CN117494953B - 一种新能源视觉检测机器人管理系统及方法 - Google Patents
一种新能源视觉检测机器人管理系统及方法 Download PDFInfo
- Publication number
- CN117494953B CN117494953B CN202311847714.1A CN202311847714A CN117494953B CN 117494953 B CN117494953 B CN 117494953B CN 202311847714 A CN202311847714 A CN 202311847714A CN 117494953 B CN117494953 B CN 117494953B
- Authority
- CN
- China
- Prior art keywords
- data
- component
- model
- robot
- management
- 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
- 238000011179 visual inspection Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title abstract description 36
- 230000005540 biological transmission Effects 0.000 claims abstract description 84
- 238000001514 detection method Methods 0.000 claims abstract description 74
- 230000005611 electricity Effects 0.000 claims abstract description 42
- 238000007726 management method Methods 0.000 claims description 311
- 238000012545 processing Methods 0.000 claims description 70
- 238000007689 inspection Methods 0.000 claims description 33
- 230000000007 visual effect Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 description 20
- 230000003993 interaction Effects 0.000 description 18
- 238000004088 simulation Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000036541 health Effects 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000013523 data management Methods 0.000 description 5
- 238000013439 planning Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000012636 effector Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000454 anti-cipatory effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Abstract
本发明提出一种新能源视觉检测机器人管理系统及方法,包括:将多个新能源视觉检测机器人的组件、工作、场景、状态、用电、属性、性能数据,以及数据传输记录,建立机器人管理模型;获取第一机器人的基本属性、组件、工作、场景、状态、性能数据及图像等第一数据;根据第一数据和模型确定第一机器人的管理模型;实时获取第一机器人当前状态数据,并根据当前状态数据与管理模型确定第一实时管理方案;根据该方案生成第一实时管理指令,对第一机器人进行实时动态管理。通过本发明方案,不仅能智能自动地对机器人进行全方位管理,而且提高了管理效率和管理准确度。
Description
技术领域
本发明涉及机器人技术领域,具体涉及一种新能源视觉检测机器人管理系统及方法。
背景技术
在现代社会中,机器人在各个领域的应用越来越广泛,对机器人管理系统的要求也越来越高。机器人管理系统是指对机器人进行长时间的监测和维护,并进行数据分析和故障诊断等工作的系统,现有的机器人管理系统还存在较多问题,不够智能化。
发明内容
本发明正是基于上述问题,提出了一种新能源视觉检测机器人管理系统及方法,通过本发明方案,不仅能智能自动地对机器人进行全方位管理,而且提高了管理效率和管理准确度。
有鉴于此,本发明的一方面提出了一种新能源视觉检测机器人管理系统,包括:获取模块和控制处理模块;
所述获取模块被配置为:
获取多个新能源视觉检测机器人的组成部件数据、历史工作数据、历史工作场景数据、历史状态数据、历史用电数据、基本属性数据、性能数据、数据传输记录;
获取第一机器人的第一数据;
实时获取所述第一机器人的第一当前状态数据;
所述控制处理模块被配置为:
根据所述组成部件数据、所述历史工作数据、所述历史工作场景数据、所述历史状态数据、所述历史用电数据、所述基本属性数据、所述性能数据、所述数据传输记录建立不同类型的所述新能源视觉检测机器人的机器人管理模型;
根据所述第一数据和所述机器人管理模型确定所述第一机器人的第一机器人管理模型;
根据所述第一当前状态数据和所述第一机器人管理模型确定所述第一机器人的第一实时管理方案;
根据所述第一实时管理方案生成第一实时管理指令以对所述第一机器人进行实时动态管理。
可选地,所述根据所述组成部件数据、所述历史工作数据、所述历史工作场景数据、所述历史状态数据、所述历史用电数据、所述基本属性数据、所述性能数据、所述数据传输记录建立不同类型的所述新能源视觉检测机器人的机器人管理模型的步骤,所述控制处理模块被配置为:
根据所述组成部件数据、所述历史工作数据、所述历史工作场景数据、所述历史状态数据、所述历史用电数据、所述基本属性数据、所述性能数据、所述数据传输记录得到所述新能源视觉检测机器人的整体三维数据以及所述新能源视觉检测机器人的各部件的部件三维数据、部件工作数据、部件工作场景数据、部件状态数据、部件用电数据、部件属性数据、部件性能数据、部件数据传输记录;
根据所述部件三维数据、所述部件工作数据、所述部件工作场景数据、所述部件状态数据、所述部件用电数据、所述部件属性数据、所述部件性能数据、所述部件数据传输记录构建各个所述部件的部件数字孪生模型;
根据所述整体三维数据、所述历史工作数据、所述历史工作场景数据、所述历史状态数据、所述历史用电数据、所述基本属性数据、所述性能数据、所述数据传输记录、所述部件数字孪生模型构建所述新能源视觉检测机器人的整体数字孪生模型;
根据所述部件数字孪生模型对每个所述部件构建独立的部件管理模型;
根据所述整体数字孪生模型和所述部件管理模型构建所述机器人管理模型。
可选地,所述控制处理模块被配置为:
从所述部件工作数据、所述部件状态数据、所述部件用电数据提取所述各部件的部件功耗数据;
从所述部件数据传输记录中提取所述各部件传输的部件数据类型、部件数据量、部件数据传输参数;
根据所述部件功耗数据将所述部件划分为多个第一部件组;
根据所述部件数据类型、所述部件数据量、所述部件数据传输参数将所述部件划分为多个第二部件组;
根据所述部件属性数据、所述部件性能数据将所述部件划分为多个第三部件组。
可选地,所述控制处理模块被配置为:
根据所述部件数字孪生模型、所述第一部件组建立每个所述第一部件组的第一功耗管理模型;
根据所述部件数字孪生模型、所述第二部件组建立每个所述第二部件组的第一数据处理管理模型;
根据所述部件数字孪生模型、所述第三部件组建立每个所述第三部件组的第一检测工作管理模型;
根据所述整体数字孪生模型、所述第一功耗管理模型建立所述新能源视觉检测机器人的第一整体功耗管理模型;
根据所述整体数字孪生模型、所述第一数据处理管理模型建立所述新能源视觉检测机器人的第一整体数据处理管理模型;
根据所述整体数字孪生模型、所述第一检测工作管理模型建立所述新能源视觉检测机器人的第一整体检测工作管理模型。
可选地,所述控制处理模块被配置为:
根据所述历史工作场景数据,分别从工作场地、工作环境两个维度将历史工作场景划分得到多个子工作场景;
从所述历史工作场景数据中提取每个所述子工作场景的子场景数据;
根据所述子场景数据分别对所述第一整体功耗管理模型、所述第一整体数据处理管理模型、所述第一整体检测工作管理模型进行调整,得到调整后的第二整体功耗管理模型、第二整体数据处理管理模型、第二整体检测工作管理模型。
本发明的另一方面提供一种新能源视觉检测机器人管理方法,包括:
获取多个新能源视觉检测机器人的组成部件数据、历史工作数据、历史工作场景数据、历史状态数据、历史用电数据、基本属性数据、性能数据、数据传输记录;
根据所述组成部件数据、所述历史工作数据、所述历史工作场景数据、所述历史状态数据、所述历史用电数据、所述基本属性数据、所述性能数据、所述数据传输记录建立不同类型的所述新能源视觉检测机器人的机器人管理模型;
获取第一机器人的第一数据;
根据所述第一数据和所述机器人管理模型确定所述第一机器人的第一机器人管理模型;
实时获取所述第一机器人的第一当前状态数据;
根据所述第一当前状态数据和所述第一机器人管理模型确定所述第一机器人的第一实时管理方案;
根据所述第一实时管理方案生成第一实时管理指令以对所述第一机器人进行实时动态管理。
可选地,所述根据所述组成部件数据、所述历史工作数据、所述历史工作场景数据、所述历史状态数据、所述历史用电数据、所述基本属性数据、所述性能数据、所述数据传输记录建立不同类型的所述新能源视觉检测机器人的机器人管理模型的步骤,包括:
根据所述组成部件数据、所述历史工作数据、所述历史工作场景数据、所述历史状态数据、所述历史用电数据、所述基本属性数据、所述性能数据、所述数据传输记录得到所述新能源视觉检测机器人的整体三维数据以及所述新能源视觉检测机器人的各部件的部件三维数据、部件工作数据、部件工作场景数据、部件状态数据、部件用电数据、部件属性数据、部件性能数据、部件数据传输记录;
根据所述部件三维数据、所述部件工作数据、所述部件工作场景数据、所述部件状态数据、所述部件用电数据、所述部件属性数据、所述部件性能数据、所述部件数据传输记录构建各个所述部件的部件数字孪生模型;
根据所述整体三维数据、所述历史工作数据、所述历史工作场景数据、所述历史状态数据、所述历史用电数据、所述基本属性数据、所述性能数据、所述数据传输记录、所述部件数字孪生模型构建所述新能源视觉检测机器人的整体数字孪生模型;
根据所述部件数字孪生模型对每个所述部件构建独立的部件管理模型;
根据所述整体数字孪生模型和所述部件管理模型构建所述机器人管理模型。
可选地,还包括:
从所述部件工作数据、所述部件状态数据、所述部件用电数据提取所述各部件的部件功耗数据;
从所述部件数据传输记录中提取所述各部件传输的部件数据类型、部件数据量、部件数据传输参数;
根据所述部件功耗数据将所述部件划分为多个第一部件组;
根据所述部件数据类型、所述部件数据量、所述部件数据传输参数将所述部件划分为多个第二部件组;
根据所述部件属性数据、所述部件性能数据将所述部件划分为多个第三部件组。
可选地,还包括:
根据所述部件数字孪生模型、所述第一部件组建立每个所述第一部件组的第一功耗管理模型;
根据所述部件数字孪生模型、所述第二部件组建立每个所述第二部件组的第一数据处理管理模型;
根据所述部件数字孪生模型、所述第三部件组建立每个所述第三部件组的第一检测工作管理模型;
根据所述整体数字孪生模型、所述第一功耗管理模型建立所述新能源视觉检测机器人的第一整体功耗管理模型;
根据所述整体数字孪生模型、所述第一数据处理管理模型建立所述新能源视觉检测机器人的第一整体数据处理管理模型;
根据所述整体数字孪生模型、所述第一检测工作管理模型建立所述新能源视觉检测机器人的第一整体检测工作管理模型。
可选地,还包括:
根据所述历史工作场景数据,分别从工作场地、工作环境两个维度将历史工作场景划分得到多个子工作场景;
从所述历史工作场景数据中提取每个所述子工作场景的子场景数据;
根据所述子场景数据分别对所述第一整体功耗管理模型、所述第一整体数据处理管理模型、所述第一整体检测工作管理模型进行调整,得到调整后的第二整体功耗管理模型、第二整体数据处理管理模型、第二整体检测工作管理模型。
采用本发明的技术方案,新能源视觉检测机器人管理方法包括获取多个新能源视觉检测机器人的组成部件数据、历史工作数据、历史工作场景数据、历史状态数据、历史用电数据、基本属性数据、性能数据、数据传输记录;根据所述组成部件数据、所述历史工作数据、所述历史工作场景数据、所述历史状态数据、所述历史用电数据、所述基本属性数据、所述性能数据、所述数据传输记录建立不同类型的所述新能源视觉检测机器人的机器人管理模型;获取第一机器人的第一数据;其中,所述第一数据包括:所述第一机器人的第一基本属性数据、第一组成部件数据、第一工作数据、第一工作场景数据、第一状态数据、第一性能数据,以及所述第一机器人采集的第一图像数据和采集的其他数据;根据所述第一数据和所述机器人管理模型确定所述第一机器人的第一机器人管理模型;实时获取所述第一机器人的第一当前状态数据;根据所述第一当前状态数据和所述第一机器人管理模型确定所述第一机器人的第一实时管理方案;根据所述第一实时管理方案生成第一实时管理指令以对所述第一机器人进行实时动态管理。通过本发明方案,不仅能智能自动地对机器人进行全方位管理,而且提高了管理效率和管理准确度。
附图说明
图1是本发明一个实施例提供的新能源视觉检测机器人管理系统的示意框图;
图2是本发明一个实施例提供的新能源视觉检测机器人管理方法流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
下面参照图1至图2来描述根据本发明一些实施方式提供的一种新能源视觉检测机器人管理系统及方法。
如图1所示,本发明一个实施例提供一种新能源视觉检测机器人管理系统,包括:获取模块和控制处理模块;
所述获取模块被配置为:
获取多个新能源视觉检测机器人的组成部件数据、历史工作数据、历史工作场景数据、历史状态数据、历史用电数据、基本属性数据、性能数据、数据传输记录;
获取第一机器人的第一数据;
实时获取所述第一机器人的第一当前状态数据;
所述控制处理模块被配置为:
根据所述组成部件数据、所述历史工作数据、所述历史工作场景数据、所述历史状态数据、所述历史用电数据、所述基本属性数据、所述性能数据、所述数据传输记录建立不同类型的所述新能源视觉检测机器人的机器人管理模型;
根据所述第一数据和所述机器人管理模型确定所述第一机器人的第一机器人管理模型;
根据所述第一当前状态数据和所述第一机器人管理模型确定所述第一机器人的第一实时管理方案;
根据所述第一实时管理方案生成第一实时管理指令以对所述第一机器人进行实时动态管理。
应当知道的是,图1所示的新能源视觉检测机器人管理系统的框图仅作示意,其所示出的各模块的数量并不对本发明的保护范围进行限定。
在本发明一些可能的实施方式中,所述根据所述组成部件数据、所述历史工作数据、所述历史工作场景数据、所述历史状态数据、所述历史用电数据、所述基本属性数据、所述性能数据、所述数据传输记录建立不同类型的所述新能源视觉检测机器人的机器人管理模型的步骤,所述控制处理模块被配置为:
根据所述组成部件数据、所述历史工作数据、所述历史工作场景数据、所述历史状态数据、所述历史用电数据、所述基本属性数据、所述性能数据、所述数据传输记录得到所述新能源视觉检测机器人的整体三维数据以及所述新能源视觉检测机器人的各部件的部件三维数据、部件工作数据、部件工作场景数据、部件状态数据、部件用电数据、部件属性数据、部件性能数据、部件数据传输记录;
根据所述部件三维数据、所述部件工作数据、所述部件工作场景数据、所述部件状态数据、所述部件用电数据、所述部件属性数据、所述部件性能数据、所述部件数据传输记录构建各个所述部件的部件数字孪生模型;
根据所述整体三维数据、所述历史工作数据、所述历史工作场景数据、所述历史状态数据、所述历史用电数据、所述基本属性数据、所述性能数据、所述数据传输记录、所述部件数字孪生模型构建所述新能源视觉检测机器人的整体数字孪生模型;
根据所述部件数字孪生模型对每个所述部件构建独立的部件管理模型;
根据所述整体数字孪生模型和所述部件管理模型构建所述机器人管理模型。
在本发明一些可能的实施方式中,所述控制处理模块被配置为:
从所述部件工作数据、所述部件状态数据、所述部件用电数据提取所述各部件的部件功耗数据;
从所述部件数据传输记录中提取所述各部件传输的部件数据类型、部件数据量、部件数据传输参数;
根据所述部件功耗数据将所述部件划分为多个第一部件组;
根据所述部件数据类型、所述部件数据量、所述部件数据传输参数将所述部件划分为多个第二部件组;
根据所述部件属性数据、所述部件性能数据将所述部件划分为多个第三部件组。
在本发明一些可能的实施方式中,所述控制处理模块被配置为:
根据所述部件数字孪生模型、所述第一部件组建立每个所述第一部件组的第一功耗管理模型;
根据所述部件数字孪生模型、所述第二部件组建立每个所述第二部件组的第一数据处理管理模型;
根据所述部件数字孪生模型、所述第三部件组建立每个所述第三部件组的第一检测工作管理模型;
根据所述整体数字孪生模型、所述第一功耗管理模型建立所述新能源视觉检测机器人的第一整体功耗管理模型(第一整体功耗管理模型用于对所有部件以部件组为单位确定哪些部件组进行功耗控制管理以及管理方案等);
根据所述整体数字孪生模型、所述第一数据处理管理模型建立所述新能源视觉检测机器人的第一整体数据处理管理模型(第一整体数据处理管理模型用于,针对待传输的数据,确定哪些部件的数据进行何种预处理、哪些进行存储、哪些进行实时传输等;并根据场景不同进行处理方式调整);
根据所述整体数字孪生模型、所述第一检测工作管理模型建立所述新能源视觉检测机器人的第一整体检测工作管理模型(第一整体检测工作管理模型用于,针对不同检测工作/检测任务,确定哪些部件参与工作、哪些部件暂停工作、哪些部件以低性能模式工作等)。
在本发明一些可能的实施方式中,所述控制处理模块被配置为:
根据所述历史工作场景数据,分别从工作场地、工作环境两个维度(如基于不同的场地特征、不同的天气特征等)将历史工作场景划分得到多个子工作场景;
从所述历史工作场景数据中提取每个所述子工作场景的子场景数据;
根据所述子场景数据分别对所述第一整体功耗管理模型、所述第一整体数据处理管理模型、所述第一整体检测工作管理模型进行调整,得到调整后的第二整体功耗管理模型、第二整体数据处理管理模型、第二整体检测工作管理模型。
应当说明的是,本发明提供的用于新能源视觉检测机器人管理系统方案均可用于执行本发明提供的用于新能源视觉检测机器人管理方法,对于各个系统实施例的详细阐述可以参见后面方法实施例的内容,在此不作赘述。
请参见图2,本发明的另一实施例提供一种新能源视觉检测机器人管理方法,包括:
获取多个新能源视觉检测机器人的组成部件数据、历史工作数据、历史工作场景数据、历史状态数据、历史用电数据、基本属性数据、性能数据、数据传输记录;
根据所述组成部件数据、所述历史工作数据、所述历史工作场景数据、所述历史状态数据、所述历史用电数据、所述基本属性数据、所述性能数据、所述数据传输记录建立不同类型的所述新能源视觉检测机器人的机器人管理模型(包括但不限于工作管理、功耗管理、充电管理、数据管理等方面的模型);
获取第一机器人的第一数据;其中,所述第一数据包括:所述第一机器人的第一基本属性数据、第一组成部件数据、第一工作数据、第一工作场景数据、第一状态数据、第一性能数据,以及所述第一机器人采集的第一图像数据和采集的其他数据(如通过传感器采集的温度数据、湿度数据、声音数据、振动数据、气味数据等);
根据所述第一数据和所述机器人管理模型确定所述第一机器人的第一机器人管理模型;
实时获取所述第一机器人的第一当前状态数据;
在本步骤中,收集机器人的当前状态数据,包括位置、速度、功率、温度、图像等信息,判断机器人目前所处的工作状态。
根据所述第一当前状态数据和所述第一机器人管理模型确定所述第一机器人的第一实时管理方案;
在本步骤中,根据预先建立的机器人管理模型,提取出对应当前状态下的管理规则和策略模块;管理模型融合了任务模型、环境模型、资源模型、约束模型等;将状态数据输入管理模型对应的决策模块,如调度优化模块、计划控制模块、故障检测模块、安全防护模块等;经模型内相应的算法运算、规则推理、优化求解,产生相应的控制和管理输出。例如产生运动轨迹、动力参数分配、资源调度方案等;对模型输出的管理方案,再次进行模拟和验证,确保其符合状态数据中的约束,并达到管理目标;最后将通过管理模型优化决策后的实时管理方案,发送给机器人控制系统,完成对当前状态的管理;动态调整管理模型,持续优化整体系统,实现对机器人的智能化监控。通过这样的流程,机器人的实时状态数据得到闭环式的处理和控制,保证了管理决策的快速和有效性。
根据所述第一实时管理方案生成第一实时管理指令(如针对机器人整体或各部件的充电管理、功耗管理、数据管理、检测工作管理等方面的指令)以对所述第一机器人进行实时动态管理。
在本步骤中,解析管理方案,提取方案中包含的管理目标、约束条件、执行时间等关键信息,映射到指令结构模板中;根据管理方案的类型,调用相应的指令生成函数,转换为机器人系统能够解释执行的低级指令。比如运动控制指令,视觉检测指令等;对生成指令进行验证,模拟指令执行后的效果,验证管理目标是否可实现;同时检验指令格式、传输可靠性等;将指令按照管理系统相应模块的通信协议和接口要求封装成数据包,包含执行时间、优先级参数等信息;指令数据包通过数字通信网络发送到机器人控制系统,或部件本地控制器。网络质量实时监控;机器人本地系统接收指令数据包,解包提取指令内容,根据时间信息触发执行动作管理控制流程;机器人向管理系统返回实时执行状态和数据反馈,判断管理目标实现效果;管理系统闭环更新管理方案,持续维护机器人的动态优化管理。这样通过网络指令实现的管理可以覆盖机器人整体运作,实现充电、功耗、检测等多域的协调智能管理。
在本实施例中,机器人的组成部件数据包括但不限于:机械结构数据(如机器人各关节的运动学参数、自由度;机械臂、机器人手及抓取装置的尺寸、材料、结构参数;机器人的整体尺寸及重量参数等)、驱动系统数据(如电机、减速器等的型号、功率、转速、转矩参数;传动系统的传动比、效率等)、传感器数据(如各种位置、速度、力矩、视觉等传感器的型号、量程、精度、分辨率、接口等参数等)、控制系统数据(如中央控制器的型号、运算能力;动动控制卡的型号、控制模式、接口、速度等参数等)、供电系统数据(如电源类型、电压、功率;电池型号、容量、使用时间等参数等)、软件系统数据(如运动控制算法相关数据;视觉、路径规划、位置控制等算法的数据等)等;这些就是组成一个机器人的主要部件的数据,这些数据可以用来评估、分析、仿真一个机器人系统的性能。
机器人(历史)工作数据包括但不限于:遥感监控数据(如机器人各关节的角度、速度、加速度;机器人末端执行器的位置、姿态、速度、加速度;机器人所承受的力、力矩数据等)、工作状态数据(如机器人电源、控制系统的工作状态;各种传感器的健康状态;安全模式是否激活;机器人程序和计划的执行状态等)、任务执行数据(如机器人完成任务所花费的时间;机器人手或抓取装置对物体的抓取力;机器人移动距离、频率;机器人视觉系统的识别正确率等)、错误和报警数据(如机器人的失败或报警次数;每次失败或报警的详细代码、类型、原因;故障部件和程度等)、运动控制数据(如机器人的位置、速度反馈与控制量数据;机器人运动学、动力学模型与参考轨迹数据;机器人轨迹跟踪误差等);这些工作数据可以用于分析机器人的工作状态、优化控制策略、预期维护等, 从而提高机器人系统的性能。
机器人(历史)工作场景数据包括但不限于:环境数据(如工作空间的三维模型(尺寸、几何结构等);作业平台及周边环境中可能障碍物的模型;工作空间内的温度、湿度、照度、噪声等参数等)、任务数据(如需要执行的作业内容,例如抓取、搬运、装配等;作业对象的物理参数(大小、重量、表面材质等));作业路径或轨迹;作业精度要求(位置/姿态误差限等)等;交互数据(如机器人与其他设备(传感器、控制器等)的交互接口;机器人与操作者交互的模式(自动/手动控制、信息展示等);安全交互要求(速度限制、作用力控制等))等;综合这些数据可以对机器人任务场景建模,用于规划机器人系统的设置、编程、仿真、测试等工作,保证机器人能够安全、准确、高效地执行任务。
机器人(历史)状态数据包括但不限于:动力学状态(各关节的角度、角速度、角加速度;末端执行器的位置、速度、加速度、姿态等;关节的驱动电流、电压、温度等)、工作状态(如机器人及其组成模块的工作模式;电源状态、网络连接状态、程序运行状态;各种传感器的数据更新状态等)、健康状态(机器人的机械结构完整性;各关键部件的健康度、磨损度;发光二极管的故障预警等);环境状态(如环境温度、湿度等对机器人的影响;噪声对控制精度的干扰程度;外界光线是否产生过度曝光影响传感器等)、任务状态(如当前执行任务的完成进度;末端抓取或工具执行状态;视觉识别与路径规划的状态等);通过汇聚这些动态状态数据,可以实现对机器人的监控,进行预测性维护,制定控制优化策略,确保机器人持续高效且可靠地运转。
机器人(历史)用电数据包括但不限于:供电系统数据(如电源电压、电流、电池组数、电池电压、充电状态、电源转化效率、功率消耗分布等)、驱动系统数据(如各关节电机的输入电压、电流;电机转速、输出功率;电机控制器效率等)、控制系统数据(如中央控制器及边缘控制器的供电电压、电流;计算平台的总功率等)、传感系统数据(如各类传感器的工作电压、工作电流;数据采集与信号处理模块功耗等)、照明与显示系统数据(如照明设备功率;显示器像素密度与尺寸;显示器工作电压、工作电流等)、电池充放电数据(如电池充电电压、充电电流过充度;放电电压、放电电流等);收集并分析这些用电数据,可以评估机器人系统的耗电量,指导电源与电池选择,优化能源管理策略,延长机器人的续航时间。
机器人基本属性数据包括但不限于:尺寸和结构属性(如机器人的自由度数量(如4自由度、6自由度等);各动力学关节的范围和极限(如机器人的整体大小尺寸(长度、宽度、高度);机械臂与其他部件的重量等)、力学属性(如机器人的最大载荷能力、机器人和关节的最大速度/加速度、机器人的控制精度(重复精度等指标)、机器人的刚性和结构强度等)、动力属性(如提供动力的电机、气动系统的类型和最大输出;传动系统的传动比和效率;机器人的最大工作周期等)、功能属性(如机器人的功能类型(如工业机器人、服务机器人等);提供的传感器类型(力、视觉等);是否集成特殊能力(如SLAM导航能力)等);这些基本属性数据定量地描述了一个机器人系统的整体性能与能力特征,为后续应用提供依据。
机器人性能数据包括但不限于:精度性能(如运动学精度,即机器人各关节和末端在指定轨迹上移动的重复精度指标;工作精度,即末端工具执行任务的精度,比如抓取、组装任务的误差等)、速度性能(如关节最大速度,即每个关节在无载荷状态下的最大动作速度;工作速度,即在载荷情况下的最大工作速度;加速度,即开始和停止时的最大线/角加速度等)、载荷性能(如最大载荷,即机器人在规定范围内可以承受的最大物体重量;额定载荷,即长时间工作的推荐载荷重量;过载保护值,即超过后将触发过载保护功能停止运动等)、其它性能(如声级,即工作时的声音大小值;工作周期,即连续工作时间长度;运动范围,即每个关节的机械活塞避免范围等);收集和分析这些性能数据,有助评估机器人系统满足使用要求的能力,并指导后续的性能提升与改进。
机器人数据传输记录包括但不限于:数据流标识信息(如数据流名称、编号;数据源模块和接收模块等)、数据传输状态信息(如数据包发送/接收时间;数据包数量、丢包数量;数据延迟等)、数据包基本信息(如包长度;包头校验信息;数据内容信息;传感数据、控制数据、状态数据等详细内容;数据采样精度、数据格式;数据处理方法(滤波、融合等))、网络信息(如网络链路类型;链路通信带宽、质量参数;安全与认证信息;加密算法类型;数据源认证方式等);记录和分析机器人的数据传输日志,可以了解数据交互的可靠性,评估网络带宽对系统影响,优化传输机制,提高机器人系统稳定性。
在本发明一些可能的实施方式中,所述根据所述组成部件数据、所述历史工作数据、所述历史工作场景数据、所述历史状态数据、所述历史用电数据、所述基本属性数据、所述性能数据、所述数据传输记录建立不同类型的所述新能源视觉检测机器人的机器人管理模型的步骤,包括:
根据所述组成部件数据、所述历史工作数据、所述历史工作场景数据、所述历史状态数据、所述历史用电数据、所述基本属性数据、所述性能数据、所述数据传输记录得到所述新能源视觉检测机器人的整体三维数据以及所述新能源视觉检测机器人的各部件的部件三维数据、部件工作数据、部件工作场景数据、部件状态数据、部件用电数据、部件属性数据、部件性能数据、部件数据传输记录;
根据所述部件三维数据、所述部件工作数据、所述部件工作场景数据、所述部件状态数据、所述部件用电数据、所述部件属性数据、所述部件性能数据、所述部件数据传输记录构建各个所述部件的部件数字孪生模型(包括各部件的详细元数据,包括型号、性能参数、使用环境等);
在本步骤中,收集整合部件的三维数据,建立精细的三维几何模型,包含部件的形状、尺寸、安装结构等详细信息;将部件的工作数据(比如运动学、动力学参数等)和三维模型关联,构建部件的物理数学模型,利用部件的工作场景数据,在数字环境中还原场景,模拟部件实际工作时的环境和载荷条件;采集的状态数据可以用于参数化物理模型,模拟部件的实时状态,反映健康度、故障等情况;根据用电数据,在数学模型中加入电源系统,模拟部件的用电流程和电气特性;利用获取的基本属性和性能参数,确定模型的特征限制和运算容量,保证模拟的准确性;数据传输信息可帮助模拟部件之间以及与控制系统的数据交互过程;元数据中的型号、技术规格等可验证模型,精化模拟方法,达到高精度数字复制。通过上述步骤,集成多源异构数据,就可以建立精确的部件数字孪生模型,实现结构、物理、电器等多域的综合数字化。
根据所述整体三维数据、所述历史工作数据、所述历史工作场景数据、所述历史状态数据、所述历史用电数据、所述基本属性数据、所述性能数据、所述数据传输记录、所述部件数字孪生模型构建所述新能源视觉检测机器人的整体数字孪生模型;
根据所述部件数字孪生模型对每个所述部件构建独立的部件管理模型;
在本步骤中,分析数字孪生模型的多源异构数据,识别出部件的关键性能参数、状态特征和输出接口;根据部件的功能类型和管理需求,选择适合的管理模型算法,比如预测性维护、优化控制、故障诊断、数字线程等;收集部件实际运行数据,基于部件数字孪生模型模拟模型训练和测试过程,提取模型关键特征参数;将训练好的管理模型部署独立运行于部件的数字孪生环境中,设置实时的数据交互接口;部件数字孪生模型的状态数据,实时流入管理模型的输入端,触发模型的运算更新;管理模型输出部件的优化控制参数、状态评估结果,发送指令,驱动部件数字孪生模型的继续演化;构建的部件管理模型与数字孪生环境封装为独立的模块组件,提供定义好的数据输入输出接口;根据部件类型和数量,组建相应数目的管理模型,实现对全部部件的个性化数字管理。这样,部件数字孪生模型和管理模型的融合,实现部件级别的专业化智能管理。
根据所述整体数字孪生模型和所述部件管理模型构建所述机器人管理模型。
在本步骤中,分析部件管理模型的输入输出接口,定义统一的数据交互格式,建立机器人数字孪生模型和部件管理模型之间的链接;在机器人数字孪生模型中,配置部件管理模型的运行环境,反馈部件管理模型的调度与数据交互;利用关联规则等方法,识别出机器人任务过程中部件管理的重要性、优先级和逻辑顺序等,建立部件管理模型之间的协调逻辑;构建总体管理优化模型,整合部件管理的目标和约束;定义机器人的总体管理目标函数,可以包括能耗、性能、寿命的权衡优化;设计总体管理模型的结构框架,编写管理模拟环境下数字孪生的总控程序;部件管理集成化,反馈数据、控制指令的集中处理;在数字孪生环境中,运行模拟测试,验证部件管理模型融合的效果,以及总体管理模型的控制效能;必要时,调整模型参数,进行迭代优化,最终形成层级清晰,可模块化扩展的机器人管理模型。可为整台机器人提供系统级的智能决策与控制。这样逐步构建的方法,可以确保管理模型的正确性,也增强了机器人系统的可扩展性。
在本实施例中,整体数字孪生模型通常包括但不限于:机器人总体结构的三维模型(记录下各关键部件和组件的几何模型)、运动学和动力学模型(描述机器人的运动规律)、各类传感器的模型(模拟其工作原理和测量误差)、执行器和传动系统的物理特性模型(包含惯量、阻尼、刚度等参数)、控制系统模型(描述控制算法和控制器反应特性)、电源和热模块的模型(反映其供电和散热特性)、各软硬件模块之间交互的模型(考虑传输延迟、带宽等限制)、外部环境的物理特性模型(如地形、光照等因素)、虚拟的应用场景模型(用以仿真机器人行为和效果)、数字孪生的持续更新模块(用以基于实际数据调整模型)等;通过建立全面的数字孪生模型,可在虚拟空间评估机器人技术的充分性,辅助机器人的管理。
在本发明一些可能的实施方式中,还包括:
从所述部件工作数据、所述部件状态数据、所述部件用电数据提取所述各部件的部件功耗数据;
从所述部件数据传输记录中提取所述各部件传输的部件数据类型、部件数据量、部件数据传输参数;
根据所述部件功耗数据将所述部件划分为多个第一部件组;
根据所述部件数据类型、所述部件数据量、所述部件数据传输参数将所述部件划分为多个第二部件组;
根据所述部件属性数据、所述部件性能数据将所述部件划分为多个第三部件组。
在本实施例中,可以对所有部件在不同的维度进行分组(如按功耗的高低/实际功耗值把所有部件中功耗特征相同或相似的部件分在一个组,或者传输的数据的类型等进行分组,或者部件功能进行分组),分组后,可以基于不同的维度对每个组进行更高效率的综合管理,从而实现对机器人的高效智能的管理。
在本实施例中,还可以对各个部件建立独立的管理模型,具体可以是:根据所述部件数字孪生模型,对每个所述部件开发独立的部件管理模型,通过传感器实时监测部件的工作状态和健康度指标;利用深度学习算法分析部件运行数据,预测其使用寿命,给出故障预警;构建每个部件的知识图谱,记录下部件之间的关系,以及过往的维修、更换历史,辅助维护决策;开发部件的空载和负载测试平台,用于验证其设计的充分性和控制的稳健性;使用数字孪生模型模拟不同使用情况下的工作状态,评估部件的设计裕度;采集部件的真实使用数据,基于大数据分析其故障模式和置信度,进行致故障原因分析;根据测评结果,制定部件的定期维护和保养计划,并进行更新迭代;记录下每个部件的供应链信息,进行存储管理,保证备件的及时补给;通过构建部件的独立管理模型,有助于从系统级把控机器人的健康状态,实现故障预测与智能维护。
在本发明一些可能的实施方式中,还包括:
根据所述部件数字孪生模型、所述第一部件组建立每个所述第一部件组的第一功耗管理模型;
在本步骤中,分析部件的数字孪生模型,获取部件的类型、功率曲线等数据,评估其典型工作功耗。按照部件的功耗大小分组,将功耗大的部件比如电机、电源等放在一组;功耗较小的控制器、传感器等在另一组;收集每个组在不同工作状态下的功耗数据和变化规律,在数字孪生环境中构建功耗预测模型;建立优化决策模型,确定每个组的管理目标函数,分配权重,以实现最小化总体能耗的优化控制;在数字环境中对每个组建立独立的模拟仿真实体,设置功率数据的采集接口以及控制执行接口;针对每个组设计控制策略,动态调整和优化数字孪生部件的工作模式,以实现功耗控制;构建的功耗管理模型,应包含预测模块、优化模块、控制模块,针对不同功耗部件组实施个性化的闭环控制;验证管理模型算法的有效性,测试数字环境下的部件功耗控制效果。这样可实现对机器人关键部件的能耗监测与智能管理,拟合实际系统的节能控制。
根据所述部件数字孪生模型、所述第二部件组建立每个所述第二部件组的第一数据处理管理模型;
在本步骤中,分析各部件的数字孪生模型,提取部件的数据类型、数据量级、传输参数等统计信息;将数据特征相似的部件分类为同一组,比如图像处理组、数控组、环境感知组等;构建每个部件组的数据采集、处理、传输的数字环境,获取组内部件之间数据交互的规律;利用数字环境,对每个部件组建立数据量预测模型、数据处理优化模型、网络调度模型等,用于数据流的监控与管理;设计每个部件组的数据管理模型的框架,包含数据监测模块、数据控制模块、模型优化模块等;在数字孪生环境中,仿真部件组之间以及内部部件的海量数据交互,验证数据管理模型的控制效果;根据模拟结果,调整管理模型中的关键参数,不断优化,使之适应不同组别之间的数据交互规律;最终形成针对不同数据处理需求的部件组的数据流管理模型,实现机器人系统数据处理的协同与优化。这样通过对数据特征的数字化分组管理,可以有效协调机器人系统中的数据交互与处理
根据所述部件数字孪生模型、所述第三部件组建立每个所述第三部件组的第一检测工作管理模型;
在本步骤中,分析各部件的数字孪生模型,获取部件的功能类型、性能参数、精度指标等数据;根据部件的功能和性能特点,将其分类到不同的组,如传感组、控制组、机构组等;对每个部件组,选择匹配的检测管理算法,构建数字化的检测管理环境和过程;收集部件实际运行数据,基于数字孪生模型进行模拟仿真测试,设定每个组的故障模式,获取各模式下的检测特征;建立部件组的故障分类模型,可以使用深度学习等方法,实现对故障模式的自动化识别;设置不同故障的检测管理流程,如划分检测等级,规划重复检测次数,确定维护策略等,形成完整的闭环式检测管理机制;在数字环境下模拟部件组的复杂工作状态,验证建立的故障检测与管理模型的有效性;最终形成功能化的部件级检测管理模型,实现机器人系统的检测效能优化。这样通过数字孪生辅助的部件级故障管理,可以提高机器人的健康状况预测与保障能力
根据所述整体数字孪生模型、所述第一功耗管理模型建立所述新能源视觉检测机器人的第一整体功耗管理模型(第一整体功耗管理模型用于对所有部件以部件组为单位确定哪些部件组进行功耗控制管理以及管理方案等);
在本步骤中,可以在机器人的整体数字孪生环境中,导入构建的部件功耗管理模型,建立数字实体,配置运行的硬件资源;分析功耗管理模型的输入和输出接口参数,将部件数字孪生模型中的实时状态数据同步连接到功耗管理模型;设计整体数字环境的功率计算模块,对各部件的实时功耗进行整合分析,生成机器人实时总功耗数据流;构建优化控制模型,以最小化总功耗为目标,输出控制每个功耗部件管理模型的控制指令,实现协调控制;对数字孪生环境中各部件模拟的工作过程进行整体功耗评测和管理模型的优化迭代,使之适应实际机器人的复杂工作模式;设计机器人整体功耗数据的实时监测和管理界面,显示当前功率分布、历史变化曲线、问题部件等信息;最终构建出的整体功耗管理模型,作为高层的数字系统,可以指导实体机器人的节能控制与优化。这样分阶段构建的流程可以保证模型的正确与可靠,增强数字孪生集成化管理的效果。
根据所述整体数字孪生模型、所述第一数据处理管理模型建立所述新能源视觉检测机器人的第一整体数据处理管理模型(第一整体数据处理管理模型用于,针对待传输的数据,确定哪些部件的数据进行何种预处理、哪些进行存储、哪些进行实时传输等;并根据场景不同进行处理方式调整);
在本步骤中,可以在整体数字孪生环境中,导入部件的数据处理管理模型,配置数字实体,设置数据交互接口;连接管理模型与部件数字孪生的实时数据流,获取各部件的处理方式,包括采样频率、数据格式、存储策略等配置信息;构建数字环境的数据集成层,分析部件数据间的关系,建立数据标识映射表,实现异构数据的关联;设计整体数据处理优化模型,根据当前数据特征和任务场景,选择最优的数据融合方案,确定各部件的数据处理方式;在数字孪生环境中模拟多源部件的海量异构数据交互,验证整体数据处理管理模型的控制效果;构建人机交互接口,显示机器人的实时数据流分布图,支持用户制定整体数据处理策略;最终形成的整体数据管理模型,可以根据复杂场景主动调整数据处理模式,实现处理流程的优化。这样分级的模型构建方式,可以提高数据过程管理的灵活性和可扩展性,增强数字孪生的集成化管理水平。
根据所述整体数字孪生模型、所述第一检测工作管理模型建立所述新能源视觉检测机器人的第一整体检测工作管理模型(第一整体检测工作管理模型用于,针对不同检测工作/检测任务,确定哪些部件参与工作、哪些部件暂停工作、哪些部件以低性能模式工作等)。
在本步骤中,可以在整体数字孪生环境中,导入各部件的检测管理模型,配置数字实体,设置检测任务执行接口;连接管理模型与部件的数字孪生,获取部件的检测性能参数、精度指标、检测负载等数据;分析不同检测任务对部件检测性能的需求,构建任务匹配优化模型,计算部件参与检测的优先级;设计整体检测管理模型,包含任务分解模块、资源调度模块、控制模块,可以自动生成检测计划,在数字环境中模拟执行复杂检测任务,验证管理模型基于任务优先级的部件调度机制;构建检测管理的人机交互界面,允许用户制定整体检测策略,显示部件检测状态、系统健康度等;最终得到的整体检测管理模型,可以协调指挥部件集群完成检测工作,实现系统检测效率的优化。这种分阶段构建的技术路线,可以保证数字孪生向集成化方向演进的可靠性,增强系统的协同管理能力。
在本发明一些可能的实施方式中,还包括:
根据所述历史工作场景数据,分别从工作场地、工作环境两个维度(如基于不同的场地特征、不同的天气特征等)将历史工作场景划分得到多个子工作场景;
从所述历史工作场景数据中提取每个所述子工作场景的子场景数据;
根据所述子场景数据分别对所述第一整体功耗管理模型、所述第一整体数据处理管理模型、所述第一整体检测工作管理模型进行调整,得到调整后的第二整体功耗管理模型、第二整体数据处理管理模型、第二整体检测工作管理模型。
在本实施例中,可以从历史工作场景数据中,利用数据挖掘技术识别出主要的子工作场景,并提取每个子场景的数据特征;在数字孪生环境中构建这些典型子场景的数字仿真模型,配置模拟所需的部件数字孪生和管理模型;分别运行功耗管理模型、数据处理管理模型、检测管理模型,使用子场景的数据驱动数字孪生环境的模拟演化;收集管理模型在各子场景下的输出结果,比如功率曲线、数据吞吐量、检测精度等,评估模型的控制效果;利用优化算法等技术,搜索管理模型的参数空间,基于评测结果确定管理模型在各子场景下的最优配置;将管理模型在不同子场景下的最优配置集成保存,构建出场景自适应的新的整体管理模型;在综合模拟环境中测试新构建的管理模型,验证其基于场景变化实现智能协调转变的效果;重复上述流程,持续在线优化更新整体管理模型,使之适应实际应用的复杂多变环境。这样的方法可以使机器人的管理达到更高的定制化和智能化水平。
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优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,可轻易想到变化或替换,均可作各种更动与修改,包含上述不同功能、实施步骤的组合,包含软件和硬件的实施方式,均在本发明的保护范围。
Claims (6)
1.一种新能源视觉检测机器人管理系统,其特征在于,包括:获取模块和控制处理模块;
所述获取模块被配置为:
获取多个新能源视觉检测机器人的组成部件数据、历史工作数据、历史工作场景数据、历史状态数据、历史用电数据、基本属性数据、性能数据、数据传输记录;
获取第一机器人的第一数据;
实时获取所述第一机器人的第一当前状态数据;
所述控制处理模块被配置为:
根据所述组成部件数据、所述历史工作数据、所述历史工作场景数据、所述历史状态数据、所述历史用电数据、所述基本属性数据、所述性能数据、所述数据传输记录建立不同类型的所述新能源视觉检测机器人的机器人管理模型;
根据所述第一数据和所述机器人管理模型确定所述第一机器人的第一机器人管理模型;
根据所述第一当前状态数据和所述第一机器人管理模型确定所述第一机器人的第一实时管理方案;
根据所述第一实时管理方案生成第一实时管理指令以对所述第一机器人进行实时动态管理;
所述根据所述组成部件数据、所述历史工作数据、所述历史工作场景数据、所述历史状态数据、所述历史用电数据、所述基本属性数据、所述性能数据、所述数据传输记录建立不同类型的所述新能源视觉检测机器人的机器人管理模型的步骤,所述控制处理模块被配置为:
根据所述组成部件数据、所述历史工作数据、所述历史工作场景数据、所述历史状态数据、所述历史用电数据、所述基本属性数据、所述性能数据、所述数据传输记录得到所述新能源视觉检测机器人的整体三维数据以及所述新能源视觉检测机器人的各部件的部件三维数据、部件工作数据、部件工作场景数据、部件状态数据、部件用电数据、部件属性数据、部件性能数据、部件数据传输记录;
根据所述部件三维数据、所述部件工作数据、所述部件工作场景数据、所述部件状态数据、所述部件用电数据、所述部件属性数据、所述部件性能数据、所述部件数据传输记录构建各个所述部件的部件数字孪生模型;
根据所述整体三维数据、所述历史工作数据、所述历史工作场景数据、所述历史状态数据、所述历史用电数据、所述基本属性数据、所述性能数据、所述数据传输记录、所述部件数字孪生模型构建所述新能源视觉检测机器人的整体数字孪生模型;
根据所述部件数字孪生模型对每个所述部件构建独立的部件管理模型;
根据所述整体数字孪生模型和所述部件管理模型构建所述机器人管理模型;
所述控制处理模块被配置为:
从所述部件工作数据、所述部件状态数据、所述部件用电数据提取所述各部件的部件功耗数据;
从所述部件数据传输记录中提取所述各部件传输的部件数据类型、部件数据量、部件数据传输参数;
根据所述部件功耗数据将所述部件划分为多个第一部件组;
根据所述部件数据类型、所述部件数据量、所述部件数据传输参数将所述部件划分为多个第二部件组;
根据所述部件属性数据、所述部件性能数据将所述部件划分为多个第三部件组。
2.根据权利要求1所述的新能源视觉检测机器人管理系统,其特征在于,所述控制处理模块被配置为:
根据所述部件数字孪生模型、所述第一部件组建立每个所述第一部件组的第一功耗管理模型;
根据所述部件数字孪生模型、所述第二部件组建立每个所述第二部件组的第一数据处理管理模型;
根据所述部件数字孪生模型、所述第三部件组建立每个所述第三部件组的第一检测工作管理模型;
根据所述整体数字孪生模型、所述第一功耗管理模型建立所述新能源视觉检测机器人的第一整体功耗管理模型;
根据所述整体数字孪生模型、所述第一数据处理管理模型建立所述新能源视觉检测机器人的第一整体数据处理管理模型;
根据所述整体数字孪生模型、所述第一检测工作管理模型建立所述新能源视觉检测机器人的第一整体检测工作管理模型。
3.根据权利要求2所述的新能源视觉检测机器人管理系统,其特征在于,所述控制处理模块被配置为:
根据所述历史工作场景数据,分别从工作场地、工作环境两个维度将历史工作场景划分得到多个子工作场景;
从所述历史工作场景数据中提取每个所述子工作场景的子场景数据;
根据所述子场景数据分别对所述第一整体功耗管理模型、所述第一整体数据处理管理模型、所述第一整体检测工作管理模型进行调整,得到调整后的第二整体功耗管理模型、第二整体数据处理管理模型、第二整体检测工作管理模型。
4.一种新能源视觉检测机器人管理方法,其特征在于,包括:
获取多个新能源视觉检测机器人的组成部件数据、历史工作数据、历史工作场景数据、历史状态数据、历史用电数据、基本属性数据、性能数据、数据传输记录;
根据所述组成部件数据、所述历史工作数据、所述历史工作场景数据、所述历史状态数据、所述历史用电数据、所述基本属性数据、所述性能数据、所述数据传输记录建立不同类型的所述新能源视觉检测机器人的机器人管理模型;
获取第一机器人的第一数据;
根据所述第一数据和所述机器人管理模型确定所述第一机器人的第一机器人管理模型;
实时获取所述第一机器人的第一当前状态数据;
根据所述第一当前状态数据和所述第一机器人管理模型确定所述第一机器人的第一实时管理方案;
根据所述第一实时管理方案生成第一实时管理指令以对所述第一机器人进行实时动态管理;
所述根据所述组成部件数据、所述历史工作数据、所述历史工作场景数据、所述历史状态数据、所述历史用电数据、所述基本属性数据、所述性能数据、所述数据传输记录建立不同类型的所述新能源视觉检测机器人的机器人管理模型的步骤,包括:
根据所述组成部件数据、所述历史工作数据、所述历史工作场景数据、所述历史状态数据、所述历史用电数据、所述基本属性数据、所述性能数据、所述数据传输记录得到所述新能源视觉检测机器人的整体三维数据以及所述新能源视觉检测机器人的各部件的部件三维数据、部件工作数据、部件工作场景数据、部件状态数据、部件用电数据、部件属性数据、部件性能数据、部件数据传输记录;
根据所述部件三维数据、所述部件工作数据、所述部件工作场景数据、所述部件状态数据、所述部件用电数据、所述部件属性数据、所述部件性能数据、所述部件数据传输记录构建各个所述部件的部件数字孪生模型;
根据所述整体三维数据、所述历史工作数据、所述历史工作场景数据、所述历史状态数据、所述历史用电数据、所述基本属性数据、所述性能数据、所述数据传输记录、所述部件数字孪生模型构建所述新能源视觉检测机器人的整体数字孪生模型;
根据所述部件数字孪生模型对每个所述部件构建独立的部件管理模型;
根据所述整体数字孪生模型和所述部件管理模型构建所述机器人管理模型;
还包括:
从所述部件工作数据、所述部件状态数据、所述部件用电数据提取所述各部件的部件功耗数据;
从所述部件数据传输记录中提取所述各部件传输的部件数据类型、部件数据量、部件数据传输参数;
根据所述部件功耗数据将所述部件划分为多个第一部件组;
根据所述部件数据类型、所述部件数据量、所述部件数据传输参数将所述部件划分为多个第二部件组;
根据所述部件属性数据、所述部件性能数据将所述部件划分为多个第三部件组。
5.根据权利要求4所述的新能源视觉检测机器人管理方法,其特征在于,还包括:
根据所述部件数字孪生模型、所述第一部件组建立每个所述第一部件组的第一功耗管理模型;
根据所述部件数字孪生模型、所述第二部件组建立每个所述第二部件组的第一数据处理管理模型;
根据所述部件数字孪生模型、所述第三部件组建立每个所述第三部件组的第一检测工作管理模型;
根据所述整体数字孪生模型、所述第一功耗管理模型建立所述新能源视觉检测机器人的第一整体功耗管理模型;
根据所述整体数字孪生模型、所述第一数据处理管理模型建立所述新能源视觉检测机器人的第一整体数据处理管理模型;
根据所述整体数字孪生模型、所述第一检测工作管理模型建立所述新能源视觉检测机器人的第一整体检测工作管理模型。
6.根据权利要求5所述的新能源视觉检测机器人管理方法,其特征在于,还包括:
根据所述历史工作场景数据,分别从工作场地、工作环境两个维度将历史工作场景划分得到多个子工作场景;
从所述历史工作场景数据中提取每个所述子工作场景的子场景数据;
根据所述子场景数据分别对所述第一整体功耗管理模型、所述第一整体数据处理管理模型、所述第一整体检测工作管理模型进行调整,得到调整后的第二整体功耗管理模型、第二整体数据处理管理模型、第二整体检测工作管理模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311847714.1A CN117494953B (zh) | 2023-12-29 | 2023-12-29 | 一种新能源视觉检测机器人管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311847714.1A CN117494953B (zh) | 2023-12-29 | 2023-12-29 | 一种新能源视觉检测机器人管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117494953A CN117494953A (zh) | 2024-02-02 |
CN117494953B true CN117494953B (zh) | 2024-04-05 |
Family
ID=89669368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311847714.1A Active CN117494953B (zh) | 2023-12-29 | 2023-12-29 | 一种新能源视觉检测机器人管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117494953B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107526329A (zh) * | 2017-08-28 | 2017-12-29 | 吉林农业科技学院 | 基于人工智能设计的机器人管理系统 |
CN110253568A (zh) * | 2019-05-22 | 2019-09-20 | 北京镁伽机器人科技有限公司 | 机器人控制方法、系统、设备及存储介质 |
CN111633644A (zh) * | 2020-05-15 | 2020-09-08 | 哈尔滨工程大学 | 一种结合智能视觉的工业机器人数字孪生系统及其运行方法 |
CN111858027A (zh) * | 2020-06-12 | 2020-10-30 | 中国科学院信息工程研究所 | 一种软件机器人协同处理方法及系统 |
CN112157652A (zh) * | 2020-08-26 | 2021-01-01 | 蓓安科仪(北京)技术有限公司 | 机器人作业管理方法及系统 |
CN115933684A (zh) * | 2022-12-27 | 2023-04-07 | 江苏上马信息科技有限公司 | 基于agv的数字孪生车间智能动态调度物流系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230102048A1 (en) * | 2019-11-05 | 2023-03-30 | Strong Force Vcn Portfolio 2019, Llc | Component-Inventory-Based Robot Fleet Management in Value Chain Networks |
-
2023
- 2023-12-29 CN CN202311847714.1A patent/CN117494953B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107526329A (zh) * | 2017-08-28 | 2017-12-29 | 吉林农业科技学院 | 基于人工智能设计的机器人管理系统 |
CN110253568A (zh) * | 2019-05-22 | 2019-09-20 | 北京镁伽机器人科技有限公司 | 机器人控制方法、系统、设备及存储介质 |
CN111633644A (zh) * | 2020-05-15 | 2020-09-08 | 哈尔滨工程大学 | 一种结合智能视觉的工业机器人数字孪生系统及其运行方法 |
CN111858027A (zh) * | 2020-06-12 | 2020-10-30 | 中国科学院信息工程研究所 | 一种软件机器人协同处理方法及系统 |
CN112157652A (zh) * | 2020-08-26 | 2021-01-01 | 蓓安科仪(北京)技术有限公司 | 机器人作业管理方法及系统 |
CN115933684A (zh) * | 2022-12-27 | 2023-04-07 | 江苏上马信息科技有限公司 | 基于agv的数字孪生车间智能动态调度物流系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117494953A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Glatt et al. | Modeling and implementation of a digital twin of material flows based on physics simulation | |
CN110399642A (zh) | 一种针对生产流水线的数字孪生体及其构建方法和应用 | |
CN108828944B (zh) | 基于改进pso及svm的编码器故障诊断系统及方法 | |
Barenji et al. | A digital twin-driven approach towards smart manufacturing: reduced energy consumption for a robotic cellular | |
Cupek et al. | Autonomous guided vehicles for smart industries–the state-of-the-art and research challenges | |
Tan et al. | Anthropocentric approach for smart assembly: integration and collaboration | |
Tomforde et al. | Incremental design of adaptive systems | |
Raileanu et al. | Edge computing in industrial IoT framework for cloud-based manufacturing control | |
AU727326B2 (en) | Adaptive object-oriented optimization software system | |
Zhao et al. | Dynamic and unified modelling of sustainable manufacturing capability for industrial robots in cloud manufacturing | |
Lin et al. | Integrated cyber physical simulation modelling environment for manufacturing 4.0 | |
Shi et al. | A cognitive digital twins framework for human-robot collaboration | |
Niemueller et al. | Knowledge-based instrumentation and control for competitive industry-inspired robotic domains | |
WO2023016616A1 (en) | A robot system for anomaly detection | |
Kibira et al. | Buiding a digital twin for robot workcell prognostics and health management | |
CN111308975A (zh) | 基于数字孪生技术的智能制造系统孪生智能体构建系统及方法 | |
CN117494953B (zh) | 一种新能源视觉检测机器人管理系统及方法 | |
Berdal et al. | A benchmarking platform for human-machine cooperation in cyber-physical manufacturing systems | |
Haskovic et al. | Role of the adviser module in the hybrid assembly subordinating control structure | |
Hoover et al. | Industry 4.0 trends in intelligent manufacturing automation exploring machine learning | |
Aggogeri et al. | Robotic System Reliability Analysis and RUL Estimation Using an Iterative Approach | |
Bazzi et al. | Identification of robot forward dynamics via neural network | |
King et al. | Design and simulation of a wide area search mission: an implementation of an autonomous systems reference architecture | |
Tahir et al. | Mobile Robot Control and Autonomy Through Collaborative Twin | |
Santo Longo et al. | Simulation and optimisation of production lines in the framework of the IMPROVE project |
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 |