CN118278653A - 一种基于视觉机器人的设备缺陷检测系统 - Google Patents
一种基于视觉机器人的设备缺陷检测系统 Download PDFInfo
- Publication number
- CN118278653A CN118278653A CN202410265675.2A CN202410265675A CN118278653A CN 118278653 A CN118278653 A CN 118278653A CN 202410265675 A CN202410265675 A CN 202410265675A CN 118278653 A CN118278653 A CN 118278653A
- Authority
- CN
- China
- Prior art keywords
- robot
- equipment
- grade
- equipment defect
- index
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 203
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 230000000007 visual effect Effects 0.000 title abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 74
- 230000004044 response Effects 0.000 claims description 51
- 230000007797 corrosion Effects 0.000 claims description 33
- 238000005260 corrosion Methods 0.000 claims description 33
- 230000008859 change Effects 0.000 claims description 30
- 230000002159 abnormal effect Effects 0.000 claims description 22
- 230000008439 repair process Effects 0.000 claims description 21
- 230000005856 abnormality Effects 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 9
- 230000035945 sensitivity Effects 0.000 claims description 8
- 238000013210 evaluation model Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003707 image sharpening Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Landscapes
- Manipulator (AREA)
Abstract
本发明公开了一种基于视觉机器人的设备缺陷检测系统，具体涉及设备缺陷检测技术领域，包括数据采集模块、缺陷等级评定模块、机器人状态评定模块、智能匹配模块、预警模块，通过对检测到的设备缺陷进行等级评定，同时根据获取的机器人状态数据构建机器人状态评定模型，生成机器人状态评定指数，并将机器人状态评定指数与预设的机器人状态评定指数阶段阈值进行比较，对现存的机器人运行状态进行等级评定，并通过智能匹配模块，为不同等级的设备缺陷匹配最佳的机器人进行修复工作，避免出现设备的缺陷程度较高但是机器人的设备状态较差的情况，有助于优化资源分配，能够更好地适应各种设备缺陷和机器人状态的变化，提升系统的稳定性和可靠性。
Description
技术领域
本发明涉及设备缺陷检测技术领域，更具体地说，本发明涉及一种基于视觉机器人的设备缺陷检测系统。
背景技术
随着工业制造的快速发展，对设备质量的要求越来越高，缺陷检测成为生产过程中的重要环节，基于视觉机器人的设备缺陷检测系统是指利用计算机视觉技术来检测设备或产品上的缺陷、错误或异常，并根据检测到的缺陷信息控制机器人对设备缺陷进行修复操作。
在目前的设备缺陷检测中缺乏对设备缺陷等级的评定，从而导致无法根据设备缺陷等级匹配出对应的机器人对其进行修复操作，当设备的缺陷程度较高但是机器人的设备状态较差时，可能导致机器人在对设备缺陷进行修复时故障频发，增加修复时长，无法一次性的对其进行修复，当设备的缺陷程度较低但是机器人的设备状态较高时，可能导致过度的资源浪费。
为了解决上述缺陷，现提供一种技术方案。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种基于视觉机器人的设备缺陷检测系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于视觉机器人的设备缺陷检测系统，包括数据采集模块、缺陷等级评定模块、机器人状态评定模块、智能匹配模块、预警模块，各个模块之间通过信号连接；
数据采集模块，用于采集设备缺陷数据和机器人状态数据，采集后，将设备缺陷数据和机器人状态数据分别传递至缺陷等级评定模块、机器人状态评定模块；
缺陷等级评定模块，用于根据设备缺陷数据，构建缺陷等级评定模型，生成设备缺陷等级评定指数，并根据设备缺陷等级评定系数，对设备缺陷进行等级评定；
机器人状态评定模块，用于根据机器人状态数据，构建机器人状态评定模型，生成机器人状态评定指数，并根据机器人状态评定指数，对现存的机器人状态等级进行评定；
智能匹配模块，用于根据设备缺陷等级和机器人状态等级定制匹配规则，并根据匹配结果，确定用于修复设备缺陷的机器人；
预警模块，用于发出预警信号，提醒工作人员进行人工匹配。
在一个优选地实施方式中，设备缺陷数据包括腐蚀覆盖数据、裂纹深度数据；
腐蚀覆盖数据包括腐蚀面积波动率，裂纹深度数据包括裂纹深度变化率；
将腐蚀面积波动率、裂纹深度变化率分别标记为AF、KO。
在一个优选地实施方式中，腐蚀面积波动率的计算表达式如下 其中[tx,ty]表示设备表面腐蚀面积出现变化的时间段，表示腐蚀面积随时间的变化率，T(t)表示时间t处的环境温度，H(t)表示时间t处的环境湿度；
裂纹深度变化率的计算表达式如下其中ΔD表示裂纹深度的变化量，Δt表示发生裂纹变化的时间的变化量。
在一个优选地实施方式中，根据腐蚀面积波动率、裂纹深度变化率通过公式计算得到设备缺陷等级评定指数；
将设备缺陷等级评定指数与预设的设备缺陷等级评定指数阶段阈值进行比较，对现存的设备缺陷进行等级评定；
设备缺陷等级评定指数阶段阈值包括设备缺陷等级评定指数第一阈值和设备缺陷等级评定指数第二阈值，且设备缺陷等级评定指数第二阈值大于设备缺陷等级评定指数第一阈值；
若设备缺陷等级评定指数大于等于设备缺陷等级评定指数第二阈值，则生成一级缺陷等级；
若设备缺陷等级评定指数小于设备缺陷等级评定指数第二阈值，且设备缺陷等级评定指数大于等于设备缺陷等级评定指数第一阈值，则生成二级缺陷等级；
若设备缺陷等级评定指数小于等于设备缺陷等级评定指数第一阈值，则生成三级缺陷等级。
在一个优选地实施方式中，机器人状态数据包括灵敏度数据、响应数据、电量数据；
灵敏度数据包括扭矩施加异常系数，响应数据包括异常响应时长系数，电量数据包括当前剩余电量；
将扭矩施加异常系数、异常响应时长系数、当前剩余电量分别标记为QE、FA、FI。
在一个优选地实施方式中，扭矩施加异常系数的获取逻辑如下：
在机器人进行修复工作的时间段里设置多个等距监测点，通过扭矩传感器实时获取多个监测点的实际扭矩，将其标记为NJi，i＝{1,2，...,k}，k为正整数，i表示不同监测点的次序编号；
将获取的实际扭矩与预设的施加扭矩进行比较，当实际扭矩非等于预设的施加扭矩时，则将其标记为异常扭矩，即j＝{1,2，...,m}，m为正整数，j表示异常扭矩的次序编号；根据异常扭矩计算扭矩施加异常系数，表达式如下
异常响应时长系数的获取逻辑如下：
记录指令发送时间：在控制器发出指令时记录时间戳，标记为指令发送时间；
记录指令执行时间：当机器人收到指令并执行任务时，记录此时的时间戳，标记为指令执行时间；
计算响应时长：响应时长等于指令执行时间减去指令发送时间；
设置响应时长临界阈值，将其标记为LJ；
根据响应时长以及响应时长临界阈值计算异常响应时长系数，表达式如下其中XY表示响应时长，v＝{1,2，...,n}，n为正整数，v表示响应时长大于等于响应时长临界阈值的次序编号。
在一个优选地实施方式中，根据扭矩施加异常系数、异常响应时长系数、当前剩余电量通过公式计算得到机器人状态评定指数；
将机器人状态评定指数与预设的机器人状态评定指数阶段阈值进行比较，对现存的机器人运行状态进行等级评定；
机器人状态评定指数阈值包括机器人状态评定指数第一阈值和机器人状态评定指数第二阈值，且机器人状态评定指数第二阈值大于机器人状态评定指数第一阈值；
若机器人状态评定指数大于等于机器人状态评定指数第二阈值，则生成一级状态等级；
若机器人状态评定指数小于机器人状态评定指数第二阈值，且机器人状态评定指数大于等于机器人状态评定指数第一阈值，则生成二级状态等级；
若机器人状态评定指数小于等于机器人状态评定指数第一阈值，则生成三级状态等级。
在一个优选地实施方式中，根据设备缺陷等级划分缺陷等级区间，各等级区间内的设备缺陷按照设备缺陷等级评定指数由大到小进行排序，生成各等级区间的设备缺陷排序表；
从设备缺陷排序表的首位设备缺陷开始匹配；
设置匹配范围，以设备缺陷所处位置出发计算出匹配范围；
在匹配范围内优先匹配对应等级的机器人；
当在匹配范围内有多个对应等级的机器人时，按照机器人状态评定指数由大到小进行排序，生成机器人排序表，将首位机器人用于修复当前的设备缺陷；
当在匹配范围内未发现对应等级的机器人时，则启用向上兼容策略；
检测上一等级区间的设备缺陷排序表中是否现存设备缺陷，若不存在设备缺陷，则选择上一等级的机器人排序表的末位机器人用于修复当前的设备缺陷，若存在设备缺陷，则通过预警模块，发出预警信号，提醒工作人员进行人工匹配。
本发明的技术效果和优点：
1、本发明通过对检测到的设备缺陷进行等级评定，同时根据获取的机器人状态数据构建机器人状态评定模型，生成机器人状态评定指数，并将机器人状态评定指数与预设的机器人状态评定指数阶段阈值进行比较，对现存的机器人运行状态进行等级评定，并通过智能匹配模块，为不同等级的设备缺陷匹配最佳的机器人进行修复工作，避免出现设备的缺陷程度较高但是机器人的设备状态较差的情况，有助于优化资源分配，使得状态良好的机器人更多地用于处理严重的设备缺陷，提高修复工作的效率和质量，实现对机器人修复任务的自动化分配，能够更好地适应各种设备缺陷和机器人状态的变化，提升系统的稳定性和可靠性。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明；
图1为本发明实施例1的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本发明提供了如图1所示的一种基于视觉机器人的设备缺陷检测系统，包括数据采集模块、缺陷等级评定模块、机器人状态评定模块、智能匹配模块、预警模块，各个模块之间通过信号连接；
数据采集模块，用于采集设备缺陷数据和机器人状态数据，采集后，将设备缺陷数据和机器人状态数据分别传递至缺陷等级评定模块、机器人状态评定模块；
数据采集模块，包括传感器单元、数据预处理单元、特征提取单元；
传感器单元，包括若干传感器以及摄像机设备用于获取设备表明图像和额外的几何信息以及机器人的运行状态数据；
数据预处理单元，用于对获取的相关数据进行预处理，包括如下步骤：
传感器数据：包括缺失值处理、异常值处理、数据清洗、数据标准化；
缺失值处理：检测并处理数据中的缺失值，缺失值可能会影响分析的准确性，因此通常需要采取适当的方法填充或删除缺失值。
异常值处理：检测并处理异常值，这些异常值可能是由于传感器故障、测量错误或其他原因引起的，通常采用删除异常值、替换异常值等操作。
数据清洗：清洗数据，确保数据的一致性和准确性，这可能包括去除重复项、解决数据格式问题等。
数据标准化：将数据标准化到相同的尺度，以消除不同传感器之间的单位差异或数值范围差异，可通过Mi n-Max归一化或Z-score标准化实现。
图像数据：包括去除噪声、图像质量增强、图像清晰化；
去除噪声：使用图像处理技术，如中值滤波、高斯模糊等，去除图像中的噪声，这些方法可以平滑图像，减少不必要的像素抖动或干扰，提高图像质量，若图像存在特定类型的噪声，可以使用适当的降噪算法或滤波器来消除或减少这些噪声；
图像质量增强：调整图像的对比度、亮度和色彩平衡，以增强图像的视觉效果，这可以通过直方图均衡化、灰度拉伸、颜色校正等方法来实现；
图像清晰化：对图像应用清晰化技术，以提高图像的清晰度和细节表现，这可以通过增强边缘、应用锐化算法或特定的图像增强滤波器来实现；
特征提取单元，从传感器数据以及图像数据提取出与设备缺陷相关的数据以及机器人运行状态相关的数据；
将设备缺陷数据和机器人状态数据分别传递至缺陷等级评定模块、机器人状态评定模块；
缺陷等级评定模块，用于根据设备缺陷数据，构建缺陷等级评定模型，生成设备缺陷等级评定指数，并根据设备缺陷等级评定系数，对设备缺陷进行等级评定；
设备缺陷数据包括腐蚀覆盖数据、裂纹深度数据；
腐蚀覆盖数据包括腐蚀面积波动率，裂纹深度数据包括裂纹深度变化率；
将腐蚀面积波动率、裂纹深度变化率分别标记为AF、KO；
腐蚀覆盖数据包括腐蚀面积波动率，裂纹深度数据包括裂纹深度变化率；
腐蚀面积波动率是用于衡量设备表面腐蚀程度随着环境温度和湿度变化而出现异常波动的参数，可用来定量地描述设备在不同环境条件下腐蚀的变化的趋势，腐蚀面积波动率越高，则表明设备表面存在的缺陷程度越高，其腐蚀面积的波动越大，对于机器人进行修复的难度越高，从而设备表面的缺陷等级评定越高；
腐蚀面积波动率的计算表达式如下其中[tx,ty]表示设备表面腐蚀面积出现变化的时间段，表示腐蚀面积随时间的变化率，T(t)表示时间t处的环境温度，H(t)表示时间t处的环境湿度；
设备表面的腐蚀面积可从设备表面图像中计算设备表面出现腐蚀的像素点数量获取，并记录出现腐蚀变化的时间段得到[tx,ty]，环境温度、环境湿度可通过温度传感器、湿度传感器实时获取；
裂纹深度变化率是用于衡量设备表面出现的裂纹随着时间变化的速率，裂纹深度变化率越高，则表明设备表面裂纹的恶化趋势越严重，对于机器人进行修复的难度越高，从而设备表面的缺陷等级评定越高，即对于需要进行修复工作的机器人的要求则要更高；
裂纹深度变化率的计算表达式如下其中ΔD表示裂纹深度的变化量，Δt表示发生裂纹变化的时间的变化量；
裂纹深度可通过超声波传感器实时监测，并记录裂纹深度发生变化的时间；
根据腐蚀面积波动率、裂纹深度变化率构建缺陷等级评定模型，生成设备缺陷等级评定指数，其依据的公式如下其中TH为设备缺陷等级评定指数，a1、a2分别为腐蚀面积波动率、裂纹深度变化率的比例系数，其中a1>a2>0；
将设备缺陷等级评定指数与预设的设备缺陷等级评定指数阶段阈值进行比较，对现存的设备缺陷进行等级评定；
设备缺陷等级评定指数阶段阈值包括设备缺陷等级评定指数第一阈值和设备缺陷等级评定指数第二阈值，且设备缺陷等级评定指数第二阈值大于设备缺陷等级评定指数第一阈值；
若设备缺陷等级评定指数大于等于设备缺陷等级评定指数第二阈值，则表明设备表面的缺陷受损程度非常严重，生成一级缺陷等级，需要进行修复工作的机器人要保持更高性能的运行状态；
若设备缺陷等级评定指数小于设备缺陷等级评定指数第二阈值，且设备缺陷等级评定指数大于等于设备缺陷等级评定指数第一阈值，则表明当前设备表面的缺陷受损程度一般，可能存在恶化的趋势，生成二级缺陷等级，对于进行修复工作的机器人来说其运行性能无需达到最佳；
若设备缺陷等级评定指数小于等于设备缺陷等级评定指数第一阈值，则表明设备表面的缺陷受损程度较轻，生成三级缺陷等级，则对于进行修复工作的机器人来说，仅要求能够满足简单的修复工作即可；
将进行等级评定后的设备缺陷信息传递至智能匹配模块；
机器人状态评定模块，用于根据机器人状态数据，构建机器人状态评定模型，生成机器人状态评定指数，并根据机器人状态评定指数，对现存的机器人状态等级进行评定；
机器人状态数据包括灵敏度数据、响应数据、电量数据；
灵敏度数据包括扭矩施加异常系数，响应数据包括异常响应时长系数，电量数据包括当前剩余电量；
将扭矩施加异常系数、异常响应时长系数、当前剩余电量分别标记为QE、FA、FI；
扭矩施加异常系数是用于衡量机器人在进行修复工作时其机械臂对于设备表面施加的力的异常程度，扭矩施加异常系数越高，则表明机器人的运行状态越差，其对设备表面施加的扭矩(力矩)出现异常的概率越大，可能导致其设备表面的缺陷进一步恶化，扭矩施加异常系数越高，机器人运行状态的稳定性越差，其评定等级越低；
扭矩施加异常系数的获取逻辑如下：
在机器人进行修复工作的时间段里设置多个等距监测点，通过扭矩传感器实时获取多个监测点的实际扭矩，将其标记为NJi，i＝{1,2，...,k}，k为正整数，i表示不同监测点的次序编号；
将获取的实际扭矩与预设的施加扭矩进行比较，当实际扭矩非等于预设的施加扭矩时，则表示机器人的灵敏度较差，其施加的扭矩出现偏离，将其标记为异常扭矩，即j＝{1,2，...,m}，m为正整数，j表示异常扭矩的次序编号，当实际扭矩等于预设的施加扭矩时，则表明机器人的灵敏度处于正常范围；根据异常扭矩计算扭矩施加异常系数，表达式如下
异常响应时长系数是用于衡量机器人在进行修复工作时控制器发出指令到机器人执行指令所需要的时间出现异常的程度，异常响应时长越高，则表明机器人的运行状态越差，其评定等级越低；
异常响应时长系数的获取逻辑如下：
记录指令发送时间：在控制器发出指令时记录时间戳，标记为指令发送时间；
记录指令执行时间：当机器人收到指令并执行任务时，记录此时的时间戳，标记为指令执行时间；
计算响应时长：响应时长等于指令执行时间减去指令发送时间；
设置响应时长临界阈值，将其标记为LJ；
根据响应时长以及响应时长临界阈值计算异常响应时长系数，表达式如下其中XY表示响应时长，v＝{1,2，...,n}，n为正整数，v表示响应时长大于等于响应时长临界阈值的次序编号；
当前剩余电量是用于衡量机器人电池或能源系统的电能储备情况，用来评估机器人在执行任务过程中的可持续工作时间，若当前剩余电量越低，则表明机器人在接下来的设备缺陷修复中可能无法应对较高等级的设备缺陷，其评定等级越低；
根据扭矩施加异常系数、异常响应时长系数、当前剩余电量构建机器人状态评定模型，生成机器人状态评定指数，其依据的公式如下 其中JQ为机器人状态评定指数，b1、b2、b3分别为扭矩施加异常系数、异常响应时长系数、当前剩余电量的比例系数，其中b1>b2>b3>0；
将机器人状态评定指数与预设的机器人状态评定指数阶段阈值进行比较，对现存的机器人运行状态进行等级评定；
机器人状态评定指数阈值包括机器人状态评定指数第一阈值和机器人状态评定指数第二阈值，且机器人状态评定指数第二阈值大于机器人状态评定指数第一阈值；
若机器人状态评定指数大于等于机器人状态评定指数第二阈值，则机器人的运行状态极佳，可应对等级较高的设备缺陷的修复工作，生成一级状态等级；
若机器人状态评定指数小于机器人状态评定指数第二阈值，且机器人状态评定指数大于等于机器人状态评定指数第一阈值，则表明机器人的运行状态一般，可应对等级一般的设备缺陷的修复工作，生成二级状态等级；
若机器人状态评定指数小于等于机器人状态评定指数第一阈值，则表明机器人的运行状态较差，仅可应对简单的修复工作，生成三级状态等级；
将进行等级评定后的机器人传递至智能匹配模块；
智能匹配模块，用于根据设备缺陷等级和机器人状态等级定制匹配规则，并根据匹配结果，确定用于修复设备缺陷的机器人；
根据设备缺陷等级划分缺陷等级区间，各等级区间内的设备缺陷按照设备缺陷等级评定指数由大到小进行排序，生成各等级区间的设备缺陷排序表；
从设备缺陷排序表的首位设备缺陷开始匹配；
需要说明的是，各等级区间内的设备缺陷是同时开始进行匹配；
设置匹配范围，即预设一个范围半径，以设备缺陷所处位置出发计算出匹配范围；
在匹配范围内优先匹配对应等级的机器人；
当在匹配范围内有多个对应等级的机器人时，按照机器人状态评定指数由大到小进行排序，生成机器人排序表，将首位机器人用于修复当前的设备缺陷；
当在匹配范围内未发现对应等级的机器人时，则启用向上兼容策略；
检测上一等级区间的设备缺陷排序表中是否现存设备缺陷，若不存在设备缺陷，则选择上一等级的机器人排序表的末位机器人用于修复当前的设备缺陷，若存在设备缺陷，则通过预警模块，发出预警信号，提醒工作人员进行人工匹配；
本发明通过对检测到的设备缺陷进行等级评定，同时根据获取的机器人状态数据构建机器人状态评定模型，生成机器人状态评定指数，并将机器人状态评定指数与预设的机器人状态评定指数阶段阈值进行比较，对现存的机器人运行状态进行等级评定，并通过智能匹配模块，为不同等级的设备缺陷匹配最佳的机器人进行修复工作，避免出现设备的缺陷程度较高但是机器人的设备状态较差的情况，有助于优化资源分配，使得状态良好的机器人更多地用于处理严重的设备缺陷，提高修复工作的效率和质量，实现对机器人修复任务的自动化分配，能够更好地适应各种设备缺陷和机器人状态的变化，提升系统的稳定性和可靠性。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
所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。
所述功能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介质中。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介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于视觉机器人的设备缺陷检测系统，其特征在于：包括数据采集模块、缺陷等级评定模块、机器人状态评定模块、智能匹配模块、预警模块，各个模块之间通过信号连接；
数据采集模块，用于采集设备缺陷数据和机器人状态数据，采集后，将设备缺陷数据和机器人状态数据分别传递至缺陷等级评定模块、机器人状态评定模块；
缺陷等级评定模块，用于根据设备缺陷数据，构建缺陷等级评定模型，生成设备缺陷等级评定指数，并根据设备缺陷等级评定系数，对设备缺陷进行等级评定；
机器人状态评定模块，用于根据机器人状态数据，构建机器人状态评定模型，生成机器人状态评定指数，并根据机器人状态评定指数，对现存的机器人状态等级进行评定；
智能匹配模块，用于根据设备缺陷等级和机器人状态等级定制匹配规则，并根据匹配结果，确定用于修复设备缺陷的机器人；
预警模块，用于发出预警信号，提醒工作人员进行人工匹配。
2.根据权利要求1所述的一种基于视觉机器人的设备缺陷检测系统，其特征在于：设备缺陷数据包括腐蚀覆盖数据、裂纹深度数据；
腐蚀覆盖数据包括腐蚀面积波动率，裂纹深度数据包括裂纹深度变化率；
将腐蚀面积波动率、裂纹深度变化率分别标记为AF、KO。
3.根据权利要求2所述的一种基于视觉机器人的设备缺陷检测系统，其特征在于：腐蚀面积波动率的计算表达式如下其中[tx,ty]表示设备表面腐蚀面积出现变化的时间段，表示腐蚀面积随时间的变化率，T(t)表示时间t处的环境温度，H(t)表示时间t处的环境湿度；
裂纹深度变化率的计算表达式如下其中ΔD表示裂纹深度的变化量，Δt表示发生裂纹变化的时间的变化量。
4.根据权利要求2所述的一种基于视觉机器人的设备缺陷检测系统，其特征在于：根据腐蚀面积波动率、裂纹深度变化率通过公式计算得到设备缺陷等级评定指数；
将设备缺陷等级评定指数与预设的设备缺陷等级评定指数阶段阈值进行比较，对现存的设备缺陷进行等级评定；
设备缺陷等级评定指数阶段阈值包括设备缺陷等级评定指数第一阈值和设备缺陷等级评定指数第二阈值，且设备缺陷等级评定指数第二阈值大于设备缺陷等级评定指数第一阈值；
若设备缺陷等级评定指数大于等于设备缺陷等级评定指数第二阈值，则生成一级缺陷等级；
若设备缺陷等级评定指数小于设备缺陷等级评定指数第二阈值，且设备缺陷等级评定指数大于等于设备缺陷等级评定指数第一阈值，则生成二级缺陷等级；
若设备缺陷等级评定指数小于等于设备缺陷等级评定指数第一阈值，则生成三级缺陷等级。
5.根据权利要求1所述的一种基于视觉机器人的设备缺陷检测系统，其特征在于：机器人状态数据包括灵敏度数据、响应数据、电量数据；
灵敏度数据包括扭矩施加异常系数，响应数据包括异常响应时长系数，电量数据包括当前剩余电量；
将扭矩施加异常系数、异常响应时长系数、当前剩余电量分别标记为QE、FA、FI。
6.根据权利要求5所述的一种基于视觉机器人的设备缺陷检测系统，其特征在于：扭矩施加异常系数的获取逻辑如下：
在机器人进行修复工作的时间段里设置多个等距监测点，通过扭矩传感器实时获取多个监测点的实际扭矩，将其标记为NJi，i＝{1,2，...,k}，k为正整数，i表示不同监测点的次序编号；
将获取的实际扭矩与预设的施加扭矩进行比较，当实际扭矩非等于预设的施加扭矩时，则将其标记为异常扭矩，即m为正整数，j表示异常扭矩的次序编号；根据异常扭矩计算扭矩施加异常系数，表达式如下
异常响应时长系数的获取逻辑如下：
记录指令发送时间：在控制器发出指令时记录时间戳，标记为指令发送时间；
记录指令执行时间：当机器人收到指令并执行任务时，记录此时的时间戳，标记为指令执行时间；
计算响应时长：响应时长等于指令执行时间减去指令发送时间；
设置响应时长临界阈值，将其标记为LJ；
根据响应时长以及响应时长临界阈值计算异常响应时长系数，表达式如下其中XY表示响应时长，v＝{1,2，...,n}，n为正整数，v表示响应时长大于等于响应时长临界阈值的次序编号。
7.根据权利要求5所述的一种基于视觉机器人的设备缺陷检测系统，其特征在于：根据扭矩施加异常系数、异常响应时长系数、当前剩余电量通过公式计算得到机器人状态评定指数；
将机器人状态评定指数与预设的机器人状态评定指数阶段阈值进行比较，对现存的机器人运行状态进行等级评定；
机器人状态评定指数阈值包括机器人状态评定指数第一阈值和机器人状态评定指数第二阈值，且机器人状态评定指数第二阈值大于机器人状态评定指数第一阈值；
若机器人状态评定指数大于等于机器人状态评定指数第二阈值，则生成一级状态等级；
若机器人状态评定指数小于机器人状态评定指数第二阈值，且机器人状态评定指数大于等于机器人状态评定指数第一阈值，则生成二级状态等级；
若机器人状态评定指数小于等于机器人状态评定指数第一阈值，则生成三级状态等级。
8.根据权利要求1所述的一种基于视觉机器人的设备缺陷检测系统，其特征在于：根据设备缺陷等级划分缺陷等级区间，各等级区间内的设备缺陷按照设备缺陷等级评定指数由大到小进行排序，生成各等级区间的设备缺陷排序表；
从设备缺陷排序表的首位设备缺陷开始匹配；
设置匹配范围，以设备缺陷所处位置出发计算出匹配范围；
在匹配范围内优先匹配对应等级的机器人；
当在匹配范围内有多个对应等级的机器人时，按照机器人状态评定指数由大到小进行排序，生成机器人排序表，将首位机器人用于修复当前的设备缺陷；
当在匹配范围内未发现对应等级的机器人时，则启用向上兼容策略；
检测上一等级区间的设备缺陷排序表中是否现存设备缺陷，若不存在设备缺陷，则选择上一等级的机器人排序表的末位机器人用于修复当前的设备缺陷，若存在设备缺陷，则通过预警模块，发出预警信号，提醒工作人员进行人工匹配。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410265675.2A CN118278653A (zh) | 2024-03-08 | 2024-03-08 | 一种基于视觉机器人的设备缺陷检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410265675.2A CN118278653A (zh) | 2024-03-08 | 2024-03-08 | 一种基于视觉机器人的设备缺陷检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118278653A true CN118278653A (zh) | 2024-07-02 |
Family
ID=91634663
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410265675.2A Pending CN118278653A (zh) | 2024-03-08 | 2024-03-08 | 一种基于视觉机器人的设备缺陷检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118278653A (zh) |
-
2024
- 2024-03-08 CN CN202410265675.2A patent/CN118278653A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1982301B1 (en) | Method of condition monitoring | |
| CN112697798B (zh) | 面向红外图像的变电设备电流致热型缺陷的诊断方法和装置 | |
| CN112947290B (zh) | 基于边云协同的设备状态监测方法、监测系统及存储介质 | |
| WO2023065584A1 (zh) | 设备的剩余使用寿命的确定方法、装置和电子设备 | |
| CN117270514B (zh) | 基于工业物联网的生产过程全流程故障检测方法 | |
| CN116308300B (zh) | 一种电力设备状态监测评价与指挥方法及系统 | |
| CN108921840A (zh) | 显示屏外围电路检测方法、装置、电子设备及存储介质 | |
| CN116050678A (zh) | 一种基于云计算的压铸产品加工测试系统及方法 | |
| CN112529109A (zh) | 一种基于无监督多模型的异常检测方法及系统 | |
| CN117115169A (zh) | 一种汽车配件压铸模具表面形变异常智能识别方法 | |
| CN117313019B (zh) | 一种基于深度强化学习的数据异常检测方法 | |
| JP2020042668A (ja) | 検査装置及び機械学習方法 | |
| CN113204919A (zh) | 基于数字孪生的主变油枕状态预测方法、装置及电子设备 | |
| CN118278653A (zh) | 一种基于视觉机器人的设备缺陷检测系统 | |
| KR102110319B1 (ko) | 학습 데이터 생성 시스템 | |
| CN111079270A (zh) | 一种基于二元混合随机过程的轴承剩余寿命预测方法 | |
| CN114638060B (zh) | 故障预测方法、系统、电子设备 | |
| CN109828146B (zh) | 一种通过设备电参数ad采样判断设备工况的方法 | |
| CN110083804B (zh) | 基于条件分布回归的风电场scada数据缺失的智能修复方法 | |
| CN115213735B (zh) | 一种铣削加工过程刀具状态监测系统及方法 | |
| CN110599030B (zh) | 一种基于正反特征库加权匹配的电力风险预警方法 | |
| CN118096747B (zh) | 基于深度学习的pcba板自动检测方法及系统 | |
| CN117607019B (zh) | 电力金具表面智能检测方法和检测系统 | |
| CN117741090B (zh) | 一种变速箱精密铸件质量缺陷检测方法 | |
| CN118115744B (zh) | 一种基于图像识别的电能表外壳检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |