CN117207249A - 一种机器人的编码器校准方法及其系统 - Google Patents
一种机器人的编码器校准方法及其系统 Download PDFInfo
- Publication number
- CN117207249A CN117207249A CN202311481560.9A CN202311481560A CN117207249A CN 117207249 A CN117207249 A CN 117207249A CN 202311481560 A CN202311481560 A CN 202311481560A CN 117207249 A CN117207249 A CN 117207249A
- Authority
- CN
- China
- Prior art keywords
- calibration
- encoder
- real
- time
- robot
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 98
- 238000004364 calculation method Methods 0.000 claims abstract description 65
- 230000003213 activating effect Effects 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims description 99
- 230000005856 abnormality Effects 0.000 claims description 68
- 238000012795 verification Methods 0.000 claims description 44
- 238000009434 installation Methods 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 10
- 238000004140 cleaning Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 239000000428 dust Substances 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000005672 electromagnetic field Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007598 dipping method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/10—Greenhouse gas [GHG] capture, material saving, heat recovery or other energy efficient measures, e.g. motor control, characterised by manufacturing processes, e.g. for rolling metal or metal working
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Manipulator (AREA)
Abstract
本申请涉及智能机器人技术领域,提供了一种机器人的编码器校准方法及其系统,包括:获得第一机器人的N个编码器;获得作业记录序列,进行预校准算力优化,获得第一预校准算力;根据预校准频率匹配结果配置预校准时区;当处于预校准时区时,对编码器进行预校准;当预校准结果为通过时,激活第一机器人执行预设任务,并进行实时监测,获得任务监测信息,所述编码器具有实时三元状态参数;将任务监测信息和实时三元状态参数输入编码器监测校准模型,进行参数校准,获得校准任务监测信息。能够解决由于外界因素干扰造成机器人编码器校准精度较低的技术问题,可以提高机器人编码器的校准精度,从而进一步提高机器人的控制精度。
Description
技术领域
本申请涉及智能机器人技术领域,具体涉及一种机器人的编码器校准方法及其系统。
背景技术
编码器是一种用于测量机器人位置和移动的装置,它能够将机器人位置和运动转化为数字信号,以供机器人控制系统使用,从而精确控制机器人的位置和状态。编码器在工作过程中,编码器的精度和读数准确性经常会受到外界因素的干扰,其中包括工作环境、内部结构、电磁干扰等,造成编码器校准精度较低,从而影响了对机器人的精准控制。
综上所述,现有技术中存在由于外界因素干扰造成机器人编码器校准精度较低的技术问题。
发明内容
基于此,有必要针对上述技术问题,提供一种机器人的编码器校准方法及其系统。
一种机器人的编码器校准方法,包括:获得第一机器人的N个编码器,其中,N为大于1的正整数;基于第一预设历史时区,采集所述第一机器人的作业记录,获得作业记录序列,并基于所述作业记录序列进行编码器的初始化预校准算力优化,获得第一预校准算力;基于所述第一预校准算力匹配预校准频率,并根据预校准频率匹配结果配置预校准时区;当处于所述预校准时区时,获得预校准指令,基于所述预校准指令对所述N个编码器进行预校准,获得预校准结果;当所述预校准结果为通过时,激活所述第一机器人执行预设任务,并基于所述N个编码器对所述第一机器人进行实时监测,获得N组任务监测信息,且,所述N个编码器具有对应的N组实时三元状态参数;将所述N组任务监测信息和所述N组实时三元状态参数输入编码器监测校准模型,编码器监测校准模型根据所述N组实时三元状态参数对所述N组任务监测信息进行参数校准,获得校准任务监测信息。
一种机器人的编码器校准系统,包括:
编码器获得模块,所述编码器获得模块用于获得第一机器人的N个编码器,其中,N为大于1的正整数;
第一预校准算力获得模块,所述第一预校准算力获得模块用于基于第一预设历史时区,采集所述第一机器人的作业记录,获得作业记录序列,并基于所述作业记录序列进行编码器的初始化预校准算力优化,获得第一预校准算力;
预校准时区配置模块,所述预校准时区配置模块用于基于所述第一预校准算力匹配预校准频率,并根据预校准频率匹配结果配置预校准时区;
预校准结果获得模块,所述预校准结果获得模块用于当处于所述预校准时区时,获得预校准指令,基于所述预校准指令对所述N个编码器进行预校准,获得预校准结果;
任务监测信息获得模块,所述任务监测信息获得模块用于当所述预校准结果为通过时,激活所述第一机器人执行预设任务,并基于所述N个编码器对所述第一机器人进行实时监测,获得N组任务监测信息,且,所述N个编码器具有对应的N组实时三元状态参数;
校准任务监测信息获得模块,所述校准任务监测信息获得模块用于将所述N组任务监测信息和所述N组实时三元状态参数输入编码器监测校准模型,编码器监测校准模型根据所述N组实时三元状态参数对所述N组任务监测信息进行参数校准,获得校准任务监测信息。
上述一种机器人的编码器校准方法及其系统,能够解决由于外界因素干扰造成机器人编码器校准精度较低的技术问题,首先获得第一机器人的N个编码器;获取第一预设历史时区,并根据第一预设历史时区进行所述第一机器人的作业任务采集,获得作业记录序列,并基于所述作业记录序列进行编码器的初始化预校准算力优化,获得第一预校准算力;根据所述第一预校准算力匹配预校准频率,进一步配置预校准时区;当所述第一机器人处于所述预校准时区时,根据预校准指令对所述N个编码器进行预校准,获得预校准结果;当所述预校准结果为通过时,激活所述第一机器人执行预设任务,并基于所述N个编码器对所述第一机器人进行实时监测,获得N组任务监测信息,且,所述N个编码器具有对应的N组实时三元状态参数;构建编码器监测校准模型,将所述N组任务监测信息和所述N组实时三元状态参数输入编码器监测校准模型,根据所述N组实时三元状态参数对所述N组任务监测信息进行参数校准,获得校准任务监测信息。可以提高机器人编码器的校准精度,从而进一步提高机器人的控制精度。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请提供了一种机器人的编码器校准方法的流程示意图。
图2为本申请提供了一种机器人的编码器校准方法中获得第一预校准算力的流程示意图。
图3为本申请提供了一种机器人的编码器校准方法中获得校准任务监测信息的流程示意图。
图4为本申请提供了一种机器人的编码器校准系统的结构示意图。
附图标记说明:编码器获得模块1、第一预校准算力获得模块2、预校准时区配置模块3、预校准结果获得模块4、任务监测信息获得模块5、校准任务监测信息获得模块6。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,本申请提供了一种机器人的编码器校准方法,包括:
步骤S100:获得第一机器人的N个编码器,其中,N为大于1的正整数;
具体而言,编码器是机器人中的重要组成部分,通常是由光电传感器组成,通过编码器可以实现对机器人的轨迹跟踪和控制,从而提高机器人的控制精度和工作效率。本申请提供的方法通过对编码器进行校准,从而提高编码器的校准精度,实现对机器人的精准控制。首先,获得第一机器人的N个编码器,其中N为大于1的正整数,所述第一机器人是指待进行编码器校准的机器人,例如:工业机器人、家用机器人、探测机器人等多种类型。通过获得第一机器人的N个编码器,为下一步进行编码器校准提供了支持。
步骤S200:基于第一预设历史时区,采集所述第一机器人的作业记录,获得作业记录序列,并基于所述作业记录序列进行编码器的初始化预校准算力优化,获得第一预校准算力;
如图2所示,在一个实施例中,本申请步骤S200还包括:
步骤S210:基于所述作业记录序列进行编码器的风险事件提取,获得风险事件记录序列;
步骤S220:基于所述风险事件记录序列进行编码器精度影响评估,获得精度影响评估序列;
步骤S230:基于所述第一预设历史时区,设置精度影响渐变权重序列;
步骤S240:基于所述精度影响渐变权重序列对所述精度影响评估序列进行加权,获得编码器精度影响指数;
步骤S250:判断所述编码器精度影响指数是否满足预设精度影响指数;
步骤S260:当所述编码器精度影响指数大于所述预设精度影响指数时,基于所述预设精度影响指数和所述编码器精度影响指数进行偏离计算,生成精度影响偏离系数;
步骤S270:基于所述精度影响偏离系数对所述初始化预校准算力进行算力优化,生成所述第一预校准算力。
具体而言,获取第一预设历史时区,所述第一预设历史时区本领域技术人员可根据实际情况自定义设置,例如:与当前时间最近的上1个月的时间段。根据所述第一预设历史时区对所述第一机器人的作业记录进行采集,所述作业记录是指所述第一机器人执行任务的实际情况,其中包括作业时间、任务完成度、故障状态等多个作业数据,获得所述第一预设历史时区的作业记录序列,所述作业记录序列为按照时间顺序由近及远排列的作业记录。
首先对所述作业记录序列进行编码器风险事件提取,所述编码器风险事件是指对编码器正常运行有影响的事件,例如:伺服电机自身的编码器故障、编码器电缆断路或短路、电池电压降低、光栅污染、代码+5V电源下降等。并将所述编码器风险事件按照时间顺序由近及远进行排列,获得风险事件记录序列。
构建编码器专家组,所述编码器专家组为基于人工智能和编码器知识库相结合的专家系统,其中存储了大量和机器人编码器相关的知识和经验,可以通过模拟人类本领域专家的思考方式进行推理和判断,并且可以不断对编码器知识库进行知识更新。根据所述编码器专家组对所述风险事件记录序列中的风险事件进行编码器精度影响评估,获得多个编码器精度影响评估结果,其中精度影响评估结果通过精度影响系数表示,对编码器精度影响的程度越大,则精度影响系数越大,基于多个编码器精度影响评估结果获得精度影响评估序列。
根据所述第一预设历史时区,设置精度影响渐变权重序列,所述精度影响渐变权重序列是指根据风险事件的记录时间对多个编码器精度影响评估结果分别设置不同的权重,其中距离当前时间越近,则权重值越大,其中具体的权重值本领域技术人员可自定义赋值,例如:假设所述第一预设历史时区为一个月,距离当前时间最近的第一天设置权重值为10,距离当前时间最近的第二天设置权重为9.5。根据所述精度影响渐变权重序列对所述精度影响评估序列进行加权计算,并将编码器加权计算结果作为所述编码器的精度影响指数,获得多个编码器精度影响指数。
获取预设精度影响指数,所述预设精度影响指数可基于实际情况自定义设置,例如:设置精度影响指数为10。根据所述预设精度影响指数对所述编码器精度影响指数进行依次判断,当所述编码器精度影响指数大于所述预设精度影响指数时,基于所述预设精度影响指数和所述编码器精度影响指数进行偏离计算,所述偏离计算是指获得所述编码器精度影响指数减去所述预设精度影响指数的差值与所述预设精度影响指数的比值,并将所述比值作为精度影响偏离系数。然后根据所述精度影响偏离系数对所述编码器的初始预校准算力进行算力优化,例如:当所述精度影响偏离系数为正数时,则需要对所述初始预校准算力进行增强,所述精度影响偏离系数越大,则对所述初始预校准算力进行增强的算力越大;当所述精度影响偏离系数为负数时,则需要对所述初始预校准算力进行减小,所述精度影响偏离系数越小,则对所述初始预校准算力进行减小的算力越大;获得第一预校准算力。通过生成所述第一预校准算力,可以增减预校准算力与编码器之间的适配度,使得预校准算力的设置更为合理,从而可以间接提高编码器的校准精度。
步骤S300:基于所述第一预校准算力匹配预校准频率,并根据预校准频率匹配结果配置预校准时区;
具体而言,根据所述第一预校准算力匹配预校准频率,其中所述第一预校准算力越大,则预校准频率越大,所述匹配方法可自定义设置,例如:当所述第一预校准算力为6时,可设置预校准频率为1小时6次。然后根据所述预校准频率设置预校准时区,所述预校准时区是指预校准时间节点,例如:当所述预校准频率为6时,则设置每隔10分钟为一个预校准时区。通过获得所述预校准时区,为下一步对所述第一机器人的N个编码器进行预校准提供了支持。
步骤S400:当处于所述预校准时区时,获得预校准指令,基于所述预校准指令对所述N个编码器进行预校准,获得预校准结果;
在一个实施例中,本申请步骤S400还包括:
步骤S410:获得所述N个编码器的实时安装数据,并将所述实时安装数据与预设安装数据进行比对,获得安装校验结果;
步骤S420:遍历所述N个编码器进行表面状态校验,获得表面状态校验结果;
在一个实施例中,本申请步骤S420还包括:
步骤S421:根据编码器预设表面状态,获得预定表面状态卷积特征集合;
步骤S422:获得所述N个编码器的实时图像数据,并对所述实时图像数据进行网格划分,获得图像划分序列;
步骤S423:基于所述预定表面状态卷积特征集合对所述图像划分序列进行遍历卷积计算,获得编码器实时表面状态;
步骤S424:将所述编码器实时表面状态与所述编码器预设表面状态进行比对,获得所述表面状态校验结果。
具体而言,当所述第一机器人处于所述预校准时区时,则生成预校准指令,并根据所述预校准指令对所述N个编码器进行预校准。首先,获得所述N个编码器的实时安装数据,所述实时安装数据包括编码器安装位置、编码器安装牢固程度等。获取预设安装数据,所述预设安装数据为符合生产标准的合格安装数据,根据所述预设安装数据与所述实时安装数据进行遍历比对,例如:当编码器安装位置错误时,编码器读数可能会出现错误;当编码器安装松动时,会影响位置控制的精度,造成停止和移动中位置偏差量超差,甚至刚一开机即产生伺服系统过载报警。根据安装数据比对结果获得安装校验结果。
然后对所述N个编码器进行表面状态校验,首先,设置编码器预设表面状态,所述编码器预设表面状态是指编码器正常运行时的清洁状态,并根据所述编码器预设表面状态,获得预定表面状态卷积特征集合。对所述N个编码器进行图像数据采集,获得N个编码器的实时图像数据,并进一步对所述实时图像数据进行网格划分,所述网格划分是指根据编码器的结构部件对所述实时图像数据进行划分,所述结构部件包括外壳、光源、光敏装置、光栅等多个部件,获得图像划分序列。
基于卷积神经网络构建表面状态识别模型,并将所述预定表面状态卷积特征集合嵌入所述表面状态识别模型,基于所述表面状态识别模型,根据所述预定表面状态卷积特征集合对所述图像划分序列进行遍历卷积计算,获得编码器实时表面状态。然后将所述编码器实时表面状态与所述编码器预设表面状态进行遍历比对,获得表面状态校验结果。例如:当编码器光栅上有灰尘或污垢影响时,会降低编码器的信号输出范围。
步骤S430:获得所述N个编码器的实时元器件状态数据序列,并将所述实时元器件状态数据序列与预设元器件状态数据序列进行比对,获得元器件校验结果;
步骤S440:当所述安装校验结果、所述表面状态校验结果和所述元器件校验结果均为通过时,获得的所述预校准结果为通过。
具体而言,对所述N个编码器的实时元器件状态数据进行采集,获得实时元器件状态数据序列,获取预设元器件状态数据序列,所述预设元器件状态数据序列是指编码器正常工作时的元器件状态。根据所述预设元器件状态数据序列和所述实时元器件状态数据序列进行遍历比对,例如:当编码器本身元器件出现故障时,会导致所述元器件不能产生和输出正确的波形,这种情况下需更换编码器或维修其内部器件 ,基于元器件状态数据比对结果获得元器件校验结果。对所述安装校验结果、所述表面状态校验结果和所述元器件校验结果进行判断,当所述安装校验结果、所述表面状态校验结果和所述元器件校验结果均为通过即符合编码器正常运行标准时,则将所述与准校验结果标识为预准校验通过。通过分别从安装校验、表面校验、元器件校验三个维度对编码器进行校验,可以提高预校准结果判断的准确率,为提高编码器的校准精度提供了支持。
在一个实施例中,本申请步骤S440还包括:
步骤S441:当获得的所述预校准结果为不通过时,生成预校准异常指令;
步骤S442:基于所述预校准异常指令,获得异常校验因子;
步骤S443:将所述异常校验因子输入预校准异常管理模型,获得预校准异常管理方案,并基于所述预校准异常管理方案进行编码器的异常校准管理,直至获得的所述预校准结果为通过。
在一个实施例中,本申请步骤S443还包括:
步骤S4431:基于大数据,获得编码器异常校准管理记录库;
步骤S4432:以样本异常校验因子为一级叶节点,以样本预校准异常管理方案为二级叶节点,基于所述编码器异常校准管理记录库,构建第一预校准异常管理树;
步骤S4433:基于所述一级叶节点和所述二级叶节点,对所述第一预校准异常管理树进行同级叶节点的相似度分析,获得同级叶节点相似度分析结果;
步骤S4434:当所述同级叶节点相似度分析结果满足预设相似度时,获得叶节点融合指令,基于所述叶节点融合指令对所述第一预校准异常管理树进行融合,获得第二预校准异常管理树;
步骤S4435:将所述第二预校准异常管理树添加至所述预校准异常管理模型。
具体而言,当所述安装校验结果、所述表面状态校验结果和所述元器件校验结果中有任意一个校验结果为不通过时,则标识所述预校准结果为不通过,此时生成预校准异常指令,并根据所述预校准异常指令,获得异常校准因子,所述异常校准因子是指具体的编码器的未通过的校验结果,例如:第7编号的编码器由于元器件故障导致预校准未通过。
构建预校准异常管理模型,首先,基于大数据技术,以编码器异常校准管理为索引条件进行相关数据采集,根据编码器异常校准管理数据采集结果构建编码器异常校准管理记录库。然后将所述样本异常校验因子作为一级叶节点,将样本预校准异常管理方案作为二级叶节点,所述样本校准异常管理方案为针对样本异常校验因子所制定的对编码器进行维修或维护的方案,例如:当编码器光栅存在灰尘或污垢时,则需要用脱脂棉蘸无水酒精将灰尘或污垢轻轻擦去。基于所述编码器异常校准管理记录库,构建第一预校准异常管理树,所述第一预校准异常管理树包括多个一级叶节点和多个二级叶节点。
然后根据所述一级叶节点和所述二级叶节点,对所述第一预校准异常管理树进行同级叶节点的相似度分析,所述相似度分析可以通过Tanimoto相似系数进行计算,获得同级叶节点相似度分析结果,所述同级叶节点相似度分析结果包括一级叶节点相似度分析结果和二级叶节点相似度分析结果。获取预设相似度,所述预设相似度本领域技术人员可基于实际情况自定义设置,根据所述预设相似度对所述同级叶节点相似度分析结果进行判断,当所述同级叶节点相似度分析结果大于预设相似度时,则生成叶节点融合指令,并根据所述叶节点融合指令对所述第一预校准异常管理树进行融合,所述融合是指将多个同级叶节点融合为一个同级叶节点,获得第二预校准异常管理树,并将所述第二预校准异常管理树添加至预校准异常管理模型,获得所述预校准异常管理模型。通过基于决策树的方法构建预校准异常管理模型,可以提高预校准异常管理方案匹配的效率和准确率。
将所述异常校验因子输入预校准异常管理模型,通过第二预校准异常管理树进行预校准异常管理方案匹配,获得预校准异常管理方案,并根据所述预校准异常管理方案对编码器进行异常校准管理,然后对预校准结果进行判断,当所述预校准结果为未通过时,则通过所述第二预校准异常管理树重新进行预校准异常管理方案匹配,并再次进行异常校准管理,直到所述预校准结果为通过时结束。
步骤S500:当所述预校准结果为通过时,激活所述第一机器人执行预设任务,并基于所述N个编码器对所述第一机器人进行实时监测,获得N组任务监测信息,且,所述N个编码器具有对应的N组实时三元状态参数;
具体而言,当所述预校准结果为通过时,获取预设任务,所述预设任务是指所述第一机器人进行预设任务执行的预设运动参数,可自定义设置,例如:对扫地机器人设置清扫客厅的任务时设置的多个清洁参数和运动参数,包括清扫速度、清扫轨迹等。并激活所述第一机器人执行所述预设任务,在所述第一机器人执行所述预设任务的过程中,通过所述N个编码器对所述第一机器人的执行任务过程进行实时监测,获得N组任务监测信息,所述任务监测信息是指所述第一机器人执行预设任务时的实时运动参数。并且所述N个编码器具有对应的N组实时三元状态参数,所述三元状态参数包括温度、相对湿度和电磁场。通过获得任务监测信息,可以实时了解编码器的运动参数,为下一步进行参数校准提供了支持。
步骤S600:将所述N组任务监测信息和所述N组实时三元状态参数输入编码器监测校准模型,编码器监测校准模型根据所述N组实时三元状态参数对所述N组任务监测信息进行参数校准,获得校准任务监测信息。
如图3所示,在一个实施例中,本申请步骤S600还包括:
步骤S610:遍历所述N个编码器,获得第一编码器,以及所述第一编码器对应的第一组任务监测信息和第一组实时三元状态参数,其中,所述第一组实时三元状态参数包括第一编码器对应的实时环境数据、编码器实时温度数据和编码器实时震动数据;
步骤S620:所述编码器监测校准模型包括异常状态识别分支、异常判断分支和异常校准分支;
步骤S630:将所述第一组实时三元状态参数输入所述异常状态识别分支,获得三元异常指数,其中,所述三元异常指数包括环境异常指数、编码器温度异常指数和编码器震动异常指数;
步骤S640:将所述三元异常指数输入所述异常判断分支,将满足所述异常判断分支内的预设异常约束特征的所述三元异常指数添加至异常状态识别结果;
步骤S650:将所述异常状态识别结果和所述第一组任务监测信息输入所述异常校准分支,获得第一组任务监测校准结果,并将所述第一组任务监测校准结果添加至所述校准任务监测信息。
具体而言,对所述N个编码器进行遍历标识,依次将N个编码器中的每个编码器设置为第一编码器,获得第一编码器和所述第一编码器对应的第一组任务监测信息和第一组实时三元状态参数,其中所述第一组实时三元状态参数包括第一编码器对应的实时环境数据、编码器实时温度数据和编码器实时震动数据,所述实时环境数据是指编码器工作时所处环境的相对湿度,所述编码器实时震动数据是指编码器受周围电磁场影响产生的震动数据。
构建编码器监测校准模型,其中所述编码器监测校准模型包括异常状态识别分支、异常判断分支和异常校准分支。所述异常状态识别分支和所述异常校准分支为基于神经网络原理构建的神经网络模型,通过训练数据集进行监督训练获得,所述异常判断分支嵌入有预设异常约束特征。
首先获得多个历史三元状态参数和多个历史异常状态识别结果,并根据所述多个历史三元状态参数和所述多个历史异常状态识别结果构建识别分支训练集,通过所述识别分支训练集对所述异常状态识别分支进行监督训练,当所述异常状态识别分支趋于收敛状态时,获得训练完成的异常状态识别分支。所述异常校准分支的构建过程与所述异常状态识别分支相同,此处为了说明书的简洁性,在此不做赘述。
然后将所述第一组实时三元状态参数输入所述异常状态识别分支进行异常状态识别,获得三元异常指数,所述三元异常数据包括环境异常指数、编码器温度异常指数和编码器震动异常指数。然后将所述三元异常指数输入所述异常判断分支,根据所述预设异常约束特征对所述三元异常指数进行判断,所述预设异常约束特征可基于实际情况自定义设置,将满足所述预设异常约束特征的所述三元异常指数添加至异常状态识别结果,获得异常状态识别结果。
最后将所述异常状态识别结果和所述第一组任务监测信息输入所述异常校准分支进行异常校准,当所述异常状态识别结果为需要进行异常校准时,则通过所述异常校准分支生成异常校准方案,并通过所述异常校准方案进行异常校准,获得第一组任务监测校准结果,并将所述第一组任务监测校准结果添加至所述校准任务监测信息中,当所述异常状态识别结果为不需要进行异常校准时,则直接将这一组实时三元状态参数添加至校准任务监测信息。通过上述方法解决了由于外界因素干扰造成机器人编码器校准精度较低的技术问题,可以提高机器人编码器的校准精度,从而进一步提高机器人的控制精度。
在一个实施例中,如图4所示提供了一种机器人的编码器校准系统,包括:编码器获得模块1、第一预校准算力获得模块2、预校准时区配置模块3、预校准结果获得模块4、任务监测信息获得模块5、校准任务监测信息获得模块6、其中:
编码器获得模块1,所述编码器获得模块1用于获得第一机器人的N个编码器,其中,N为大于1的正整数;
第一预校准算力获得模块2,所述第一预校准算力获得模块2用于基于第一预设历史时区,采集所述第一机器人的作业记录,获得作业记录序列,并基于所述作业记录序列进行编码器的初始化预校准算力优化,获得第一预校准算力;
预校准时区配置模块3,所述预校准时区配置模块3用于基于所述第一预校准算力匹配预校准频率,并根据预校准频率匹配结果配置预校准时区;
预校准结果获得模块4,所述预校准结果获得模块4用于当处于所述预校准时区时,获得预校准指令,基于所述预校准指令对所述N个编码器进行预校准,获得预校准结果;
任务监测信息获得模块5,所述任务监测信息获得模块5用于当所述预校准结果为通过时,激活所述第一机器人执行预设任务,并基于所述N个编码器对所述第一机器人进行实时监测,获得N组任务监测信息,且,所述N个编码器具有对应的N组实时三元状态参数;
校准任务监测信息获得模块6,所述校准任务监测信息获得模块6用于将所述N组任务监测信息和所述N组实时三元状态参数输入编码器监测校准模型,编码器监测校准模型根据所述N组实时三元状态参数对所述N组任务监测信息进行参数校准,获得校准任务监测信息。
在一个实施例中,所述系统还包括:
风险事件提取模块,所述风险事件提取模块用于基于所述作业记录序列进行编码器的风险事件提取,获得风险事件记录序列;
编码器精度影响评估模块,所述编码器精度影响评估模块用于基于所述风险事件记录序列进行编码器精度影响评估,获得精度影响评估序列;
精度影响渐变权重序列设置模块,所述精度影响渐变权重序列设置模块用于基于所述第一预设历史时区,设置精度影响渐变权重序列;
编码器精度影响指数获得模块,所述编码器精度影响指数获得模块用于基于所述精度影响渐变权重序列对所述精度影响评估序列进行加权,获得编码器精度影响指数;
编码器精度影响指数判断模块,所述编码器精度影响指数判断模块用于判断所述编码器精度影响指数是否满足预设精度影响指数;
精度影响偏离系数生成模块,所述精度影响偏离系数生成模块用于当所述编码器精度影响指数大于所述预设精度影响指数时,基于所述预设精度影响指数和所述编码器精度影响指数进行偏离计算,生成精度影响偏离系数;
第一预校准算力生成模块,所述第一预校准算力生成模块用于基于所述精度影响偏离系数对所述初始化预校准算力进行算力优化,生成所述第一预校准算力。
在一个实施例中,所述系统还包括:
安装校验结果获得模块,所述安装校验结果获得模块用于获得所述N个编码器的实时安装数据,并将所述实时安装数据与预设安装数据进行比对,获得安装校验结果;
表面状态校验模块,所述表面状态校验模块用于遍历所述N个编码器进行表面状态校验,获得表面状态校验结果;
元器件校验结果获得模块,所述元器件校验结果获得模块用于获得所述N个编码器的实时元器件状态数据序列,并将所述实时元器件状态数据序列与预设元器件状态数据序列进行比对,获得元器件校验结果;
预校准结果通过模块,所述预校准结果通过模块用于当所述安装校验结果、所述表面状态校验结果和所述元器件校验结果均为通过时,获得的所述预校准结果为通过。
在一个实施例中,所述系统还包括:
预定表面状态卷积特征集合获得模块,所述预定表面状态卷积特征集合获得模块用于根据编码器预设表面状态,获得预定表面状态卷积特征集合;
图像划分序列获得模块,所述图像划分序列获得模块用于获得所述N个编码器的实时图像数据,并对所述实时图像数据进行网格划分,获得图像划分序列;
卷积计算模块,所述卷积计算模块用于基于所述预定表面状态卷积特征集合对所述图像划分序列进行遍历卷积计算,获得编码器实时表面状态;
表面状态校验结果获得模块,所述表面状态校验结果获得模块用于将所述编码器实时表面状态与所述编码器预设表面状态进行比对,获得所述表面状态校验结果。
在一个实施例中,所述系统还包括:
预校准异常指令生成模块,所述预校准异常指令生成模块用于当获得的所述预校准结果为不通过时,生成预校准异常指令;
异常校验因子获得模块,所述异常校验因子获得模块用于基于所述预校准异常指令,获得异常校验因子;
异常校准管理模块,所述异常校准管理模块用于将所述异常校验因子输入预校准异常管理模型,获得预校准异常管理方案,并基于所述预校准异常管理方案进行编码器的异常校准管理,直至获得的所述预校准结果为通过。
在一个实施例中,所述系统还包括:
编码器异常校准管理记录库获得模块,所述编码器异常校准管理记录库获得模块用于基于大数据,获得编码器异常校准管理记录库;
第一预校准异常管理树构建模块,所述第一预校准异常管理树构建模块用于以样本异常校验因子为一级叶节点,以样本预校准异常管理方案为二级叶节点,基于所述编码器异常校准管理记录库,构建第一预校准异常管理树;
相似度分析模块,所述相似度分析模块用于基于所述一级叶节点和所述二级叶节点,对所述第一预校准异常管理树进行同级叶节点的相似度分析,获得同级叶节点相似度分析结果;
第二预校准异常管理树获得模块,所述第二预校准异常管理树获得模块用于当所述同级叶节点相似度分析结果满足预设相似度时,获得叶节点融合指令,基于所述叶节点融合指令对所述第一预校准异常管理树进行融合,获得第二预校准异常管理树;
第二预校准异常管理树添加模块,所述第二预校准异常管理树添加模块用于将所述第二预校准异常管理树添加至所述预校准异常管理模型。
在一个实施例中,所述系统还包括:
第一编码器获得模块,所述第一编码器获得模块用于遍历所述N个编码器,获得第一编码器,以及所述第一编码器对应的第一组任务监测信息和第一组实时三元状态参数,其中,所述第一组实时三元状态参数包括第一编码器对应的实时环境数据、编码器实时温度数据和编码器实时震动数据;
编码器监测校准模型模块,所述编码器监测校准模型模块是指所述编码器监测校准模型包括异常状态识别分支、异常判断分支和异常校准分支;
三元异常指数获得模块,所述三元异常指数获得模块用于将所述第一组实时三元状态参数输入所述异常状态识别分支,获得三元异常指数,其中,所述三元异常指数包括环境异常指数、编码器温度异常指数和编码器震动异常指数;
三元异常指数添加模块,所述三元异常指数添加模块用于将所述三元异常指数输入所述异常判断分支,将满足所述异常判断分支内的预设异常约束特征的所述三元异常指数添加至异常状态识别结果;
第一组任务监测校准结果获得模块,所述第一组任务监测校准结果获得模块用于将所述异常状态识别结果和所述第一组任务监测信息输入所述异常校准分支,获得第一组任务监测校准结果,并将所述第一组任务监测校准结果添加至所述校准任务监测信息。
综上所述,本申请提供了一种机器人的编码器校准方法及其系统具有以下技术效果:
1.解决了由于外界因素干扰造成机器人编码器校准精度较低的技术问题,通过在机器人工作之前对编码器进行预校准,在机器人工作过程中对编码器进行参数校准,通过从静态校准和动态校准两个方面对编码器进行校准,可以提高机器人编码器的校准精度,从而进一步提高机器人的控制精度。
2.通过生成所述第一预校准算力,可以增减预校准算力与编码器之间的适配度,使得预校准算力的设置更为合理,从而可以间接提高编码器的校准精度。
3.通过分别从安装校验、表面校验、元器件校验三个维度对编码器进行校验,可以提高预校准结果判断的准确率,为提高编码器的校准精度提供了支持。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种机器人的编码器校准方法,其特征在于,所述方法包括:
获得第一机器人的N个编码器,其中,N为大于1的正整数;
基于第一预设历史时区,采集所述第一机器人的作业记录,获得作业记录序列,并基于所述作业记录序列进行编码器的初始化预校准算力优化,获得第一预校准算力;
基于所述第一预校准算力匹配预校准频率,并根据预校准频率匹配结果配置预校准时区;
当处于所述预校准时区时,获得预校准指令,基于所述预校准指令对所述N个编码器进行预校准,获得预校准结果;
当所述预校准结果为通过时,激活所述第一机器人执行预设任务,并基于所述N个编码器对所述第一机器人进行实时监测,获得N组任务监测信息,且,所述N个编码器具有对应的N组实时三元状态参数;
将所述N组任务监测信息和所述N组实时三元状态参数输入编码器监测校准模型,编码器监测校准模型根据所述N组实时三元状态参数对所述N组任务监测信息进行参数校准,获得校准任务监测信息。
2.如权利要求1所述的方法,其特征在于,基于所述作业记录序列进行编码器的初始化预校准算力优化,获得第一预校准算力,包括:
基于所述作业记录序列进行编码器的风险事件提取,获得风险事件记录序列;
基于所述风险事件记录序列进行编码器精度影响评估,获得精度影响评估序列;
基于所述第一预设历史时区,设置精度影响渐变权重序列;
基于所述精度影响渐变权重序列对所述精度影响评估序列进行加权,获得编码器精度影响指数;
判断所述编码器精度影响指数是否满足预设精度影响指数;
当所述编码器精度影响指数大于所述预设精度影响指数时,基于所述预设精度影响指数和所述编码器精度影响指数进行偏离计算,生成精度影响偏离系数;
基于所述精度影响偏离系数对所述初始化预校准算力进行算力优化,生成所述第一预校准算力。
3.如权利要求1所述的方法,其特征在于,基于所述预校准指令对所述N个编码器进行预校准,获得预校准结果,包括:
获得所述N个编码器的实时安装数据,并将所述实时安装数据与预设安装数据进行比对,获得安装校验结果;
遍历所述N个编码器进行表面状态校验,获得表面状态校验结果;
获得所述N个编码器的实时元器件状态数据序列,并将所述实时元器件状态数据序列与预设元器件状态数据序列进行比对,获得元器件校验结果;
当所述安装校验结果、所述表面状态校验结果和所述元器件校验结果均为通过时,获得的所述预校准结果为通过。
4.如权利要求3所述的方法,其特征在于,遍历所述N个编码器进行表面状态校验,获得表面状态校验结果,包括:
根据编码器预设表面状态,获得预定表面状态卷积特征集合;
获得所述N个编码器的实时图像数据,并对所述实时图像数据进行网格划分,获得图像划分序列;
基于所述预定表面状态卷积特征集合对所述图像划分序列进行遍历卷积计算,获得编码器实时表面状态;
将所述编码器实时表面状态与所述编码器预设表面状态进行比对,获得所述表面状态校验结果。
5.如权利要求3所述的方法,其特征在于,所述方法包括:
当获得的所述预校准结果为不通过时,生成预校准异常指令;
基于所述预校准异常指令,获得异常校验因子;
将所述异常校验因子输入预校准异常管理模型,获得预校准异常管理方案,并基于所述预校准异常管理方案进行编码器的异常校准管理,直至获得的所述预校准结果为通过。
6.如权利要求5所述的方法,其特征在于,所述方法包括:
基于大数据,获得编码器异常校准管理记录库;
以样本异常校验因子为一级叶节点,以样本预校准异常管理方案为二级叶节点,基于所述编码器异常校准管理记录库,构建第一预校准异常管理树;
基于所述一级叶节点和所述二级叶节点,对所述第一预校准异常管理树进行同级叶节点的相似度分析,获得同级叶节点相似度分析结果;
当所述同级叶节点相似度分析结果满足预设相似度时,获得叶节点融合指令,基于所述叶节点融合指令对所述第一预校准异常管理树进行融合,获得第二预校准异常管理树;
将所述第二预校准异常管理树添加至所述预校准异常管理模型。
7.如权利要求1所述的方法,其特征在于,获得校准任务监测信息,包括:
遍历所述N个编码器,获得第一编码器,以及所述第一编码器对应的第一组任务监测信息和第一组实时三元状态参数,其中,所述第一组实时三元状态参数包括第一编码器对应的实时环境数据、编码器实时温度数据和编码器实时震动数据;
所述编码器监测校准模型包括异常状态识别分支、异常判断分支和异常校准分支;
将所述第一组实时三元状态参数输入所述异常状态识别分支,获得三元异常指数,其中,所述三元异常指数包括环境异常指数、编码器温度异常指数和编码器震动异常指数;
将所述三元异常指数输入所述异常判断分支,将满足所述异常判断分支内的预设异常约束特征的所述三元异常指数添加至异常状态识别结果;
将所述异常状态识别结果和所述第一组任务监测信息输入所述异常校准分支,获得第一组任务监测校准结果,并将所述第一组任务监测校准结果添加至所述校准任务监测信息。
8.一种机器人的编码器校准系统,其特征在于,用于实施权利要求1-7所述的一种机器人的编码器校准方法中的任意一项,包括:
编码器获得模块,所述编码器获得模块用于获得第一机器人的N个编码器,其中,N为大于1的正整数;
第一预校准算力获得模块,所述第一预校准算力获得模块用于基于第一预设历史时区,采集所述第一机器人的作业记录,获得作业记录序列,并基于所述作业记录序列进行编码器的初始化预校准算力优化,获得第一预校准算力;
预校准时区配置模块,所述预校准时区配置模块用于基于所述第一预校准算力匹配预校准频率,并根据预校准频率匹配结果配置预校准时区;
预校准结果获得模块,所述预校准结果获得模块用于当处于所述预校准时区时,获得预校准指令,基于所述预校准指令对所述N个编码器进行预校准,获得预校准结果;
任务监测信息获得模块,所述任务监测信息获得模块用于当所述预校准结果为通过时,激活所述第一机器人执行预设任务,并基于所述N个编码器对所述第一机器人进行实时监测,获得N组任务监测信息,且,所述N个编码器具有对应的N组实时三元状态参数;
校准任务监测信息获得模块,所述校准任务监测信息获得模块用于将所述N组任务监测信息和所述N组实时三元状态参数输入编码器监测校准模型,编码器监测校准模型根据所述N组实时三元状态参数对所述N组任务监测信息进行参数校准,获得校准任务监测信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311481560.9A CN117207249B (zh) | 2023-11-09 | 2023-11-09 | 一种机器人的编码器校准方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311481560.9A CN117207249B (zh) | 2023-11-09 | 2023-11-09 | 一种机器人的编码器校准方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117207249A true CN117207249A (zh) | 2023-12-12 |
CN117207249B CN117207249B (zh) | 2024-02-06 |
Family
ID=89042994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311481560.9A Active CN117207249B (zh) | 2023-11-09 | 2023-11-09 | 一种机器人的编码器校准方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117207249B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5337260A (en) * | 1993-07-12 | 1994-08-09 | Ford Motor Company | Method for calibrating a single point impact sensor |
WO2017014189A1 (ja) * | 2015-07-17 | 2017-01-26 | 株式会社ニコン | エンコーダ装置、駆動装置、ステージ装置、ロボット装置、回転情報取得方法及び回転情報取得プログラム |
CN109605380A (zh) * | 2019-01-25 | 2019-04-12 | 甄圣超 | 一种Scara机器人交流伺服电机的驱动方法 |
CN113406979A (zh) * | 2021-06-21 | 2021-09-17 | 珠海格力电器股份有限公司 | 编码器异常检测方法、装置、存储介质、控制器及设备 |
CN114734436A (zh) * | 2022-03-24 | 2022-07-12 | 苏州艾利特机器人有限公司 | 一种机器人的编码器校准方法、装置及机器人 |
CN114734435A (zh) * | 2022-03-24 | 2022-07-12 | 苏州艾利特机器人有限公司 | 一种基于超球面的编码器校准方法、装置及系统 |
-
2023
- 2023-11-09 CN CN202311481560.9A patent/CN117207249B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5337260A (en) * | 1993-07-12 | 1994-08-09 | Ford Motor Company | Method for calibrating a single point impact sensor |
WO2017014189A1 (ja) * | 2015-07-17 | 2017-01-26 | 株式会社ニコン | エンコーダ装置、駆動装置、ステージ装置、ロボット装置、回転情報取得方法及び回転情報取得プログラム |
CN109605380A (zh) * | 2019-01-25 | 2019-04-12 | 甄圣超 | 一种Scara机器人交流伺服电机的驱动方法 |
CN113406979A (zh) * | 2021-06-21 | 2021-09-17 | 珠海格力电器股份有限公司 | 编码器异常检测方法、装置、存储介质、控制器及设备 |
CN114734436A (zh) * | 2022-03-24 | 2022-07-12 | 苏州艾利特机器人有限公司 | 一种机器人的编码器校准方法、装置及机器人 |
CN114734435A (zh) * | 2022-03-24 | 2022-07-12 | 苏州艾利特机器人有限公司 | 一种基于超球面的编码器校准方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117207249B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110515351B (zh) | 异常检测器 | |
US11636557B2 (en) | Systems and methods for enhanced power system model validation | |
CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
CN113888353A (zh) | 分布式光伏发电设备的能效诊断方法、系统及介质 | |
EP3250965A1 (en) | Methods and systems for detecting, classifying and/or mitigating sensor error | |
CN116642607B (zh) | 一种可远程操控的物联网环境监测升降平台 | |
CN113987294A (zh) | 一种基于遗传优化gru神经网络的cvt在线故障诊断方法 | |
CN117207249B (zh) | 一种机器人的编码器校准方法及其系统 | |
CN115689524A (zh) | 一种数据中心机房电气设备预测性维护系统及方法 | |
CN115982663A (zh) | 一种新能源风机设备的故障预警系统 | |
CN117369349B (zh) | 一种远程监测智能机器人的管理系统 | |
CN116662771A (zh) | 电容式电压互感器自适应pca误差定量评价的方法及系统 | |
Lutska et al. | Forecasting the efficiency of the control system of the technological object on the basis of neural networks | |
CN112128950B (zh) | 一种基于多种模型对比的机房温湿度预测方法及系统 | |
KR102561675B1 (ko) | 생산현장 가동 설비 상태 모니터링을 통한 고장진단 및 예측 시스템 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
CN115456222A (zh) | 一种远程智能预测性维修运维服务方法 | |
CN115659201A (zh) | 物联网气体浓度检测方法及监控系统 | |
CN112486969B (zh) | 应用于大数据和深度学习的数据清洗方法及云服务器 | |
WO2023155967A1 (en) | Thermal anomaly management | |
KR20220042687A (ko) | 순환 신경망(rnn)을 이용한 스마트팜 센서의 고장여부 판단방법 | |
CN114915542B (zh) | 数据异常的告警方法、装置、设备及存储介质 | |
KR102572628B1 (ko) | 생산설비 통합 관리 시스템 | |
CN118091522B (zh) | 一种变电站的测试校验系统及方法 | |
CN115048381A (zh) | 一种断路器分合闸线圈可靠性评估方法、系统及装置 |
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 |