CN117435998B - 一种智能机器人的故障检测方法 - Google Patents

一种智能机器人的故障检测方法 Download PDF

Info

Publication number
CN117435998B
CN117435998B CN202311766246.5A CN202311766246A CN117435998B CN 117435998 B CN117435998 B CN 117435998B CN 202311766246 A CN202311766246 A CN 202311766246A CN 117435998 B CN117435998 B CN 117435998B
Authority
CN
China
Prior art keywords
fault
detection
intelligent robot
point
fault detection
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
CN202311766246.5A
Other languages
English (en)
Other versions
CN117435998A (zh
Inventor
吴国强
孙建欣
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.)
Tianjin Boyou Intelligent Technology Co ltd
Original Assignee
Tianjin Boyou Intelligent 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 Tianjin Boyou Intelligent Technology Co ltd filed Critical Tianjin Boyou Intelligent Technology Co ltd
Priority to CN202311766246.5A priority Critical patent/CN117435998B/zh
Publication of CN117435998A publication Critical patent/CN117435998A/zh
Application granted granted Critical
Publication of CN117435998B publication Critical patent/CN117435998B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Numerical Control (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种智能机器人的故障检测方法，其包括以下步骤：建立检测设备的三维模型、三维检测坐标系，将三维模型的内部表面拆分成若干个故障检测单元；设置最小移动单位、最大检测单位；在检测设备上选择进入检测设备的入口和离开检测设备的出口；智能机器人从起点坐标进入检测设备内，并采集每个故障检测点上的故障数据，生成故障数据组；计算故障系数矩阵，并利用故障系数矩阵计算检测设备相关的故障概率值，对检测设备的故障进行评估。智能机器人进入检测设备后，能进行准确的轨迹规划和避障。检测出的故障数据进行准确的故障因子计算，并利用故障系数计算故障概率值，方便对检测设备目前的故障情况进行准确评估。

Description

一种智能机器人的故障检测方法
技术领域
本发明涉及设备故障检测领域，具体涉及一种智能机器人的故障检测方法。
背景技术
随着智能化机器人的发展，越来越多的智能机器人具备故障检测功能，智能机器人能够实现自动化的故障识别与检测，能大大降低人工检测的成本，并且智能机器人的故障检测具有灵活、高效的特点，可以到达人工无法到达的区域。
但是，针对一些大型设备，智能机器人只能检测其外部结构的故障情况，无法对内部结构的故障进行检测，虽然，现有技术中存在一些小型智能机器人能进入大型设备内部进行故障检测，但是由于大型设备的内部结构复杂，智能机器人的轨迹规划成为难点。对设备内部检测出的故障数据，其故障数据的数据量大，如何能准确的对设备故障进行评估也是现有技术无法解决的问题。
发明内容
针对现有技术中的上述不足，本发明提供了一种智能机器人的故障检测方法，有效解决智能机器人在检测设备内部轨迹规划难，提高检测设备内部故障检测的效果和准确性。
为了达到上述发明目的，本发明所采用的技术方案为：
提供一种智能机器人的故障检测方法，其包括以下步骤：
S1：建立检测设备的三维模型，在三维模型的空间建立三维检测坐标系0-xyz，将三维模型的内部表面拆分成若干个故障检测单元；
S2：将智能机器人的长、宽、高的最小值作为最小移动单位a；将智能机器人的最大检测范围作为智能机器人的最大检测单位；
S3：在检测设备上选择大于最小移动单位a的孔洞作为智能机器人进入检测设备的入口，在入口的对侧选择一个孔洞作为智能机器人离开检测设备的出口，入口的中心坐标为智能机器人执行故障检测的起点坐标；
S4：智能机器人从起点坐标进入检测设备内，在检测设备内部生成若干故障检测点，并采集每个故障检测点上的故障数据，生成t组故障数据；
S5：计算故障系数矩阵，并利用故障系数矩阵计算检测设备相关的故障概率值P；
S6：设置设备运行状态的评估阈值P 阈值，若P＞P 阈值，则检测设备已经出现故障，若P≤P 阈值，则检测设备还未出现故障。
进一步地，步骤S4包括：
S41：以最大检测单位作为智能机器人在检测设备内单次移动的距离d，智能机器人到达起点坐标后，先向检测设备内任意方向移动距离d，到达第一故障检测点；
S42：将第一故障检测点周围最大检测单位范围内的区域完成检测后，生成第一故障检测点的故障数据；
S43：以第一故障检测点作为起点，分别向四个方向取智能机器人预估移动方向，四个方向相互垂直；
S44：在四个方向上分别取最大检测单位的长度作为障碍评估单元，在障碍评估单元内均匀取若干障碍评估点，并获取每个障碍评估点的坐标，i为障碍评估点的编号；
S45：计算障碍评估点距离周围的故障检测单元中心的距离D：
；
其中，为故障检测单元中心的坐标，n为故障检测单元的编号；
S46：比较距离D与最小移动单位a的大小；若存在一个故障检测单元对应的距离D＜a，则该方向上存在智能机器人的障碍，智能机器人不能向该方向移动；否则，该方向上不存在智能机器人的障碍，智能机器人可以向该方向移动；
S47：计算出以第一故障检测点作为起点的四个方向上，智能机器人可以移动的方向的数量N；
若N=0；则智能机器人已经进入死角，回到起点坐标，返回步骤S41，向另外的方向移动；
若N≠0，且N=1，则智能机器人只有一个方向可以移动，智能机器人向该方向移动距离d后，到达第二故障检测点，执行步骤S412；
若N≠1，且1＜N≤4；则智能机器人不止一个方向可以选择前进，进入步骤S48；
S48：在可以前进的N个方向上，以第一故障检测点作为起点，在距离第一故障检测点长度为距离d的位置取预设第二检测点，形成N个预设第二检测点，获取每个预设第二检测点I的坐标，计算每个预设第二检测点与周围的故障检测单元中心的距离/>：
；
S49：比较距离与距离d的大小；
若＞d，则该故障检测单元n在预设第二检测点I处无法被检测；
若≤d，则该故障检测单元n在预设第二检测点I处可以被检测；
S410：统计每个预设第二检测点上可以被检测的故障检测单元的数量W，筛选出N个数量W中的最大值W max，最大值W max对应的预设第二检测点作为第二故障检测点；
S411：智能机器人移动到第二故障检测点后，返回步骤S5，第二故障检测点替换第一故障检测点，生成第二故障检测点的故障数据；
S412：将出口所在的区域划分成若干出口单元，获取每个出口单元中心的坐标，v为出口单元的编号，智能机器人到达第t个故障检测点时，若存在第t个故障检测点与其中一个出口单元中心的距离/>，则判定智能机器人已经到达出口位置，智能机器人从出口离开检测设备；否则，继续对检测设备的内部进行故障检测；
S413：智能机器人从第t个故障检测点离开检测设备后，生成t组故障数据。
进一步地，步骤S5包括：
S51：建立检测设备中每个故障检测点正常工作时的特征函数F：
；
其中，为故障检测点正常的工作状态，/>为故障数据的特征向量，T为特征转置运算；
S52：将t组故障数据分别代入特征函数F中，计算每个故障检测点位置对应的故障因子：
；
其中，为第t个故障检测点的故障数据的特征向量，/>为第t个故障检测点的故障因子；
S53：以故障因子为自变量，对应故障数据组中故障数据的偏差为响应的线性模型，建立故障方程：
；
其中，为/>维响应向量，/>为/>维故障因子的相对偏差向量，/>为维的故障系数矩阵；
S54：根据故障系数矩阵计算检测设备相关的故障概率值P。
进一步地，步骤S54中计算故障概率值P的方法为：
；
其中，e为自然常数。
本发明的有益效果为：本发明通过智能机器人对设备内部的结构进行故障检测，特别是针对一些大型的机械设备（例如：大型的发动机、大型机械箱体结构），智能机器人进入检测设备后，能进行准确的轨迹规划和避障，避免进入设备内部的死角，同时在移动的过程中实现动态的故障检测点规划，确保能实现对检测设备内部大面积的故障检测。
检测出的故障数据进行准确的故障因子计算，并利用故障系数计算故障概率值，方便对检测设备目前的故障情况进行准确评估。智能机器人检测出的大量故障数据，通过对故障数据的处理，得出可靠的故障检测结果，可以可靠、有效的防止设备内部结构的故障对整个设备运行的影响。
附图说明
图1为智能机器人的故障检测方法的流程图。
图2为智能机器人的轨迹规划示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，本方案的智能机器人的故障检测方法包括以下步骤：
S1：建立检测设备的三维模型，在三维模型的空间建立三维检测坐标系0-xyz，将三维模型的内部表面拆分成若干个故障检测单元；
S2：将智能机器人的长、宽、高的最小值作为最小移动单位a，只要检测设备的内部间隙大于最小移动单位a，智能机器人可以通过调整姿态通过；将智能机器人的最大检测范围作为智能机器人的最大检测单位，最大检测单位作为智能机器人在检测设备内部可以检测到的最大距离；
S3：在检测设备上选择大于最小移动单位a的孔洞作为智能机器人进入检测设备的入口，在入口的对侧选择一个孔洞作为智能机器人离开检测设备的出口，确保入口和出口形成贯穿检测设备两端的路径，入口的中心坐标为智能机器人执行故障检测的起点坐标；
S4：智能机器人从起点坐标进入检测设备内，在检测设备内部生成若干故障检测点，并采集每个故障检测点上的故障数据，生成t组故障数据。
步骤S4包括：
S41：以最大检测单位作为智能机器人在检测设备内单次移动的距离d，智能机器人到达起点坐标后，先向检测设备内任意方向移动距离d，到达第一故障检测点；
S42：将第一故障检测点周围最大检测单位范围内的区域完成检测后，生成第一故障检测点的故障数据；
S43：以第一故障检测点作为起点，分别向四个方向取智能机器人预估移动方向，四个方向相互垂直，如图2所示；
S44：在四个方向上分别取最大检测单位的长度作为障碍评估单元，在障碍评估单元内均匀取若干障碍评估点，并获取每个障碍评估点的坐标，i为障碍评估点的编号；
S45：计算障碍评估点距离周围的故障检测单元中心的距离D：
；
其中，为故障检测单元中心的坐标，n为故障检测单元的编号；
S46：比较距离D与最小移动单位a的大小；若存在一个故障检测单元对应的距离D＜a，则该方向上存在智能机器人的障碍，智能机器人不能向该方向移动；否则，该方向上不存在智能机器人的障碍，智能机器人可以向该方向移动；
S47：计算出以第一故障检测点作为起点的四个方向上，智能机器人可以移动的方向的数量N；
若N=0；则智能机器人已经进入死角，回到起点坐标，返回步骤S41，向另外的方向移动；
若N≠0，且N=1，则智能机器人只有一个方向可以移动，智能机器人向该方向移动距离d后，到达第二故障检测点，执行步骤S412；
若N≠1，且1＜N≤4；则智能机器人不止一个方向可以选择前进，进入步骤S48；
S48：在可以前进的N个方向上，以第一故障检测点作为起点，在距离第一故障检测点长度为距离d的位置取预设第二检测点，形成N个预设第二检测点，获取每个预设第二检测点I的坐标，计算每个预设第二检测点与周围的故障检测单元中心的距离/>：
；
S49：比较距离与距离d的大小；
若＞d，则该故障检测单元n在预设第二检测点I处无法被检测；
若≤d，则该故障检测单元n在预设第二检测点I处可以被检测；
S410：统计每个预设第二检测点上可以被检测的故障检测单元的数量W，筛选出N个数量W中的最大值W max，最大值W max对应的预设第二检测点作为第二故障检测点；
S411：智能机器人移动到第二故障检测点后，返回步骤S5，第二故障检测点替换第一故障检测点，生成第二故障检测点的故障数据；
S412：将出口所在的区域划分成若干出口单元，获取每个出口单元中心的坐标，v为出口单元的编号，智能机器人到达第t个故障检测点时，若存在第t个故障检测点与其中一个出口单元中心的距离/>，则判定智能机器人已经到达出口位置，智能机器人从出口离开检测设备；否则，继续对检测设备的内部进行故障检测；
S413：智能机器人从第t个故障检测点离开检测设备后，生成t组故障数据。
S5：计算故障系数矩阵，并利用故障系数矩阵计算检测设备相关的故障概率值P。
步骤S5包括：
S51：建立检测设备中每个故障检测点正常工作时的特征函数F：
；
其中，为故障检测点正常的工作状态，/>为故障数据的特征向量，T为特征转置运算；
S52：将t组故障数据分别代入特征函数F中，计算每个故障检测点位置对应的故障因子：
；
其中，为第t个故障检测点的故障数据的特征向量，/>为第t个故障检测点的故障因子；
S53：以故障因子为自变量，对应故障数据组中故障数据的偏差为响应的线性模型，建立故障方程：
；
其中，为/>维响应向量，/>为/>维故障因子的相对偏差向量，/>为维的故障系数矩阵；
S54：根据故障系数矩阵计算检测设备相关的故障概率值P；计算故障概率值P的方法为：
；
其中，e为自然常数。
S6：设置设备运行状态的评估阈值P 阈值，若P＞P 阈值，则检测设备已经出现故障，若P≤P 阈值，则检测设备还未出现故障。
本发明通过智能机器人对设备内部的结构进行故障检测，特别是针对一些大型的机械设备（例如：大型的发动机、大型机械箱体结构），智能机器人进入检测设备后，能进行准确的轨迹规划和避障，避免进入设备内部的死角，同时在移动的过程中实现动态的故障检测点规划，确保能实现对检测设备内部大面积的故障检测。
检测出的故障数据进行准确的故障因子计算，并利用故障系数计算故障概率值，方便对检测设备目前的故障情况进行准确评估。智能机器人检测出的大量故障数据，通过对故障数据的处理，得出可靠的故障检测结果，可以可靠、有效的防止设备内部结构的故障对整个设备运行的影响。

Claims (3)

1.一种智能机器人的故障检测方法，其特征在于，包括以下步骤：
S1：建立检测设备的三维模型，在三维模型的空间建立三维检测坐标系0-xyz，将三维模型的内部表面拆分成若干个故障检测单元；
S2：将智能机器人的长、宽、高的最小值作为最小移动单位a；将智能机器人的最大检测范围作为智能机器人的最大检测单位；
S3：在检测设备上选择大于最小移动单位a的孔洞作为智能机器人进入检测设备的入口，在入口的对侧选择一个孔洞作为智能机器人离开检测设备的出口，入口的中心坐标为智能机器人执行故障检测的起点坐标；
S4：智能机器人从起点坐标进入检测设备内，在检测设备内部生成若干故障检测点，并采集每个故障检测点上的故障数据，生成t组故障数据；
S5：计算故障系数矩阵，并利用故障系数矩阵计算检测设备相关的故障概率值P；
S6：设置设备运行状态的评估阈值P 阈值，若P＞P 阈值，则检测设备已经出现故障，若P≤P 阈值，则检测设备还未出现故障；
所述步骤S4包括：
S41：以最大检测单位作为智能机器人在检测设备内单次移动的距离d，智能机器人到达起点坐标后，先向检测设备内任意方向移动距离d，到达第一故障检测点；
S42：将第一故障检测点周围最大检测单位范围内的区域完成检测后，生成第一故障检测点的故障数据；
S43：以第一故障检测点作为起点，分别向四个方向取智能机器人预估移动方向，四个方向相互垂直；
S44：在四个方向上分别取最大检测单位的长度作为障碍评估单元，在障碍评估单元内均匀取若干障碍评估点，并获取每个障碍评估点的坐标，i为障碍评估点的编号；
S45：计算障碍评估点距离周围的故障检测单元中心的距离D：
；
其中，为故障检测单元中心的坐标，n为故障检测单元的编号；
S46：比较距离D与最小移动单位a的大小；若存在一个故障检测单元对应的距离D＜a，则该方向上存在智能机器人的障碍，智能机器人不能向该方向移动；否则，该方向上不存在智能机器人的障碍，智能机器人可以向该方向移动；
S47：计算出以第一故障检测点作为起点的四个方向上，智能机器人可以移动的方向的数量N；
若N=0；则智能机器人已经进入死角，回到起点坐标，返回步骤S41，向另外的方向移动；
若N≠0，且N=1，则智能机器人只有一个方向可以移动，智能机器人向该方向移动距离d后，到达第二故障检测点，执行步骤S412；
若N≠1，且1＜N≤4；则智能机器人不止一个方向可以选择前进，进入步骤S48；
S48：在可以前进的N个方向上，以第一故障检测点作为起点，在距离第一故障检测点长度为距离d的位置取预设第二检测点，形成N个预设第二检测点，获取每个预设第二检测点I的坐标，计算每个预设第二检测点与周围的故障检测单元中心的距离/>：
；
S49：比较距离与距离d的大小；
若＞d，则该故障检测单元n在预设第二检测点I处无法被检测；
若≤d，则该故障检测单元n在预设第二检测点I处可以被检测；
S410：统计每个预设第二检测点上可以被检测的故障检测单元的数量W，筛选出N个数量W中的最大值W max，最大值W max对应的预设第二检测点作为第二故障检测点；
S411：智能机器人移动到第二故障检测点后，返回步骤S5，第二故障检测点替换第一故障检测点，生成第二故障检测点的故障数据；
S412：将出口所在的区域划分成若干出口单元，获取每个出口单元中心的坐标，v为出口单元的编号，智能机器人到达第t个故障检测点时，若存在第t个故障检测点与其中一个出口单元中心的距离/>，则判定智能机器人已经到达出口位置，智能机器人从出口离开检测设备；否则，继续对检测设备的内部进行故障检测；
S413：智能机器人从第t个故障检测点离开检测设备后，生成t组故障数据。
2.根据权利要求1所述的智能机器人的故障检测方法，其特征在于，所述步骤S5包括：
S51：建立检测设备中每个故障检测点正常工作时的特征函数F：
；
其中，为故障检测点正常的工作状态，/>为故障数据的特征向量，T为特征转置运算；
S52：将t组故障数据分别代入特征函数F中，计算每个故障检测点位置对应的故障因子：
；
其中，为第t个故障检测点的故障数据的特征向量，/>为第t个故障检测点的故障因子；
S53：以故障因子为自变量，对应故障数据组中故障数据的偏差为响应的线性模型，建立故障方程：
；
其中，为/>维响应向量，/>为/>维故障因子的相对偏差向量，/>为/>维的故障系数矩阵；
S54：根据故障系数矩阵计算检测设备相关的故障概率值P。
3.根据权利要求2所述的智能机器人的故障检测方法，其特征在于，所述步骤S54中计算故障概率值P的方法为：
；
其中，e为自然常数。
CN202311766246.5A 2023-12-21 2023-12-21 一种智能机器人的故障检测方法 Active CN117435998B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311766246.5A CN117435998B (zh) 2023-12-21 2023-12-21 一种智能机器人的故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311766246.5A CN117435998B (zh) 2023-12-21 2023-12-21 一种智能机器人的故障检测方法

Publications (2)

Publication Number Publication Date
CN117435998A CN117435998A (zh) 2024-01-23
CN117435998B true CN117435998B (zh) 2024-03-08

Family

ID=89548374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311766246.5A Active CN117435998B (zh) 2023-12-21 2023-12-21 一种智能机器人的故障检测方法

Country Status (1)

Country Link
CN (1) CN117435998B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984355A (zh) * 2014-05-19 2014-08-13 华北电力大学 一种巡检飞行机器人与架空电力线路距离预测和保持方法
WO2020232106A1 (en) * 2019-05-16 2020-11-19 Hewlett-Packard Development Company, L.P. Device monitoring systems
CN112631294A (zh) * 2020-12-16 2021-04-09 上海应用技术大学 一种移动机器人智能路径规划方法
CN112720443A (zh) * 2020-12-23 2021-04-30 中国计量大学 一种巡检机器人及其控制装置和巡检方法
CN114093052A (zh) * 2021-11-17 2022-02-25 中国工商银行股份有限公司 适用于机房管理的智能巡检方法及系统
CN114789468A (zh) * 2021-10-28 2022-07-26 广东天凛高新科技有限公司 一种自动故障检测及修复系统、方法、设备及终端
CN114878935A (zh) * 2022-04-19 2022-08-09 深圳闪回科技有限公司 一种设备异常检测系统及方法
CN115363763A (zh) * 2022-08-29 2022-11-22 上海阅行医疗科技有限公司 手术机器人定位精度检测装置、检测系统、方法和系统
CN116038707A (zh) * 2023-01-30 2023-05-02 深圳技术大学 一种基于数据驱动的智能故障自动诊断系统
CN116755451A (zh) * 2023-08-16 2023-09-15 泰山学院 一种智能巡逻机器人路径规划方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984355A (zh) * 2014-05-19 2014-08-13 华北电力大学 一种巡检飞行机器人与架空电力线路距离预测和保持方法
WO2020232106A1 (en) * 2019-05-16 2020-11-19 Hewlett-Packard Development Company, L.P. Device monitoring systems
CN112631294A (zh) * 2020-12-16 2021-04-09 上海应用技术大学 一种移动机器人智能路径规划方法
CN112720443A (zh) * 2020-12-23 2021-04-30 中国计量大学 一种巡检机器人及其控制装置和巡检方法
CN114789468A (zh) * 2021-10-28 2022-07-26 广东天凛高新科技有限公司 一种自动故障检测及修复系统、方法、设备及终端
CN114093052A (zh) * 2021-11-17 2022-02-25 中国工商银行股份有限公司 适用于机房管理的智能巡检方法及系统
CN114878935A (zh) * 2022-04-19 2022-08-09 深圳闪回科技有限公司 一种设备异常检测系统及方法
CN115363763A (zh) * 2022-08-29 2022-11-22 上海阅行医疗科技有限公司 手术机器人定位精度检测装置、检测系统、方法和系统
CN116038707A (zh) * 2023-01-30 2023-05-02 深圳技术大学 一种基于数据驱动的智能故障自动诊断系统
CN116755451A (zh) * 2023-08-16 2023-09-15 泰山学院 一种智能巡逻机器人路径规划方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种数据中心巡检机器人的设计;杨曹;;机电信息;20200115(第02期);全文 *

Also Published As

Publication number Publication date
CN117435998A (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
WO2020119338A1 (zh) 机器人目标物体抓取位置检测的方法
US9044858B2 (en) Target object gripping apparatus, method for controlling the same and storage medium
CN108564065B (zh) 一种基于ssd的电缆隧道明火识别方法
CN108748149B (zh) 一种复杂环境下基于深度学习的无标定机械臂抓取方法
CN112749656B (zh) 基于ORB特征匹配与yolo的空气开关状态检测方法及装置
CN113496525A (zh) 通过2d相机的3d姿态估计
US20220383538A1 (en) Object bin picking with rotation compensation
US20210308869A1 (en) Feature detection by deep learning and vector field estimation
CN110176028B (zh) 一种基于事件相机的异步角点检测方法
CN110147748B (zh) 一种基于道路边缘检测的移动机器人障碍物识别方法
Bai et al. Corner point-based coarse–fine method for surface-mount component positioning
CN115131268A (zh) 一种基于图像特征提取与三维模型匹配的自动化焊接系统
CN111967323B (zh) 一种基于深度学习算法的电力带电作业安全检测方法
CN111382709A (zh) 一种基于无人机巡检的绝缘子图像检测方法
CN117435998B (zh) 一种智能机器人的故障检测方法
Ma et al. WeldNet: A deep learning based method for weld seam type identification and initial point guidance
CN109732601A (zh) 一种自动标定机器人位姿与相机光轴垂直的方法和装置
US11350078B2 (en) 3D pose detection by multiple 2D cameras
CN109657577B (zh) 一种基于熵和运动偏移量的动物检测方法
US20230360262A1 (en) Object pose recognition method based on triangulation and probability weighted ransac algorithm
JP4793109B2 (ja) 物体検出法およびロボット
CN113326793B (zh) 一种远距离行人位置识别方法、系统及存储介质
Lin et al. A vision-guided robotic grasping method for stacking scenes based on deep learning
CN111775150A (zh) 一种巡检机器人路线矫正方法
Yang et al. MCOV-SLAM: A Multicamera Omnidirectional Visual SLAM System

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