CN116394263A - 一种基于aso-svdd的多目标优化工业机器人异常检测方法 - Google Patents

一种基于aso-svdd的多目标优化工业机器人异常检测方法 Download PDF

Info

Publication number
CN116394263A
CN116394263A CN202310636837.4A CN202310636837A CN116394263A CN 116394263 A CN116394263 A CN 116394263A CN 202310636837 A CN202310636837 A CN 202310636837A CN 116394263 A CN116394263 A CN 116394263A
Authority
CN
China
Prior art keywords
signals
svdd
aso
robot
component signals
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
CN202310636837.4A
Other languages
English (en)
Other versions
CN116394263B (zh
Inventor
朱润智
周星
向珍琳
蔡久凤
林彦英
何文浩
张建华
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.)
Foshan Institute Of Intelligent Equipment Technology
Original Assignee
Foshan Institute Of Intelligent Equipment 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 Foshan Institute Of Intelligent Equipment Technology filed Critical Foshan Institute Of Intelligent Equipment Technology
Priority to CN202310636837.4A priority Critical patent/CN116394263B/zh
Publication of CN116394263A publication Critical patent/CN116394263A/zh
Application granted granted Critical
Publication of CN116394263B publication Critical patent/CN116394263B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
    • B25J9/1676—Avoiding collision or forbidden zones
    • 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]

Abstract

本发明涉及机器人异常检测领域，公开了一种基于ASO‑SVDD的多目标优化工业机器人异常检测方法，包括S1：采集机器人的运行数据信号；S2：将采集的运行数据信号进行分解得到若干基本模态分量信号和一个残差值信号；S3：将去噪处理后的若干基本模态分量信号和一个残差值信号进行重构得到去噪信号；S4：将预处理信号通过ASO‑SVDD方法进行寻优，输出准确率最高的超球模型。通过将数据信号进行分解，得到若干基本模态分量信号，再找出若干基本模态分量信号的噪音临界点，将含有噪音的若干基本模态分量信号进行去噪处理，这种处理方法能够最大限度的保留数据信号原本的特征，确保数据信号不会失真。

Description

一种基于ASO-SVDD的多目标优化工业机器人异常检测方法
技术领域
本发明涉及机器人异常检测领域，特别涉及一种基于ASO-SVDD的多目标优化工业机器人异常检测方法。
背景技术
工业机器人是无可取代的先进制造设备，它的工作效率和工作安全性、可靠性成为了需要着重考虑的对象。由于设备工作工况比较复杂，设备精密度越来越高，人工检测故障的成本越来越高，对于持续生产系统，为保障设备运行安全可靠，对机器人展开相应的故障诊断工作，提高其可靠性具有重大意义。
针对工业机人故障目前主流的技术有，通过人为的去提取信号特征然后对其进行分析，有学者使用机器学习的方法针对故障进行训练模型分类，也是使用优化算法针对机器学习的参数进行智能寻优，从而使模型达到较高的准确率，也有使用深度学习针对信号自动提取信号特征然后进行学习。
现有技术，通过人工经验去判断机器人是否发生了故障效率太低，且成本太高，同时针对一些隐性的故障不能及时的发现。机器学习成为了人工智能的核心，但是单纯使用机器学习对故障进行分类存在需要对各个轴进行建模，并且需要手动调整参数尤为冗余。且机器学习对特征的要求较高，需要有较好的方法处理高维度的特征数据，有效的将有用特征提取出来，并选取有用的特征进行建模提高准确率，故而单纯使用机器学习的方法相较于深度学习的方法，其工程可解释性较差，属于“黑匣子”算法。
发明内容
本发明的旨在解决上述问题而提供一种基于ASO-SVDD的多目标优化工业机器人异常检测方法，解决现有检测方法去噪后的数据信号易失真，寻优难度大，机器人异常状态判断不准确的问题。
为达此目的，本发明采用以下技术方案：
一种基于ASO-SVDD的多目标优化工业机器人异常检测方法，包括如下步骤：
S1：采集机器人的运行数据信号；
S2：将采集的运行数据信号进行分解得到若干基本模态分量信号和一个残差值信号，找出若干基本模态分量信号的临界点，根据临界点对若干基本模态分量信号进行去噪处理；
S3：将去噪处理后的若干基本模态分量信号和一个残差值信号进行重构得到去噪信号，将去噪信号进行时域降维重构，得到预处理信号；
S4：将预处理信号通过ASO-SVDD方法进行寻优，输出准确率最高的超球模型，并通过该超球模型判断机器人工作状态。
优选的，步骤S1中所采集的机器人运行数据信号包括指令位置、指令速度、指令电流、反馈速度、反馈力矩和反馈电流。
优选的，使用EEMD集合经验模态分解法将采集的运行数据信号进行分解得到若干基本模态分量信号和一个残差值信号。
优选的，通过若干基本模态分量信号之间的平均欧式距离，找出若干基本模态分量信号的临界点，根据临界点将若干基本模态分量信号分为若干含有噪音的基本模态分量信号和若干不含噪音的基本模态分量信号，对若干含有噪音的基本模态分量信号进行去噪处理。
优选的，将若干含有噪音的基本模态分量信号采用DWT方法滤去噪音信号，得到若干不含噪音的基本模态分量近似信号。
优选的，将若干不含噪音的基本模态分量近似信号、若干不含噪音的基本模态分量信号和一个残差值信号进行重构得到去噪信号。
优选的，去噪信号进行时域降维重构包含如下步骤：
S31：确定所需降维重构的时域特征；
S32：将去噪信号按所选取的时域特征进行降维，得到时域特征信号；
S33：将所述时域特征信号重构，得到预处理信号，所述预处理信号为原子种群。
优选的，步骤S31所选取的时域特征包括：最大值、均值、标准差、峰度、方差、偏度和均方根。
优选的，ASO-SVDD寻优方法包括如下步骤：
S41：设置原子种群组数、迭代总次数和所有原子位置的阈值；
S42：初始化所有原子位置；
S43：将原子位置与原子位置阈值单独一一比较，并将小于原子位置阈值的原子位置剔除；
S44，将所有原子种群与SVDD参数结合并一一转换，得到与原子种群组数相同超球模型；
S45：计算所有超球模型的准确率，选取一个准确率最高的超球模型，将该超球模型所对应的原子种群保存为优选位置原子种群；
S46：重复步骤S42-S45，直至迭代总次数完成，得到与迭代总次数相同个数的优选位置原子种群；
S47：比较所有优选位置原子种群的准确率，选取准确率最高的一组优选位置原子种群作为最优位置原子种群；
S48：输出最优位置原子种群所对应的超球模型，设定该超求模型为最优超求模型，并通过将后续采集的机器人运行数据信号映射到该最优超球模型来判断机器人工作状态。
优选的，所述步骤S48中判断机器人工作状态的方式为：所采集的机器人运行数据信号可映射在最优超球模型内，机器人为工作正常状态；否则，机器人为工作异常状态。
本发明的贡献在于：
（1）、本发明通过将数据信号进行分解，得到若干基本模态分量信号，再找出若干基本模态分量信号的噪音临界点，将含有噪音的若干基本模态分量信号进行去噪处理，然后将去噪后的若干基本模态分量信号和一个残差值信号进行重构得到去噪信号，这种处理方法能够最大限度的保留数据信号原本的特征，确保数据信号不会失真。
（2）、通过选取去噪信号的时域特征来进行信号的重构，从而达到有效的降维目的（能够降至7维度），保证后续寻优结果的可靠性，降低寻优难度。
（3）、通过ASO-SVDD方法对预处理信号进行寻优，ASO-SVDD方法能够对预处理信号中的不同时域特征进行建模，从不同角度对机器人的工作状态进行判断，充分保证结果的可靠性。
附图说明
图1是本发明一种基于ASO-SVDD的多目标优化工业机器人异常检测方法的流程图；
图2是本发明运行数据信号分解、去噪并降维重构的流程图；
图3是本发明机器人运行数据信号采集流程示意图；
具体实施方式
下列实施例是对本发明的进一步解释和补充，对本发明不构成任何限制。
如图1-3所示，一种基于ASO-SVDD的多目标优化工业机器人异常检测方法，包括如下步骤：
S1：采集机器人的运行数据信号；
S2：将采集的运行数据信号进行分解得到若干基本模态分量信号和一个残差值信号，找出若干基本模态分量信号的临界点，根据临界点对若干基本模态分量信号进行去噪处理；
S3：将去噪处理后的若干基本模态分量信号和一个残差值信号进行重构得到去噪信号，将去噪信号进行时域降维重构，得到预处理信号；
S4：将预处理信号通过ASO-SVDD方法进行寻优，输出准确率最高的超球模型，并通过该超球模型判断机器人工作状态。
由于采集到的数据信号中存在许多噪音的干扰，故而需要对数据信号进行去噪处理，本发明通过将数据信号进行分解，得到若干基本模态分量信号，再找出若干基本模态分量信号的噪音临界点，将含有噪音的若干基本模态分量信号进行去噪处理，然后将去噪后的若干基本模态分量信号和一个残差值信号进行重构得到去噪信号，这种处理方法能够最大限度的保留数据信号原本的特征，确保数据信号不会失真。
经过去噪处理后的去噪信号虽然没有了噪音的干扰，但是其数据信号特征的维度很高（8000维度），为充分保证后续寻优结果的可靠性，降低寻优难度，对去噪信号进行时域降维重构，即通过选取去噪信号的时域特征来进行信号的重构，从而达到有效的降维目的（能够降至7维度）。
通过ASO-SVDD方法对预处理信号进行寻优，ASO-SVDD方法能够对预处理信号进行建模，从不同角度对机器人的工作状态进行判断，充分保证结果的可靠性。
步骤S1中所采集的机器人运行数据信号包括指令位置、指令速度、指令电流、反馈速度、反馈力矩和反馈电流。
具体的，机器人在运行过程中，机器人的运行数据信号会通过编码器反馈至伺服驱动器中，通过外部撰写脚本，能够获取伺服驱动器中关于机器人的运行数据信号（这个信号是多维度的），本发明采集的运行数据信号包含以下6种信号：指令位置、指令速度、指令电流、反馈速度、反馈力矩和反馈电流。
如图2所示，使用EEMD集合和经验模态分解法将采集的运行数据信号进行分解得到若干基本模态分量信号和一个残差值信号。
由于运行数据信号中存在噪音信号的干扰，且用常规的小波去噪的方法不能很好的去除基本模态分量信号中的噪音，且直接用小波去噪容易滤去基本模态分量信号原本的特征，通过EEMD集合经验模态分解法将采集的运行数据信号进行分解，得到了若干基本模态分量信号，在将运行数据信号进行分解的同时也将含有噪音的运行数据信号进行了分解，使得若干基本模态分量信号中的部分基本模态分量信号中含有噪音信号，只需后续找出对应的临界点，即可精准对含有噪音的基本模态分量信号进行去噪处理。
通过若干基本模态分量信号之间的平均欧式距离，找出若干基本模态分量信号的临界点，根据临界点将若干基本模态分量信号分为若干含有噪音的基本模态分量信号和若干不含噪音的基本模态分量信号，对若干含有噪音的基本模态分量信号进行去噪处理。
临界点的确定可以通过基本模态分量信号之间的平均欧式距离来确定，具体的计算方法如下：
Figure SMS_1
其中，
Figure SMS_3
为连续均方差误差，式中N为信号长度，/>
Figure SMS_7
是信号的时序点，i的取值范围为/>
Figure SMS_10
为基本模态分量信号，/>
Figure SMS_4
为残差值信号，/>
Figure SMS_6
和/>
Figure SMS_8
均为累加重构信号，/>
Figure SMS_11
和/>
Figure SMS_2
为某个时序点下的累加重构信号，/>
Figure SMS_5
的值为某个时序点下的平均欧式距离，/>
Figure SMS_9
。
Figure SMS_12
举例说明，假设i=5，k=2，则此时公式（2）-（3）可转化为如下公式：
Figure SMS_13
最终可求得js（临界点）为：
Figure SMS_14
当寻找到临界点后，将临界点之后的若干基本模态分量信进行去噪处理，达到去噪的目的。
将若干含有噪音的基本模态分量信号采用DWT方法滤去噪音信号，得到若干不含噪音的基本模态分量近似信号。
将若干不含噪音的基本模态分量近似信号、若干不含噪音的基本模态分量信号和一个残差值信号进行重构得到去噪信号。
运行数据信号经过分解去噪后得到若干不含噪音的基本模态分量近似信号、若干不含噪音的基本模态分量信号和一个残差值信号，将三者重构即可得到去噪信号，去噪信号最大限度的保留了运行数据信号原本的特征，只有若干含有噪音的基本模态分量信号经过了DWT方法滤去噪音，若干不含噪音的基本模态分量信号和一个残差值信号均不受DWT的影响，整个运行数据信号的还原程度高，使得后续寻优的结果也更加准确。
去噪信号进行时域降维重构包含如下步骤：
S31：确定所需降维重构的时域特征；
S32：将去噪信号按所选取的时域特征进行降维，得到时域特征信号；
S33：将所述时域特征信号重构，得到预处理信号，所述预处理信号为原子种群。
步骤S31所选取的时域特征包括：最大值、均值、标准差、峰度、方差、偏度和均方根。
具体的，去噪后的运行数据信号的维度均为8000维度，即步骤S1中所选取的指令位置、指令速度、指令电流、反馈速度、反馈力矩和反馈电流的特征维度均为8000维度，对上述6种信号进行时域特征选取，本发明中选取的时域特征分别是：最大值、均值、标准差、峰度、方差、偏度和均方根（7种时域特征），将6种信号分别按照所选取的7种时域特征进行降维重构，再将6种信号所包含的所有时域特征信号进行重构，可以得到42维的预处理信号，供后续ASO-SVDD方法寻优使用。
ASO-SVDD寻优方法包括如下步骤：
S41：设置原子种群组数、迭代总次数和所有原子位置的阈值；
S42：初始化所有原子位置；
S43：将原子位置与原子位置阈值单独一一比较，并将小于原子位置阈值的原子位置剔除；
S44：将所有原子种群与SVDD参数结合并一一转换，得到与原子种群组数相同超球模型；
S45：计算所有超球模型的准确率，选取一个准确率最高的超球模型，将该超球模型所对应的原子种群保存为优选位置原子种群；
S46：重复步骤S42-S45，直至迭代总次数完成，得到与迭代总次数相同个数的优选位置原子种群；
S47：比较所有优选位置原子种群的准确率，选取准确率最高的一组优选位置原子种群作为最优位置原子种群；
S48：输出最优位置原子种群所对应的超球模型，设定该超求模型为最优超求模型，并通过将后续采集的机器人运行数据信号映射到该最优超球模型来判断机器人工作状态。
步骤S41中的所有原子种群组数（原子种群即预处理信号中的42维时域特征信号，ASO算法中统称为原子种群）均通过步骤S1-S3的处理，本发明设置的原子种群组数为100组（即100组预处理信号），迭代总次数为50次。
进一步的，每个原子种群中均含有42个原子位置（即给每个预处理信号中的42维度时域特征信号，ASO算法中统称为原子位置），给100组原子种群中的所有原子位置均设置一个固定的原子位置阈值，通过原子位置阈值筛选所需保留的原子位置。
步骤S42中初始化所有原子种群的位置具体为给每组原子种群中的42维时域特征均信号进行随机赋值，赋值范围为0-1。
步骤S43-S44中原子位置阈值为固定值，原子位置阈值的范围在0-1之间，将原子位置阈值与所有原子种群中的原子位置比较，将小于原子位置阈值的原子位置剔除，保留大于原子位置阈值的原子位置，将每组原子种群剩余的原子位置（即将42维中剩余的时域特征信号进行超球转换）进行转换得到对应的超球模型，100组原子种群第一次迭代时可得到100个超球模型。
进一步的，每组原子种群剩余的原子位置进行转换得到对应的超球模型的过程中需要与SVDD参数结合，SVDD是一种支持向量数据描述方法，具体为一种根据样本分布来进行分类的算法，SVDD参数中仅有两个参数值为变量（其余参数值为固定值），为了进一步提高所得超球模型的准确率，可以将SVDD参数中的两个变量参数也进行寻优，具体的寻优方法与原子种群的寻优方法一致，且SVDD参数的迭代总次数与原子种群的迭代总次数一致，此处不赘述，只需每次迭代中将原子位置与SVDD参数结合即可得到超球模型。
步骤S45中计算超球模型准确率的具体方法为：准备好验证集（验证集为50组机器人正常运行时的数据信号），将验证集分别带入100个超球模型中进行计算，落入超球模型内的验证集数量与验证集总数量的比值为准确率。
分别计算第一次迭代中所有超球模型的准确率，选取准确率最高的超球模型，将该超球模型所对应的原子种群更新为优选位置原子种群。
步骤S46中迭代了多少次即可产生对应个数的优选位置原子种群，本发明为迭代50次，即得到50个优选位置原子种群，步骤S47-S48中将这些优选位置原子种群进行比较，选取准确率最高的优选位置原子种群，将其作为最优位置原子种群，这个最优位置原子种群所对应的超球模型为最终输出的最优超球模型。
所述步骤S48中判断机器人工作状态的方式为：所采集的机器人运行数据信号可映射在最优超球模型内，机器人为工作正常状态；否则，机器人为工作异常状态。
尽管通过以上实施例对本发明进行了揭示，但本发明的保护范围并不局限于此，在不偏离本发明构思的条件下，对以上各构件所做的变形、替换等均将落入本发明的权利要求范围内。

Claims (10)

1.一种基于ASO-SVDD的多目标优化工业机器人异常检测方法，其特征在于，包括如下步骤：
S1：采集机器人的运行数据信号；
S2：将采集的运行数据信号进行分解得到若干基本模态分量信号和一个残差值信号，找出若干基本模态分量信号的临界点，根据临界点对若干基本模态分量信号进行去噪处理；
S3：将去噪处理后的若干基本模态分量信号和一个残差值信号进行重构得到去噪信号，将去噪信号进行时域降维重构，得到预处理信号；
S4：将预处理信号通过ASO-SVDD方法进行寻优，输出准确率最高的超球模型，并通过该超球模型判断机器人工作状态。
2.根据权利要求1所述的一种基于ASO-SVDD的多目标优化工业机器人异常检测方法，其特征在于：步骤S1中所采集的机器人运行数据信号包括指令位置、指令速度、指令电流、反馈速度、反馈力矩和反馈电流。
3.根据权利要求1所述的一种基于ASO-SVDD的多目标优化工业机器人异常检测方法，其特征在于：使用EEMD集合经验模态分解法将采集的运行数据信号进行分解得到若干基本模态分量信号和一个残差值信号。
4.根据权利要求1所述的一种基于ASO-SVDD的多目标优化工业机器人异常检测方法，其特征在于：通过若干基本模态分量信号之间的平均欧式距离，找出若干基本模态分量信号的临界点，根据临界点将若干基本模态分量信号分为若干含有噪音的基本模态分量信号和若干不含噪音的基本模态分量信号，对若干含有噪音的基本模态分量信号进行去噪处理。
5.根据权利要求4所述的一种基于ASO-SVDD的多目标优化工业机器人异常检测方法，其特征在于：将若干含有噪音的基本模态分量信号采用DWT方法滤去噪音信号，得到若干不含噪音的基本模态分量近似信号。
6.根据权利要求5所述的一种基于ASO-SVDD的多目标优化工业机器人异常检测方法，其特征在于：将若干不含噪音的基本模态分量近似信号、若干不含噪音的基本模态分量信号和一个残差值信号进行重构得到去噪信号。
7.根据权利要求6所述的一种基于ASO-SVDD的多目标优化工业机器人异常检测方法，其特征在于：去噪信号进行时域降维重构包含如下步骤：
S31：确定所需降维重构的时域特征；
S32：将去噪信号按所选取的时域特征进行降维，得到时域特征信号；
S33：将所述时域特征信号重构，得到预处理信号，所述预处理信号为原子种群。
8.根据权利要求7所述的一种基于ASO-SVDD的多目标优化工业机器人异常检测方法，其特征包括：步骤S31所选取的时域特征为：最大值、均值、标准差、峰度、方差、偏度和均方根。
9.根据权利要求8所述的一种基于ASO-SVDD的多目标优化工业机器人异常检测方法，其特征在于：ASO-SVDD寻优方法包括如下步骤：
S41：设置原子种群组数、迭代总次数和所有原子位置的阈值；
S42：初始化所有原子位置；
S43：将原子位置与原子位置阈值单独一一比较，并将小于原子位置阈值的原子位置剔除；
S44，将所有原子种群与SVDD参数结合并一一转换，得到与原子种群组数相同超球模型；
S45：计算所有超球模型的准确率，选取一个准确率最高的超球模型，将该超球模型所对应的原子种群保存为优选位置原子种群；
S46：重复步骤S42-S45，直至迭代总次数完成，得到与迭代总次数相同个数的优选位置原子种群；
S47：比较所有优选位置原子种群的准确率，选取准确率最高的一组优选位置原子种群作为最优位置原子种群；
S48：输出最优位置原子种群所对应的超球模型，设定该超求模型为最优超求模型，并通过将后续采集的机器人运行数据信号映射到该最优超球模型来判断机器人工作状态。
10.根据权利要求9所述的一种基于ASO-SVDD的多目标优化工业机器人异常检测方法，其特征在于：所述步骤S48中判断机器人工作状态的方式为：所采集的机器人运行数据信号可映射在最优超球模型内，机器人为工作正常状态；否则，机器人为工作异常状态。
CN202310636837.4A 2023-06-01 2023-06-01 一种基于aso-svdd的多目标优化工业机器人异常检测方法 Active CN116394263B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310636837.4A CN116394263B (zh) 2023-06-01 2023-06-01 一种基于aso-svdd的多目标优化工业机器人异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310636837.4A CN116394263B (zh) 2023-06-01 2023-06-01 一种基于aso-svdd的多目标优化工业机器人异常检测方法

Publications (2)

Publication Number Publication Date
CN116394263A true CN116394263A (zh) 2023-07-07
CN116394263B CN116394263B (zh) 2023-08-25

Family

ID=87014527

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310636837.4A Active CN116394263B (zh) 2023-06-01 2023-06-01 一种基于aso-svdd的多目标优化工业机器人异常检测方法

Country Status (1)

Country Link
CN (1) CN116394263B (zh)

Cited By (1)

* 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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015026252A (ja) * 2013-07-26 2015-02-05 株式会社豊田中央研究所 異常検知装置及びプログラム
CN110815224A (zh) * 2019-11-14 2020-02-21 华南智能机器人创新研究院 一种机器人的远程故障诊断推送方法及装置
CN111487967A (zh) * 2020-04-17 2020-08-04 达闼机器人有限公司 机器人路径规划方法、装置、介质和设备
CN115358297A (zh) * 2022-07-27 2022-11-18 广东工业大学 一种基于改进mkeca方法的注塑机异常检测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015026252A (ja) * 2013-07-26 2015-02-05 株式会社豊田中央研究所 異常検知装置及びプログラム
CN110815224A (zh) * 2019-11-14 2020-02-21 华南智能机器人创新研究院 一种机器人的远程故障诊断推送方法及装置
CN111487967A (zh) * 2020-04-17 2020-08-04 达闼机器人有限公司 机器人路径规划方法、装置、介质和设备
CN115358297A (zh) * 2022-07-27 2022-11-18 广东工业大学 一种基于改进mkeca方法的注塑机异常检测方法及系统

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
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

Also Published As

Publication number Publication date
CN116394263B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN111323220B (zh) 风力发电机齿轮箱故障诊断方法及系统
CN109948647B (zh) 一种基于深度残差网络的心电图分类方法及系统
CN111241744B (zh) 一种基于双向lstm的低压铸造机时间序列数据异常检测方法
CN116394263B (zh) 一种基于aso-svdd的多目标优化工业机器人异常检测方法
CN113567131B (zh) 基于s变换与微型卷积神经网络模型的轴承故障诊断方法
CN113203566B (zh) 一种基于一维数据增强和cnn的电机轴承故障诊断方法
CN110826791A (zh) 一种基于长短时记忆神经网络的混合风功率预测方法
CN113177537B (zh) 一种旋转机械设备的故障诊断方法及系统
CN112559598B (zh) 一种基于图神经网络的遥测时序数据异常检测方法及系统
CN115271225B (zh) 一种基于小波降噪和神经网络的风力-风功率建模方法
CN113591954A (zh) 一种工业系统中缺失的时序数据的填充方法
CN115062272A (zh) 一种水质监测数据异常识别及预警方法
CN114871850B (zh) 一种基于振动信号和bp神经网络的刀具磨损状态评估方法
CN103646013B (zh) 一种基于协方差矩阵范数逼近的多重故障重构方法
CN115687973A (zh) 一种基于多信号融合的机械设备故障诊断方法
CN114648048B (zh) 基于变分自编码和PixelCNN模型的心电信号降噪方法
CN116431966A (zh) 一种增量式特征解耦自编码器的堆芯温度异常检测方法
CN117290800B (zh) 一种基于超图注意力网络的时序异常检测方法及系统
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN108665001B (zh) 一种基于深度置信网络的跨被试空闲态检测方法
CN114386452A (zh) 核电循环水泵太阳轮故障检测方法
CN113392475A (zh) 一种工业机器人减速机智能故障识别方法
CN116797204A (zh) 一种基于小波分解与重构和TCN-GRU-Self-Attention的磨煤机一次风量故障预警方法
CN115130500A (zh) 一种基于sdae算法的电机故障诊断系统及方法
CN115511657A (zh) 一种基于组合预测模型的风电出力与光伏出力评估的方法

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
GR01 Patent grant
GR01 Patent grant