CN103192413A - 一种无传感器的机器人碰撞检测保护装置及方法 - Google Patents
一种无传感器的机器人碰撞检测保护装置及方法 Download PDFInfo
- Publication number
- CN103192413A CN103192413A CN2012100037825A CN201210003782A CN103192413A CN 103192413 A CN103192413 A CN 103192413A CN 2012100037825 A CN2012100037825 A CN 2012100037825A CN 201210003782 A CN201210003782 A CN 201210003782A CN 103192413 A CN103192413 A CN 103192413A
- Authority
- CN
- China
- Prior art keywords
- robot
- module
- state
- sensor
- collision detection
- 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
Images
Landscapes
- Manipulator (AREA)
- Feedback Control In General (AREA)
Abstract
一种无传感器的机器人碰撞检测保护装置,包括一机器人,所述机器人包括一规划的状态,所述机器人包括:一参数设置模组,用于设置机器人防护保护装置的参数,所述参数包括一预设阈值;一观测模组,用于实时监测机器人工作时受到的扰动力,计算出未知扰动,并估计出机器人下一时刻的运动状态;一计算模组,用于计算出机器人下一时刻的运动状态与机器人规划的状态之间的差值;一判断模组,用于判断所述差值是否大于所述预设阈值;一执行模组,用于在判断模组判断出机器人在下一时刻的运动状态与机器人规划的状态之间的差值大于预设阈值时,驱使机器人停止工作。本发明进一步提供了一种无传感器的机器人碰撞检测保护方法。
Description
技术领域
本发明涉及一种防撞保护装置及方法,尤指一种无传感器的机器人碰撞检测保护装置及方法。
背景技术
一般地,机器人被广泛运用于电子产品中,如汽车工业、塑料工业、药品工业及食品工业等领域,用于完成搬取、装配、喷涂、焊接等操作,以代替人工操作,从而提高生产效率。
如,一种真空机器人,用于在一特殊洁净环境下对硅片加工,其主要功能是实现硅片在不同工位之间快速、高效、可靠的转移。然而,所述真空机器人的安全问题一直是应用中的一个非常重要的问题。当机器人与人或其它设备协同工作时,不小心发生碰撞会对机器人本体或者周围设备(尤其是人)造成很大的伤害,尤其在真空机器人工作中,碰撞还会造成晶圆的损坏并且造成真空室的污染。如何在机器人工作中能够及时检测到其他设备或者工作人员与机器人将要发生碰撞,并采取有效措施是需要解决的关键问题。现有的机器人防碰撞的方法,是采用在机器人本体上安装距离传感器,并同时配有距离计算模块,通过计算模块计算出的机器人与周围物体的距离来避免机器人发生碰撞。然而,上述方法适用于服务机器人这样的移动机器人中,且需要在机器人正面安装距离传感器并且所述服务机器人始终朝着正面方向运动即可,而真空机器人的机械手无法安装这种传感器,而且真空机械手的运动方向有前有后,若四个方向同时用距离传感器则成本太大。
发明内容
鉴于以上内容,有必要提供一种成本小,又能及时采取保护措施的无传感器的机器人碰撞检测保护装置及方法。
一种无传感器的机器人碰撞检测保护方法,包括有一机器人,所述机器人包括有一规划的状态,所述方法包括以下步骤:所述机器人内的一参数设置模组设置机器人防护保护装置的参数,所述参数包括有一预设阈值;所述机器人内的一观测模组实时监测所述机器人工作时受到的扰动力,计算出未知扰动,并估计出所述机器人在下一时刻的运动状态;所述机器人内的一计算模组根据所述观测模组计算的结果计算出机器人下一时刻的运动状态与机器人规划的状态之间的差值;所述机器人内的一判断模组判断所述机器人在下一时刻的运动状态与机器人规划的状态之间的差值是否大于所述预设阈值;所述机器人内的一执行模组在所述判断模组判断出所述机器人在下一时刻的运动状态与机器人规划的状态之间的差值大于所述预设阈值时,驱使所述机器人停止工作。
在一实施方式中,所述观测模组为一Luenberger扰动观测器。
在一实施方式中,所述Luenberger扰动观测器为一高增益K-滤波器的观测器。
在一实施方式中,所述机器人内的一优化模组对所述Luenberger扰动观测器训练,使所述Luenberger扰动观测器计算出的各参数的权值得到优化。
在一实施方式中,所述优化模组为一神经元网络,所述神经元网络采用三层网络、误差后向反馈的BP算法。
在一实施方式中,所述三层网络包括一输入层、一隐藏层及一输出层。
一种无传感器的机器人碰撞检测保护装置,包括有一机器人,所述机器人包括有一规划的状态,所述机器人包括:一参数设置模组,用于设置机器人防护保护装置的参数,所述参数包括有一预设阈值;一观测模组,用于实时监测所述机器人工作时受到的扰动力,计算出未知扰动,并估计出所述机器人下一时刻的运动状态;一计算模组,用于根据所述观测模组计算的结果计算出机器人下一时刻的运动状态与机器人规划的状态之间的差值;一判断模组,用于判断所述机器人在下一时刻的运动状态与机器人规划的状态之间的差值是否大于所述预设阈值;一执行模组,用于在所述判断模组判断出所述机器人在下一时刻的运动状态与机器人规划的状态之间的差值大于所述预设阈值时,驱使所述机器人停止工作。
在一实施方式中,所述观测模组为一Luenberger扰动观测器。
在一实施方式中,所述Luenberger扰动观测器为一高增益K-滤波器的观测器。
在一实施方式中,所述机器人包括有一优化模组,所述优化模组用于对所述Luenberger扰动观测器训练,使所述Luenberger扰动观测器计算出的各参数的权值得到优化。
相较于现有技术,上述无传感器的机器人碰撞检测保护装置及方法中所述观测模组可实时监测所述机器人工作时受到的扰动力,计算出未知扰动,并估计出所述机器人下一时刻的运动状态,所述计算模组可计算出机器人下一时刻的运动状态与机器人规划的状态之间的差值,当所述判断模组判断到所述机器人在下一时刻的运动状态与机器人规划的状态之间的差值大于所述预设阈值时,所述执行模组驱使所述机器人停止工作。这样,无需在机器人上安装距离传感器,节约了成本,且通过机器人自身就可采取相应的保护措施,非常方便。
附图说明
图1是本发明一种无传感器的机器人碰撞检测保护装置的一较佳实施方式的一组织框架图。
图2是图1中机器人的优化模组的一组织架构图。
图3是本发明一种无传感器的机器人碰撞检测保护方法的一较佳实施方式的一流程图。
主要元件符号说明
机器人 | 10 |
参数设置模组 | 11 |
观测模组 | 12 |
优化模组 | 13 |
计算模组 | 14 |
判断模组 | 15 |
执行模组 | 16 |
具体实施方式
请参阅图1,在一实施方式中,一种无传感器的机器人碰撞检测保护装置包括一机器人10。所述机器人10中包括有一规划的状态。在一实施方式中,所述机器人10为一真空机器人、或点焊、弧焊、涂胶等其他工业机器人。
所述机器人10包括一参数设置模组11、观测模组12、一连接于所述观测模组12的优化模组13、一计算模组14、一判断模组15、及一执行模组16。所述参数设置模组11用于设置所述机器人10防护保护装置的参数。所述参数包括有一预设阈值,所述预设阈值为所述机器人10在某一时刻(预设时刻)的运动状态与机器人10规划的状态的差值。所述观测模组12用于实时监测所述机器人10工作时受到的扰动力,计算出未知扰动,并估计出所述机器人10在下一时刻的运动状态。在一实施方式中,所述观测模组12为一Luenberger扰动观测器,所述Luenberger扰动观测器为一高增益K-滤波器的观测器,其可以计算当前扰动力的值,并估计出机器人下一时刻的运动状态。一般地,由于所述机器人10动态特性的高度非线性,Luenberger扰动观测器计算出的扰动力的值与实际情况之间存在误差。这样,就需要所述优化模组13对所述误差校正。在一实施方式中,所述优化模组13为一神经元网络,所述神经元网络是一种解决非线性问题很好的方法,可设置一定数量的神经元网络,通过大量的数据样本对Luenberger扰动观测器的相关参数训练,调整其权值,这样经过神经元网络训练优化的Luenberger扰动观测器可以准确计算出扰动力的值。
请参阅图2,所述优化模组13包括一输入层131、一隐含层132、一输出层133,若干位于所述输入层131、隐含层132、及输出层133上的神经元134,及一权值计算与误差返回网络135。所述Luenberger扰动观测器设计方法如下:
对于一般单输入输出的非线性***的输出反馈扰动问题可描述为:
其中,i=1,2,...,n-1,ζ=[ζ1,ζ2,...,ζm]T∈Rm和x=[x1,x2,...,xm]T∈Rm是***的状态,其初始值分别为ζ(t0)=ζ0和x(t0)=x0,u,y∈R分别是***的输入和输出,ω∈Rs是扰动,并且ω(t)∈∈Z2[t0,+∞),非零常数g待定,函数f0和h0是连续可微的。构造高增益K-滤波器:
将上述待定参数ξ1、λ1、Li、li和g的初始值代入BP神经元网络输入层131中,做大量的碰撞实验,通过实验得到的数据样本对此权值计算与误差返回网络135进行训练,所述输出层133得到调整后各参数的值,使得由Luenberger扰动观测器输出的数值与实际发生碰撞时所得到的数值误差最小。
所述计算模组14用于根据所述观测模组13计算的结果计算出所述机器人10在下一时刻的运动状态与所述机器人10规划的状态之间的差值。所述判断模组15用于判断所述机器人10在下一时刻的运动状态与所述机器人10规划的状态之间的差值是否大于所述预设阈值。所述执行模组16用于在所述判断模组15判断出所述机器人10在下一时刻的运动状态与机器人10规划的状态之间的差值大于所述预设阈值时,驱使所述机器人10停止工作。在一实施方式中,所述机器人10停止工作的方式可采取驱动力,如电机立即抱死或者驱动器动力下电的方式使机器人10暂停工作。
请参阅图3,图3是一种无传感器的机器人碰撞检测保护方法的流程图,所述方法包括以下步骤:
S10:所述机器人10内的参数设置模组11设置参数,所述参数为一预设阈值。
S20:所述观测模组12对所述机器人工作时受到的扰动力实时监测,计算出未知扰动,并估计出所述机器人10在下一时刻的运动状态;同时,所述优化模组13对所述观测模组12计算出的数值进行优化。
S30:所述计算模组14根据所述观测模组12通过所述优化模组13优化出的结果计算出机器人10下一时刻的运动状态与机器人10规划的状态之间的差值。
S40:所述判断模组15判断所述机器人10在下一时刻的运动状态与机器人10规划的状态之间的差值是否大于所述预设阈值,若是,则进行步骤S50,若不是,则继续进行步骤S20。
S50:所述执行模组16在所述判断模组15判断出所述机器人10在下一时刻的运动状态与机器人10规划的状态之间的差值大于所述预设阈值时,驱使所述机器人10停止工作。
在本领域的普通技术人员来说,可以根据本发明的发明方案和发明构思结合生产的实际需要做出相应的改变或调整,而这些改变和调整都应属于本发明权利要求的保护范围。
Claims (10)
1.一种无传感器的机器人碰撞检测保护方法,包括有一机器人,所述机器人包括有一规划的状态,其特征在于:所述方法包括以下步骤:
所述机器人内的一参数设置模组设置机器人防护保护装置的参数,所述参数包括有一预设阈值;
所述机器人内的一观测模组实时监测所述机器人工作时受到的扰动力,计算出未知扰动,并估计出所述机器人在下一时刻的运动状态;
所述机器人内的一计算模组根据所述观测模组计算的结果计算出机器人下一时刻的运动状态与机器人规划的状态之间的差值;
所述机器人内的一判断模组判断所述机器人在下一时刻的运动状态与机器人规划的状态之间的差值是否大于所述预设阈值;
所述机器人内的一执行模组在所述判断模组判断出所述机器人在下一时刻的运动状态与机器人规划的状态之间的差值大于所述预设阈值时,驱使所述机器人停止工作。
2.如权利要求1所述的无传感器的机器人碰撞检测保护方法,其特征在于:所述观测模组为一Luenberger扰动观测器。
3.如权利要求2所述的无传感器的机器人碰撞检测保护方法,其特征在于:所述Luenberger扰动观测器为一高增益K-滤波器的观测器。
4.如权利要求2所述的无传感器的机器人碰撞检测保护方法,其特征在于:所述机器人内的一优化模组对所述Luenberger扰动观测器训练,使所述Luenberger扰动观测器计算出的各参数的权值得到优化。
5.如权利要求4所述的无传感器的机器人碰撞检测保护方法,其特征在于:所述优化模组为一神经元网络,所述神经元网络采用三层网络、误差后向反馈的BP算法。
6.如权利要求5所述的无传感器的机器人碰撞检测保护方法,其特征在于:所述三层网络包括一输入层、一隐藏层及一输出层。
7.一种无传感器的机器人碰撞检测保护装置,包括有一机器人,所述机器人包括有一规划的状态,其特征在于:所述机器人包括:
一参数设置模组,用于设置机器人防护保护装置的参数,所述参数包括有一预设阈值;
一观测模组,用于实时监测所述机器人工作时受到的扰动力,计算出未知扰动,并估计出所述机器人下一时刻的运动状态;
一计算模组,用于根据所述观测模组计算的结果计算出机器人下一时刻的运动状态与机器人规划的状态之间的差值;
一判断模组,用于判断所述机器人在下一时刻的运动状态与机器人规划的状态之间的差值是否大于所述预设阈值;
一执行模组,用于在所述判断模组判断出所述机器人在下一时刻的运动状态与机器人规划的状态之间的差值大于所述预设阈值时,驱使所述机器人停止工作。
8.如权利要求1所述的无传感器的机器人碰撞检测保护装置,其特征在于:所述观测模组为一Luenberger扰动观测器。
9.如权利要求8所述的无传感器的机器人碰撞检测保护装置,其特征在于:所述Luenberger扰动观测器为一高增益K-滤波器的观测器。
10.如权利要求8所述的无传感器的机器人碰撞检测保护方法,其特征在于:所述机器人包括有一优化模组,所述优化模组用于对所述Luenberger扰动观测器训练,使所述Luenberger扰动观测器计算出的各参数的权值得到优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100037825A CN103192413A (zh) | 2012-01-06 | 2012-01-06 | 一种无传感器的机器人碰撞检测保护装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100037825A CN103192413A (zh) | 2012-01-06 | 2012-01-06 | 一种无传感器的机器人碰撞检测保护装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103192413A true CN103192413A (zh) | 2013-07-10 |
Family
ID=48715319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012100037825A Pending CN103192413A (zh) | 2012-01-06 | 2012-01-06 | 一种无传感器的机器人碰撞检测保护装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103192413A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103792943A (zh) * | 2014-02-19 | 2014-05-14 | 北京工业大学 | 基于距离信息和实例学习的机器人自主运动控制方法 |
CN104723350A (zh) * | 2015-03-16 | 2015-06-24 | 珠海格力电器股份有限公司 | 工业机器人安全防护智能控制方法及*** |
CN105459120A (zh) * | 2014-09-25 | 2016-04-06 | 发那科株式会社 | 人类协调机器人*** |
CN107253196A (zh) * | 2017-08-01 | 2017-10-17 | 中科新松有限公司 | 一种机械臂碰撞检测方法、装置、设备及存储介质 |
CN107848126A (zh) * | 2015-09-16 | 2018-03-27 | 松下知识产权经营株式会社 | 机器人的碰撞检测方法 |
CN107962569A (zh) * | 2017-11-23 | 2018-04-27 | 珠海格力电器股份有限公司 | 一种机器人的碰撞检测方法、装置及智能机器人 |
CN108015774A (zh) * | 2017-12-15 | 2018-05-11 | 北京艾利特科技有限公司 | 一种无需传感器的机械臂碰撞检测方法 |
CN108582070A (zh) * | 2018-04-17 | 2018-09-28 | 上海达野智能科技有限公司 | 机器人碰撞检测***和方法、存储介质、操作*** |
CN109202907A (zh) * | 2018-10-08 | 2019-01-15 | 广州数控设备有限公司 | 一种基于工业机器人的无传感弹性碰撞装置及方法 |
CN111645070A (zh) * | 2020-05-19 | 2020-09-11 | 华为技术有限公司 | 机器人的安全防护方法、装置与机器人 |
CN112743535A (zh) * | 2019-10-30 | 2021-05-04 | 北京配天技术有限公司 | 一种自适应碰撞检测方法、装置以及存储介质 |
CN114800620A (zh) * | 2022-06-13 | 2022-07-29 | 湖南科技大学 | 一种无力传感器的机器人外力检测方法 |
CN115389077A (zh) * | 2022-08-26 | 2022-11-25 | 法奥意威(苏州)机器人***有限公司 | 碰撞检测方法、装置、控制设备及可读存储介质 |
WO2023123911A1 (zh) * | 2021-12-31 | 2023-07-06 | 达闼科技(北京)有限公司 | 机器人碰撞检测方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06131050A (ja) * | 1992-10-20 | 1994-05-13 | Fanuc Ltd | サーボモータで駆動される可動部の衝突検出方法 |
US5440213A (en) * | 1989-12-26 | 1995-08-08 | Fanuc, Ltd. | Collision detecting method using an observer |
US5719479A (en) * | 1994-08-24 | 1998-02-17 | Fanuc Ltd. | Collision detecting method |
CN1198224A (zh) * | 1996-05-28 | 1998-11-04 | 菲利浦电子有限公司 | 一种含扰动预报器的控制装置、一种由这样一个控制装置控制的***、一种由这样一个控制装置控制的电力拖动装置和一种装有这样一个拖动装置的节流装置 |
JP2000052286A (ja) * | 1998-07-31 | 2000-02-22 | Yaskawa Electric Corp | ロボットの制御装置 |
JP2004364396A (ja) * | 2003-06-04 | 2004-12-24 | Yaskawa Electric Corp | モータの制御装置および制御方法 |
CN1955505A (zh) * | 2005-10-26 | 2007-05-02 | 发那科株式会社 | 机器人用停止装置 |
-
2012
- 2012-01-06 CN CN2012100037825A patent/CN103192413A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5440213A (en) * | 1989-12-26 | 1995-08-08 | Fanuc, Ltd. | Collision detecting method using an observer |
JPH06131050A (ja) * | 1992-10-20 | 1994-05-13 | Fanuc Ltd | サーボモータで駆動される可動部の衝突検出方法 |
US5719479A (en) * | 1994-08-24 | 1998-02-17 | Fanuc Ltd. | Collision detecting method |
CN1198224A (zh) * | 1996-05-28 | 1998-11-04 | 菲利浦电子有限公司 | 一种含扰动预报器的控制装置、一种由这样一个控制装置控制的***、一种由这样一个控制装置控制的电力拖动装置和一种装有这样一个拖动装置的节流装置 |
JP2000052286A (ja) * | 1998-07-31 | 2000-02-22 | Yaskawa Electric Corp | ロボットの制御装置 |
JP2004364396A (ja) * | 2003-06-04 | 2004-12-24 | Yaskawa Electric Corp | モータの制御装置および制御方法 |
CN1955505A (zh) * | 2005-10-26 | 2007-05-02 | 发那科株式会社 | 机器人用停止装置 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103792943A (zh) * | 2014-02-19 | 2014-05-14 | 北京工业大学 | 基于距离信息和实例学习的机器人自主运动控制方法 |
CN103792943B (zh) * | 2014-02-19 | 2017-01-11 | 北京工业大学 | 基于距离信息和实例学习的机器人自主运动控制方法 |
CN105459120A (zh) * | 2014-09-25 | 2016-04-06 | 发那科株式会社 | 人类协调机器人*** |
CN104723350A (zh) * | 2015-03-16 | 2015-06-24 | 珠海格力电器股份有限公司 | 工业机器人安全防护智能控制方法及*** |
CN107848126A (zh) * | 2015-09-16 | 2018-03-27 | 松下知识产权经营株式会社 | 机器人的碰撞检测方法 |
CN107253196A (zh) * | 2017-08-01 | 2017-10-17 | 中科新松有限公司 | 一种机械臂碰撞检测方法、装置、设备及存储介质 |
CN107962569B (zh) * | 2017-11-23 | 2019-12-10 | 珠海格力电器股份有限公司 | 一种机器人的碰撞检测方法、装置及智能机器人 |
CN107962569A (zh) * | 2017-11-23 | 2018-04-27 | 珠海格力电器股份有限公司 | 一种机器人的碰撞检测方法、装置及智能机器人 |
CN108015774A (zh) * | 2017-12-15 | 2018-05-11 | 北京艾利特科技有限公司 | 一种无需传感器的机械臂碰撞检测方法 |
CN108015774B (zh) * | 2017-12-15 | 2020-10-13 | 北京艾利特科技有限公司 | 一种无需传感器的机械臂碰撞检测方法 |
CN108582070A (zh) * | 2018-04-17 | 2018-09-28 | 上海达野智能科技有限公司 | 机器人碰撞检测***和方法、存储介质、操作*** |
CN109202907A (zh) * | 2018-10-08 | 2019-01-15 | 广州数控设备有限公司 | 一种基于工业机器人的无传感弹性碰撞装置及方法 |
CN109202907B (zh) * | 2018-10-08 | 2024-02-27 | 广州数控设备有限公司 | 一种基于工业机器人的无传感弹性碰撞装置及方法 |
CN112743535A (zh) * | 2019-10-30 | 2021-05-04 | 北京配天技术有限公司 | 一种自适应碰撞检测方法、装置以及存储介质 |
CN112743535B (zh) * | 2019-10-30 | 2024-01-09 | 北京配天技术有限公司 | 一种自适应碰撞检测方法、装置以及存储介质 |
WO2021232921A1 (zh) * | 2020-05-19 | 2021-11-25 | 华为技术有限公司 | 机器人的安全防护方法、装置与机器人 |
CN111645070A (zh) * | 2020-05-19 | 2020-09-11 | 华为技术有限公司 | 机器人的安全防护方法、装置与机器人 |
WO2023123911A1 (zh) * | 2021-12-31 | 2023-07-06 | 达闼科技(北京)有限公司 | 机器人碰撞检测方法、装置、电子设备及存储介质 |
CN114800620A (zh) * | 2022-06-13 | 2022-07-29 | 湖南科技大学 | 一种无力传感器的机器人外力检测方法 |
CN114800620B (zh) * | 2022-06-13 | 2023-12-12 | 湖南科技大学 | 一种无力传感器的机器人外力检测方法 |
CN115389077A (zh) * | 2022-08-26 | 2022-11-25 | 法奥意威(苏州)机器人***有限公司 | 碰撞检测方法、装置、控制设备及可读存储介质 |
CN115389077B (zh) * | 2022-08-26 | 2024-04-12 | 法奥意威(苏州)机器人***有限公司 | 碰撞检测方法、装置、控制设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103192413A (zh) | 一种无传感器的机器人碰撞检测保护装置及方法 | |
Arogeti et al. | Fault detection isolation and estimation in a vehicle steering system | |
CN103754718B (zh) | 电梯运行安全监测***及其方法 | |
Thumati et al. | A model-based fault detection and prognostics scheme for Takagi–Sugeno fuzzy systems | |
Nasr et al. | Estimation of the parameters for a complex repairable system with preventive and corrective maintenance | |
Huang et al. | Fault detection and diagnosis based on modeling and estimation methods | |
Huang et al. | Automated fault diagnosis and accommodation control for mechanical systems | |
CN111872936A (zh) | 一种基于神经网络的机器人碰撞检测***及方法 | |
Chatti et al. | Model-based approach for fault diagnosis using set-membership formulation | |
Rezazadegan et al. | Risked-based design for the physical human-robot interaction (pHRI): An overview | |
Trefilov et al. | Automatic warehouses with transport robots of increased reliability | |
Mellah et al. | Health state monitoring of 4-mecanum wheeled mobile robot actuators and its impact on the robot behavior analysis | |
Vafeiadis et al. | Robust malfunction diagnosis in process industry time series | |
KR102287540B1 (ko) | 스폿 용접 시스템의 실시간 용접 품질측정 장치 및 방법 | |
Escobet et al. | Health aware control and model-based prognosis | |
Stuchlý et al. | Reliability evaluation as a means of increasing the efficiency of equipment maintenance | |
Pratama et al. | Fault detection algorithm for automatic guided vehicle based on multiple positioning modules | |
Baghernezhad et al. | A robust fault detection scheme with an application to mobile robots by using adaptive thresholds generated with locally linear models | |
Felea et al. | Decision support model for production disturbance estimation | |
Stavrou et al. | A path correction module for two-wheeled service robots under actuator faults | |
Shioya et al. | Prediction model to design standard production period for steel plate mills | |
Karbasian et al. | Improvement of the Reliability of Automatic Manufacture Systems by Using FTA Technique | |
Yi et al. | Fault detection and diagnosis for non-Gaussian singular stochastic distribution systems via output PDFs | |
Lee et al. | A Study on the predictive maintenance system for CNC Facilities based on intelligent cutting tool load prediction | |
Ferdowsi | Model based fault diagnosis and prognosis of nonlinear systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130710 |