CN117428760B - 一种基于人工智能的关节模组控制系统及方法 - Google Patents
一种基于人工智能的关节模组控制系统及方法 Download PDFInfo
- Publication number
- CN117428760B CN117428760B CN202311306552.0A CN202311306552A CN117428760B CN 117428760 B CN117428760 B CN 117428760B CN 202311306552 A CN202311306552 A CN 202311306552A CN 117428760 B CN117428760 B CN 117428760B
- Authority
- CN
- China
- Prior art keywords
- task
- industrial robot
- joint module
- running state
- order
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 121
- 230000006399 behavior Effects 0.000 claims description 45
- 238000004458 analytical method Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 15
- 238000012790 confirmation Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000009417 prefabrication Methods 0.000 claims description 6
- 238000012502 risk assessment Methods 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000032683 aging Effects 0.000 abstract description 4
- 230000009471 action Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- B25J9/1679—Programme controls characterised by the tasks executed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J17/00—Joints
- B25J17/02—Wrist joints
-
- 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)
- Numerical Control (AREA)
Abstract
本发明公开了一种基于人工智能的关节模组控制系统及方法,所述系统包括综合干扰风险预测模块,所述综合干扰风险预测模块获取任务调配方案中的任务调配集合与关节模组的运行状态特征正常的工业机器人对应任务需求特征集的组合方案,分析组合方案中各个工业机器人的订单任务需求完成时间的综合偏差率及组合方案中新增的订单任务需求对相应工业机器人产生的异常干扰综合值,得到组合方案对任务调配前工业机器人的综合干扰风险值。本发明既保证了各个订单任务需求的预测完成时间不会出现较大的偏差,又缩减了工业机器人中的关节模组承受负荷之间的差异,实现了对工业机器人中关节模组的老化程度的均衡控制。
Description
技术领域
本发明涉及关节模组控制技术领域,具体为一种基于人工智能的关节模组控制系统及方法。
背景技术
随着物联网技术的快速发展,为满足日益旺盛的自动化生产需求,工业机器人的应用越来越普及,而机械臂主要由关节模块和连杆串联组成,其关节模块则是由伺服系统控制器、伺服电机、传动装置以及传感器组成。其中,永磁同步电机具有高效、轻量化、高功率密度等优点,因此被作为机器人执行器的核心模块,为满足流水线作业的工作节拍和定位精度要求。然而,永磁同步电机是一个多变量,强耦合且具有外部干扰的非线性控制对象。随着机器人连续使用时间的变化(经常会导致关节模组内的温度升高,温度变化会引起惯性矩、粘滞摩擦系数等系统参数变化,会造成机械臂关节模组的输出转矩降低,影响机械臂的控制精度,长时间高温工作,会使得关节模组内的电机出现退磁现象,进而加快关节模组的老化坏损),会导致机器人的关节模组对应的负荷增加,进而相应工业机器人在生产过程中出现异常操作行为的频率增加,影响工业机器人的加工进度。
现有的基于人工智能的关节模组控制系统中,仅仅单纯地通过传感器对关节模组内的温度进行监控,在温度发生变化时,对关节模组的输出转矩进行补偿;而在某一工业机器出现故障时,对故障机器人对应的订单任务需求的调配仅仅依靠人为主观调配,该方式无法对订单任务需求进行有效调配,进而会使得接受调配任务的其余工业机器人中的关节模组承受的负荷存在较大的差异,进而加快部分工业机器人中关节模组的老化;因此,现有技术中存在较大的缺陷。
发明内容
本发明的目的在于提供一种基于人工智能的关节模组控制系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于人工智能的关节模组控制方法,所述方法包括以下步骤:
S1、获取企业待测操作流程中的工业机器人个数,及待测流程内当前时间每个工业机器人分别需要完成的订单任务需求,构建当前时间每个工业机器人对应的任务需求特征集;
S2、实时获取工业机器人内关节模组的运行状态特征,筛选关节模组的运行状态特征异常的工业机器人对应任务需求特征集中的异常订单任务需求并进行标记,并根据标记的任务需求生成不同的任务调配方案;每个任务调配方案中包括多个任务调配集合,且每个任务调配集合中包括零个、一个或多个订单任务需求,所述每个任务调配方案中的任务调配集合的个数小于等于关节模组的运行状态特征正常的工业机器人个数;
S3、分析标记的各个订单任务需求分别相对于关节模组的运行状态特征正常的各个工业机器人的执行偏转特征,结合关节模组的运行状态特征正常的各个工业机器人分别对应的任务需求特征集,生成标记的订单任务需求分别对关节模组的运行状态特征正常的各个工业机器人产生的异常干扰影响值;
S4、获取任务调配方案中的任务调配集合与关节模组的运行状态特征正常的工业机器人对应任务需求特征集的组合方案,分析组合方案中各个工业机器人的订单任务需求完成时间的综合偏差率及组合方案中新增的订单任务需求对相应工业机器人产生的异常干扰综合值,得到组合方案对任务调配前工业机器人的综合干扰风险值;
S5、按对应综合干扰风险值从小到大的顺序对各个组合方案进行排序,生成任务调配组合方案推荐序列,反馈给待测操作流程的管理员,在相应管理员确定任务调配组合方案推荐序列中的组合方案后,更新关节模组的运行状态特征正常的工业机器人对应的任务需求特征集,并对实时获取的工业机器人内关节模组的运行状态特征向相应管理员进行反馈;本发明在未进行任务调配的情况下,管理员不接收实时获取的工业机器人内关节模组的运行状态特征。
进一步的,所述S1中企业待测操作流程内的工业机器人规格存在差异,同一订单任务需求在不同工业机器人执行过程中,工业机器人内关节模组的关节偏转量及执行频率存在差异;
所述订单任务需求包括订单产品的数量及型号;
所述任务需求特征集为相应工业机器人对应的订单任务需求构成的集合。
进一步的,所述S2中所述工业机器人内关节模组的运行状态特征包括正常状态及异常状态;获取工业机器人内关节模组的运行状态特征的时,分别采集每个工业机器人在基于当前时间的前第一预置时间段内的关节模组的异常操作行为次数占关节模组总操作行为次数的比值,并将所得比值与异常操作行为阈值进行比较,所述关节模组的异常操作行为表示关节模组在数据库中相应操作行为的预设偏转角度与实际偏转角度之间的偏差小于误差承受阈值的操作行为,
当所得比值大于等于异常操作行为阈值时,则判定当前时间相应工业机器人内关节模组的运行状态特征异常,当所得比值小于异常操作行为阈值时,则判定当前时间相应工业机器人内关节模组的运行状态特征正常;
任选一个关节模组的运行状态特征异常的工业机器人,记为A,提取A在基于当前时间的前第一预置时间段内的关节模组的异常操作中,分别对应的各个预设偏转角度中的最小值,记为A中关节模组的异常偏转参量;将A对应任务需求特征集中,关节模组的各个预设偏转角度的最大值大于A中关节模组的异常偏转参量的所有订单任务需求,作为A对应任务需求特征集中的异常订单任务需求;所述误差承受阈值与异常操作阈值均为数据库中预置的常数;待测操作流程在所述订单任务需求的过程中,需要执行一个或多个操作行为,且每个操作行为对应相应关节模组的一个预设偏转角度,
所述S2中生成不同的调配方案时,调配方案中包含的订单任务需求个数等于所有任务需求特征集中标记的各个订单任务需求的总个数,并将标记的各个订单任务需求在所属任务需求特征集中元素序号,记为相应标记的订单任务需求的数字标号;
当同一任务调配集合中存在多个元素时,按对应数字标号从小到大的顺序对相应任务调配集合内元素进行排列,
若数字标号不同,则将对应数字标号小的元素排列到数字标号大的元素前面,
若数字标号相同,则数字标号相同的元素的排列顺序通过随机生成。
本发明在生成调配方案的过程中,对任务调配集合中元素的排列顺序进行限定,是考虑到关节模组的运行状态特征异常的工业机器人对应的任务需求特征集中,各个订单任务需求的排列顺序可能是与相应订单任务需求的下单时间相关的,进而该限定方式能够尽可能缩小任务调配后调配的订单任务需求的完成时间与调配前订单任务需求的完成时间之间的偏差,增加订单任务需求调配的合理性。
进一步的,所述S3中分析标记的各个订单任务需求分别相对于关节模组的运行状态特征正常的各个工业机器人的执行偏转特征的方法包括以下步骤:
S301、获取标记的各个订单任务需求,将第i个标记的订单任务需求记为Bi,
S302、获取关节模组的运行状态特征正常的各个工业机器人,将关节模组的运行状态特征正常的第j个工业机器人记为Cj;
S303、得到标记的第i订单任务需求相对于关节模组的运行状态特征正常的第j个工业机器人的执行偏转特征,记为Mij,所述Mij=PZ(Bi,Cj)·PL(Bi,Cj),
其中,PZ(Bi,Cj)表示工业机器人Cj执行订单任务需求Bi中型号的产品的过程中,工业机器人Cj内关节模组的预设偏转角度,PL(Bi,Cj)表示工业机器人Cj执行订单任务需求Bi中型号的产品的过程中,工业机器人Cj内关节模组的执行频率,所述执行频率表示单位时间内相应工业机器人在待测操作流程内加工相应产品的个数,所述单位时间为数据库中预置的常数;
所述S3中生成标记的订单任务需求分别对关节模组的运行状态特征正常的各个工业机器人产生的异常干扰影响值的方法包括以下步骤:
S311、获取标记的订单任务需求,选取任意一个标记的订单任务需求记为D;
S312、获取关节模组的运行状态特征正常的各个工业机器人;将D插入Cj对应任务需求特征集合内的任意位置,得到D对应的插入位置对Cj产生的异常干扰值,记为Y(D,Cj),
其中,max{}表示求最大值的运算;N1表示D插入Cj对应任务需求特征集合后得到的新的任务需求特征集合Q(D,Cj)中的元素个数;MiDj表示Q(D,Cj)中第iD个元素对应的订单任务需求相对于关节模组的运行状态特征正常的第j个工业机器人的执行偏转特征;TiDj表示工业机器人Cj执行Q(D,Cj)中第iD个元素对应的订单任务需求时间,TiDj=SiDj/PLiDj;
SiDj表示Q(D,Cj)中第iD个元素对应的订单任务需求内的产品数量;PLiDj表示工业机器人Cj执行Q(D,Cj)中第iD个元素内的产品时,工业机器人Cj内关节模组的执行频率;
N1-1等于Cj对应任务需求特征集合QCj中的元素个数;Mdj表示QCj中第d个元素对应的订单任务需求相对于关节模组的运行状态特征正常的第j个工业机器人的执行偏转特征;Tdj表示工业机器人Cj执行QCj中第d个元素对应的订单任务需求时间;
F()表示执行偏转特征与异常操作行为频率之间的关系函数,获取执行偏转特征与异常行为频率之间的关系函数时,获取工业机器人每次执行相应的任务需求特征集合的时间区间中,平均单位时间对应的执行偏转特征及平均单位时间对应的异常操作行为频率,构建一组关联数据对,所述异常操作行为频率等于相应时间区间内出现的异常操作行为总次数与时间区间对应时长的商;
以o为原点、以执行偏转特征为x轴且以异常操作行为频率为y轴,构建平面直角坐标系,将待测操作流程内的历史数据对应的各组关联数据对,分别在构建的平面直角坐标系中相应的坐标点上进行标记,将x轴坐标值相同的多个标记点进行归一化处理,得到归一化标记点并删除相应x轴坐标值的原有标记点,规划标记点的x轴坐标值不变,y轴坐标值等于相应x轴坐标值的原有标记点分别对应的y轴坐标值的平均值;按x轴坐标值从小到大的顺序,将平面直角坐标系中任意相邻的两个标记点分别进行连接,将所得连线对应的函数记为执行偏转特征与异常操作行为频率之间的关系函数。
进一步的,所述S4中获取任务调配方案中的任务调配集合与关节模组的运行状态特征正常的工业机器人对应任务需求特征集的组合方案时,一个关节模组的运行状态特征正常的工业机器人对应的一个任务调配集合,并将任务调配集合内的元素逐个插入相应关节模组的运行状态特征正常的工业机器人对应的任务需求特征集中,得到新的任务需求特征集,所得新的任务需求特征集中,新插入的各个订单任务需求之间的先后顺序与相应任务调配集合中各个订单任务需求之间的先后顺序相同,当任务调配集合为空集时,所述新的任务需求特征集与原有的任务需求特征集相同,所得组合方案中的每个元素均对应一个新的任务需求特征集;
所述S4中得到组合方案对任务调配前工业机器人的综合干扰风险值的方法包括以下步骤:
S41、选取任意一个组合方案,记为W;根据S3中分析标记的各个订单任务需求分别相对于关节模组的运行状态特征正常的各个工业机器人的执行偏转特征的方法,得到组合方案W内新增的订单任务需求对相应工业机器人产生的异常干扰综合值,记为EW,
所述EW等于组合方案W的每个元素内新增的订单任务需求对相应工业机器人产生的异常干扰值之和;
S42、获取组合方案W中各个工业机器人的订单任务需求完成时间的综合偏差率,记为ZPW,所述ZPW等于组合方案中每个工业机器人的订单任务需求预计完成时间对应偏差的最大值,
所述组合方案内新增的订单任务需求预计完成时间的偏差等于相应订单任务需求的第一完成时间减去相应订单任务需求的第二完成时间之差,所述相应订单任务需求的第一完成时间表示相应订单任务需求在相应任务需求特殊集中的排列位置对应的预计完成时间,所述相应订单任务需求的第二完成时间表示该新增的订单任务需求在执行任务调配前所属的任务需求特征集合中的排列位置对应的预计完成时间,
订单任务需求在所属任务需求特殊集中的排列位置对应的预计完成时间,等于所属任务需求特殊集中该订单任务需求及其排列位置之前的各个订单任务需求分别对应的订单任务需求时间之和;
S43、得到组合方案对任务调配前工业机器人的综合干扰风险值,记为ZGW,所述ZGW=|EW·ZPW|,所述|EW·ZPW|表示EW·ZPW的绝对值。
本发明从订单任务需求的预计完成时间偏差及调配后工业机器人受到的异常干扰这两方面进行综合分析,实现对任务调配的组合方案的筛选,既保证了各个订单任务需求的预测完成时间不会出现较大的偏差,降低出现客户催货且无法按时交付货物的概率,又实现了对工业机器人受到的干扰影响的均衡控制,实现对关节模组使用寿命的有效管控。
进一步的,若相应管理员在预制时间内未确定任务调配组合方案推荐序列中的组合方案,则在预制时间后,自动调取相应时间点关节模组的运行状态特征正常的每个工业机器人分别对应的任务需求特征集内正在执行的订单任务需求,并将正在执行的订单任务需求与相应的工业机器人进行绑定,
逐个分析任务调配组合方案推荐序列中的组合方案的合理性,
当组合方案中任意一个或多个工业机器人绑定的正在执行的订单任务需求之前存在新插入的订单任务需求,则判定该组合方案不合理,并剔除;
当组合方案中各个工业机器人绑定的正在执行的订单任务需求之前均不存在新插入的订单任务需求,则判定该组合方案合理,并将任务调配组合方案推荐序列中第一个合理的组合方案作为自动确认的组合方案,并按照自动确认的组合方案更新关节模组的运行状态特征正常的工业机器人对应的任务需求特征集。
一种基于人工智能的关节模组控制系统,所述系统包括以下模块:
任务需求特征分析模块,所述任务需求特征分析模块获取企业待测操作流程中的工业机器人个数,及待测流程内当前时间每个工业机器人分别需要完成的订单任务需求,构建当前时间每个工业机器人对应的任务需求特征集;
异常订单任务需求分析模块,所述异常订单任务需求分析模块实时获取工业机器人内关节模组的运行状态特征,筛选关节模组的运行状态特征异常的工业机器人对应任务需求特征集中的异常订单任务需求并进行标记,并根据标记的任务需求生成不同的任务调配方案;
异常干扰影响评估模块,所述异常干扰影响评估模块分析标记的各个订单任务需求分别相对于关节模组的运行状态特征正常的各个工业机器人的执行偏转特征,结合关节模组的运行状态特征正常的各个工业机器人分别对应的任务需求特征集,生成标记的订单任务需求分别对关节模组的运行状态特征正常的各个工业机器人产生的异常干扰影响值;
综合干扰风险预测模块,所述综合干扰风险预测模块获取任务调配方案中的任务调配集合与关节模组的运行状态特征正常的工业机器人对应任务需求特征集的组合方案,分析组合方案中各个工业机器人的订单任务需求完成时间的综合偏差率及组合方案中新增的订单任务需求对相应工业机器人产生的异常干扰综合值,得到组合方案对任务调配前工业机器人的综合干扰风险值;
任务调配智能管控模块,所述任务调配智能管控模块按对应综合干扰风险值从小到大的顺序对各个组合方案进行排序,生成任务调配组合方案推荐序列,反馈给待测操作流程的管理员,在相应管理员确定任务调配组合方案推荐序列中的组合方案后,更新关节模组的运行状态特征正常的工业机器人对应的任务需求特征集,并对实时获取的工业机器人内关节模组的运行状态特征向相应管理员进行反馈。
进一步的,所述综合干扰风险预测模块包括组合方案获取单元、时间综合偏差值分析单元、异常干扰综合值分析单元及干扰风险分析单元,
所述组合方案获取单元获取任务调配方案中的任务调配集合与关节模组的运行状态特征正常的工业机器人对应任务需求特征集的组合方案;
所述时间综合偏差值分析单元分析组合方案中各个工业机器人的订单任务需求完成时间的综合偏差率;
所述异常干扰综合值分析单元分析组合方案中新增的订单任务需求对相应工业机器人产生的异常干扰综合值;
所述干扰风险分析单元用于预测组合方案对任务调配前工业机器人的综合干扰风险值。
与现有技术相比,本发明所达到的有益效果是:本发明从订单任务需求的预计完成时间偏差及调配后工业机器人受到的异常干扰这两方面进行综合分析,实现对任务调配的组合方案的筛选,既保证了各个订单任务需求的预测完成时间不会出现较大的偏差,降低出现客户催货且无法按时交付货物的概率,又缩减了工业机器人中的关节模组承受负荷之间的差异,实现了对工业机器人中关节模组的老化程度的均衡控制,实现对关节模组使用寿命的有效管控。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于人工智能的关节模组控制方法的流程示意图;
图2是本发明一种基于人工智能的关节模组控制系统的结构示意图。
具体实施方式
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、完整地描述,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1,本发明提供技术方案:一种基于人工智能的关节模组控制方法,所述方法包括以下步骤:
S1、获取企业待测操作流程中的工业机器人个数,及待测流程内当前时间每个工业机器人分别需要完成的订单任务需求,构建当前时间每个工业机器人对应的任务需求特征集;
所述S1中企业待测操作流程内的工业机器人规格存在差异,同一订单任务需求在不同工业机器人执行过程中,工业机器人内关节模组的关节偏转量及执行频率存在差异;
所述订单任务需求包括订单产品的数量及型号;
所述任务需求特征集为相应工业机器人对应的订单任务需求构成的集合。
S2、实时获取工业机器人内关节模组的运行状态特征,筛选关节模组的运行状态特征异常的工业机器人对应任务需求特征集中的异常订单任务需求并进行标记,并根据标记的任务需求生成不同的任务调配方案;每个任务调配方案中包括多个任务调配集合,且每个任务调配集合中包括零个、一个或多个订单任务需求,所述每个任务调配方案中的任务调配集合的个数小于等于关节模组的运行状态特征正常的工业机器人个数;
所述S2中所述工业机器人内关节模组的运行状态特征包括正常状态及异常状态;获取工业机器人内关节模组的运行状态特征的时,分别采集每个工业机器人在基于当前时间的前第一预置时间段内的关节模组的异常操作行为次数占关节模组总操作行为次数的比值,并将所得比值与异常操作行为阈值进行比较,所述关节模组的异常操作行为表示关节模组在数据库中相应操作行为的预设偏转角度与实际偏转角度之间的偏差小于误差承受阈值的操作行为,
当所得比值大于等于异常操作行为阈值时,则判定当前时间相应工业机器人内关节模组的运行状态特征异常,当所得比值小于异常操作行为阈值时,则判定当前时间相应工业机器人内关节模组的运行状态特征正常;
任选一个关节模组的运行状态特征异常的工业机器人,记为A,提取A在基于当前时间的前第一预置时间段内的关节模组的异常操作中,分别对应的各个预设偏转角度中的最小值,记为A中关节模组的异常偏转参量;将A对应任务需求特征集中,关节模组的各个预设偏转角度的最大值大于A中关节模组的异常偏转参量的所有订单任务需求,作为A对应任务需求特征集中的异常订单任务需求;所述误差承受阈值与异常操作阈值均为数据库中预置的常数;待测操作流程在所述订单任务需求的过程中,需要执行一个或多个操作行为,且每个操作行为对应相应关节模组的一个预设偏转角度,
所述S2中生成不同的调配方案时,调配方案中包含的订单任务需求个数等于所有任务需求特征集中标记的各个订单任务需求的总个数,并将标记的各个订单任务需求在所属任务需求特征集中元素序号,记为相应标记的订单任务需求的数字标号;
当同一任务调配集合中存在多个元素时,按对应数字标号从小到大的顺序对相应任务调配集合内元素进行排列,
若数字标号不同,则将对应数字标号小的元素排列到数字标号大的元素前面,
若数字标号相同,则数字标号相同的元素的排列顺序通过随机生成。
本实施例中若存在甲乙两个关节模组运行状态特征异常的工业机器人,且甲对应的异常订单任务需求分别为β1及β2,乙对应的异常订单任务需求分别为β3,
则需要进行调配的订单任务需求个数为3个,分别为β1、β2及β3;
若当前节点待测操作流程中关节模组运行状态特征正常的工业机器人为2个,则存在8种调配方案,且每种任务调配方案包括2个任务调配集合,
第一种调配方案中第一个任务调配集合为{β1,β2},第二个任务调配集合为{β3};
第二种调配方案中第一个任务调配集合为{β1,β3},第二个任务调配集合为{β2};
第三种调配方案中第一个任务调配集合为{β2,β3},第二个任务调配集合为{β1};
第四种调配方案中第一个任务调配集合为{β1},第二个任务调配集合为{β2,β3};
第五种调配方案中第一个任务调配集合为{β2},第二个任务调配集合为{β1,β3};
第六种调配方案中第一个任务调配集合为{β3},第二个任务调配集合为{β1,β2};
第七种调配方案中第一个任务调配集合为{},第二个任务调配集合为{β1,β2,β3};
第八种调配方案中第一个任务调配集合为{β1,β2,β3},第二个任务调配集合为{}。
S3、分析标记的各个订单任务需求分别相对于关节模组的运行状态特征正常的各个工业机器人的执行偏转特征,结合关节模组的运行状态特征正常的各个工业机器人分别对应的任务需求特征集,生成标记的订单任务需求分别对关节模组的运行状态特征正常的各个工业机器人产生的异常干扰影响值;
所述S3中分析标记的各个订单任务需求分别相对于关节模组的运行状态特征正常的各个工业机器人的执行偏转特征的方法包括以下步骤:
S301、获取标记的各个订单任务需求,将第i个标记的订单任务需求记为Bi,
S302、获取关节模组的运行状态特征正常的各个工业机器人,将关节模组的运行状态特征正常的第j个工业机器人记为Cj;
S303、得到标记的第i订单任务需求相对于关节模组的运行状态特征正常的第j个工业机器人的执行偏转特征,记为Mij,所述Mij=PZ(Bi,Cj)·PL(Bi,Cj),
其中,PZ(Bi,Cj)表示工业机器人Cj执行订单任务需求Bi中型号的产品的过程中,工业机器人Cj内关节模组的预设偏转角度,PL(Bi,Cj)表示工业机器人Cj执行订单任务需求Bi中型号的产品的过程中,工业机器人Cj内关节模组的执行频率,所述执行频率表示单位时间内相应工业机器人在待测操作流程内加工相应产品的个数,所述单位时间为数据库中预置的常数;
所述S3中生成标记的订单任务需求分别对关节模组的运行状态特征正常的各个工业机器人产生的异常干扰影响值的方法包括以下步骤:
S311、获取标记的订单任务需求,选取任意一个标记的订单任务需求记为D;
S312、获取关节模组的运行状态特征正常的各个工业机器人;将D插入Cj对应任务需求特征集合内的任意位置,得到D对应的插入位置对Cj产生的异常干扰值,记为Y(D,Cj),
其中,max{}表示求最大值的运算;N1表示D插入Cj对应任务需求特征集合后得到的新的任务需求特征集合Q(D,Cj)中的元素个数;MiDj表示Q(D,Cj)中第iD个元素对应的订单任务需求相对于关节模组的运行状态特征正常的第j个工业机器人的执行偏转特征;TiDj表示工业机器人Cj执行Q(D,Cj)中第iD个元素对应的订单任务需求时间,TiDj=SiDj/PLiDj;
SiDj表示Q(D,Cj)中第iD个元素对应的订单任务需求内的产品数量;PLiDj表示工业机器人Cj执行Q(D,Cj)中第iD个元素内的产品时,工业机器人Cj内关节模组的执行频率;
N1-1等于Cj对应任务需求特征集合QCj中的元素个数;Mdj表示QCj中第d个元素对应的订单任务需求相对于关节模组的运行状态特征正常的第j个工业机器人的执行偏转特征;Tdj表示工业机器人Cj执行QCj中第d个元素对应的订单任务需求时间;
F()表示执行偏转特征与异常操作行为频率之间的关系函数,获取执行偏转特征与异常行为频率之间的关系函数时,获取工业机器人每次执行相应的任务需求特征集合的时间区间中,平均单位时间对应的执行偏转特征及平均单位时间对应的异常操作行为频率,构建一组关联数据对,所述异常操作行为频率等于相应时间区间内出现的异常操作行为总次数与时间区间对应时长的商;
以o为原点、以执行偏转特征为x轴且以异常操作行为频率为y轴,构建平面直角坐标系,将待测操作流程内的历史数据对应的各组关联数据对,分别在构建的平面直角坐标系中相应的坐标点上进行标记,将x轴坐标值相同的多个标记点进行归一化处理,得到归一化标记点并删除相应x轴坐标值的原有标记点,规划标记点的x轴坐标值不变,y轴坐标值等于相应x轴坐标值的原有标记点分别对应的y轴坐标值的平均值;按x轴坐标值从小到大的顺序,将平面直角坐标系中任意相邻的两个标记点分别进行连接,将所得连线对应的函数记为执行偏转特征与异常操作行为频率之间的关系函数。
S4、获取任务调配方案中的任务调配集合与关节模组的运行状态特征正常的工业机器人对应任务需求特征集的组合方案,分析组合方案中各个工业机器人的订单任务需求完成时间的综合偏差率及组合方案中新增的订单任务需求对相应工业机器人产生的异常干扰综合值,得到组合方案对任务调配前工业机器人的综合干扰风险值;
所述S4中获取任务调配方案中的任务调配集合与关节模组的运行状态特征正常的工业机器人对应任务需求特征集的组合方案时,一个关节模组的运行状态特征正常的工业机器人对应的一个任务调配集合,并将任务调配集合内的元素逐个插入相应关节模组的运行状态特征正常的工业机器人对应的任务需求特征集中,得到新的任务需求特征集,所得新的任务需求特征集中,新插入的各个订单任务需求之间的先后顺序与相应任务调配集合中各个订单任务需求之间的先后顺序相同,当任务调配集合为空集时,所述新的任务需求特征集与原有的任务需求特征集相同,所得组合方案中的每个元素均对应一个新的任务需求特征集;
所述S4中得到组合方案对任务调配前工业机器人的综合干扰风险值的方法包括以下步骤:
S41、选取任意一个组合方案,记为W;根据S3中分析标记的各个订单任务需求分别相对于关节模组的运行状态特征正常的各个工业机器人的执行偏转特征的方法,得到组合方案W内新增的订单任务需求对相应工业机器人产生的异常干扰综合值,记为EW,
所述EW等于组合方案W的每个元素内新增的订单任务需求对相应工业机器人产生的异常干扰值之和;
S42、获取组合方案W中各个工业机器人的订单任务需求完成时间的综合偏差率,记为ZPW,所述ZPW等于组合方案中每个工业机器人的订单任务需求预计完成时间对应偏差的最大值,
所述组合方案内新增的订单任务需求预计完成时间的偏差等于相应订单任务需求的第一完成时间减去相应订单任务需求的第二完成时间之差,所述相应订单任务需求的第一完成时间表示相应订单任务需求在相应任务需求特殊集中的排列位置对应的预计完成时间,所述相应订单任务需求的第二完成时间表示该新增的订单任务需求在执行任务调配前所属的任务需求特征集合中的排列位置对应的预计完成时间,
订单任务需求在所属任务需求特殊集中的排列位置对应的预计完成时间,等于所属任务需求特殊集中该订单任务需求及其排列位置之前的各个订单任务需求分别对应的订单任务需求时间之和;
S43、得到组合方案对任务调配前工业机器人的综合干扰风险值,记为ZGW,所述ZGW=|EW·ZPW|,所述|EW·ZPW|表示EW·ZPW的绝对值。
S5、按对应综合干扰风险值从小到大的顺序对各个组合方案进行排序,生成任务调配组合方案推荐序列,反馈给待测操作流程的管理员,在相应管理员确定任务调配组合方案推荐序列中的组合方案后,更新关节模组的运行状态特征正常的工业机器人对应的任务需求特征集,并对实时获取的工业机器人内关节模组的运行状态特征向相应管理员进行反馈(在未进行任务调配的情况下,管理员不接收实时获取的工业机器人内关节模组的运行状态特征)。
若相应管理员在预制时间内未确定任务调配组合方案推荐序列中的组合方案,则在预制时间后,自动调取相应时间点关节模组的运行状态特征正常的每个工业机器人分别对应的任务需求特征集内正在执行的订单任务需求,并将正在执行的订单任务需求与相应的工业机器人进行绑定,
逐个分析任务调配组合方案推荐序列中的组合方案的合理性,
当组合方案中任意一个或多个工业机器人绑定的正在执行的订单任务需求之前存在新插入的订单任务需求,则判定该组合方案不合理,并剔除;
当组合方案中各个工业机器人绑定的正在执行的订单任务需求之前均不存在新插入的订单任务需求,则判定该组合方案合理,并将任务调配组合方案推荐序列中第一个合理的组合方案作为自动确认的组合方案,并按照自动确认的组合方案更新关节模组的运行状态特征正常的工业机器人对应的任务需求特征集。
如图2所示,一种基于人工智能的关节模组控制系统,所述系统包括以下模块:
任务需求特征分析模块,所述任务需求特征分析模块获取企业待测操作流程中的工业机器人个数,及待测流程内当前时间每个工业机器人分别需要完成的订单任务需求,构建当前时间每个工业机器人对应的任务需求特征集;
异常订单任务需求分析模块,所述异常订单任务需求分析模块实时获取工业机器人内关节模组的运行状态特征,筛选关节模组的运行状态特征异常的工业机器人对应任务需求特征集中的异常订单任务需求并进行标记,并根据标记的任务需求生成不同的任务调配方案;
异常干扰影响评估模块,所述异常干扰影响评估模块分析标记的各个订单任务需求分别相对于关节模组的运行状态特征正常的各个工业机器人的执行偏转特征,结合关节模组的运行状态特征正常的各个工业机器人分别对应的任务需求特征集,生成标记的订单任务需求分别对关节模组的运行状态特征正常的各个工业机器人产生的异常干扰影响值;
综合干扰风险预测模块,所述综合干扰风险预测模块获取任务调配方案中的任务调配集合与关节模组的运行状态特征正常的工业机器人对应任务需求特征集的组合方案,分析组合方案中各个工业机器人的订单任务需求完成时间的综合偏差率及组合方案中新增的订单任务需求对相应工业机器人产生的异常干扰综合值,得到组合方案对任务调配前工业机器人的综合干扰风险值;
任务调配智能管控模块,所述任务调配智能管控模块按对应综合干扰风险值从小到大的顺序对各个组合方案进行排序,生成任务调配组合方案推荐序列,反馈给待测操作流程的管理员,在相应管理员确定任务调配组合方案推荐序列中的组合方案后,更新关节模组的运行状态特征正常的工业机器人对应的任务需求特征集,并对实时获取的工业机器人内关节模组的运行状态特征向相应管理员进行反馈。
所述综合干扰风险预测模块包括组合方案获取单元、时间综合偏差值分析单元、异常干扰综合值分析单元及干扰风险分析单元,
所述组合方案获取单元获取任务调配方案中的任务调配集合与关节模组的运行状态特征正常的工业机器人对应任务需求特征集的组合方案;
所述时间综合偏差值分析单元分析组合方案中各个工业机器人的订单任务需求完成时间的综合偏差率;
所述异常干扰综合值分析单元分析组合方案中新增的订单任务需求对相应工业机器人产生的异常干扰综合值;
所述干扰风险分析单元用于预测组合方案对任务调配前工业机器人的综合干扰风险值。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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 (7)
1.一种基于人工智能的关节模组控制方法,其特征在于,所述方法包括以下步骤:
S1、获取企业待测操作流程中的工业机器人个数,及待测流程内当前时间每个工业机器人分别需要完成的订单任务需求,构建当前时间每个工业机器人对应的任务需求特征集;
S2、实时获取工业机器人内关节模组的运行状态特征,筛选关节模组的运行状态特征异常的工业机器人对应任务需求特征集中的异常订单任务需求并进行标记,并根据标记的任务需求生成不同的任务调配方案;每个任务调配方案中包括多个任务调配集合,且每个任务调配集合中包括零个、一个或多个订单任务需求,所述每个任务调配方案中的任务调配集合的个数小于等于关节模组的运行状态特征正常的工业机器人个数;
S3、分析标记的各个订单任务需求分别相对于关节模组的运行状态特征正常的各个工业机器人的执行偏转特征,结合关节模组的运行状态特征正常的各个工业机器人分别对应的任务需求特征集,生成标记的订单任务需求分别对关节模组的运行状态特征正常的各个工业机器人产生的异常干扰影响值;
S4、获取任务调配方案中的任务调配集合与关节模组的运行状态特征正常的工业机器人对应任务需求特征集的组合方案,分析组合方案中各个工业机器人的订单任务需求完成时间的综合偏差率及组合方案中新增的订单任务需求对相应工业机器人产生的异常干扰综合值,得到组合方案对任务调配前工业机器人的综合干扰风险值;
S5、按对应综合干扰风险值从小到大的顺序对各个组合方案进行排序,生成任务调配组合方案推荐序列,反馈给待测操作流程的管理员,在相应管理员确定任务调配组合方案推荐序列中的组合方案后,更新关节模组的运行状态特征正常的工业机器人对应的任务需求特征集,并对实时获取的工业机器人内关节模组的运行状态特征向相应管理员进行反馈;
所述S3中分析标记的各个订单任务需求分别相对于关节模组的运行状态特征正常的各个工业机器人的执行偏转特征的方法包括以下步骤:
S301、获取标记的各个订单任务需求,将第i个标记的订单任务需求记为Bi,
S302、获取关节模组的运行状态特征正常的各个工业机器人,将关节模组的运行状态特征正常的第j个工业机器人记为Cj;
S303、得到标记的第i订单任务需求相对于关节模组的运行状态特征正常的第j个工业机器人的执行偏转特征,记为Mij,所述Mij=PZ(Bi,Cj)·PL(Bi,Cj),
其中,PZ(Bi,Cj)表示工业机器人Cj执行订单任务需求Bi中型号的产品的过程中,工业机器人Cj内关节模组的预设偏转角度,PL(Bi,Cj)表示工业机器人Cj执行订单任务需求Bi中型号的产品的过程中,工业机器人Cj内关节模组的执行频率,所述执行频率表示单位时间内相应工业机器人在待测操作流程内加工相应产品的个数,所述单位时间为数据库中预置的常数;
所述S3中生成标记的订单任务需求分别对关节模组的运行状态特征正常的各个工业机器人产生的异常干扰影响值的方法包括以下步骤:
S311、获取标记的订单任务需求,选取任意一个标记的订单任务需求记为D;
S312、获取关节模组的运行状态特征正常的各个工业机器人;将D插入Cj对应任务需求特征集合内的任意位置,得到D对应的插入位置对Cj产生的异常干扰值,记为Y(D, C j ),
其中,max{}表示求最大值的运算;N1表示D插入Cj对应任务需求特征集合后得到的新的任务需求特征集合Q(D,Cj)中的元素个数;MiDj表示Q(D,Cj)中第iD个元素对应的订单任务需求相对于关节模组的运行状态特征正常的第j个工业机器人的执行偏转特征;TiDj表示工业机器人Cj执行Q(D,Cj)中第iD个元素对应的订单任务需求时间,TiDj=SiDj/PLiDj;SiDj表示Q(D,Cj)中第iD个元素对应的订单任务需求内的产品数量;PLiDj表示工业机器人Cj执行Q(D,Cj)中第iD个元素内的产品时,工业机器人Cj内关节模组的执行频率;
N1-1等于Cj对应任务需求特征集合QCj中的元素个数;Mdj表示QCj中第d个元素对应的订单任务需求相对于关节模组的运行状态特征正常的第j个工业机器人的执行偏转特征;Tdj表示工业机器人Cj执行QCj中第d个元素对应的订单任务需求时间;
F()表示执行偏转特征与异常操作行为频率之间的关系函数,获取执行偏转特征与异常行为频率之间的关系函数时,获取工业机器人每次执行相应的任务需求特征集合的时间区间中,平均单位时间对应的执行偏转特征及平均单位时间对应的异常操作行为频率,构建一组关联数据对,所述异常操作行为频率等于相应时间区间内出现的异常操作行为总次数与时间区间对应时长的商;
以o为原点、以执行偏转特征为x轴且以异常操作行为频率为y轴,构建平面直角坐标系,将待测操作流程内的历史数据对应的各组关联数据对,分别在构建的平面直角坐标系中相应的坐标点上进行标记,将x轴坐标值相同的多个标记点进行归一化处理,得到归一化标记点并删除相应x轴坐标值的原有标记点,规划标记点的x轴坐标值不变,y轴坐标值等于相应x轴坐标值的原有标记点分别对应的y轴坐标值的平均值;按x轴坐标值从小到大的顺序,将平面直角坐标系中任意相邻的两个标记点分别进行连接,将所得连线对应的函数记为执行偏转特征与异常操作行为频率之间的关系函数。
2.根据权利要求1所述的一种基于人工智能的关节模组控制方法,其特征在于:所述S1中企业待测操作流程内的工业机器人规格存在差异,同一订单任务需求在不同工业机器人执行过程中,工业机器人内关节模组的关节偏转量及执行频率存在差异;
所述订单任务需求包括订单产品的数量及型号;
所述任务需求特征集为相应工业机器人对应的订单任务需求构成的集合。
3.根据权利要求1所述的一种基于人工智能的关节模组控制方法,其特征在于:所述S2中所述工业机器人内关节模组的运行状态特征包括正常状态及异常状态;获取工业机器人内关节模组的运行状态特征的时,分别采集每个工业机器人在基于当前时间的前第一预置时间段内的关节模组的异常操作行为次数占关节模组总操作行为次数的比值,并将所得比值与异常操作行为阈值进行比较,所述关节模组的异常操作行为表示关节模组在数据库中相应操作行为的预设偏转角度与实际偏转角度之间的偏差小于误差承受阈值的操作行为,
当所得比值大于等于异常操作行为阈值时,则判定当前时间相应工业机器人内关节模组的运行状态特征异常,当所得比值小于异常操作行为阈值时,则判定当前时间相应工业机器人内关节模组的运行状态特征正常;
任选一个关节模组的运行状态特征异常的工业机器人,记为A,提取A在基于当前时间的前第一预置时间段内的关节模组的异常操作中,分别对应的各个预设偏转角度中的最小值,记为A中关节模组的异常偏转参量;将A对应任务需求特征集中,关节模组的各个预设偏转角度的最大值大于A中关节模组的异常偏转参量的所有订单任务需求,作为A对应任务需求特征集中的异常订单任务需求;所述误差承受阈值与异常操作阈值均为数据库中预置的常数;待测操作流程在所述订单任务需求的过程中,需要执行一个或多个操作行为,且每个操作行为对应相应关节模组的一个预设偏转角度,
所述S2中生成不同的调配方案时,调配方案中包含的订单任务需求个数等于所有任务需求特征集中标记的各个订单任务需求的总个数,并将标记的各个订单任务需求在所属任务需求特征集中元素序号,记为相应标记的订单任务需求的数字标号;
当同一任务调配集合中存在多个元素时,按对应数字标号从小到大的顺序对相应任务调配集合内元素进行排列,
若数字标号不同,则将对应数字标号小的元素排列到数字标号大的元素前面,
若数字标号相同,则数字标号相同的元素的排列顺序通过随机生成。
4.根据权利要求1所述的一种基于人工智能的关节模组控制方法,其特征在于:所述S4中获取任务调配方案中的任务调配集合与关节模组的运行状态特征正常的工业机器人对应任务需求特征集的组合方案时,一个关节模组的运行状态特征正常的工业机器人对应的一个任务调配集合,并将任务调配集合内的元素逐个插入相应关节模组的运行状态特征正常的工业机器人对应的任务需求特征集中,得到新的任务需求特征集,所得新的任务需求特征集中,新插入的各个订单任务需求之间的先后顺序与相应任务调配集合中各个订单任务需求之间的先后顺序相同,当任务调配集合为空集时,所述新的任务需求特征集与原有的任务需求特征集相同,所得组合方案中的每个元素均对应一个新的任务需求特征集;
所述S4中得到组合方案对任务调配前工业机器人的综合干扰风险值的方法包括以下步骤:
S41、选取任意一个组合方案,记为W;根据S3中分析标记的各个订单任务需求分别相对于关节模组的运行状态特征正常的各个工业机器人的执行偏转特征的方法,得到组合方案W内新增的订单任务需求对相应工业机器人产生的异常干扰综合值,记为EW,
所述EW等于组合方案W的每个元素内新增的订单任务需求对相应工业机器人产生的异常干扰值之和;
S42、获取组合方案W中各个工业机器人的订单任务需求完成时间的综合偏差率,记为ZPW,所述ZPW等于组合方案中每个工业机器人的订单任务需求预计完成时间对应偏差的最大值,
所述组合方案内新增的订单任务需求预计完成时间的偏差等于相应订单任务需求的第一完成时间减去相应订单任务需求的第二完成时间之差,所述相应订单任务需求的第一完成时间表示相应订单任务需求在相应任务需求特殊集中的排列位置对应的预计完成时间,所述相应订单任务需求的第二完成时间表示该新增的订单任务需求在执行任务调配前所属的任务需求特征集合中的排列位置对应的预计完成时间,
订单任务需求在所属任务需求特殊集中的排列位置对应的预计完成时间,等于所属任务需求特殊集中该订单任务需求及其排列位置之前的各个订单任务需求分别对应的订单任务需求时间之和;
S43、得到组合方案对任务调配前工业机器人的综合干扰风险值,记为ZGW,所述ZGW=|EW·ZPW|,所述|EW·ZPW|表示EW·ZPW的绝对值。
5.根据权利要求1所述的一种基于人工智能的关节模组控制方法,其特征在于:若相应管理员在预制时间内未确定任务调配组合方案推荐序列中的组合方案,则在预制时间后,自动调取相应时间点关节模组的运行状态特征正常的每个工业机器人分别对应的任务需求特征集内正在执行的订单任务需求,并将正在执行的订单任务需求与相应的工业机器人进行绑定,
逐个分析任务调配组合方案推荐序列中的组合方案的合理性,
当组合方案中任意一个或多个工业机器人绑定的正在执行的订单任务需求之前存在新插入的订单任务需求,则判定该组合方案不合理,并剔除;
当组合方案中各个工业机器人绑定的正在执行的订单任务需求之前均不存在新插入的订单任务需求,则判定该组合方案合理,并将任务调配组合方案推荐序列中第一个合理的组合方案作为自动确认的组合方案,并按照自动确认的组合方案更新关节模组的运行状态特征正常的工业机器人对应的任务需求特征集。
6.一种基于人工智能的关节模组控制系统,所述系统应用权利要求1-5中任意一项所述的一种基于人工智能的关节模组控制方法实现,其特征在于,所述系统包括以下模块:
任务需求特征分析模块,所述任务需求特征分析模块获取企业待测操作流程中的工业机器人个数,及待测流程内当前时间每个工业机器人分别需要完成的订单任务需求,构建当前时间每个工业机器人对应的任务需求特征集;
异常订单任务需求分析模块,所述异常订单任务需求分析模块实时获取工业机器人内关节模组的运行状态特征,筛选关节模组的运行状态特征异常的工业机器人对应任务需求特征集中的异常订单任务需求并进行标记,并根据标记的任务需求生成不同的任务调配方案;
异常干扰影响评估模块,所述异常干扰影响评估模块分析标记的各个订单任务需求分别相对于关节模组的运行状态特征正常的各个工业机器人的执行偏转特征,结合关节模组的运行状态特征正常的各个工业机器人分别对应的任务需求特征集,生成标记的订单任务需求分别对关节模组的运行状态特征正常的各个工业机器人产生的异常干扰影响值;
综合干扰风险预测模块,所述综合干扰风险预测模块获取任务调配方案中的任务调配集合与关节模组的运行状态特征正常的工业机器人对应任务需求特征集的组合方案,分析组合方案中各个工业机器人的订单任务需求完成时间的综合偏差率及组合方案中新增的订单任务需求对相应工业机器人产生的异常干扰综合值,得到组合方案对任务调配前工业机器人的综合干扰风险值;
任务调配智能管控模块,所述任务调配智能管控模块按对应综合干扰风险值从小到大的顺序对各个组合方案进行排序,生成任务调配组合方案推荐序列,反馈给待测操作流程的管理员,在相应管理员确定任务调配组合方案推荐序列中的组合方案后,更新关节模组的运行状态特征正常的工业机器人对应的任务需求特征集,并对实时获取的工业机器人内关节模组的运行状态特征向相应管理员进行反馈。
7.根据权利要求6所述的一种基于人工智能的关节模组控制系统,其特征在于:所述综合干扰风险预测模块包括组合方案获取单元、时间综合偏差值分析单元、异常干扰综合值分析单元及干扰风险分析单元,
所述组合方案获取单元获取任务调配方案中的任务调配集合与关节模组的运行状态特征正常的工业机器人对应任务需求特征集的组合方案;
所述时间综合偏差值分析单元分析组合方案中各个工业机器人的订单任务需求完成时间的综合偏差率;
所述异常干扰综合值分析单元分析组合方案中新增的订单任务需求对相应工业机器人产生的异常干扰综合值;
所述干扰风险分析单元用于预测组合方案对任务调配前工业机器人的综合干扰风险值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311306552.0A CN117428760B (zh) | 2023-10-10 | 2023-10-10 | 一种基于人工智能的关节模组控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311306552.0A CN117428760B (zh) | 2023-10-10 | 2023-10-10 | 一种基于人工智能的关节模组控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117428760A CN117428760A (zh) | 2024-01-23 |
CN117428760B true CN117428760B (zh) | 2024-03-29 |
Family
ID=89556138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311306552.0A Active CN117428760B (zh) | 2023-10-10 | 2023-10-10 | 一种基于人工智能的关节模组控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117428760B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363836A (zh) * | 2018-01-17 | 2018-08-03 | 杭州安脉盛智能技术有限公司 | 多工况自适应的工业机器人健康度评估方法及系统 |
CN111246977A (zh) * | 2017-03-30 | 2020-06-05 | 软机器人公司 | 用户辅助型机器人控制系统 |
CN114265364A (zh) * | 2021-12-21 | 2022-04-01 | 江苏师范大学 | 一种工业物联网的监测数据处理系统及方法 |
CN114454213A (zh) * | 2022-01-26 | 2022-05-10 | 东华大学 | 基于eemd-ht-峭度分析的工业机器人关节电流信号异常检测方法 |
CN114609453A (zh) * | 2022-01-26 | 2022-06-10 | 东华大学 | 基于统计过程控制的机器人关节电流异常检测方法和装置 |
CN115870982A (zh) * | 2022-12-21 | 2023-03-31 | 上海交通大学 | 一种基于大数据的工业机器人动态管理系统及方法 |
CN116583382A (zh) * | 2020-09-01 | 2023-08-11 | 奥特莱德科技公司 | 用于自主卡车及其牵引的挂车的自动操作和操纵的系统和方法 |
CN116796202A (zh) * | 2023-07-17 | 2023-09-22 | 上海朗晖慧科技术有限公司 | 一种基于大数据的设备数据匹配方法及异常数据处理系统 |
-
2023
- 2023-10-10 CN CN202311306552.0A patent/CN117428760B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111246977A (zh) * | 2017-03-30 | 2020-06-05 | 软机器人公司 | 用户辅助型机器人控制系统 |
CN108363836A (zh) * | 2018-01-17 | 2018-08-03 | 杭州安脉盛智能技术有限公司 | 多工况自适应的工业机器人健康度评估方法及系统 |
CN116583382A (zh) * | 2020-09-01 | 2023-08-11 | 奥特莱德科技公司 | 用于自主卡车及其牵引的挂车的自动操作和操纵的系统和方法 |
CN114265364A (zh) * | 2021-12-21 | 2022-04-01 | 江苏师范大学 | 一种工业物联网的监测数据处理系统及方法 |
CN114454213A (zh) * | 2022-01-26 | 2022-05-10 | 东华大学 | 基于eemd-ht-峭度分析的工业机器人关节电流信号异常检测方法 |
CN114609453A (zh) * | 2022-01-26 | 2022-06-10 | 东华大学 | 基于统计过程控制的机器人关节电流异常检测方法和装置 |
CN115870982A (zh) * | 2022-12-21 | 2023-03-31 | 上海交通大学 | 一种基于大数据的工业机器人动态管理系统及方法 |
CN116796202A (zh) * | 2023-07-17 | 2023-09-22 | 上海朗晖慧科技术有限公司 | 一种基于大数据的设备数据匹配方法及异常数据处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117428760A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Grosfeld-Nir et al. | Multiple lotsizing in production to order with random yields: Review of recent advances | |
US20060142886A1 (en) | Method and system of production planning | |
CN112650187B (zh) | 一种车间调度方法、装置和系统 | |
CN112446526B (zh) | 生产排程系统及方法 | |
US6985786B2 (en) | Method for managing manufacturing data | |
CN116452121A (zh) | 一种智能企业库存管理系统及管理平台 | |
CN117428760B (zh) | 一种基于人工智能的关节模组控制系统及方法 | |
CN114357858A (zh) | 一种基于多任务学习模型的设备劣化分析方法及系统 | |
CN117055844B (zh) | 一种基于互联网和云计算的软件开发方法 | |
CN113360718A (zh) | 一种基于大数据分析的直线电机故障检测方法及系统 | |
US8812336B2 (en) | Providing real-time test ahead work direction for manufacturing optimization | |
CN110161986B (zh) | 用于为工厂自动实施过程失败模式和效果分析的方法和系统 | |
CN111832758A (zh) | 基于数字孪生的地铁站台门维保作业方法和装置以及设备 | |
US20040138771A1 (en) | Manufacturing and de-fabrication analysis method and apparatus | |
US20200310897A1 (en) | Automatic optimization fault feature generation method | |
CN115328054A (zh) | 一种基于云计算的智能制造工业软件调试系统 | |
CN113191569A (zh) | 一种基于大数据的企业管理方法及系统 | |
CN113508343A (zh) | 更新工业模型的数据的方法和装置 | |
EP3460732A1 (en) | Dispatching method and system based on multiple levels of steady state production rate in working benches | |
CN116466673B (zh) | 基于人工智能的制造系统、制造方法、设备及存储介质 | |
CN111401629B (zh) | 针织智能工厂经编车间生产管理方法 | |
CN100474197C (zh) | 用于确定设备中故障和功效限制的原因的方法和装置 | |
US20230333544A1 (en) | System and method for planning integrated vehicle production | |
CN117590821B (zh) | 基于工业大模型的生产线优化方法 | |
CN116432981B (zh) | 一种新能源实验室试验设备智能排程方法 |
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 |