二长短时记忆网络层提取时序特征；
A2.将提取了时序特征的三元组数据通过注意力机制层，通过注意力机制调整特征权重；
A3.将调整了特征权重的三元组数据依次输入第一卷积层、第二卷积层进一步提取空间局部特征，得到三组数据的高维特征表示。
9.根据权利要求1所述的工业机器人整机健康评估方法，其特征在于：所述的步骤S7中，根据距离数据，构建健康指标HIt，具体为：
Figure FDA0003816586010000025
其中，t为样本数，L为最大样本数，ft代表距离数据中实时数据与健康基准数据的距离，ffault是距离数据中失效数据与健康数据的距离；当HIt的值越大，则工业机器人健康状态越好，可靠性越高；当工业机器人的HIt值接近0时，则工业机器人退化严重，即将失效。
10.一种工业机器人整机健康评估系统，其特征在于：包括数据采集模块、数据划分模块、特征集提取模块、退化特征集提取模块、三元组样本构建模块、模型训练模块、距离数据计算模块、健康指标构建模块、健康评估模块；
所述的数据采集模块用于采集训练用工业机器人的历史运行数据；
所述的数据划分模块用于根据训练用工业机器人的动作周期的任务特点与数据特点，将历史运行数据划分为平稳运行阶段与非平稳运行阶段；
所述的特征集提取模块用于对平稳运行阶段与非平稳运行阶段的运行数据分别进行时域频域特征的提取，构造特征集；
所述的退化特征集提取模块用于从特征集中选取更能表示训练用工业机器人退化的特征，构造工业机器人退化特征集；
所述的三元组样本构建模块用于用随机采样的方式，从退化特征集随机构造三元组样本；
所述的模型训练模块用于将三元组样本输入深度度量学习模型中训练调优，得到训练好的深度度量学习模型；
所述的数据采集模块还用于获取待评估工业机器人数据；
所述的距离数据计算模块用于将待评估工业机器人数据的历史特征集，与健康特征集输入到训练好的深度度量学习模型中，得到距离数据；
所述的健康指标构建模块用于根据距离数据，构建健康指标；
所述的健康评估模块用于通过健康指标评估待评估工业机器人的健康状态。
CN202211028301.6A 2022-08-25 2022-08-25 一种工业机器人整机健康评估方法及系统 Pending CN115481726A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211028301.6A CN115481726A (zh) 2022-08-25 2022-08-25 一种工业机器人整机健康评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211028301.6A CN115481726A (zh) 2022-08-25 2022-08-25 一种工业机器人整机健康评估方法及系统

Publications (1)

Publication Number Publication Date
CN115481726A true CN115481726A (zh) 2022-12-16

Family

ID=84422232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211028301.6A Pending CN115481726A (zh) 2022-08-25 2022-08-25 一种工业机器人整机健康评估方法及系统

Country Status (1)

Country Link
CN (1) CN115481726A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116572256A (zh) * 2023-07-13 2023-08-11 佛山智能装备技术研究院 一种工业机器人状态监测与故障诊断方法
CN117236381A (zh) * 2023-11-08 2023-12-15 智能制造龙城实验室 一种基于三元组长短时记忆神经网络的刀具磨损监测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116572256A (zh) * 2023-07-13 2023-08-11 佛山智能装备技术研究院 一种工业机器人状态监测与故障诊断方法
CN116572256B (zh) * 2023-07-13 2023-09-19 佛山智能装备技术研究院 一种工业机器人状态监测与故障诊断方法
CN117236381A (zh) * 2023-11-08 2023-12-15 智能制造龙城实验室 一种基于三元组长短时记忆神经网络的刀具磨损监测方法
CN117236381B (zh) * 2023-11-08 2024-02-02 智能制造龙城实验室 一种基于三元组长短时记忆神经网络的刀具磨损监测方法

Similar Documents

Publication Publication Date Title
CN110162018B (zh) 基于知识蒸馏与隐含层共享的增量式设备故障诊断方法
CN111596604B (zh) 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法
CN102208028B (zh) 一种适用于动态复杂系统的故障预测和诊断方法
CN115481726A (zh) 一种工业机器人整机健康评估方法及系统
CN110231156B (zh) 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
CN114723285B (zh) 一种电网设备安全性评估预测方法
CN113156917A (zh) 基于人工智能的电网设备故障诊断方法及系统
CN107423414A (zh) 一种基于信息传递模型的流程工业复杂机电系统故障溯源方法
CN111459144A (zh) 一种基于深度循环神经网络的飞机飞控系统故障预测方法
CN110705812A (zh) 一种基于模糊神经网络的工业故障分析系统
CN109947898B (zh) 基于智能化的装备故障测试方法
CN113283602B (zh) 基于离线知识学习和在线动态修正电网系统故障诊断方法
CN110737976A (zh) 一种基于多维度信息融合的机械设备健康评估方法
CN116205265A (zh) 一种基于深层神经网络的电网故障诊断方法及装置
CN117273440A (zh) 基于深度学习的工程施工物联网监测管理系统及方法
CN117784710B (zh) 数控机床远程状态监控系统及其方法
CN117408162A (zh) 基于数字孪生的电网故障控制方法
CN116664098A (zh) 一种光伏电站的异常检测方法及系统
CN115983714A (zh) 边图神经网络电力系统静态安全评估方法及系统
CN113807027B (zh) 一种风电机组健康状态评估模型、方法及系统
CN114819350A (zh) 基于多任务的传感器故障情况下的rul预测方法
CN114565051A (zh) 基于神经元影响程度的产品分类模型的测试方法
CN108388232B (zh) 一种原油脱盐过程的运行模式故障监测方法
CN110837932A (zh) 基于dbn-ga模型的太阳能集热系统热功率预测方法
Li Application analysis of artificial intelligent neural network based on intelligent diagnosis

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