CN118566701A - 应用于工业机器人的集成电路的故障诊断系统及方法 - Google Patents
应用于工业机器人的集成电路的故障诊断系统及方法 Download PDFInfo
- Publication number
- CN118566701A CN118566701A CN202411045765.7A CN202411045765A CN118566701A CN 118566701 A CN118566701 A CN 118566701A CN 202411045765 A CN202411045765 A CN 202411045765A CN 118566701 A CN118566701 A CN 118566701A
- Authority
- CN
- China
- Prior art keywords
- value
- fault
- integrated circuit
- robot
- analysis
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000007726 management method Methods 0.000 claims description 113
- 238000004458 analytical method Methods 0.000 claims description 93
- 238000001514 detection method Methods 0.000 claims description 90
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000004519 manufacturing process Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000009776 industrial production Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 239000000725 suspension Substances 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- Manipulator (AREA)
Abstract
本发明属于工业机器人监管技术领域,具体是应用于工业机器人的集成电路的故障诊断系统及方法,其中,该系统包括服务器、集成电路监测模块、故障诊断模块、集成电路分类模块和管理终端;本发明通过集成电路监测模块将相应工业机器人的所有集成电路进行运行监测,故障诊断模块通过预设的算法模型进行分析以判断相应集成电路是否处于正常状态,实现对集成电路故障的快速准确诊断,有利于保证工业机器人的稳定性和可靠性,且通过集成电路分类模块将对应类型工业机器人的所有集成电路进行分析以确定易故障电路或稳定型电路,后续针对易故障电路进行重点攻坚研究,减小针对工业机器人的管理难度。
Description
技术领域
本发明涉及工业机器人监管技术领域,具体是应用于工业机器人的集成电路的故障诊断系统及方法。
背景技术
随着制造业的快速发展,工业机器人在生产线上的应用越来越广泛。然而,集成电路作为工业机器人的核心部件之一,其故障往往易导致机器人停机,影响生产效率和产品质量;
目前在对工业机器人进行运行监测时,难以对集成电路故障进行快速准确诊断并反馈相应类型工业机器人的易故障电路,且无法基于各个集成电路的运行表现对相应工业机器人进行精准分类,不利于管理人员采取相适配的管理方案,智能化程度低;
针对上述的技术缺陷,现提出一种解决方案。
发明内容
本发明的目的在于提供应用于工业机器人的集成电路的故障诊断系统及方法,解决了现有技术难以对集成电路故障进行快速准确诊断并反馈相应类型工业机器人的易故障电路,且无法基于各个集成电路的运行表现对相应工业机器人进行精准分类,智能化程度低的问题。
为实现上述目的,本发明提供如下技术方案:
应用于工业机器人的集成电路的故障诊断系统,包括服务器、集成电路监测模块、故障诊断模块、集成电路分类模块和管理终端;
服务器获取到相应工业机器人中的所有集成电路,集成电路监测模块将相应工业机器人的所有集成电路进行运行监测,将相应集成电路的监测数据经服务器发送至故障诊断模块;
故障诊断模块接收集成电路监测模块传输的监测数据,并对所接收的监测数据进行预处理和特征提取,通过预设的算法模型进行分析,判断相应集成电路是否处于正常状态,若判断相应集成电路未处于正常状态则生成故障预警信息,且将相应工业机器人中对应集成电路的故障预警信息经服务器发送至管理终端;
进一步的,服务器获取到相应工业机器人的类型,集成电路分类模块将对应类型工业机器人的相应集成电路在历史阶段的运行表现进行分析,通过分析将相应集成电路标记为易故障电路或稳定型电路,且将相应集成电的标记信息经服务器发送至管理终端。
进一步的,集成电路分类模块的具体分析过程如下:
获取到需要监管的属于同一类型的所有工业机器人,将对应工业机器人标记为目标机器人i,且i为大于1的自然数;采集到历史阶段目标机器人i中对应集成电路出现故障的总次数,将出现故障的总次数与目标机器人i的投入使用总时长进行比值计算得到故障检测值,将属于同一类型的所有工业机器人中相应集成电路的故障检测值进行均值计算和方差计算以得到故障表现值和故障波动值;
将故障表现值和故障波动值与相应的预设故障表现阈值和预设故障波动阈值分别进行数值比较,若故障表现值超过预设故障表现阈值且故障波动值未超过预设故障波动阈值,则将对应集成电路标记为易故障电路;若故障表现值未超过预设故障表现阈值且故障波动值未超过预设故障波动阈值,则将对应集成电路标记为稳定型电路;其余情况则进行集成电路故障精准化分析。
进一步的,集成电路故障精准化分析的具体分析过程如下:
将目标机器人i中相应集成电路的故障检测值与相应预设故障检测阈值进行数值比较,若故障检测值超过预设故障检测阈值,则将相应集成电路标记为目标机器人i的难管理电路;获取到相应集成电路被标记为难管理电路所涉及的工业机器人的数量并将其与所需监管的同一类型的工业机器人的总数量进行比值计算得到机器人匹配值;
通过将机器人匹配值与故障表现值进行数值计算得到故障精准分析值,将故障精准分析值与相应的预设故障精准分析阈值进行数值比较,若故障精准分析值超过预设故障精准分析阈值,则将对应集成电路标记为易故障电路;若故障精准分析值未超过预设故障精准分析阈值,则将对应集成电路标记为稳定型电路。
进一步的,服务器通信连接机器人评估模块,服务器将相应类型工业机器人中所有集成电路的标记信息发送至机器人评估模块,机器人评估模块对目标机器人i进行集成电路运行评估分析,通过分析将目标机器人i标记为强管理对象或弱管理对象,且将目标机器人i的标记信息经服务器发送至管理终端。
进一步的,集成电路运行评估分析的具体分析过程如下:
获取到目标机器人i中所有集成电路的故障检测值,将相应集成电路的故障检测值相较于对应预设故障检测阈值的比值标记为故障检况值,将目标机器人i中所有集成电路的故障检况值进行均值计算得到故障检析值;
获取到相应类型工业机器人的所有稳定型电路以及目标机器人i中的所有难管理电路,将目标机器人i中被标记为难管理电路的集成电路所涉及的稳定型电路的数量并将其标记为存异电路检测值;
通过将故障检析值和存异电路检测值进行数值计算得到集成电路配合值,将集成电路配合值与预设集成电路配合阈值进行数值比较,若集成电路配合值超过预设集成电路配合阈值,则将目标机器人i标记为强管理对象;若集成电路配合值未超过预设集成电路配合阈值,则将目标机器人i标记为弱管理对象。
进一步的,服务器通信连接机器人规划分析模块,服务器将强管理对象发送至机器人规划分析模块,机器人规划分析模块将相应强管理对象进行报废合理性分析,通过分析生成对应强管理对象的报废合理信号或非宜报废信号,且将对象强管理对象的报废合理信号或非宜报废信号经服务器发送至管理终端。
进一步的,报废合理性分析的具体分析过程如下:
通过分析获取到对应强管理对象的管理追溯值和运行追溯值,将管理追溯值和运行追溯值与预设管理追溯阈值和预设运行追溯阈值分别进行数值比较,若管理追溯值或运行追溯值超过对应预设阈值,则生成对应强管理对象的报废合理信号;若管理追溯值和运行追溯值均未超过对应预设阈值,则生成对应强管理对象的非宜报废信号。
进一步的,管理追溯值的分析获取方法如下:
采集到检测时期内相应强管理对象因故障而暂停运行的总时长并将其标记为运行异时值,以及将检测时期内相应强管理对象因运行异常而造成的工业生产损失金额标记为致损检测值,且将检测时期内针对相应强管理对象进行检查维修的投入金额标记为投入检测值;
通过将运行异时值、致损检测值、投入检测值进行数值计算得到对应强管理对象的管理追溯值。
进一步的,运行追溯值的分析获取方法具体如下:
采集到相应强管理对象的生产日期,将当前日期与生产日期之间的间隔时长标记为生产检测值,以及采集到相应强管理对象在历史阶段每次运行的持续时长并将其标记为追溯时长,将相应强管理对象在历史阶段的所有追溯时长进行求和计算得到运行检测值,且将追溯时长与预设追溯时长阈值进行数值比较,若追溯时长超过预设追溯时长阈值,则将对应追溯时长标记为异检时长;
获取到强管理对象在历史阶段的异检时长的数量并将其标记为异检数况值,通过将生产检测值、运行检测值和异检数况值进行数值计算得到运行追溯值。
进一步的,本发明还提出了应用于工业机器人的集成电路的故障诊断方法,包括以下步骤:
步骤一、获取到相应工业机器人中的所有集成电路;
步骤二、将相应工业机器人的所有集成电路进行运行监测,采集到相应集成电路的监测数据;
步骤三、对相应集成电路的监测数据进行预处理和特征提取,通过预设的算法模型进行分析,判断相应集成电路是否处于正常状态;
步骤四、若判断相应集成电路未处于正常状态则生成故障预警信息,且将相应集成电路的故障预警信息发送至管理终端;
步骤五、将对应类型工业机器人的相应集成电路在历史阶段的运行表现进行分析,通过分析以确定相应类型工业机器人的易故障电路和稳定型电路。
与现有技术相比,本发明的有益效果是:
1、本发明中,通过集成电路监测模块将相应工业机器人的所有集成电路进行运行监测,故障诊断模块通过分析以判断相应集成电路是否处于正常状态,实现对集成电路故障的快速准确诊断,有利于保证工业机器人的稳定性和可靠性,且通过集成电路分类模块将对应类型工业机器人的所有集成电路进行分析以确定易故障电路或稳定型电路,后续针对易故障电路进行重点攻坚研究,减小针对工业机器人的管理难度;
2、本发明中,通过机器人评估模块对相应工业机器人进行集成电路运行评估分析,通过分析将相应工业机器人标记为强管理对象或弱管理对象,能够针对不同工业机器人采取相适配的管理方案,保证所有工业机器人的安全稳定工作,且通过机器人规划分析模块将相应强管理对象进行报废合理性分析,通过分析生成对应强管理对象的报废合理信号或非宜报废信号,有利于合理进行工业机器人的处理规划,智能化程度高。
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为本发明中实施例一的系统框图;
图2为本发明中实施例二和实施例三的系统框图;
图3为本发明中实施例四的方法流程图。
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。
实施例一:如图1所示,本发明提出的应用于工业机器人的集成电路的故障诊断系统,包括服务器、集成电路监测模块、故障诊断模块、集成电路分类模块和管理终端;
服务器获取到相应工业机器人中的所有集成电路,集成电路监测模块将相应工业机器人的所有集成电路进行运行监测,将相应集成电路的监测数据经服务器发送至故障诊断模块;
故障诊断模块接收集成电路监测模块传输的监测数据,并对所接收的监测数据进行预处理和特征提取,通过预设的算法模型进行分析,判断相应集成电路是否处于正常状态,若判断相应集成电路未处于正常状态则生成故障预警信息,且将相应工业机器人中对应集成电路的故障预警信息经服务器发送至管理终端,通过实时监测和智能分析,实现了对集成电路故障的快速准确诊断,有利于保证工业机器人的稳定性和可靠性;具体过程如下:
接收来自集成电路监测模块传输的监测数据,包括电压、电流、温度等,它们实时反映了集成电路的运行状态;由于原始数据包含噪声、重复项、不一致性或缺失值等,直接进行分析易导致不准确的结果,因此需要对监测数据进行数据预处理;
预处理过程包括:数据清理:清除异常数据、纠正错误数据、删除重复数据等,确保数据的准确性和一致性;数据集成:将来自不同数据源的数据整合到一个统一的数据仓库中,便于后续处理;
信号滤波:使用低通、高通或带通滤波器去除噪声或不需要的频率成分,提高信号的信噪比;归一化:将信号调整到相同的尺度,确保不同信号之间可以进行有效的比较和分析;
在数据预处理之后,进行特征提取,特征提取是从原始数据中提取出对后续分析有用的信息或特征的过程,对于集成电路的监测,所采用的特征提取方法包括时域特征提取、频域特征提取和时频特征提取;
具体而言,时域特征提取:通过对信号在时间上的统计分析,提取如均值、标准差、峰值等特征,反映信号的整体水平和波动性;频域特征提取:利用傅里叶变换或小波变换将信号从时域转换到频域,提取频谱能量、主频率、频带能量等特征,分析信号的频谱特性;时频特征提取:结合时域和频域分析,通过时频分析方法(如连续小波变换、非平稳Gabor帧等)提取信号在时域和频域上的变化特征;
将提取的特征被输入到预设的算法模型中进行分析,这些算法模型包括机器学习、深度学习、集成学习等多种方法,用于对集成电路的健康状态进行判断和故障识别;
具体而言,分类分析:利用分类算法(如支持向量机、随机森林、神经网络等)对集成电路的健康状态进行分类,判断其是否处于正常状态或存在某种故障;预测建模:通过时间序列分析、回归分析等方法,建立预测模型,预测集成电路未来的健康状态或性能趋势;异常检测:使用统计方法或机器学习算法检测信号中的异常模式,这些异常模式可能指示集成电路存在故障或即将发生故障。
服务器获取到相应工业机器人的类型,集成电路分类模块将对应类型工业机器人的相应集成电路在历史阶段的运行表现进行分析,通过分析将相应集成电路标记为易故障电路或稳定型电路,且将相应集成电的标记信息经服务器发送至管理终端,后续针对相应类型工业机器人中的易故障电路进行重点攻坚研究,探寻降低相应集成电路故障的措施和方案,减小针对工业机器人的管理难度;集成电路分类模块的具体分析过程如下:
获取到需要监管的属于同一类型的所有工业机器人,将对应工业机器人标记为目标机器人i,且i为大于1的自然数;采集到历史阶段目标机器人i中对应集成电路出现故障的总次数,将出现故障的总次数与目标机器人i的投入使用总时长(即历史阶段目标机器人i处于运行状态的总时长)进行比值计算得到故障检测值;其中,故障检测值的数值越大,表明目标机器人i中相应集成电路在历史阶段的运行表现越差;
将属于同一类型的所有工业机器人中相应集成电路的故障检测值进行均值计算和方差计算以得到故障表现值和故障波动值;将故障表现值和故障波动值与相应的预设故障表现阈值和预设故障波动阈值分别进行数值比较;
若故障表现值超过预设故障表现阈值且故障波动值未超过预设故障波动阈值,表明相应类型工业机器人中对应集成电路的故障整体而言较频繁,则将对应集成电路标记为易故障电路;若故障表现值未超过预设故障表现阈值且故障波动值未超过预设故障波动阈值,表明相应类型工业机器人中对应集成电路的故障整体而言不频繁,则将对应集成电路标记为稳定型电路;
其余情况则进行集成电路故障精准化分析,具体为:将目标机器人i中相应集成电路的故障检测值与相应预设故障检测阈值进行数值比较,若故障检测值超过预设故障检测阈值,则将相应集成电路标记为目标机器人i的难管理电路;获取到相应集成电路被标记为难管理电路所涉及的工业机器人的数量并将其与所需监管的同一类型的工业机器人的总数量进行比值计算得到机器人匹配值;
通过公式WX=c1*WF+c2*WK将机器人匹配值WF与故障表现值WK进行数值计算得到故障精准分析值WX;其中,c1、c2为预设权重系数,c1>c2>0;并且,故障精准分析值WX的数值越大,表明综合而言相应类型工业机器人中对应集成电路的运行表现越差;
将故障精准分析值WX与相应的预设故障精准分析阈值进行数值比较,若故障精准分析值WX超过预设故障精准分析阈值,表明综合而言相应类型工业机器人中对应集成电路的运行表现较差,则将对应集成电路标记为易故障电路;若故障精准分析值WX未超过预设故障精准分析阈值,表明综合而言相应类型工业机器人中对应集成电路的运行表现较好,则将对应集成电路标记为稳定型电路。
实施例二:如图2所示,本实施例与实施例一的区别在于,服务器通信连接机器人评估模块,服务器将相应类型工业机器人中所有集成电路的标记信息发送至机器人评估模块,机器人评估模块对目标机器人i进行集成电路运行评估分析,通过分析将目标机器人i标记为强管理对象或弱管理对象;
且将目标机器人i的标记信息经服务器发送至管理终端,管理人员后续加强对强管理对象的使用监管,能够针对不同工业机器人采取相适配的管理方案,保证所有工业机器人的安全稳定工作,智能化程度高;集成电路运行评估分析的具体分析过程如下:
获取到目标机器人i中所有集成电路的故障检测值,将相应集成电路的故障检测值相较于对应预设故障检测阈值的比值标记为故障检况值,将目标机器人i中所有集成电路的故障检况值进行均值计算得到故障检析值;
获取到相应类型工业机器人的所有稳定型电路以及目标机器人i中的所有难管理电路,将目标机器人i中被标记为难管理电路的集成电路所涉及的稳定型电路的数量并将其标记为存异电路检测值;
通过公式将故障检析值PYi和存异电路检测值PMi进行数值计算得到集成电路配合值PXi;其中,fy1、fy2为取值大于零的预设比例系数,并且,集成电路配合值PXi的数值越大,表明目标机器人i的运行状况越不正常;
将集成电路配合值PXi与预设集成电路配合阈值进行数值比较,若集成电路配合值PXi超过预设集成电路配合阈值,表明目标机器人i的运行状况较异常,需要及时加强监管,则将目标机器人i标记为强管理对象;若集成电路配合值PXi未超过预设集成电路配合阈值,表明目标机器人i的运行状况较正常,则将目标机器人i标记为弱管理对象。
实施例三:如图2所示,本实施例与实施例一、实施例二的区别在于,服务器通信连接机器人规划分析模块,服务器将强管理对象发送至机器人规划分析模块,机器人规划分析模块将相应强管理对象进行报废合理性分析,通过分析生成对应强管理对象的报废合理信号或非宜报废信号;
且将对象强管理对象的报废合理信号或非宜报废信号经服务器发送至管理终端,管理终端接收到报废合理信号时发出预警,以提醒管理人员可根据需要将对应工业机器人进行报废处理,避免继续针对相应工业机器人进行非必要的持续管理维护而带来的人力、物力、财力浪费,有利于进行工业机器人的处理规划,智能化程度高;报废合理性分析的具体分析过程如下:
采集到检测时期内相应强管理对象因故障而暂停运行的总时长并将其标记为运行异时值,以及将检测时期内相应强管理对象因运行异常而造成的工业生产损失金额标记为致损检测值,且将检测时期内针对相应强管理对象进行检查维修的投入金额标记为投入检测值;
通过公式YN=(hg1*YK+hg2*YP+hg3*YS)/3将运行异时值YK、致损检测值YP、投入检测值YS进行数值计算得到对应强管理对象的管理追溯值YN;其中,hg1、hg2、hg3为取值大于零的预设比例系数,并且,管理追溯值YN的数值越大,表明相应强管理对象继续投入使用所带来的效益越小;
采集到相应强管理对象的生产日期,将当前日期与生产日期之间的间隔时长标记为生产检测值,以及采集到相应强管理对象在历史阶段每次运行的持续时长并将其标记为追溯时长,将相应强管理对象在历史阶段的所有追溯时长进行求和计算得到运行检测值,且将追溯时长与预设追溯时长阈值进行数值比较,若追溯时长超过预设追溯时长阈值,则将对应追溯时长标记为异检时长;
获取到强管理对象在历史阶段的异检时长的数量并将其标记为异检数况值,通过公式将生产检测值ZS、运行检测值ZY和异检数况值ZK进行数值计算得到运行追溯值ZF;其中,rq1、rq2、rq3为取值大于零的预设比例系数,并且,运行追溯值ZF的数值越大,表明相应强管理对象的寿命状态越差;
将管理追溯值YN和运行追溯值ZF与预设管理追溯阈值和预设运行追溯阈值分别进行数值比较,若管理追溯值YN或运行追溯值ZF超过对应预设阈值,表明可根据需要将对应强管理对象报废,则生成对应强管理对象的报废合理信号;若管理追溯值YN和运行追溯值ZF均未超过对应预设阈值,表明不需要将对应强管理对象报废,则生成对应强管理对象的非宜报废信号。
实施例四:如图3所示,本实施例与实施例一、实施例二、实施例三的区别在于,本发明提出的应用于工业机器人的集成电路的故障诊断方法,包括以下步骤:
步骤一、获取到相应工业机器人中的所有集成电路;
步骤二、将相应工业机器人的所有集成电路进行运行监测,采集到相应集成电路的监测数据;
步骤三、对相应集成电路的监测数据进行预处理和特征提取,通过预设的算法模型进行分析,判断相应集成电路是否处于正常状态;
步骤四、若判断相应集成电路未处于正常状态则生成故障预警信息,且将相应集成电路的故障预警信息发送至管理终端;
步骤五、将对应类型工业机器人的相应集成电路在历史阶段的运行表现进行分析,通过分析以确定相应类型工业机器人的易故障电路和稳定型电路。
本发明的工作原理:使用时,通过集成电路监测模块将相应工业机器人的所有集成电路进行运行监测,故障诊断模块对监测数据进行预处理和特征提取,通过预设的算法模型进行分析以判断相应集成电路是否处于正常状态,实现了对集成电路故障的快速准确诊断,有利于保证工业机器人的稳定性和可靠性,且通过集成电路分类模块将对应类型工业机器人的相应集成电路在历史阶段的运行表现进行分析,通过分析将相应集成电路标记为易故障电路或稳定型电路,后续针对相应类型工业机器人中的易故障电路进行重点攻坚研究,探寻降低相应集成电路故障的措施和方案,减小针对工业机器人的管理难度。
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。以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.应用于工业机器人的集成电路的故障诊断系统,其特征在于,包括服务器、集成电路监测模块、故障诊断模块、集成电路分类模块和管理终端;
服务器获取到相应工业机器人中的所有集成电路,集成电路监测模块将相应工业机器人的所有集成电路进行运行监测,将相应集成电路的监测数据经服务器发送至故障诊断模块;
故障诊断模块接收集成电路监测模块传输的监测数据,并对所接收的监测数据进行预处理和特征提取,通过预设的算法模型进行分析,判断相应集成电路是否处于正常状态,若判断相应集成电路未处于正常状态则生成故障预警信息,且将相应工业机器人中对应集成电路的故障预警信息经服务器发送至管理终端;
服务器获取到相应工业机器人的类型,集成电路分类模块将对应类型工业机器人的相应集成电路在历史阶段的运行表现进行分析,通过分析将相应集成电路标记为易故障电路或稳定型电路,且将相应集成电的标记信息经服务器发送至管理终端。
2.根据权利要求1所述的应用于工业机器人的集成电路的故障诊断系统,其特征在于,集成电路分类模块的具体分析过程如下:
获取到需要监管的属于同一类型的所有工业机器人,将对应工业机器人标记为目标机器人i,且i为大于1的自然数;采集到历史阶段目标机器人i中对应集成电路出现故障的总次数,将出现故障的总次数与目标机器人i的投入使用总时长进行比值计算得到故障检测值,将属于同一类型的所有工业机器人中相应集成电路的故障检测值进行均值计算和方差计算以得到故障表现值和故障波动值;
将故障表现值和故障波动值与相应的预设故障表现阈值和预设故障波动阈值分别进行数值比较,若故障表现值超过预设故障表现阈值且故障波动值未超过预设故障波动阈值,则将对应集成电路标记为易故障电路;若故障表现值未超过预设故障表现阈值且故障波动值未超过预设故障波动阈值,则将对应集成电路标记为稳定型电路;其余情况则进行集成电路故障精准化分析。
3.根据权利要求2所述的应用于工业机器人的集成电路的故障诊断系统,其特征在于,集成电路故障精准化分析的具体分析过程如下:
将目标机器人i中相应集成电路的故障检测值与相应预设故障检测阈值进行数值比较,若故障检测值超过预设故障检测阈值,则将相应集成电路标记为目标机器人i的难管理电路;获取到相应集成电路被标记为难管理电路所涉及的工业机器人的数量并将其与所需监管的同一类型的工业机器人的总数量进行比值计算得到机器人匹配值;
通过将机器人匹配值与故障表现值进行数值计算得到故障精准分析值,将故障精准分析值与相应的预设故障精准分析阈值进行数值比较,若故障精准分析值超过预设故障精准分析阈值,则将对应集成电路标记为易故障电路;若故障精准分析值未超过预设故障精准分析阈值,则将对应集成电路标记为稳定型电路。
4.根据权利要求1所述的应用于工业机器人的集成电路的故障诊断系统,其特征在于,服务器通信连接机器人评估模块,服务器将相应类型工业机器人中所有集成电路的标记信息发送至机器人评估模块,机器人评估模块对目标机器人i进行集成电路运行评估分析,通过分析将目标机器人i标记为强管理对象或弱管理对象,且将目标机器人i的标记信息经服务器发送至管理终端。
5.根据权利要求4所述的应用于工业机器人的集成电路的故障诊断系统,其特征在于,集成电路运行评估分析的具体分析过程如下:
获取到目标机器人i中所有集成电路的故障检测值,将相应集成电路的故障检测值相较于对应预设故障检测阈值的比值标记为故障检况值,将目标机器人i中所有集成电路的故障检况值进行均值计算得到故障检析值;
获取到相应类型工业机器人的所有稳定型电路以及目标机器人i中的所有难管理电路,将目标机器人i中被标记为难管理电路的集成电路所涉及的稳定型电路的数量并将其标记为存异电路检测值;
通过将故障检析值和存异电路检测值进行数值计算得到集成电路配合值,将集成电路配合值与预设集成电路配合阈值进行数值比较,若集成电路配合值超过预设集成电路配合阈值,则将目标机器人i标记为强管理对象;若集成电路配合值未超过预设集成电路配合阈值,则将目标机器人i标记为弱管理对象。
6.根据权利要求4所述的应用于工业机器人的集成电路的故障诊断系统,其特征在于,服务器通信连接机器人规划分析模块,服务器将强管理对象发送至机器人规划分析模块,机器人规划分析模块将相应强管理对象进行报废合理性分析,通过分析生成对应强管理对象的报废合理信号或非宜报废信号,且将对象强管理对象的报废合理信号或非宜报废信号经服务器发送至管理终端。
7.根据权利要求5所述的应用于工业机器人的集成电路的故障诊断系统,其特征在于,报废合理性分析的具体分析过程如下:
通过分析获取到对应强管理对象的管理追溯值和运行追溯值,将管理追溯值和运行追溯值与预设管理追溯阈值和预设运行追溯阈值分别进行数值比较,若管理追溯值或运行追溯值超过对应预设阈值,则生成对应强管理对象的报废合理信号;若管理追溯值和运行追溯值均未超过对应预设阈值,则生成对应强管理对象的非宜报废信号。
8.根据权利要求7所述的应用于工业机器人的集成电路的故障诊断系统,其特征在于,管理追溯值的分析获取方法如下:
采集到检测时期内相应强管理对象因故障而暂停运行的总时长并将其标记为运行异时值,以及将检测时期内相应强管理对象因运行异常而造成的工业生产损失金额标记为致损检测值,且将检测时期内针对相应强管理对象进行检查维修的投入金额标记为投入检测值;
通过将运行异时值、致损检测值、投入检测值进行数值计算得到对应强管理对象的管理追溯值。
9.根据权利要求7所述的应用于工业机器人的集成电路的故障诊断系统,其特征在于,运行追溯值的分析获取方法具体如下:
采集到相应强管理对象的生产日期,将当前日期与生产日期之间的间隔时长标记为生产检测值,以及采集到相应强管理对象在历史阶段每次运行的持续时长并将其标记为追溯时长,将相应强管理对象在历史阶段的所有追溯时长进行求和计算得到运行检测值,且将追溯时长与预设追溯时长阈值进行数值比较,若追溯时长超过预设追溯时长阈值,则将对应追溯时长标记为异检时长;
获取到强管理对象在历史阶段的异检时长的数量并将其标记为异检数况值,通过将生产检测值、运行检测值和异检数况值进行数值计算得到运行追溯值。
10.应用于工业机器人的集成电路的故障诊断方法,其特征在于,该方法采用如权利要求1-9任意一项所述的应用于工业机器人的集成电路的故障诊断系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202411045765.7A CN118566701A (zh) | 2024-08-01 | 2024-08-01 | 应用于工业机器人的集成电路的故障诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202411045765.7A CN118566701A (zh) | 2024-08-01 | 2024-08-01 | 应用于工业机器人的集成电路的故障诊断系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118566701A true CN118566701A (zh) | 2024-08-30 |
Family
ID=92474795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202411045765.7A Pending CN118566701A (zh) | 2024-08-01 | 2024-08-01 | 应用于工业机器人的集成电路的故障诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118566701A (zh) |
-
2024
- 2024-08-01 CN CN202411045765.7A patent/CN118566701A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101770219B (zh) | 一种车铣复合机床故障诊断知识库的知识获取方法 | |
CN113657221B (zh) | 一种基于智能感知技术的电厂设备状态监测方法 | |
CN114201374B (zh) | 基于混合机器学习的运维时序数据异常检测方法及系统 | |
CN110807245B (zh) | 一种设备故障预警的自动建模方法和系统 | |
CN117932322B (zh) | 一种面粉设备故障诊断方法及系统 | |
CN114273977A (zh) | 一种基于mes的刀具磨损检测方法及其系统 | |
CN112633781B (zh) | 一种基于车联网大数据的车辆能耗评价方法 | |
CN105930629A (zh) | 一种基于海量运行数据的在线故障诊断方法 | |
CN110469496B (zh) | 一种水泵智能预警方法及系统 | |
CN109141625B (zh) | 一种滚珠丝杠副的在线状态监测方法 | |
CN112207631B (zh) | 刀具检测模型的生成方法、检测方法、系统、设备及介质 | |
CN114266197A (zh) | 一种水电站设备故障诊断方法 | |
CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
CN111666978B (zh) | 一种it系统运维大数据的智能故障预警系统 | |
CN114354184A (zh) | 一种基于深度学习的大型回转装备主轴健康预警模型建立方法和装置 | |
CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析系统 | |
CN116339253A (zh) | 一种基于物联网的智能化机械生产监测管控系统 | |
CN109598309B (zh) | 一种金属包装冲压机的检测系统及其监测方法 | |
CN117672255B (zh) | 基于人工智能和设备运行声音的异常设备识别方法及系统 | |
CN113313365A (zh) | 一种一次风机的劣化预警方法及设备 | |
CN118566701A (zh) | 应用于工业机器人的集成电路的故障诊断系统及方法 | |
CN114818813A (zh) | 一种基于自注意力卷积神经网络的刀具磨损值预测算法 | |
CN112486096A (zh) | 一种机床运行状态的监控方法 | |
CN114637793B (zh) | 一种基于大数据分析的装备故障频发区域定位方法 | |
CN113806351B (zh) | 一种火电机组发电数据异常值处理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |