CN108638128B - 一种工业机器人的实时异常监测方法及其*** - Google Patents
一种工业机器人的实时异常监测方法及其*** Download PDFInfo
- Publication number
- CN108638128B CN108638128B CN201810506850.7A CN201810506850A CN108638128B CN 108638128 B CN108638128 B CN 108638128B CN 201810506850 A CN201810506850 A CN 201810506850A CN 108638128 B CN108638128 B CN 108638128B
- Authority
- CN
- China
- Prior art keywords
- current
- max
- characteristic
- robot
- mincurr
- 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.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/0095—Means or methods for testing manipulators
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Manipulator (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种工业机器人的实时异常监测方法及其***,包括对机器人进行监测的异常检测装置,所述异常检测装置依次包括参数检测单元、特征提取单元、异常判定单元、报告单元,所述参数检测单元,获取机器人各关节当前的命令位置、实际位置、电流序列和其他参数;所述特征提取单元,进行计算定位偏差、电流边界、极差、方差和其他特征;所述异常判定单元,对比各特征与其正常的区间阈值,当超出时为1,否则为0;报告单元:当异常判定单元输出1时,发出警示,提示异常类型。本发明实时性强,对各类原因导致的异常状态均反应灵敏。本发明成本低,利用工业机器人公开的通信协议接口采集数据并分析,无需添加额外设备。
Description
技术领域
本发明涉及工业机器人技术领域,尤其涉及一种工业机器人的实时异常监测方法及其***。
背景技术
随着企业对产品交付时间的不断缩短,对产品质量要求的不断提高,工业机器人工作状态的稳定性变的尤为重要。当机器人的电动机、减速机、控制***等部件发生故障需要修复时,会延误生产影响交付,甚至威胁工人安全。因此,若能在机器人完全不能工作之前检测到异常,则可在休息日或夜间停工时,更换维修相关部件,减少对生产的影响。
申请号为:CN201710213851.8的专利:一种异常判定装置和异常判定方法,该专利中电流值检测单元以预定时间间隔,对按时间序列检测到的电流值序列进行分组,计算每组电流的方差值,将相应组的电流值的方差值除以在减速机构正常时的电动机的基准电流值的方差值来计算每个组的方差比;当方差比等于或大于阈值时判定减速机异常。此种判定方法只能检测会造成电流异常波动的电气故障,无法检测其他故障。
发明内容
本发明的所要解决的技术问题在于现有技术只能检测会造成电流异常波动的电气故障,无法检测其他故障的缺陷。
本发明是通过以下技术方案实现的:一种工业机器人的实时异常监测方法,该方法包括:
步骤1:获取机器人各关节当前的命令位置、实际位置、电流序列和其他参数;
步骤2:计算定位偏差、电流边界、极差、方差和其他特征;
步骤3:对比各特征与其正常的区间阈值,当超出时记录为1,否则为0;
步骤4:当监测到记录的数值为1时,发出警示,提示异常类型。
作为本发明的优选方式之一,所述步骤4中的警示为发光、鸣笛、日志中的至少一种。
作为本发明的优选方式之一,所述定位偏差为机器人的各关节命令位置与实际位置之差。
作为本发明的优选方式之一,所述步骤1具体如下:
a:根据机器人通信协议接口,按照规定间隔T获取有用参数;
b:对机器人关节j,在时刻i,测量包括但不限于当前命令位置ActualPosji、当前实际位置CmdPosji、过去T时间内的电流序列Currji[N]和其他参数{Pji}或参数序列{Pji[N]};其中,N为对应参数的序列长度。
作为本发明的优选方式之一,所述步骤2中的计算具体如下:
定位偏差posErrorji=|ActualPosji-CmdPosji|,
电流序列最小值minCurrji=min(Currji[N]),
电流序列最大值maxCurrji=max(Currji[N]),
电流序列极差rangeCurrji=maxCurrji-minCurrji,
电流序列方差varCurrji=variance(Currji[N]),
对其他参数或参数序列,可以提取类似特征。
作为本发明的优选方式之一,所述步骤2中对其他参数或参数序列进行类似特征提取的具体方法为:计算其他参数或参数序列的最小值、最大值,和其他参数序列的极差、方差;当其他参数序列为振动序列时,采集电机的振动序列Vibj i[N],则可以进行频谱分析,计算其快速傅立叶变换Xji(f)和功率谱密度Sji(f),从而得到主要频率成分和对应能量大小。
作为本发明的优选方式之一,所述步骤3具体包括如下:依次检测机器人各维特征是否在正常区间并记录下来,特征正常区间需要通过训练得到,即在机器人正常工作时,重复多次动作,采集参数,提取特征,计算特征正常区间,保存到配置文件;
具体训练为:
定位偏差上限PosErrorj=maxi(posErrorji),
电流值下限MinCurrj=mini(minCurrji),
电流值上限MaxCurrj=maxi(maxCurrji),
电流序列极差上限RangeCurrj=maxi(rangeCurrji),
电流序列方差上限VarCurrj=maxi(varCurrji),
其他特征的区间计算方法类似。
作为本发明的优选方式之一,所述步骤3具体如下:依次检测机器人各维特征是否在正常区间并记录下来,特征正常区间需要通过训练得到,即在机器人正常工作时,重复多次动作,采集参数,提取特征,计算特征正常区间,保存到配置文件;
具体训练为:
定位偏差上限PosErrorj=maxi(posErrorji),
电流值下限MinCurrj=mini(minCurrji)-ε,
电流值上限MaxCurrj=maxi(maxCurrji)+ε,
其中,ε=α*(maxi(maxCurrji)-mini(minCurrji)),α∈[0.05,0.1];
电流序列极差上限RangeCurrj=maxi(rangeCurrji),
电流序列方差上限VarCurrj=maxi(varCurrji),
其他特征的区间计算方法类似。
本发明还公开了一种工业机器人的实时异常监测***,该***包括对机器人进行监测的异常检测装置,所述异常检测装置依次包括参数检测单元、特征提取单元、异常判定单元、报告单元:
参数检测单元:用于获取机器人各关节当前的命令位置、实际位置、电流序列和其他参数,具体为:
根据机器人通信协议接口,按照规定间隔T获取有用参数;对机器人关节j,在时刻i,测量包括但不限于当前命令位置ActualPosji、当前实际位置CmdPosji、过去T时间内的电流序列Currji[N]和其他参数{Pji}或参数序列{Pji[N]};
特征提取单元:用于提取各个时刻的各种参数序列,具体为:
定位偏差posErrorji=|ActualPosji-CmdPosji|,
电流序列最小值minCurrji=min(Currji[N]),
电流序列最大值maxCurrji=max(Currji[N]),
电流序列极差rangeCurrji=maxCurrji-minCurrji,
电流序列方差varCurrji=variance(Currji[N]),
电机的振动序列Vibji[N],进行频谱分析,计算其快速傅立叶变换Xji(f)和功率谱密度Sji(f),从而得到主要频率成分和对应能量大小,频谱分析可以有效识别常见电机故障;
对其他参数或参数序列,可以提取类似特征;
异常判定单元:依次检测机器人各维特征是否在正常区间,特征正常区间需要通过训练得到,即在机器人正常工作时,重复多次动作,采集参数,提取特征,计算特征正常区间,保存到配置文件,
具体计算方法如下,定位偏差上限PosErrorj=maxi(posErrorji),
电流值下限MinCurrj=mini(minCurrji),
电流值上限MaxCurrj=maxi(maxCurrji),
电流序列极差上限RangeCurrj=maxi(rangeCurrji),
电流序列方差上限VarCurrj=maxi(varCurrji),
或电流值下限MinCurrj=mini(minCurrji)-ε,
电流值上限MaxCurrj=maxi(maxCurrji)+ε,
其中ε=α*(maxi(maxCurrji)-mini(minCurrji)),α∈[0.05,0.1],
其他特征的区间计算方法类似;
报告单元:用于监测记录的数值,当监测到记录的数值为1时,发出警示,提示异常类型。
本发明相比现有技术的优点在于:(1)本发明实时性强,对各类原因导致的异常状态均反应灵敏;(2)辅助故障定位,发生异常时,***可以报告是哪些关节,哪些参数偏离正常范围,偏离多少;(3)成本低,利用工业机器人公开的通信协议接口采集数据并分析,无需添加额外设备。
附图说明
图1是本发明实施例的***结构框图;
图2是本发明的机器人在执行同一动作时,正常和异常状态下的电流波动图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图2所示为本发明的机器人在执行同一动作时,正常和异常状态下的电流波动图。工业机器人在运行时一般可以实时获取其各关节的(角度或空间)定位偏差(命令位置与实际位置之差)和电流值;根据品牌不同,有些还可以获取各关节速度、加速度、转矩等。当机器人正常、重复工作时,这些参数都在固定区间波动。当机器人发生异常,某些参数会偏离正常区间。例如,当机器人的电机或减速机发生故障导致摩擦上升,为了补偿增加的摩擦能,电动机驱动力增加,电流也会出现大幅度波动。因此,可以通过对电流值的观察,辅助判断机器人的电机是否异常。
基于以上原理,本发明提供一种工业机器人的实时异常监测方法,该方法包括:
步骤1:获取机器人各关节当前的命令位置、实际位置、电流序列和其他参数(例如电压参数、电机振动参数);
具体包括以下:a:根据机器人通信协议接口,按照规定间隔T获取有用参数;b:对机器人关节j,在时刻i,包括但不限于获取当前命令位置ActualPosji、当前实际位置CmdPosji、过去T时间内的电流序列Currji[N]和其他参数{Pji}或参数序列{Pji[N]},N为对应参数的序列长度;
步骤2:计算定位偏差、电流边界、极差、方差和其他特征,
具体包括如下:
定位偏差posErrorji=|ActualPosji-CmdPosji|,
电流序列最小值minCurrji=min(Currji[N]),
电流序列最大值maxCurrji=max(Currji[N]),
电流序列极差rangeCurrji=maxCurrji-minCurrji,
电流序列方差varCurrji=variance(Currji[N]),
对其他参数或参数序列,可以提取类似特征;
步骤3:对比各特征与其正常的区间阈值,当超出时记录为1,否则为0,
具体包括如下:依次检测机器人各维特征是否在正常区间并记录下来,特征正常区间需要通过训练得到,即在机器人正常工作时,重复多次动作,采集参数,提取特征,计算特征正常区间,保存到配置文件;
具体训练为:
定位偏差上限PosErrorj=maxi(posErrorji),
电流值下限MinCurrj=mini(minCurrji),
电流值上限MaxCurrj=maxi(maxCurrji),
电流序列极差上限RangeCurrj=maxi(rangeCurrji),
电流序列方差上限VarCurrj=maxi(varCurrji),
其他特征的区间计算方法类似;
步骤4:当监测到记录的数值为1时,发出发光、鸣笛、日志等方式,提示异常类型。
为了在发生异常时辅助故障定位,作为本发明的优选方式之一,定位偏差为机器人的各关节命令位置与实际位置之差。
为了能更好的识别更多故障,因此作为本发明的优选方式之一,所述步骤2中对其他参数或参数序列进行类似特征提取的具体方法为:计算其他参数或参数序列的最小值、最大值,和其他参数序列的极差、方差;当其他参数序列为振动序列时,采集电机的振动序列Vibji[N],则可以进行频谱分析,计算其快速傅立叶变换Xji(f)和功率谱密度Sji(f),从而得到主要频率成分和对应能量大小。
为了降低本***的虚警率,可以适当放宽特征正常区间,因此作为本发明的优选方式之一,所述电流的特征正常区间还可以训练为:
电流值下限MinCurrj=mini(minCurrji)-ε,
电流值上限MaxCurrj=maxi(maxCurrji)+ε,
其中ε=α*(maxi(maxCurrji)-mini(minCurrji)),α可取0.1,0.05等经验值。
如图2所示:本发明还公开了一种工业机器人的实时异常监测***,包括参数检测单元101、特征提取单元102、异常判定单元103、报告单元104:
参数检测单元101:用于获取机器人各关节当前的命令位置、实际位置、电流序列和其他参数,具体为:
根据机器人2通信协议接口,按照规定间隔T获取有用参数;对机器人2关节j,在时刻i,测量包括但不限于当前命令位置ActualPosji、当前实际位置CmdPosji、过去T时间内的电流序列Currji[N]和其他参数{Pji}或参数序列{Pji[N]};
特征提取单元102:用于计算定位偏差、电流边界、极差、方差和其他特征,
具体如下:
定位偏差posErrorji=|ActualPosji-CmdPosji|,
电流序列最小值minCurrji=min(Currji[N]),
电流序列最大值maxCurrji=max(Currji[N]),
电流序列极差rangeCurrji=maxCurrji-minCurrji,
电流序列方差varCurrji=variance(Currji[N]),
电机的振动序列Vibji[N],进行频谱分析,计算其快速傅立叶变换Xji(f)和功率谱密度Sji(f),从而得到主要频率成分和对应能量大小,频谱分析可以有效识别常见电机故障,
对其他参数或参数序列,计算其他参数或参数序列的最小值、最大值,和其他参数序列的极差、方差,提取类似特征;
异常判定单元103:用于对比各特征与其正常的区间阈值,当超出时记录为1,否则为0,具体为:依次检测机器人2各维特征是否在正常区间,特征正常区间需要通过训练得到,即在机器人2正常工作时,重复多次动作,采集参数,提取特征,计算特征正常区间,保存到配置文件,
具体计算方法如下,定位偏差上限PosErrorj=maxi(posErrorji),
电流值下限MinCurrj=mini(minCurrji),
电流值上限MaxCurrj=maxi(maxCurrji),
电流序列极差上限RangeCurrj=maxi(rangeCurrji),
电流序列方差上限VarCurrj=maxi(varCurrji),
或电流值下限MinCurrj=mini(minCurrji)-ε,
电流值上限MaxCurrj=maxi(maxCurrji)+ε,
其中ε=α*(maxi(maxCurrji)-mini(minCurrji)),α可取0.1,0.05等经验值,
其他特征的区间计算方法类似;
报告单元104:用于监测记录的数值,当监测到记录的数值为1时,发出警示,提示异常类型。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种工业机器人的实时异常监测方法,其特征在于,该方法包括:
步骤1:获取机器人各关节当前的命令位置、实际位置、电流序列;
所述步骤1具体如下:
a:根据机器人通信协议接口,按照规定间隔T获取有用参数;
b:对机器人关节j,在时刻i,测量包括但不限于当前命令位置ActualPosji、当前实际位置CmdPosji、过去T时间内的电流序列Currji[N];其中,N为对应参数的序列长度;
步骤2:计算定位偏差、电流边界、电流序列极差、电流序列方差;
步骤3:对比各特征与其正常的区间阈值,当超出时记录为1,否则为0;
步骤4:当监测到记录的数值为1时,发出警示,提示异常类型。
2.根据权利要求1所述的工业机器人的实时异常监测方法,其特征在于,所述步骤4中的警示为发光、鸣笛、日志中的至少一种。
3.根据权利要求1所述的工业机器人的实时异常监测方法,其特征在于,所述定位偏差为机器人的各关节命令位置与实际位置之差。
4.根据权利要求1所述的工业机器人的实时异常监测方法,其特征在于,所述步骤2中的计算具体如下:
定位偏差posErrorji = |ActualPosji-CmdPosji|,
电流序列最小值minCurrji = min(Currji[N]),
电流序列最大值maxCurrji = max(Currji[N]),
电流序列极差rangeCurrji = maxCurrji-minCurrji,
电流序列方差varCurrji = variance(Currji[N])。
5.根据权利要求4所述的工业机器人的实时异常监测方法,其特征在于,所述步骤2还包括采集电机的振动序列Vibji[N],则可以进行频谱分析,计算其快速傅立叶变换Xji(f)和功率谱密度Sji(f),从而得到主要频率成分和对应能量大小。
6.根据权利要求1所述的工业机器人的实时异常监测方法,其特征在于,所述步骤3具体如下:依次检测机器人各维特征是否在正常区间并记录下来,特征正常区间需要通过训练得到,即在机器人正常工作时,重复多次动作,采集参数,提取特征,计算特征正常区间,保存到配置文件;
具体训练为:
定位偏差上限PosErrorj = maxi(posErrorji),
电流值下限MinCurrj = mini(minCurrji),
电流值上限MaxCurrj = maxi(maxCurrji),
电流序列极差上限RangeCurrj = maxi(rangeCurrji),
电流序列方差上限VarCurrj = maxi(varCurrji)。
7.根据权利要求1所述的工业机器人的实时异常监测方法,其特征在于,所述步骤3具体如下:依次检测机器人各维特征是否在正常区间并记录下来,特征正常区间需要通过训练得到,即在机器人正常工作时,重复多次动作,采集参数,提取特征,计算特征正常区间,保存到配置文件;
具体训练为:
定位偏差上限PosErrorj = maxi(posErrorji),
电流值下限MinCurrj = mini(minCurrji)-ε,
电流值上限MaxCurrj = maxi(maxCurrji)+ε,
其中,ε=α*(maxi(maxCurrji)- mini(minCurrji)),α∈[0.05,0.1];
电流序列极差上限RangeCurrj = maxi(rangeCurrji),
电流序列方差上限VarCurrj = maxi(varCurrji)。
8.根据权利要求1-7任一所述的工业机器人的实时异常监测方法的监测***,其特征在于,包括参数检测单元、特征提取单元、异常判定单元、报告单元:
参数检测单元:用于获取机器人各关节当前的命令位置、实际位置、电流序列,具体为:
根据机器人通信协议接口,按照规定间隔T获取有用参数;对机器人关节j,在时刻i,测量包括但不限于当前命令位置ActualPosji、当前实际位置CmdPosji、过去T时间内的电流序列Currji[N],其中,N为对应参数的序列长度;
特征提取单元:用于计算定位偏差、电流边界、电流序列极差、电流序列方差,具体如下:
定位偏差posErrorji = |ActualPosji-CmdPosji|,
电流序列最小值minCurrji = min(Currji[N]),
电流序列最大值maxCurrji = max(Currji[N]),
电流序列极差rangeCurrji = maxCurrji-minCurrji,
电流序列方差varCurrji = variance(Currji[N]),
电机的振动序列Vibji[N],进行频谱分析,计算其快速傅立叶变换Xji(f)和功率谱密度Sji(f),从而得到主要频率成分和对应能量大小,
异常判定单元:用于对比各特征与其正常的区间阈值,当超出时记录为1,否则为0,具体为:依次检测机器人各维特征是否在正常区间,特征正常区间需要通过训练得到,即在机器人正常工作时,重复多次动作,采集参数,提取特征,计算特征正常区间,保存到配置文件;
具体计算方法如下,定位偏差上限PosErrorj = maxi(posErrorji),
电流值下限MinCurrj = mini(minCurrji),
电流值上限MaxCurrj = maxi(maxCurrji),
电流序列极差上限RangeCurrj = maxi(rangeCurrji),
电流序列方差上限VarCurrj = maxi(varCurrji),
或电流值下限MinCurrj = mini(minCurrji)-ε,
电流值上限MaxCurrj = maxi(maxCurrji)+ε,
其中ε=α*(maxi(maxCurrji)- mini(minCurrji)),α∈[0.05,0.1],
报告单元:用于监测记录的数值,当监测到记录的数值为1时,发出警示,提示异常类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810506850.7A CN108638128B (zh) | 2018-05-24 | 2018-05-24 | 一种工业机器人的实时异常监测方法及其*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810506850.7A CN108638128B (zh) | 2018-05-24 | 2018-05-24 | 一种工业机器人的实时异常监测方法及其*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108638128A CN108638128A (zh) | 2018-10-12 |
CN108638128B true CN108638128B (zh) | 2021-06-22 |
Family
ID=63757712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810506850.7A Active CN108638128B (zh) | 2018-05-24 | 2018-05-24 | 一种工业机器人的实时异常监测方法及其*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108638128B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111684213A (zh) * | 2018-10-22 | 2020-09-18 | 深圳配天智能技术研究院有限公司 | 机器人故障诊断方法、***及存储装置 |
CN113167680A (zh) | 2018-12-24 | 2021-07-23 | Abb瑞士股份有限公司 | 用于诊断机器人的方法和设备 |
CN109822620A (zh) * | 2019-03-05 | 2019-05-31 | 北京海益同展信息科技有限公司 | 一种机器人设备及控制方法 |
CN112123371A (zh) * | 2019-06-25 | 2020-12-25 | 株式会社日立制作所 | 机器人故障预测装置及***、机器人故障预测方法 |
CN110370317B (zh) * | 2019-07-24 | 2022-01-11 | 广东工业大学 | 机器人修复方法及装置 |
CN111085994A (zh) * | 2019-11-28 | 2020-05-01 | 广汽新能源汽车有限公司 | 机器人运行状态监控方法及*** |
CN110919657B (zh) * | 2019-12-10 | 2021-02-02 | 北京奔驰汽车有限公司 | 一种基于大数据的工业机器人预测性状态监控方法 |
CN113021411B (zh) * | 2019-12-24 | 2023-06-20 | 株式会社日立制作所 | 机器人故障预测装置及***、以及机器人故障预测方法 |
CN111486943B (zh) * | 2020-03-30 | 2022-02-01 | 伯朗特机器人股份有限公司 | 工业机器人振动状态分析方法、***、装置及可读存储介质 |
CN111469128B (zh) * | 2020-04-21 | 2022-10-18 | 昆明理工大学 | 一种关节型机器人电流耦合信号分离提取方法 |
CN111805158A (zh) * | 2020-05-25 | 2020-10-23 | 福建星云电子股份有限公司 | 一种机器人的夹具位移自检测方法及*** |
CN111975784B (zh) * | 2020-09-03 | 2022-12-13 | 昆明理工大学 | 一种基于电流和振动信号的关节机器人故障诊断方法 |
TWI758926B (zh) * | 2020-10-27 | 2022-03-21 | 達明機器人股份有限公司 | 機器人安全監控系統及其診斷異常的方法 |
CN115431300B (zh) * | 2021-06-03 | 2024-04-09 | 同方威视技术股份有限公司 | 机器人故障检测方法和机器人 |
CN113400351A (zh) * | 2021-06-07 | 2021-09-17 | 上海宜齐自动化***有限公司 | 工业机器人轴电机检测方法、装置、存储介质及电子设备 |
CN113442171B (zh) * | 2021-07-01 | 2022-06-24 | 南京蔚蓝智能科技有限公司 | 一种机器人动态稳定判别方法和动态自适应姿态控制方法 |
CN113386139B (zh) * | 2021-07-01 | 2022-09-20 | 昆明理工大学 | 一种基于k-s检验的机器人运行状态判断方法 |
CN114700988B (zh) * | 2022-05-09 | 2023-10-24 | 西安交通大学 | 一种面向工业机器人机械传动部件健康监测的关节动作划分方法 |
CN115056266A (zh) * | 2022-08-19 | 2022-09-16 | 南通云尖智能科技有限公司 | 基于plc的机械加工用机械臂智能故障检测方法 |
CN116974268B (zh) * | 2023-09-20 | 2023-12-15 | 青岛朗兹环保科技有限公司 | 一种控制***电路智能化监测预警方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6224305A (ja) * | 1985-07-24 | 1987-02-02 | Hitachi Ltd | 産業用ロボツトのサ−ボ異常検出方法 |
JP6056838B2 (ja) * | 2014-11-28 | 2017-01-11 | 株式会社安川電機 | ブレーキ診断装置及びブレーキ診断方法 |
CN107614214B (zh) * | 2015-05-21 | 2019-07-09 | 日产自动车株式会社 | 故障诊断装置及故障诊断方法 |
CN107614212B (zh) * | 2015-12-30 | 2021-02-26 | 深圳配天智能技术研究院有限公司 | 工业机器人及其故障判断方法 |
JP6414127B2 (ja) * | 2016-04-18 | 2018-10-31 | トヨタ自動車株式会社 | 異常判定装置及び異常判定方法 |
CN206568163U (zh) * | 2017-01-13 | 2017-10-20 | 深圳市祈飞科技有限公司 | 一种可检测异常的舵机控制装置 |
-
2018
- 2018-05-24 CN CN201810506850.7A patent/CN108638128B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108638128A (zh) | 2018-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108638128B (zh) | 一种工业机器人的实时异常监测方法及其*** | |
KR102428632B1 (ko) | 산업 프로세스들에서 이용되는 부품들로부터 기원하는 시그널링에 있어서의 이상을 검출 및 측정하는 시스템 및 방법 | |
EP2950177A1 (en) | Asset condition monitoring | |
JP2008186472A5 (zh) | ||
CN111148609B (zh) | 异常产生的部位的推定方法和记录执行异常产生的部位的推定的程序的记录介质 | |
EP1480126A3 (en) | Self-learning method and system for detecting abnormalities | |
JP2008097363A (ja) | 異常診断方法及びその装置 | |
JP2018169769A5 (zh) | ||
CN110057406B (zh) | 一种多尺度自适应的机械设备趋势预警方法 | |
US20190332936A1 (en) | Additional learning method for deterioration diagnosis system | |
CN106768000B (zh) | 一种风力发电机组变流器水冷***压力异常检测方法 | |
CN104900016B (zh) | 一种气体探测器及其报警方法 | |
KR102545672B1 (ko) | 기계고장 진단 방법 및 장치 | |
CN110991074B (zh) | 一种位移传感器测量数据有效性的判定方法 | |
CN117786385B (zh) | 基于孪生网络的三相异步电动机故障监测方法及*** | |
CN111075703B (zh) | 一种空气压缩机的故障预测方法及*** | |
CN108469565B (zh) | 电力故障诊断方法及在电力故障诊断中的应用 | |
SE544532C2 (en) | Improved fault detection methods for power tools | |
CN112528227A (zh) | 一种基于数理统计的传感器异常数据识别方法 | |
CN117435883A (zh) | 一种基于数字孪生的设备故障预测的方法和*** | |
CN113492162A (zh) | 诊断装置、诊断方法、存储介质以及计算机装置 | |
CN113646718B (zh) | 异常探测装置及异常探测方法 | |
CN109765033A (zh) | 一种光测测量设备镜头智能监控***及方法 | |
CN115407731A (zh) | 生产线工作状态监测与故障预警***和方法 | |
CN111960207B (zh) | 基于多元分析的电梯运行环境异常检测方法及检测*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200813 Address after: Room 203, building 3, Zone C, intelligent technology park, 3963 Susong Road, Hefei Economic and Technological Development Zone, 230000 Anhui Province Applicant after: Anhui Lingyun IOT Technology Co.,Ltd. Address before: 236000 Anhui city of Hefei Province Economic and Technological Development Zone Cuiwei Road No. 6 Haiheng building room 6012 Applicant before: HRG INTERNATIONAL INSTITUTE FOR RESEARCH & INNOVATION |
|
GR01 | Patent grant | ||
GR01 | Patent grant |