CN109129574B - 服务机器人运动***云端故障诊断***及方法 - Google Patents
服务机器人运动***云端故障诊断***及方法 Download PDFInfo
- Publication number
- CN109129574B CN109129574B CN201811325909.9A CN201811325909A CN109129574B CN 109129574 B CN109129574 B CN 109129574B CN 201811325909 A CN201811325909 A CN 201811325909A CN 109129574 B CN109129574 B CN 109129574B
- Authority
- CN
- China
- Prior art keywords
- robot
- fault diagnosis
- fault
- data
- cloud
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mechanical Engineering (AREA)
- Robotics (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种服务机器人运动***云端故障诊断***及方法,包括:传感器模块、机器人控制器和机器人故障诊断云端;所述传感器模块实时采集机器人运动数据;所述机器人控制器被配置为接收传感器模块采集的数据,对数据进行汇总并通过网络传输至机器人故障诊断云端;所述机器人故障诊断云端被配置为根据接收到的数据进行机器人故障诊断,并将诊断结果反馈至机器人控制器。采用速度编码器以及惯性测量单元数据进行融合,通过深度学习模型进行故障建模,并将模型部署于运算能力强的云端服务器,具有诊断实时性高、模型鲁棒性高、实用性较强的优点。
Description
技术领域
本发明属于移动机器人故障诊断应用领域,尤其涉及一种服务机器人运动***云端故障诊断***及方法。
背景技术
服务机器人运动***是指服务机器人中与运动相关的器件、控制单元和机械结构构成的整体,包括轮子、电机、编码器、驱动、运动控制器等。服务机器人运动***的可靠性和安全性是机器人的生命线,故障诊断***对于机器人有着重要的意义。故障诊断***能在故障发生时或者发生前提前诊断或预知故障,避免故障进一步的恶化而产生重大的安全事故。传统的服务机器人运动***故障诊断方式有以下几种方法以及弊端:
(1)故障树的故障诊断方法存在对于复杂机器人***,很难建立错综复杂的故障树,同时故障树只能检测逻辑较为简单,现象较为明显的故障。
(2)专家***的故障诊断方法存在专家***需要长期的经验积累,同时存在普适性较低的弊端。
(3)基于数学模型的故障诊断方法存在对于复杂的高阶非线性***难以建模的缺点,同时对于噪声的鲁棒性较低。
(4)传统的故障诊断均部署于机器人本身,因此对于基于数据驱动的故障诊断存在机器人本身运算力小,复杂的算法模型很难部署和计算速度慢导致时滞较高的缺点。同时如果机器人本身故障诊断控制器硬件损坏,故障诊断***将完全失效。
综上所述,亟需一种服务机器人运动***能够精确快速的故障诊断***及方法,本发明将速度编码器数据与惯性测量单元数据作为移动机器人故障诊断的原始数据,采用神经网络算法模型进行建模,并将故障诊断模型部署于运算能力较强的云端,能够对服务机器人运动***进行实时的故障诊断。
发明内容
为了解决上述问题,本发明提出了一种服务机器人运动***云端故障诊断***及方法,将速度编码器数据与惯性测量单元数据作为移动机器人故障诊断的原始数据,采用机器学习算法模型进行建模,并将故障诊断模型部署于运算能力较强的云端,能够对移动机器人进行实时的故障诊断,具有诊断实时性高、模型鲁棒性高、实用性较强的优点。
为了实现上述目的,本发明采用如下技术方案:
在一个或多个实施方式中公开的一种服务机器人运动***云端故障诊断***,包括:传感器模块、机器人控制器和机器人故障诊断云端;
所述传感器模块实时采集机器人运动数据;所述机器人控制器被配置为接收传感器模块采集的数据,对数据进行汇总并通过网络传输至机器人故障诊断云端;所述机器人故障诊断云端被配置为根据控制指令确定机器人所处的运动阶段,将接收到的数据输入该运动阶段对应的故障诊断模型进行机器人故障诊断,并将诊断结果反馈至机器人控制器。
进一步地,所述传感器模块包括:
速度编码器:用于检测移动机器人主动轮的实时速度;
惯性测量单元:用于检测移动机器人的加速度、角速度和角度数据。
进一步地,所述机器人故障诊断云端将机器人传感器数据以及运行状态进行实时记录,并作为内部故障诊断模型的训练数据集。
在一个或多个实施方式中公开的一种服务机器人运动***云端故障诊断方法,包括:
机器人进入某个运动阶段触发传感器模块进行数据采集;
传感器将数据通过串口传输给机器人控制器,机器人控制器通过websocket网络长连接实时上传机器人故障诊断云端;
机器人故障诊断云端根据控制指令确定机器人所处的运动阶段,并将故障诊断模型切换到该运动阶段的诊断模型;
将设定时间段内的数据输入故障诊断模型进行运算,并得出故障诊断结果。
进一步地,如果故障诊断结果为存在故障,则停机并通知后台管理人员,进行人工确认;
人工确认后,如果不存在故障,则恢复机器人运行,并记录此次误诊数据,将数据加入故障诊断数据集中,同时进行故障诊断模型优化;如果确实存在故障,则记录故障数据,并将数据加入故障诊断数据集中,并通知维修人员进行机器人维护工作。
进一步地,将移动机器人运动阶端分为启动、直行、停止、左转和右转;任何运动均由上述运动阶段组合而成;机器人故障诊断云端根据机器人的控制指令得知机器人所处的具体运动阶段。
进一步地,采用基于LSTM神经网络的移动机器人故障诊断模型进行故障诊断,故障诊断模型采用Keras深度学习框架搭建;
采用故障数据集对故障诊断模型进行训练,并通过测试集交叉验证进行模型超参数调整和优化,最终确定故障诊断正确率较高的模型,并进行保存;
所述的采用故障数据集对故障诊断模型进行训练,指的是:分别采用机器人不同运动阶段的故障数据集对不同的机器人运动阶段进行训练,分别获得机器人不同运动阶段的故障诊断模型。
进一步地,故障诊断模型的故障数据集采集的方法具体为:
采集移动机器人不同运动阶段下的正常运行数据,并加入非故障标签,存入故障诊断数据库;
人工模拟移动机器人的不同故障,并采集每一种故障下机器人处于不同运动阶段的数据,并加入对应的故障数据标签,存入故障诊断数据库;
上述故障数据以及非故障数据共同构成故障诊断数据集。
进一步地,所述故障诊断模型第一层为LSTM层,每个传感器对应一个LSTM网络,输入为传感器设定时间内采集的时间序列数据;
第二层为全连接神经网络层,将所有LSTM层输出,输入到全连接神经网络层;
第三层为全连接神经网络层;最后一层为Softmax层;
最终输出代表不同诊断类型的概率,故障诊断结果取概率最大的诊断类型。
进一步地,不同运动阶段的故障诊断模型所能够诊断的故障类别包括:编码器开路故障、编码器受电磁干扰或受损导致的丢码故障、机器人轮子结构不平衡故障以及电机卡死以及机器人运动***机械结构松动故障。
与现有技术相比,本发明的有益效果是:
1、提出了移动机器人故障诊断部署于云端的方式,大大提高了机器人故障诊断的运算力以及故障诊断的实时性。设计了一整套移动机器人云端故障诊断***,具有较高的实用性。
2、提出了基于LSTM的移动机器人故障诊断模型,将传感器时间序列数据应用于故障诊断中,大大提高了故障诊断的准确性,同时模型具有很好的鲁棒性。
3、提出了基于故障上下文进行模型切换的故障诊断方法,进一步的提高了故障诊断的准确性。
4、采用编码器以及惯性测量单元多传感器数据融合进行故障诊断方法,降低了故障诊断成本,有利于机器人故障诊断***的部署。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为服务机器人运动***云端故障诊断***架构图;
图2为服务机器人运动***云端故障诊断方法流程图;
图3为服务机器人运动***云端故障诊断构建故障诊断数据集流程图;
图4为服务机器人运动***云端故障诊断模型图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在一个或多个实施方式中公开的一种服务机器人运动***云端故障诊断***,如图1所示,包括:
用于数据采集的传感器,所述传感器必须包括速度编码器和IMU(惯性测量单元:包括加速度计、磁力计、陀螺仪共9维数据)。速度编码器须采集每个主动轮速度,惯性测量单元须采集机器人三轴加速度、三轴角度以及三轴角速度数据。传感器采集频率为100Hz,通过串口传输到机器人控制器。
机器人控制器为机器人本体的控制核心,是传感器数据的中转站。可搭载机器人操作***(ROS),通过串口与传感器进行通讯,通过网络与机器人故障诊断云端(以下简称“云端”)进行通讯。机器人控制器用于机器人运动控制与传感器数据采集上传;机器人控制器对传感器采集的所有数据进行汇总,并通过websocket网络传输实时传输到云端。
云端是机器人故障诊断的主要运算中心,云端采用运算力强的CPU与GPU,故障诊断模型部署于云端,并将传感器数据输入模型进行实时运算,并输出诊断结果,通过websocket网络传输发送给机器人控制器。
云端是机器人故障诊断的主要数据中心,云端采用存储能力较大,吞吐量较高的数据存储服务。将机器人传感器数据以及运行状态进行实时记录,并作为故障诊断的模型的训练数据集。
云端可自行搭建服务器集群,也可采用服务商提供的云服务器。云端,要具备全局信息处理能力,负责处理机器人所有信息,机器人所有运行状态均汇总于云端。通过websocket长连接与机器人和移动端进行实时通讯,负责处理复杂运算以及逻辑控制,是整个故障诊断***的“主级大脑”。故障诊断模型可采用但不限于Keras深度学习框架,故障诊断模型部署于云端服务器。将传感器数据输入故障诊断模型,模型输出诊断结果。同时云端需要搭载数据存储服务,可采用但不限于mysql服务器。传感器采集数据需要存储于云端数据存储服务器,并构成故障诊断数据集。
本***适用的机器人群包括:具有各种不同运动学模型形式的服务机器人。例如:双轮差速轮式机器人、麦克纳姆四轮轮式机器人、阿克曼结构轮式机器人。
本***诊断的主要故障包括:
1、编码器开路。
2、编码器受电磁干扰或受损导致的丢码。
3、机器人轮子结构不平衡。
4、电机卡死。
5、机器人运动***机械结构松动。
在一种或多种实施方式中公开的一种基于故障上下文的故障诊断方法,故障上下文主要是基于机器运动所处阶段进行故障诊断,不同的运动阶段采用不同故障模型进行诊断。
对于移动机器人运动阶端分为启动、直行、停止、左转、右转。任何运动可由以上运动阶段组合而成。机器人的移动可由语音或者APP进行控制,可在云端根据控制指令得知机器人所处的具体状态。
当机器人进入某个运动阶段,将触发该阶段的故障诊断,即此阶段数据输入该阶段故障诊断模型中。
如图2所示为本发明提供的移动机器人故障诊断策略流程图,包括:
启动移动机器人,云端下达运动控制指令。云端运动控制指令可由手机移动端、语音、遥控触发。
传感器数据采集,将主动轮速度、机器人本体三轴加速度、三轴角度、三轴角速度通过串口传输到机器人控制器,机器人控制器通过websocket网络长连接将数据实时发送云端服务器。
云端判断机器人所处运动阶端,所述运动阶端为启动、直行、停止、左转、右转五种。移动机器人运动均可分解为这五个阶段。云端通过运动控制指令,判断所处运动阶段,根据运动阶段切换到该阶段故障诊断模型。
将1秒内的传感器所有数据输入故障诊断模型,传感器采集频率为100Hz,故每个传感器将有100个时间序列数据。故障诊断模型输出诊断可能结果包括:无故障、编码器开路、编码器受电磁干扰或受损导致的丢码、机器人轮子结构不平衡、电机卡死、机器人运动***机械结构松动。
若故障诊断模型输出结果为无故障则继续进行故障诊断,若输出结果为五种故障中任意一种故障,则云端通过websocket长连接发送停机指令给机器人,机器人控制器收到停机指令后,控制电机停止转动,然后控制机器人断电。同时云端发送短信或邮件通知后台服务人员。云端需要部署短信服务或邮件服务,同时备注负责故障维护的后台人员联系方式。
故障经过人工确认,如果存在故障,则将故障信息记录故障数据库。若经过人工确认不存在故障,此情况为故障误诊,则将误诊信息记录故障数据库,同时优化故障诊断模型。
云端故障诊断数据库用于存储故障诊断数据集,其内容包括:机器人所处运动阶段、机器人主动轮速度、机器人三轴加速度、三轴角度、三轴角速度、数据采集时间戳以及故障标签。
如图3为本发明提供的移动机器人云端故障诊断构建故障诊断数据集流程图。
故障诊断数据集用于训练故障诊断模型,故障诊断模型的搭建需要通过故障诊断数据集进行训练以及优化。本发明采用人工制造机器人故障的方式进行采集故障训练集。
采集移动机器人正常运行的数据,须采集五个运动阶段的数据,并加入非故障标签,存入故障诊断数据库。
人工模拟移动机器人五种故障,并采集机器人五个运动阶段的数据,并加入对应的故障数据标签,存入故障诊断数据库。
故障数据以及非故障数据共同构成故障诊断数据集。
采集达到10000条数据后,将80%数据用于模型训练,20%数据用于模型测试。
如图4所示,为本发明提供的移动机器人云端故障诊断模型图。
故障诊断模型基于LSTM神经网络,采用Keras深度学习框架进行搭建。LSTM神经网络为长短期记忆模型,是一种特殊的RNN模型,为了解决RNN模型模型梯度弥散的问题而提出,常用于时间序列数据处理。
本发明传感器采集的数据为时间序列数据,采用LSTM神经网络能有效的提取数据中的故障信息、异常信息、噪声波动等。
故障诊断模型第一层为LSTM层,每个传感器对应一个LSTM网络,输入为传感器1秒内采集的100个时间序列数据,输出节点个数为10;本实例采用麦克纳姆轮模型的移动机器人,为四轮结构,有4个电机速度编码器、3轴加速度数据、3轴角速度数据、3轴角度数据,共13类传感器数据,经计算可得输入层为1300维,所有LSTM层总输出为130维。
将所有LSTM输出,输入到全连接神经网络层,该层全连接神经网络输入为130维,输出为50维。
第三层采用全连接神经网络,输入为50维,输出为20维。
最后一层为Softmax层,输入为20维,输出为6维。输出代表6种不同诊断类型(包括1种正常运行状态以及5种故障状态)的概率,最终诊断结果取概率最大的诊断类型。
模型采用Keras框架进行搭建,搭建成功后,使用故障数据集对模型进行训练,并通过测试集交叉验证进行模型超参数调整和优化。最终确定故障诊断正确率较高的模型,并进行保存。故障诊断模型训练应分不同的机器人运动阶段进行训练,最终可获得五种诊断模型,包括启动、直行、左转、右转、停止模型。
训练出的故障诊断模型部署在云端,实时的接受传感器数据,根据机器人此时的运动阶段切换对应的模型并输出故障诊断结果。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种服务机器人运动***云端故障诊断***,其特征在于,包括:传感器模块、机器人控制器和机器人故障诊断云端;
所述传感器模块实时采集机器人运动数据;所述机器人控制器被配置为接收传感器模块采集的数据,对数据进行汇总并通过网络传输至机器人故障诊断云端;所述机器人故障诊断云端被配置为根据控制指令确定机器人所处的运动阶段,将接收到的数据输入该运动阶段对应的故障诊断模型进行机器人故障诊断,并将诊断结果反馈至机器人控制器;
所述传感器模块包括:
速度编码器:用于检测移动机器人主动轮的实时速度;
惯性测量单元:用于检测移动机器人的加速度、角速度和角度数据;
将移动机器人运动阶段分为启动、直行、停止、左转和右转;任何运动均由上述运动阶段组合而成;机器人故障诊断云端根据机器人的控制指令得知机器人所处的具体运动阶段;
采用故障数据集对故障诊断模型进行训练,并通过测试集交叉验证进行模型超参数调整和优化,最终确定故障诊断正确率较高的模型,并进行保存;
所述的采用故障数据集对故障诊断模型进行训练,指的是:分别采用机器人不同运动阶段的故障数据集对不同的机器人运动阶段进行训练,分别获得机器人不同运动阶段的故障诊断模型。
2.如权利要求1所述的一种服务机器人运动***云端故障诊断***,其特征在于,所述机器人故障诊断云端将机器人传感器数据以及运行状态进行实时记录,并作为内部故障诊断模型的训练数据集。
3.一种服务机器人运动***云端故障诊断方法,其特征在于,包括:
机器人进入某个运动阶段触发传感器模块进行数据采集;
传感器将数据通过串口传输给机器人控制器,机器人控制器通过websocket网络长连接实时上传机器人故障诊断云端;
机器人故障诊断云端根据控制指令确定机器人所处的运动阶段,并将故障诊断模型切换到该运动阶段的诊断模型;
将设定时间段内的数据输入故障诊断模型进行运算,并得出故障诊断结果;
所述传感器模块包括:
速度编码器:用于检测移动机器人主动轮的实时速度;
惯性测量单元:用于检测移动机器人的加速度、角速度和角度数据;
将移动机器人运动阶段分为启动、直行、停止、左转和右转;任何运动均由上述运动阶段组合而成;机器人故障诊断云端根据机器人的控制指令得知机器人所处的具体运动阶段;
采用故障数据集对故障诊断模型进行训练,并通过测试集交叉验证进行模型超参数调整和优化,最终确定故障诊断正确率较高的模型,并进行保存;
所述的采用故障数据集对故障诊断模型进行训练,指的是:分别采用机器人不同运动阶段的故障数据集对不同的机器人运动阶段进行训练,分别获得机器人不同运动阶段的故障诊断模型。
4.如权利要求3所述的一种服务机器人运动***云端故障诊断方法,其特征在于,如果故障诊断结果为存在故障,则停机并通知后台管理人员,进行人工确认;
人工确认后,如果不存在故障,则恢复机器人运行,并记录此次误诊数据,将数据加入故障诊断数据集中,同时进行故障诊断模型优化;如果确实存在故障,则记录故障数据,并将数据加入故障诊断数据集中,并通知维修人员进行机器人维护工作。
5.如权利要求3所述的一种服务机器人运动***云端故障诊断方法,其特征在于,采用基于LSTM神经网络的移动机器人故障诊断模型进行故障诊断,故障诊断模型采用Keras深度学习框架搭建。
6.如权利要求3所述的一种服务机器人运动***云端故障诊断方法,其特征在于,故障诊断模型的故障数据集采集的方法具体为:
采集移动机器人不同运动阶段下的正常运行数据,并加入非故障标签,存入故障诊断数据库;
人工模拟移动机器人的不同故障,并采集每一种故障下机器人处于不同运动阶段的数据,并加入对应的故障数据标签,存入故障诊断数据库;
上述故障数据以及非故障数据共同构成故障诊断数据集。
7.如权利要求5所述的一种服务机器人运动***云端故障诊断方法,其特征在于,所述故障诊断模型第一层为LSTM层,每个传感器对应一个LSTM网络,输入为传感器设定时间内采集的时间序列数据;
第二层为全连接神经网络层,将所有LSTM层输出,输入到全连接神经网络层;
第三层为全连接神经网络层;最后一层为Softmax层;
最终输出代表不同诊断类型的概率,故障诊断结果取概率最大的诊断类型。
8.如权利要求3所述的一种服务机器人运动***云端故障诊断方法,其特征在于,不同运动阶段的故障诊断模型所能够诊断的故障类别包括:编码器开路故障、编码器受电磁干扰或受损导致的丢码故障、机器人轮子结构不平衡故障以及电机卡死以及机器人运动***机械结构松动故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811325909.9A CN109129574B (zh) | 2018-11-08 | 2018-11-08 | 服务机器人运动***云端故障诊断***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811325909.9A CN109129574B (zh) | 2018-11-08 | 2018-11-08 | 服务机器人运动***云端故障诊断***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109129574A CN109129574A (zh) | 2019-01-04 |
CN109129574B true CN109129574B (zh) | 2021-05-04 |
Family
ID=64808150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811325909.9A Active CN109129574B (zh) | 2018-11-08 | 2018-11-08 | 服务机器人运动***云端故障诊断***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109129574B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109976357A (zh) * | 2019-04-28 | 2019-07-05 | 北京超维度计算科技有限公司 | 一种自动驾驶控制***和方法 |
CN110069434A (zh) * | 2019-04-28 | 2019-07-30 | 北京超维度计算科技有限公司 | 一种高性能弹性计算hec的终端算力部署***和方法 |
CN110154024B (zh) * | 2019-05-22 | 2020-09-15 | 清华大学 | 一种基于长短期记忆神经网络增量模型的装配控制方法 |
CN110231156B (zh) * | 2019-06-26 | 2020-06-09 | 山东大学 | 基于时序特征的服务机器人运动***故障诊断方法及装置 |
CN110216680B (zh) * | 2019-07-05 | 2020-08-25 | 山东大学 | 一种服务机器人云地协同故障诊断***和方法 |
CN112346941A (zh) * | 2019-08-08 | 2021-02-09 | 北京国双科技有限公司 | 一种故障诊断方法及装置 |
CN110978057A (zh) * | 2019-12-21 | 2020-04-10 | 上海有个机器人有限公司 | 智能机器人部件寿命全自动测试***和测试方法 |
CN112025703B (zh) * | 2020-08-21 | 2022-07-12 | 北京云迹科技股份有限公司 | 机器人自诊断的方法、装置及*** |
CN113267344A (zh) * | 2021-02-05 | 2021-08-17 | 深圳大雷汽车检测股份有限公司 | 一种汽车abs检测装置及方法 |
WO2022261814A1 (zh) * | 2021-06-15 | 2022-12-22 | 电子科技大学中山学院 | 移动机器人故障下同时fdd和slam的方法及*** |
CN114083543B (zh) * | 2021-12-22 | 2023-04-18 | 清华大学深圳国际研究生院 | 一种空间机械臂主动故障诊断方法 |
CN114495468A (zh) * | 2022-01-10 | 2022-05-13 | 广州高新兴机器人有限公司 | 机器人故障状态监测预警方法、电子设备、存储介质 |
CN114964841A (zh) * | 2022-05-07 | 2022-08-30 | 中国地质大学(武汉) | 基于多传感器融合的移动机器人故障检测***及方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008178959A (ja) * | 2007-01-26 | 2008-08-07 | Canon Electronics Inc | 移動ロボットシステムおよび充電ステーション |
CN107276816B (zh) * | 2016-11-03 | 2019-06-25 | 厦门嵘拓物联科技有限公司 | 一种基于云服务的远程监测与故障诊断***及故障诊断方法 |
CN108197648B (zh) * | 2017-12-28 | 2020-06-05 | 华中科技大学 | 一种基于lstm深度学习模型的水电机组故障诊断方法与*** |
CN109555566B (zh) * | 2018-12-20 | 2021-04-20 | 西安交通大学 | 一种基于lstm的汽轮机转子故障诊断方法 |
-
2018
- 2018-11-08 CN CN201811325909.9A patent/CN109129574B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109129574A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109129574B (zh) | 服务机器人运动***云端故障诊断***及方法 | |
CN110216680B (zh) | 一种服务机器人云地协同故障诊断***和方法 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
Cai et al. | Bayesian networks in fault diagnosis | |
CN104536435B (zh) | 一种线控***网络在线诊断方法 | |
KR20190107080A (ko) | 클라우드 기반 차량 고장 진단 방법, 장치 및 시스템 | |
CN108828944B (zh) | 基于改进pso及svm的编码器故障诊断***及方法 | |
CN108628286A (zh) | 机台维修***与方法 | |
CN109544724B (zh) | 一种智能风机巡检***及其工作方法 | |
CN107422718A (zh) | 一种工业机器人故障诊断方法 | |
CN111695201B (zh) | 一种基于数据的磁浮列车运行状态的监测方法 | |
CN109405889B (zh) | 用于掘进机工作臂减速器故障预测的***与方法 | |
CN109061391A (zh) | 一种基于计算机视觉潮流图的电网故障诊断方法及*** | |
CN113962289B (zh) | 面向终身学习的旋转机械在线智能故障诊断方法及*** | |
Cody et al. | Motivating a systems theory of AI | |
Du et al. | A digital twin framework and an implementation method for urban rail transit | |
Juwono et al. | Motorized Vehicle Diagnosis Design Using the Internet of Things Concept with the Help of Tsukamoto's Fuzzy Logic Algorithm | |
CN114888847A (zh) | 一种基于云架构的机器人关节传动误差在线测试方法 | |
KR20230100999A (ko) | 회전 기계 설비의 탁월 주파수 결정 방법, 및 이를 수행하는 컴퓨팅 시스템 | |
Phala et al. | Detection and clustering of neutral section faults using machine learning techniques for SMART railways | |
Zaytoon et al. | Discussion on fault diagnosis methods of discrete event systems | |
CN117892188B (zh) | 一种基于轴承振动信号关系及图神经网络的故障分类方法 | |
CN109241656A (zh) | 一种旋转机械剩余寿命预测方法及*** | |
CN106959681B (zh) | 一种基于fhn的城轨列车门故障诊断方法 | |
Jlassi et al. | An Approach CPS for the smart monitoring of industrial systems |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |