CN114495468A - 机器人故障状态监测预警方法、电子设备、存储介质 - Google Patents
机器人故障状态监测预警方法、电子设备、存储介质 Download PDFInfo
- Publication number
- CN114495468A CN114495468A CN202210023719.1A CN202210023719A CN114495468A CN 114495468 A CN114495468 A CN 114495468A CN 202210023719 A CN202210023719 A CN 202210023719A CN 114495468 A CN114495468 A CN 114495468A
- Authority
- CN
- China
- Prior art keywords
- fault
- prediction model
- parameter
- robot
- processor
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/187—Machine fault alarms
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种机器人故障状态监测预警方法、电子设备、存储介质,方法包括以下步骤:S1、采集故障预测模型的输入参数;S2、对所述输入参数进行预处理;S3、采用深度学习的方式建立能够获取时序特征的故障预测模型,通过所述故障预测模型对步骤S2得到的经过预处理后的所述输入参数进行特征提取和训练;S4、所述故障预测模型根据机器人的信号的变化预测发生的故障;S5、根据所述故障预测模型的预测结果,进行最终决策和解决异常的动作执行。本发明能够实现对于机器人的故障监测。
Description
技术领域
本发明属于计算机信号处理技术领域,具体涉及一种机器人故障状态监测预警方法、电子设备、存储介质。
背景技术
机器人遍布于各种区域,机器人不分白夜晴雨,自动工作,而机器人机身由各种机械构成,在各种复杂环境下,机械在持续运转后,零部件会有一定的损耗,如果发生故障,那么将会影响机器人的正常运行。
现有的故障监测技术大部分依靠传感器硬件对需要监测的目标进行实时监测,大部分故障报警流程为硬件传感器-数模转换-软件实现报警功能。
但是基于硬件传感器的监测方法具有一定的滞后性。一般是在传感器信号超过人为设定的阈值后才预警或者报警,同时人为设定的阈值判别不具备泛化性。
发明内容
本申请的一个目的是提供一种故障预机器人故障状态监测预警方法的新技术方案,能够针对机器人上的各种硬件信号传感器提取的信号进行硬件的故障状态分析。
本发明的第一方面,提供了一种故障预机器人故障状态监测预警方法,包括以下步骤:S1、采集预设的故障预测模型的输入参数;S2、对所述输入参数进行预处理;S3、采用深度学习的方式建立能够获取时序特征的故障预测模型,通过所述故障预测模型对步骤S2得到的经过预处理后的所述输入参数进行特征提取和训练;S4、所述故障预测模型根据机器人的信号的变化预测发生的故障;S5、根据所述故障预测模型的预测结果,进行最终决策和解决异常的动作执行。
根据本发明实施例的方法,能够针对机器人的故障监测,设计能够预测故障的故障预测模型,实现对于运维机器人的故障监测和告警。
根据本发明的一个实施例,所述输入参数包括传感器参数。
根据本发明的一个实施例,所述传感器参数包括轮轴震动频率参数、机器温度参数、电流电压参数、轮轴转速参数和轮轴转向角度中的至少一个。
根据本发明的一个实施例,所述输入参数还包括固有参数,所述固有参数包括电池容量参数和/或马达负载参数。
根据本发明的一个实施例,所述故障预测模型包括循环神经网络模型和卷积神经网络模型。
根据本发明的一个实施例,步骤S2包括:将所述输入参数回传至云端服务器,在所述云端服务器利用预设算法设计所述故障预测模型。
根据本发明的一个实施例,所述预设算法为深度学习算法。
根据本发明的一个实施例,在预设时间段内每隔固定的时间间隔测量每个传感器参数的数值,并求取对应时间段的均值和方差作为补充特征。
本发明的第二方面,还提供了一种电子设备,包括:处理器和存储器,在所述存储器中存储有计算机程序指令,其中,在所述计算机程序指令被所述处理器运行时,使得所述处理器执行上述任一项实施例所述的方法。
本发明的第三方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器运行时,使得所述处理器执行上述任一项实施例所述的方法。
通过以下参照附图对本申请的示例性实施例的详细描述,本申请的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本申请的实施例,并且连同其说明一起用于解释本申请的原理。
图1是本发明的实施例的故障预机器人故障状态监测预警方法的流程图;
图2是本发明实施例的电子设备的工作原理图。
附图标记:
电子设备100;
存储器110;操作***111;应用程序112;
处理器120;网络接口130;输入设备140;硬盘150;显示设备160。
具体实施方式
现在将参照附图来详细描述本申请的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本申请及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
下面首先结合附图具体描述根据本发明实施例的机器人故障状态监测预警方法。
如图1所示,根据本申请实施例的机器人故障状态监测预警方法,包括以下步骤:
S1、采集预设的故障预测模型的输入参数。在采集输入参数时,可以根据对机器人故障的调研统计参数作为故障预测模型的输入参数。
S2、对输入参数进行预处理。
S3、采用深度学习的方式建立能够获取时序特征的故障预测模型,通过故障预测模型对步骤S2得到的经过预处理后的输入参数进行特征提取和训练。其中故障预测模型为故障预测模型。
S4、故障预测模型根据机器人的信号的变化预测发生的故障。
S5、根据故障预测模型的预测结果,进行最终决策和解决异常的动作执行。可选地,可以根据故障预测模型的预测结果,使用行为树架构进行最终决策和解决异常的动作执行。
需要说明的是,机器人在实际使用中,比较常见的机器人故障,其引发的原因多种多样。但是,有些故障的产生具有一定的先兆。例如轴承震动频率变化、电池的电压电流变化等。往往一些异常的小问题,最终会引发较严重的故障。而这些小异常与严重故障的之间的联系,难以通过人为经验仅对几个故障参数进行先验总结后判断。随着科技的发展,在数据支撑下,借助预设算法,建立故障预测模型,通过长期训练,从信号的细微变化中预测可能发生的故障。
由此,本申请能够针对机器人的故障监测,设计能够预测故障的故障预测模型,实现对于运维机器人的故障监测和告警。
根据本申请的一个实施例,输入参数包括传感器参数。可选地,传感器参数一般来说是时序信号。本申请会在一定时间段(测量多个时间段,每段内模拟机器人不同场景的功能)内每隔固定的时间间隔测量每个参数的数值,然后求取对应时间段的均值和方差作为补充特征。
可选地,传感器分布在机器人身上。通过利用分布在机器人身上的传感器收集机器人机械运行的大数据,有利于提高机器人的监测效率和检测准确性。
在本申请的一些具体实施方式中,传感器参数包括轮轴震动频率参数、机器温度参数、电流电压参数、轮轴转速参数和轮轴转向角度中的至少一个。其中,轮轴震动频率参数为使用测震仪测量对应机器人轮轴处的振动参数,即位移振动频率(Hz),记作f1。机器温度参数为使用红外温度摄像头测试整体机身的温度参数,记作t1。使用温度传感器测量机器人内部电机温度记作t2。主板温度,记作t3。雷达传感器或者摄像头温度,记作t4。
电流电压参数为使用对应的传感器测量测量机器人主控板整体的电流和电压参数,分别记作v1和i1。轮轴转速参数为轮轴当前的转速参数,记作sp1。轮轴转向角度参数为瞬时的转向角度参数,记作an1。
可选地,输入参数还包括固有参数,固有参数包括电池容量参数和/ 或马达负载参数。其中电池容量参数为机器人电池的容量,记作cp1。马达负载参数为机器人轮轴马达的最大负载能力,记作bd1。
根据本申请的一个实施例,故障预测模型包括循环神经网络模型和卷积神经网络模型。循环神经网络模型(RNN模型)能够获取时序特征。在使用RNN模型对时间信号参数进行特征提取后,可以使用卷积神经网络模型(CNN模型)的分类器进行分类模型的训练。最终从分类器中得到输出的异常判断分数。
在本申请的一些具体实施方式中,步骤S2包括:将输入参数回传至云端服务器,在云端服务器利用预设算法设计故障预测模型。也就是说,本申请的方法,能针对机器人的故障监测,基于云边端一体化的运维***,利用云端设计故障预测模型方法并部署,从而实现运维机器人的故障监测和告警。可选地,可以利用边端机器人实时的数据,通过4G/5G通信***,以及云端的运维***,构建一个实时的基于深度学习方法搭建的故障预测算法***。
可选地,本申请利用云边端一体化的机器人运维***,利用分布在机器人身上的传感器收集机器人机械运行的大数据,然后利用5G回传到云端服务器,在服务器端利用深度学习算法来设计故障预测算法模型,在云端部署,从而实现各个区域的机器人的故障监测和预测,能够提高机器人的监测效率和检测准确率。
可选地,预设算法为深度学习算法。采用深度学习的方式建立模型,能够获取最高的精度。
总而言之,根据本申请实施例的方法,能够针对机器人的故障监测,基于云边端一体化的运维***,利用云端设计故障预测模型算法并部署,从而实现运维机器人的故障监测和告警。
此外,本申请从全局考虑故障监测,而不是从单一角度去考虑某一种故障。本申请所构建的故障监测算法输入为多个引发故障原因的变量。在本申请中采用多个变量输入,单一输出故障结果的方法。即构建的故障监测算法的输入为多个变量,同时所有的不同故障类型统一作故障这一个结果输出。
根据本申请的方法,在实际测试中,多变量作为故障判断的输入,有利于更全面的分析故障判断,通过多维度数据所建立的模型,鲁棒性比单一数据分析的模型更好。同时,多维度的数据分析,更加有利于***和判断故障。比如机器内部温度持续升高,那么持续下去工控机的电池大概率发生故障。但是通过本申请的多维度的大数据模型,可以对持续升温这一情况提前预警。
在本申请的一些具体实施方式中,在预设时间段内每隔固定的时间间隔测量每个传感器参数的数值,并求取对应时间段的均值和方差作为补充特征。
另外,本发明实施例还提供了一种计算机存储介质,所述计算机存储介质包括一条或多条计算机指令,所述一条或多条计算机指令在执行时实现上述任一所述的方法。
也就是说,所述计算机存储介质存储有计算机程序,所述计算机程序被处理器运行时,使得所述处理器执行上述任一所述的方法。
如图2所示,本发明实施例提供了一种电子设备100,包括存储器110 和处理器120,所述存储器110用于存储一条或多条计算机指令,所述处理器120用于调用并执行所述一条或多条计算机指令,从而实现上述任一所述的方法。
也就是说,电子设备100包括:处理器120和存储器110,在所述存储器110中存储有计算机程序指令,其中,在所述计算机程序指令被所述处理器运行时,使得所述处理器120执行上述任一所述的方法。
进一步地,如图2所示,电子设备100还包括网络接口130、输入设备140、硬盘150、和显示设备160。
上述各个接口和设备之间可以通过总线架构互连。总线架构可以是可以包括任意数量的互联的总线和桥。具体由处理器120代表的一个或者多个中央处理器(CPU),以及由存储器110代表的一个或者多个存储器的各种电路连接在一起。总线架构还可以将诸如***设备、稳压器和功率管理电路等之类的各种其它电路连接在一起。可以理解,总线架构用于实现这些组件之间的连接通信。总线架构除包括数据总线之外,还包括电源总线、控制总线和状态信号总线,这些都是本领域所公知的,因此本文不再对其进行详细描述。
所述网络接口130,可以连接至网络(如因特网、局域网等),从网络中获取相关数据,并可以保存在硬盘150中。
所述输入设备140,可以接收操作人员输入的各种指令,并发送给处理器120以供执行。所述输入设备140可以包括键盘或者点击设备(例如,鼠标,轨迹球(trackball)、触感板或者触摸屏等)。
所述显示设备160,可以将处理器120执行指令获得的结果进行显示。
所述存储器310,用于存储操作***运行所必须的程序和数据,以及处理器120计算过程中的中间结果等数据。
可以理解,本发明实施例中的存储器110可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM),其用作外部高速缓存。本文描述的装置和方法的存储器110旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中,存储器110存储了如下的元素,可执行模块或者数据结构,或者他们的子集,或者他们的扩展集:操作***111和应用程序112。
其中,操作***111,包含各种***程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序112,包含各种应用程序,例如浏览器(Browser)等,用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序112中。
上述处理器120,当调用并执行所述存储器110中所存储的应用程序和数据,具体的,可以是应用程序112中存储的程序或指令时,将第一集合和第二集合中的一者分散发送至所述第一集合和第二集合中的另一者所分布的节点,其中,所述另一者分散存储于至少两个节点;并根据所述第一集合的节点分布和所述第二集合的节点分布,分节点地进行交集处理。
本发明上述实施例揭示的方法可以应用于处理器120中,或者由处理器120实现。处理器120可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器120中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器120可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器110,处理器120读取存储器110中的信息,结合其硬件完成上述方法的步骤。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备 (DSPD)、可编程逻辑设备(PLD)、现场可编程门阵列(FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的模块(例如过程、函数等) 来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
具体地,处理器120还用于读取所述计算机程序,执行上述任一所述的方法。
在本申请所提供的几个实施例中,应该理解到,所揭露方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理包括,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述收发方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种机器人故障状态监测预警方法,其特征在于,包括以下步骤:
S1、采集预设的故障预测模型的输入参数;
S2、对所述输入参数进行预处理;
S3、采用深度学习的方式建立能够获取时序特征的故障预测模型,通过所述故障预测模型对步骤S2得到的经过预处理后的所述输入参数进行特征提取和训练;
S4、所述故障预测模型根据机器人的信号的变化预测发生的故障;
S5、根据所述故障预测模型的预测结果,进行最终决策和解决异常的动作执行。
2.根据权利要求1所述的方法,其特征在于,所述输入参数包括传感器参数。
3.根据权利要求2所述的方法,其特征在于,所述传感器参数包括轮轴震动频率参数、机器温度参数、电流电压参数、轮轴转速参数和轮轴转向角度中的至少一个。
4.根据权利要求2所述的方法,其特征在于,所述输入参数还包括固有参数,所述固有参数包括电池容量参数和/或马达负载参数。
5.根据权利要求1所述的方法,其特征在于,所述故障预测模型包括循环神经网络模型和卷积神经网络模型。
6.根据权利要求1所述的方法,其特征在于,步骤S2包括:将所述输入参数回传至云端服务器,在所述云端服务器利用预设算法设计所述故障预测模型。
7.根据权利要求6所述的方法,其特征在于,所述预设算法为深度学习算法。
8.根据权利要求3所述的方法,其特征在于,在预设时间段内每隔固定的时间间隔测量每个传感器参数的数值,并求取对应时间段的均值和方差作为补充特征。
9.一种电子设备,其特征在于,包括:处理器和存储器,在所述存储器中存储有计算机程序指令,其中,在所述计算机程序指令被所述处理器运行时,使得所述处理器执行权利要求1-8中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器运行时,使得所述处理器执行权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210023719.1A CN114495468A (zh) | 2022-01-10 | 2022-01-10 | 机器人故障状态监测预警方法、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210023719.1A CN114495468A (zh) | 2022-01-10 | 2022-01-10 | 机器人故障状态监测预警方法、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114495468A true CN114495468A (zh) | 2022-05-13 |
Family
ID=81509892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210023719.1A Pending CN114495468A (zh) | 2022-01-10 | 2022-01-10 | 机器人故障状态监测预警方法、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114495468A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115178400A (zh) * | 2022-08-01 | 2022-10-14 | 重庆大学 | 一种智能喷浆机器人、喷浆***及方法 |
CN116645010A (zh) * | 2023-07-21 | 2023-08-25 | 金正大生态工程集团股份有限公司 | 一种化工安全生产巡控*** |
CN116861218A (zh) * | 2023-07-25 | 2023-10-10 | 上海华菱电站成套设备股份有限公司 | 一种矿井提升机关键设备状态监测预警*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109129574A (zh) * | 2018-11-08 | 2019-01-04 | 山东大学 | 服务机器人运动***云端故障诊断***及方法 |
CN110132627A (zh) * | 2019-05-28 | 2019-08-16 | 上海海事大学 | 一种推进器的故障诊断方法 |
CN111275164A (zh) * | 2020-01-13 | 2020-06-12 | 浙江大学 | 一种水下机器人推进***故障的诊断方法 |
US20200326698A1 (en) * | 2019-04-09 | 2020-10-15 | Nabtesco Corporation | Failure prediction device, failure prediction method, computer program, calculation model learning method, and calculation model generation method |
CN112171721A (zh) * | 2020-11-30 | 2021-01-05 | 北京科技大学 | 一种机器人关节传感器和执行器故障诊断方法及*** |
CN113742163A (zh) * | 2021-02-02 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种故障预警方法、装置、设备及存储介质 |
-
2022
- 2022-01-10 CN CN202210023719.1A patent/CN114495468A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109129574A (zh) * | 2018-11-08 | 2019-01-04 | 山东大学 | 服务机器人运动***云端故障诊断***及方法 |
US20200326698A1 (en) * | 2019-04-09 | 2020-10-15 | Nabtesco Corporation | Failure prediction device, failure prediction method, computer program, calculation model learning method, and calculation model generation method |
CN110132627A (zh) * | 2019-05-28 | 2019-08-16 | 上海海事大学 | 一种推进器的故障诊断方法 |
CN111275164A (zh) * | 2020-01-13 | 2020-06-12 | 浙江大学 | 一种水下机器人推进***故障的诊断方法 |
CN112171721A (zh) * | 2020-11-30 | 2021-01-05 | 北京科技大学 | 一种机器人关节传感器和执行器故障诊断方法及*** |
CN113742163A (zh) * | 2021-02-02 | 2021-12-03 | 北京沃东天骏信息技术有限公司 | 一种故障预警方法、装置、设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115178400A (zh) * | 2022-08-01 | 2022-10-14 | 重庆大学 | 一种智能喷浆机器人、喷浆***及方法 |
CN116645010A (zh) * | 2023-07-21 | 2023-08-25 | 金正大生态工程集团股份有限公司 | 一种化工安全生产巡控*** |
CN116645010B (zh) * | 2023-07-21 | 2023-11-21 | 金正大生态工程集团股份有限公司 | 一种化工安全生产巡控*** |
CN116861218A (zh) * | 2023-07-25 | 2023-10-10 | 上海华菱电站成套设备股份有限公司 | 一种矿井提升机关键设备状态监测预警*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3379360B1 (en) | Anomaly detection system and anomaly detection method | |
CN114495468A (zh) | 机器人故障状态监测预警方法、电子设备、存储介质 | |
KR101825809B1 (ko) | 플랜트 이상 감지 시스템 및 방법 | |
US10496466B2 (en) | Preprocessor of abnormality sign diagnosing device and processing method of the same | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
Soualhia et al. | Infrastructure fault detection and prediction in edge cloud environments | |
KR20170125265A (ko) | 플랜트 이상 감지를 위한 자동 학습 시스템 및 방법 | |
CN111143173A (zh) | 一种基于神经网络的服务器故障监测方法及*** | |
JP2022524244A (ja) | 将来の動作の予測分類 | |
CN111709447A (zh) | 电网异常检测方法、装置、计算机设备和存储介质 | |
US20210042585A1 (en) | Abnormality detection device, abnormality detection method and computer readable medium | |
KR20190025474A (ko) | 플랜트 데이터 예측 장치 및 방법 | |
CN112286771B (zh) | 一种针对全域资源监控的告警方法 | |
CN112534370A (zh) | 用于预测工业机器故障的***和方法 | |
CN111400850B (zh) | 设备故障分析方法、装置、设备和存储介质 | |
CN111382494A (zh) | 用于检测工业机器的感知数据中的异常的***及方法 | |
CN112905371B (zh) | 基于异构多源数据异常检测的软件变更检查方法和装置 | |
CN114155692A (zh) | 一种设备故障上报方法、装置及存储介质 | |
KR20220068799A (ko) | 자동화설비의 고장 검출 시스템 및 그 방법 | |
CN116413604A (zh) | 一种电池参数监测方法、***、装置及存储介质 | |
CN116428124A (zh) | 一种基于同型号设备数量较多的故障诊断方法 | |
CN114548280A (zh) | 故障诊断模型的训练、故障诊断方法及电子设备 | |
CN111314110B (zh) | 一种用于分布式***的故障预警方法 | |
Jia et al. | Using neural networks to forecast available system resources: an approach and empirical investigation | |
KR102350636B1 (ko) | 플랜트 고장 예지 장치 및 방법 |
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 |