CN115958586A - 元器件的异常监测方法、电子设备及存储介质 - Google Patents

Abstract

本申请提供一种元器件的异常监测方法、电子设备及存储介质，所述方法包括：获取元器件的待测数据；从所述待测数据中提取特征数据；对所述特征数据进行主成分分析，得到统计量；根据所述统计量和预设的标准值区间监测所述元器件是否存在异常。通过本申请可以提高元器件异常监测的准确率和效率。

Description

元器件的异常监测方法、电子设备及存储介质

技术领域

本申请涉及数据分析领域，尤其涉及一种元器件的异常监测方法、电子设备及存储介质。

背景技术

目前，由于生产过程中的机械臂运行状态不可见，当所述机械臂出现故障问题或即将出现故障问题时，相关人员无法及时的发现故障问题，从而导致故障维修不及时，严重影响生产效率和生产质量。

发明内容

鉴于以上内容，有必要提供一种元器件的异常监测方法、电子设备及存储介质，能提高元器件异常监测的准确率和效率，从而提高生产效率。

本申请提供一种元器件的异常监测方法，所述方法包括：获取元器件的待测数据；从所述待测数据中提取特征数据；对所述特征数据进行主成分分析，得到统计量；根据所述统计量和预设的标准值区间监测所述元器件是否存在异常。

在一种可能的实现方式中，所述获取元器件的待测数据包括：通过传感器获取所述元器件的传感器数据；通过控制器获取所述元器件的控制器数据；将所述传感器数据和所述控制器数据作为所述待测数据。

在一种可能的实现方式中，所述从所述待测数据中提取特征数据包括：从所述传感器数据中提取振动数据及位置误差数据；从所述控制器数据中提取电流数据；将所述振动数据、所述位置误差数据及所述电流数据作为所述特征数据。

在一种可能的实现方式中，所述对所述特征数据进行主成分分析，得到统计量包括：通过主成分分析算法提取所述振动数据的多个第一主成分；通过所述主成分分析算法提取所述位置误差数据的多个第二主成分；通过所述主成分分析算法提取所述电流数据的多个第三主成分；根据所述多个第一主成分、所述多个第二主成分和所述多个第三主成分计算所述统计量。

在一种可能的实现方式中，所述根据所述多个第一主成分、所述多个第二主成分和所述多个第三主成分计算所述统计量包括：根据所述多个第一主成分、所述多个第二主成分和所述多个第三主成分计算得到T2统计值；根据所述多个第一主成分、所述多个第二主成分和所述多个第三主成分计算得到SPE统计值；将所述T2统计值和所述SPE统计值作为所述统计量。

在一种可能的实现方式中，所述根据所述统计量和预设的标准值区间监测所述元器件是否存在异常包括：根据所述T2统计值及预设的第一标准值区间确定第一监测结果；根据所述SPE统计值及预设的第二标准值区间确定第二监测结果；根据所述第一监测结果和所述第二监测结果监测所述元器件是否存在异常。

在一种可能的实现方式中，所述根据所述T2统计值及所述预设的第一标准值区间确定第一监测结果包括：判断所述T2统计值是否位于所述预设的第一标准值区间内；当所述T2统计值位于所述预设的第一标准值区间内时，确定所述第一监测结果为正常；当所述T2统计值不位于所述预设的第一标准值区间内时，确定所述第一监测结果为异常。

在一种可能的实现方式中，所述根据所述第一监测结果和所述第二监测结果确定所述元器件是否存在异常包括：当所述第一监测结果及所述第二监测结果中每个监测结果均为正常时，确定所述元器件不存在异常；当所述第一监测结果及所述第二监测结果中至少有一个监测结果为异常时，确定所述元器件存在异常。

本申请还提供一种电子设备，所述电子设备包括处理器和存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现所述的元器件的异常监测方法。

本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的元器件的异常监测方法。

本申请公开的元器件的异常监测方法及相关设备，在获取到元器件的待测数据后，通过从元器件的待测数据中提取特征数据，将影响元器件的主要数据提取出来，通过利用主成分分析算法对所述特征数据进行主成分分析得到统计量，能够对特征数据的维度进行降维，从而得到维度较低的统计量，最后根据所述统计量和预设的标准值区间监测所述元器件是否存在异常，由于统计量为维度较低的少量数据，因而基于统计量进行元器件的异常监测，减少了数据计算的复杂性，数据复杂性的减少，有助于提高异常分析的效率。对元件器进行快速有效的异常监测，从而及时的监测出有故障的元器件，并剔除掉有异常的元件器，进而辅助提高产品的生产质量。

附图说明

图1是本申请实施例提供的一种元器件的异常监测方法的电子设备的结构示意图。

图2是本申请实施例提供的一种元器件的异常监测方法的流程图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本申请进行详细描述。

请参阅图1，图1为本申请一实施例的电子设备的示意图。参阅图1所示，所述电子设备1包括，但不仅限于，存储器11和至少一个处理器12上述元件之间可以通过总线连接，也可以直接连接。

所述电子设备1可以是计算机、手机、平板电脑、个人数字助理(Personal DigitalAssistant，PDA)等安装有应用程序的设备。本领域技术人员可以理解，所述示意图1仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线(例如，图1所示的13)等。

如图2所示，是本申请元器件的异常监测方法的较佳实施例的流程图。所述元器件的异常监测方法应用在所述电子设备1中。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。在本实施方式中，所述元器件的异常监测方法包括：

S21、获取元器件的待测数据。

在本申请的一个实施例中，所述元器件可以是机械臂(Universal Robots，UR)。UR机械臂主要应用于生产车间，可以用于组装、喷漆、拧螺丝、贴标签、注塑成型及焊接。所述UR机械臂具有编程简单、部署灵活、安装快捷及安全性高等特点。所述获取元器件的待测数据可以包括：通过传感器获取所述UR机械臂的传感器数据；通过控制器获取所述UR机械臂的控制器数据；将所述传感器数据和所述控制器数据作为所述待测数据。

具体实施时，

(1)针对所述UR机械臂硬度高、不易开槽加工的特点，采用粘贴安装方式在所述UR机械臂的轴关节电机及夹治具机构件上安装超声传感器。通过所述超声传感器实时获取所述UR机械臂的传感器数据，例如，所述UR机械臂的运动速度、所述UR机械臂的角度及所述UR机械臂的距离目标点的距离。所述超声传感器将所述传感器数据发送至数据采集卡，所述数据采集卡对所述传感器数据进行切分，通过数据切分可以去除掉不规范数据和多余数据，得到有用数据。进而，所述数据采集卡将切分后的传感器数据发送至所述电子设备。需要说明的是，所述UR机械臂由多个单轴构成，因此可以分别采集各个单轴的数据，下述的实施方式可以是对每个单轴进行的数据处理和分析。

(2)通过所述UR机械臂自带的控制器获取所述UR机械臂的控制器数据，其中，所述控制器是指按照预定顺序改变主电路或控制电路的接线和改变电路中电阻值来控制电动机的启动、调速、制动和反向的主令装置，所述控制器数据包括各种电流数据，例如，电阻值和电流方向。所述控制器将所述控制器数据发送至数据采集卡，所述数据采集卡对所述控制器数据进行切分。进而，所述数据采集卡将切分后的控制器数据发送至所述电子设备。

在本申请的一个实施例中，所述超声传感器相比于传统应变传感器，具有尺寸小巧，响应快，测量频率范围宽，线性度高，无需外接电源等优点。通过采集所述传感器数据和所述控制器数据，提高了数据的准确性和广泛性，可以使后续的数据分析更为准确。

S22、从所述待测数据中提取特征数据。

在实际应用中，所述传感器数据和所述控制器数据中往往包含大量冗余的数据类型，因此，为了提高后续数据分析的效率和准确率，需要从所述待测数据中提取出代表性数据。

在本申请的一个实施例中，所述代表性数据包括：振动数据、位置误差数据及电流数据。所述从所述待测数据中提取特征数据包括：从所述传感器数据提取所述振动数据及所述位置误差数据；从所述控制器数据中提取所述电流数据；将所述振动数据、所述位置误差数据及所述电流数据作为所述特征数据。

具体实施时，获取三类样本数据，所述三类样本数据分别为振动数据样本、位置误差数据样本及电流数据样本。从所述传感器数据中依次提取第一数据，计算所述第一数据与所述振动数据样本中的每个数据的多个第一距离及与所述位置误差数据样本中的每个数据的多个第二距离，对所述多个第一距离取第一均值，将所述第一均值小于预设第一均值阈值的第一数据作为所述振动数据，对所述多个第二距离取第二均值，将所述第二均值小于预设第二均值阈值的第一数据作为所述位置误差数据，直至所述传感器数据中的第一数据全部被提取。接着，从所述控制器数据中依次提取第二数据，计算所述第二数据与所述电流数据样本中的每个数据的多个第三距离，对所述多个第三距离取平均值，将所述平均值小于预设第三均值阈值的第三数据作为所述电流数据，直至所述控制器数据中的第三数据全部被提取。

通过提取所述待测数据中的特征数据，将影响所述UR机械臂的主要数据提取出来，可以提高后续数据分析的效率和准确率。

S23、对所述特征数据进行主成分分析，得到统计量。

在本申请的一个实施例中，所述通过主成分分析算法计算所述特征数据的统计量包括：通过主成分分析算法提取所述振动数据的多个第一主成分；通过主成分分析算法提取所述位置误差数据的多个第二主成分；通过主成分分析算法提取所述电流数据的多个第三主成分；根据所述多个第一主成分、所述多个第二主成分和所述多个第三主成分计算所述统计量。

所述根据所述多个第一主成分、所述多个第二主成分和所述多个第三主成分计算所述统计量包括：根据所述多个第一主成分、所述多个第二主成分和所述多个第三主成分计算得到T2统计值；根据所述多个第一主成分、所述多个第二主成分和所述多个第三主成分计算得到SPE统计值；将所述T2统计值和所述SPE统计值作为所述统计量。

具体实施时，对所述振动数据进行标准化处理，得到第一标准化数据。通过所述主成分分析(Principal components analysis，PCA)算法对所述第一标准化数据进行降维，得到若干个第一主成分，计算所述第一标准化数据的第一协方差矩阵，进而计算所述第一协方差矩阵的第一特征值和第一特征向量，获取每个所述第一特征值的贡献率，并将所述贡献率大于预设第一阈值的第一主成分作为所述多个第一主成分。对所述位置误差数据进行标准化处理，得到第二标准化数据。通过所述PCA算法对所述第二标准化数据进行降维，得到若干个第二主成分，计算所述第二标准化数据的第二协方差矩阵，进而计算所述第二协方差矩阵的第二特征值和第二特征向量，获取每个所述第二特征值的贡献率，并将所述贡献率大于预设第二阈值的第二主成分作为所述多个第一主成分。对所述电流数据进行标准化处理，得到第三标准化数据。通过所述PCA算法对所述第三标准化数据进行降维，得到若干个第三主成分，计算所述第三标准化数据的第三协方差矩阵，进而计算所述第三协方差矩阵的第三特征值和第三特征向量，获取每个所述第三特征值的贡献率，并将所述贡献率大于预设第三阈值的第三主成分作为所述多个第三主成分。进而，可以将所述多个第一主成分、所述多个第二主成分和所述多个第三主成分输入至PCA算法模型，输出所述T2统计值及SPE统计值。

通过利用主成分分析算法将大量数据降维为少量数据，减少了数据的复杂性，可以提高数据异常分析的效率。

S24、根据所述统计量和预设的标准值区间监测所述元器件是否存在异常。

当所述UR机械臂正常时，负重会处在5千克至9千克的区间，也就是说，当所述UR机械臂正常时，所述统计量会处在一个标准值区间。可以通过采集正常负重区间的数据来获取所述标准值区间。

在本申请的一个实施例中，获取负重5千克的UR机械臂的第一正常数据，并利用主成分分析模型得到所述第一正常数据的第一T2标准值和第一SPE标准值。接着，获取负重9千克的UR机械臂的第二正常数据，并利用主成分分析模型得到所述第二正常数据的第二T2标准值和第二SPE标准值。根据所述第一T2标准值和所述第二T2标准值确定预设的第一标准值区间，例如，所述第一T2标准值为300，所述第二T2标准值为700，因此确定所述预设的第一标准值区间为(300，700)。根据所述第一SPE标准值和所述第二SPE标准值确定预设的第二标准值区间，例如，所述第一SPE标准值为40，所述第二SPE标准值为90，因此确定所述预设的第二标准值区间为(40，90)。

在本申请的一个实施例中，所述根据所述统计量和预设的标准值区间确定所述元器件是否存在异常包括：根据所述T2统计值及预设的第一标准值区间确定第一监测结果；根据所述SPE统计值及预设的第二标准值区间确定第二监测结果；根据所述第一监测结果和所述第二监测结果监测所述元器件是否存在异常。

在本申请的一个实施例中，所述根据所述T2统计值及预设的第一标准值区间确定第一监测结果包括：判断所述T2统计值是否位于所述预设的第一标准值区间；当所述T2统计值位于所述预设的第一标准值区间时，确定所述第一监测结果为正常；当所述T2统计值不位于所述预设的第一标准值区间时，确定所述第一监测结果为异常。

在本申请的一个实施例中，所述根据所述SPE统计值及预设的第二标准值区间确定第二监测结果包括：当所述SPE统计值位于所述预设的第二标准值区间时，确定所述第二监测结果为正常；当所述SPE统计值不位于所述预设的第二标准值区间时，确定所述第二监测结果为异常。

在本申请的一个实施例中，根据所述第一监测结果和所述第二监测结果确定所述元器件是否存在异常包括：当所述第一监测结果及所述第二监测结果中每个监测结果均为正常时，确定所述元器件不存在异常；当所述第一监测结果及所述第二监测结果中至少有一个监测结果是异常，确定所述元器件存在异常。具体地，当所述第一监测结果为存在异常，且所述第二监测结果为无异常时，确定所述UR机械臂存在异常，当所述第一监测结果为无异常，且所述第二监测结果为存在异常时，确定所述UR机械臂存在异常，当所述第一监测结果为存在异常，且所述第二监测结果为存在异常时，确定所述UR机械臂存在异常。

通过实时监控所述UR机械臂的数据，并对数据进行分析，可以对所述UR机械臂的异常情况进行预警，并及时的采取解决方案，减少麻烦，从而可以提高车间的生产效率。采用这种方法可以长期对所述UR机械臂的状态进行监测。

作为一种可选的实施方式，所述方法还包括：根据所述统计量和对应的时间点绘制统计量走向图。

在本申请的一个实施例中，通过绘制所述统计量走向图，可以对所述UR机械臂的状态进行预测，从而可以及时的发现问题。

请继续参阅图1，本实施例中，所述存储器11可以是电子设备1的内部存储器，即内置于所述电子设备1的存储器。在其他实施例中，所述存储器11也可以是电子设备1的外部存储器，即外接于所述电子设备1的存储器。

在一些实施例中，所述存储器11用于存储程序代码和各种数据，并在电子设备1的运行过程中实现高速、自动地完成程序或数据的存取。

所述存储器11可以包括随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

在一实施例中，所述处理器12可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、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。通用处理器可以是微处理器或者所述处理器也可以是其它任何常规的处理器等。

所述存储器11中的程序代码和各种数据如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，例如元器件的异常监测方法，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，所述计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)等。

可以理解的是，以上所描述的模块划分，为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本申请各个实施例中的各功能模块可以集成在相同处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在相同单元中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (10)

1.一种元器件的异常监测方法，其特征在于，所述元器件的异常监测方法包括：

获取元器件的待测数据；

从所述待测数据中提取特征数据；

对所述特征数据进行主成分分析，得到统计量；

根据所述统计量和预设的标准值区间监测所述元器件是否存在异常。

2.根据权利要求1所述的元器件的异常监测方法，其特征在于，所述获取元器件的待测数据包括：

通过传感器获取所述元器件的传感器数据；

通过控制器获取所述元器件的控制器数据；

将所述传感器数据和所述控制器数据作为所述待测数据。

3.根据权利要求2所述的元器件的异常监测方法，其特征在于，所述从所述待测数据中提取特征数据包括：

从所述传感器数据中提取振动数据及位置误差数据；

从所述控制器数据中提取电流数据；

将所述振动数据、所述位置误差数据及所述电流数据作为所述特征数据。

4.根据权利要求3所述的元器件的异常监测方法，其特征在于，所述对所述特征数据进行主成分分析，得到统计量包括：

通过主成分分析算法提取所述振动数据的多个第一主成分；

通过所述主成分分析算法提取所述位置误差数据的多个第二主成分；

通过所述主成分分析算法提取所述电流数据的多个第三主成分；

根据所述多个第一主成分、所述多个第二主成分和所述多个第三主成分计算所述统计量。

5.根据权利要求4所述的元器件的异常监测方法，其特征在于，所述根据所述多个第一主成分、所述多个第二主成分和所述多个第三主成分计算所述统计量包括：

根据所述多个第一主成分、所述多个第二主成分和所述多个第三主成分计算得到T2统计值；

根据所述多个第一主成分、所述多个第二主成分和所述多个第三主成分计算得到SPE统计值；

将所述T2统计值和所述SPE统计值作为所述统计量。

6.根据权利要求5所述的元器件的异常监测方法，其特征在于，所述根据所述统计量和预设的标准值区间监测所述元器件是否存在异常包括：

根据所述T2统计值及预设的第一标准值区间确定第一监测结果；

根据所述SPE统计值及预设的第二标准值区间确定第二监测结果；

根据所述第一监测结果和所述第二监测结果监测所述元器件是否存在异常。

7.根据权利要求6所述的元器件的异常监测方法，其特征在于，所述根据所述T2统计值及所述预设的第一标准值区间确定第一监测结果包括：

判断所述T2统计值是否位于所述预设的第一标准值区间内；

当所述T2统计值位于所述预设的第一标准值区间内时，确定所述第一监测结果为正常；

当所述T2统计值不位于所述预设的第一标准值区间内时，确定所述第一监测结果为异常。

8.根据权利要求7所述的元器件的异常监测方法，其特征在于，所述根据所述第一监测结果和所述第二监测结果确定所述元器件是否存在异常包括：

当所述第一监测结果及所述第二监测结果中每个监测结果均为正常时，确定所述元器件不存在异常；

当所述第一监测结果及所述第二监测结果中至少有一个监测结果为异常时，确定所述元器件存在异常。

9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至权利要求8中任意一项所述的元器件的异常监测方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至权利要求8中任意一项所述的元器件的异常监测方法。

Images