JP2023041428A - 学習データ生成装置および状態解析システム - Google Patents
学習データ生成装置および状態解析システム Download PDFInfo
- Publication number
- JP2023041428A JP2023041428A JP2021148802A JP2021148802A JP2023041428A JP 2023041428 A JP2023041428 A JP 2023041428A JP 2021148802 A JP2021148802 A JP 2021148802A JP 2021148802 A JP2021148802 A JP 2021148802A JP 2023041428 A JP2023041428 A JP 2023041428A
- Authority
- JP
- Japan
- Prior art keywords
- axis
- detection value
- learning data
- conversion
- acceleration
- 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
- 238000001514 detection method Methods 0.000 claims abstract description 123
- 230000001133 acceleration Effects 0.000 claims abstract description 78
- 238000006243 chemical reaction Methods 0.000 claims abstract description 69
- 238000000034 method Methods 0.000 claims description 21
- 238000010801 machine learning Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Abstract
【課題】本発明の目的は、ロバスト性の高い学習データを得ることである。【解決手段】6軸センサ12は、互いに直交するx軸方向、y軸方向およびz軸方向の加速度と、x軸回り、y軸回りおよびz軸回りの角速度を検出する。乱数発生器16は、第1の乱数をx軸中心回転角度αとして検出値変換器14に出力し、第2の乱数および第3の乱数を、それぞれ、y軸中心回転角度βおよびz軸中心回転角度γとして検出値変換器14に出力する。検出値変換器14は、x軸中心回転角度α、y軸中心回転角度βおよびz軸中心回転角度γだけ、それぞれ、x軸回り、y軸回りおよびz軸回りに、仮にxyz直交座標系を解析対象物に対して回転させた場合における、各軸についての加速度変換検出値および角速度変換検出値を、各軸についての加速度検出値および角速度検出値に基づいて求める。学習データ生成器18は、各軸について求められた加速度変換検出値および角速度検出値に基づいて学習データを生成する。【選択図】図1
Description
本発明は、学習データ生成装置および状態解析システムに関し、特に、解析対象物についての物理量を検出し、学習データを生成する技術に関する。
解析対象物に関する物理量の検出値に基づいて学習データを生成し、学習データによって構成される機械学習モデルを用いて、解析対象物の状態を推定する技術について研究開発が行われている。このような機械学習モデルには、ランダムフォレスト、SVM(Support Vector Machine)、クラスタリング、ニューラルネットワーク等におけるモデルがある。また、時系列データをニューラルネットワークで扱うためのRNN(Recurrent Neural Network)やニューラルネットワークで構成されたオートエンコーダ等の機械学習モデルが用いられている。
以下の特許文献1~3には、このような機械学習モデルを用いて、解析対象の機械、器具等の動作状態や異常を判定する装置が記載されている。特許文献1には、作業者が、工具、部品、作業現場の稼働設備等を使用しているかを判定する装置が記載されている。特許文献2および3には、機械の状態や異常を判定する装置が記載されている。
学習データを生成する装置には、複数の加速度センサの各検出値に基づき、解析対象物の学習データを生成するものがある。複数の加速度センサは解析対象物に固定され、異なる軸方向への加速度を検出する。解析対象物には、工場で使用される機械や、インフラストラクチャを構成するための機械がある。
学習データの生成については次のような問題がある。すなわち、解析対象物を設置する状態によっては、特定の軸方向について検出される加速度が大きくなったり、小さくなったりして、各軸方向についての加速度検出値に偏りが生じてしまうことがある。このような加速度検出値の偏りの原因の一つとしては、重力加速度の各軸方向の成分が異なることがある。また、解析対象物に加速度センサを取り付ける向きに誤差があると、検出される加速度に誤差が生じてしまう。これによって、再現性が十分な機械学習モデルを構成する学習データ、すなわちロバスト性の高い学習データを得ることが困難となることがある。
本発明の目的は、ロバスト性の高い学習データを得ることである。
本発明は、解析対象物に固定され、異なる軸についての物理量を検出する複数のセンサの各検出値に基づき、学習データを生成する演算部を備え、前記演算部は、複数の前記センサに対応する複数の軸のそれぞれについて、各軸回りの回転角に対して乱数を発生し、乱数で表される角度だけ各軸回りに、仮に座標系を前記解析対象物に対して回転させた場合における、各軸についての変換検出値を、各軸についての前記検出値に基づいて求め、各軸について求められた前記変換検出値に基づいて、前記学習データを生成することを特徴とする。
望ましくは、前記複数の軸が、互いに直交するx軸、y軸およびz軸であり、前記演算部は、乱数で表される角度だけx軸回りに、仮にxyz直交座標系を前記解析対象物に対して回転させた場合における、各軸についての第1変換検出値を、各軸についての前記検出値に基づいて求め、乱数で表される角度だけy軸回りに、仮にxyz直交座標系を前記解析対象物に対して回転させた場合における、各軸についての第2変換検出値を、各軸についての前記第1変換検出値に基づいて求め、乱数で表される角度だけz軸回りに、仮にxyz直交座標系を前記解析対象物に対して回転させた場合における、各軸についての第3変換検出値を、各軸についての前記第2変換検出値に基づいて求める変換処理を実行し、各軸についての前記第3変換検出値に基づいて、前記学習データを生成する。
望ましくは、前記演算部は、2回目以降の前記変換処理については、各軸についての前記検出値に代えて、直前に求められた各軸についての前記第3変換検出値に基づいて、各軸についての前記第1変換検出値を求めるように、前記変換処理を複数回に亘って実行し、各前記変換処理によって求められた各軸についての前記第3変換検出値に基づいて、前記学習データを生成する。
望ましくは、複数の前記センサは、異なる軸方向の加速度を検出する複数の加速度センサを含む。
望ましくは、複数の前記センサは、異なる軸回りの角速度を検出する複数の角速度センサを含む。
望ましくは、学習データ生成装置と、複数の前記センサと、状態推定器と、を備え、前記状態推定器は、複数の前記センサによって検出された各前記検出値と、前記学習データによって構成される機械学習モデルと、に基づいて、前記解析対象物の状態を推定する。
本発明によれば、ロバスト性の高い学習データを得ることができる。
図1には、本発明の実施形態に係る状態解析システム100の構成が示されている。状態解析システム100は、6軸センサ12、学習データ生成装置10、データベース20、機械学習モデル構成器22および状態推定器24を備えている。6軸センサ12は、xyz直交座標系の各軸方向の加速度と共に、各軸回りの角速度を検出するデバイスであり、x軸加速度センサ12x、y軸加速度センサ12y、z軸加速度センサ12z、x軸角速度センサ12ωx、y軸角速度センサ12ωyおよびz軸角速度センサ12ωzを備えている。
6軸センサ12は解析対象物に固定される。解析対象物にはxyz直交座標系が定義されており、x軸加速度センサ12x、y軸加速度センサ12yおよびz軸加速度センサ12zは、それぞれ、x軸方向の加速度、y軸方向の加速度およびz軸方向の加速度を検出する。x軸角速度センサ12ωx、y軸角速度センサ12ωyおよびz軸角速度センサ12ωzは、それぞれ、x軸を中心軸とした回転の角速度、y軸を中心軸とした回転の角速度およびz軸を中心とした回転の角速度を検出する。
学習データ生成装置10は、検出値変換器14、乱数発生器16および学習データ生成器18を備えている。学習データ生成装置10は、プログラムを実行することで各構成要素(検出値変換器14、乱数発生器16および学習データ生成器18)を構成する演算部としてプロセッサを含んでよい。機械学習モデル構成器22および状態推定器24もまた、プログラムを実行するプロセッサによって構成されてよい。
状態解析システム100は、学習モードと解析モードのうちいずれかのモードで動作する。学習モードは、学習データを生成し、その学習データに基づいて機械学習モデルを構成する動作モードであり、解析モードは、機械学習モデルを用いて解析対象物の状態を推定する動作モードである。
学習モードについて説明する。学習モードの動作は、解析モードの動作を実行する前に実行される。ユーザは、複数の既知の動作状態のうちのいずれかである学習対象状態に解析対象物を設定し、解析対象物に対して設定された学習対象状態を識別するための状態識別情報を学習データ生成器18に読み込ませる。学習データ生成装置10は、解析対象物が学習対象状態に設定され、学習データ生成器18に状態識別情報が読み込まれたときに、学習モードの動作を実行する。
例えば、解析対象物がモータである場合には、学習対象状態には、ある一定の回転速度で回転している状態、ある一定のトルクを発生しながら回転している状態、予め定められた正方向に回転している状態、その逆方向に回転している状態、これらの状態を適宜組み合わせた状態等がある。また、解析対象物が一般的な機械である場合には、学習対象状態には、解析対象物が正常動作している状態、異常動作している状態がある。解析対象物が、異常動作している状態に解析対象物を設定する場合には、故障が模擬された状態に解析対象物の状態を設定してもよいし、故障した解析対象物が用いられてもよい。
x軸加速度センサ12x、y軸加速度センサ12yおよびz軸加速度センサ12zは、それぞれ、x軸方向の加速度、y軸方向の加速度およびz軸方向の加速度を検出し、それぞれ、x軸方向検出値ax0、y軸方向検出値ay0およびz軸方向検出値az0を、検出値変換器14および状態推定器24に出力する。
x軸角速度センサ12ωx、y軸角速度センサ12ωyおよびz軸角速度センサ12ωzは、それぞれ、x軸を中心軸とした回転の角速度、y軸を中心軸とした回転の角速度およびz軸を中心とした回転の角速度を検出し、それぞれ、x軸回り検出値ωx0、y軸回り検出値ωy0およびz軸回り検出値ωz0を、検出値変換器14および状態推定器24に出力する。
乱数発生器16は、相互に無関係な3種類の乱数である第1の乱数、第2の乱数および第3の乱数を発生する。乱数発生器16は、第1の乱数をx軸中心回転角度αとして検出値変換器14に出力する。同様に、乱数発生器16は、第2の乱数および第3の乱数を、それぞれ、y軸中心回転角度βおよびz軸中心回転角度γとして検出値変換器14に出力する。第1の乱数、第2の乱数および第3の乱数のそれぞれは、一定角度範囲内の正または負の値として大きさが制限されている。各乱数の上限値および下限値は、解析対象物が設置される環境等に応じて、実験、シミュレーション等によって予め定められてよい。
検出値変換器14は、x軸を中心にx軸中心回転角度αで、xyz直交座標系を解析対象物に対して仮に回転させたときの第1変換検出値[Aα]=(axα,ayα,azα)を、以下の(数1)に従って求める。ここで、物理変数に付された括弧「[ ]」は、その物理変数が三次元ベクトルであることを意味する。加速度検出値[A0]=(ax0,zy0,az0)の各成分は、上述のx軸方向検出値ax0、y軸方向検出値ay0およびz軸方向検出値az0である。
検出値変換器14は、y軸を中心にy軸中心回転角度βで、xyz直交座標系を解析対象物に対して仮に回転させたときの第2変換検出値[Aβ]=(axβ,ayβ,azβ)を、以下の(数2)に従って求める。検出値変換器14は、さらに、z軸を中心にz軸中心回転角度γで、xyz直交座標系を解析対象物に対して仮に回転させたときの第3変換検出値[A]=(ax,ay,az)を、以下の(数3)に従って求める。
検出値変換器14は、(数1)~(数3)に従って第3変換検出値[A]を求める変換処理を1回実行し、または複数回に亘って繰り返し実行し、各変換処理によって求められた第3変換検出値[A]を最終的な加速度変換検出値[A]として学習データ生成器18に出力する。すなわち、検出値変換器14は、変換処理を実行するごとに求められた加速度変換検出値[A]を学習データ生成器18に出力する。
ただし、検出値変換器14は、2回目以降の変換処理で第1変換検出値[Aα]を求める際には、加速度検出値[A0]に代えて、直前に求められた第3変換検出値[A]を用いる。また、乱数発生器16は、変換処理が新たに実行されるときに、第1の乱数、第2の乱数および第3の乱数を新たに発生し、x軸中心回転角度α、y軸中心回転角度βおよびz軸中心回転角度γを検出値変換器14に出力する。
検出値変換器14は、角速度検出値[Ω0]=(ωx0,ωy0,ωz0)についても、加速度検出値[A0]に対する変換処理と同様の処理を実行し、角速度変換検出値[Ω]を求める。具体的には、以下の(数4)~(数6)に従って、第1変換検出値[Ωα]、第2変換検出値[Ωβ]および第3変換検出値[Ω]を求める変換処理を1回実行し、または複数回に亘って繰り返し実行する。ただし、検出値変換器14は、2回目以降の変換処理で第1変換検出値[Ωα]を求める際には、角速度検出値[Ω0]に代えて、直前に求められた第3変換検出値[Ω]を用いる。検出値変換器14は、各変換処理によって求められた第3変換検出値[Ω]を最終的な角速度変換検出値[Ω]として学習データ生成器18に出力する。すなわち、検出値変換器14は、変換処理を実行するごとに求められた角速度変換検出値[Ω]を学習データ生成器18に出力する。
学習データ生成器18は、加速度変換検出値[A]および角速度変換検出値[Ω]に基づいて、機械学習モデルを構成するための学習データを生成する。機械学習モデルは、例えば、ランダムフォレスト、SVM、クラスタリング、ニューラルネットワークに基づくものであってよい。
解析対象物が一般的な機械である場合、解析対象物の動作状態を推定する処理には、各軸方向への加速度検出値および各軸回りの角速度検出値に基づいて、機械が正常であるか、異常であるかを推定する処理がある。また、解析対象物がモータである場合には、各軸方向への加速度検出値および各軸回りの角速度検出値に基づいて、モータの回転方向、トルク、回転速度等を推定する処理がある。
学習データ生成器18は、検出値変換器14から順次出力される加速度変換検出値[A]および角速度変換検出値[Ω]に基づいて、学習対象状態に対応する学習データを生成し、学習データに状態識別情報を対応付けてデータベース20に記憶させる。
このように、学習データ生成装置10は、解析対象物に固定された複数のセンサの検出値として、複数の加速度センサの各検出値および複数の角速度センサの各検出値に基づき学習データを生成する。複数の加速度センサは、物理量として異なる軸方向への加速度を検出するセンサである。複数の角速度センサは、物理量として異なる軸回りの角速度を検出するセンサである。上記の実施形態では、3つの加速度センサ、すなわち、x軸加速度センサ12x、y軸加速度センサ12yおよびz軸加速度センサ12zが、それぞれ、互いに直交するx軸方向、y軸方向およびz軸方向の加速度を検出する。さらに、3つの角速度センサ、すなわち、x軸角速度センサ12ωx、y軸角速度センサ12ωyおよびz軸角速度センサ12ωzが、それぞれ、x軸回り、y軸回りおよびz軸回りの角速度を検出する。
乱数発生器16は、複数の加速度センサおよび複数の角速度センサに対応する複数の軸のそれぞれについて、各軸回りの回転角に対して乱数を発生する。上記の実施形態では、乱数発生器16は、第1の乱数をx軸中心回転角度αとして検出値変換器14に出力し、第2の乱数および第3の乱数を、それぞれ、y軸中心回転角度βおよびz軸中心回転角度γとして検出値変換器14に出力する。
検出値変換器14は、乱数で表される角度だけ各軸回りに、仮に座標系を解析対象物に対して回転させた場合における、各軸方向についての加速度変換検出値を、各軸方向の加速度検出値に基づいて求める。検出値変換器14は、乱数で表される角度だけ各軸回りに、仮に座標系を解析対象物に対して回転させた場合における、各軸回りについての角速度変換検出値を、各軸回りの角速度検出値に基づいて求める。すなわち、検出値変換器14は、x軸中心回転角度α、y軸中心回転角度βおよびz軸中心回転角度γだけ、それぞれ、x軸回り、y軸回りおよびz軸回りに、仮にxyz直交座標系を解析対象物に対して回転させた場合における、各軸についての変換検出値を、各軸についての検出値に基づいて求める。検出値変換器14は、各軸について求められた変換検出値に基づいて、学習データを生成する。
1つの学習対象状態についての学習データが生成され、データベース20に記憶された後、他の学習対象状態についての学習データの生成および記憶が行われてもよい。すなわち、ユーザによって解析対象物が他の学習対象状態に設定され、その学習対象状態を識別する状態識別情報が学習データ生成器18に読み込まれると共に、学習データ生成装置10は、再び学習モードの動作を実行してもよい。
図2(a)には加速度変換検出値のシミュレーション結果が示されている。すなわち、図2(a)には、変換処理を時間経過と共に繰り返し行った場合に得られた加速度変換検出値[A]のx軸成分axおよびy軸成分ayが示されている。また、図2(b)には、図2(a)に示される加速度変換検出値が得られる元となった加速度検出値[A0]のx軸成分ax0およびy軸成分ay0が示されている。図2(a)および(b)の横軸は時間を示す。図2(a)の縦軸は加速度変換検出値を示し、図2(b)の縦軸は加速度検出値を示す。図2(a)に示されているように、本実施形態に係る学習データ生成装置10によれば、各軸方向の重力加速度成分が、解析対象物の設置状態に応じて偏ることに起因する誤差や、加速度センサの取り付け向きに起因する誤差を模擬した学習データが得られる。
機械学習モデル構成器22は、各学習対象状態についてデータベース20に記憶された学習データを読み込み、機械学習モデルを構成する。
次に、解析モードの動作について説明する。状態推定器24は、6軸センサ12から、加速度検出値[A0]および角速度検出値[Ω0]を読み込む。状態推定器24は、機械学習モデル構成器22によって構成された機械学習モデルを参照し、加速度検出値[A0]および角速度検出値[Ω0]に基づいて、解析対象物の状態を推定する。解析対象物が一般的な機械である場合には、例えば、状態推定器24は、機械の動作が正常であるか、異常であるかを推定する。また、解析対象物がモータである場合には、例えば、状態推定器24は、モータの回転方向、トルク、回転速度等を推定する。また、状態推定器24は、モータのトルクリップルが正常範囲内であるか否かを推定してもよい。
本実施形態に係る状態解析システム100によれば、各軸方向についての重力加速度成分の偏りや、各軸についての加速度検出値の誤差が模擬された加速度変換検出値に基づいて学習データが生成され、データベース20に記憶される。これによって、学習データを生成する際に各軸方向についての加速度の検出値の大きさに、解析対象物の設置状態に応じた偏りが生じ、学習データのロバスト性が低下してしまうという問題が軽減される。また、加速度センサを解析対象物に取り付ける方向の誤差によって、学習データのロバスト性が低下してしまうという問題が軽減される。
また、本実施形態に係る状態解析システム100によれば、各軸回りの角速度検出値の誤差が模擬された角速度変換検出値に基づいて学習データが生成され、データベース20に記憶される。これによって、角速度センサを解析対象物に取り付ける方向の誤差によって、学習データのロバスト性が低下してしまうという問題が軽減される。
上記では、加速度検出値[A0]および角速度検出値[Ω0]から、それぞれ、加速度変換検出値[A]および角速度変換検出値[Ω]を求め、加速度変換検出値[A]および角速度変換検出値[Ω]に基づいて学習データを生成する学習データ生成装置10が示された。学習データ生成装置10は、角速度検出値[Ω0]によらず、加速度検出値[A0]から加速度変換検出値[A]を求め、加速度変換検出値[A]に基づいて学習データを生成してもよい。同様に、学習データ生成装置10は、加速度検出値[A0]によらず、角速度検出値[Ω0]から角速度変換検出値[Ω]を求め、角速度変換検出値[Ω]に基づいて学習データを生成してもよい。
10 学習データ生成装置、12 6軸センサ、12x x軸加速度センサ、12y y軸加速度センサ、12z z軸加速度センサ、12ωx x軸角速度センサ、12ωy y軸角速度センサ、12ωz z軸角速度センサ、14 検出値変換器、16 乱数発生器、18 学習データ生成器、20 データベース、22 機械学習モデル構成器、24 状態推定器。
Claims (6)
- 解析対象物に固定され、異なる軸についての物理量を検出する複数のセンサの各検出値に基づき、学習データを生成する演算部を備え、
前記演算部は、
複数の前記センサに対応する複数の軸のそれぞれについて、各軸回りの回転角に対して乱数を発生し、
乱数で表される角度だけ各軸回りに、仮に座標系を前記解析対象物に対して回転させた場合における、各軸についての変換検出値を、各軸についての前記検出値に基づいて求め、
各軸について求められた前記変換検出値に基づいて、前記学習データを生成することを特徴とする学習データ生成装置。 - 前記複数の軸が、互いに直交するx軸、y軸およびz軸である、請求項1に記載の学習データ生成装置において、
前記演算部は、
乱数で表される角度だけx軸回りに、仮にxyz直交座標系を前記解析対象物に対して回転させた場合における、各軸についての第1変換検出値を、各軸についての前記検出値に基づいて求め、
乱数で表される角度だけy軸回りに、仮にxyz直交座標系を前記解析対象物に対して回転させた場合における、各軸についての第2変換検出値を、各軸についての前記第1変換検出値に基づいて求め、
乱数で表される角度だけz軸回りに、仮にxyz直交座標系を前記解析対象物に対して回転させた場合における、各軸についての第3変換検出値を、各軸についての前記第2変換検出値に基づいて求める変換処理を実行し、
各軸についての前記第3変換検出値に基づいて、前記学習データを生成することを特徴とする学習データ生成装置。 - 請求項2に記載の学習データ生成装置において、
前記演算部は、
2回目以降の前記変換処理については、各軸についての前記検出値に代えて、直前に求められた各軸についての前記第3変換検出値に基づいて、各軸についての前記第1変換検出値を求めるように、前記変換処理を複数回に亘って実行し、
各前記変換処理によって求められた各軸についての前記第3変換検出値に基づいて、前記学習データを生成することを特徴とする学習データ生成装置。 - 請求項1から請求項3のいずれか1項に記載の学習データ生成装置において、
複数の前記センサは、異なる軸方向の加速度を検出する複数の加速度センサを含むことを特徴とする学習データ生成装置。 - 請求項1から請求項4のいずれか1項に記載の学習データ生成装置において、
複数の前記センサは、異なる軸回りの角速度を検出する複数の角速度センサを含むことを特徴とする学習データ生成装置。 - 請求項1から請求項5のいずれか1項に記載の学習データ生成装置と、
複数の前記センサと、
状態推定器と、を備え、
前記状態推定器は、
複数の前記センサによって検出された各前記検出値と、
前記学習データによって構成される機械学習モデルと、に基づいて、
前記解析対象物の状態を推定することを特徴とする状態解析システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021148802A JP7482094B2 (ja) | 2021-09-13 | 学習データ生成装置および状態解析システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021148802A JP7482094B2 (ja) | 2021-09-13 | 学習データ生成装置および状態解析システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023041428A true JP2023041428A (ja) | 2023-03-24 |
JP7482094B2 JP7482094B2 (ja) | 2024-05-13 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9811074B1 (en) | Optimization of robot control programs in physics-based simulated environment | |
Diaz-Rodriguez et al. | Model-based control of a 3-DOF parallel robot based on identified relevant parameters | |
JP6669715B2 (ja) | 振動抑制装置 | |
CN110962124B (zh) | 切削加工机器人静态误差补偿与动刚度模型的修正方法 | |
Buehler et al. | Evolutionary functional testing of an automated parking system | |
WO2014176625A1 (en) | Determining a health condition of a structure | |
EP3888855A1 (en) | Failure prediction method and failure prediction apparatus | |
JP2013090862A (ja) | ゴルフスイング解析装置およびゴルフスイング解析方法 | |
CN114310895B (zh) | 机器人碰撞检测方法、装置、电子设备及存储介质 | |
CN109506617B (zh) | 传感器数据处理方法、存储介质、电子设备 | |
Benabdallah et al. | Kinect-based Computed Torque Control for lynxmotion robotic arm | |
CN110774317B (zh) | 线性关系模型的建立及碰撞检测方法、装置及电子设备 | |
JP7482094B2 (ja) | 学習データ生成装置および状態解析システム | |
JP2023041428A (ja) | 学習データ生成装置および状態解析システム | |
CN115993138A (zh) | 一种多表冗余激光惯组故障诊断方法及系统 | |
CN116105737A (zh) | 一种基于risc-v的行人自主定位方法 | |
Capisani et al. | MIMO identification with optimal experiment design for rigid robot manipulators | |
Petrinić et al. | AMORsim− A Mobile Robot Simulator for Matlab | |
Gollee et al. | A parameter identification case-study for a dynamical mechanical system using frequency response analysis and a particle swarm algorithm for trajectory optimization | |
TWI653452B (zh) | 感測器測試系統及應用於其上的方法 | |
Abu-Dakka et al. | Comparison of trajectory parametrization methods with statistical analysis for dynamic parameter identification of serial robot | |
Hayat et al. | Identification of robot dynamic parameters based on equimomental systems | |
CN113771044B (zh) | 一种机器人末端负载动态受力感知方法 | |
Tröbinger et al. | Identification of a Generalized Base Inertial Parameter Set of Robotic Manipulators Considering Mounting Configurations | |
CN114841058A (zh) | 基于机理模型的神经网络训练方法、动设备故障诊断方法、装置和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230414 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240409 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240426 |