CN116728291B - 基于边缘计算的机器人打磨系统状态监测方法和装置 - Google Patents

基于边缘计算的机器人打磨系统状态监测方法和装置 Download PDF

Info

Publication number
CN116728291B
CN116728291B CN202311030811.1A CN202311030811A CN116728291B CN 116728291 B CN116728291 B CN 116728291B CN 202311030811 A CN202311030811 A CN 202311030811A CN 116728291 B CN116728291 B CN 116728291B
Authority
CN
China
Prior art keywords
vibration
polishing
signal
quality
correlation value
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
Application number
CN202311030811.1A
Other languages
English (en)
Other versions
CN116728291A (zh
Inventor
毛建旭
贺文斌
王耀南
谢核
何佳闻
李卓维
彭伟星
李哲
刘彩苹
张辉
朱青
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.)
Hunan University
Original Assignee
Hunan University
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 Hunan University filed Critical Hunan University
Priority to CN202311030811.1A priority Critical patent/CN116728291B/zh
Publication of CN116728291A publication Critical patent/CN116728291A/zh
Application granted granted Critical
Publication of CN116728291B publication Critical patent/CN116728291B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/12—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving optical means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B27/00—Other grinding machines or devices
    • B24B27/0084—Other grinding machines or devices the grinding wheel support being angularly adjustable
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J11/00—Manipulators not otherwise provided for
    • B25J11/005—Manipulators for mechanical processing tasks
    • B25J11/0065—Polishing or grinding
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Robotics (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)

Abstract

本申请的实施例提供了基于边缘计算的机器人打磨系统状态监测方法和装置。所述方法包括获取当前的振动信号；对所述振动信号进行降噪和融合处理，得到振动图像；将所述振动图像，输入至预先训练的故障诊断模型，得到当前打磨系统的故障类型；将所述振动图像，输入至预先训练的质量匹配模型，得到当前打磨系统的相关值和力信号；所述力信号用于确定当前打磨系统的打磨质量；基于所述故障类型、相关值和打磨质量，完成对当前打磨系统的监测。以此方式，仅采集加度传感器的振动信号即可完成故障、打磨质量的统一监测，极大的减少了传感器的数量和类型，在降低了经济成本的同时降低了机器人打磨系统的复杂性。

Description

基于边缘计算的机器人打磨系统状态监测方法和装置
技术领域
本申请的实施例涉及打磨监测领域，尤其涉及基于边缘计算的机器人打磨系统状态监测方法、装置、设备和计算机可读存储介质。
背景技术
大型薄壁部件广泛应用于飞机蒙皮、船舱、高铁车身等。在智能制造的背景下，机器人打磨是大型薄壁部件的重要制造工艺之一，其打磨质量直接受到机器人打磨系统的健康状况的影响。
然而在实际工况中，打磨质量的评估方法大多是通过在打磨完成之后，利用视觉相关的方法进行离线评估。通过视觉相关的方法，虽然可以完成对打磨质量的评估，但是仍存在如下两个不足：
①打磨是接触式作业，基于视觉的方法难以实现在线的实时监测，且成本较高；
②打磨是一个连续作业的过程，打磨装备的损耗也是连续的，因此无法判断出打磨质量对应的打磨装备的健康状态，会对后续的工艺优化带来了难度。
因此如何在线实时监测机器人打磨系统的故障状态和打磨质量，并精准匹配两者的关系是当前亟需解决的问题。
发明内容
根据本申请的实施例，提供了一种基于边缘计算的机器人打磨系统状态监测方案，能够以最少的传感器成本获得最多的状态监测信息，在边缘端不再需要采集力信号、不需要拍摄打磨质量图，而是只需要采集加度传感器的振动信号即可完成故障、打磨质量的统一监测，极大的减少了传感器的数量和类型，不但节省成本而且降低了机器人打磨系统的复杂性。
在本申请的第一方面，提供了一种基于边缘计算的机器人打磨系统状态监测方法。该方法包括：
获取当前的振动信号；
对所述振动信号进行降噪和融合处理，得到振动图像；
将所述振动图像，输入至预先训练的故障诊断模型，得到当前打磨系统的故障类型；
将所述振动图像，输入至预先训练的质量匹配模型，得到当前打磨系统的相关值和力信号；所述相关值用于关联故障类型和打磨质量；所述力信号用于确定当前打磨系统的打磨质量；
基于所述故障类型、相关值和打磨质量，完成对当前打磨系统的监测。
进一步地，所述对所述振动信号进行降噪包括：
通过小波包算法对振动信号进行分解，得到系数矩阵；
基于所述系数矩阵，定义小波包节点能量；
通过自定义的卷积自编码器对所述小波包节点能量进行处理，进行全局节点重建；
基于重建后的节点能量进行局部信号重建，完成对所述振动信号的降噪。
进一步地，所述卷积自编码器由多个卷积编码器和反卷积解码器组成；
其中，卷积编码器为：
；
其中，H为，编码后获得的能量特征；
为，小波节点能量；
为，卷积层中的第l个卷积核；
为，第/>个偏置；
为，卷积运算；
为，激活函数；
卷积解码器为：
；
其中，为，解码返回的节点能量；
为，反卷积层中的第/>个反卷积核；
为，第/>个偏置。
进一步地，所述融合处理包括：
将降噪处理后的信号，转换到极坐标空间；
将转换到极坐标空间的信号，转化成振动图形；
按照预设的逆时针间隔，将所述振动图形融合成振动图像。
进一步地，所述将转换到极坐标空间的信号，转化成振动图形包括：
通过如下算法，将转换到极坐标空间的信号转化成振动图形；
；
；
；
其中，R(k)、α(k)和β(k)分别为，半径、逆时针旋转角度和顺时针旋转角度；
、/>分别为，重建信号的最大和最小增幅值；
、/>分别为，信号在时间点k和时间点k+1的重建新号的幅值；
为，时间间隔长度；
P为，角度放大系数；
γ为，对称平面的旋转角度。
进一步地，所述质量匹配模型通过如下方式进行训练包括：
获取各类故障下的打磨表面图像、力信号，以及振动图像；所述力信号用于描述当前打磨系统的打磨力大小；
分别计算每一种故障状态下的打磨表面和与其对应的振动图像的像素特征值，构建打磨表面的特征值矩阵和振动图像的矩阵/>；
基于所述特征值矩阵和/>，计算用于关联故障类型和打磨质量的相关值；
基于所述相关值和力信号，对所述振动图像进行标注；
将标注后的振动图像作为输入，力信号和相关值作为输出，通过CNN分类器对质量匹配模型进行训练，当输出的力信号和相关值与标注的力信号和相关值的统一率满足预设阈值时，完成对所述质量匹配模型的训练。
进一步地，所述基于所述特征值矩阵和/>，计算用于关联故障类型和打磨质量的相关值包括：
；
其中，、/>、X和Y为实数。
在本申请的第二方面，提供了一种基于边缘计算的机器人打磨系统状态监测装置。该装置包括：
获取模块，用于获取当前的振动信号；
处理模块，用于对所述振动信号进行降噪和融合处理，得到振动图像；
第一训练模块，用于将所述振动图像，输入至预先训练的故障诊断模型，得到当前打磨系统的故障类型；
第二训练模块，用于将所述振动图像，输入至预先训练的质量匹配模型，得到当前打磨系统的相关值和力信号；所述相关值用于关联故障类型和打磨质量；所述力信号用于确定当前打磨系统的打磨质量；
监测模块，用于基于所述故障类型、相关值和打磨质量，完成对当前打磨系统的监测。
在本申请的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。
在本申请的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本申请的第一方面的方法。
本申请实施例提供的基于边缘计算的机器人打磨系统状态监测方法，将打磨装备的健康状态和打磨质量统一在同一个加速度传感器的振动信号监测范式下，并基于振动信号和深度学习模型训练出故障诊断模型和质量匹配模型；然后在机器人打磨系统的边缘侧部署边缘计算节点来处理实时采集的振动信号，在边缘侧利用本发明建立的故障诊断模型和质量匹配模型对信号进行计算，将故障状态与其产生的磨削质量实时匹配，实现了对打磨系统精准监测的同时大幅度降低了材料成本和机器人打磨系统的复杂性。
应当理解，发明内容部分中所描述的内容并非旨在限定本申请的实施例的关键或重要特征，亦非用于限制本申请的范围。本申请的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本申请各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1为根据本申请的实施例的基于边缘计算的机器人打磨系统状态监测方法的流程图；
图2为根据本申请的实施例的振动图形和振动图像示意图；
图3为根据本申请的实施例的基于边缘计算的机器人打磨系统状态监测装置的方框图；
图4为适于用来实现本申请实施例的终端设备或服务器的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1示出了根据本公开实施例的基于边缘计算的机器人打磨系统状态监测方法的流程图。所述方法包括：
S110，获取当前的振动信号。
在一些实施例中，所述振动信号，可通过安装在机器人打磨系统的机械臂打磨末端的三相加速传感器，和安装在打磨工件上安装的三相加速传感器获取。即，通过本公开获取的振动信号通常为两组，一个通过安装在机器人打磨系统的机械臂打磨末端的三相加速传感器获取，另一个通过安装在打磨工件上安装的三相加速传感器获取。
S120，对所述振动信号进行降噪和融合处理，得到振动图像。
在实际应用中，受到环境因素的影响，通过传感器直接获取的振动信号通常会有一定的噪音，因此，需要对步骤S110获取的振动信号进行降噪处理，以便得到更精确的振动信号，为后续实现精准监测打下基础。
具体地，将获取的振动信号（以两个为例），分别利用小波包算法进行三级分解，得到8个系数矩阵：
；
对于振动信号f，可以通过不重叠的滑动窗口将其划分为多个子信号f=，/>，……，/>；
其中，L为，f的长度；
S为，滑动窗口的大小；
进一步地，基于系数矩阵，进行小波包节点能量定义：
；
可见，对于一个信号f，可以得到3×L/s个节点能量，此时，将每个（j，3）称为小波包节点。
进一步地，使用自定义卷积自编码器对全局节点能量进行有损重建，并将重建的节点能量用于局部信号重建；所述自定义卷积自编码器，通常由多个卷积编码器和反卷积解码器组成。
其中，卷积编码器可以表示为：
；
其中，H为，编码后获得的能量特征；
为，小波节点能量；
为，卷积层中的第l个卷积核；
为，第/>个偏置；
为，卷积运算；
为，激活函数；
卷积解码器为：
；
其中，为，解码返回的节点能量；
为，反卷积层中的第/>个反卷积核；
为，第/>个偏置。
在一些实施例中，用于优化网络参数的重建误差为：
；
综上，利用重构能量重构的信号可表示为：
；
在一些实施例中，以融合两个振动信号为例，将获取的2个加速度传感器一共6个通道的信号，分别进行上述的信号抗噪处理（重构），将重构后的信号转换到极坐标空间下，并利用对称点阵算法生成振动图像；
其中，将信号转化成振动图形的算法为：
；
；
；
其中，R(k)、α(k)和β(k)分别为，半径、逆时针旋转角度和顺时针旋转角度；
、/>分别为，重建信号的最大和最小增幅值；
、/>分别为，信号在时间点k和时间点k+1的重建新号的幅值；
为，时间间隔长度；
P为，角度放大系数；
γ为，对称平面的旋转角度，通常为60°（360°/6=60°）。
进一步地，将2个加速度传感器共6个通道的信号，分别采用上述算法转换为极坐标空间下的6个振动图形，6个SDP振动图像以0幅值为中心点，按照预设的逆时针间隔融合成一张振动图像。其中，所述逆时针间隔优选为γ=60°，参考图2，图2示出了将6个振动图形融合为一张振动图形的示意图。
S130，将所述振动图像，输入至预先训练的故障诊断模型，得到当前打磨系统的故障类型。
其中，所述故障诊断模型可通过如下方式进行训练：
构建振动图像样本集；所述振动图像样本集中包括各类故障的振动图像；
根据每种振动图像对应的故障类型。对所述振动图像进行标注；
将标注后的振动图像作为输入，故障类型作为输出，通过CNN分类器对故障诊断模型进行训练，当输出的故障类型与标注故障类型的统一率满足预设阈值时，完成对所述故障诊断模型的训练。
在一些实施例中，将振动图像，输入至预先训练完成的故障诊断模型，得到当前打磨系统的故障类型。
S140，将所述振动图像，输入至预先训练的质量匹配模型，得到当前打磨系统的相关值和力信号；所述相关值用于关联故障类型和打磨质量；所述力信号用于确定当前打磨系统的打磨质量。
在一些实施例中，所述质量匹配模型可通过如下方式进行训练：
获取各类故障下的打磨表面图像、力信号，以及振动图像；
所述力信号用于描述当前打磨系统的打磨力大小，即，测量机器人打磨过程中机械臂末端的打磨力，可通过安装在机械臂末端的力传感器获取；
所述打磨表面图像，可通过历史数据库、以及对打磨实务的现场拍照等方式获取。
进一步地，分别计算每一种故障状态下的打磨表面和与其对应的振动图像的像素特征值，构建打磨表面的特征值矩阵和振动图像的矩阵/>，计算过程如下：
；
其中，中心像素值与其周围的8个像素值/>（i=0,1，……7）进行比较，并根据以阈值函数生成二进制数1或0，分别得到打磨表面图和振动图像的像素特征值矩阵/>和/>。
进一步地，计算两个矩阵的相关值：
；
其中，、/>、X和Y为实数。经过验证，对于不同类型的故障，其产生的/>（相关值）是不同的，因此，通过该值可以将故障类型和打磨质量进行关联（匹配起来）。
进一步地，构建训练样本集，参照步骤S130的相关步骤，在此不再赘述；
基于所述相关值和力信号，对所述振动图像进行标注；
将标注后的振动图像作为输入，力信号和相关值作为输出，通过CNN分类器对质量匹配模型进行训练，当输出的力信号和相关值与标注的力信号和相关值的统一率满足预设阈值时，完成对所述质量匹配模型的训练。
将通过步骤S120获取的振动图像，输入至预先训练的质量匹配模型，得到当前打磨系统的相关值和力信号。
S150，基于所述故障类型、相关值和打磨质量，完成对当前打磨系统的监测。
在一些实施例中，将步骤S140输出的力信号，通过如下方式进行处理，得到用于确定当前打磨系统的打磨质量的数值，即，通过如下公式，计算出打磨去除量来实时监测打磨质量：
；
其中，为，材料去除率；
C为，磨削过程修正参数；
为，砂带转速；
为，工件进给速度；
为，法向磨削力（力信号）；
α、β和为功率指数函数；
根据实验确定，上述磨削修正参数优选为C=4.3×10-6，α=0.96，β=1.0，γ=1.3。
在一些实施例中，将所述故障类型、相关值和打磨质量进行汇总，完成对当前打磨系统的监测。
根据本公开的实施例，实现了以下技术效果：
通过本公开的方法，实现了对机器人打磨过程的实时监测（故障、质量），为后续机器人控制策略和工艺的滚动优化提供实时的信息感知基础。相对于现有技术，本公开的方法在边缘端不需要再采集力信号、不需要拍摄（获取）打磨质量图，仅采集加度传感器的振动信号即可完成故障、打磨质量的统一监测，极大的减少了传感器的数量和类型，在降低了经济成本的同时降低了机器人打磨系统的复杂性。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本申请所述方案进行进一步说明。
图3示出了根据本申请的实施例的基于边缘计算的机器人打磨系统状态监测装置的方框图300，如图3所示包括：
获取模块310，用于获取当前的振动信号；
处理模块320，用于对所述振动信号进行降噪和融合处理，得到振动图像；
第一训练模块330，用于将所述振动图像，输入至预先训练的故障诊断模型，得到当前打磨系统的故障类型；
第二训练模块340，用于将所述振动图像，输入至预先训练的质量匹配模型，得到当前打磨系统的相关值和力信号；所述相关值用于关联故障类型和打磨质量；所述力信号用于确定当前打磨系统的打磨质量；
监测模块350，用于基于所述故障类型、相关值和打磨质量，完成对当前打磨系统的监测。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图4示出了适于用来实现本申请实施例的终端设备或服务器的结构示意图。
如图4所示，终端设备或服务器包括中央处理单元(CPU)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有终端设备或服务器操作所需的各种程序和数据。CPU 401、ROM 402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地，根据本申请的实施例，上文方法流程步骤可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在机器可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时，执行本申请的系统中限定的上述功能。
需要说明的是，本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中的。上述计算机可读存储介质存储有一个或者多个程序，当上述前述程序被一个或者一个以上的处理器用来执行描述于本申请的方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的申请范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述申请构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中申请的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (9)

1.一种基于边缘计算的机器人打磨系统状态监测方法，其特征在于，包括：
获取当前的振动信号；
对所述振动信号进行降噪和融合处理，得到振动图像；
将所述振动图像，输入至预先训练的故障诊断模型，得到当前打磨系统的故障类型；
将所述振动图像，输入至预先训练的质量匹配模型，得到当前打磨系统的相关值和力信号；所述相关值用于关联故障类型和打磨质量；所述力信号用于确定当前打磨系统的打磨质量；
基于所述故障类型、相关值和打磨质量，完成对当前打磨系统的监测；
其中，所述质量匹配模型可通过如下方式进行训练：
获取各类故障下的打磨表面图像、力信号，以及振动图像；所述力信号用于描述当前打磨系统的打磨力大小；
分别计算每一种故障状态下的打磨表面和与其对应的振动图像的像素特征值，构建打磨表面的特征值矩阵和振动图像的矩阵/>；
基于所述特征值矩阵和/>，计算用于关联故障类型和打磨质量的相关值；
基于所述相关值和力信号，对所述振动图像进行标注；
将标注后的振动图像作为输入，力信号和相关值作为输出，通过CNN分类器对质量匹配模型进行训练，当输出的力信号和相关值与标注的力信号和相关值的统一率满足预设阈值时，完成对所述质量匹配模型的训练。
2.根据权利要求1所述的方法，其特征在于，所述对所述振动信号进行降噪包括：
通过小波包算法对振动信号进行分解，得到系数矩阵；
基于所述系数矩阵，定义小波包节点能量；
通过自定义的卷积自编码器对所述小波包节点能量进行处理，进行全局节点重建；
基于重建后的节点能量进行局部信号重建，完成对所述振动信号的降噪。
3.根据权利要求2所述的方法，其特征在于，所述卷积自编码器由多个卷积编码器和反卷积解码器组成；
其中，卷积编码器为：
；
其中，H为，编码后获得的能量特征；
为，小波节点能量；
为，卷积层中的第l个卷积核；
为，第/>个偏置；
为，卷积运算；
为，激活函数；
卷积解码器为：
；
其中，为，解码返回的节点能量；
为，反卷积层中的第/>个反卷积核；
为，第/>个偏置。
4.根据权利要求1所述的方法，其特征在于，所述融合处理包括：
将降噪处理后的信号，转换到极坐标空间；
将转换到极坐标空间的信号，转化成振动图形；
按照预设的逆时针间隔，将所述振动图形融合成振动图像。
5.根据权利要求4所述的方法，其特征在于，所述将转换到极坐标空间的信号，转化成振动图形包括：
通过如下算法，将转换到极坐标空间的信号转化成振动图形；
；
；
；
其中，R(k)、α(k)和β(k)分别为，半径、逆时针旋转角度和顺时针旋转角度；
、/>分别为，重建信号的最大和最小增幅值；
、/>分别为，信号在时间点k和时间点k+1的重建新号的幅值；
为，时间间隔长度；
P为，角度放大系数；
γ为，对称平面的旋转角度。
6.根据权利要求5所述的方法，其特征在于，所述基于所述特征值矩阵和/>，计算用于关联故障类型和打磨质量的相关值包括：
；
其中，、/>、X和Y为实数。
7.一种基于边缘计算的机器人打磨系统状态监测装置，其特征在于，包括：
获取模块，用于获取当前的振动信号；
处理模块，用于对所述振动信号进行降噪和融合处理，得到振动图像；
第一训练模块，用于将所述振动图像，输入至预先训练的故障诊断模型，得到当前打磨系统的故障类型；
第二训练模块，用于将所述振动图像，输入至预先训练的质量匹配模型，得到当前打磨系统的相关值和力信号；所述相关值用于关联故障类型和打磨质量；所述力信号用于确定当前打磨系统的打磨质量；
监测模块，用于基于所述故障类型、相关值和打磨质量，完成对当前打磨系统的监测；
其中，所述质量匹配模型可通过如下方式进行训练：
获取各类故障下的打磨表面图像、力信号，以及振动图像；所述力信号用于描述当前打磨系统的打磨力大小；
分别计算每一种故障状态下的打磨表面和与其对应的振动图像的像素特征值，构建打磨表面的特征值矩阵和振动图像的矩阵/>；
基于所述特征值矩阵和/>，计算用于关联故障类型和打磨质量的相关值；
基于所述相关值和力信号，对所述振动图像进行标注；
将标注后的振动图像作为输入，力信号和相关值作为输出，通过CNN分类器对质量匹配模型进行训练，当输出的力信号和相关值与标注的力信号和相关值的统一率满足预设阈值时，完成对所述质量匹配模型的训练。
8.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，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1~6中任一项所述的方法。
9.一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，所述计算机程序被处理器执行时实现如权利要求1~6中任一项所述的方法。
CN202311030811.1A 2023-08-16 2023-08-16 基于边缘计算的机器人打磨系统状态监测方法和装置 Active CN116728291B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311030811.1A CN116728291B (zh) 2023-08-16 2023-08-16 基于边缘计算的机器人打磨系统状态监测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311030811.1A CN116728291B (zh) 2023-08-16 2023-08-16 基于边缘计算的机器人打磨系统状态监测方法和装置

Publications (2)

Publication Number Publication Date
CN116728291A CN116728291A (zh) 2023-09-12
CN116728291B true CN116728291B (zh) 2023-10-31

Family

ID=87917301

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311030811.1A Active CN116728291B (zh) 2023-08-16 2023-08-16 基于边缘计算的机器人打磨系统状态监测方法和装置

Country Status (1)

Country Link
CN (1) CN116728291B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117773666B (zh) * 2023-10-18 2024-04-26 四川交通职业技术学院 智能化柱状汽车零部件磨削装置及方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000036966A (ja) * 1999-05-12 2000-02-02 Kdd Corp 動画像のカット画面グル―プ検出装置
CN108562853A (zh) * 2018-03-29 2018-09-21 上海交通大学 基于纠错输出编码支持向量机的电机故障诊断方法和系统
CN110057586A (zh) * 2019-04-25 2019-07-26 长江大学 轴承故障振动信号Schatten改进小波包与重构降噪方法
CN111272428A (zh) * 2020-02-17 2020-06-12 济南大学 一种基于改进切比雪夫距离的滚动轴承故障诊断方法
CN112098105A (zh) * 2020-08-10 2020-12-18 北京化工大学 基于机匣宽频振动信号的燃气轮机叶片故障监测预警方法
CN112396109A (zh) * 2020-11-19 2021-02-23 天津大学 基于递归图与多层卷积神经网络的电机轴承故障诊断方法
CN113158548A (zh) * 2021-03-19 2021-07-23 东南大学 基于分散式振动数据和卷积自编码深度学习的结构损伤评估方法
CN113435322A (zh) * 2021-06-25 2021-09-24 西安交通大学 一种主轴轴承故障检测方法、系统、设备及可读存储介质
CN114034481A (zh) * 2021-11-15 2022-02-11 燕山大学 一种轧机齿轮箱故障诊断系统及方法
WO2022077901A1 (zh) * 2020-10-13 2022-04-21 同济大学 一种面向小样本数据集的轴承故障模式诊断方法及系统
CN114659790A (zh) * 2022-03-14 2022-06-24 浙江工业大学 一种变转速风电高速轴轴承故障的识别方法
CN114758176A (zh) * 2022-04-15 2022-07-15 上海交通大学 基于工业机器人本体信息的打磨状态在线监测方法
WO2022165739A1 (zh) * 2021-02-05 2022-08-11 广东工业大学 基于2d/3d视觉融合的五金件机器人智能化打磨方法与装置
WO2022228049A1 (zh) * 2021-04-27 2022-11-03 浙大城市学院 基于5g边缘计算和深度学习的航空发动机故障诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11175365B2 (en) * 2018-10-02 2021-11-16 General Electric Company System and method for sparse image reconstruction utilizing null data consistency

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000036966A (ja) * 1999-05-12 2000-02-02 Kdd Corp 動画像のカット画面グル―プ検出装置
CN108562853A (zh) * 2018-03-29 2018-09-21 上海交通大学 基于纠错输出编码支持向量机的电机故障诊断方法和系统
CN110057586A (zh) * 2019-04-25 2019-07-26 长江大学 轴承故障振动信号Schatten改进小波包与重构降噪方法
CN111272428A (zh) * 2020-02-17 2020-06-12 济南大学 一种基于改进切比雪夫距离的滚动轴承故障诊断方法
CN112098105A (zh) * 2020-08-10 2020-12-18 北京化工大学 基于机匣宽频振动信号的燃气轮机叶片故障监测预警方法
WO2022077901A1 (zh) * 2020-10-13 2022-04-21 同济大学 一种面向小样本数据集的轴承故障模式诊断方法及系统
CN112396109A (zh) * 2020-11-19 2021-02-23 天津大学 基于递归图与多层卷积神经网络的电机轴承故障诊断方法
WO2022165739A1 (zh) * 2021-02-05 2022-08-11 广东工业大学 基于2d/3d视觉融合的五金件机器人智能化打磨方法与装置
CN113158548A (zh) * 2021-03-19 2021-07-23 东南大学 基于分散式振动数据和卷积自编码深度学习的结构损伤评估方法
WO2022228049A1 (zh) * 2021-04-27 2022-11-03 浙大城市学院 基于5g边缘计算和深度学习的航空发动机故障诊断方法
CN113435322A (zh) * 2021-06-25 2021-09-24 西安交通大学 一种主轴轴承故障检测方法、系统、设备及可读存储介质
CN114034481A (zh) * 2021-11-15 2022-02-11 燕山大学 一种轧机齿轮箱故障诊断系统及方法
CN114659790A (zh) * 2022-03-14 2022-06-24 浙江工业大学 一种变转速风电高速轴轴承故障的识别方法
CN114758176A (zh) * 2022-04-15 2022-07-15 上海交通大学 基于工业机器人本体信息的打磨状态在线监测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于DWT和PNN的印刷过程实时监测和故障诊断;鄢腊梅;管力明;胡更生;何宏;;振动.测试与诊断(第03期);全文 *
基于振动分析的风力机齿轮箱故障诊断;杨明莉;刘三明;张卫;刘琦;;电机与控制应用(第01期);全文 *
小波技术在机械设备故障诊断中的研究现状;潜凌;齐明侠;吴苗法;;石油矿场机械(第02期);全文 *

Also Published As

Publication number Publication date
CN116728291A (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN116728291B (zh) 基于边缘计算的机器人打磨系统状态监测方法和装置
CN108932536B (zh) 基于深度神经网络的人脸姿态重建方法
CN111062880A (zh) 一种基于条件生成对抗网络的水下图像实时增强方法
CN108346133B (zh) 一种面向视频卫星超分辨率重建的深度学习网络训练方法
CN110065068B (zh) 一种基于逆向工程的机器人装配作业演示编程方法及装置
CN109300151B (zh) 图像处理方法和装置、电子设备
CN112819876B (zh) 一种基于深度学习的单目视觉深度估计方法
CN112767279A (zh) 一种基于离散小波集成生成对抗网络的水下图像增强方法
CN113012157A (zh) 一种设备缺陷视觉检测方法及系统
CN114758030B (zh) 融合物理模型和深度学习的水下偏振成像方法
CN113160278A (zh) 一种场景流估计、场景流估计模型的训练方法和装置
CN113538281A (zh) 图像去噪方法、装置、计算机设备和存储介质
CN114004766A (zh) 一种水下图像增强方法、系统和设备
CN113327318A (zh) 图像显示方法、装置、电子设备和计算机可读介质
Jeon et al. Struct-MDC: Mesh-refined unsupervised depth completion leveraging structural regularities from visual SLAM
CN112348085B (zh) 一种电力数据监测系统与方法
CN112419377B (zh) 配准图像确定方法及配准图像确定装置
CN103873859A (zh) 基于时空显著性检测的视频融合性能评价方法
EP4372696A1 (en) Method for training a first neural network to determine the viewpoint of an object instance in an image, and associated system
CN114092569B (zh) 一种基于多传感器融合的双目相机在线标定方法及系统
Han et al. Online burr video denoising by learning sparsifying transform
CN112598722B (zh) 一种基于可变形卷积网络的图像立体匹配方法以及系统
CN113542800B (zh) 视频画面定标方法、装置、终端设备
US20240371019A1 (en) Disparity estimation method and apparatus, and image processing device and storage medium
EP4328857A1 (en) Disparity estimation method and apparatus, and image processing device and storage medium

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