CN110065091A - 一种机械手臂动态监测***及其实施方法 - Google Patents

Abstract

一种机械手臂动态监测***及其实施方法，其主要具有一监测***，所述的监测***信息连接有至少一传感器，且各传感器设置于一机械手臂上，当机械手臂动作时，所设置的传感器可将一动作信号传送至监测***，而且，监测***撷取大量的动作信号后进行深度学习（Deep learning），使监测***可依据所收集到的动作信号，提前检知机械手臂的故障特征，借此可大幅提升产品合格率及产线产能安排的效益。

Description

一种机械手臂动态监测***及其实施方法

技术领域

本发明涉及一种机械手臂动态监测***，特别涉及一种将一传感器设置于一机械手臂，经由传感器将所测得的一动作信号传送至一监测***，使监测***可在累积大量动作信号后，通过深度学习运算分析，使监测***可通过动作信号的些微变化，对之后待监测的机械手臂提供故障预知判断的机械手臂动态监测***。

背景技术

目前自动控制技术成熟，自动控制设备已逐渐取代单纯人力代工的产线，其中以机械手臂为生产在线最常见到，生产线是持续的进行生产作业，因此技术人员需随时监测机械手臂，以维持机械手臂的动作质量，避免机械手臂损坏而间接降低产品合格率，目前市售的机械手臂感测装置可区分为三种：

位置传感器：用以确认机械手臂是否精准如实移动到欲控制的位置上；

电流传感器：用以监测机械手臂的各轴马达输出电信号是否异常，作为机械手臂是否发生故障的判别；

AOI（Automation Optic Inspection）检测：利用影像技术监测机械手臂移动位置是否有如实移动到欲控制的位置上，如果没有藉由影像判别得知，并藉由影像信息来补偿控制机械手臂至正确位置。

请参照中国发明专利第CN103036201A号“一种纺织机械故障定位***”，其公开了一种纺织机械故障定位***，包括振动频率捕捉器、频率分离模块、电源继电器、报警模块、主控制模块、数据存储模块，所述振动频率捕捉器通过所述频率分离模块与所述主控制模块连接，所述电源继电器、报警模块和数据存储模块直接与所述主控制模块连接，本发明利用检测纺织机械同频率振动的振幅是否在正常范围可以得到纺织机械是否发生故障，利用电子设备及时切断相应设备的电源，可以防止故障进一步扩大；再者，通过设置在每***立纺织机械不同部位的振动频率捕捉器，依据振动频率捕捉器振幅判断故障的部位；另有其他参考专利数据如下：

中国台湾专利第TWI470385号“自动化制造器具所用的智能型状态监控及故障诊断***”；

中国台湾专利第TWI586943号“enhanced-FFT在线机台振动量测***与方法”；

中国台湾专利第TWM534670号”机械手臂控制的动作远程储存***”；

中国专利第CN100516789C号“机械设备的异常诊断***”；

美国专利第US9727050B2号“Processing machinery protection and faultprediction data natively in a distributed control system”；

美国专利第US5943634B1号“Vibration data analysis based on time waveformparameters”。

然而，目前机械手臂监测方法仍有诸多不足之处，例如在目前产业应用中，机械手臂在移动的过程中的顺畅度对产品的合格率也有莫大的影响，举例来说，一个半成品晶圆会因为手臂移动过程中所产生过大的振动而导致产品或晶圆出现异常甚至破片情形，因此就算产品被如实送到正确的位置上，也是一次无效的运送，并可能造成产线极大的损失，而且，以监测驱动端（马达）的电流变化为例，监测电流变化是一种有效判别机械***异常的手段，然而，此手段的限制在于，以此判定异常时，机械结构的故障已是非常明显，监测到故障时，即需要立即停机修复，这样往往会牵涉到后续的备料、工作排程调整、与产能影响问题，另外，机械的损坏是渐进式的，如能在初期出现微小的机械故障特征就及时发现，对于产品合格率以及产线产能安排应具有一定程度的效益。

发明内容

有鉴于上述的需求，本发明人依据多年来从事相关行业的经验，针对自动控制设备的监测***及方法进行研究及分析，期能利用设计出解上述需求的发明；因此，本发明的主要目的在于提供一种可通过累积大量动作信号进行学习，达到对一受监测的机械手臂提供故障预知判断的机械手臂动态监测***及其实施方法。

为达上述目的，本发明的一种机械手臂动态监测***及其实施方法，其主要用于对一机械手臂的动作所产生的一动作信号进行监测，包括：一中央处理模块，用于运行该机械手臂动态监测***；一动作信号数据库，与该中央处理模块信息连接，该动作信号数据库储存有至少一动作样本信息；一信号学习模块，与该中央处理模块信息连接，该信号学习模块执行一深度学习算法，该信号学习模块以该动作样本信息进行一相似度判断，另外以一突波限制值进行一信号异常判断；一数据传输模块，与该中央处理模块信息连接，用于发布一警示信息；以及该信号学习模块对该动作信号经该相似度判断分析后得出一高相似度结果，且未超过一突波限制值时，该信号学习模块优化该动作信号数据库的该动作样本信息，当该动作信号超出该突波限制值，则发布该警示信息。

较佳的，一数据建立及储存模块与该中央处理模块信息连接，该数据建立及储存模块可将所接收到的该动作信号，转变为可供该信号学习模块分析读取信号格式的一动作信号数据。

较佳的，该数据传输模块另与一信息装置完成信息连接，该数据传输模块可将一异常确认信息发布至该信息装置。

较佳的，一行为判读模块与该中央处理模块信息连接，该行为判读模块发布该异常确认信息，经一用户确认该异常确认信息，并由该信息装置回传一确认结果，当该确认结果为一正常状态，则该信号学习模块建立另一组动作样本信息。

较佳的，一信号记录模块信息连接于该中央处理模块，该信号记录模块可产生及储存一信号状态记录档案。

较佳的，一传感器设置于该机械手臂，该传感器可检测该机械手臂动作后产生该动作信号，并将该动作信号传送至该机械手臂动态监测***。

较佳的，该传感器为一多轴向加速度计、一陀螺仪、一应变规、一压力感测计、一温度计、一电压计和一电流计其中一种或其组合。

一种机械手臂动态监测***的实施方法，用于监测一机械手臂的故障状态，其包括：一动作信号监测步骤：一传感器监测该机械手臂的动作变化，依据所测得的动作变化产生一动作信号，并将该动作信号传送至一监测***；一动作信号相似度判别步骤：当该动作信号被传送至该监测***，一中央处理模块将该动作信号传送至一数据建立及储存模块，使该数据建立及储存模块将该动作信号转变为一动作信号数据储存，一信号学习模块撷取该动作信号数据，并与储存于一动作信号数据库的一动作样本信息进行一相似度判断，比对后产生一高相似度结果或一低相似度结果；一动作信号异常判别步骤：当该信号学习模块判定为该高相似度结果时，该信号学习模块监测该动作信号数据是否超过一突波限制值；一优化动作样本信息步骤：如该动作信号数据未超出该突波限制值，该信号学习模块依据该动作信号数据优化该动作样本信息；以及一储存于动作信号数据库步骤：当该信号学习模块完成优化作业后，该信号学习模块更新该动作信号数据库中所储存的该动作样本信息，以供该信号学习模块对下一笔该动作信号数据进行该相似度或异常状态判断。

较佳的，该信号学习模块完成相似度判断后可产生一差异值，当该差异值于该相似度区间内，则判断结果为该高相似度结果。

较佳的，该信号学习模块完成相似度判断后可产生一差异值，当该差异值超出该相似度区间，则判断结果为该低相似度结果。

较佳的，该优化动作样本信息步骤中，该信号学习模块依据该高相似度结果的该动作信号数据，调适储存于该动作信号数据库的该动作样本信息的数据变化范围。

较佳的，该动作信号相似度判别步骤完成后，可执行一行为判读及建立新的动作样本信息步骤；当该信号学习模块执行相似度判定，且该动作信号数据判定结果为该低相似度结果，该监测***通过该数据传输模块将一异常确认信息发布至该信息装置，该信息装置将一确认结果回传至该监测***，若该确认结果为一正常状态，该信号学习模块建立另一组该动作样本信息。

较佳的，该动作信号异常判别步骤完成后，可执行一动作信号记录步骤；当该信号学习模块监测该动作信号数据未超过该突波限制值时，该信号记录模块会将该动作信号数据记录于一信号状态记录档案，并储存于该信号记录模块中。

较佳的，该动作信号记录步骤完成后，可再执行一异常警示步骤：若该确认结果为一异常状态，该信号学习模块将该动作信号数据记录于该动作信号数据库，并将一警示信息发布至该信息装置。

所述的监测***信息连接有至少一传感器，且各传感器可设置于一机械手臂，当机械手臂动作时，所设置的传感器可将因机械手臂动作时所产生的动作信号传送至监测***，另外，监测***撷取在大量的动作信号后，进一步进行深度学习（Deep learning），使监测***可依据所收集到的动作信号，经过一相似度判别、一信号异常判别，提前检知及预判机械手臂是否有发生可能性故障的特征，以进行故障预知判断，借此可大幅提升产品合格率及产线产能安排的效益。

综上所述，本发明的机械手臂动态监测***可实时监测机械手臂的动作信号，即使动作信号仅发生微小的异常，即可预先判别得知机械手臂是否即将产生故障特征，以供用户有充足的时间准备更换料件或产线的调度管理，避免无预警的故障产生影响产线作业，造成损失，亦可有效的预防机械在异常的情况下运作衍伸出的质量问题，据此，本发明具有以下优点：

提供预防保养观点的监测。

提前检知机械手臂故障特征。

避免不可控的机械变化来影响产品合格率。

机械手臂的产线保养排修的参考。

避免机械手臂无预警损坏。

为使为了对本发明的技术方案及有益效果有更进一步的了解，兹以下列 说明搭配附图进行说明，敬请参阅。

附图说明

图1，为本发明的***架构图。

图2，为本发明的实施流程图。

图3，为本发明的实施示意图（一）。

图4，为本发明的实施示意图（二）。

图5，为本发明的实施示意图（三）。

图6，为本发明的实施示意图（四）。

图7，为本发明的实施示意图（五）。

图8，为本发明的另一实施例。

图9，为本发明的实施流程图（二）。

附图标记说明

10 机械手臂动态监测***

101 监测***

102 传感器

1011 中央处理模块

1012 动作信号数据库

1013 信号学习模块

1014 数据建立及储存模块

1015 数据传输模块

1016 行为判读模块

1017 信号记录模块

20 机械手臂

30 信息装置

D1 动作信号

D2 动作信号数据

D3 动作样本信息

D4 异常确认信息

D5 确认结果

D6 警示信息

D7 信号状态记录档案

S 机械手臂监控流程

S1 动作信号监测步骤

S2 动作信号相似度判别步骤

S21 行为判读及建立新的动作样本信息步骤

S3 动作信号异常判别步骤

S31 异常警示步骤

S4 优化动作样本信息步骤

S5 储存于动作信号数据库步骤

S6 动作信号记录步骤。

具体实施方式

请参阅图1，图中所示为本发明的***架构图，如图，本发明的机械手臂动态监测***10，其主要具有一监测***101，所述的监测***101信息连接于至少一传感器102，且传感器102进一步设置于一机械手臂20，所述的传感器102可以为一多轴向加速度计、一陀螺仪、一应变规、一压力感测计、一温度计、一电压计、和一电流计其中一种或其组合，但凡可供监测信号动态变化的传感器皆可实施，并不以此为限，特先陈明；所述的监测***101包括有一中央处理模块1011，另有一动作信号数据库1012、一信号学习模块1013、及一数据建立及储存模块1014与中央处理模块1011完成信息连接；所述的中央处理模块1011可用于运行监测***101，其可以为中央处理器（Central Processing Unit ,CPU）、ARM、图形处理器（graphics processing unit ,GPU）；所述的动作信号数据库1012储存有至少一笔动作样本信息，监测***101可通过动作样本信息对待测的机械手臂20作故障预判；所述的信号学习模块1013可供执行一深度学习算法（deep learning），可接收机械手臂20的一动作信号，依据机械手臂20的一动作剧本编程建立一组动作样本信息，以供信号学习模块1013作为故障判断的比对基础，其中，所述的动作信号可以为一加速度值、一角动量值、一应变值、一压力值、一温度值、一电压值和一电流值其中一种或其组合；所述的数据建立及储存模块1014可将所接收到的动作信号，转变为可供监测***101判读的信息格式的一动作信号数据；请再参阅图中，监测***101更包括有一数据传输模块1015及一行为判读模块1016，其中，数据传输模块1015及行为判读模块1016信息连接于中央处理模块1011，所述的数据传输模块1015可信息连接于一信息装置30，使监测***101通过信息装置30，向用户提出故障预警、或确认所测得的动作信号是否异常，所述的行为判读模块1016可向信息装置30（即用户）发布一异常确认信息，以供用户确认动作信号是否为异常，所述的异常确认信息包括有动作信号，并可进一步请求用户回复动作信号为一正常状态或一异常状态，所述的信息装置30可例如为一行动信息装置、一个人计算机设备、工业计算机设备等。

请参阅图2，图中所示为本发明的实施流程图，并请参阅图3和图7”，为本发明的实施示意图（一）、（五），如图，初始时，使用者可先将一动作剧本编程输入于机械手臂20，使机械手臂20可依据该动作剧本编程动作，然后，用户将监测***101信息连接设置于机械手臂20的各个传感器102后，使监测***101可监控机械手臂20，本发明的机械手臂实施流程S，如下：

动作信号监测步骤S1：请参阅图3，如图，当机械手臂20依据动作剧本编程动作时，传感器102可监测机械手臂20的动作变化，依据其动作变化产生一动作信号D1，并将动作信号D1传送至监测***101；

动作信号相似度判别步骤S2：请接续参阅图3，当动作信号D1被传送至监测***101，中央处理模块1011会将动作信号D1传送至数据建立及储存模块1014，而且，数据建立及储存模块1014会将动作信号D1转变可供分析读取格式的一动作信号数据D2，并储存于数据建立及储存模块1014中，信号学习模块1013会撷取动作信号数据D2，并与储存于动作信号数据库1012的一动作样本信息D3进行相似度比对，所述的相似度比对可例如计算动作信号数据D2与动作样本信息D3的相位差、或者计算周期数据的线形变化、震幅变化、频率变化等，举凡可对传感器102所取得的数据作相似度处理的算法，皆可实施，并不以此为限，并且，信号学习模块1013计算动作信号数据D2与动作样本信息D3的一差异值，并判断此差异值是否于一相似度区间内，借此判断两信号为一高相似度结果或一低相似度结果，例如图4所示，图中动作信号数据D2与动作样本信息D3，其中，图中波形第11秒至第13秒出现延迟状况、第19秒至21秒出现延迟状况，信号学习模块1013计算出两信号差异值为11.16%，若相似度区间设定为20%，则信号学习模块1013会判定为高相似度结果，反之，请再参阅图5，图中动作信号数据D2与动作样本信息D3，其中，图中波形第19秒至第21秒出现延迟状况、第26秒至29秒出现延迟状况，其差异值为25.61%，若相似度区间为20%，则信号学习模块1013会判断为低相似度结果，前述实施例中相似度区间设为20%，于其他实施例中，相似度区间可依据制程设备需求、产品质量需求设定，并不以此为限；

行为判读及建立新的动作样本信息步骤S21：请搭配参阅图6，如图，当信号学习模块1013执行相似度判定，且动作信号数据D2判定结果为低相似度结果，意即波形差异度较大，此时，监测***101会通过数据传输模块1015，将一异常确认信息D4发布至信息装置30，而且，信息装置30接收并显示异常确认信息D4后，用户可以回复此异常确认信息D4，并将一确认结果D5回传至监测***101，若确认结果D5为正常状态，信号学习模块1013会建立另一组动作样本信息D3’，并将动作样本信息D3’储存于动作信号数据库1012，以供信号学习模块1013后续进行相似度判断；

动作信号异常判别步骤S3：当信号学习模块1013判定结果为高相似度结果时，信号学习模块1013会进一步监测动作信号数据D2是否超过一突波限制值，其中，所述的突波限制值以动作样本信息D3为基础界定出的门坎值，例如，设定动作样本信息D3的峰值>10%作为突波限制值，而且，突波限制值由动作脚本编程以及其信号特征所定义，不同的动作脚本编程可被定义出相异的突波限制值，且突波限制值可由用户设定、或由信号学习模块1013依据动作信号数据D2的历史记录取得；

异常警示步骤S31：请参阅图7，如图，若确认结果D5为异常状态，信号学习模块1013会将动作信号数据D2记录于动作信号数据库1012，使信号学习模块1013未来可以快速比对出相同的异常状态，并且监测***101会进一步将一警示信息D6发布至信息装置30，以提醒用户检视机械手臂20的状态或进行相对应的操作，若动作信号数据D2超出突波限制值时，由于动作信号数据D2可与动作剧本编程相对应，因此，信号学习模块1013可依据动作信号数据D2出现异常的时间，判断机械手臂20故障的动作行程，使信号学习模块1013学习故障特征，并且发布警示信息D6时，同时将故障特征告知用户，借此，可降低用户***侦错的作业时间，并且，所述的突波限制值亦可以设为多个状态等级，例如，未超出突波限制值时为一正常状态层级、接近或等于突波限制值时为一警告状态层级、超出突波限制值时为一警告状态层级、连续数个周期皆超出突波限制值时为一危险状态层级；

优化动作样本信息步骤S4：当动作信号数据D2未超出突波限制值，信号学习模块1013会依据动作信号数据D2优化动作样本信息D3，所述的优化指信号学习模块1013依据动作信号数据D2，调适动作样本信息D3的数据变化范围；

储存于动作信号数据库步骤S5：当信号学习模块1013完成优化作业后，优化后的动作样本信息D3进一步储存于动作信号数据库1012，进而更新动作信号数据库1012中储存的动作样本信息D3，以供信号学习模块1013可再对下一笔动作信号数据D2进行相似度判断或异常判断。

请参阅图8，图中所示为本发明的另一实施例，如图，监测***101更包括有一信号记录模块1017，其中，所述的信号记录模块1017信息连接于中央处理模块1011，其可将信号学习模块1013异常判定的过程储存成一信号状态记录档案D7，请搭配参阅图9，如图中所示，当动作信号异常判别S3步骤完成后，可再执行一动作信号记录步骤S6：当信号学习模块1013监测动作信号数据D2未超过突波限制值时，信号记录模块1017会将动作信号数据D2记录于信号状态记录档案D7，并储存于信号记录模块1017中，另外，信号记录模块1017亦可以将信号状态记录档案D7传送至信息装置30、亦或者传送至将信号状态记录档案D7输出为一纸本数据。

由上所述可知，本发明的一种机械手臂动态监测***及其实施方法，所述的机械手臂动态监测***主要由一监测***及一传感器所组成，其中，传感器设置于一机械手臂，当机械手臂动作时，所设置的传感器可将一动作信号传送至监测***，而且监测***的一信号学习模块可执行一深度学习算法，撷取大量动作信号后，产生一动作样本信息，使信号学习模块可以动作样本信息对所测得的动作信号进行相似度判定、及信号异常判定，如动作信号与动作样本信息为一高相似度结果且未超出一突波限制值时，则信号学习模块判定机械手臂为一正常状态，如动作信号与动作样本信息为一高相似度结果但超出一突波限制值时，则信号学习模块判定机械手臂为一异常状态，如动作信号与动作样本信息为一低相似度结果时，则监测***会询问用户信号是否为正常，若是则信号学习模块会新建立一组动作样本信息、若否则信号学习模块会发出一警示信息；依此，本发明其据以实施后，确实可达到提供一种可通过累积大量动作信号进行学习，达到对一受监测的机械手臂提供故障预知判断的机械手臂动态监测***及其实施方法的目的。以上所述，仅为本发明的较佳的实施例，并非用以限定本发明实施的范围；任何熟习此技艺者，在不脱离本发明的精神与范围下所作的均等变化与修饰，皆应涵盖于本发明的专利保护范围内。

Claims (14)

1.一种机械手臂动态监测***，用于对一机械手臂的动作所产生的一动作信号进行监测，其特征在于，包括：

一中央处理模块，用于运行该机械手臂动态监测***；

一动作信号数据库，与该中央处理模块信息连接，该动作信号数据库储存有至少一动作样本信息；

一信号学习模块，与该中央处理模块信息连接，该信号学习模块执行一深度学习算法，该信号学习模块以该动作样本信息进行一相似度判断，另外以一突波限制值进行一信号异常判断；

一数据传输模块，与该中央处理模块信息连接，用于发布一警示信息；以及

该信号学习模块对该动作信号经该相似度判断分析后得出一高相似度结果，且未超过一突波限制值时，该信号学习模块优化该动作信号数据库的该动作样本信息，当该动作信号超出该突波限制值，则发布该警示信息。

2.如权利要求1所述的机械手臂动态监测***，其特征在于，一数据建立及储存模块与该中央处理模块信息连接，该数据建立及储存模块能够将所接收到的该动作信号，转变为能够供该信号学习模块分析读取信号格式的一动作信号数据。

3.如权利要求1所述的机械手臂动态监测***，其特征在于，该数据传输模块还与一信息装置完成信息连接，该数据传输模块能够将一异常确认信息发布至该信息装置。

4.如权利要求3所述的机械手臂动态监测***，其特征在于，一行为判读模块与该中央处理模块信息连接，该行为判读模块发布该异常确认信息，经一用户确认该异常确认信息，并由该信息装置回传一确认结果，当该确认结果为一正常状态，则该信号学习模块建立另一组动作样本信息。

5.如权利要求1所述的机械手臂动态监测***，其特征在于，一信号记录模块信息连接于该中央处理模块，该信号记录模块能够产生及储存一信号状态记录档案。

6.如权利要求1所述的机械手臂动态监测***，其特征在于，一传感器设置于该机械手臂，该传感器能够监测该机械手臂动作后产生该动作信号，并将该动作信号传送至该机械手臂动态监测***。

7.如权利要求6项所述的机械手臂动态监测***，其特征在于，该传感器为一多轴向加速度计、一陀螺仪、一应变规、一压力感测计、一温度计、一电压计和一电流计其中一种或其组合。

8.一种机械手臂动态监测***的实施方法，用于监测一机械手臂的故障状态，其包括：

一动作信号监测步骤：一传感器监测该机械手臂的动作变化，依据所测得的动作变化产生一动作信号，并将该动作信号传送至一监测***；

一动作信号相似度判别步骤：当该动作信号被传送至该监测***，一中央处理模块将该动作信号传送至一数据建立及储存模块，使该数据建立及储存模块将该动作信号转变为一动作信号数据储存，一信号学习模块撷取该动作信号数据，并与储存于一动作信号数据库的一动作样本信息进行一相似度判断，比对后产生一高相似度结果或一低相似度结果；

一动作信号异常判别步骤：当该信号学习模块判定为该高相似度结果时，该信号学习模块监测该动作信号数据是否超过一突波限制值；

一优化动作样本信息步骤：如该动作信号数据未超出该突波限制值，该信号学习模块依据该动作信号数据优化该动作样本信息；以及

一储存于动作信号数据库步骤：当该信号学习模块完成优化作业后，该信号学习模块更新该动作信号数据库中所储存的该动作样本信息，以供该信号学习模块对下一笔该动作信号数据进行该相似度或异常状态判断。

9.如权利要求8所述的机械手臂动态监测***的实施方法，其特征在于，该信号学习模块完成相似度判断后能够产生一差异值，当该差异值于该相似度区间内，则判断结果为该高相似度结果。

10.如权利要求8所述的机械手臂动态监测***的实施方法，其特征在于，该信号学习模块完成相似度判断后能够产生一差异值，当该差异值超出该相似度区间，则判断结果为该低相似度结果。

11.如权利要求8所述的机械手臂动态监测***的实施方法，其特征在于，该优化动作样本信息步骤中，该信号学习模块依据该高相似度结果的该动作信号数据，调适储存于该动作信号数据库的该动作样本信息的数据变化范围。

12.如权利要求8所述的机械手臂动态监测***的实施方法，其特征在于，该动作信号相似度判别步骤完成后，能够执行一行为判读及建立新的动作样本信息步骤；

当该信号学习模块执行相似度判定，且该动作信号数据判定结果为该低相似度结果，该监测***通过该数据传输模块将一异常确认信息发布至该信息装置，该信息装置将一确认结果回传至该监测***，若该确认结果为一正常状态，该信号学习模块建立另一组该动作样本信息。

13.如权利要求8所述的机械手臂动态监测***的实施方法，其特征在于，该动作信号异常判别步骤完成后，能够执行一动作信号记录步骤；

当该信号学习模块监测该动作信号数据未超过该突波限制值时，该信号记录模块会将该动作信号数据记录于一信号状态记录档案，并储存于该信号记录模块中。

14.如权利要求13所述的机械手臂动态监测***的实施方法，其特征在于，该动作信号记录步骤完成后，能够再执行一异常警示步骤：若该确认结果为一异常状态，该信号学习模块将该动作信号数据记录于该动作信号数据库，并将一警示信息发布至该信息装置。