CN116127790A - 工业机器人预测性维护管理方法及系统 - Google Patents

工业机器人预测性维护管理方法及系统 Download PDF

Info

Publication number
CN116127790A
CN116127790A CN202310392856.7A CN202310392856A CN116127790A CN 116127790 A CN116127790 A CN 116127790A CN 202310392856 A CN202310392856 A CN 202310392856A CN 116127790 A CN116127790 A CN 116127790A
Authority
CN
China
Prior art keywords
industrial robot
data
failure prediction
predictive maintenance
manufacturing site
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.)
Granted
Application number
CN202310392856.7A
Other languages
English (en)
Other versions
CN116127790B (zh
Inventor
郭东栋
杜文博
马海涛
赵灿
彭浩
姜宗睿
张妍
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.)
Beijing Benz Automotive Co Ltd
Original Assignee
Beijing Benz Automotive Co Ltd
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 Beijing Benz Automotive Co Ltd filed Critical Beijing Benz Automotive Co Ltd
Priority to CN202310392856.7A priority Critical patent/CN116127790B/zh
Publication of CN116127790A publication Critical patent/CN116127790A/zh
Application granted granted Critical
Publication of CN116127790B publication Critical patent/CN116127790B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Manipulator (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种工业机器人预测性维护管理方法及系统，方法包括：以批处理方式采集汽车制造场地内的各个类型的工业机器人数据并发送至工业机器人数据平台，根据工业机器人知识图谱和失效预测模型分别生成工业机器人数据对应的故障预测结果；输出故障预测结果以使用户基于所述第一故障预测结果和第二故障预测结果对所述汽车制造场地内的工业机器人进行预测性维护，并根据产生的维修数据迭代更新工业机器人知识图谱和失效预测模型。本申请能够提高采集工业机器人数据的及时性及有效性，能够针对工业机器人的预测性维护形成完整的闭环管理架构，能够有效支撑工业机器人所处的复杂业务场景，进而提高针对工业机器人的预测性维护过程的可靠性和及时性。

Description

工业机器人预测性维护管理方法及系统
技术领域
本申请涉及工业设备维护管理技术领域，尤其涉及工业机器人预测性维护管理方法及系统。
背景技术
工业机器人设备在长期运行中，其性能和健康状况必然下降。同时，随着工业机器人设备零部件的增多，运行环境变得更加复杂多样，设备劣化的概率逐渐增大。不能及时发现退化或异常，从设备故障或故障到财产和人员损坏。人员伤亡甚至环境破坏。因此，需要对工业机器人进行维护。传统设备维护方式主要包含有人工定期巡检及紧急性维修(Emergency Maintenance, EM)和预防性维护（PreventiveMaintenance, PM），具体来说，紧急性维修在工业机器人设备故障停机后才进行维修，故障突发性维修时间不足，损失严重。而预防性维护基于时间或使用统计周期进行工业机器人的计划性维修，基于固定周期，计划性保养，经验值理论计算，维护过剩或不足。也就是说，上述方式均无法提前预知故障以及紧急性维修带来的停产风险。因此，需要对工业机器人进行预测性维护（PredictiveMaintenance, PdM）。
目前，现有的预测性维护方式，以状态为依据的维护，在工业机器人运行时，对它的主要（或需要）部位进行定期（或连续）的状态监测和故障诊断，判定装备所处的状态，进而决定维修活动。然而，由于工业机器人数据量庞大且类型众多，现有的预测性维护过程中的数据采集方式无法同时保证工业机器人数据采集的全面性和及时性；且由于现有的故障预测方式单一，无法向维护人员提供更为可靠的故障预测结果；另外，由于现有的针对工业机器人的预测性维护方式缺少完整的闭环管理架构，进而会影响针对工业机器人的预测性维护过程的可靠性和及时性。
发明内容
鉴于此，本申请实施例提供了工业机器人预测性维护管理方法及系统，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预测性维护管理方法，包括：
以批处理方式采集汽车制造场地内的各个类型的工业机器人数据，并将该工业机器人数据发送至预设的工业机器人数据平台中进行存储；
在所述工业机器人数据平台中根据所述工业机器人数据构建或更新工业机器人知识图谱，以基于该工业机器人知识图谱生成针对所述汽车制造场地中工业机器人的第一故障预测结果；
以及，根据所述工业机器人数据平台中的工业机器人数据和预设在所述工业机器人数据平台中的失效预测模型，生成针对所述汽车制造场地中工业机器人的第二故障预测结果；
输出所述第一故障预测结果和第二故障预测结果，以使用户基于所述第一故障预测结果和第二故障预测结果对所述汽车制造场地内的工业机器人进行预测性维护；
在所述工业机器人数据平台中接收并存储用户针对所述汽车制造场地中工业机器人进行预测性维护过程产生的维修数据，以采用该维修数据优化所述工业机器人知识图谱和所述失效预测模型。
在本申请的一些实施例中，所述以批处理方式采集汽车制造场地内的各个类型的工业机器人数据，并将该工业机器人数据发送至预设的工业机器人数据平台中进行存储，包括：
根据各个工业机器人数据所属的类型，控制所述汽车制造场地内的各个工业机器人分别对应的数据采集设备以不同的时间间隔采集各个类型的工业机器人数据；
对采集的工业机器人数据进行协议转换，以及得到统一协议格式的工业机器人数据；
基于预设的数据转发周期，将统一协议格式的工业机器人数据发送至所述工业机器人数据平台中进行存储。
在本申请的一些实施例中，所述工业机器人数据的类型包括：工业机器人的资产数据、运行数据、传感器数据、图像数据、声音数据、维修数据、故障数据、任务数据和操作数据；
相对应的，所述根据各个工业机器人数据所属的类型，控制所述汽车制造场地内的各个工业机器人分别对应的数据采集设备以不同的时间间隔采集各个类型的工业机器人数据，包括：
控制用于采集所述汽车制造场地内的各个工业机器人的运行数据、传感器数据、图像数据和声音数据的数据采集设备，以预设的第一时间间隔采集所述运行数据、传感器数据、图像数据和声音数据；
控制用于采集所述汽车制造场地内的各个工业机器人的任务数据和操作数据的数据采集设备，以预设的第二时间间隔采集所述任务数据和操作数据，其中，所述第一时间间隔小于第二时间间隔；
控制用于采集所述汽车制造场地内的各个工业机器人的资产数据的数据采集设备，在每次与所述工业机器人建立通信连接时采集该工业机器人的资产数据；
以及，控制用于采集所述汽车制造场地内的各个工业机器人的维修数据和故障数据的数据采集设备，在所述维修数据和故障数据产生时进行实时采集。
在本申请的一些实施例中，所述在所述工业机器人数据平台中根据所述工业机器人数据构建或更新工业机器人知识图谱，以基于该工业机器人知识图谱生成针对所述汽车制造场地中工业机器人的第一故障预测结果，包括：
在所述工业机器人数据平台中，采用预设的实体识别模型获取所述工业机器人数据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数据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；
基于预获取的查询条件自所述工业机器人知识图谱中查找对应的该查询条件对应的关系及实体，以得到所述查询条件对应的第一故障预测结果，其中，所述查询条件包括：经工业机器人故障实时监测系统输出的失效预测实体和/或针对工业机器人维护的问题数据；所述第一故障预测结果包括：所述查询条件对应的实体和与该实体相关联的其他实体。
在本申请的一些实施例中，在所述生成针对所述汽车制造场地中工业机器人的第二故障预测结果之前，还包括：
获取自所述汽车制造场地中采集的各个类型的历史工业机器人数据及各个所述历史工业机器人数据分别对应的历史故障预测结果，其中，所述历史故障预测结果包括历史报错信息和所属部件位置数据之间的关联关系；
以及，构建各个所述报错信息和各个严重等级之间对应关系的故障严重等级表；
采用各个所述历史工业机器人数据和对应的历史故障预测结果训练失效预测模型，以使该失效预测模型用于根据输入的工业机器人数据，输出对应的第二故障预测结果，其中，所述第二故障预测结果包括：各个所述历史工业机器人数据分别对应的报错信息和该报错信息的所属部件位置数据之间的关联关系。
在本申请的一些实施例中，所述输出所述第一故障预测结果和第二故障预测结果，以使用户基于所述第一故障预测结果和第二故障预测结果对所述汽车制造场地内的工业机器人进行预测性维护，包括：
将所述第一故障预测结果发送至用户持有的客户端设备和/或显示设备中；
以及，基于所述故障严重等级表确定所述第二故障预测结果中的各个报错信息分别对应的严重等级，若各个所述报错信息分别对应的严重等级不同，则以预设的各个所述严重等级分别对应的不同发送频率将所述第二故障预测结果发送至用户持有的客户端设备和/或显示设备中，以使用户基于所述第一故障预测结果和第二故障预测结果对所述汽车制造场地内的工业机器人进行预测性维护。
本申请的另一个方面提供了一种工业机器人预测性维护管理系统，包括：
批处理采集模块，用于以批处理方式采集汽车制造场地内的各个类型的工业机器人数据，并将该工业机器人数据发送至预设的工业机器人数据平台中进行存储；
第一预测模块，用于在所述工业机器人数据平台中根据所述工业机器人数据构建或更新工业机器人知识图谱，以基于该工业机器人知识图谱生成针对所述汽车制造场地中工业机器人的第一故障预测结果；
第二预测模块，用于根据所述工业机器人数据平台中的工业机器人数据和预设在所述工业机器人数据平台中的失效预测模型，生成针对所述汽车制造场地中工业机器人的第二故障预测结果；
结果输出模块，用于输出所述第一故障预测结果和第二故障预测结果，以使用户基于所述第一故障预测结果和第二故障预测结果对所述汽车制造场地内的工业机器人进行预测性维护；
迭代更新模块，用于在所述工业机器人数据平台中接收并存储用户针对所述汽车制造场地中工业机器人进行预测性维护过程产生的维修数据，以采用该维修数据优化所述工业机器人知识图谱和所述失效预测模型。
在本申请的一些实施例中，所述批处理采集模块包括：
数据采集单元，用于根据各个工业机器人数据所属的类型，控制所述汽车制造场地内的各个工业机器人分别对应的数据采集设备以不同的时间间隔采集各个类型的工业机器人数据；
协议转化单元，用于对采集的工业机器人数据进行协议转换，以及得到统一协议格式的工业机器人数据；
定时中转单元，用于基于预设的数据转发周期，将统一协议格式的工业机器人数据发送至所述工业机器人数据平台中进行存储。
本申请的第三个方面提供了一种电子设备，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，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预测性维护管理方法。
本申请的第四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预测性维护管理方法。
本申请提供的工业机器人预测性维护管理方法，通过采用批处理方式采集汽车制造场地内的各个类型的工业机器人数据并上传至工业机器人数据平台，能够在保证工业机器人数据采集的全面性的同时，有效提高采集工业机器人数据的及时性及有效性，进而能够为后续工业机器人数据平台的预测性维护提供可靠的数据基础，进而能够提高工业机器人预测性维护的效率及可靠性，并提高工业机器人预测性维护管理的便捷性；通过采用工业机器人数据平台，能够为工业机器人预测性维护管理提供核心的管理中心，通过收集并存储工业机器人数据、在工业机器人数据平台内设置的工业机器人知识图谱和失效预测模型，以及利用预测性维护数据迭代更新知识图谱和失效预测模型，能够提供一种统一的工业机器人预测性维护管理手段，并能够针对工业机器人的预测性维护方式形成完整的闭环管理架构，能够有效支撑工业机器人所处的复杂业务场景，进而提高针对工业机器人的预测性维护过程的可靠性和及时性；通过采用知识图谱和失效预测模型分别生成针对所述汽车制造场地中工业机器人的故障预测结果，并输出第一故障预测结果和第二故障预测结果，能够有效提高针对工业机器人进行故障预测的可靠性及有效性，并能够为维护人员提供更为多样且可靠的数据基础，进而能够提高工业机器人预测性维护的全面性及可靠性，并提高工业机器人预测性维护管理的全面性及有效性；通过采用该预测性维护数据迭代更新所述工业机器人知识图谱和所述失效预测模型，能够进一步提高工业机器人知识图谱和失效预测模型的应用有效性及智能化程度，进而能够进一步提高工业机器人预测性维护的准确性及有效性。
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预测性维护管理方法的总流程示意图。
图2本申请一实施例中的工业机器人数据分类举例示意图。
图3为本申请一实施例中的工业机器人预测性维护管理方法的一种具体流程示意图。
图4为本申请一实施例中的工业机器人数据批处理采集过程的装置实现举例示意图。
图5为本申请一实施例中的工业机器人预测性维护管理方法中步骤100的具体流程示意图。
图6为本申请另一实施例中的工业机器人预测性维护管理系统的结构示意图。
图7为本申请应用实例中提供的工业机器人数据自数据采集端、工业机器人数据平台至客户端的数据传输示意图。
图8为本申请应用实例中提供的特征工程的工作流程示意图。
图9（a）为本申请应用实例中提供的数据驱动故障预测技术中的离线训练算法的执行过程举例示意图。
图9（b）为本申请应用实例中提供的数据驱动故障预测技术中的在线预测算法的执行过程举例示意图。
图10为本申请应用实例中提供的数据驱动预测算法分类示意图。
图11为本申请应用实例中提供的决策树算法样例示意图。
图12为本申请应用实例中提供的工业机器人伺服电机传动过程的举例示意图。
图13为本申请应用实例中提供的自动点焊系统示意图。
图14为本申请应用实例中提供的点焊系统错误信息与设备故障分析用的鱼骨示意图。
图15为本申请应用实例中提供的预测模型特征数据分类示意图。
图16为本申请应用实例中提供的面向多层级预测性维护管理的流程建模方法的流程示意图。
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。
可以理解的是，预防性维护通过对设备的系统性检查、设备测试和更换以防止功能故障发生，使其保持在规定状态所进行的全部活动。预防性维护可以包括调整，润滑，定期检查等。主要由于发生故障的后果将危及安全，影响生产任务，或导致产品经济损失。预防性维护的目的是降低产品故障的可能性或防止功能退化，可按照预定的间隔或按照规定进行维护，通常包括维护，操作员监控，使用检查，功能测试，定时维修和计划报废。基于状态的维护（Condition Monitoring Maintenance, CBM），即通过设备运行状态关键数据的采集，完成状态识别和基本的故障诊断等功能，基于CBM的维护可为基本的维修与维护任务提供依据。
在本申请应用实例的一个或多个实施例中，工业机器人是面向工业领域的多关节机械手或多自由度的机器人。
在本申请应用实例的一个或多个实施例中，预测性维护（PredictiveMaintenance, PdM）是根据观察到的状况而决定的连续或间断进行的维护，以监测、诊断或预测机构物、系统或部件的条件指标。这类维护的结果可标明当前和未来的功能能力或计划维护的性质和时间表。
具体来说，预测性维护是以状态为依据的维护，在工业机器人运行时，对它的主要（或需要）部位进行定期（或连续）的状态监测和故障诊断，判定装备所处的状态，预测装备状态未来的发展趋势，依据装备的状态发展趋势和可能的故障模式，预先制定预测性维护计划，确定机器应该修理的时间、内容、方式和必需的技术和物资支持。预测性维护集装备状态监测、故障诊断、故障（状态）预测、维护决策支持和维护活动于一体。
根据维护发展的四个阶段，预测性维护阶段的目标即通过大数据的分析实现预测性维护。维护的流程也由原来的定期巡检及紧急性维修，优化为维护人员接收工业机器人故障的提前预警配合巡检的方式，经过一定时间的验证及模型优化，未来期待可以完全用提前预警的方式实现维修，在故障产生前更换备件，大大减低了停产风险并提高了生产效率。
为了在保证预测性维护过程中的数据采集全面性的基础上，有效提高数据采集的及时性及有效性，以及为了向维护人员提供更为可靠的故障预测结果并设计一种针对工业机器人的预测性维护方式的完整的闭环管理方式以支撑工业机器人所处的复杂业务场景，本申请实施例提供一种工业机器人预测性维护管理方法，参见图1，所述工业机器人预测性维护管理方法具体包含有如下内容：
步骤100：以批处理方式采集汽车制造场地内的各个类型的工业机器人数据，并将该工业机器人数据发送至预设的工业机器人数据平台中进行存储。
在本申请的一个或多个实施例中，所述工业机器人是广泛用于工业领域的多关节机械手或多自由度的机器装置，具有一定的自动性，可依靠自身的动力能源和控制能力实现各种工业加工制造功能。相对应的，所述工业机器人数据是指与工业机器人的自身参数、运行过程以及历史记录等等相关的数据。
具体来说，所述工业机器人数据可以按照不同的角度进行分类，一种常见的分类方式是按照数据类型进行分类，如图2的分类举例，可以将工业机器人数据划分为5类：运行数据、机器人型号数据、机器人维护数据、备件数据和工艺数据。
而在另一种举例中，为了进一步提高工业机器人数据采集的智能化程度，可以将工业机器人数据划分为9类，具体说明如下：
(1)运行数据：这种数据主要反映机器人设备的运行状态，包括电流、电压、功率、温度、速度等参数，可以用来评估设备的性能和健康状况。
(2)传感器数据：这种数据来自机器人设备上的传感器，如光电传感器、压力传感器、加速度传感器等，用来感知设备周围的环境和物理量，并反馈给控制系统进行处理。
(3)图像数据：这种数据来自机器人设备上的视觉传感器，如工业相机、激光雷达等，可以用来进行图像识别、目标检测、三维建模等任务。
(4)声音数据：这种数据来自机器人设备上的麦克风等声音传感器，可以用来进行声音识别、噪声监测、故障诊断等任务。
(5)维修数据：这种数据记录了机器人设备的维修记录和维修历史，包括维修时间、维修内容、维修人员等信息。
(6)故障数据：这种数据记录了机器人设备的故障信息，包括故障类型、故障时间、故障原因等信息，可以用来进行故障诊断和预测。
(7)任务数据：这种数据记录了机器人设备执行的任务和任务相关的参数，如任务时间、任务类型、任务难度等信息。
(8)操作数据：这种数据记录了机器人设备的操作记录，包括操作者、操作时间、操作类型等信息，可以用来进行操作监控和安全管理。
(9)资产数据：包括机器人的型号、软件版本等信息。
在本申请的一个或多个实施例中，所述工业机器人数据平台是指用于对工业机器人数据进行存储及处理等的数据平台，其中，数据平台可以基于工业物联网与大数据技术，将接收到的现场产生的海量数据进行存储和处理，从而为进一步分析或监控提供基础。其一般架构由感知层、传输层、平台层及服务层组成，分别对应数据采集、传输、平台可视化及具体提供服务。在该工业机器人数据平台中，至少设置有工业机器人知识图谱和失效预测模型，以用于执行后续的步骤200和步骤300。
在步骤100中，通过采用批处理方式采集汽车制造场地内的各个类型的工业机器人数据并上传至工业机器人数据平台，能够在保证工业机器人数据采集的全面性的同时，有效提高采集工业机器人数据的及时性及有效性，进而能够为后续工业机器人数据平台的预测性维护提供可靠的数据基础，进而能够提高工业机器人预测性维护的效率及可靠性，并提高工业机器人预测性维护管理的便捷性。
步骤200：在所述工业机器人数据平台中根据所述工业机器人数据构建或更新工业机器人知识图谱，以基于该工业机器人知识图谱生成针对所述汽车制造场地中工业机器人的第一故障预测结果。
在本申请的一个或多个实施例中，所述工业机器人知识图谱可以为一种用于存储工业机器人的实体和不同实体之间的关系的知识图谱。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。
相对应的，步骤200中的根据所述工业机器人数据构建或更新工业机器人知识图谱的具体方式可以为先获取所述工业机器人数据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数据中抽取不同实体之间的关系，然后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。
在一种具体举例中，工业机器人数据若显示：“部件A在生产中电机过流”，则基于预设的实体提取规则提取对应的实体至少包含有：“部件A”、 “电机”和“过流”，且这三者中的实体“部件A”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”。这样，若预先设置的查询条件为“部件A”，则在更新了工业机器人知识图谱之后，就可以从其中查找实体“部件A”以及与该“部件A”存在连线（关联关系）的其他实体“电机”和“过流”，进而形成用于表述查询条件对应的实体和该实体相关联的其他实体组成的第一故障预测结果。
步骤300：根据所述工业机器人数据平台中的工业机器人数据和预设在所述工业机器人数据平台中的失效预测模型，生成针对所述汽车制造场地中工业机器人的第二故障预测结果。
可以理解的是，所述步骤200和步骤300之间的执行顺序可以根据实际应用情形设置为步骤在200先执行、步骤300在先执行或者同时执行。
在步骤300中，所述失效预测模型可以采用分别针对不同工业机器人的仿真模型、人工智能模型或概率统计模型，其中，为了提高工业机器人故障预测的自动化程度及智能化程度，可以优选人工智能模型。具体可以采用决策树、神经网络等作为所述失效预测模型，可以根据实际应用需求进行选取，本申请不做限定。
在本申请的一个或多个实施例中，根据所述工业机器人数据平台中的工业机器人数据和预设在所述工业机器人数据平台中的失效预测模型，生成针对所述汽车制造场地中工业机器人的第二故障预测结果的具体方式可以为：首先提取所述工业机器人数据平台中的各个工业机器人数据分别对应的特征向量，然后对这些特征向量进行聚合，在采用聚合后的向量输入预设的失效预测模型，以使该失效预测模型输出对应的第二故障预测结果。
也就是说，步骤200和步骤300通过采用知识图谱和失效预测模型分别生成针对所述汽车制造场地中工业机器人的故障预测结果，并输出第一故障预测结果和第二故障预测结果，能够有效提高针对工业机器人进行故障预测的可靠性及有效性，并能够为维护人员提供更为多样且可靠的数据基础，进而能够提高工业机器人预测性维护的全面性及可靠性，并提高工业机器人预测性维护管理的全面性及有效性。
步骤400：输出所述第一故障预测结果和第二故障预测结果，以使用户基于所述第一故障预测结果和第二故障预测结果对所述汽车制造场地内的工业机器人进行预测性维护。
在步骤400中，通过向维护人员给付第一故障预测结果和第二故障预测结果，使得维护人员既能够获知重点关注的有针对性的工业机器人的故障预测结果（第一故障预测结果），又能够全面的获知当前更新的工业机器人数据可能存在的故障预测结果（第二故障预测结果），这样能够为维护人员提供更为可靠且有效的维护基础。
也就是说，步骤400通过采用知识图谱和失效预测模型分别生成针对所述汽车制造场地中工业机器人的故障预测结果，并输出第一故障预测结果和第二故障预测结果，能够有效提高针对工业机器人进行故障预测的可靠性及有效性，并能够为维护人员提供更为多样且可靠的数据基础，进而能够提高工业机器人预测性维护的全面性及可靠性，并提高工业机器人预测性维护管理的全面性及有效性。
步骤500：在所述工业机器人数据平台中接收并存储用户针对所述汽车制造场地中工业机器人进行预测性维护过程产生的维修数据，以采用该维修数据优化所述工业机器人知识图谱和所述失效预测模型。
在步骤500中，用户针对所述汽车制造场地中工业机器人进行预测性维护过程产生的维修数据，可以由用户通过客户端设备进行上传，也可以由汽车制造场地中工业机器人的现场数据记录设备进行上传，工业机器人数据平台在获取到上传的维修数据后，可以从维修数据中抽取维护的部件的标识、该部件的原报错信息和维修后的该部件的更新数据，然后利用部件的更新数据对工业机器人知识图谱进行更新，例如将原实体“部件A1”的关联实体“电机”和“过流”中的“过流”修改为“运行正常”。工业机器人数据平台还可以将部件的标识和该部件的原报错信息作为新的历史训练数据和标签对失效预测模型进行迭代更新。
由此可知，通过采用该预测性维护数据迭代更新所述工业机器人知识图谱和所述失效预测模型，能够进一步提高工业机器人知识图谱和失效预测模型的应用有效性及智能化程度，进而能够进一步提高工业机器人预测性维护的准确性及有效性。
另外，通过采用工业机器人数据平台，能够为工业机器人预测性维护管理提供核心的管理中心，通过收集并存储工业机器人数据、在工业机器人数据平台内设置的工业机器人知识图谱和失效预测模型，以及利用预测性维护数据迭代更新知识图谱和失效预测模型，能够提供一种统一的工业机器人预测性维护管理手段，并能够针对工业机器人的预测性维护方式形成完整的闭环管理架构，能够有效支撑工业机器人所处的复杂业务场景，进而提高针对工业机器人的预测性维护过程的可靠性和及时性。
为了进一步提高以批处理方式采集汽车制造场地内的各个类型的工业机器人数据的有效性及可靠性，在本申请实施例提供的一种工业机器人预测性维护管理方法中，参见图3，所述工业机器人预测性维护管理方法中的步骤100具体包含有如下内容：
步骤110：根据各个工业机器人数据所属的类型，控制所述汽车制造场地内的各个工业机器人分别对应的数据采集设备以不同的时间间隔采集各个类型的工业机器人数据。
步骤120：对采集的工业机器人数据进行协议转换，以及得到统一协议格式的工业机器人数据。
步骤130：基于预设的数据转发周期，将统一协议格式的工业机器人数据发送至所述工业机器人数据平台中进行存储。
参见图4，在工业机器人数据批处理采集过程中，可以通过数据采集器、协议转换器、中转服务器和定时器来实现，其中，所述数据采集器通过工业控制网络与目标设备相连接，所述协议转换器分别与所述数据采集器和所述中转服务器相连接，所述定时器设置在所述中转服务器中。该方式能够使得如汽车制造设备的批处理数据处理装置等自动对工作数据进行采集，并且能够通过协议转换器将采集到的不同协议的工作数据转化为统一协议格式的工作数据，同时还能够通过中转服务器批量向数据处理系统上传数据进行处理，从而达到对目标检测系统的工作数据进行全自动化采集的目的，进而缓解了现有的数据采集和分析装置无法系统的对数据进行采集，以及无法批量对数据进行采集和处理的技术问题。
从上述描述可知，本申请实施例提供的工业机器人预测性维护管理方法，能够使得如汽车制造设备的批处理数据处理过程自动对工业机器人数据进行采集，并且能够通过协议转换器将采集到的不同协议的工作数据转化为统一协议格式的数据，同时还能够向工业机器人数据平台上传数据进行处理，从而达到对汽车制造场地内的各个工业机器人的工业机器人数据进行全自动化采集的目的，进而缓解了现有的数据采集和分析装置无法系统的对数据进行采集，以及无法批量对数据进行采集和处理的技术问题。
为了进一步提高数据采集的有效性及可靠性，在本申请实施例提供的一种工业机器人预测性维护管理方法中，若所述工业机器人数据的类型包括：工业机器人的资产数据、运行数据、传感器数据、图像数据、声音数据、维修数据、故障数据、任务数据和操作数据；则参见图5，所述工业机器人预测性维护管理方法中的步骤110具体包含有如下内容：
步骤111：控制用于采集所述汽车制造场地内的各个工业机器人的运行数据、传感器数据、图像数据和声音数据的数据采集设备，以预设的第一时间间隔采集所述运行数据、传感器数据、图像数据和声音数据；
步骤112：控制用于采集所述汽车制造场地内的各个工业机器人的任务数据和操作数据的数据采集设备，以预设的第二时间间隔采集所述任务数据和操作数据，其中，所述第一时间间隔小于第二时间间隔；
步骤113：控制用于采集所述汽车制造场地内的各个工业机器人的资产数据的数据采集设备，在每次与所述工业机器人建立通信连接时采集该工业机器人的资产数据；
步骤114：控制用于采集所述汽车制造场地内的各个工业机器人的维修数据和故障数据的数据采集设备，在所述维修数据和故障数据产生时进行实时采集。
在一种具体举例中，所述第一时间间隔可以以秒计数，具体可以选用0.1s至1000s之间的任一数值，例如可以采用2s作为第一时间间隔。
在一种具体举例中，所述第二时间间隔可以以分钟或小时计数，具体可以选用0.1h至1000h之间的任一数值，例如可以采用1h作为第二时间间隔。
从上述描述可知，本申请实施例提供的工业机器人预测性维护管理方法，通过在每种类型中选择具有代表性的数据，并根据数据特点选择不同的发送条件，能够有效平衡采集的工业机器人数据的数据质量及工业机器人数据平台的平台层资源，能够进一步提高工业机器人预测性维护管理的智能化程度。
为了进一步提高第一故障预测的有效性及可靠性，在本申请实施例提供的一种工业机器人预测性维护管理方法中，参见图3，所述工业机器人预测性维护管理方法中的步骤200具体包含有如下内容：
步骤210：在所述工业机器人数据平台中，采用预设的实体识别模型获取所述工业机器人数据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数据中抽取不同实体之间的关系。
在本申请提供的一种工业机器人预测性维护管理方法的实施例中，所述实体识别模型包括：Bert+BiLSTM+CRF命名实体模型。
具体来说，所述实体识别模型可以采用预训练语言模型，可以预先基于历史工业机器人数据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数据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数据中抽取不同实体之间的关系。
可以理解的是，所述标注数据集是指对历史工业机器人数据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，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，根据所述实体识别结果自所述历史工业机器人数据中抽取不同实体之间的关系的一种具体方式可以为：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预测性维护管理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历史工业机器人数据，以使该工历史工业机器人数据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。
步骤220：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。
步骤230：基于预获取的查询条件自所述工业机器人知识图谱中查找对应的该查询条件对应的关系及实体，以得到所述查询条件对应的第一故障预测结果，其中，所述查询条件包括：经工业机器人故障实时监测系统输出的失效预测实体和/或针对工业机器人维护的问题数据；所述第一故障预测结果包括：所述查询条件对应的实体和与该实体相关联的其他实体。
在步骤230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预测性维护管理语料库生成的，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德国开发的企业管理系列软件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预测性维护管理方法，通过基于预获取的查询条件自所述工业机器人知识图谱中查找第一故障预测结果，能够实现更为有针对性的工业机器人预测性维护管理，尤其针对近期故障频繁或重点关注设备等，用户可以预先创建针对这些设备的查询条件并配置后上传至工业机器人数据平台，以使工业机器人数据平台在每一次构建或更新工业机器人知识图谱之后，都针对这些查询条件进行预测性故障的查找。
为了进一步提高失效预测模型的应用有效性及可靠性，在本申请实施例提供的一种工业机器人预测性维护管理方法中，参见图3，所述工业机器人预测性维护管理方法中的步骤300之前还具体包含有如下内容：
步骤010：获取自所述汽车制造场地中采集的各个类型的历史工业机器人数据及各个所述历史工业机器人数据分别对应的历史故障预测结果，其中，所述历史故障预测结果包括历史报错信息和所属部件位置数据之间的关联关系。
步骤020：构建各个所述报错信息和各个严重等级之间对应关系的故障严重等级表。
步骤030：采用各个所述历史工业机器人数据和对应的历史故障预测结果训练失效预测模型，以使该失效预测模型用于根据输入的工业机器人数据，输出对应的第二故障预测结果，其中，所述第二故障预测结果包括：各个所述历史工业机器人数据分别对应的报错信息和该报错信息的所属部件位置数据之间的关联关系。
为了进一步输出故障预测结果的智能化程度，在本申请实施例提供的一种工业机器人预测性维护管理方法中，参见图3，所述工业机器人预测性维护管理方法中的步骤400具体包含有如下内容：
步骤410：将所述第一故障预测结果发送至用户持有的客户端设备和/或显示设备中。
步骤420：基于所述故障严重等级表确定所述第二故障预测结果中的各个报错信息分别对应的严重等级，若各个所述报错信息分别对应的严重等级不同，则以预设的各个所述严重等级分别对应的不同发送频率将所述第二故障预测结果发送至用户持有的客户端设备和/或显示设备中，以使用户基于所述第一故障预测结果和第二故障预测结果对所述汽车制造场地内的工业机器人进行预测性维护。
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预测性维护管理方法中全部或部分内的工业机器人预测性维护管理系统，参见图6，所述工业机器人预测性维护管理系统具体包含有如下内容：
批处理采集模块10，用于以批处理方式采集汽车制造场地内的各个类型的工业机器人数据，并将该工业机器人数据发送至预设的工业机器人数据平台中进行存储；
第一预测模块20，用于在所述工业机器人数据平台中根据所述工业机器人数据构建或更新工业机器人知识图谱，以基于该工业机器人知识图谱生成针对所述汽车制造场地中工业机器人的第一故障预测结果；
第二预测模块30，用于根据所述工业机器人数据平台中的工业机器人数据和预设在所述工业机器人数据平台中的失效预测模型，生成针对所述汽车制造场地中工业机器人的第二故障预测结果；
结果输出模块40，用于输出所述第一故障预测结果和第二故障预测结果，以使用户基于所述第一故障预测结果和第二故障预测结果对所述汽车制造场地内的工业机器人进行预测性维护；
迭代更新模块50，用于在所述工业机器人数据平台中接收并存储用户针对所述汽车制造场地中工业机器人进行预测性维护过程产生的维修数据，以采用该维修数据优化所述工业机器人知识图谱和所述失效预测模型。
本申请提供的工业机器人预测性维护管理系统的实施例具体可以用于执行上述实施例中的工业机器人预测性维护管理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预测性维护管理方法实施例的详细描述。
所述工业机器人预测性维护管理系统进行工业机器人预测性维护管理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，用于工业机器人预测性维护管理的具体处理。
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预测性维护管理系统，通过采用批处理方式采集汽车制造场地内的各个类型的工业机器人数据并上传至工业机器人数据平台，能够在保证工业机器人数据采集的全面性的同时，有效提高采集工业机器人数据的及时性及有效性，进而能够为后续工业机器人数据平台的预测性维护提供可靠的数据基础，进而能够提高工业机器人预测性维护的效率及可靠性，并提高工业机器人预测性维护管理的便捷性；通过采用工业机器人数据平台，能够为工业机器人预测性维护管理提供核心的管理中心，通过收集并存储工业机器人数据、在工业机器人数据平台内设置的工业机器人知识图谱和失效预测模型，以及接利用预测性维护数据迭代更新知识图谱和失效预测模型，能够提供一种统一的工业机器人预测性维护管理手段，并能够针对工业机器人的预测性维护方式形成完整的闭环管理架构，能够有效支撑工业机器人所处的复杂业务场景，进而提高针对工业机器人的预测性维护过程的可靠性和及时性；通过采用知识图谱和失效预测模型分别生成针对所述汽车制造场地中工业机器人的故障预测结果，并输出第一故障预测结果和第二故障预测结果，能够有效提高针对工业机器人进行故障预测的可靠性及有效性，并能够为维护人员提供更为多样且可靠的数据基础，进而能够提高工业机器人预测性维护的全面性及可靠性，并提高工业机器人预测性维护管理的全面性及有效性；通过采用该预测性维护数据迭代更新所述工业机器人知识图谱和所述失效预测模型，能够进一步提高工业机器人知识图谱和失效预测模型的应用有效性及智能化程度，进而能够进一步提高工业机器人预测性维护的准确性及有效性。
为了进一步提高以批处理方式采集汽车制造场地内的各个类型的工业机器人数据的有效性及可靠性，在本申请实施例提供的一种工业机器人预测性维护管理系统中，所述工业机器人预测性维护管理系统中的批处理采集模块10具体包含有如下内容：
数据采集单元11，用于根据各个工业机器人数据所属的类型，控制所述汽车制造场地内的各个工业机器人分别对应的数据采集设备以不同的时间间隔采集各个类型的工业机器人数据；
协议转化单元12，用于对采集的工业机器人数据进行协议转换，以及得到统一协议格式的工业机器人数据；
定时中转单元13，用于基于预设的数据转发周期，将统一协议格式的工业机器人数据发送至所述工业机器人数据平台中进行存储。
从上述描述可知，本申请实施例提供的工业机器人预测性维护管理系统，能够使得如汽车制造设备的批处理数据处理过程自动对工业机器人数据进行采集，并且能够通过协议转换器将采集到的不同协议的工作数据转化为统一协议格式的数据，同时还能够向工业机器人数据平台上传数据进行处理，从而达到对汽车制造场地内的各个工业机器人的工业机器人数据进行全自动化采集的目的，进而缓解了现有的数据采集和分析装置无法系统的对数据进行采集，以及无法批量对数据进行采集和处理的技术问题。
为了进一步说明本方案，本申请还提供一种应用工业机器人预测性维护管理系统实现的工业机器人预测性维护管理方法的具体应用实例，通过采用工业机器人数据平台，并结合数据批处理采集技术、知识图谱和失效预测模型来构建针对工业机器人设备预测性维护的闭环管理架构及方法。
具体来说，为实现一种面向多层级工业机器人预测性维护管理的方法，需首先对工业机器人数据平台进行设计，其作为采集、传输数据的基础，将对预测性维护起关键性作用。随后在具体的应用中，设计工业机器人的失效模型以及知识图谱。
主要实施方案是在用户自定义配置后，可以采用大数据平台对机器的各种状态数据及日志进行建模分析，并将预警推送给指定的维修人员。
通过配置文件，用户可以自定义需要发送的信息种类，同时可以根据信息特点及用途选择不同的信息发送触发条件，例如可以设置条件包括：在设备完成连接后发送、按时间间隔发送和在KRL（库卡机器人编程语言）变量的值发生变化时发送等等。
在配置完成后，机器人批处理客户端会按照配置文件将信息以Jason格式发送至中间服务器（Broker）中。例如可以选用机器人运动状态相关变量的周期分析“cycleanalytics”主题。
机器人数据可分为9个类型，在每种类型中选择了具有代表性的数据，并根据数据特点选择了不同的发送条件，以平衡数据质量及平台层资源。
过程类数据主题包括机器人各电机的温度、扭矩、电流、跟随误差、位置等，共计68个变量。该类信息需要较高的采样率，因此采用2秒间隔发送。
交互信号、系统消息、事件日志、windows系统信息及节拍信息主题共计99个变量对实时性要求较低，因此采用每1小时发送一次。
资产信息主题包括机器人的型号、软件版本等信息，共计16个变量，这些通常只有在设备更换备件或软件升级后才会发生变化，因此选择在连接建立时发送。
设备报警信息主题共计8个变量按照在出现新报警信息时发送的机制进行发送。
目前，工业机器人数据平台的数据采集存在以下几种主要问题：
数据传输协议不统一：目前在工业数据采集领域存在多种工业信息协议标准，各个自动化设备生产商还会开发各自的私有工业协议。各种协议标准不统一，互不兼容；
数据量大：随着工业生产线自动化率的不断提升，工业机器人的应用数量也急剧增长。生产线上的机器人每天都在产生大量的数据；
数据种类繁多：机器人技术的发展使得工业机器人的自动化和智能化水平不断提高，工业机器人的工作内容和环境越来越复杂。在生产过程中机器人会产生种类繁多的内部数据变量。
另外，搭建数据平台过程中还需要重视流程关系与协同数据，具体来说，大规模自动化生产线的机器人维护工作繁杂，且相互关联。针对工业机器人数据的应用需充分考虑设备操作人员和设备维护人员的工作流程。工业环境中复杂、高关联性的工作流程决定了机器人数据平台的开发需与工作流程高度结合。同时工业机器人在制造、生产、维护过程中的各类外部数据变量，例如设备型号、维护动作、备件更换、工艺调整等都将对机器人运行数据产生影响。
由此，本申请应用实例中应用工业机器人数据平台进行工业机器人预测性维护的关键技术点在于平台的架构搭建过程中的数据采集、数据存储及采用知识图谱和失效预测模型进行故障预测性维护过程，具体说明如下：
一、数据采集
伴随汽车制造业的自动化控制系统的信息化程度提高，可从上层信息系统(MES,ERP)和现场设备采集到相关数据。SQL Server数据库被广泛的应用在控制系统的数据处理环节，结合现场总线已升级换代为基于TCP/IP协议的PROFINET等工业以太网和统一的控制系统标准，可实现设备数据的可获取性和连续性，大体量的设备性能指标及告警信息可被采集。
推送类由工业通信网关或集成各种工业协议驱动，可以支持边缘计算，同时减少平台所需支持的协议种类。
参见图7，在数据采集端（源数据），可以对现场的机器人及其他设备的原始数据进行采集，包括库卡（KUKA）以及博世（Bosch）等设备数据以及日志文件；再通过脚本及软件将原始数据格式转换成CSV格式（逗号分隔值文件格式），并传送到中转服务器上；然后通过定时任务将CSV文件传送到工业机器人数据平台（数据湖泊）中。其中，图7中的过程数据（博世）是指博世电焊控制柜产生的过程数据；源 数 据是指直接提供原始资料或具体数据的自足性数据库；机器人数据（库卡）是指库卡工业机器人产生的数据；格式转换是指将涂胶数据由特有格式转换为csv格式(逗号分隔值文件格式)；过程数据（涂胶）是指涂胶控制柜产生的过程数据；开发用服务器（CSV文件）是指处理CSV文件的数据处理服务器；数据传输是指源数据到数据湖泊的数据传输；使用安全文件传送协议进行数据传输是指使用安全文件传送协议进行数据传输；数据着陆区（Unix）是指应用Unix（操作系统）服务器的数据存储区域；数据仓库技术（ETL)是指面向主题的、集成的、相对稳定的、随时间不断变化（不同时间）的数据集合， ETL（抽取、转换、加载）；数 据 湖 泊是指任意规模存储所有结构化和非结构化数据的集中式存储库；大数据平台可视化分析工具（HUE)是指适用于大数据平台的数据进行图形化表示的工具，HUE（图形化用户界面）；数据着陆区域(HDFS)是指数据存储区域，HDFS（分布式文件系统）；工作&存储（HDFS)是指数据存储；工作流管理是指完全定义、管理和执行工作流的管理；数据生命周期管理是指基于策略的方法，用于管理信息系统的数据在整个生命周期内的流动；元数据管理是指用于管理有关组织信息资产的元数据的业务规则；平面数据模型是指数据元素及其之间关系的可视化表示；业务视图是指从业务角度来组织监控对象并展现的方式；数据结构是指计算机存储、组织数据的方式。数据结构是指相互之间存在一种或多种特定关系的数据元素的集合。
基于此，针对工业机器人的复杂应用场景及庞大的数据量，参见图4，本申请应用实例提供的数据采集过程可以采用批处理的方式。
对图4中的各个部件说明如下：
（1）数据采集器
所述数据采集器用于采集所述目标设备的工作数据，其中，所述目标设备包括以下至少之一：焊接设备，工控机，机器人和计算机；
数据采集器通过工业控制网络与目标设备相连接，数据采集器可以为高速数据采集卡，该高速数据采集卡能够读取目标设备的工作数据。在本实施案例中，可以通过定时器设置数据采集器读取目标设备的工作数据的时间间隔。例如，当定时器定时结束时，该高速采集卡就开始对目标设备的工作数据进行采集。
（2）协议转换器
所述协议转换器用于对所述工作数据进行协议转换，得到统一协议格式的工作数据；由于目标设备的生产厂家都是不同的生产厂家，因此，目标设备的工作数据的数据格式也不尽相同。因此，在本实施中，需要将不同协议格式的工作数据进行格式转换，转换为统一格式的工作数据。
（3）中转服务器和定时器
所述中转服务器用于获取所述协议转换器转换之后得到的统一协议格式的工作数据；其中，当所述定时器定时结束时，所述中转服务器将所述统一协议格式的工作数据发送至数据处理系统中进行处理。
在得到统一协议格式的工作数据之后，就可以通过中转服务器将统一协议格式的工作数据发送至数据处理系统中进行处理。具体地，在本申请实施例中，可以通过定时器进行定时，当定时器定时结束时，中转服务器将统一协议格式的工作数据发送至数据处理系统。
举例来说，通过上述描述可知，是对焊接设备，工控机，机器人和计算机等目标设备的工作数据进行采集。例如，焊接设备由机器人、焊接控制柜、现场工艺电脑及焊枪组成，整套系统通过工业以太网（Profinet）连接，并与上位控制系统相连，可以实现数据抓取。在焊接过程中，焊接控制柜会详细记录该次焊接的电流、电阻、电压、能量等组工艺过程数据，并依据这些信息对该次焊接进行质量分析，产生质量分析数据，并将所有数据存储在现场工艺电脑的数据库中。同时机器人会对焊接过程中机器人相关的参数进行监控，并将产生的报警信息记录到机器人数据库中。由此可见，工业机器人系统的数据内容丰富，数据存储及传输方便，实施预测性维护的可行性较高。
由此可知，采用上述工业机器人数据批处理采集过程对各个设备的工作数据进行采集和处理，能够有效节省人工采集数据的时间及金钱成本，并能够简化数据的采集过程，还能够防止数据的丢失。
二、数据存储
工业机器人数据平台会将数据格式转换成数据仓库表（Hive table）进行存储和转换，进而能够通过知识图谱和失效预测模型等进行可视化分析及数据加工，以形成最终的预测结果；最后工业机器人数据平台将预测结果推送到前台的UI以及返回大数据平台进行数据的校正以及算法的优化，并将预测结果通过网页和/或短信的方式进行预警，通知相关维修人员。
三、采用知识图谱进行故障预测性维护
在经过工业机器人数据的采集和存储后，工业机器人数据平台根据存储的工业机器人数据构建工业机器人知识图谱，具体可以采用预先训练得到的预训练语言模型输出当前工业机器人数据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；然后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。
例如，工业机器人数据平台可以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。工业机器人数据平台还可以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。
1、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。
2、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，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。
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。其中，Bert模型是指基于Transformer模型的双向编码模型，BiLSTM + CRF模型是一种命名实体识别（NER）模型。
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。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。
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。
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，本申请应用实例却对此不做限定。
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，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。
四、采用失效预测模型进行故障预测性维护
失效预测模型的建立仍然面临许多难点，主要集中在环境、知识背景、数据本身等方面，具体来说，装备感知严重依赖于操作和环境条件-数据采集条件受环境和传输带宽制约、理论分析难以完备覆盖复杂现实条件、分析目标繁多，分析工具可复制性较低；需要领域知识和数据科学的深度结合-工业过程的高度专业化使得AI 必须深入到工业流程才能发挥作用、全球化造成领域知识的分布化和碎片化、跨越式发展间接造成领域知识缺乏积累；故障数据本身呈长尾分布-故障表现多样，而单类数据量少，样本稀疏。此类问题给特征提取与模型训练带来巨大挑战。
基于此，本申请应用实例提供一种针对工业机器人的失效预测模型构建方式及应用过程，具体说明如下：
1、特征工程
将数据采集及存储后得到的工业机器人数据进行特征提取，以便后续基于提取的特征进行工业机器人故障预测。
通过机器学习观察属性称为特征。特征工程是将原始数据转化为特征，更好表现预测模型处理的实践效果，提升关于未知数据的准确性。特征工程用目的问题所在的特定范畴知识或自动化的方法来生成、提取、删减或者组合变更得到特征。用于机器学习方法的特征集被称为特征向量。
对于大多数故障类型检测和预测维护应用程序，从数据采集系统获得的值通常必须在将其转换为新的变量空间之前进行预处理，以获得更好的机器学习算法性能。来自数据采集系统的这些预处理值是特征向量的示例。在本申请应用实例中，预处理阶段称为特征工程。特征工程不是正式定义的术语；相反，它更多是与机器学习应用程序的设计特征集相关的一系列任务。故障类型检测和预测维护的特征工程的最重要的过程如下：
（1）信号处理
原始未处理数据的解释，生成和转换。
（2）特征选择
选择最具代表性的功能的子集。
（3）特征提取
通过组合功能生成新信息，可以参见图8所示的特征工程的工作流程。
2、故障预测
从当前基于大数据分析的设备预测性维护研究工作得出，故障预测方法被分类，其中通用的方式为：数据驱动故障预测技术（人工智能技术）、基于仿真模型的故障预测技术以及基于概率统计的故障预测。
其中，数据驱动故障预测技术不需要目标系统的先前知识。基于收集的数据，通过各种数据分析和处理方法提取隐含信息，避免了基于仿真模型和知识的故障预测技术的缺点，成为更实际的故障预测方法。故障预测模型通过训练多输出参数来适应降级性能数据与可靠性之间的非线性关系，以及未来预测组件的可靠性。例如，图9（a）提供的数据驱动故障预测技术中的离线训练算法的执行过程和图9（b）提供的数据驱动故障预测技术中的在线预测算法的执行过程，显示程序首先从训练输入变量Xtrain和训练输出变量Ytrain开始，为了实现变量的统一结构，实现了数据预处理过程，然后对输入和输出变量进行归一化和缩放。参数识别后，考虑到不同的数据驱动预测方法，分别有参数产生。利用这些参数和归一化X，可以通过故障预测方法最终获得预测的Y。完成工业过程后的延迟输出Y可以从实验室分析中获得。最后，实现机器学习的绩效评估，旨在最大限度地减少实际结果 和Ypredict之间的差异。最后，机器学习的改进将被用于建模（实际）系统，其中，Xtrain是指训练输入变量；Ytrain是指训练输出变量；ω是指训练算法识别参数；Ψ是指训练算法识别参数；b是指训练算法识别参数；A是指训练算法识别参数；B是指训练算法识别参数；C是指训练算法识别参数；D是指训练算法识别参数；Ypredict是指预测输出变量。
如果故障数据是由不同的信号或基于统计的数据集生成的，则难以确定确切的数学模型。 容易引起故障预测的过度偏差，设备或测试数据也可能是故障预测的一种手段。基于测试或传感器数据的预测方法称为数据驱动故障预测技术。
典型的基于数据驱动故障预测算法有：人工神经网络，模糊系统等人工智能计算方法。数据驱动算法的具体划分如图10所示。
以决策树进行举例说明，决策树算法是分类和预测的强大和主要的工具。与神经网络等模型相反，决策树的吸引力基于表示规则的可理解形式。在某些应用中，分类或预测的准确性是唯一重要的。在这种情况下，模型如何工作或为什么工作并不产生影响。在其他情况下，解释决策原因的能力是至关重要的。决策树模型与基于信念规则的系统高度相关，因为决策树可以被视为一组非重叠规则。 图11显示了一个决策树的样例。 检查有三个变量（即变量1、变量2和变量3）。一个椭圆表示示例系统的一个规则。箭头描述的规则的结果，叶片描绘了决策树的结果。其中，图11中的X1是指变量1；X2是指变量2；X3是指变量3；Switch是指决策。
3.针对平衡缸轴承的失效预测模型构建
针对平衡缸轴承的失效预测模型构建，本申请应用实例将通过振动传感器收集轴承振动信号，同时采集机器人内部数据，通过将外部振动信号与内部数据融合，提升模型精度；将通过信号处理方法对由路径及噪声造成的调制现象进行抑制；然后将基于时频分析的方法提升故障特征的提取效果；将结合机器人内部电机数据及机器人几何结构数据，建立失效预测模型；建立故障的深度迁移诊断方法，解决失效样本少的问题。
4.针对伺服电机及传动部件的失效预测模型构建
因机器人电机及其传动部件，引起的失效停机案例。电机输出端花键，或其传动皮带随着长时间高负荷运行，很容易损坏，若不能提前发现，将会造成长时间停机并影响生产。
以往文献主要集中于对单个电机的模拟或实验，测试并探寻其振动信号与实际性能直接的关系，以此建立模型预测电机状态并指定维保策略。但伺服电机在工业机器人实际应用中，还涉及许多传动部件。如图12所示，伺服电机首先会通过花键输出动力，然后经过连接轴杆或连接皮带，最后到达机器人臂中的减速机。相比于电机本身，这类传动相关部件的磨损失效风险更高，大部分故障点难以判断或紧急维修耗时较长的停机，均来源于此。
这种部件一般位于机器人内部，与电机通过机械连接，且时常处于高速运动状态。
因此难以通过机器人内部信号或加装传感器来进行数据收集或分析。因此，本课题将尝试通过置于外部的电机的振动数据，分析其相关传动部件的失效模型另外，作为六轴机器人，其多个电机之间考虑存在一定相关性：例如上级电机磨损失效状态，可能对下级电机振动偏量产生影响，因此需要收集工业机器人六轴电机不同失效模式下的数据并进行分解与特征提取，尽可能避免所建立的单个电机失效预测模型受到其它电机影响。
逐一描述了伺服电机研究中相应问题的解决方案。
1. 本申请应用实例在研究过程中，将安装在机器人本体上的正常电机与失效电机作为数据
采集对象，以还原实际生产工况。同时，将选取失效电机尽可能涵盖多种常见的故障类型，以满足实际应用需求；
2. 在识别本体故障以外，本技术点将尝试分析不同磨损程度的电机传动部件，通过电机外壳采集其振动数据，并提取特征进行识别；
3. 在数据清洗方面，将通过机器人编程轨迹，尝试分析单轴运动和多轴同时运动，以此剔除实际应用中其它轴电机带来的背景噪声影响；
4. 在模型评价方面，将采用如F1 值这类的分类模型评价指标，尽可能克服故障样本稀疏等困难；F1值就是精度和召回率的调和平均数。
5. 同时要在不同类型电机上进行测试，综合其评价分数，避免在某一型号电机上出现过拟合现象，以此选取最佳模型及参数；
6. 该失效预测模型将结合电机振动数据与电流、温度数据进行分析，以此丰富信息维度、提高预测准确度。
基于此，针对伺服电机失效预测模型，目前得到了初步的研究进展，然而在开展研究过程中发现了一些数据采集的共性问题。工业机器人工作中轨迹复杂，即便相同负载条件下，不同位置姿态的各轴电机的电流扭矩数据幅值仍然波动较大，难以建立统一标准进行诊断。在这方面，本文将针对电机电流扭矩数据，依据工业机器人机理进行分析，筛选处于高负载或长轨迹的特定程序指令进行分析并建模，即理论上对核心部件机械磨损较为敏感的数据区间。同时编程建立机器人“体检程序”，在相同且固定的机器人轨迹与姿态下测得数据，并考虑进行标准化或归一化处理，以更好地做出诊断。
初步采集数据过程依赖后验结果，从已发生故障的机器人及核心部件上采集，或下载服务器上的近期历史数据，可对样本进行明确地标记。例如，可以挑选电机传动皮带磨损后的工业机器人数据，根据电流扭矩数据分布，剔除合理区间以外的离群数值与抱闸锁定期间的零值。依据机理分析，筛选机器人抓取工件过程中的单个运动程序指令，分析相同姿态下扭矩数据。显然其扭矩数值随时间呈阶梯状上升，推测为皮带磨损后跳齿导致，后续将通过更多样本验证猜想。由此看出，正常样本与异常磨损样本间确实存在数据幅值等特征差别，初步分析表明本研究思路可行。
五、点焊系统的案例介绍
基于以上理论，本申请应用实例选择装焊车间机器人自动点焊技术作为应用案例。在选择应用案例时，以案例的潜在效益及预测可行性作为选择标准。自动点焊技术是装焊车间应用最为广泛的连接技术，具有设备数量多、单台设备故障率低的特点。因此在实施预防性维护时会出现检查工作量大，但命中率低的问题。同时由于设备数量大，即使单台设备有较低的故障率也会对生产线造成很大的停机风险。借助预测性维护体系，可以精确的找到问题设备，提高故障设备维护的效率。在减少预防性维护的工作量的同时，也可以降低设备停机的风险。从设备检修工作量及减少停机风险两方面来看，自动点焊的预测性维护都具有较高的潜在效益。
具体说明如下：
1、数据采集
参见图13，自动点焊系统由机器人、焊接控制柜、现场工艺电脑及焊枪组成，整套系统通过Profinet工业以太网连接，并与上位控制系统相连，可以实现数据抓取。在焊接过程中，焊接控制柜会详细记录该次焊接的电流、电阻、电压、能量等162组工艺过程数据，并依据这些信息对该次焊接进行质量分析，产生质量分析数据，并将所有数据存储在现场工艺电脑的数据库中。同时机器人会对焊接过程中机器人相关的参数进行监控，并将产生的报警信息记录到机器人数据库中。由此可见，自动点焊系统的数据内容丰富，数据存储及传输方便，实施预测性维护的可行性较高。其中，图13中“Ethernet TCP/IP”是指工业以太网通讯协定。
2.失效预测模型建立
对数据进行预处理，定义预测目标和特征数据可以有效地降低变量维度，使运算量可控，同时也可以增强预测模型的准确性。基于对点焊设备的认识及现场维护经验，结合焊接控制柜及机器人的报警信息记录，参见图14，以鱼骨图的形式建立了焊接系统报错与焊接系统故障之间的关联。
由于不同的报错信息与设备故障的关联性不同，根据经验对报错信息进行严重等级评定，使不同的报错信息在作为预测目标时有不同权重，有利于降低数据噪音，提高计算效率。
其中，焊接系统柜报错信息严重等级如表1所示。
表1
同理，在对点焊系统能够记录的162组工艺过程数据进行分析和筛选后，15个类别的61个变量被选出作为预测性模型中的特征数据。参见图15。
将预测目标及特征数据输入R语言并建立模型，用20套点焊系统一个月的焊接数据对模型进行训练，便得到了针对点焊系统的预测性维护模型。通过决策树和回归算法，该模型可基于焊接系统过去三天的历史数据，提前8小时做出焊接系统状态异常的判断。
3、应用验证
预测模型的正确率表示被正确分类的数据在所有数据中所占的比例，以此来表示该预测模型的性能。在模型验证阶段，284套现场焊接设备被接入预测模型。预测模型根据每天实时的现场焊接数据进行预测，在当天生产结束之后，预测结果将会和焊接系统当天实际产生的报错信息进行对比，以验证其正确率。在对现场284套焊接设备进行了27个生产日的现场验证后，计算出该预测模型的正确率为73%。
六、结合人员管理的工业机器人预测性维护管理过程
随着大数据、人工智能算法等高新技术的新兴发展以及设备管理技术的革新，工业机器人的预测性维护相应得到了很大程度上的提高，在次基础上数字化的工业机器人设备维护管理得到了广泛的发展。由于汽车制造企业发展带来的缩减成本、提高效率的需求，把业务中常规性事务进行管理，综合集成化为一个工作流系统成本大势所需。
本申请应用实例还公开了一种面向多层级预测性维护管理的流程建模方法，涉及工业机器人设备维护管理的技术领域。参见图16，包括步骤：对业务流程进行分析，分解分类、划分出每个业务流程的层次类别；对每个分解的业务流程所能够展现出的各个业务状态进行整理输出；针对多层次流程模型的元素对象；按照多层次的业务流程管理建模方法将各种模型元素构建成多层次的业务流程的总体模型；对总体的多层次预测性维护管理流程模型运行业务实例并进行监控和管理。本申请应用实例通过构建复杂多层级的预测性维护流程模型，来支撑复杂的业务场景，对企业级、部门级的复杂、多层级业务流程管理时的业务流程模型构建起到了模型统一、概念清晰、便捷、高效的作用。
本申请应用实例基于ARIS(Architecture of Integrated Information System)开展了业务流程建模，建立了独立的流程的模型，通过这个过程可以完成，为后续系统开发提供了一个模型基础。
1. 技术人员维护后的结果将结合设备实时数据，与历史数据进行比较，以此检验维护工作的质量，形成质量闭环；
2. 预测结果以及维护方案的有效性，将作为知识输入知识图谱与失效预测模型中，使得模型不断迭代与自学习，完善自身准确率，形成模型闭环；
3. 维护具体规划与决策将输入给综合领域人才，从而系统地培训并提升人员的素质水平，帮助其学习预测性管理技能，提前规划好维护工作的优先级，形成管理闭环。
主要实施方案是采用大数据平台对机器的各种状态数据及日志进行建模分析，并将预警推送给指定的维修人员。本申请应用实例所研究的内容在预测性维护管理方法的基础上创新性地构建出多层级闭环管理模式，预计能有效地提升工业机器人维护成本、质量与效率。
综上所述，本申请应用实例提供的工业机器人预测性维护管理方法及系统，基于数据驱动的健康状态评价和故障预测，进行工业机器人设备的维护工作，数据/机理驱动，失效预测模型，提前获知风险，减少故障损失，提升系统可靠性。
本申请实施例还提供了一种电子设备，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预测性维护管理方法，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-ProgrammableGate 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预测性维护管理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预测性维护管理方法。
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预测性维护管理方法。
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预测性维护管理方法的步骤。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)

1.一种工业机器人预测性维护管理方法，其特征在于，包括：
以批处理方式采集汽车制造场地内的各个类型的工业机器人数据，并将该工业机器人数据发送至预设的工业机器人数据平台中进行存储；
在所述工业机器人数据平台中根据所述工业机器人数据构建或更新工业机器人知识图谱，以基于该工业机器人知识图谱生成针对所述汽车制造场地中工业机器人的第一故障预测结果；
以及，根据所述工业机器人数据平台中的工业机器人数据和预设在所述工业机器人数据平台中的失效预测模型，生成针对所述汽车制造场地中工业机器人的第二故障预测结果；
输出所述第一故障预测结果和第二故障预测结果，以使用户基于所述第一故障预测结果和第二故障预测结果对所述汽车制造场地内的工业机器人进行预测性维护；
在所述工业机器人数据平台中接收并存储用户针对所述汽车制造场地中工业机器人进行预测性维护过程产生的维修数据，以采用该维修数据优化所述工业机器人知识图谱和所述失效预测模型。
2.根据权利要求1所述的工业机器人预测性维护管理方法，其特征在于，所述以批处理方式采集汽车制造场地内的各个类型的工业机器人数据，并将该工业机器人数据发送至预设的工业机器人数据平台中进行存储，包括：
根据各个工业机器人数据所属的类型，控制所述汽车制造场地内的各个工业机器人分别对应的数据采集设备以不同的时间间隔采集各个类型的工业机器人数据；
对采集的工业机器人数据进行协议转换，以及得到统一协议格式的工业机器人数据；
基于预设的数据转发周期，将统一协议格式的工业机器人数据发送至所述工业机器人数据平台中进行存储。
3.根据权利要求2所述的工业机器人预测性维护管理方法，其特征在于，所述工业机器人数据的类型包括：工业机器人的资产数据、运行数据、传感器数据、图像数据、声音数据、维修数据、故障数据、任务数据和操作数据；
相对应的，所述根据各个工业机器人数据所属的类型，控制所述汽车制造场地内的各个工业机器人分别对应的数据采集设备以不同的时间间隔采集各个类型的工业机器人数据，包括：
控制用于采集所述汽车制造场地内的各个工业机器人的运行数据、传感器数据、图像数据和声音数据的数据采集设备，以预设的第一时间间隔采集所述运行数据、传感器数据、图像数据和声音数据；
控制用于采集所述汽车制造场地内的各个工业机器人的任务数据和操作数据的数据采集设备，以预设的第二时间间隔采集所述任务数据和操作数据，其中，所述第一时间间隔小于第二时间间隔；
控制用于采集所述汽车制造场地内的各个工业机器人的资产数据的数据采集设备，在每次与所述工业机器人建立通信连接时采集该工业机器人的资产数据；
以及，控制用于采集所述汽车制造场地内的各个工业机器人的维修数据和故障数据的数据采集设备，在所述维修数据和故障数据产生时进行实时采集。
4.根据权利要求1所述的工业机器人预测性维护管理方法，其特征在于，所述在所述工业机器人数据平台中根据所述工业机器人数据构建或更新工业机器人知识图谱，以基于该工业机器人知识图谱生成针对所述汽车制造场地中工业机器人的第一故障预测结果，包括：
在所述工业机器人数据平台中，采用预设的实体识别模型获取所述工业机器人数据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数据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；
基于预获取的查询条件自所述工业机器人知识图谱中查找对应的该查询条件对应的关系及实体，以得到所述查询条件对应的第一故障预测结果，其中，所述查询条件包括：经工业机器人故障实时监测系统输出的失效预测实体和/或针对工业机器人维护的问题数据；所述第一故障预测结果包括：所述查询条件对应的实体和与该实体相关联的其他实体。
5.根据权利要求1所述的工业机器人预测性维护管理方法，其特征在于，在所述生成针对所述汽车制造场地中工业机器人的第二故障预测结果之前，还包括：
获取自所述汽车制造场地中采集的各个类型的历史工业机器人数据及各个所述历史工业机器人数据分别对应的历史故障预测结果，其中，所述历史故障预测结果包括历史报错信息和所属部件位置数据之间的关联关系；
以及，构建各个所述报错信息和各个严重等级之间对应关系的故障严重等级表；
采用各个所述历史工业机器人数据和对应的历史故障预测结果训练失效预测模型，以使该失效预测模型用于根据输入的工业机器人数据，输出对应的第二故障预测结果，其中，所述第二故障预测结果包括：各个所述历史工业机器人数据分别对应的报错信息和该报错信息的所属部件位置数据之间的关联关系。
6.根据权利要求5所述的工业机器人预测性维护管理方法，其特征在于，所述输出所述第一故障预测结果和第二故障预测结果，以使用户基于所述第一故障预测结果和第二故障预测结果对所述汽车制造场地内的工业机器人进行预测性维护，包括：
将所述第一故障预测结果发送至用户持有的客户端设备和/或显示设备中；
以及，基于所述故障严重等级表确定所述第二故障预测结果中的各个报错信息分别对应的严重等级，若各个所述报错信息分别对应的严重等级不同，则以预设的各个所述严重等级分别对应的不同发送频率将所述第二故障预测结果发送至用户持有的客户端设备和/或显示设备中，以使用户基于所述第一故障预测结果和第二故障预测结果对所述汽车制造场地内的工业机器人进行预测性维护。
7.一种工业机器人预测性维护管理系统，其特征在于，包括：
批处理采集模块，用于以批处理方式采集汽车制造场地内的各个类型的工业机器人数据，并将该工业机器人数据发送至预设的工业机器人数据平台中进行存储；
第一预测模块，用于在所述工业机器人数据平台中根据所述工业机器人数据构建或更新工业机器人知识图谱，以基于该工业机器人知识图谱生成针对所述汽车制造场地中工业机器人的第一故障预测结果；
第二预测模块，用于根据所述工业机器人数据平台中的工业机器人数据和预设在所述工业机器人数据平台中的失效预测模型，生成针对所述汽车制造场地中工业机器人的第二故障预测结果；
结果输出模块，用于输出所述第一故障预测结果和第二故障预测结果，以使用户基于所述第一故障预测结果和第二故障预测结果对所述汽车制造场地内的工业机器人进行预测性维护；
迭代更新模块，用于在所述工业机器人数据平台中接收并存储用户针对所述汽车制造场地中工业机器人进行预测性维护过程产生的维修数据，以采用该维修数据优化所述工业机器人知识图谱和所述失效预测模型。
8.根据权利要求7所述的工业机器人预测性维护管理系统，其特征在于，所述批处理采集模块包括：
数据采集单元，用于根据各个工业机器人数据所属的类型，控制所述汽车制造场地内的各个工业机器人分别对应的数据采集设备以不同的时间间隔采集各个类型的工业机器人数据；
协议转化单元，用于对采集的工业机器人数据进行协议转换，以及得到统一协议格式的工业机器人数据；
定时中转单元，用于基于预设的数据转发周期，将统一协议格式的工业机器人数据发送至所述工业机器人数据平台中进行存储。
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6任一项所述的工业机器人预测性维护管理方法。
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6任一项所述的工业机器人预测性维护管理方法。
CN202310392856.7A 2023-04-13 2023-04-13 工业机器人预测性维护管理方法及系统 Active CN116127790B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310392856.7A CN116127790B (zh) 2023-04-13 2023-04-13 工业机器人预测性维护管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310392856.7A CN116127790B (zh) 2023-04-13 2023-04-13 工业机器人预测性维护管理方法及系统

Publications (2)

Publication Number Publication Date
CN116127790A true CN116127790A (zh) 2023-05-16
CN116127790B CN116127790B (zh) 2023-06-09

Family

ID=86301230

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310392856.7A Active CN116127790B (zh) 2023-04-13 2023-04-13 工业机器人预测性维护管理方法及系统

Country Status (1)

Country Link
CN (1) CN116127790B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116340410A (zh) * 2023-05-30 2023-06-27 国网瑞嘉(天津)智能机器人有限公司 配网带电作业机器人的数据处理方法、装置及服务器
CN117370878A (zh) * 2023-12-07 2024-01-09 山东第一医科大学第一附属医院(山东省千佛山医院) 一种基于脊柱关节振动信息的表皮提取定位方法及系统
CN117798498A (zh) * 2024-02-29 2024-04-02 深圳市艾雷激光科技有限公司 智能激光焊接机焊接异常自动调整的方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101241359A (zh) * 2007-02-06 2008-08-13 Abb研究有限公司 用来监视工业机器人的状况的方法和控制系统
CN109635958A (zh) * 2018-12-12 2019-04-16 成都航天科工大数据研究院有限公司 一种基于边缘计算的预测性工业设备维护方法及维护系统
CN111563606A (zh) * 2020-04-30 2020-08-21 新智数字科技有限公司 一种设备预测性维护方法及装置
CN112596495A (zh) * 2020-12-07 2021-04-02 中科蓝智(武汉)科技有限公司 一种基于知识图谱的工业设备故障诊断方法及系统
CN112686395A (zh) * 2020-08-20 2021-04-20 杭州指南车机器人科技有限公司 一种生产线预测性维护系统
CN115366157A (zh) * 2022-10-24 2022-11-22 北京奔驰汽车有限公司 工业机器人维护方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101241359A (zh) * 2007-02-06 2008-08-13 Abb研究有限公司 用来监视工业机器人的状况的方法和控制系统
US20080255772A1 (en) * 2007-02-06 2008-10-16 Abb Research Ltd. Method and a control system for monitoring the condition of an industrial robot
CN109635958A (zh) * 2018-12-12 2019-04-16 成都航天科工大数据研究院有限公司 一种基于边缘计算的预测性工业设备维护方法及维护系统
CN111563606A (zh) * 2020-04-30 2020-08-21 新智数字科技有限公司 一种设备预测性维护方法及装置
CN112686395A (zh) * 2020-08-20 2021-04-20 杭州指南车机器人科技有限公司 一种生产线预测性维护系统
CN112596495A (zh) * 2020-12-07 2021-04-02 中科蓝智(武汉)科技有限公司 一种基于知识图谱的工业设备故障诊断方法及系统
CN115366157A (zh) * 2022-10-24 2022-11-22 北京奔驰汽车有限公司 工业机器人维护方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116340410A (zh) * 2023-05-30 2023-06-27 国网瑞嘉(天津)智能机器人有限公司 配网带电作业机器人的数据处理方法、装置及服务器
CN116340410B (zh) * 2023-05-30 2023-10-20 国网瑞嘉(天津)智能机器人有限公司 配网带电作业机器人的数据处理方法、装置及服务器
CN117370878A (zh) * 2023-12-07 2024-01-09 山东第一医科大学第一附属医院(山东省千佛山医院) 一种基于脊柱关节振动信息的表皮提取定位方法及系统
CN117370878B (zh) * 2023-12-07 2024-03-05 山东第一医科大学第一附属医院(山东省千佛山医院) 一种基于脊柱关节振动信息的表皮提取定位方法及系统
CN117798498A (zh) * 2024-02-29 2024-04-02 深圳市艾雷激光科技有限公司 智能激光焊接机焊接异常自动调整的方法及系统

Also Published As

Publication number Publication date
CN116127790B (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
CN116127790B (zh) 工业机器人预测性维护管理方法及系统
van Dinter et al. Predictive maintenance using digital twins: A systematic literature review
Lade et al. Manufacturing analytics and industrial internet of things
CN113112086B (zh) 一种基于边缘计算和标识解析的智能生产系统
KR101825881B1 (ko) 빅 데이터 분석을 이용한 제조 공정 관리 방법 및 이를 이용한 제조 공정 관리 시스템
Kumar et al. On the technologies empowering drones for intelligent monitoring of solar photovoltaic power plants
CN106598791B (zh) 一种基于机器学习的工业设备故障预防性识别方法
US10444746B2 (en) Method for managing subsystems of a process plant using a distributed control system
CN116107282B (zh) 一种基于企业应用集成的工业机器人预测性维护系统
Lee et al. Predictive big data analytics and cyber physical systems for TES systems
Ali et al. Middleware for real-time event detection andpredictive analytics in smart manufacturing
CN111651530A (zh) 一种智能化港口监测系统
CN116117827B (zh) 工业机器人状态监控方法及装置
Patwardhan et al. Applications of advanced analytics at Saudi Aramco: A practitioners’ perspective
Park et al. Modelling a platform for smart manufacturing system
Fasuludeen Kunju et al. Production and maintenance in industries: impact of industry 4.0
Alqoud et al. Industry 4.0: a systematic review of legacy manufacturing system digital retrofitting
Wang et al. Intelligent predictive maintenance (IPdM) for elevator service-through CPS, IOT&S and data mining
Nguyen et al. Holistic explainability requirements for end-to-end machine learning in IoT cloud systems
Xia et al. Managing production systems with machine learning: a case analysis of Suzhou GCL photovoltaic technology
Li et al. A data provenance based architecture to enhance the reliability of data analysis for Industry 4.0
CN109978191A (zh) 工业装备系统的系统状态的评估方法以及评估装置
Elbazi et al. Digital Twin-Enabled Monitoring of Mining Haul Trucks with Expert System Integration: A Case Study in an Experimental Open-Pit Mine
Corallo et al. Processing Big Data in streaming for fault prediction: an industrial application
Mishra et al. Adoption of Sustainable Digital Technologies in Industry 4.0

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