TWI776664B - 偵測系統及方法 - Google Patents
偵測系統及方法 Download PDFInfo
- Publication number
- TWI776664B TWI776664B TW110132902A TW110132902A TWI776664B TW I776664 B TWI776664 B TW I776664B TW 110132902 A TW110132902 A TW 110132902A TW 110132902 A TW110132902 A TW 110132902A TW I776664 B TWI776664 B TW I776664B
- Authority
- TW
- Taiwan
- Prior art keywords
- samples
- model
- sensing
- trained
- dimensionality reduction
- Prior art date
Links
Images
Landscapes
- Debugging And Monitoring (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一種偵測系統及方法。該偵測系統接收複數個感測樣本。該偵測系統對該等感測樣本進行一濾波運作。該偵測系統透過一預訓練降維模型對該等感測樣本進行一降維運作,以產生對應各該感測樣本的一降維特徵。該偵測系統將各該感測樣本的該降維特徵輸入至一預訓練分群模型,以計算對應各該感測樣本之一似然率分數。該偵測系統根據一標準差門檻值及該等似然率分數,判斷一減速機是否發生異常。
Description
本發明係關於一種偵測系統及方法。具體而言,本發明係關於一種偵測減速機是否發生異常的系統及方法。
在現今的智慧製造中,如何讓機械手臂維持正常運作是相當重要的一門課題。根據數據統計,減速機是機械手臂中最容易發生異常狀態的其中之一元件,因此需要一種快速判斷減速機是否異常的方法,以避免減速機的異常運作影響機械手臂的生產效率。
現行關於判斷機械手臂是否異常的分析方法,必須長時間累積機械手臂的大量資料,例如:訊號之最大值、OA值(Overall value)、RMS值等等,且須收集機械手臂的正常資料及異常資料,並找出資料的趨勢後由專家定義異常數值的上下界限,才能在實際場域上被使用。然而,現行分析方法的統計值資訊易受環境狀況或突發事件影響(例如:碰撞機台時產生的振動),因此需累積大量正常及異常資料後才能被應用,並需要由人為經驗去定義異常數值的上下界限,因此難以快速地對於機械手臂進行異常判斷。
此外,傳統的機械手臂監測方法是透過收集大量正常及異常的資料值,以透過趨勢的比對判斷是否異常,由於數據資料及訊號特性的複雜,通常僅能針對以固定速度運轉的迴轉式機械手臂進行監測,而缺乏對於變速度(即,非等速度)的非迴轉式機械手臂(例如:水平關節式的機械手臂(Selective Compliance Articulated Robot Arm;SCARA))的偵測方法。
有鑑於此,如何有效率且自動化的判斷機械手臂的減速機是否發生異常,乃業界亟需努力之目標。
本發明之一目的在於提供一種偵測系統。該系統包含一儲存器及一處理器,該處理器電性連接至該儲存器。該儲存器用以儲存一預訓練降維模型及一預訓練分群模型,其中該預訓練降維模型用以執行一降維運作,該預訓練分群模型是基於複數個正常樣本產生,用以計算一似然率分數。該處理器接收複數個感測樣本。該處理器對該等感測樣本進行一濾波運作。該處理器透過該預訓練降維模型對該等感測樣本進行該降維運作,以產生對應各該感測樣本的一降維特徵。該處理器將各該感測樣本的該降維特徵輸入至該預訓練分群模型,以計算對應各該感測樣本之該似然率分數。該處理器根據一標準差門檻值及該等似然率分數,判斷一減速機是否發生異常。
本發明之另一目的在於提供一種偵測方法。該方法用於一偵測系統,該偵測系統包含一儲存器及一處理器,該儲存器儲存一預訓練降維模型及一預訓練分群模型,其中該預訓練降維模型用以執行一降維運作,該預訓練分群模型是基於複數個正常樣本產生,用以計算一似然率分數,該偵測方法由該處理器所執行且包含下列步驟:接收複數個感測樣本;對該等感測樣本進行一濾波運作;透過該預訓練降維模型對該等感測樣本進行該降維運作,以產生對應各該感測樣本的一降維特徵;將各該感測樣本的該降維特徵輸入至該預訓練分群模型,以計算對應各該感測樣本之該似然率分數;根據一標準差門檻值及該等似然率分數,判斷一減速機是否發生異常。
本發明所提供之偵測技術(至少包含裝置及方法),藉由感測器收集正常的樣本資料(且各該正常樣本為機械手臂在一標準周期內完整執行變速度非迴轉式動作的數值),先建置預訓練降維模型及預訓練分群模型。於實際判斷階段時,接收從待測減速機收集的複數個感測樣本,並對該等感測樣本進行濾波運作。接著,透過預訓練降維模型對該等感測樣本進行降維運作,以產生對應各該感測樣本的降維特徵。隨後,將各該感測樣本的該降維特徵輸入至預訓練分群模型,以計算對應各該感測樣本之似然率分數。最後,根據一標準差門檻值及該等似然率分數,判斷待測減速機是否發生異常。本發明所提供之偵測技術藉由上述的運作,快速判斷待測減速機是否發生異常,解決習知技術的問題。
以下將結合圖式闡述本發明之詳細技術及實施方式,俾使本發明所屬技術領域中具有通常知識者能理解所請求保護之發明之技術特徵。
以下將透過實施方式來解釋本發明所提供之偵測系統及方法。然而,該等實施方式並非用以限制本發明需在如該等實施方式所述之任何環境、應用或方式方能實施。因此,關於實施方式之說明僅為闡釋本發明之目的,而非用以限制本發明之範圍。應理解,在以下實施方式及圖式中,與本發明非直接相關之元件已省略而未繪示,且各元件之尺寸以及元件間之尺寸比例僅為例示而已,而非用以限制本發明之範圍。
本發明之第一實施方式為一偵測系統1,其架構示意圖係描繪於第1圖。於本實施方式中,偵測系統1包含一儲存器11、一收發介面13及一處理器15,處理器15電性連接至儲存器11及收發介面13。儲存器11可為一記憶體、一通用串列匯流排(Universal Serial Bus;USB)碟、一硬碟、一光碟、一隨身碟或本發明所屬技術領域中具有通常知識者所知且具有相同功能之任何其他儲存媒體或電路。收發介面13為一可接收及傳輸資料之介面或本發明所屬技術領域中具有通常知識者所知悉之其他可接收及傳輸資料之介面,收發介面13可透過例如:外部裝置、外部網頁、外部應用程式等等來源接收資料。處理器15可為各種處理單元、中央處理單元(Central Processing Unit;CPU)、微處理器或本發明所屬技術領域中具有通常知識者所知悉之其他計算裝置。於某些實施方式中,偵測系統1可為但不限於是移動式電子裝置、桌上型電腦、可攜式電腦等等的電子裝置。
先簡單說明本發明之第一實施方式的運作,處理器15首先透過收發介面13接收從待測減速機收集的複數個感測樣本133。接著,為了濾除雜訊,處理器15先對該等感測樣本133進行濾波運作。接著,處理器15透過預訓練降維模型111對該等感測樣本133進行降維運作,以產生對應各該感測樣本133的降維特徵。隨後,處理器15將各該感測樣本133的該降維特徵輸入至預訓練分群模型113,以計算對應各該感測樣本133之似然率分數。最後,處理器15根據一標準差門檻值及該等似然率分數,判斷待測減速機是否發生異常。使用者可根據上述偵測系統1的運作,快速判斷待測減速機是否發生異常,以下段落將詳細說明與本發明相關之實施細節。
於本實施方式中,如第1圖所示,儲存器11儲存預訓練降維模型111及預訓練分群模型113,其中預訓練降維模型111用以執行降維運作,預訓練分群模型113是基於複數個正常樣本產生,用以計算似然率分數。需說明者,預訓練降維模型111及預訓練分群模型113可由偵測系統1本身建置,亦可自外部裝置直接接收訓練後的預訓練降維模型111及預訓練分群模型113,關於預訓練降維模型111及預訓練分群模型113的建置方式及其內容將在後面段落詳細說明。
為便於理解,以下段落皆以由偵測系統1本身建置預訓練降維模型111及預訓練分群模型113進行說明,本領域具有通常知識者應可根據說明內容理解其他外部裝置如何以相同之運作產生,茲不贅言。
首先,先說明如何收集用於訓練預訓練降維模型111及預訓練分群模型113的訓練資料。於本實施方式中,偵測系統1主要先透過至少一感測器,以感測減速機於運作一變速度非迴轉式動作而產生各該感測樣本,其中各該感測樣本的數據長度對應至該變速度非迴轉式動作的一標準周期。須說明者,於訓練階段時,偵測系統1收集的是感測器針對正常減速機產生之正常樣本。於某些實施方式中,該至少一感測器可直接連接至偵測系統1,或是由其他裝置收集完該等正常樣本後再傳輸至偵測系統1。
須說明者,於傳統方式中,通常僅對於機械手臂以定速迴轉式(即,朝同一方向運轉)的動作進行量測,且不論正常及異常之資料均需要收集,以進行趨勢的比對判斷。不同於傳統方式,本發明中變速度非迴轉式動作是指機械手臂(例如:水平關節式的機械手臂)以變速度至少包含二個方向運作(例如:轉半圈就停止或更換方向),且本發明僅需要針對運作正常的機械手臂的減速機收集正常樣本即可。此外,本發明中的一標準周期是機械手臂執行一個完整變速度非迴轉式動作(例如:由左到右最大幅度的非等速度移動為變速度非迴轉式動作,而電扇的扇葉為迴轉式動作)的時間,例如:當執行一個由左到右最大幅度的移動的完整變速度非迴轉式動作需要3秒,各個正常樣本的標準周期即為3秒。
於某些實施方式中,該至少一感測器為一加速規(未繪示),該加速規安裝於一機械手臂之減速機徑向位置之一基座,用以收集複數個振動訊號。於某些實施方式中,該至少一感測器為一指向性麥克風(未繪示),該指向性麥克風安裝於一機械手臂之減速機的一周邊位置,用以收集複數個聲音訊號。指向性麥克風對準減速機進行收音。
為便於理解,以感測器為指向性麥克風為例。第2A圖例示了一組由指向性麥克風持續感測聲音後產生的一筆正常樣本(即,聲音訊號),其中橫軸為資料點數及縱軸為振幅值,其記錄各個資料點對應的振幅值。如第2A圖所示,該正常樣本是以採樣頻率(sample rate)為12800赫茲(Hz)且標準周期為3秒所產生的聲音訊號,因此該正常樣本總共有38400個資料點。須說明者,當感測器為加速規時,由於同樣是偵測來自於減速機的振幅訊號,因此基於上述說明內容,本領域具有通常知識者應能理解感測器為加速規時的實施方法,茲不贅言。
以下將說明,處理器15如何根據前述運作後收集完的正常樣本,產生預訓練降維模型111。首先,為了過濾環境中不必要之干擾雜訊,處理器15先對該等正常樣本進行該濾波運作。舉例而言,第2B圖為針對第2A圖執行300赫茲至400赫茲的待通濾波後的例示圖(即,僅保留300赫茲至400赫茲之訊號)。須說明者,所屬技術領域中具有通常知識者可瞭解,前述之降躁處理除了由處理器15透過軟體方式實現之外,亦可由一帶通濾波器實施。
接著,處理器15將該等正常樣本輸入至一卷積神經網路(例如:一維的卷積神經網路)所建構的一自編碼(Autoencoder)模型以訓練該自編碼模型進行降維運作,其中該自編碼模型包含一編碼(Encoder)運作部分及一解碼(Decoder)運作部分。最後,處理器15將訓練完成之該自編碼模型之該編碼運作部分設定為該預訓練降維模型111,預訓練降維模型111可將輸入的訊號資訊進行特徵擷取,並產生降維後的資料。舉例而言,以第2B圖為例,處理器15將具有38400個資料點的一組樣本(即,可視為一組正常樣本具有38400維度)輸入至預訓練降維模型111後,產生對應該正常樣本僅具有32維度的降維特徵,如第3圖所示。
需說明者,一卷積神經網路尚包含池化層(pooling layer)等其他層以對於特徵進行擷取並進行降維運作,惟本發明之重點在於樣本之運算及分析,故僅說明與本發明相關之實施細節。具體而言,在卷積神經網路所建構之自編碼模型中的編碼運作部分,可在卷積神經網路的各層卷積層運作後加入池化層(例如:全域池化層(global pooling layer))對於各層卷積結果進行池化運作,以對於各卷積層產生的特徵進行降維運作。
以下將說明,處理器15如何基於降維特徵,產生預訓練分群模型113。首先,處理器15將各該正常樣本的該降維特徵輸入至分群模型以訓練該分群模型,其中該分群模型用以對於複數個輸入資料執行一分群運算,以產生各該輸入資料對應之該似然率分數。接著,處理器15即可將訓練完成之該分群模型作為預訓練分群模型113。於某些實施方式中,分群模型可為但不限於執行K-平均演算法(K-means)的模型、高斯混合模型(Gaussian Mixture Model)等等任何已知的執行分群演算法且可對於輸入資料產生對應之分群似然率分數的模型。
須說明者,將複數個未知樣本輸入至預訓練分群模型113後,即可產生對應該等未知樣本的複數個似然率分數,由於預訓練分群模型113是經由複數個正常樣本所訓練產生,因此處理器15可透過該等未知樣本的該等似然率分數判斷該未知樣本與正常樣本的相似程度(即,該等未知樣本是否會與正常樣本分類在同一群),若分數相差太遠,即代表該等未知樣本可能不屬於正常樣本的訊號範圍,已具有異常訊號。
上述段落已說明關於,產生預訓練降維模型111及預訓練分群模型113的方式,接著以下段落繼續說明關於本發明第一實施方式的運作(即,實際判斷階段),請參考第1圖。
於本實施方式中,處理器15透過收發介面13接收從待測減速機收集而來的複數個感測樣本133。須說明者,感測樣本133的收集方式同前面段落所述關於收集訓練資料的方式,茲不贅言。
接著,處理器15對該等感測樣本133進行濾波運作。須說明者,處理器15執行濾波運作同前面段落所述關於濾波運作的方式,茲不贅言。
接著,處理器15透過預訓練降維模型111對該等感測樣本133進行降維運作,以產生對應各該感測樣本133的降維特徵。隨後,處理器15將各該感測樣本133的該降維特徵輸入至預訓練分群模型113,以計算對應各該感測樣本133之似然率分數。最後,處理器15根據一標準差門檻值及該等似然率分數,判斷待測減速機是否發生異常。在一實施例中,當似然率分數低於該標準差門檻值時,似然率分數所對應的感測樣本被視為發生異常。
或者,舉例而言,當分群模型113為高斯混合模型時,該標準差門檻值可設定為正負三倍標準差作為上下界,當高斯混合模型基於該感測樣本產生的似然率分數介於這界限時,即表示該感測樣本為正常值。反之,當高斯混合模型基於該感測樣本產生的似然率分數超過這界限時,即表示該感測樣本為異常值。於某些實施方式中,處理器15更基於感測樣本133中被判斷為異常值的樣本比率判斷待測減速機是否發生異常,舉例而言,當感測樣本133有超過5%的似然率分數被評估為異常值時,處理器15判斷待測減速機為異常。
本發明所提供之偵測系統1,藉由感測器收集正常的樣本資料(且各該正常樣本為機械手臂在一標準周期內完整執行變速度非迴轉式動作的數值),且先建置預訓練降維模型111及預訓練分群模型113。於實際判斷階段時,偵測系統1接收從待測減速機收集的複數個感測樣本133,並對該等感測樣本133進行濾波運作。接著,透過預訓練降維模型111對該等感測樣本133進行降維運作,以產生對應各該感測樣本133的降維特徵。隨後,將各該感測樣本133的該降維特徵輸入至預訓練分群模型113,以計算對應各該感測樣本133之似然率分數。最後,根據一標準差門檻值及該等似然率分數,判斷待測減速機是否發生異常。本發明所提供之偵測系統1藉由上述的運作,快速判斷待測減速機是否發生異常,解決習知技術的問題。
本發明之第二實施方式為一種偵測方法,其流程圖係描繪於第4圖。偵測方法用於一偵測系統,例如:第一實施方式所述之偵測系統1。該偵測系統包含一儲存器、一收發介面及一處理器,該儲存器儲存一預訓練降維模型及一預訓練分群模型,其中該預訓練降維模型用以執行一降維運作,該預訓練分群模型是基於複數個正常樣本產生,用以計算一似然率分數,例如:第一實施方式之預訓練降維模型111及預訓練分群模型113。偵測方法透過步驟S401至步驟S409,判斷減速機是否發生異常。
於某些實施方式中,該偵測系統更包含至少一感測器,用以感測該減速機於運作一變速度非迴轉式動作而產生各該感測樣本,其中各該感測樣本的數據長度對應至該變速度非迴轉式動作的一標準周期。於某些實施方式中,其中該至少一感測器為一加速規,該加速規安裝於一機械手臂之該減速機徑向位置之一基座,用以收集複數個震動訊號。於某些實施方式中,其中該至少一感測器為一指向性麥克風,該指向性麥克風安裝於一機械手臂之該減速機的一周邊位置,用以收集複數個聲音訊號。
以下先說明步驟S401至步驟S409。首先,於步驟S401,由該偵測系統接收複數個感測樣本。接著,於步驟S403,由該偵測系統對該等感測樣本進行一濾波運作。隨後,於步驟S405,由該偵測系統透過該預訓練降維模型對該等感測樣本進行該降維運作,以產生對應各該感測樣本的一降維特徵。
接著,於步驟S407,由該偵測系統產將各該感測樣本的該降維特徵輸入至該預訓練分群模型,以計算對應各該感測樣本之該似然率分數。最後,於步驟S409,由該偵測系統根據一標準差門檻值及該等似然率分數,判斷一減速機是否發生異常。
於某些實施方式中,如第5圖所示,本發明之偵測方法可更包含步驟S501至步驟S505。於步驟S501,對該等正常樣本進行該濾波運作,其中各該正常樣本是由至少一感測器偵測一正常減速機於運作一變速度非迴轉式動作而產生。於步驟S503,將該等正常樣本輸入至一卷積神經網路所建構的一自編碼模型以訓練該自編碼模型,其中該自編碼模型包含一編碼運作部分及一解碼運作部分。於步驟S505,將訓練完成之該自編碼模型之該編碼運作部分設定為該預訓練降維模型。
於某些實施方式中,如第6圖所示,本發明之偵測方法可更包含步驟S601至步驟S607。於步驟S601,對該等正常樣本進行該濾波運作,其中各該正常樣本是由至少一感測器偵測一正常減速機於運作一變速度非迴轉式動作而產生。於步驟S603,透過該預訓練降維模型對該等正常樣本進行該降維運作,以產生對應各該正常樣本的該降維特徵。於步驟S605,將各該正常樣本的該降維特徵輸入至一分群模型以訓練該分群模型,其中該分群模型用以對於複數個輸入資料執行一分群運算,以產生各該輸入資料對應之該似然率分數。於步驟S607,將訓練完成之該分群模型作為該預訓練分群模型。
除了上述步驟,第二實施方式亦能執行第一實施方式所描述之偵測系統1之所有運作及步驟,具有同樣之功能,且達到同樣之技術效果。本發明所屬技術領域中具有通常知識者可直接瞭解第二實施方式如何基於上述第一實施方式以執行此等運作及步驟,具有同樣之功能,並達到同樣之技術效果,故不贅述。
綜上所述,本發明所提供之偵測技術(至少包含裝置及方法),藉由感測器收集正常的樣本資料(且各該正常樣本為機械手臂在一標準周期內完整執行變速度非迴轉式動作的數值),且先建置預訓練降維模型及預訓練分群模型。於實際判斷階段時,接收從待測減速機收集的複數個感測樣本,並對該等感測樣本進行濾波運作。接著,透過預訓練降維模型對該等感測樣本進行降維運作,以產生對應各該感測樣本的降維特徵。隨後,將各該感測樣本的該降維特徵輸入至預訓練分群模型,以計算對應各該感測樣本之似然率分數。最後,根據一標準差門檻值及該等似然率分數,判斷待測減速機是否發生異常。本發明所提供之偵測技術藉由上述的運作,快速判斷待測減速機是否發生異常,解決習知技術的問題。
上述實施方式僅用來例舉本發明之部分實施態樣,以及闡釋本發明之技術特徵,而非用來限制本發明之保護範疇及範圍。任何本發明所屬技術領域中具有通常知識者可輕易完成之改變或均等性之安排均屬於本發明所主張之範圍,而本發明之權利保護範圍以申請專利範圍為準。
1:偵測系統
11:儲存器
13:收發介面
15:處理器
111:預訓練降維模型
113:預訓練分群模型
133:感測樣本
S401-S409:步驟
S501-S505:步驟
S601-S607:步驟
第1圖係描繪依據本發明第一實施方式中偵測系統之架構示意圖;
第2A圖係描繪第一實施方式中一組正常樣本之示意圖;
第2B圖係描繪第一實施方式中正常樣本經由濾波運作後之示意圖;
第3圖係描繪第一實施方式中正常樣本經由降維運作後之示意圖;
第4圖係描繪第二實施方式之偵測方法之部分流程圖;
第5圖係描繪第二實施方式之偵測方法之部分流程圖;以及
第6圖係描繪第二實施方式之偵測方法之部分流程圖。
S401~S409:步驟
Claims (12)
- 一種偵測系統,包含:一儲存器,用以儲存一預訓練降維模型及一預訓練分群模型,其中該預訓練降維模型用以執行一降維運作,該預訓練分群模型是基於複數個正常樣本產生,用以計算一似然率分數;以及一處理器,電性連接至該儲存器,用以執行下列運作:接收複數個感測樣本,其中該等感測樣本各者對應至一變速度非迴轉式動作;對該等感測樣本進行一濾波運作;透過該預訓練降維模型對該等感測樣本進行該降維運作,以產生對應各該感測樣本的一降維特徵;將各該感測樣本的該降維特徵輸入至該預訓練分群模型,以計算對應各該感測樣本之該似然率分數;以及根據一標準差門檻值及該等似然率分數,判斷一減速機是否發生異常。
- 如請求項1所述之偵測系統,更包含:至少一感測器,用以感測該減速機於運作該變速度非迴轉式動作而產生各該感測樣本,其中各該感測樣本的數據長度對應至該變速度非迴轉式動作的一標準周期。
- 如請求項2所述之偵測系統,其中該至少一感測器為一加速規,該加速規安裝於一機械手臂之該減速機徑向位置之一基座,用以收集複數個振動訊號。
- 如請求項2所述之偵測系統,其中該至少一感測器為一指向性麥克風,該指向性麥克風安裝於一機械手臂之該減速機的一周邊位置,用以收集複數個聲音訊號。
- 如請求項1所述之偵測系統,其中該處理器更用以執行下列運作:對該等正常樣本進行該濾波運作,其中各該正常樣本是由至少一感測器偵測一正常減速機於運作該變速度非迴轉式動作而產生;將該等正常樣本輸入至一卷積神經網路所建構的一自編碼模型以訓練該自編碼模型,其中該自編碼模型包含一編碼運作部分及一解碼運作部分;以及將訓練完成之該自編碼模型之該編碼運作部分設定為該預訓練降維模型。
- 如請求項1所述之偵測系統,其中該處理器更用以執行下列運作:對該等正常樣本進行該濾波運作,其中各該正常樣本是由至少一感測器偵測一正常減速機於運作該變速度非迴轉式動作而產生; 透過該預訓練降維模型對該等正常樣本進行該降維運作,以產生對應各該正常樣本的該降維特徵;將各該正常樣本的該降維特徵輸入至一分群模型以訓練該分群模型,其中該分群模型用以對於複數個輸入資料執行一分群運算,以產生各該輸入資料對應之該似然率分數;以及將訓練完成之該分群模型作為該預訓練分群模型。
- 一種偵測方法,用於一偵測系統,該偵測系統包含一儲存器及一處理器,該儲存器儲存一預訓練降維模型及一預訓練分群模型,其中該預訓練降維模型用以執行一降維運作,該預訓練分群模型是基於複數個正常樣本產生,用以計算一似然率分數,該偵測方法由該處理器所執行且包含下列步驟:接收複數個感測樣本,其中該等感測樣本各者對應至一變速度非迴轉式動作;對該等感測樣本進行一濾波運作;透過該預訓練降維模型對該等感測樣本進行該降維運作,以產生對應各該感測樣本的一降維特徵;將各該感測樣本的該降維特徵輸入至該預訓練分群模型,以計算對應各該感測樣本之該似然率分數;以及根據一標準差門檻值及該等似然率分數,判斷一減速機是否發生異常。
- 如請求項7所述之偵測方法,其中該偵測系統更包含至少一感測器,用以感測該減速機於運作該變速度非迴轉式動作而產生各該感測樣本,其中各該感測樣本的數據長度對應至該變速度非迴轉式動作的一標準周期。
- 如請求項8所述之偵測方法,其中該至少一感測器為一加速規,該加速規安裝於一機械手臂之該減速機徑向位置之一基座,用以收集複數個振動訊號。
- 如請求項8所述之偵測方法,其中該至少一感測器為一指向性麥克風,該指向性麥克風安裝於一機械手臂之該減速機的一周邊位置,用以收集複數個聲音訊號。
- 如請求項7所述之偵測方法,其中更包含下列步驟:對該等正常樣本進行該濾波運作,其中各該正常樣本是由至少一感測器偵測一正常減速機於運作該變速度非迴轉式動作而產生;將該等正常樣本輸入至一卷積神經網路所建構的一自編碼模型以訓練該自編碼模型,其中該自編碼模型包含一編碼運作部分及一解碼運作部分;以及將訓練完成之該自編碼模型之該編碼運作部分設定為該預訓練降維模型。
- 如請求項7所述之偵測方法,其中更包含下列步驟: 對該等正常樣本進行該濾波運作,其中各該正常樣本是由至少一感測器偵測一正常減速機於運作該變速度非迴轉式動作而產生;透過該預訓練降維模型對該等正常樣本進行該降維運作,以產生對應各該正常樣本的該降維特徵;將各該正常樣本的該降維特徵輸入至一分群模型以訓練該分群模型,其中該分群模型用以對於複數個輸入資料執行一分群運算,以產生各該輸入資料對應之該似然率分數;以及將訓練完成之該分群模型作為該預訓練分群模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110132902A TWI776664B (zh) | 2021-09-03 | 2021-09-03 | 偵測系統及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110132902A TWI776664B (zh) | 2021-09-03 | 2021-09-03 | 偵測系統及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI776664B true TWI776664B (zh) | 2022-09-01 |
TW202310993A TW202310993A (zh) | 2023-03-16 |
Family
ID=84957993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110132902A TWI776664B (zh) | 2021-09-03 | 2021-09-03 | 偵測系統及方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI776664B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019090264A1 (en) * | 2017-11-03 | 2019-05-09 | Drishti Technologies, Inc. | Real time anomaly detection systems and methods |
CN110427987A (zh) * | 2019-07-17 | 2019-11-08 | 军事科学院系统工程研究院军需工程技术研究所 | 一种关节炎患者的足底压力特征识别方法和系统 |
CN113036913A (zh) * | 2021-03-03 | 2021-06-25 | 国网信息通信产业集团有限公司 | 一种综合能源设备状态监测方法及装置 |
-
2021
- 2021-09-03 TW TW110132902A patent/TWI776664B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019090264A1 (en) * | 2017-11-03 | 2019-05-09 | Drishti Technologies, Inc. | Real time anomaly detection systems and methods |
CN110427987A (zh) * | 2019-07-17 | 2019-11-08 | 军事科学院系统工程研究院军需工程技术研究所 | 一种关节炎患者的足底压力特征识别方法和系统 |
CN113036913A (zh) * | 2021-03-03 | 2021-06-25 | 国网信息通信产业集团有限公司 | 一种综合能源设备状态监测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
TW202310993A (zh) | 2023-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW202036245A (zh) | 由手腕偵測肌動訊號識別使用者手勢之系統及方法 | |
CN104780217B (zh) | 检测用户工作效率的方法、系统及客户端 | |
CN103310192B (zh) | 一种基于单轴加速度传感器的运动行为识别方法 | |
JP5991042B2 (ja) | 異常監視システムおよび異常監視方法 | |
EP3822595A1 (en) | Predictive maintenance for robotic arms using vibration measurements | |
CN104115097B (zh) | 触摸屏装置的自动化感知质量评估 | |
CN108196668B (zh) | 一种便携式手势识别系统及方法 | |
CN107886075A (zh) | 一种健身动作检测的方法及装置 | |
JP2017102765A (ja) | 異常予兆検出システムおよび異常予兆検出方法 | |
CN117980707A (zh) | 操作振动信号的自主辨别 | |
CN109677341A (zh) | 一种车辆信息融合决策方法及装置 | |
CN113673447A (zh) | 一种触觉感知装置及机器人地形感知方法 | |
CN114298110B (zh) | 基于可解释1dcnn模型的滚动轴承故障诊断方法及系统 | |
TWI776664B (zh) | 偵測系統及方法 | |
TWM595256U (zh) | 智能手勢辨識裝置 | |
Łuczak | Machine Fault Diagnosis through Vibration Analysis: Time Series Conversion to Grayscale and RGB Images for Recognition via Convolutional Neural Networks | |
JP6898607B2 (ja) | 異常予兆検出システムおよび異常予兆検出方法 | |
CN115753073A (zh) | 检测系统及方法 | |
CN108648417A (zh) | 基于深度学习的树莓派老人摔倒检测系统 | |
CN110191785A (zh) | 用于监测工业机器人的方法、装置和系统 | |
Alman et al. | Pattern recognition of human activity based on smartphone data sensors using SVM multiclass | |
Ippili et al. | Deep learning-based mechanical fault detection and diagnosis of electric motors using directional characteristics of acoustic signals | |
TWI854128B (zh) | 故障檢測裝置及故障檢測方法 | |
TWI809761B (zh) | 機械運動現場資料之自動處理裝置 | |
JP7311820B1 (ja) | 異常判定方法、異常判定装置及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GD4A | Issue of patent certificate for granted invention patent |