CN116214582A - 一种基于动态识别的机器人运行监测系统 - Google Patents

一种基于动态识别的机器人运行监测系统 Download PDF

Info

Publication number
CN116214582A
CN116214582A CN202310510860.9A CN202310510860A CN116214582A CN 116214582 A CN116214582 A CN 116214582A CN 202310510860 A CN202310510860 A CN 202310510860A CN 116214582 A CN116214582 A CN 116214582A
Authority
CN
China
Prior art keywords
index
robot
data
kth
state
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.)
Withdrawn
Application number
CN202310510860.9A
Other languages
English (en)
Inventor
王懿
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 Huilang Times Technology Co Ltd
Original Assignee
Beijing Huilang Times Technology 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 Huilang Times Technology Co Ltd filed Critical Beijing Huilang Times Technology Co Ltd
Priority to CN202310510860.9A priority Critical patent/CN116214582A/zh
Publication of CN116214582A publication Critical patent/CN116214582A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
    • B25J19/0095—Means or methods for testing manipulators
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Manipulator (AREA)

Abstract

本发明公开了一种基于动态识别的机器人运行监测系统，具体涉及机器人领域，包括机器人轨迹区域划分模块，数据采集模块，数据分析模块，数据处理模块，数据判断模块。通过获取当前时刻机器人的多个指标的单次采样数据，每个指标的单次采样数据包括多个采样值；依据单次采样数据获得每个指标的第一特征向量；依据指标的第一特征向量获得指标的状态指数，将得出的状态指数和第一阈值进行对比，得出具体解决方法。通过本发明提前预测机器人的重要指标和重要部位的健康状态，排除潜在的问题隐患，避免机器人发生故障造成的生产成本损失。

Description

一种基于动态识别的机器人运行监测系统
技术领域
本发明涉及机器人技术领域，更具体地说，本发明涉及一种基于动态识别的机器人运行监测系统。
背景技术
随着人工智能技术的飞速发展与进步，机器人的智能化已经为现代机器人发展的终极目标。随着机器人发展速度的不断提升，应用的范围也不断拓展，出现很多类型的机器人，例如操作机器人、信息机器人、移动机器人等。机器人的不断发展为我们的生活提供很多的便利，同时也对于涉及的技术提出更为苛刻的要求，这就需要对技术机器人不断的创新与探索，进而适应机器人快速发展的具体需求。
机器人在各个行业应用十分广泛，但由于其自身的封闭性，只能通过手操器等设备查看有限的运行数据和故障报警信息，对机器人的运行状态管理却一直处于“盲区”，由于无法判断设备的运行状态，因此对机器人的维修基本采用的是事后维修策略，只有机器人发生故障停机后才组织人员进行维修，而机器人一般在生产线上承担着重要的工艺任务，停机维修必然影响生产的正常进行，给企业带来巨大的生产成本损失。
但是其在实际使用时，仍旧存在一些缺点，如对于机器人的驱动电机运行状态的检测通常仅为本地电路控制驱动电机的启动与停止，或者为对驱动电机的电压电流进行本地判断，并不能及时将驱动电机全部运行状态数据上传至电脑系统，无法及时了解机器人的运行状态。因而，如何建立一个安全、智能的巡检机器人运行状态监测系统是当前急需解决的问题。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种基于动态识别的机器人运行监测系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于动态识别的机器人运行监测系统，包括：
机器人轨迹区域划分模块用于将机器人需要行驶的目标轨迹按等距离划分区域，编号为1、2、3、……、n。
数据采集模块用于采集机器人多个指标的单次位姿数据，单次采样位姿数据包括每个指标的第一特征向量，再根据第一特征向量获得指标的状态指数；获取当前时刻机器人的多个指标的单次采样数据，每个指标的单次采样数据包括多个采样值，当前时刻的单次采样数据是当前一秒钟内采集到的多个采样值，采样频率为100hz，每秒钟有100个采样值，采样值构成了单次采样数据。
数据分析模块用于分析n个区域内各项指标的参数，得出存在差异的区域，并将此差异区域编号为1、2、3、……、m；所述依据所述单次采样数据获得每个所述指标的第一特征向量，包括：依据所述指标的单次采样数据获得所述指标的多个初始特征值，指标的多个初始特征值形成所述指标的初始特征向量，对所述指标的初始特征向量进行标准化处理，获得所述指标的第一特征向量。
数据处理模块用于处理数据采集模块采集到的数据进行实时轨迹监测，并计算得出下一时刻的预测位姿坐标，并根据所述的状态指数获得机器人的各个运动关节上的轴的运行状态指数；计算所述指标的第一特征向量与模式库中所有第二特征向量之间的相似度，依据最大的相似度计算所述指标的状态指数，每个指标的多个初始特征值包括单次采样数据计算的均方根、峰值、标准差和绝对平均值。
其中，指标的均方根计算公式如下：
Figure SMS_1
，其中/>
Figure SMS_2
为第k个指标的均方根，/>
Figure SMS_3
为第k个指标的单词量，/>
Figure SMS_4
为第k个指标的单次采样数据中心的第i个采样值；
峰值的计算公式如下：
Figure SMS_5
，其中/>
Figure SMS_6
为第k个指标的峰值，/>
Figure SMS_7
为第k个指标的单次采样数据中的最大值，/>
Figure SMS_8
为第k个指标的单次采样数据中的最小值；
标准差的计算公式如下：
Figure SMS_9
，其中/>
Figure SMS_10
为第k个指标的标准差，/>
Figure SMS_11
为第k个指标的单次采样均值，即第k个指标的单次采样数据中所有采样值的平均值；
指标的绝对平均值计算公式如下：
Figure SMS_12
，其中/>
Figure SMS_13
为第k个指标的绝对值平均值，/>
Figure SMS_14
为第k个指标的单次采样数据中心的第i个采样值。
每个指标的多个初始特征值形成该指标的初始特征向量；每个指标的均方根、峰值、标准差和绝对值平均值形成该指标的初始特征向量
Figure SMS_15
。 对每个指标的初始特征向量进行标准化处理，获得该指标的第一特征向量；标准化是对不同数据特征维度的伸缩变换，目的是使得不同度量之间的特征具有可比性，这样可以消除量纲的影响，同时又不改变原始数据的分布，即：
Figure SMS_16
，其中，/>
Figure SMS_17
为第k个指标的第一特征向量，/>
Figure SMS_18
为第k个指标的初始特征向量，/>
Figure SMS_19
为所有指标的初始特征向量的均值，/>
Figure SMS_20
为所有指标的初始特征向量的标准差。
优选的，数据判断模块用于将计算出的指标状态指数和第一阈值对比，得出差异，并进行修正；将根据指标状态指数获得机器人各个运动关节上的轴的运行状态指数和第二阈值进行对比，得出差异并进行修正。
根据状态指数获得机器人的各个运动关节上轴的运行状态，代入以下公式：
Figure SMS_21
，其中/>
Figure SMS_22
是第一个轴的运行状态，/>
Figure SMS_23
是第一个轴的电流的状态指数，/>
Figure SMS_24
是第一个轴的力矩的状态指数，/>
Figure SMS_25
第一个轴的温度的指数，根据所有轴的运行状态获取机器人的运行状态，当轴的运行状态/>
Figure SMS_26
时，/>
Figure SMS_27
为阈值，则发出报警消息，由相关人员进行维修修正。
本发明的技术效果和优点：
本发明通过提前预测机器人的重要指标和重要部位的健康状态，排除潜在的问题隐患，避免机器人发生故障造成的生产成本损失。
附图说明
图1为本发明的整体结构示意图；
图2为本发明的系统流程示意图。
实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图一所示，本发明提供一种基于动态识别的机器人运行监测系统，其中包括机器人轨迹区域划分模块，数据采集模块，数据分析模块，数据处理模块，数据判断模块。
机器人轨迹区域划分模块与数据采集模块相连，数据采集模块与数据分析模块相连，数据分析模块与数据处理模块相连，数据处理模块与数据判断模块相连。
机器人轨迹区域划分模块用于将机器人需要行驶的目标轨迹按等距离划分区域，编号为1、2、3、……、n。
数据采集模块用于采集机器人多个指标的单次位姿数据，单次采样位姿数据包括每个指标的第一特征向量，再根据第一特征向量获得指标的状态指数，其中状态指数包括轴的电流的状态指数
Figure SMS_28
，轴的力矩的状态指数/>
Figure SMS_29
,轴的温度状态指数/>
Figure SMS_30
；
在一种可能的设计中，具体采集方式为：
获取当前时刻机器人的多个指标的单次采样数据，每个指标的单次采样数据包括多个采样值，当前时刻的单次采样数据是当前一秒钟内采集到的多个采样值，采样频率为100hz，每秒钟有100个采样值，采样值构成了单次采样数据，将单次采样数据中的空值和异常值替换为前一时刻的对应采样值，若当前时刻指标的某个采样值与当前时刻指标的单次采样均值之间的差大于第三阈值，则采样值为异常值。
若当前时刻某指标的某个采样值与当前时刻该指标的单次采样均值之间的差大于阈值，则该采样值为异常值。该阈值为该指标的单次采样标准差的n倍，即若满足：
Figure SMS_31
，则被认定为异常值。
其中，
Figure SMS_32
，/>
Figure SMS_33
，其中/>
Figure SMS_34
为第k个指标的单次采样均值，即第k个指标的单次采样数据中所有采样值的平均值，/>
Figure SMS_35
为第k个指标的单次采样标准差，即第k个指标的单次采样采样数据中所有采样值的标准差，/>
Figure SMS_36
为第k个指标的单次采样标准值，即第k个指标的单次采样数据中心所有采样值的标准值。
数据分析模块用于分析n个区域内各项指标的参数，得出存在差异的区域，并将此差异区域编号为1、2、3、……、m，并在差异区域内取得的各项数据与无差异区间内取得的各项数据进行差异对比分析；
在一种可能的设计中，具体分析方式为：
依据单次采样数据获得每个指标的第一特征向量，包括：依据指标的单次采样数据获得指标的多个初始特征值，指标的多个初始特征值形成指标的初始特征向量，对指标的初始特征向量进行标准化处理，获得指标的第一特征向量。
数据处理模块用于处理数据采集模块采集到的数据进行实时轨迹监测，并计算得出下一时刻的预测位姿坐标，并根据的状态指数获得机器人的各个运动关节上的轴的运行状态指数；
在一种可能的设计中，具体处理方式为：
计算指标的第一特征向量与模式库中所有第二特征向量之间的相似度，依据最大的相似度计算指标的状态指数，每个指标的多个初始特征值包括单次采样数据计算的均方根、峰值、标准差和绝对平均值；
其中，指标的均方根计算公式如下：
Figure SMS_37
，其中/>
Figure SMS_38
为第k个指标的均方根，/>
Figure SMS_39
为第k个指标的单词量，/>
Figure SMS_40
为第k个指标的单次采样数据中心的第i个采样值；
峰值的计算公式如下：
Figure SMS_41
，其中/>
Figure SMS_42
为第k个指标的峰值，/>
Figure SMS_43
为第k个指标的单次采样数据中的最大值，/>
Figure SMS_44
为第k个指标的单次采样数据中的最小值；
标准差的计算公式如下：
Figure SMS_45
，其中/>
Figure SMS_46
为第k个指标的标准差，/>
Figure SMS_47
为第k个指标的单次采样均值，即第k个指标的单次采样数据中所有采样值的平均值；
指标的绝对平均值计算公式如下：
Figure SMS_48
，其中/>
Figure SMS_49
为第k个指标的绝对值平均值，/>
Figure SMS_50
为第k个指标的单次采样数据中心的第i个采样值。
每个指标的多个初始特征值形成该指标的初始特征向量；每个指标的均方根、峰值、标准差和绝对值平均值形成该指标的初始特征向量
Figure SMS_51
。
对每个指标的初始特征向量进行标准化处理，获得该指标的第一特征向量；标准化是对不同数据特征维度的伸缩变换，目的是使得不同度量之间的特征具有可比性，这样可以消除量纲的影响，同时又不改变原始数据的分布，即：
Figure SMS_52
，其中，/>
Figure SMS_53
为第k个指标的第一特征向量，/>
Figure SMS_54
为第k个指标的初始特征向量，/>
Figure SMS_55
为所有指标的初始特征向量的均值，/>
Figure SMS_56
为所有指标的初始特征向量的标准差；通过计算机器人的各个指标的状态指数预测各个指标的健康状态，排除潜在的问题隐患。
数据判断模块用于将数据处理模块中计算出的指标状态指数和第一阈值对比，得出差异，并进行修正；将根据指标状态指数获得机器人各个运动关节上的轴的运行状态指数和第二阈值进行对比，得出差异并进行修正。
在一种可能的设计中，具体判断方式为：
依据指标的第一特征向量获得该指标的状态指数，计算该指标的第一特征向量和第二特征向量之间的相似度；可以通过第一特征向量和第二特征向量之间的欧氏距离，作为二者的相似度；依据最大的相似度计算指标的状态指数，计算方式如下：
Figure SMS_57
，/>
Figure SMS_58
为欧氏距离，其中x(i)(i=1,2…n）是实数称为x的第i个坐标，两个点x和y之间的距离d(x, y）定义为上面的公式；
Figure SMS_59
，其中/>
Figure SMS_60
为第k个指标的最大相似度，/>
Figure SMS_61
为第k个第一特征向量，/>
Figure SMS_62
为第k个第二特征向量；
Figure SMS_63
，其中/>
Figure SMS_64
为第k个指标的状态指数；
当
Figure SMS_65
,机器人处于完好的状态，无需进行处理；当/>
Figure SMS_66
，机器人发出故障警报，需要进行处理并修正。
根据状态指数获得机器人的各个运动关节上轴的运行状态，代入以下公式：
Figure SMS_67
,其中/>
Figure SMS_68
是第一个轴的运行状态，/>
Figure SMS_69
是第一个轴的电流的状态指数，/>
Figure SMS_70
是第一个轴的力矩的状态指数，/>
Figure SMS_71
第一个轴的温度的指数；根据所有轴的运行状态获取机器人的运行状态，当轴的运行状态/>
Figure SMS_72
时，/>
Figure SMS_73
为阈值，则发出报警消息，由相关人员进行维修修正。
请参阅图二所示，本发明提供一种基于动态识别的机器人运行监测系统，其方法为：
A01：获取当前时刻机器人的多个指标的单次采样数据，再依据每个指标的单次采样数据获得该指标的多个特征值；
A02：依据单次采样数据获得每个指标的第一特征向量，其中包括；均方根、峰值、标准差和绝对平均值，形成该指标的初始特征值
Figure SMS_74
；再对每个指标的初始特征向量进行标准化处理，获得该指标的第一特征向量/>
Figure SMS_75
；
A03：依据指标的第一特征向量和第二特征向量获得指标的状态指数，其中状态指数包括；轴的电流的状态指数
Figure SMS_76
，轴的力矩的状态指数,轴的温度状态指数/>
Figure SMS_77
；对每个指标的初始特征向量进行标准化处理，获得该指标的第一特征向量；
A04：计算第一特征向量和第二特征向量之间的相似度，根据最大的相似度计算状态指数；
A05：根据计算得出的每个状态指数判断是否超过阈值，若当,机器人处于完好的状态，无需进行处理；当
Figure SMS_78
，机器人发出故障警报，需要进行处理并修正；
A06：与获得轴的运行状态相同，依据所有轴的运行状态获得机器人的运行状态时，首先依据所有轴的运行状态构建对比矩阵，形成第一矩阵；然后，采用一致性检验方法依据第二矩阵获得每个轴对于机器人的权重；最后，依据每个轴的权重和每个轴的运行状态计算机器人的运行状态；
A07：根据计算得出的轴的运行状态是否超过阈值，若当轴的运行状态
Figure SMS_79
时，
Figure SMS_80
为阈值，则发出报警消息，由相关人员进行维修修正。
最后：以上仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于动态识别的机器人运行监测系统，其特征在于，包括：
机器人轨迹区域划分模块：用于将机器人需要行驶的目标轨迹按等距离划分区域，编号为1、2、3、……、n；
数据采集模块：用于采集机器人多个指标的单次位姿数据，单次采样位姿数据包括每个指标的第一特征向量，再根据第一特征向量获得指标的状态指数；
数据分析模块：用于分析n个区域内各项指标的参数，得出存在差异的区域，并将此差异区域编号为1、2、3、……、m；
数据处理模块：用于处理数据采集模块采集到的数据进行实时轨迹监测，并计算得出下一时刻的预测位姿坐标，并根据所述的状态指数获得机器人的各个运动关节上的轴的运行状态指数；
数据判断模块：用于将计算出的指标状态指数和第一阈值对比，得出差异，并进行修正；将根据指标状态指数获得机器人各个运动关节上的轴的运行状态指数和第二阈值进行对比，得出差异并进行修正。
2.根据权利要求1所述的一种基于动态识别的机器人运行监测系统，其特征在于：获取当前时刻机器人的多个指标的单次采样数据，每个指标的单次采样数据包括多个采样值，当前时刻的单次采样数据是当前一秒钟内采集到的多个采样值，采样频率为100hz，每秒钟有100个采样值，采样值构成了单次采样数据。
3.根据权利要求1所述的一种基于动态识别的机器人运行监测系统，其特征在于：所述依据所述单次采样数据获得每个所述指标的第一特征向量，包括：依据所述指标的单次采样数据获得所述指标的多个初始特征值，指标的多个初始特征值形成所述指标的初始特征向量，对所述指标的初始特征向量进行标准化处理，获得所述指标的第一特征向量。
4.根据权利要求1所述的一种基于动态识别的机器人运行监测系统，其特征在于：计算所述指标的第一特征向量与模式库中所有第二特征向量之间的相似度，依据最大的相似度计算所述指标的状态指数，每个指标的多个初始特征值包括单次采样数据计算的均方根、峰值、标准差和绝对平均值；
其中，指标的均方根计算公式如下：
Figure QLYQS_2
，其中/>
Figure QLYQS_6
为第k个指标的均方根，/>
Figure QLYQS_10
为第k个指标的单词量，/>
Figure QLYQS_3
为第k个指标的单次采样数据中心的第i个采样值；峰值的计算公式如下：/>
Figure QLYQS_9
，其中/>
Figure QLYQS_13
为第k个指标的峰值，/>
Figure QLYQS_14
为第k个指标的单次采样数据中的最大值，/>
Figure QLYQS_1
为第k个指标的单次采样数据中的最小值；标准差的计算公式如下：/>
Figure QLYQS_5
，其中/>
Figure QLYQS_8
为第k个指标的标准差，/>
Figure QLYQS_12
为第k个指标的单次采样均值，即第k个指标的单次采样数据中所有采样值的平均值；指标的绝对平均值计算公式如下：/>
Figure QLYQS_4
，其中/>
Figure QLYQS_7
为第k个指标的绝对值平均值，/>
Figure QLYQS_11
为第k个指标的单次采样数据中心的第i个采样值。
5.根据权利要求1所述的一种基于动态识别的机器人运行监测系统，其特征在于：每个指标的多个初始特征值形成该指标的初始特征向量；每个指标的均方根、峰值、标准差和绝对值平均值形成该指标的初始特征向量
Figure QLYQS_15
。
6.根据权利要求1所述的一种基于动态识别的机器人运行监测系统，其特征在于：对每个指标的初始特征向量进行标准化处理，获得该指标的第一特征向量；标准化是对不同数据特征维度的伸缩变换，目的是使得不同度量之间的特征具有可比性，这样可以消除量纲的影响，同时又不改变原始数据的分布，即：
Figure QLYQS_16
，其中，/>
Figure QLYQS_17
为第k个指标的第一特征向量，/>
Figure QLYQS_18
为第k个指标的初始特征向量，/>
Figure QLYQS_19
为所有指标的初始特征向量的均值，/>
Figure QLYQS_20
为所有指标的初始特征向量的标准差。
7.根据权利要求1所述的一种基于动态识别的机器人运行监测系统，其特征在于：依据指标的第一特征向量获得该指标的状态指数，计算该指标的第一特征向量和第二特征向量之间的相似度；可以通过第一特征向量和第二特征向量之间的欧氏距离，作为二者的相似度；依据最大的相似度计算指标的状态指数，计算方式如下：
Figure QLYQS_21
，/>
Figure QLYQS_22
为欧氏距离，其中x(i)(i=1,2…n）是实数称为x的第i个坐标，两个点x和y之间的距离d(x, y）定义为上面的公式；
Figure QLYQS_23
，其中/>
Figure QLYQS_24
为第k个指标的最大相似度，/>
Figure QLYQS_25
为第k个第一特征向量，
Figure QLYQS_26
为第k个第二特征向量；
Figure QLYQS_27
，其中/>
Figure QLYQS_28
为第k个指标的状态指数；
当
Figure QLYQS_29
,机器人处于完好的状态，无需进行处理；当/>
Figure QLYQS_30
，机器人发出故障警报，需要进行处理并修正。
8.根据权利要求1所述的一种基于动态识别的机器人运行监测系统，其特征在于：根据状态指数获得机器人各个运动关节上轴的运行状态，代入以下公式：
Figure QLYQS_31
,其中/>
Figure QLYQS_32
是第一个轴的运行状态，/>
Figure QLYQS_33
是第一个轴的电流的状态指数，/>
Figure QLYQS_34
是第一个轴的力矩的状态指数，/>
Figure QLYQS_35
第一个轴的温度的指数；根据所有轴的运行状态获取机器人的运行状态，当轴的运行状态/>
Figure QLYQS_36
时，/>
Figure QLYQS_37
为阈值，则发出报警消息，由相关人员进行维修修正。/>
CN202310510860.9A 2023-05-09 2023-05-09 一种基于动态识别的机器人运行监测系统 Withdrawn CN116214582A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310510860.9A CN116214582A (zh) 2023-05-09 2023-05-09 一种基于动态识别的机器人运行监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310510860.9A CN116214582A (zh) 2023-05-09 2023-05-09 一种基于动态识别的机器人运行监测系统

Publications (1)

Publication Number Publication Date
CN116214582A true CN116214582A (zh) 2023-06-06

Family

ID=86575385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310510860.9A Withdrawn CN116214582A (zh) 2023-05-09 2023-05-09 一种基于动态识别的机器人运行监测系统

Country Status (1)

Country Link
CN (1) CN116214582A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107932509A (zh) * 2017-11-20 2018-04-20 广东大黄蜂机器人有限公司 一种用于机器人控制系统的spta加减速插补控制方法
CN111823273A (zh) * 2019-08-29 2020-10-27 浙江大学宁波理工学院 一种工业机器人在线轨迹预测的运行监测系统及其监测方法
CN113110245A (zh) * 2021-05-17 2021-07-13 河南中烟工业有限责任公司 机器人的运行状态监测方法
CN113447075A (zh) * 2021-06-10 2021-09-28 煤炭科学技术研究院有限公司 煤矿巡检机器人运行状态监测系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107932509A (zh) * 2017-11-20 2018-04-20 广东大黄蜂机器人有限公司 一种用于机器人控制系统的spta加减速插补控制方法
CN111823273A (zh) * 2019-08-29 2020-10-27 浙江大学宁波理工学院 一种工业机器人在线轨迹预测的运行监测系统及其监测方法
CN113110245A (zh) * 2021-05-17 2021-07-13 河南中烟工业有限责任公司 机器人的运行状态监测方法
CN113447075A (zh) * 2021-06-10 2021-09-28 煤炭科学技术研究院有限公司 煤矿巡检机器人运行状态监测系统及方法

Similar Documents

Publication Publication Date Title
JP7069269B2 (ja) デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム
US20030195718A1 (en) Method and device for machinery diagnostics and prognostics
CN109102101B (zh) 风电场风速的预测方法和系统
CN105607631B (zh) 间歇过程弱故障模型控制限建立方法及弱故障监测方法
CN112067335A (zh) 一种基于多元状态估计的电厂送风机故障预警方法
CN110363339B (zh) 一种基于电机参数进行预测性维护的方法与系统
CN108257365B (zh) 一种基于全局不确定性证据动态融合的工业报警器设计方法
CN115372816B (zh) 基于数据分析的配电开关设备运行故障预测系统及方法
JP2000259223A (ja) プラント監視装置
US11726469B2 (en) Error-based method for calculating a remaining useful life of an apparatus
CN115899964A (zh) 基于多维的空调智能监测方法与系统
CN116051340A (zh) 一种基于智能传感技术的智慧园区设备耗能检测系统
CN116541570A (zh) 一种基于数字孪生的设备预测性维护系统
Li et al. Application of Big Data Technology in Evaluation of Operating State of High-Pressure Hydrogenation Heat Exchanger
CN116086537A (zh) 一种设备状态监测方法、装置、设备及存储介质
He et al. A non-intrusive approach for fault detection and diagnosis of water distribution systems based on image sensors, audio sensors and an inspection robot
CN112983570B (zh) 基于相关性的汽轮机轴承温度高跳机征兆捕捉方法及装置
CN117318310A (zh) 一种防爆配电柜远程无人智慧监测系统
CN116214582A (zh) 一种基于动态识别的机器人运行监测系统
CN111563685B (zh) 一种基于自联想核回归算法的发电设备状态预警方法
US20180087489A1 (en) Method for windmill farm monitoring
Nadir et al. Utilizing principal component analysis for the identification of gas turbine defects
Wang et al. A data-driven fault detection method for radar cooling system
CN112364900A (zh) 用于智慧建筑的设备告警管理方法、装置、客户端及介质
CN113219949B (zh) 一种基于ν-gap metric的装置系统健康度在线监测方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20230606