CN111788042A - 机器人的预见性分析 - Google Patents

Abstract

根据本发明的用于对至少一个目标机器人(1)进行预见性分析的方法，其中，根据机器人的被分类的异常或正常状态以及采集的目标机器人(1)的状态值，确定对目标机器人(1)的状态的预测，该方法包括以下步骤：‑确定(S10；S15)目标机器人和/或至少一个其它机器人的异常状态值；‑将异常状态值分类(S20)到多个类别之一中；‑基于分类的异常状态值对状态值与类别之间的对应关系进行监督机器学习(S30)；‑采集(S40)目标机器人的状态值；以及‑基于这些采集的状态值和机器学习的对应关系来预测(S50)目标机器人的状态。

Description

机器人的预见性分析

技术领域

本发明涉及用于对至少一个机器人进行预见性分析的一种方法和一种***。

发明内容

本发明的目的在于改善机器人的操作。

本发明的目的通过一种具有权利要求1所述特征的方法来实现。权利要求10、11请求保护用于执行本文所述方法的一种***或计算机程序产品。优选的扩张方案由从属权利要求给出。

根据本发明的一种实施方式，用于对一个或多个目标机器人进行预见性分析的方法包括以下步骤：

-确定该一个或多个目标机器人和/或一个或多个特别是同类型的其它机器人的异常状态值；

-将异常状态值分类到多个类别之一中；

-基于或根据所分类的异常状态值，对状态值与类别之间的对应关系进行监督机器学习(“supervised(machine)learning”)；

-采集该一个或多个目标机器人的状态值；以及

-基于或根据所采集到的状态值以及被机器学习的对应关系，预测该一个或多个目标机器人的状态。

通过在初始时确定异常状态值并将其分类或者说标记其类别，可以有利地实现对状态值与类别之间的对应关系的监督机器学习，然后将其用于预测一个或多个目标机器人的未来状态。特别是通过确定异常状态值，可以有针对性地首先确定指示一个或多个机器人的错误或由此类错误引起的状态值，并因此更好地机器学习对应关系，这一方面可以提供比纯粹的异常检测更好的预测，另一方面通常需要不同类别的大型数据库。

在此，在一种实施方式中，确定一个或多个目标机器人自身的异常状态值。在一种实施方式中，这能够实现状态值与类别之间的特定于机器人的对应关系并因此更好地进行预测。

附加地或替代地，在一种实施方式中，确定一个或多个其它的机器人，特别是同类型的机器人的异常状态值。由此在一种实施方式中，可以在一个或多个目标机器人投入运行之前扩大数据库和/或至少部分地已经生成数据库。

在一种实施方式中，本发明意义下的预见性分析可以包括、特别可以是预见性监视、特别是预测或预见性诊断，在一种实施方式中为预见性错误识别。

在一种实施方式中，将从中确定出异常状态值的状态值集或数据库的没有被确定为异常的状态值至少部分地分类到一附加的类别中。换句话说，所述多个类别还可以包含这样的类别：(确定为)异常的状态值没有被分类到该类别中，而是仅将(确定为)正常的或没有(确定为)异常的状态值分类到该类别中。由此在一种实施方式中，可以改善遵循或基于该分类的监督机器学习。

在一种实施方式中，(所确定的)异常状态值和/或(为了预测)所采集的状态值可以包括、特别可以是一个或多个相应机器人的特别是电的、热的、运动学的和/或动态的一维或多维的状态参量的时间曲线(“迹线(traces)”)；在一种实施方式中，为一个或多个相应机器人的驱动电机的电机电流和/或电机电压，一个或多个相应机器人的构件温度和/或流体温度、特别是电机温度、传动机构温度和/或类似的温度，特别是一个或多个相应机器人的轴或驱动器上的轴坐标、轴速度和/或更高阶的时间导数、力和/或(转矩)力矩，和/或调节误差、特别是随动误差。由此在一种实施方式中，可以更好地进行分类。

附加地或替代地，(所确定的)异常状态值和/或(为了预测)所采集的状态值可以(分别)具有、特别可以是这种时间曲线的统计特征值，在一种实施方式中为最大值、最小值、平均值或者说中间值等。由此，在一种实施方式中可以简化分类。

在一种扩展方案中，该时间曲线可以具有、特别可以是在相同类型的、特别是相同设定的参考运行中的时间曲线，在一种实施方式中为在相同类型的参考运行中在不同的日期、特别是在不同的星期中所记录或已经记录下的时间曲线。在一种实施方式中，在相同类型的参考运行中可以更清楚地识别机器人的错误。

附加地或替代地，在一种扩展方案中，时间曲线可以具有、特别可以是在一个或多个目标机器人或其它机器人的常规工作运行中的时间曲线，在一种实施方式中为在常规工作运行中在不同的日期、特别是在不同的星期中所记录或已经记录下的时间曲线。在一种实施方式中，通过使用在常规工作运行中所记录的时间曲线，可以及早地和/或在不干扰常规工作运行的情况下确定异常。为此在一种实施方式中，特别是通过互联网等，可以将一个或多个机器人控制器的时间曲线传输给一个或多个目标机器人的制造商。在一种实施方式中，机器人的常规工作运行包括通过机器人操纵至少一个工件和/或工具，特别是运输和/或加工工件。

在一种实施方式中，通过异常检测算法(“anomaly detection”，“outlierdetection”)、特别是通过无监督机器学***均自回归(ARIMA)、时间序列退出(time series fare out)、突发检测(break-out detection)、自动编码器或基于能量的方法。由此可以特别有利地确定异常状态值。

特别有利的是，可以将监督机器学习称为所谓的深度学习(“Deep Learning”)，和/或可以通过或借助于人工神经网络来进行。同样地，其也可以有利地通过所谓的支持向量机、决策树或决策森林等来执行。

在一种实施方式中，异常状态值的确定包括以下步骤：

-基于或根据相同类型的参考运行，确定一个或多个目标机器人和/或其它机器人的异常状态值的时间间隔，特别是封闭时间间隔或一侧为开放的时间间隔；以及

-基于或根据这些时间间隔，特别是在(这些)时间间隔的内部，确定该一个或多个机器人在常规工作运行中的异常时间曲线。

通过在初始时使用相同类型的参考运行来确定存在异常状态值的时间间隔，可以有利地，特别是简单、可靠和/或快速地确定这些时间间隔。通过随后使用常规工作运行的时间曲线，可以在其中识别出这样的图案：该图案出现在一个或多个机器人具有错误的时间段中，这些错误在参考运行中会导致异常状态值。由此，一方面可以简单、可靠和/或快速地确定异常或错误，另一方面也可以在常规工作运行中识别出相应的图案。

在一种实施方式中，基于所确定的异常状态值，来指导对其它异常状态值的确定，该其它异常状态值被分类到所述类别之一中，并在监督机器学习过程中被考虑。因此在一种实施方式中，在确定异常状态值的过程中，可以触发一个或多个、特别是其它的参考运行。由此，可以在出现错误或异常时使用更大的和/或更可靠的数据库。

在一种实施方式中，基于或根据用户输入，和/或基于或根据对一个或多个目标机器人或其它机器人的检查，特别是基于或根据由人员进行的检查或这种检查的结果或相应的用户输入，对异常状态值进行分类。因此在一种实施方式中，异常状态值被手动地标记或分类。由此，在一种实施方式中，可以在监督机器学习中有利地使用异常状态值。

在一种扩展方案中，基于所确定的异常状态值，特别是通过向人员发送相应的消息或指示，来指导检查。因此，在一种实施方式中，由于所确定的异常状态值而有针对性地触发对一个或多个机器人的检查，随后基于该检查(的结果)或相应的用户输入对所确定的异常状态值进行分类或标记。

在一种实施方式中，基于或根据一个或多个目标机器人的预测状态来调整维护间隔和/或针对该维护间隔的维护，特别是预先设定或指导维护间隔，或者缩短或延长预先设定的维护间隔，和/或预先设定或指导对某些目标机器人的维护或者对一个或多个目标机器人的某些部件的维护。附加地或替代地，基于或根据一个或多个目标机器人的预测状态，还可以预测该一个或多个目标机器人或其某些部件的剩余使用寿命。在一种实施方式中，由此可以对一个或多个目标机器人进行所谓的预测性维护。

在一种实施方式中，一个或多个目标机器人的预测状态可以包括、特别可以是其相对于一个或多个异常状态值已经被归类于其中的类别、特别是包括可以对应于无错误机器人的附加类别的归属或者说这种归属的概率，特别是其相对于该一个或多个类别的归属的(相应)概率。在一种实施方式中，这些类别中的至少一个(相应地)对应于一个或多个目标机器人的一功能组或一构件组，特别是一构件或一功能，例如每个驱动器或不同的驱动器组分别对应于一个类别等。相应地，在一种实施方式中，这样的类别包括至少两个、优选两个以上的类别。由此，可以更好地、特别是更精确地进行预测，特别是预测性维护。

根据本发明的一种实施方式，一种***，特别是被硬件技术和/或软件技术地、特别是程序技术地设计用于执行在此所述的方法，和/或包括：

-用于确定一个或多个目标机器人和/或一个或多个其它机器人的异常状态值的装置；

-用于将异常状态值分类到多个类别之一中的装置；

-用于基于或根据被分类的异常状态值对状态值与类别之间的对应关系进行监督机器学习的装置；

-用于采集一个或多个目标机器人的状态值的装置；以及

-用于基于或根据所采集的状态值和机器学习的对应关系来预测一个或多个目标机器人的状态的装置。

在一种实施方式中，该***或其装置包括：

-用于基于相同类型的参考运行来确定至少一个目标机器人和/或其它机器人的异常状态值的时间间隔的装置；和用于基于该时间间隔来确定该至少一个目标机器人或其它机器人在常规工作运行中的异常时间曲线的装置；和/或

-用于基于所确定的异常状态值来指导对其它异常状态值的确定的装置，这些异常状态值被分类到所述类别之一中并且在监督机器学习过程中被考虑；和/或，

-用于基于用户输入和/或特别是由人员对至少一个目标机器人或其它机器人的检查对异常状态值进行分类的装置；和/或

-用于基于所确定的异常状态值来指导该检查的装置；和/或

-用于基于至少一个目标机器人的预测状态来调整和/或指导维护间隔和/或维护，和/或基于至少一个目标机器人的预测状态来预测剩余使用寿命的装置。

本发明意义下的装置可以硬件技术和/或软件技术地构成，特别是具有：优选与存储***和/或总线***进行数据连接或信号连接的处理单元，特别是数字处理单元，特别是微处理器单元(CPU)；和/或一个或多个程序或程序模块。为此，CPU可以被设计为：执行被实现为存储在存储***中的程序的指令；从数据总线采集输入信号，和/或将输出信号发送至数据总线。CPU特别可以是显示卡(“GPU”)的计算单元。存储***可以具有一个或多个特别是不同的存储介质，特别是光学的、磁的、固态的和/或其它非易失性的介质。程序可以是这样的：其能够体现或者说执行在此所述的方法，使得CPU能够执行这种方法的步骤并因此可以特别是预见性地监视目标机器人。在一种实施方式中，计算机程序产品可以具有特别是非易失性的、用于存储程序的存储介质或具有其上存储有程序的存储介质，其中，该程序的执行使得***、特别是计算机能够执行在此所述的方法或者该方法的一个或多个步骤。

在一种实施方式中，该方法的一个或多个、特别是所有的步骤被完全或部分自动化地执行，特别是通过该***或其装置来执行。

在一种实施方式中，该***包括一个或多个目标机器人和/或另外的机器人。

在一种实施方式中，该方法是完全或部分地通过控制一个或多个机器人的机器人控制器来执行，在一种扩展方案中则是通过相同的物理***和/或在逻辑上与用于控制机器人的方法分开地执行。在一种实施方式中，该方法完全或部分地通过与用于控制一个或多个机器人的机器人控制器分开的***来执行。

附图说明

本发明其它的优点和特征由从属权利要求和实施例给出。为此部分示意性示出了：

图1为根据本发明一种实施方式的用于对目标机器人进行预见性分析的***；

图2为根据本发明一种实施方式的用于对目标机器人进行预见性分析的方法。

具体实施方式

图1示出了根据本发明一种实施方式的用于对由机器人控制器2控制的目标机器人1进行预见性分析的***，该***具有与机器人控制器2进行通信的计算机3，并执行根据本发明一种实施方式的用于对目标机器人进行预见性分析的方法或被设计用于此目的，该方法将在下面参照图2进行说明。在一种未示出的变型中，根据图2的方法也可以在机器人控制器2上运行。

在步骤S10中，在目标机器人1的状态参量的时间曲线(这些时间曲线是在相同类型的参考运行中于多天中被记录的)中，或者在这些时间曲线的统计特征值中，使用异常检测算法来确定目标机器人1的异常状态值。在此，纯示例性地绘示出机器人1的第二轴的电机电流关于时间t的最大值，其中，每个数据点对应一天或一次参考运行。同样，在一种未示出的变型中，还可以使用多维状态值，例如机器人1的多个轴、特别是所有轴的电机电流，和/或替代于统计特征值地使用直接记录的时间曲线(所谓的“迹线(traces)”)。

在此，确定异常状态值的时间间隔Δ，如图2中阴影所示。

随后在步骤S15中，将机器人1在该时间间隔Δ中的常规工作运行的时间曲线或统计特征值确定为异常状态值。

例如，如果确定参考运行中的电机电流或统计特性值从某个日期起到当前时间点是异常的，则将自该日期起的时间间隔内常规工作运行的电机电流或统计特性值确定为异常状态值。

在一种变型中，也可以取消步骤S15，如图2中虚线所示。换句话说，也可以将参考运行本身的相应时间曲线或统计特征值确定为异常状态值。

在步骤S20中，由人员对目标机器人进行检查。该检查特别是可以通过确定异常状态值来触发。

在步骤S20中，基于该检查的结果，将之前确定的异常状态值分类或标记为多个类别之一。

例如，如果技术人员确定第二轴的驱动器有错误，例如其传动机构磨损等，则可以将相应的异常状态值分类到“驱动轴2错误”、“驱动轴2传动机构错误”等类别中。

在步骤S30中，人工神经网络基于已分类的异常状态值来学习状态值与类别之间的对应关系。在一种变型中，也可以使用其它的监督机器学习方法。在此，没有被确定为异常的状态值，亦即正常的状态值，可以作为无错误的被分配给一附加的类别。

在步骤S40中，再次采集目标机器人1的其它状态值，例如参考运行或常规工作运行中的电机电流或统计特征值。

随后在步骤S50中，基于所采集的这些状态值和机器学习到的对应关系，预测目标机器人1的状态，该状态描述了归属于多个类别之一的概率，例如，归属于与无错误机器人相对应的类别K0概率为82％，归属于与第二轴或其传动机构的错误驱动的类别K1的概率为12％等，如图2所示。

如果归属于有错误类别的概率超过预先设定的边界值，则在步骤S60中，指导对机器人1、特别是被相应地预测为有错误的构件的检查。

尽管在前面的描述中已经阐述了示例性的实施方式，但是应该指出的是，还可能存在许多变型。

在本发明中，基于待监视的目标机器人1的异常状态值的对应关系本身是被机器学习的。在一种变型中，附加地或替代地，也可以将其它机器人(未示出)的异常状态值用于此目的。

此外还应指出的是，这些示例性实施方式仅仅是举例，其不应对保护范围、应用和构造形成任何限制。相反，通过前面的描述能够赋予本领域技术人员实现对至少一个示例性实施方式进行转换的教导，其中，在不脱离本发明保护范围的情况下，可以实现特别是关于所述构件的功能和布置的各种变化，例如可以根据权利要求和等效的特征组合获得。

附图标记列表

1 机器人

2 计算机控制器

3 计算机

K0,…,Kn类别

Δ时间间隔。

Claims (11)

1.一种用于对至少一个目标机器人(1)进行预见性分析的方法，包括以下步骤：

-确定(S10；S15)所述目标机器人和/或至少一个其它机器人的异常状态值；

-将所述异常状态值分类(S20)到多个类别之一中；

-基于所分类的异常状态值，监督机器学习(S30)状态值与类别之间的对应关系；

-采集(S40)所述目标机器人的状态值；以及

-基于所采集的状态值和被机器学习的对应关系，预测(S50)所述目标机器人的状态。

2.根据权利要求1所述的方法，其特征在于，所述异常状态值和/或所采集的状态值包括至少一个目标机器人或其它机器人的一维或多维的状态参量的时间曲线，特别是电的、热的、运动学的和/或动态的一维或多维的状态参量的时间曲线和/或所述时间曲线的统计特征值。

3.根据前述权利要求所述的方法，其特征在于，所述时间曲线包括在相同类型的参考运行中和/或在至少一个目标机器人或其它机器人的常规工作运行中的时间曲线。

4.根据前述权利要求中任一项所述的方法，其特征在于，利用异常检测算法来确定所述异常状态值。

5.根据前述权利要求中任一项所述的方法，其特征在于所述异常状态值，的确定包括：

-基于相同类型的参考运行，确定(S10)至少一个目标机器人和/或其它机器人的异常状态值的时间间隔；以及

-基于所述时间间隔，确定(S15)至少一个目标机器人和/或其它机器人在所述常规工作运行中的异常时间曲线。

6.根据前述权利要求中任一项所述的方法，其特征在于，基于所确定的异常状态值，指导对其它异常状态值的确定，该其它异常状态值被分类到所述类别之一中并在监督机器学习期间被考虑。

7.根据前述权利要求中任一项所述的方法，其特征在于，基于用户输入和/或特别是通过人员对至少一个目标机器人或其它机器人的检查，对所述异常状态值进行分类。

8.根据前述权利要求所述的方法，其特征在于，基于所确定的异常状态值来指导所述检查。

9.根据前述权利要求中任一项所述的方法，其特征在于，基于至少一个目标机器人的预测状态，调整和/或指导(S60)维护间隔和/或维护，和/或预测剩余使用寿命。

10.一种***，其被设计用于执行根据前述权利要求中任一项所述的方法，和/或包括：

-用于确定目标机器人和/或至少一个其它机器人的异常状态值的装置；

-用于将所述异常状态值分类到多个类别之一中的装置；

-用于基于所分类的异常状态值，对状态值与类别之间的对应关系进行监督机器学习的装置；

-用于采集所述目标机器人的状态值的装置；以及

-用于基于所采集的状态值和被机器学习的对应关系来预测所述目标机器人的状态的装置。

11.一种计算机程序产品，具有程序代码，该程序代码存储在能由计算机读取的介质上，所述计算机程序产品用于执行根据前述权利要求中任一项所述的方法。

Images