CN117697764B - 潜器作业用柔性机械臂的故障诊断系统及方法 - Google Patents
潜器作业用柔性机械臂的故障诊断系统及方法 Download PDFInfo
- Publication number
- CN117697764B CN117697764B CN202410161327.0A CN202410161327A CN117697764B CN 117697764 B CN117697764 B CN 117697764B CN 202410161327 A CN202410161327 A CN 202410161327A CN 117697764 B CN117697764 B CN 117697764B
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- data
- flexible mechanical
- fault
- fault diagnosis
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 claims abstract description 33
- 238000012423 maintenance Methods 0.000 claims abstract description 28
- 230000033001 locomotion Effects 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 53
- 238000003062 neural network model Methods 0.000 claims description 34
- 210000002569 neuron Anatomy 0.000 claims description 27
- 238000004891 communication Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 16
- 230000008439 repair process Effects 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 10
- 239000012636 effector Substances 0.000 claims description 10
- 238000007726 management method Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 7
- 238000012550 audit Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000013500 data storage Methods 0.000 claims description 5
- 238000013079 data visualisation Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000002347 injection Methods 0.000 claims description 4
- 239000007924 injection Substances 0.000 claims description 4
- 238000002955 isolation Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012502 risk assessment Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 2
- 230000001902 propagating effect Effects 0.000 claims description 2
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 230000009466 transformation Effects 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000004927 fusion Effects 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241001031135 Aristea ecklonii Species 0.000 description 1
- 238000012351 Integrated analysis Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000010200 validation analysis Methods 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
- B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J13/00—Controls for manipulators
- B25J13/06—Control stands, e.g. consoles, switchboards
-
- 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
-
- 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
- B25J19/02—Sensing devices
-
- 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)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于潜器作业用柔性机械臂技术领域,具体公开一种潜器作业用柔性机械臂的故障诊断系统及方法。有效解决深海作业环境给当前潜器作业用柔性机械臂系统带来的技术问题。用于潜器作业用柔性机械臂的故障诊断。所述故障诊断系统包括硬件系统和软件系统,硬件系统包括柔性机械臂、传感器、舰载故障监测子系统、岸端故障诊断子系统等。软件系统包括数据管理软件、故障诊断软件、安全管理软件等。所述故障诊断系统利用反向传播神经网络,通过对柔性机械臂关节运动数据的特征融合,建立精确的故障诊断模型。本发明可广泛应用于工业柔性机械臂的维护和监控,能够准确、实时地诊断关节故障,提高生产效率和降低维修成本。
Description
技术领域
本发明属于潜器作业用柔性机械臂技术领域,尤其涉及一种潜器作业用柔性机械臂的故障诊断系统及方法。
背景技术
在21世纪的海洋开发大潮中,深海潜器已经成为人类探索蓝色星球未知领域的重要工具。随着深海资源的开采、海洋环境监测以及生物多样性研究的深入,潜器的作业任务日益繁重且复杂。在这些任务中,潜器作业用柔性机械臂扮演着极其关键的角色。它们不仅需要在深海高压、低温的恶劣环境下稳定工作,而且要具备足够的灵活性与精确性,以便于在有限的空间内执行精细操作。
与此同时,深海作业环境的特殊性也带来了巨大的技术挑战。深海的高压环境对设备材料和结构完整性提出了极端挑战,低温环境可能导致材料脆化,而深海的黑暗则对视觉系统造成了依赖性降低。此外,深海潜器往往需要在海底进行长时间的独立作业,这就要求其具备较高的可靠性和自主性,任何故障都可能导致整个任务的失败,甚至可能带来无法挽回的财产和环境损失。
深海环境对潜器作业用柔性机械臂的设计、制造以及维护提出了较高要求。在这种背景下,针对柔性机械臂的故障诊断及其方法的研究不仅是技术发展的需要,更是国家深海战略实施和保护海洋环境的重要组成部分。通过高效的故障诊断技术,它可以有效提升深海作业的安全性,通过实时监控和故障预测,提前采取措施避免潜在的风险;提高作业效率,通过快速诊断和故障处理,减少停机时间,确保作业连续性;延长机械臂的服役周期,防止小问题演变成大故障;降低后期的维护和维修成本,避免不必要的开支;并且通过集成人工智能和自主学习能力,提升柔性机械臂的智能化水平,使其在面对未知环境和情况时能够自主做出决策和响应。此外,高效稳定的柔性机械臂为深海科学研究提供了有力的技术保障,使科学家可以更深入地探索未知的海洋世界,推动海洋科学的发展,同时为实现海洋强国战略的目标奠定了坚实的基础。因此,开展柔性机械臂故障诊断的研究方法不仅是深化海洋工程技术的必然趋势,也是推进海洋科学研究的关键支撑。
发明内容
本发明的一个目的在于提供一种潜器作业用柔性机械臂的故障诊断系统,有效应对深海作业环境给潜器作业用柔性机械臂系统带来的技术挑战。
为解决上述技术问题,本发明采用的技术方案是:一种潜器作业用柔性机械臂的故障诊断系统,包括硬件系统和软件系统。
所述硬件系统包括但不限于柔性机械臂、用于实时收集柔性机械臂运动数据的传感器、用于连接传感器从而获取柔性机械臂实时运行数据的数据采集卡、用于数据传输的水声通讯系统、用于实现柔性机械臂和故障诊断系统通信的通讯网络接口、用于将实时收集的柔性机械臂关节的状态信息传递至母船上的智能运维部门的浮标、用于预测柔性机械臂可能出现的故障和问题并采取相应的预防措施的舰载故障监测子系统、用于柔性机械臂故障诊断的岸端故障诊断子系统、用于为舰载故障监测子系统和岸端故障诊断子系统建立稳定的通讯通道的基站、用于验证和测试系统故障诊断能力的故障注入设备、应急切断系统、供电系统、数据处理系统及报警系统。
所述软件系统包括数据管理软件、故障诊断软件、通讯管理软件、人机交互界面、控制系统软件、安全管理软件、日志和报告生成软件及更新和维护软件。
进一步地,所述传感器包括用于测量柔性机械臂末端执行器位置的位置传感器、用于测量柔性机械臂末端执行器的姿态或朝向的姿态传感器、用于测量柔性机械臂在运动过程中的加速度和惯性力的加速度传感器以及用于测量柔性机械臂所处水压环境的压力传感器。
进一步地,所述柔性机械臂由两个关节和两段柔性臂连接而成,通过液压驱动完成各种水下作业。
进一步地,所述数据管理软件具有数据采集、数据预处理、数据存储、数据检索、数据分析和数据可视化功能,所述故障诊断软件具有故障检测、特征提取、故障诊断、故障分类、故障预测、决策支持和模块更新功能,所述通讯管理软件具有数据传输、协议管理、接口适配、网络管理和错误检测与纠正功能,所述人机交互界面具有信息展示、控制指令输入、故障通知与警告、数据记录与查询、操作指导与帮助、紧急停止与恢复和远程操作与监控功能,所述控制系统软件具有运动控制、任务编排、反馈回路、安全监控、故障处理和数据记录功能,所述安全管理软件具有实时监控、异常检查、安全警报、紧急停止、自动响应、故障隔离、安全审计、维护和检修提醒和风险评估功能,所述日志和报告生成软件具有自动记录所有事件和系统操作、生成故障诊断报告和维护日志的功能,所述更新和维护软件用于定期更新系统软件。
本发明的另一个目的在于提供一种潜器作业用柔性机械臂的故障诊断方法,采用以上实施例所述的潜器作业用柔性机械臂的故障诊断系统,包括以下步骤:S1、通过柔性机械臂搭载的传感器采集柔性机械臂末端的特征数据,包括但不限于柔性机械臂末端的位置和运动轨迹。
S2、对步骤S1中采集到的数据进行预处理,包括滤波去噪、范围缩放和归一化处理,以提高后续反向传播神经网络处理的准确性及效率。
S3、建立数据库,将预处理后的数据存储在数据库中,对数据库中的数据进行分类,形成训练集、验证集和测试集,用于反向传播神经网络模型的训练、验证和测试。
S4、设计一个基于反向传播的多分类的反向传播神经网络模型,使用数据库中的训练集来训练反向传播神经网络模型,利用验证集对反向传播神经网络模型进行调优,以避免过拟合。
S5、使用训练好的反向传播神经网络模型对收集到的故障数据进行分析,输出故障诊断的结果,识别故障类型。
S6、通过测试集评估反向传播神经网络模型的诊断性能,包括但不限于准确率和召回率,根据评估结果对反向传播神经网络模型进行进一步优化。
S7、将诊断结果反馈给操作员,采取相应措施进行故障修复或关节调整。
进一步地,在步骤S3中,将数据库中的数据随机分别按照70%、20%、10%的比例分类形成训练集、验证集和测试集。
与现有技术相比,本发明的有益技术效果是:(1)提高诊断精度:通过对柔性机械臂执行器的位置、姿态和加速度数据进行深度特征融合,实现在各种工作状态下,准确地诊断柔性机械臂微小故障。
(2)提升诊断速度:由于BP神经网络具备出色的数据处理能力,本发明可以在柔性机械臂工作的同时进行实时故障监测和诊断,大大减少了故障检测的时间,有助于即时纠正问题,避免生产延误。
(3)增强诊断准确率:本发明的故障诊断方法在大量实验和实际应用中显示出超过95%的准确率,显著高于传统故障诊断方法,能够准确分辨出故障类型及其严重性,为后续的维护和修复提供可靠的决策支持。
(4)降低维护成本:准确快速的故障诊断能够及时预防大规模生产事故的发生,减少不必要的维护和设备停机时间,从而降低了维护成本并提高了设备的利用率。
(5)易于集成和扩展:本发明的故障诊断系统设计灵活,可以容易地集成到现有的水下作业工具控制系统中,并且可扩展性强,能够适应不同类型和型号的水下作业工具,使其应用范围更为广泛。
(6)操作简便:由于BP神经网络能够自动从数据中学习特征,使用本发明的故障诊断方法无需复杂的手动特征设计,简化了操作流程,降低了对操作人员的技能要求。
附图说明
图1是本发明故障诊断系统的硬件系统示意图。
图2是本发明柔性机械臂搭载的传感器位置结构示意图。
图3是本发明故障诊断系统的总体功能结构示意图。
具体实施方式
本发明提供的故障诊断系统利用反向传播(BP)神经网络,通过对柔性机械臂关节运动数据的特征融合,建立了一个精确的故障诊断模型。可广泛应用于工业柔性机械臂的维护和监控,能够准确、实时地诊断关节故障,从而提高生产效率和降低维修成本。下面结合附图和实施例进行具体介绍。
实施例1:一种潜器作业用柔性机械臂的故障诊断系统,包括硬件系统和软件系统。如图1所示,所述硬件系统包括但不限于柔性机械臂、传感器、数据采集卡、水声通讯系统、通讯网络接口、浮标、舰载故障监测子系统、岸端故障诊断子系统、基站、故障注入设备、应急切断系统、供电系统、数据处理系统及报警系统。
所述软件系统包括数据管理软件、故障诊断软件、通讯管理软件、人机交互界面、控制系统软件、安全管理软件、日志和报告生成软件及更新和维护软件。
硬件系统中各部件的功能详细介绍如下:(1)柔性机械臂:由两个关节和两段柔性臂连接而成,通过液压驱动完成各种水下作业。
(2)传感器:实时收集柔性机械臂的运动数据,包括位置传感器、姿态传感器、加速度传感器和压力传感器,运用位置传感器测量柔性机械臂末端执行器的位置,提供准确的位置信息,使系统能够实时监测和控制末端执行器的位置和运动轨迹。姿态传感器用于测量柔性机械臂末端执行器的姿态或朝向,包括旋转角度和方向。加速度传感器用于测量柔性机械臂在运动过程中的加速度和惯性力,实时监测机械臂的运动状态和加速度变化,以实现精确的运动控制和避免意外碰撞。压力传感器用于测量柔性机械臂所处的水压环境。
(3)数据采集卡:通过连接各种传感器,如位置传感器、姿态传感器、加速度传感器等,获取到柔性机械臂运行时的实时数据。这些数据可以提供给故障诊断系统进行分析和判断,以检测机械臂是否存在故障或异常情况。
(4)水声通讯系统:实现实时、高速的数据传输,将机械臂的运行状态、故障信息等传输给故障诊断系统进行分析和处理。
(5)通讯网络接口:连接柔性机械臂和故障诊断系统,实现数据传输、信号转换和通信等功能。
(6)浮标:主要负责收集潜器传输的由传感器采集的信息,通过卫星与海上的母船保持通讯,将实时收集的柔性机械臂关节的状态的信息传递至母船上的智能运维部门,以实时检测诊断柔性机械臂工作状态,确保柔性机械臂工作的稳定性和高效性。
(7)舰载故障监测子系统:属于可视化系统,通过对柔性机械臂的历史数据和运行数据进行分析,舰载故障监测子系统可以预测柔性机械臂未来可能出现的故障和问题,采取相应的预防措施,避免机械臂的故障和损坏,提高机械臂的可靠性和可用性。主要包括传感器网络、数据采集系统、健康管理系统、条件监测系统和报警系统。
(8)岸端故障诊断子系统:属于可视化系统,在柔性机械臂故障诊断中的作用是远程监测、故障检测和诊断、故障预测和预防等。包括数据收集系统、数据处理和分析系统、故障诊断系统、报警和通知系统以及维护管理系统。
(9)基站:接收和整合柔性机械臂的传感器数据,进行故障诊断和监控,实现远程控制和调试,进行数据存储和通信,将舰载故障监测子系统和岸端故障诊断子系统建立稳定的通讯通道。
(10)故障注入设备:模拟各种可能的故障情况,以验证和测试系统的故障诊断能力。通过注入故障,评估系统对不同故障的检测和定位能力,提高系统的鲁棒性和可靠性。
(11)应急切断系统:在柔性机械臂故障时切断电源或控制信号,确保潜器和操作人员的安全。同时,应急切断系统还能够快速检测异常信号,帮助确定机械臂故障的位置和原因,为后续维修提供指导。通过应急切断系统的有效应用,可以提高潜器作业的安全性和可靠性,保障任务的顺利完成。
(12)供电系统:为柔性机械臂关节的驱动装置和传感器提供稳定的电力供应。
(13)数据处理系统:将传感器收集到的数据进行相关处理,根据是否达故障临界值进行相应的分类处理。
(14)报警系统:输入端与数据处理系统输出端电信号连接,用于发出报警。
图2是潜器作业用柔性机械臂搭载的传感器位置结构示意图,图中1、2、3、4指示姿态传感器,5指示加速度传感器,6、7、9、11指示位置传感器,8、10指示压力传感器。运用位置传感器测量柔性机械臂末端执行器的位置,提供准确的位置信息,使系统能够实时监测和控制末端执行器的位置和运动轨迹。姿态传感器用于测量柔性机械臂末端执行器的姿态或朝向,包括旋转角度和方向。加速度传感器用于测量柔性机械臂在运动过程中的加速度和惯性力,实时监测机械臂的运动状态和加速度变化,以实现精确的运动控制和避免意外碰撞。压力传感器用于测量柔性机械臂所处的水压环境。
图3是潜器作业用柔性机械臂故障诊断系统的总体功能结构图,潜器作业用柔性机械臂故障诊断系统通过一系列传感器实时收集关键的操作数据:位置传感器确保机械臂的各部分精确地定位,姿态传感器监控机械臂的方向和角度,加速度传感器检测机械臂的动态运动,而压力传感器则确保机械臂的运动不会对自身或周边环境造成伤害。这些数据被传输到各自的监测与分析模块,其中数据被处理并评估,以查找任何可能表明性能下降或潜在故障的迹象。一旦检测到异常,整合分析与决策支持模块将介入,它综合所有传感器的信息,提供一个全面的机械臂状态报告,并辅助操作员做出维护或调整的决策。在检测到任何可能影响正常操作的问题时,远程监控中心可以实时显示存在的相应问题,报警与提示系统会立即通知操作员控制台,允许他们采取预防措施,如停止机械臂的运动,或将其移至安全位置;若问题需要进一步的干预,维护与维修调度系统则会介入,自动修复模块协助规划和执行必要的维修或调整工作,确保机械臂能够迅速恢复到最佳工作状态。
软件系统中各部件的功能详细介绍如下:(1)数据管理软件:在潜器作业用柔性机械臂故障诊断系统中通常有数据采集、数据预处理、数据存储、数据检索、数据分析和数据可视化功能。
其中,数据采集,要求软件系统实时收集来自柔性机械臂上各种传感器(如位置、姿态、压力传感器等)的数据,以及潜器的操作数据。数据预处理,要求软件系统对采集到的原始数据进行清洗、归一化、去噪等预处理步骤,以便提高数据分析和故障诊断的准确性。数据存储,要求软件系统将预处理后的数据存储在数据库或数据仓库中,保证数据的组织和持久性,可能涉及到数据的分区、备份和冗余存储。数据检索,要求软件系统根据用户的查询需求,从数据库中检索出相关的数据,这可能包括复杂的查询语句执行以及对大数据集的高效检索。数据分析,要求软件系统使用统计分析、数据挖掘技术等对数据进行分析,从而发现数据中的模式和趋势,为故障诊断提供决策支持。数据可视化功能,要求软件系统通过图表、曲线等形式,将数据转换为直观的视觉表示,帮助用户更容易理解数据的含义和趋势。
(2)故障诊断软件:在潜器作业用柔性机械臂故障诊断系统中通常有故障检测、特征提取、故障诊断、故障分类、故障预测、决策支持和模块更新功能。
其中,故障检测,要求软件系统实时监控柔性机械臂的运行状态,通过比较实际的传感器数据与预期的正常行为,检测系统偏差和异常模式,以便及早发现潜在的故障。特征提取,要求软件系统从监控的数据中提取关键的特征,这些特征能够代表柔性机械臂的运行状态,并对故障进行有效的描述。故障诊断,要求软件系统利用反向传播神经网络等方法分析检测到的异常和特征,确定故障类型、位置和可能的原因。故障分类,要求软件系统将诊断出的故障分为不同的类别或等级,通常根据故障的严重性、影响范围和紧急程度进行分类。故障预测,要求软件系统基于历史数据和故障模式,预测可能发生的故障,从而提前采取预防措施,减少故障发生的风险。决策支持,要求软件系统提供维修或维护的建议,帮助维护团队决定最佳的修复策略,包括预测的维修时间、所需资源和备件。模块更新功能,要求软件系统根据新的数据和故障案例更新故障诊断模型,以提高诊断的准确性和适应性。
(3)通讯管理软件:在潜器作业用柔性机械臂故障诊断系统中通常有数据传输、协议管理、接口适配、网络管理、错误检测与纠正功能。
其中,数据传输,要求软件系统在系统各个组件之间,如母船、潜器、传感器、控制器、用户界面、故障诊断模块等,进行数据的实时传输。协议管理,要求软件系统实施和管理通信协议,确保数据传输的标准化和兼容性。接口适配,要求软件系统提供不同硬件和软件接口之间的适配器或转换器,以实现数据的无缝传递。网络管理,要求软件系统监控和管理网络状态,处理网络故障,确保通信的可靠性和稳定性。错误检测与纠正,要求软件系统检测数据在传感器与潜器、潜器与基站、基站与母船传输过程中的错误,并采取措施进行纠正。
(4)人机交互界面:在潜器作业用柔性机械臂故障诊断系统中通常有信息展示、控制指令输入、故障通知与警告、数据记录与查询、操作指导与帮助、紧急停止与恢复以及远程操作与监控功能。
其中,信息展示,要求软件系统向用户展示系统的实时状态、传感器数据、操作日志、故障诊断结果等。控制指令输入,要求软件系统允许用户输入控制指令,如启动或停止某项操作,调整柔性机械臂的运动参数等。故障通知与警告,要求软件系统在检测到异常或故障时,通过警告提示、弹窗等形式立即通知用户。数据记录与查询,要求软件系统记录操作历史和故障历史,提供搜索和查询功能,方便用户回溯和分析。操作指导与帮助,要求软件系统提供操作说明、故障处理指南和帮助文档,辅助用户进行正确的操作和故障排除。紧急停止与恢复,要求软件系统在紧急情况下,提供快速的系统停止操作,并在问题解决后支持系统的恢复。远程操作与监控,要求软件系统支持用户通过网络远程访问HMI,进行远程操作和监控。
(5)控制系统软件:在潜器作业用柔性机械臂故障诊断系统中通常有运动控制、任务编排、反馈回路、安全监控、故障处理和数据记录功能。
其中,运动控制,要求软件系统执行对柔性机械臂各关节的精确控制,包括速度、位置、加速度等参数的设置和调整,以实现复杂的运动轨迹。任务编排,要求软件系统允许用户编排和设定一系列动作任务,控制机械臂按照预定的顺序和时间完成作业。反馈回路,要求软件系统收集和处理传感器反馈,如力觉、位置等,以实时校正柔性机械臂的动作,保证操作的准确性。安全监控,要求软件系统监视机械臂的操作状态和周围环境,确保作业过程中的安全,防止碰撞和意外事件。故障处理,要求软件系统在检测到故障或异常时,执行预定义的应急程序,如减速停机、切换到安全模式等,以保护设备和操作人员的安全。数据记录,要求软件系统记录操作数据和事件日志,用于后续的分析、故障诊断和性能评估。
(6)安全管理软件:在潜器作业用柔性机械臂故障诊断系统中通常有实时监控、异常检测、安全警报、紧急停止、自动响应、故障隔离、安全审计、维护和检修提醒及风险评估功能。
其中,实时监控,要求软件系统持续监控系统的状态和环境参数,确保所有运行条件都在安全阈值之内。异常检测,分析传感器数据以识别潜在的异常或故障迹象,如温度升高、振动异常等。安全警报,要求软件系统当检测到潜在的安全问题时,发出警报通知操作人员或自动执行响应程序。紧急停止,要求软件系统提供立即停止机械臂操作的能力,以防止事故发生或减轻事故后果。自动响应,要求软件系统在系统检测到危险状态时,自动执行预定的安全响应,如断电、切换到安全模式等。故障隔离,要求软件系统识别并隔离系统的故障部分,防止故障扩散到其他系统部件。安全审计,要求软件系统定期检查和审计系统安全性能,确认安全措施的有效性。风险评估,要求软件系统在作业前对潜在的风险进行评估,并给出相应的预防建议。
(7)日志和报告生成软件:自动记录所有重要的事件和系统操作,生成故障诊断报告和维护日志,以供后续的分析和审计。
(8)更新和维护软件:用于定期更新系统软件,包括故障诊断算法、通信协议和安全补丁,确保系统的可靠性和安全性。
实施例2:一种潜器作业用柔性机械臂的故障诊断方法,采用实施例1所述的潜器作业用柔性机械臂的故障诊断系统,包括以下步骤:S1、通过柔性机械臂搭载的姿态传感器、位置传感器、压力传感器和加速度传感器采集柔性机械臂末端的位置和运动轨迹等特征数据。
S2、对步骤S1中采集到的数据进行预处理,包括滤波去噪、范围缩放和归一化处理,以提高后续反向传播神经网络处理的准确性及效率。
S3、建立数据库,将预处理后的数据存储在数据库中,对数据库中的数据进行分类,分别按照70%、20%、10%的比例形成训练集、验证集和测试集,用于反向传播神经网络模型的训练、验证和测试。
S4、设计一个基于反向传播(BP)的多分类的反向传播神经网络模型,使用数据库中的训练集来训练反向传播神经网络模型,利用验证集对反向传播神经网络模型进行调优,以避免过拟合。
具体做法为:I、反向传播神经网络模型构建,包括:S41、确定BP神经网络模型结
构,神经元的数量应该与特征的维度相匹配,数据库的各层可以捕捉输入数据的复杂模式。
先开始测试一个隐藏层,然后增加更多的层来提高模型的复杂度。隐藏层的神经元数量是
一个超参数,通常通过交叉验证来确定,神经元数量应该与类别的数量相同,有5种不同的
故障类型,就有5个神经元。再使用softmax激活函数可以得到分类概率,softmax激活函数
为:,式中,为向量中第个分量,是向量的维数,也是分类问
题中的类别数目,是向量经过softmax激活函数变换后第个分量的值。
S42、权重和偏置初始化为最小的随机值,这有助于打破对称性并确保梯度下降的有效性。
S43、使用修正线性单元(ReLU)作为softmax激活函数的隐藏层,因为它的计算效率和在防止梯度消失方面有着突出效果,使用softmax激活函数,输出每个类别的预测概率。
S44、使用categorical_crossentropy作为损失函数,并选用随机梯度下降(SGD)、自适应学习率的优化算法(Adam)和基于帝都的优化算法(RMSprop)组成优化器。
II、训练反向传播神经网络模型,包括:S45、首先向前传播,在前向传播过程中,输
入数据通过反向传播神经网络的每一层,每一层的输出成为下一层的输入,直到最终输出
层。输出层给出了模型对每个类别的预测概率。其中输入层到隐藏层的加权输入可表示为:,式中为隐藏层神经元的加权输入,为输入层神经元到
隐藏层神经元的连接权重,为输入层神经元的输入,为隐藏层神经元的偏置。
隐藏层神经元激活函数为:,式中为隐藏层神经元的输出,
为激活函数。
隐藏层到输出层的加权输入表示为:,式中为输出
层神经元的加权输入,为隐藏层神经元到输出层神经元的连接权重,为隐藏层
神经元的输出,为输出层神经元的偏置。
输入层激活函数为:,式中,为输出层神经元的输出,为
激活函数。
S46、接着进行计算损失,计算模型预测与真实标签之间的差异,使用
categorical_crossentropy来计算每个输出类别的预测概率与实际标签之间的差异,其
中,输出层误差为:,式中,为输出层神经元的误差,为期望输
出,为实际输出。
隐藏层误差为:,式中,为隐藏层神经元的误差,为
隐藏层神经元到输出层神经元的连接权重,为输出层神经元的误差信号。
输出层误差信号为:,式中,为输出层神经元的误
差信号,为期望输出,为实际输出,为激活函数的导数。
隐藏层误差信号为:,式中,为隐藏层神经元的误差信号,
为隐藏层神经元的误差。
S47、接着进行反向传播,反向传播是一个使用链式法则计算每个权重对损失的影响的过程。然后,根据每个权重对损失的影响和学习率,使用优化器对权重进行更新。
S48、接着进行数据迭代,这个过程在多个迭代周期中重复,一个迭代周期意味着整个训练集已经被前向和反向传播了一次,通常需要多个迭代周期来训练模型,直到损失收敛到一个较低的水平或者模型的验证性能不再提高。
S5、使用训练好的反向传播神经网络模型对收集到的故障数据进行分析,输出故障诊断的结果,识别故障类型。
即,将收集到的故障数据输入到训练好的反向传播神经网络模型中。这些数据需要与训练时使用的数据具有相同的格式和预处理方式,BP神经网络会处理输入数据,通过其内部的加权连接和激活函数计算出故障类型的概率分布,根据BP神经网络的输出,系统可以识别出故障的具体类型。这可能包括各种不同的柔性臂故障,如关节松动、传感器故障、执行器问题等,BP神经网络诊断的结果将被输出,用于指示特定的故障类型和位置。
S6、通过测试集评估反向传播神经网络模型的诊断性能,包括但不限于准确率和召回率,根据评估结果对反向传播神经网络模型进行进一步优化。
即,使用独立的测试集对反向传播神经网络模型进行评估。测试集应包含从未用于训练和验证的数据,计算关键性能指标,如准确率(模型正确诊断的比例)、召回率(模型正确识别所有正类实例的能力)、精确度(模型预测为正类的实例中实际为正类的比例)等,分析这些指标,确定反向传播神经网络模型在实际应用中的效能,根据评估结果,对反向传播神经网络模型进行调整,以改进其性能。这可能涉及更改网络结构、调整训练参数或采用更先进的算法。
S7、将诊断结果反馈给操作员或自动修复模块,采取相应措施进行故障修复或关节调整。
即,诊断结果通知给操作员或维修团队,以便他们可以采取适当的行动,在自动化系统中,故障诊断结果可以直接用于引导自动修复模块进行必要的调整或修复,在某些情况下,系统可能会建议进行预防性维护或调整,以防止潜在的故障发展成更严重的问题,修复或调整后,系统的性能变化可以作为反馈重新输入到反向传播神经网络,帮助反向传播神经网络模型适应新的工作条件,持续提升其预测准确性。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (4)
1.一种潜器作业用柔性机械臂的故障诊断方法,应用于潜器作业用柔性机械臂的故障诊断系统,包括硬件系统和软件系统;
所述硬件系统包括但不限于柔性机械臂、用于实时收集柔性机械臂运动数据的传感器、用于连接传感器从而获取柔性机械臂实时运行数据的数据采集卡、用于数据传输的水声通讯系统、用于实现柔性机械臂和故障诊断系统通信的通讯网络接口、用于将实时收集的柔性机械臂关节的状态信息传递至母船上的智能运维部门的浮标、用于预测柔性机械臂可能出现的故障和问题并采取相应的预防措施的舰载故障监测子系统、用于柔性机械臂故障诊断的岸端故障诊断子系统、用于为舰载故障监测子系统和岸端故障诊断子系统建立稳定的通讯通道的基站、用于验证和测试系统故障诊断能力的故障注入设备、应急切断系统、供电系统、数据处理系统和报警系统;
所述软件系统包括数据管理软件、故障诊断软件、通讯管理软件、人机交互界面、控制系统软件、安全管理软件、日志和报告生成软件及更新和维护软件;
所述传感器包括用于测量柔性机械臂末端执行器位置的位置传感器、用于测量柔性机械臂末端执行器的姿态或朝向的姿态传感器、用于测量柔性机械臂在运动过程中的加速度和惯性力的加速度传感器以及用于测量柔性机械臂所处水压环境的压力传感器;
所述诊断方法包括以下步骤:
S1、通过柔性机械臂搭载的传感器采集柔性机械臂末端的特征数据,包括但不限于柔性机械臂末端的位置和运动轨迹;
S2、对步骤S1中采集到的数据进行预处理,包括滤波去噪、范围缩放和归一化处理,以提高后续反向传播神经网络处理的准确性及效率;
S3、建立数据库,将预处理后的数据存储在数据库中,对数据库中的数据进行分类,形成训练集、验证集和测试集,用于反向传播神经网络模型的训练、验证和测试;
S4、设计一个基于反向传播的多分类的反向传播神经网络模型,使用数据库中的训练集来训练反向传播神经网络模型,利用验证集对反向传播神经网络模型进行调优,以避免过拟合;
首先,反向传播神经网络模型的构建方法包括:S41、确定反向传播神经网络模型结构,神经元的数量与特征的维度相匹配;先开始测试一个隐藏层,然后增加更多的层来提高反向传播神经网络模型的复杂度;隐藏层的神经元数量是一个超参数,通过交叉验证来确定,神经元数量与类别的数量相同;再使用softmax激活函数得到分类概率,softmax激活函数为:,式中,/>为向量/>中第/>个分量,/>是向量/>的维数,也是分类问题中的类别数目,/>是向量/>经过softmax激活函数变换后第/>个分量的值;
S42、权重和偏置初始化为最小的随机值;
S43、使用修正线性单元作为softmax激活函数的隐藏层,使用softmax激活函数,输出每个类别的预测概率;
S44、使用categorical_crossentropy作为损失函数,并选用随机梯度下降、自适应学习率的优化算法和基于帝都的优化算法组成优化器;
其次,训练反向传播神经网络模型的方法包括:S45、首先向前传播,在前向传播过程中,输入数据通过反向传播神经网络的每一层,每一层的输出成为下一层的输入,直到最终输出层;输出层给出了反向传播神经网络模型对每个类别的预测概率;其中输入层到隐藏层的加权输入表示为:,式中/>为隐藏层神经元/>的加权输入,为输入层神经元/>到隐藏层神经元/>的连接权重,/>为输入层神经元/>的输入,/>为隐藏层神经元/>的偏置;
隐藏层神经元激活函数为:,式中/>为隐藏层神经元/>的输出,/>为激活函数;
隐藏层到输出层的加权输入表示为:,式中/>为输出层神经元/>的加权输入,/>为隐藏层神经元/>到输出层神经元/>的连接权重,/>为隐藏层神经元的输出,/>为输出层神经元/>的偏置;
输入层激活函数为:,式中,/>为输出层神经元/>的输出,/>为激活函数;
S46、接着进行计算损失,计算模型预测与真实标签之间的差异,使用categorical_crossentropy来计算每个输出类别的预测概率与实际标签之间的差异,其中,输出层误差为:,式中,/>为输出层神经元/>的误差,/>为期望输出,/>为实际输出;
隐藏层误差为:,式中,/>为隐藏层神经元/>的误差,/>为隐藏层神经元/>到输出层神经元/>的连接权重,/>为输出层神经元/>的误差信号;
输出层误差信号为:,式中,/>为输出层神经元/>的误差信号,/>为期望输出,/>为实际输出,/>为激活函数的导数;
隐藏层误差信号为:,式中,/>为隐藏层神经元/>的误差信号,/>为隐藏层神经元/>的误差;
S47、接着进行反向传播,然后,根据每个权重对损失的影响和学习率,使用优化器对权重进行更新;
S48、接着进行数据迭代,在多个迭代周期中重复,一个迭代周期表示整个训练集已经被前向和反向传播了一次,直到损失收敛到模型的验证性能不再提高;
S5、使用训练好的反向传播神经网络模型对收集到的故障数据进行分析,输出故障诊断的结果,识别故障类型;
S6、通过测试集评估反向传播神经网络模型的诊断性能,包括但不限于准确率和召回率,根据评估结果对反向传播神经网络模型进行进一步优化;
S7、将诊断结果反馈给操作员,采取相应措施进行故障修复或关节调整。
2.根据权利要求1所述的潜器作业用柔性机械臂的故障诊断方法,其特征在于,所述柔性机械臂由两个关节和两段柔性臂连接而成,通过液压驱动完成各种水下作业。
3.根据权利要求1所述的潜器作业用柔性机械臂的故障诊断方法,其特征在于,所述数据管理软件具有数据采集、数据预处理、数据存储、数据检索、数据分析和数据可视化功能,所述故障诊断软件具有故障检测、特征提取、故障诊断、故障分类、故障预测、决策支持和模块更新功能,所述通讯管理软件具有数据传输、协议管理、接口适配、网络管理和错误检测与纠正功能,所述人机交互界面具有信息展示、控制指令输入、故障通知与警告、数据记录与查询、操作指导与帮助、紧急停止与恢复和远程操作与监控功能,所述控制系统软件具有运动控制、任务编排、反馈回路、安全监控、故障处理和数据记录功能,所述安全管理软件具有实时监控、异常检查、安全警报、紧急停止、自动响应、故障隔离、安全审计、维护和检修提醒及风险评估功能,所述日志和报告生成软件具有自动记录所有事件和系统操作、生成故障诊断报告和维护日志的功能,所述更新和维护软件用于定期更新系统软件。
4.根据权利要求2或3所述的潜器作业用柔性机械臂的故障诊断方法,其特征在于,在步骤S3中,将数据库中的数据随机分别按照70%、20%、10%的比例分类形成训练集、验证集和测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410161327.0A CN117697764B (zh) | 2024-02-05 | 2024-02-05 | 潜器作业用柔性机械臂的故障诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410161327.0A CN117697764B (zh) | 2024-02-05 | 2024-02-05 | 潜器作业用柔性机械臂的故障诊断系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117697764A CN117697764A (zh) | 2024-03-15 |
CN117697764B true CN117697764B (zh) | 2024-04-30 |
Family
ID=90151949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410161327.0A Active CN117697764B (zh) | 2024-02-05 | 2024-02-05 | 潜器作业用柔性机械臂的故障诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117697764B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118081800B (zh) * | 2024-04-25 | 2024-07-12 | 浙江浙能数字科技有限公司 | 增强安全性摘复钩机器人系统及控制方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009528A (zh) * | 2019-04-12 | 2019-07-12 | 杭州电子科技大学 | 一种基于最优结构多维泰勒网的参数自适应更新方法 |
CN110238556A (zh) * | 2019-05-07 | 2019-09-17 | 上海展湾信息科技有限公司 | 焊接机器人焊接过程中焊接轨迹实时检测方法 |
KR20200031463A (ko) * | 2018-09-14 | 2020-03-24 | 한국산업기술대학교산학협력단 | 로봇 고장원인 진단 시스템 및 방법 |
CN113920695A (zh) * | 2021-10-26 | 2022-01-11 | 杭州电子科技大学 | 一种水下自主机器人应急报警系统 |
CN114021620A (zh) * | 2021-10-12 | 2022-02-08 | 广东海洋大学 | 基于bp神经网络特征提取的电潜泵故障诊断方法 |
CN114170789A (zh) * | 2021-10-20 | 2022-03-11 | 南京理工大学 | 基于时空图神经网络的智能网联车换道决策建模方法 |
KR20220132914A (ko) * | 2021-03-24 | 2022-10-04 | 김대인 | 카메라 영상을 활용한 선박 유지관리 시스템 |
CN115366067A (zh) * | 2022-08-31 | 2022-11-22 | 大连海事大学 | 一种船舶机舱运维机器人 |
CN116494226A (zh) * | 2023-04-03 | 2023-07-28 | 深圳市思傲拓科技有限公司 | 水下机器人的控制方法、水下机器人及存储介质 |
CN117214591A (zh) * | 2023-11-09 | 2023-12-12 | 青岛哈尔滨工程大学创新发展中心 | 一种用于深潜器推进器的故障诊断系统及方法 |
CN117251793A (zh) * | 2023-07-06 | 2023-12-19 | 湖南华核智能科技有限公司 | 一种基于深度学习的核辐射环境下机械臂故障诊断方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6088679B1 (ja) * | 2016-02-19 | 2017-03-01 | ファナック株式会社 | カメラの画像により故障を判定するロボットシステムの故障診断装置 |
WO2020214787A1 (en) * | 2019-04-16 | 2020-10-22 | University Of Louisville Research Foundation, Inc. | Adaptive robotic nursing assistant |
US20220138510A1 (en) * | 2020-10-30 | 2022-05-05 | Robert Bosch Gmbh | Deep neural networks via prototype factorization |
-
2024
- 2024-02-05 CN CN202410161327.0A patent/CN117697764B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200031463A (ko) * | 2018-09-14 | 2020-03-24 | 한국산업기술대학교산학협력단 | 로봇 고장원인 진단 시스템 및 방법 |
CN110009528A (zh) * | 2019-04-12 | 2019-07-12 | 杭州电子科技大学 | 一种基于最优结构多维泰勒网的参数自适应更新方法 |
CN110238556A (zh) * | 2019-05-07 | 2019-09-17 | 上海展湾信息科技有限公司 | 焊接机器人焊接过程中焊接轨迹实时检测方法 |
KR20220132914A (ko) * | 2021-03-24 | 2022-10-04 | 김대인 | 카메라 영상을 활용한 선박 유지관리 시스템 |
CN114021620A (zh) * | 2021-10-12 | 2022-02-08 | 广东海洋大学 | 基于bp神经网络特征提取的电潜泵故障诊断方法 |
CN114170789A (zh) * | 2021-10-20 | 2022-03-11 | 南京理工大学 | 基于时空图神经网络的智能网联车换道决策建模方法 |
CN113920695A (zh) * | 2021-10-26 | 2022-01-11 | 杭州电子科技大学 | 一种水下自主机器人应急报警系统 |
CN115366067A (zh) * | 2022-08-31 | 2022-11-22 | 大连海事大学 | 一种船舶机舱运维机器人 |
CN116494226A (zh) * | 2023-04-03 | 2023-07-28 | 深圳市思傲拓科技有限公司 | 水下机器人的控制方法、水下机器人及存储介质 |
CN117251793A (zh) * | 2023-07-06 | 2023-12-19 | 湖南华核智能科技有限公司 | 一种基于深度学习的核辐射环境下机械臂故障诊断方法 |
CN117214591A (zh) * | 2023-11-09 | 2023-12-12 | 青岛哈尔滨工程大学创新发展中心 | 一种用于深潜器推进器的故障诊断系统及方法 |
Non-Patent Citations (1)
Title |
---|
基于D-S理论的智能故障诊断关键技术研究与实现;王冬蕾;翟正军;姜红梅;;测控技术;20080901(06);第18-21页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117697764A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117697764B (zh) | 潜器作业用柔性机械臂的故障诊断系统及方法 | |
CN102637019B (zh) | 一种工业生产过程智能集成故障诊断方法及装置 | |
Liu et al. | Fault detection, diagnostics, and prognostics: software agent solutions | |
CN109581871B (zh) | 免疫对抗样本的工业控制系统入侵检测方法 | |
Dearden et al. | Automated fault diagnosis for an autonomous underwater vehicle | |
CN101776862A (zh) | 用于对资产系统进行高级状况监视的系统和方法 | |
CN110224160A (zh) | 一种燃料电池系统故障诊断方法 | |
CN117215940A (zh) | 智慧运维应急处理系统 | |
CN101859128A (zh) | 一种基于知识的车铣复合机床故障预测专家系统 | |
KR101853480B1 (ko) | 해양플랜트 예지보전 시스템 | |
CN110045211A (zh) | 一种无人船艇故障诊断与处理方法 | |
TWI794907B (zh) | 用於系統管理之故障預測與健康管理系統與相關方法 | |
CN116228186A (zh) | 基于人因工程的船舶机舱智能运维系统 | |
CN116125958A (zh) | 一种基于数字孪生的智能化工厂故障诊断与决策系统 | |
CN114139274A (zh) | 一种健康管理系统 | |
Harris et al. | Risk and reliability modelling for multi-vehicle marine domains | |
Nitonye et al. | Operational failure assessment of Remotely Operated Vehicle (ROV) in harsh offshore environments | |
Patterson-Hine et al. | A review of diagnostic techniques for ISHM applications | |
CN116523722A (zh) | 一种具备机器学习能力的环境监测分析系统 | |
Kurtoglu et al. | A framework for systematic benchmarking of monitoring and diagnostic systems | |
KR102483210B1 (ko) | Xai를 활용한 제조설비 이상발생확률 예측에 의한, 설비 건강지수 도출 시스템 및 설비 건강지수 도출 방법 | |
KR20200044507A (ko) | Ict 기반의 통합 모니터링 시스템을 활용한 특수 차량 고장 진단 및 운영법 | |
Vychuzhanin et al. | Intellectualization Method and Model of Complex Technical System's Failures Risk Estimation and Prediction. | |
Zheng et al. | A finite state machine based diagnostic expert system of large-scale autonomous unmanned submarine | |
CN117706961B (zh) | 一种深海潜器机械臂控制系统故障仿真平台 |
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 |