CN117774007A - 基于图像处理的物流转运机器人工作异常检测方法及系统 - Google Patents
基于图像处理的物流转运机器人工作异常检测方法及系统 Download PDFInfo
- Publication number
- CN117774007A CN117774007A CN202410211370.3A CN202410211370A CN117774007A CN 117774007 A CN117774007 A CN 117774007A CN 202410211370 A CN202410211370 A CN 202410211370A CN 117774007 A CN117774007 A CN 117774007A
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- determining
- abnormal
- path
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012546 transfer Methods 0.000 title claims abstract description 58
- 238000012545 processing Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 230000005856 abnormality Effects 0.000 title claims description 100
- 230000002159 abnormal effect Effects 0.000 claims abstract description 125
- 238000004458 analytical method Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000004891 communication Methods 0.000 claims description 25
- 238000013139 quantization Methods 0.000 claims description 16
- 238000012423 maintenance Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000008901 benefit Effects 0.000 claims description 4
- 238000007667 floating Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Landscapes
- Manipulator (AREA)
Abstract
本申请涉及一种基于图像处理的物流转运机器人工作异常检测方法及系统，其属于机器人检测领域；其中，一种基于图像处理的物流转运机器人工作异常检测方法包括获取预设数量的任务周期内AGV搬运机器人的设备异常数据；基于预设异常计算规则，根据所述设备异常数据确定异常分析数据；根据预获取的设备位置数据和预获取的区域设备路径冲突数据确定停机选择数据；所述区域设备路径冲突数据包含区域内所有AGV搬运机器人的预设任务路径的路径干涉子区域；所述路径干涉子区域为存在AGV搬运机器人路过的情况的子区域；根据所述停机选择数据和所述异常分析数据确定机器人异常处理策略。本申请解决了对AGV搬运机器人异常检测处理问题。
Description
技术领域
本申请涉及机器人检测领域，尤其是涉及一种基于图像处理的物流转运机器人工作异常检测方法及系统。
背景技术
AGV智能搬运机器人是一种用于自动物流搬转运的机器人；AGV搬运机器人是通过特殊地标导航自动将物品运输至指定地点；随着科技的发展，自动化仓库的广泛应用，AGV智能搬运机器人已经成为仓储中心内物流管理系统的必要自动化搬运装卸手段；在利用AGV智能搬运机器人进行货物装卸搬运过程中，每当AGV智能搬运机器人完成一次搬运任务，会对机器人进行一次异常检测，保证机器人能够无异常状态进行下一次搬运任务；但是在一些特殊时期，如节假日，仓储中心内需要处理的货物较多，物流资源紧张，很难做到对机器人进行一次任务一检的操作，只能定期对同一区域内的所有机器人进行统一检修，但是这种方式也会消耗较多资源，并且影响物流工作效率；因此，亟需一种能够实现对AGV智能搬运机器人进行异常检测并处理的方式。
发明内容
为解决上述技术问题，本申请提供一种基于图像处理的物流转运机器人工作异常检测方法及系统。
本申请目的一是提供一种基于图像处理的物流转运机器人工作异常检测方法。
本申请的上述申请目的一是通过以下技术方案得以实现的：
一种基于图像处理的物流转运机器人工作异常检测方法，包括：
获取预设数量的任务周期内AGV搬运机器人的设备异常数据；所述任务周期指所述AGV搬运机器人开始执行一次搬运任务至任务结束期间的任务持续时间；
基于预设异常计算规则，根据所述设备异常数据确定异常分析数据；
根据预获取的设备位置数据和预获取的区域设备路径冲突数据确定停机选择数据；所述区域设备路径冲突数据包含区域内所有AGV搬运机器人的预设任务路径的路径干涉子区域；所述路径干涉子区域为存在AGV搬运机器人路过的情况的子区域；
根据所述停机选择数据和所述异常分析数据确定机器人异常处理策略。
通过采用上述技术方案，基于设备的异常数据分析设备当前的异常状态；根据设备的位置以及预获取的区域设备路径冲突数据确定能供异常设备停留的位置的停机选择数据；然后控制设备前往停机位置进行暂留，通过这种方式，保证了异常设备不会影响到其他机器人的搬运工作，并且通过设置停机位置，使得再出现额外的异常设备，可以前往停机位置统一存放，便于工作人员定期对设备进行统一检修，采用这种方式，实现了对异常设备的检测和筛选，待工作人员进行设备检修时，可以先对停机点处的设备进行检修；通过采用上述方式，提高了仓储中心自动化物流处理工作的工作效率，提高了对AGV搬运机器人异常检测处理工作的效率。
本申请在一较佳示例中可以进一步配置为，还包括：
基于预获取的停机位置信息和设备当前位置计算第一路径数据；所述停机位置信息指预先设置的除当前AGV搬运机器人外其余至少一个AGV搬运机器人所在的停机位置；
根据所述第一路径数据和所述区域设备路径冲突数据确定第一冲突数据；
根据所述设备当前位置和所述停机选择数据确定设备停机位置；
根据所述设备当前位置和所述设备停机位置计算得到第二路径数据；
根据所述第一路径数据和第一冲突数据确定第一选择数据；
根据所述停机选择数据确定第二冲突数据；
根据所述第二路径数据和第二冲突数据确定第二选择数据；
根据所述第一选择数据和第二选择数据确定第一路径选择数据。
本申请在一较佳示例中可以进一步配置为，还包括：
基于预设资源计算规则，根据所述停机位置信息确定第一设备检修资源；
基于预设资源计算规则，根据所述设备停机位置确定第二设备检修资源；
根据所述第一设备检修资源和所述第一选择数据确定第一分析数据；
根据所述第二设备检修资源和所述第二选择数据确定第二分析数据；
根据所述第一分析数据和所述第二分析数据确定设备停机路径数据。
本申请在一较佳示例中可以进一步配置为，还包括：
确定预获取的停机点位数量不小于预设停机点位数量阈值；所述停机点位指用于供异常的AGV搬运机器人暂时停留的位置；
基于预设资源计算规则确定新的停机点位对应的新增检修资源；
根据所述停机选择数据确定物流工作影响数据；
根据所述新增检修资源和所述物流工作影响数据确定停机点位处理策略。
本申请在一较佳示例中可以进一步配置为，所述根据所述停机选择数据确定物流工作影响数据包括：
根据所述停机选择数据和设备当前位置确定设备冲突数据；
根据所述设备冲突数据及预获取的区域设备任务信息确定区域设备任务影响数据；
根据所述区域设备任务影响数据确定物流工作影响数据。
本申请在一较佳示例中可以进一步配置为，所述根据所述新增检修资源和所述物流工作影响数据确定停机点位处理策略包括：
根据所述新增检修资源确定资源量化值；
根据所述物流工作影响数据确定工作时间影响数据；
根据所述工作时间影响数据确定收益量化值；
根据所述收益量化值和所述资源量化值计算得到收益资源比值；
根据所述收益资源比值和预设比值阈值确定停机点处理策略。
本申请在一较佳示例中可以进一步配置为，所述基于预设异常计算规则，根据所述设备异常数据确定异常分析数据包括：
所述设备异常数据包含异常声音数据、异常卡顿数据、异常速度数据、异常负载数据和异常通讯数据；所述异常声音数据指机器人内部发出超过预设声音阈值的异常声音次数；所述异常卡顿数据指机器人行进途中产生的异常卡顿次数；所述异常速度数据指机器人行走速度不在预设速度阈值范围内的异常速度次数；异常负载数据指机器人负载货物重量超过重量阈值的重量数据；所述异常通讯数据指机器人发出异常通讯波段所持续的时间数据；
计算第一异常参数，，式中，/>为第一异常参数，/>为预获取的异常声音数据，/>为预设设备声音异常影响度系数，/>为预获取的异常卡顿数据，/>为预设设备卡顿异常影响度系数，/>为预获取的异常速度数据，/>为预设设备速度异常影响度系数；
计算第二异常参数，，式中，/>为第二异常参数，/>为预获取的异常负载数据，/>为预设设备负载异常影响度系数，/>为预获取的异常通讯数据，/>为预设设备通讯异常影响度系数；
计算异常分析参数，，式中，/>为异常分析参数，/>为第一预设权重系数、/>为第二预设权重系数，/>、/>取值0-1；/>、/>均为预设常数，且均大于0；
根据所述异常分析参数和预设异常等级信息表确定异常分析数据。
本申请在一较佳示例中可以进一步配置为，还包括：。
本申请在一较佳示例中可以进一步配置为，所述根据预获取的设备位置数据和预获取的区域设备路径冲突数据确定停机选择数据包括：
根据所述区域设备路径冲突数据确定设备路径时间范围数据和路径空白子区域；
根据所述路径空白子区域确定设备停留位置；
根据所述设备位置数据和所述设备停留位置确定设备移动时间；
根据所述设备路径时间范围数据和所述设备移动时间确定停机选择数据。
本申请目的二是提供一种基于图像处理的物流转运机器人工作异常检测系统。
本申请的上述申请目的二是通过以下技术方案得以实现的：
一种基于图像处理的物流转运机器人工作异常检测系统，包括：
获取模块，用于获取预设数量的任务周期内AGV搬运机器人的设备异常数据；所述任务周期指所述AGV搬运机器人开始执行一次搬运任务至任务结束期间的任务持续时间；
计算模块，用于基于预设异常计算规则，根据所述设备异常数据确定异常分析数据；
确定模块，用于根据预获取的设备位置数据和预获取的区域设备路径冲突数据确定停机选择数据；所述区域设备路径冲突数据包含区域内所有AGV搬运机器人的预设任务路径的路径干涉子区域；所述路径干涉子区域为存在AGV搬运机器人路过的情况的子区域；
处理模块，用于根据所述停机选择数据和所述异常分析数据确定机器人异常处理策略。
附图说明
图1是本申请实施例中一种基于图像处理的物流转运机器人工作异常检测方法的流程示意图。
图2是本申请实施例中一种基于图像处理的物流转运机器人工作异常检测系统的结构示意图。
附图标记说明：1、获取模块；2、计算模块；3、确定模块；4、处理模块。
具体实施方式
本具体实施例仅仅是对本申请的解释，其并不是对本申请的限制，本领域人员在阅读完本说明书后可以根据需要对本实施例作出没有创造性贡献的修改，但只要在本申请的权利要求范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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全部其他实施例，都属于本申请保护的范围。
下面结合说明书附图对本申请实施例做进一步详细描述。
本申请提供一种基于图像处理的物流转运机器人工作异常检测方法，所述方法的主要流程描述如下。
如图1所示：
步骤S101：获取预设数量的任务周期内AGV搬运机器人的设备异常数据；所述任务周期指所述AGV搬运机器人开始执行一次搬运任务至任务结束期间的任务持续时间。
在本申请实施例中，设备异常数据可以通过云端存储或服务器存储的数据获得；可以理解的是，在任务周期内，AGV搬运机器人的运行数据会由传感器、监控设备等进行采集，并将采集到的数据上传至云端或服务器。
步骤S102：基于预设异常计算规则，根据所述设备异常数据确定异常分析数据。
在本申请实施例中，基于预设异常计算规则，根据所述设备异常数据确定异常分析数据具体包括，所述设备异常数据包含异常声音数据、异常卡顿数据、异常速度数据、异常负载数据和异常通讯数据；所述异常声音数据指机器人内部发出超过预设声音阈值的异常声音次数；所述异常卡顿数据指机器人行进途中产生的异常卡顿次数；所述异常速度数据指机器人行走速度不在预设速度阈值范围内的异常速度次数；异常负载数据指机器人负载货物重量超过重量阈值的重量数据；所述异常通讯数据指机器人发出异常通讯波段所持续的时间数据；
计算第一异常参数，，式中，/>为第一异常参数，/>为预获取的异常声音数据，/>为预设设备声音异常影响度系数，/>为预获取的异常卡顿数据，/>为预设设备卡顿异常影响度系数，/>为预获取的异常速度数据，/>为预设设备速度异常影响度系数；
计算第二异常参数，，式中，/>为第二异常参数，/>为预获取的异常负载数据，/>为预设设备负载异常影响度系数，/>为预获取的异常通讯数据，/>为预设设备通讯异常影响度系数；
计算异常分析参数，，式中，/>为异常分析参数，/>为第一预设权重系数、/>为第二预设权重系数，/>、/>取值0-1；/>、/>均为预设常数，且均大于0；
根据所述异常分析参数和预设异常等级信息表确定异常分析数据。
基于本领域人员的经验而言，当机器人出现了设备异常数据时，通常包含异常声音、异常卡顿、异常速度、异常负载和异常通讯五个方面；其中，异常声音是机器人内部的传感器采集到的声音数据，若机器人内部出现异常声音，说明机器人内部零件可能出现问题，而随着出现异常声音次数的增加，机器人出现异常状态的概率越大；预设设备声音异常影响度系数可以通过历史大数据训练得到，其能够反映出每一次声音异常所对应的影响度；在实际工作过程中，机器人可能因为负载的货物，外壳零部件，与其他机器人或附近障碍物相撞产生异常声音，但是这种声音通过机器人内部传感器检测并传输后得到的数据，与异常声音不同，而这也是在机器人内部设置传感器的原因。
异常卡顿数据是指机器人在工作过程中，产生的明显卡顿，其可能是因为内部零部件之间的合作问题，可能是因为转盘缺少润滑油；可以理解的是，异常卡顿是指明显的、短暂的卡顿，而不是由于机器人受到阻碍长时间卡住；基于历史数据经验可知，卡顿次数越多，机器人出现异常状态的概率越大；其中，预设设备卡顿异常影响度系数可以通过历史数据经验得到，其反映每一次卡顿异常所对应的影响度。
异常速度数据是指机器人在行走过程中，产生的明显的速度异常，可能是超速，也可能是速度过低；其诱因可能为机器人底部附着砂砾等颗粒物，影响机器人行走，也可能是因为地面有水，或者地面较滑；而由于地面有水或者地面较滑的情况是可以通过监控设备得到的，因此在分析机器人在任务周期内的异常速度时，会将地面有水这种特殊情况排除在外；因此，机器人出现异常速度的次数越多，预兆其本身存在异常状态的概率就越大；同理，预设设备速度异常影响度系数也可以通过历史数据经验得到，其反映每一次速度异常所对应的影响度。
异常负载数据和异常通讯数据的考量角度与上述三个影响因素不同，对于异常负载数据而言，异常负载表示机器人承载的货物超重，而机器人能够承载的货物重量阈值表示了机器人的承载能力极限，那么每超出一单位的货物重量，都会对机器人的零部件造成永久性影响，因此基于历史数据经验得到预设设备负载异常影响度系数，其表示每单位超载货物重量的影响；重量越大，异常状态概率越大；异常通讯表示机器人进行通讯的时间，正常来说，机器人会在任务节点发送相应的通讯信息，以表示自身状态；而若机器人发出异常通讯波段，如噪音，杂音等，说明机器人的通讯部件出现了问题，通讯时间较短，可能是由环境等特殊原因导致的，若持续时间越长，则机器人的异常状态概率越大；其中，预设设备通讯异常影响度系数也是通过历史数据经验得到，其表示每单位通讯异常时间对应的影响度。
通过上述方案，可以得到设备的异常分析参数，这里通过量化后的异常分析参数表征设备的异常度；预设异常等级信息表中包含设备异常度及设备异常概率；可以理解的是，预设异常等级信息表是基于历史大数据进行经验训练得到；基于设备当前的异常度值，可以确定设备出现异常的概率；而随着设备工作时间的增加，设备异常概率存在一个上浮范围值；这里的上浮范围值与增加的工作时间相对应。
通过这种方式，实现了对设备异常的分析，确定了设备可能发生异常的概率，实现了对设备异常的预警。
步骤S103：根据预获取的设备位置数据和预获取的区域设备路径冲突数据确定停机选择数据；所述区域设备路径冲突数据包含区域内所有AGV搬运机器人的预设任务路径的路径干涉子区域；所述路径干涉子区域为存在AGV搬运机器人路过的情况的子区域。
在本申请实施例中，根据预获取的设备位置数据和预获取的区域设备路径冲突数据确定停机选择数据具体包括，根据所述区域设备路径冲突数据确定设备路径时间范围数据和路径空白子区域；根据所述路径空白子区域确定设备停留位置；根据所述设备位置数据和所述设备停留位置确定设备移动时间；根据所述设备路径时间范围数据和所述设备移动时间确定停机选择数据。
可以理解的是，区域内所有的AGV搬运机器人的搬运任务时预先设定好的，其搬运路径也是预先设定好的；那么通过预获取的区域设备路径冲突数据可以确定在区域内，预设的机器人工作路径没有涉及到的区域；由于机器人搬运的货物体积不同，因此这里设定路径干涉子区域，是以区域内搬运任务涉及的最大的货物为参考区间，保证在路径空白子区域内，即使机器人发生偏转，或者出现转弯等行为，也不会对路径空白子区域内的机器人产生碰撞。
在得到了路径空白子区域后，可以在这些子区域内选择设备停留位置；基于设备当前的位置，和已知的设备的移动速度，可以计算出设备达到每个子区域的移动时间；此时，需要避开每个既定路径上执行搬运任务的机器人，最终得到设备停机的位置以及前往停机位置的时间。
通过这种方式，保证了对可能发生异常的设备的及时处理，并且保证了异常设备不会对其余正常设备造成工作影响。
步骤S104：根据所述停机选择数据和所述异常分析数据确定机器人异常处理策略。
在确定了设备的可以停留的停机位置，以及设备会产生异常的相关分析数据之后；基于设备异常概率判断，机器人能否完成当前搬运任务，将设备异常概率与预设风险阈值比较，若设备异常概率不小于预设风险阈值，则判定机器人无法完成当前搬运任务，选择距离机器人最近的停机位置，调整机器人的当前任务，使其移动至停机位置，并停机等待检修即可。
在计算设备异常概率时，提到了随着设备工作时间增加，异常概率会存在上浮范围，并且该浮动值与时间相对应；那么在比较设备异常概率与预设风险阈值时，还需要进一步考量。
计算机器人移动至最近的停机位置所消耗的时间，计算该时间对应的概率上浮范围；将该概率上浮范围与设备异常概率相加得到设备异常概率范围，再将该范围值上限与预设风险阈值比较，若该范围值上限不小于预设风险阈值，则判定机器人无法完成当前搬运任务，选择距离机器人最近的停机位置，调整机器人的当前任务，使其移动至停机位置，并停机等待检修即可。
可以理解的是，上述针对设备停机位置的分析以及设备的处理的应用场景是，在当前区域出现第一台异常概率超过风险阈值的设备，也就是第一个有暂留设备的停机位置的分析，但是对于除第一台异常设备外其余异常设备而言，其存在两个选择，一个是和第一台异常设备停留在同一个位置，还有一个选择是，开辟新的停机位置进行停留，具体地本实施例针对这种应用场景采用下述解决方法。
具体包括，基于预获取的停机位置信息和设备当前位置计算第一路径数据；所述停机位置信息指预先设置的除当前AGV搬运机器人外其余至少一个AGV搬运机器人所在的停机位置；根据所述第一路径数据和所述区域设备路径冲突数据确定第一冲突数据；根据所述设备当前位置和所述停机选择数据确定设备停机位置；根据所述设备当前位置和所述设备停机位置计算得到第二路径数据；根据所述第一路径数据和第一冲突数据确定第一选择数据；根据所述停机选择数据确定第二冲突数据；根据所述第二路径数据和第二冲突数据确定第二选择数据；根据所述第一选择数据和第二选择数据确定第一路径选择数据。
在已知存在停机位置的前提下，先计算设备当前位置与已知停机位置的路径，如果当前异常设备（这里的异常设备就是指设备异常概率超过风险阈值的设备）能够直接移动到已知的停机位置，这样是最好的处理方式，方便后续进行统一检修时，减少了资源的消耗；然后分析若异常设备沿该路径行走，会对区域内其他正常工作的机器人造成影响的概率，这里用第一冲突数据命名；在确定了第一路径之后，当前异常设备需要沿第一路径移动至停机位置，但是第一路径必然会与区域内其余的任务路径产生交集，这就会对其余的设备造成影响；由于当前异常设备本身出现异常的风险就很高，若第一路径产生交集的其余任务路径数量越多，当前异常设备完成第一路径所需要的移动时间越长，第一冲突数据就越大。
；式中，/>为冲突数据，/>为设备异常概率，/>为设备移动时间，/>为设备异常概率上浮范围数据，/>为路径交集点数量，/>为预设路径复杂度量化系数，/>、/>均为预设权重系数，其中，/>取值0.5-0.75，/>取值0.25-0.5。
然后基于停机选择数据，确定设备当前位置最近的设备停机位置；再计算设备到该停机位置的第二路径，以及对应的第二冲突数据，可以参考上述公式计算得到。
，式中，H为选择数据，表示每单位长度路径所表征的冲突；Q为冲突数据；L为路径数据，表示路径长度；比较第一选择数据和第二选择数据，即比较/>和/>，二者中较小的一方被确定为第一路径选择数据。
还包括，基于预设资源计算规则，根据所述停机位置信息确定第一设备检修资源；基于预设资源计算规则，根据所述设备停机位置确定第二设备检修资源；根据所述第一设备检修资源和所述第一选择数据确定第一分析数据；根据所述第二设备检修资源和所述第二选择数据确定第二分析数据；根据所述第一分析数据和所述第二分析数据确定设备停机路径数据。
可以理解的是，设备检修资源是指工作人员从起始点前往不同的停机位置所消耗的资源；将消耗的资源设定为第二个参考因素，将选择数据设定为第一个参考因素，按照预设权重，即可计算出两个路径对应的分析数据；再将二者比较，即可确定设备停机路径数据；可以理解的是，在考虑检修资源时，需要根据不同设备的对应的异常处理策略决定；基于设备的异常数据，和预设的异常处理策略，确定对设备检修需要携带的资源信息。
在本实施例中，若已知的停机点位数量较多，即将超过数量阈值，此时需要考量是否要设立新的停机点；针对该应用场景，本实施采用的解决方法如下。
具体包括，确定预获取的停机点位数量不小于预设停机点位数量阈值；所述停机点位指用于供异常的AGV搬运机器人暂时停留的位置；基于预设资源计算规则确定新的停机点位对应的新增检修资源；根据所述停机选择数据确定物流工作影响数据；根据所述新增检修资源和所述物流工作影响数据确定停机点位处理策略。
可以理解的是，如果需要新增停机点位，判断新增停机点位对应消耗的检修资源，再分析新增停机点位，会对物流工作造成的影响，对二者进行平衡，最终确定停机点位的处理策略。
其中，根据所述停机选择数据确定物流工作影响数据包括：根据所述停机选择数据和设备当前位置确定设备冲突数据；根据所述设备冲突数据及预获取的区域设备任务信息确定区域设备任务影响数据；根据所述区域设备任务影响数据确定物流工作影响数据。
其中，根据所述新增检修资源和所述物流工作影响数据确定停机点位处理策略包括：根据所述新增检修资源确定资源量化值；根据所述物流工作影响数据确定工作时间影响数据；根据所述工作时间影响数据确定收益量化值；根据所述收益量化值和所述资源量化值计算得到收益资源比值；根据所述收益资源比值和预设比值阈值确定停机点处理策略。
可以理解的是，针对于新增检测资源而言，对其进行资源量化，确定资源量化值；这里的资源量化值是为了便于后续进行计算而设置的；基于物流工作影响数据可以确定节省的工作时间所带来的收益量化值；然后计算收益资源比值，确定多消耗的资源所带来的收益是否满足预设的比值阈值，如果满足，那么可以开启新的停机点，如果不可以，那么就不能开启新的停机点。
通过上述方式，对物流转运机器人的工作异常情况进行全面细致的分析，针对不同的停机情况，对每个停机点，每种停机情况进行的策略确定及计算，通过采用上述技术方案，能够实现对AGV搬运机器人的异常检测及处理，对周期性检修工作进行了提前处理，对所有AGV搬运机器人进行了预先异常检测处理及停机位置整体分配，使得周期性检修工作效率提高，工作量降低。
本申请还提供一种基于图像处理的物流转运机器人工作异常检测系统，如图2所示，一种基于图像处理的物流转运机器人工作异常检测系统包括，获取模块1，用于获取预设数量的任务周期内AGV搬运机器人的设备异常数据；所述任务周期指所述AGV搬运机器人开始执行一次搬运任务至任务结束期间的任务持续时间；计算模块2，用于基于预设异常计算规则，根据所述设备异常数据确定异常分析数据；确定模块3，用于根据预获取的设备位置数据和预获取的区域设备路径冲突数据确定停机选择数据；所述区域设备路径冲突数据包含区域内所有AGV搬运机器人的预设任务路径的路径干涉子区域；所述路径干涉子区域为存在AGV搬运机器人路过的情况的子区域；处理模块4，用于根据所述停机选择数据和所述异常分析数据确定机器人异常处理策略。
以上描述仅为本申请得较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其他技术方案。例如上述特征与本申请中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于图像处理的物流转运机器人工作异常检测方法，其特征在于，包括：
获取预设数量的任务周期内AGV搬运机器人的设备异常数据；所述任务周期指所述AGV搬运机器人开始执行一次搬运任务至任务结束期间的任务持续时间；
基于预设异常计算规则，根据所述设备异常数据确定异常分析数据；
根据预获取的设备位置数据和预获取的区域设备路径冲突数据确定停机选择数据；所述区域设备路径冲突数据包含区域内所有AGV搬运机器人的预设任务路径的路径干涉子区域；所述路径干涉子区域为存在AGV搬运机器人路过的情况的子区域；
根据所述停机选择数据和所述异常分析数据确定机器人异常处理策略。
2.根据权利要求1所述的基于图像处理的物流转运机器人工作异常检测方法，其特征在于，还包括：
基于预获取的停机位置信息和设备当前位置计算第一路径数据；所述停机位置信息指预先设置的除当前AGV搬运机器人外其余至少一个AGV搬运机器人所在的停机位置；
根据所述第一路径数据和所述区域设备路径冲突数据确定第一冲突数据；
根据所述设备当前位置和所述停机选择数据确定设备停机位置；
根据所述设备当前位置和所述设备停机位置计算得到第二路径数据；
根据所述第一路径数据和第一冲突数据确定第一选择数据；
根据所述停机选择数据确定第二冲突数据；
根据所述第二路径数据和第二冲突数据确定第二选择数据；
根据所述第一选择数据和第二选择数据确定第一路径选择数据。
3.根据权利要求2所述的基于图像处理的物流转运机器人工作异常检测方法，其特征在于，还包括：
基于预设资源计算规则，根据所述停机位置信息确定第一设备检修资源；
基于预设资源计算规则，根据所述设备停机位置确定第二设备检修资源；
根据所述第一设备检修资源和所述第一选择数据确定第一分析数据；
根据所述第二设备检修资源和所述第二选择数据确定第二分析数据；
根据所述第一分析数据和所述第二分析数据确定设备停机路径数据。
4.根据权利要求1所述的基于图像处理的物流转运机器人工作异常检测方法，其特征在于，还包括：
确定预获取的停机点位数量不小于预设停机点位数量阈值；所述停机点位指用于供异常的AGV搬运机器人暂时停留的位置；
基于预设资源计算规则确定新的停机点位对应的新增检修资源；
根据所述停机选择数据确定物流工作影响数据；
根据所述新增检修资源和所述物流工作影响数据确定停机点位处理策略。
5.根据权利要求4所述的基于图像处理的物流转运机器人工作异常检测方法，其特征在于，所述根据所述停机选择数据确定物流工作影响数据包括：
根据所述停机选择数据和设备当前位置确定设备冲突数据；
根据所述设备冲突数据及预获取的区域设备任务信息确定区域设备任务影响数据；
根据所述区域设备任务影响数据确定物流工作影响数据。
6.根据权利要求4所述的基于图像处理的物流转运机器人工作异常检测方法，其特征在于，所述根据所述新增检修资源和所述物流工作影响数据确定停机点位处理策略包括：
根据所述新增检修资源确定资源量化值；
根据所述物流工作影响数据确定工作时间影响数据；
根据所述工作时间影响数据确定收益量化值；
根据所述收益量化值和所述资源量化值计算得到收益资源比值；
根据所述收益资源比值和预设比值阈值确定停机点处理策略。
7.根据权利要求1所述的基于图像处理的物流转运机器人工作异常检测方法，其特征在于，所述基于预设异常计算规则，根据所述设备异常数据确定异常分析数据包括：
所述设备异常数据包含异常声音数据、异常卡顿数据、异常速度数据、异常负载数据和异常通讯数据；所述异常声音数据指机器人内部发出超过预设声音阈值的异常声音次数；所述异常卡顿数据指机器人行进途中产生的异常卡顿次数；所述异常速度数据指机器人行走速度不在预设速度阈值范围内的异常速度次数；异常负载数据指机器人负载货物重量超过重量阈值的重量数据；所述异常通讯数据指机器人发出异常通讯波段所持续的时间数据；
计算第一异常参数，，式中，/>为第一异常参数，/>为预获取的异常声音数据，/>为预设设备声音异常影响度系数，/>为预获取的异常卡顿数据，/>为预设设备卡顿异常影响度系数，/>为预获取的异常速度数据，/>为预设设备速度异常影响度系数；
计算第二异常参数，，式中，/>为第二异常参数，/>为预获取的异常负载数据，/>为预设设备负载异常影响度系数，/>为预获取的异常通讯数据，/>为预设设备通讯异常影响度系数；
计算异常分析参数，，式中，/>为异常分析参数，/>为第一预设权重系数、/>为第二预设权重系数，/>、/>取值0-1；/>、/>均为预设常数，且均大于0；
根据所述异常分析参数和预设异常等级信息表确定异常分析数据。
8.根据权利要求7所述的基于图像处理的物流转运机器人工作异常检测方法，其特征在于，还包括：。
9.根据权利要求1所述的基于图像处理的物流转运机器人工作异常检测方法，其特征在于，所述根据预获取的设备位置数据和预获取的区域设备路径冲突数据确定停机选择数据包括：
根据所述区域设备路径冲突数据确定设备路径时间范围数据和路径空白子区域；
根据所述路径空白子区域确定设备停留位置；
根据所述设备位置数据和所述设备停留位置确定设备移动时间；
根据所述设备路径时间范围数据和所述设备移动时间确定停机选择数据。
10.一种基于图像处理的物流转运机器人工作异常检测系统，其特征在于，包括：
获取模块（1），用于获取预设数量的任务周期内AGV搬运机器人的设备异常数据；所述任务周期指所述AGV搬运机器人开始执行一次搬运任务至任务结束期间的任务持续时间；
计算模块（2），用于基于预设异常计算规则，根据所述设备异常数据确定异常分析数据；
确定模块（3），用于根据预获取的设备位置数据和预获取的区域设备路径冲突数据确定停机选择数据；所述区域设备路径冲突数据包含区域内所有AGV搬运机器人的预设任务路径的路径干涉子区域；所述路径干涉子区域为存在AGV搬运机器人路过的情况的子区域；
处理模块（4），用于根据所述停机选择数据和所述异常分析数据确定机器人异常处理策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410211370.3A CN117774007B (zh) | 2024-02-27 | 2024-02-27 | 基于图像处理的物流转运机器人工作异常检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410211370.3A CN117774007B (zh) | 2024-02-27 | 2024-02-27 | 基于图像处理的物流转运机器人工作异常检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117774007A true CN117774007A (zh) | 2024-03-29 |
| CN117774007B CN117774007B (zh) | 2024-04-23 |
Family
ID=90396690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410211370.3A Active CN117774007B (zh) | 2024-02-27 | 2024-02-27 | 基于图像处理的物流转运机器人工作异常检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117774007B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060224426A1 (en) * | 2005-03-30 | 2006-10-05 | Oracle International Corporation | Transportation planning with system assisted exception resolution |
| CN109697558A (zh) * | 2018-12-18 | 2019-04-30 | 北京航空航天大学 | 一种考虑路径依赖的人误机理建模方法 |
| CN109861825A (zh) * | 2019-02-15 | 2019-06-07 | 浙江工商大学 | Cps系统中基于加权规则与一致度的内部攻击检测方法 |
| CN110264120A (zh) * | 2019-05-06 | 2019-09-20 | 盐城品迅智能科技服务有限公司 | 一种基于多agv的智能仓储路线规划系统和方法 |
| CN110610346A (zh) * | 2019-08-07 | 2019-12-24 | 北京航空航天大学 | 智能办公自动化系统工作流实例时间预测分析 |
| US20200208998A1 (en) * | 2018-12-26 | 2020-07-02 | Didi Research America, Llc | Systems and methods for safe route planning for a vehicle |
| CN112223273A (zh) * | 2020-08-21 | 2021-01-15 | 宁波辰峰自动化科技有限公司 | 一种工业机器人视觉检测及避障系统 |
| CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
| CA3177620A1 (en) * | 2021-05-06 | 2022-11-06 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
| WO2022236064A2 (en) * | 2021-05-06 | 2022-11-10 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
| CN116203957A (zh) * | 2023-02-24 | 2023-06-02 | 立得空间信息技术股份有限公司 | 一种巡检和运输机器人作业任务管理方法及系统 |
| CN117232517A (zh) * | 2023-09-01 | 2023-12-15 | 华北电力大学（保定） | 用于电力行业仓储场景的多移动工业机器人路径规划方法 |
-
2024
- 2024-02-27 CN CN202410211370.3A patent/CN117774007B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060224426A1 (en) * | 2005-03-30 | 2006-10-05 | Oracle International Corporation | Transportation planning with system assisted exception resolution |
| CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
| CN109697558A (zh) * | 2018-12-18 | 2019-04-30 | 北京航空航天大学 | 一种考虑路径依赖的人误机理建模方法 |
| US20200208998A1 (en) * | 2018-12-26 | 2020-07-02 | Didi Research America, Llc | Systems and methods for safe route planning for a vehicle |
| CN109861825A (zh) * | 2019-02-15 | 2019-06-07 | 浙江工商大学 | Cps系统中基于加权规则与一致度的内部攻击检测方法 |
| CN110264120A (zh) * | 2019-05-06 | 2019-09-20 | 盐城品迅智能科技服务有限公司 | 一种基于多agv的智能仓储路线规划系统和方法 |
| CN110610346A (zh) * | 2019-08-07 | 2019-12-24 | 北京航空航天大学 | 智能办公自动化系统工作流实例时间预测分析 |
| CN112223273A (zh) * | 2020-08-21 | 2021-01-15 | 宁波辰峰自动化科技有限公司 | 一种工业机器人视觉检测及避障系统 |
| CA3177620A1 (en) * | 2021-05-06 | 2022-11-06 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
| WO2022236064A2 (en) * | 2021-05-06 | 2022-11-10 | Strong Force Iot Portfolio 2016, Llc | Quantum, biological, computer vision, and neural network systems for industrial internet of things |
| CN116203957A (zh) * | 2023-02-24 | 2023-06-02 | 立得空间信息技术股份有限公司 | 一种巡检和运输机器人作业任务管理方法及系统 |
| CN117232517A (zh) * | 2023-09-01 | 2023-12-15 | 华北电力大学（保定） | 用于电力行业仓储场景的多移动工业机器人路径规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117774007B (zh) | 2024-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8155820B2 (en) | Method, apparatus and computer program product for predicting and avoiding a fault | |
| US20180018641A1 (en) | Method of estimating an expected service life of a component of a machine | |
| US7599762B2 (en) | Model-based control for crane control and underway replenishment | |
| US20150310674A1 (en) | System for providing on-site service for industrial equipment | |
| Fernández et al. | Dynamic fuzzy logic elevator group control system with relative waiting time consideration | |
| EP3814740B1 (en) | Decision of faulty bearing | |
| CN115946132B (zh) | 一种智能密集库与物流机器人系统及其故障监测方法 | |
| CN117774007B (zh) | 基于图像处理的物流转运机器人工作异常检测方法及系统 | |
| CN116579692A (zh) | 一种基于人工智能的物流信息动态监管系统及方法 | |
| KR20220007640A (ko) | 분석 방법 및 이를 위한 디바이스 | |
| KR20220007641A (ko) | 분석 방법 및 이를 위한 디바이스 | |
| KR20220007642A (ko) | 분석 방법 및 이를 위한 디바이스 | |
| CN114723187A (zh) | 一种智能塔机及智能塔机的故障预测方法、存储介质 | |
| CN116501002B (zh) | 智慧码头载运危险货物集装箱agv安全诱导配置方法 | |
| CN116307259B (zh) | 一种矿山设备的维修性预测方法、装置、设备和介质 | |
| CN112052714A (zh) | 用于对飞行器传感器建模的数据驱动的机器学习 | |
| Kimera et al. | Improving ship yard ballast pumps’ operations: A PCA approach to predictive maintenance | |
| Pandian et al. | A review of recent trends in machine diagnosis and prognosis algorithms | |
| EP4095533B1 (en) | Early detection of cable failure in automotive networks | |
| CN115660534B (zh) | 一种海洋云仓污染物转运车辆调度及预警方法、系统 | |
| CN117196269B (zh) | 基于人工智能的智能转运控制方法和计算机程序介质 | |
| US20240135305A1 (en) | Adaptive logistics navigation assistance based on package fragility | |
| CN116882734B (zh) | 一种基于大数据的供应链数据监管系统及方法 | |
| US20240167914A1 (en) | Apparatus For Determining Damage On Structural Components And Work Machine Comprising Such An Apparatus | |
| CN114625098B (zh) | 一种水下机器人抢占式故障处理方法 |
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 |