CN115946132B - 一种智能密集库与物流机器人系统及其故障监测方法 - Google Patents
一种智能密集库与物流机器人系统及其故障监测方法 Download PDFInfo
- Publication number
- CN115946132B CN115946132B CN202310247609.8A CN202310247609A CN115946132B CN 115946132 B CN115946132 B CN 115946132B CN 202310247609 A CN202310247609 A CN 202310247609A CN 115946132 B CN115946132 B CN 115946132B
- Authority
- CN
- China
- Prior art keywords
- computing layer
- data
- fault
- dense
- mobile robot
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000004891 communication Methods 0.000 claims abstract description 7
- 238000007405 data analysis Methods 0.000 claims abstract description 6
- 238000012423 maintenance Methods 0.000 claims description 28
- 238000003745 diagnosis Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012384 transportation and delivery Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000004171 remote diagnosis Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011058 failure modes and effects analysis Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Abstract
本发明提出一种智能密集库与物流机器人系统及其故障监测方法，包括：供应商服务器、现场服务器、移动机器人和密集库，供应商服务器、现场服务器、移动机器人和密集库之间采用高速数据通道连接；移动机器人和密集库上设有端计算层；现场服务器上设有边缘计算层；供应商服务器上设有云计算层；所述端计算层、边缘计算层和云计算层形成三层架构体系，本发明利用现代高速数据通讯实现了现代智慧仓储和物流机器人系统下的物流机器人的高精度实时运动控制，实现了广域大空间复杂环境下多机器人和密集库的协作运行；建立起整体系统的大数据系统，通过大数据分析实现系统的故障管理和预测，并进而实现典型故障所消耗备件的低库存甚至零库存。
Description
技术领域
本发明涉及物流技术领域，尤其涉及一种智能密集库与物流机器人系统及其故障监测方法。
背景技术
随着社会的发展，海量的商品、货物、原材料或半成品需要存储与转运，有限的土地与空间下，诞生了密集存储仓库（密集库）技术，相对传统的立体库，密集库的各排货架密集安装到一起，没有特别设置巷道给搬运机器人取放货。
因此，密集库可以在狭窄空间内存储大量的物资；在这个狭窄空间内，采用沿着轨道移动的移动机器人（穿梭车）实现货物的移动和出库入库；在外部则采用无轨道的无人驾驶叉车移动机器人配合完成装载着货物的托盘在密集库出入口与外部其它地方之间的转运操作。该过程由后台的管理软件和机器人上的移动端嵌入式软件合作完成，实现了密集库、穿梭车、无人叉车为主体的智慧仓储与物流机器人系统，为有限空间内的高密度货物存储与转运提供了可能；在设备的故障诊断和维修中，提出了“视情维修”（Condition BasedMaintenance：简称CBM）技术。视情维修的本质是基于状态的维修：它依托理论分析或故障后的现场复盘，进行故障机理的失效模式和影响分析（Failure Mode and EffectAnalysis,：简称FMEA分析），建立故障模型库；利用设备运行时产生的大量数据，对设备的状态进行监控，在不停止设备正常运行的前提下，对设备“潜在故障”进行预判，进行及时的调整、维修或更换，避免“功能故障”的发生，这就是故障预测与健康管理技术（PrognosticsHealth Management：简称PHM）。
另一方面，由于系统典型故障可以逐步实现预判，那么依托预判信息对系统供应商的维修保障计划进行调整，备件库中不用储存不太急需的资源，由此可以实现低库存甚至零库存，降低供应商在零备件存储供应方面压力的同时，提升系统保障的及时性和准确性，这就是所谓“综合后勤保障”（Integrated Logistic Support：简称ILS）；机器人和密集库都属于高附加值设备，其中某个环节的故障或失效不仅仅带来本身的损失，还可能因为连带作用作用于任务链中一系列环节，影响系统的自身安全和任务安全，带来大量的资金和时间损耗。因此，采用何种方法对整体系统安全进行监控，是值得关注的问题。
在现有技术中CN115268385A公开了一种基于设备动态交互模型的车间调度方法，其包括以下步骤：车间调度系统的设置；生产订单的数据输入；MES进行优先排级处理；车间调度模型的建立；多个车间生产线系统协同调动生产。现有技术还公开一种车间调度系统，其包括ERP系统、MES系统、调度系统及多个车间生产线系统，所述调度系统包括数据库集群模块、状态机模块、数据库存储模块、数据字典模块、异常报警模块及上下游协同模块。本发明通过建立准确的系统典型故障模型，并预测零件寿命的周期达到减少故障维护时间，提出一种智能密集库与物流机器人系统及其故障监测方法。
发明内容
为了解决上述问题，本发明提出一种智能密集库与物流机器人系统及其故障监测方法，以更加确切地解决上述所述的问题。
本发明通过以下技术方案实现的：
本发明提出一种智能密集库与物流机器人系统，包括：供应商服务器、现场服务器、移动机器人和密集库，所述供应商服务器、现场服务器、移动机器人和密集库之间采用高速数据通道连接；
所述移动机器人和密集库上设有端计算层；
所述现场服务器上设有边缘计算层；
所述供应商服务器上设有云计算层；
所述端计算层、边缘计算层和云计算层形成三层架构体系。
进一步的，所述的智能密集库与物流机器人系统，所述现场服务器通过5G通讯模组连接移动机器人和密集库，形成端计算层到边缘计算层的稳定连接体系；
所述移动机器人和密集库实时接受来自端计算层的控制指令，并实时采集现场数据发送至端计算层上；
所述端计算层还接受来自边缘计算层的指令，并将边缘计算层需要的数据发送至边缘计算层上。
进一步的，所述的智能密集库与物流机器人系统，所述现场服务器通过软件控制现场的移动机器人和密集库；
所述边缘计算层用于作为端计算层和云计算层之间的连接节点，现场数据汇聚在所述边缘计算层，同时建立现场情况的数据仓库，并进行数据分析。
进一步的，所述的智能密集库与物流机器人系统，所述供应商服务器在云端接收现场数据进汇总、分析，所述云计算层建立数据中心，并对数据进行清洗提纯，获取故障特征，进行故障诊断、故障预测，实现视情维修，并与维修保障、备件系统进行联合。
一种智能密集库与物流机器人的故障监测方法，采用所述的智能密集库与物流机器人系统实现智能密集库与物流机器人的故障监测方法，所述故障监测方法包括：
端计算层通过移动机器人和密集库上的传感器获取移动机器人和密集库实时动态参数，上传至边缘计算层；
边缘计算层将数据进行分析和筛选，将供应商所需的数据通过无线传输至云计算层；
云计算层构建算法库和故障模型对各零部件的寿命时间进行预测；
在预测所述零部件性能达到故障阈值时，指定针对性的维修更换方案。
进一步的，所述的智能密集库与物流机器人的故障监测方法，所述故障模型包括电机故障模型，所述电机故障模型包括：
其中，
为衰减系数，在时间t得到电机的各项数据后，推测出电机在时间T达到电机性能n将出现故障，C是衰减曲线，/>
是衰减曲线上的点。
进一步的，所述衰减系数设于衰减函数上，如下：
获取电机出厂的初始数据值
，以及在时间t的数据值/>
，/>
是在t时间下的电机性能；
计算得出数据相似度
，并转换为平面函数；
数据的相似性曲线等同于所述衰减函数的相关平面曲线，在不同时间段由于衰减系数不同，得到的线段与坐标系的角度逐渐增大，在数据相似度减小至预设相似度阈值时，衰减系数增大。
进一步的，所述的智能密集库与物流机器人的故障监测方法，在不同时间的衰减系数的计算方法为：
转换得到在
时间区间内的/>
的值；
其中，
当前衰减系数/>
的时间区间，/>
上一个衰减系数/>
的时间区间。
进一步的，所述的智能密集库与物流机器人的故障监测方法，输入故障阈值后在当前时间
的衰减系数/>
下计算得到发生故障的时间T。
本发明的有益效果：
本发明利用现代高速数据通讯实现了现代智慧仓储和物流机器人系统下的物流机器人的高精度实时运动控制，实现了广域大空间复杂环境下多机器人和密集库的协作运行；建立起整体系统的大数据系统，通过大数据分析实现系统的故障管理和预测，并进而实现典型故障所消耗备件的低库存甚至零库存；
本专利提出电机故障模型，可以准确的分析电机在各个阶段的衰减系数，根据衰减函数转化为具备衰减系数的平面坐标图，可以准确的描述电机在各个衰减区间的衰减幅度，代入电机性能的各相关量，根据预设的电机故障阈值预测电机故障的时间，在此时间前安排人员对该电机进行维护或更换，实现了电机故障风险的规避，同时供应商可以清楚的从供应商服务器中获取到产品的各项信息，有助于供应商对产品的改良，同时在维护和更换的过程中，自由调配零件，可以减少供应商备件系统的零件库存；同时，对移动机器人的状态监控和故障模型库建设，首先从上述量的阈值监控和分析入手，初期建设的内容实现上述量超阈值后及时报警和关注；在项目的持续推进中，通过持续的理论分析，或对项目开展中发现的各种故障失效案例进行跟踪和机理分析，逐步丰富故障模型库，针对于不同零件还可以采取不同的算法和故障模型，整个系统的零件性能进行监控，规避故障发生的风险，保证整个系统运行的稳定性。
附图说明
图1为本发明的智能密集库与物流机器人故障监测方法的流程示意图。
具体实施方式
为了更加清楚完整的说明本发明的技术方案，下面结合附图对本发明作进一步说明。
本发明提出一种智能密集库与物流机器人系统及其故障监测方法；
在本实施方式中一种智能密集库与物流机器人的通讯系统，包括：供应商服务器、现场服务器、移动机器人和密集库，所述供应商服务器、现场服务器、移动机器人和密集库之间采用高速数据通道连接；
所述移动机器人和密集库上设有端计算层；
所述现场服务器上设有边缘计算层；
所述供应商服务器上设有云计算层；
所述端计算层、边缘计算层和云计算层形成三层架构体系。
所述现场服务器通过5G通讯模组连接移动机器人和密集库，形成端计算层到边缘计算层的稳定连接体系；
所述移动机器人和密集库实时接受来自端计算层的控制指令，并实时采集现场数据发送至端计算层上；
所述端计算层还接受来自边缘计算层的指令，并将边缘计算层需要的数据发送至边缘计算层上。
所述现场服务器通过软件控制现场的多种类、大数量的移动机器人和密集库；
所述边缘计算层用于作为端计算层和云计算层之间的连接节点，现场数据汇聚在所述边缘计算层，同时建立现场情况的数据仓库，并进行数据分析。
所述供应商服务器在云端接收现场数据进汇总、分析，所述云计算层建立数据中心，并对数据进行清洗提纯，获取故障特征，进行故障诊断、故障预测，实现视情维修，并与维修保障、备件系统进行联合。
在本实施例中，通过激光、视觉、旋转编码器等多种手段，测量感知系统的位置和姿态等状态数据，建立起机器人对状态环境的多源多粒度认知，利用多源信息融合方法获得机器人的状态数据的优化估计，在此基础上利用模糊PID控制方法建立控制律，进而在下位机控制器内实现全部控制算法，由此实现现场机器人的精准实时控制；
在一个实施例，通过对企业的生产订单或物流订单的拆解，形成机器人搬运任务的订单池，依据任务优先级，对订单池的任务进行优化排序，通过对移动机器人的任务状态、健康状态进行评估择优派遣给对应的移动机器人，实时监控移动机器人的任务执行情况，在系统正常运行时接收各种新增订单并实时处理，由此实现后台云端对现场多机器人的管理和调度，在本实施例中，拥有的调度系统包括：任务生成模块、任务监管模块、显控模块和配置模块，任务生成模块用于对移动机器人发送指令，包括任务规划和路径规划指令；任务监管模块用于对机器人的状态进行监管，包括任务转台和机器人状态；显控模块在用户终端（电脑、手机、平板）显示出任务情况、机器人情况、订单情况和地图情况等信息，配置模块根据显示的信息进行系统配置和任务配置，实现与移动机器人与现场设备的交互。
在一个实施例中，依托物联网技术，使客户的机器人联网，在后台建立起所有客户的现场数据数据库；采用失效模式分析方法，从理论分析和事故后分析两个渠道，由主要设备的典型故障逐步丰富完善建立起整体系统和各个组件的故障模型数据库；利用机器学习、深度学习等方法，对现场数据库与故障模型库之间的关系进行分析和推理，逐步实现故障诊断和预测；利用故障诊断与预测结果，对售后维护和保障系统进行管理，逐步实现视情维修和综合后勤保障。
在项目的开展中，数据库的建设采取逐步丰富完善的方法。以移动机器人的失效模式分析和状态监控为例，电机和电池是移动机器人的主要部件，对这两种部件的状态监控内容，包括电机或电池的温度、电压、电流，电机的振动、电池的充放电次数等参数。对移动机器人的状态监控和故障模型库建设，首先从上述量的阈值监控和分析入手，初期建设的内容实现上述量超阈值后及时报警和关注；在项目的持续推进中，通过持续的理论分析，或对项目开展中发现的各种故障失效案例进行跟踪和机理分析，逐步丰富故障模型库，逐步建立起充放电次数、电池电压消耗情况和电池寿命之间的数学模型，建立起电机温度、振动和电机寿命之间的数学模型，以此作为故障预测的理论依据。
当设备发生故障时，将机器远程连接进诊断中心，由厂商的高级工程师进行远程的诊断和远程维修，如果在线工程师判断需要派现场工程师到用户处，现场维护工程师才前往用户场地进行维修。这时工程师已经作了初步的判断，配件的准备也会尽量准确。由此加强了远程诊断和远程控制的能力，减少了维护工程师到现场的时间和费用，不仅节约了大量的人力和物力的成本，为客户提供更为快捷的服务，减少客户的损失，同时，利用现代高速数据通讯实现了现代智慧仓储和物流机器人系统下的物流机器人的高精度实时运动控制，实现了广域大空间复杂环境下多机器人和密集库的协作运行；建立起整体系统的大数据系统，通过大数据分析实现系统的故障管理和预测，并进而实现典型故障所消耗备件的低库存甚至零库存。
如图1所示，在一个实施例中，一种智能密集库与物流机器人的故障监测方法，包括：
端计算层通过移动机器人和密集库上的传感器获取移动机器人和密集库实时动态参数，上传至边缘计算层；
边缘计算层将数据进行分析和筛选，将供应商所需的数据通过无线传输至云计算层；
云计算层构建算法库和故障模型对各零部件的寿命时间进行预测；
在预测所述零部件性能达到故障阈值时，指定针对性的维修更换方案。
在本实施例中，通过供应商服务器、现场服务器、现场的移动机器人和密集库，形成云边端的云计算、边端的边缘计算、移动端的端计算三层、三端体系架构；端计算层通过移动机器人和密集库上的传感器获取移动机器人和密集库实时动态参数，上传至边缘计算层；边缘计算层将数据进行分析和筛选，将供应商所需的数据通过无线传输至云计算层；云计算层构建算法库和故障模型对各零部件的寿命时间进行预测，其中采用失效模式分析方法，从理论分析和事故后分析两个渠道，由主要设备的典型故障逐步丰富完善建立起整体系统和各个组件的故障模型数据库；利用机器学习、深度学习等方法，对现场数据库与故障模型库之间的关系进行分析和推理，逐步实现故障诊断和预测；利用故障诊断与预测结果，对售后维护和保障系统进行管理，逐步实现视情维修和综合后勤保障，最后通过获取的故障特征，进行故障诊断、故障预测，实现适时适度的视情维修；与维修保障、备件系统进行联动，实现综合后勤保障下和低库存或零库存操作。
在一个实施例中，所述故障模型包括电机故障模型，所述电机故障模型包括：
其中，
为衰减系数，在时间t得到电机的各项数据后，推测出电机在时间T达到电机性能n将出现故障，C是衰减曲线，/>
是衰减曲线上的点。
进一步的，所述衰减系数设于衰减函数上，如下：
获取电机出厂的初始数据值
，以及在时间t的数据值/>
，/>
是在t时间下的电机性能；
计算得出数据相似度
，并转换为平面函数；
数据的相似性曲线等同于所述衰减函数的相关平面曲线，在不同时间段由于衰减系数不同，得到的线段与坐标系的角度逐渐增大，在数据相似度减小至预设相似度阈值时，衰减系数增大。
进一步的，所述的智能密集库与物流机器人的故障监测方法，在不同时间的衰减系数的计算方法为：
转换得到在
时间区间内的/>
的值；
其中，
当前衰减系数/>
的时间区间，/>
上一个衰减系数/>
的时间区间。
进一步的，输入故障阈值后在当前时间
的衰减系数/>
下计算得到发生故障的时间T，若时间T小于等于预设时间，则实施预定的维修方案。
在本实施例中，提出电机在正常运行下的故障模型，针对于电机在正常运行情况下的最终寿命周期的预测，运用在机器人上的驱动电机的故障模型时，其运行状态保持不变，在有电时进行物体的搬运，电量不足时进入充电状态，在工作时的电机温度、转速等数据基本一致，在电机的使用过程中，其寿命衰减的量在不同时期衰减函数不同，采用平面坐标表示衰减函数，在电机使用的初始阶段衰减系数低，几乎与时间轴成平行状态，在使用后期的状态下，衰减系数高，与时间轴的角度增大，即随着电机性能的下降，衰减系数也随之提高，到达电机的故障阈值时，电机的性能难以支持工作，电机的故障阈值可以通过历史故障电机的数据与出厂数据分析得出；在一个实施例中，在电机性能衰减至一定时，电机无法驱动机器人按预设时间行驶，即驱动不足，在运行的过程中，无法达到预设数值时，与其他机器人可能发生碰撞，进而引发整个系统在一定时间内瘫痪，影响整个系统的工作效率，在此，在预测到该电机的性能不足以支持驱动机器人时，应当在电机故障发生之前进行更换，在另外的实施例中，故障模型还包括了内部主要零件的故障模型，例如采用神经网络对电池的寿命进行预测，采用自适应核谱聚类(AKSC)异常诊断模型对轴承的使用寿命进行预测等等。
在一个实施例中，维修方案包括：
在需要更换零件时，通过供应商服务器通知驻场工作人员在零件寿命时间到达之间对其进行更换；
在需要现场维修时，厂商的高级工程师通过供应商服务器和现场服务器之间的连接进行远程的诊断或远程维修，调用备件系统的零件发往现场并由驻场工作人员进行维修。
当然，本发明还可有其它多种实施方式，基于本实施方式，本领域的普通技术人员在没有做出任何创造性劳动的前提下所获得其他实施方式，都属于本发明所保护的范围。
Claims (5)
1.一种智能密集库与物流机器人系统，其特征在于，包括：供应商服务器、现场服务器、移动机器人和密集库，所述供应商服务器、现场服务器、移动机器人和密集库之间采用高速数据通道连接；
所述移动机器人和密集库上设有端计算层；
所述现场服务器上设有边缘计算层；
所述供应商服务器上设有云计算层，云计算层构建算法库和故障模型对各零部件的寿命时间进行预测；
所述端计算层、边缘计算层和云计算层形成三层架构体系；
所述故障模型包括电机故障模型，所述电机故障模型包括：
其中，
为衰减系数，在时间t得到电机的各项数据后，推测出电机在时间T达到电机性能n将出现故障，C是衰减曲线，/>
是衰减曲线上的点；
所述衰减系数设于衰减函数上，如下：
获取电机出厂的初始数据值
，以及在时间t的数据值/>
，/>
是在t时间下的电机性能；
计算得出数据相似度
，并转换为平面函数；
数据的相似性曲线等同于所述衰减函数的相关平面曲线，在不同时间段由于衰减系数不同，得到的线段与坐标系的角度逐渐增大，在数据相似度减小至预设相似度阈值时，衰减系数增大；
在不同时间的衰减系数的计算方法为：
转换得到在
时间区间内的/>
的值；
其中，
当前衰减系数/>
的时间区间，/>
上一个衰减系数/>
的时间区间；
输入故障阈值后在当前时间
的衰减系数/>
下计算得到发生故障的时间T。/>
2.根据权利要求1所述的智能密集库与物流机器人系统，其特征在于，所述现场服务器通过5G通讯模组连接移动机器人和密集库，形成端计算层到边缘计算层的稳定连接体系；
所述移动机器人和密集库实时接受来自端计算层的控制指令，并实时采集现场数据发送至端计算层上；
所述端计算层还接受来自边缘计算层的指令，并将边缘计算层需要的数据发送至边缘计算层上。
3.根据权利要求1所述的智能密集库与物流机器人系统，其特征在于，所述现场服务器通过软件控制现场的移动机器人和密集库；
所述边缘计算层用于作为端计算层和云计算层之间的连接节点，现场数据汇聚在所述边缘计算层，同时建立现场情况的数据仓库，并进行数据分析。
4.根据权利要求1所述的智能密集库与物流机器人系统，其特征在于，所述供应商服务器在云端接收现场数据进汇总、分析，所述云计算层建立数据中心，并对数据进行清洗提纯，获取故障特征，进行故障诊断、故障预测，实现视情维修，并与维修保障、备件系统进行联合。
5.一种智能密集库与物流机器人的故障监测方法，其特征在于，采用权利要求1-4任一项所述的智能密集库与物流机器人系统实现智能密集库与物流机器人的故障监测方法，所述故障监测方法包括：
端计算层通过移动机器人和密集库上的传感器获取移动机器人和密集库实时动态参数，上传至边缘计算层；
边缘计算层将数据进行分析和筛选，将供应商所需的数据通过无线传输至云计算层；
云计算层构建算法库和故障模型对各零部件的寿命时间进行预测；
在预测所述零部件性能达到故障阈值时，指定针对性的维修更换方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310247609.8A CN115946132B (zh) | 2023-03-15 | 2023-03-15 | 一种智能密集库与物流机器人系统及其故障监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310247609.8A CN115946132B (zh) | 2023-03-15 | 2023-03-15 | 一种智能密集库与物流机器人系统及其故障监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115946132A CN115946132A (zh) | 2023-04-11 |
| CN115946132B true CN115946132B (zh) | 2023-05-30 |
Family
ID=85903358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310247609.8A Active CN115946132B (zh) | 2023-03-15 | 2023-03-15 | 一种智能密集库与物流机器人系统及其故障监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115946132B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116645010B (zh) * | 2023-07-21 | 2023-11-21 | 金正大生态工程集团股份有限公司 | 一种化工安全生产巡控系统 |
| CN117021123B (zh) * | 2023-10-09 | 2024-01-30 | 泓浒(苏州)半导体科技有限公司 | 一种超真空环境下晶圆转运机械臂的振动预测系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104391849A (zh) * | 2014-06-30 | 2015-03-04 | 浙江大学苏州工业技术研究院 | 融入时间上下文信息的协同过滤推荐方法 |
| CN106873475A (zh) * | 2017-04-11 | 2017-06-20 | 宁波如意股份有限公司 | 一种仓储搬运设备远程故障诊断装置 |
| WO2020227429A1 (en) * | 2019-05-06 | 2020-11-12 | Strong Force Iot Portfolio 2016, Llc | Platform for facilitating development of intelligence in an industrial internet of things system |
| CN112732787A (zh) * | 2021-01-02 | 2021-04-30 | 西北工业大学 | 面向动车组重要部件的设备画像与个性化运维服务方法 |
| CN112819646A (zh) * | 2021-01-18 | 2021-05-18 | 南京理工大学 | 一种定制木工家具柔性生产线故障诊断系统 |
| CN114463096A (zh) * | 2022-02-14 | 2022-05-10 | 平安科技（深圳）有限公司 | 一种信息配对方法、装置、设备及介质 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107071027A (zh) * | 2017-04-19 | 2017-08-18 | 济南浪潮高新科技投资发展有限公司 | 一种可重构雾节点及基于该雾节点的物联网系统 |
| US10659526B2 (en) * | 2018-01-03 | 2020-05-19 | Verizon Patent And Licensing Inc. | Edge compute systems and methods |
| CN111222817B (zh) * | 2018-11-27 | 2024-03-22 | 深圳先进技术研究院 | 一种基于云/边计算的智能仓储系统 |
| CN109724791A (zh) * | 2019-02-22 | 2019-05-07 | 朱清 | 一种智能化振动分析及故障诊断装置及其工作方法 |
| CN110070317B (zh) * | 2019-04-01 | 2023-01-31 | 东南大学 | 一种基于装备制造商诊断能力的物流中心优化调度方法 |
| CN112351055B (zh) * | 2019-08-07 | 2022-06-10 | 华为云计算技术有限公司 | 边缘计算服务器的寻找方法及相关设备 |
| CN111273892A (zh) * | 2020-02-13 | 2020-06-12 | 济南浪潮高新科技投资发展有限公司 | 一种基于云端技术和边缘计算实现智能机器人的方法 |
| CN112216085B (zh) * | 2020-09-15 | 2022-05-10 | 青岛科技大学 | 一种基于边缘计算和在线更新样本智能识别的装备关键承力结构件健康监测系统 |
| CN113465920B (zh) * | 2021-06-08 | 2022-04-22 | 西安交通大学 | 云、雾、边缘端协同的轴承状态监测与管理方法及系统 |
| CN113438621A (zh) * | 2021-07-01 | 2021-09-24 | 兰州理工大学 | 一种基于网联车辅助的边缘计算卸载与资源分配方法 |
-
2023
- 2023-03-15 CN CN202310247609.8A patent/CN115946132B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104391849A (zh) * | 2014-06-30 | 2015-03-04 | 浙江大学苏州工业技术研究院 | 融入时间上下文信息的协同过滤推荐方法 |
| CN106873475A (zh) * | 2017-04-11 | 2017-06-20 | 宁波如意股份有限公司 | 一种仓储搬运设备远程故障诊断装置 |
| WO2020227429A1 (en) * | 2019-05-06 | 2020-11-12 | Strong Force Iot Portfolio 2016, Llc | Platform for facilitating development of intelligence in an industrial internet of things system |
| CN112732787A (zh) * | 2021-01-02 | 2021-04-30 | 西北工业大学 | 面向动车组重要部件的设备画像与个性化运维服务方法 |
| CN112819646A (zh) * | 2021-01-18 | 2021-05-18 | 南京理工大学 | 一种定制木工家具柔性生产线故障诊断系统 |
| CN114463096A (zh) * | 2022-02-14 | 2022-05-10 | 平安科技（深圳）有限公司 | 一种信息配对方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115946132A (zh) | 2023-04-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115946132B (zh) | 一种智能密集库与物流机器人系统及其故障监测方法 | |
| Dalzochio et al. | Machine learning and reasoning for predictive maintenance in Industry 4.0: Current status and challenges | |
| Aivaliotis et al. | Degradation curves integration in physics-based models: Towards the predictive maintenance of industrial robots | |
| CN108009739B (zh) | 一种智能机加车间生产计划与调度一体化方法 | |
| US10423934B1 (en) | Automated vehicle diagnostics and maintenance | |
| US10740710B2 (en) | Fog computing facilitated flexible factory | |
| CN113361139B (zh) | 一种基于数字孪生的产线仿真滚动优化系统及方法 | |
| Wang et al. | Research on assembly quality adaptive control system for complex mechanical products assembly process under uncertainty | |
| Wang et al. | Innovative smart scheduling and predictive maintenance techniques | |
| CN117114573A (zh) | 一种基于大数据的仓储时间监管系统及方法 | |
| Mubarak et al. | Digital Twin Enabled Industry 4.0 Predictive Maintenance Under Reliability-Centred Strategy | |
| JPH07315527A (ja) | 物流システムの予防保全報知システム | |
| KR102474332B1 (ko) | 스마트 공장 시스템에서 설비 건강 안정도 예측 방법 및 이를 기록한 기록매체 | |
| zu Wickern | Challenges and reliability of predictive maintenance | |
| Wang et al. | Digital-twin based real-time resource allocation for hull parts picking and processing | |
| Yıldız et al. | Integrating preventive and predictive maintenance policies with system dynamics: A decision table approach | |
| JP2022148935A (ja) | 物流システム | |
| CN117314389A (zh) | 一种基于物联网的市政管养维护系统 | |
| Bozhdaraj et al. | Smart maintenance architecture for automated guided vehicles | |
| Mohan et al. | LSTM based artificial intelligence predictive maintenance technique for availability rate and OEE improvement in a TPM implementing plant through Industry 4.0 transformation | |
| Pérez-Juárez et al. | How Artificial Intelligence Can Enhance Predictive Maintenance in Smart Factories | |
| Hadjadji et al. | Advances in Smart Maintenance for Sustainable Manufacturing in Industry 4.0 | |
| Ren et al. | An Edge-Fog-Cloud Computing-Based Digital Twin Model for Prognostics Health Management of Process Manufacturing Systems | |
| Chhotaray et al. | Enhancement of Manufacturing Sector Performance with the Application of Industrial Internet of Things (IIoT) | |
| Bellini et al. | A Deep Learning Approach for Short Term Prediction of Industrial Plant Working Status |
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 |