一种基于互联网的智能机器人故障检测方法技术

本发明专利技术涉及机器人技术领域，且公开了一种基于互联网的智能机器人故障检测方法，包括以下步骤：S1：基本信息采集，采集智能机器人的基本信息；S2：运动信息采集，通过机器人控制模块控制智能机器人在不同状态下运动，获取机器人正常运行状态下多种不同采样率数据；S3：数据传输，把采集的基本信息和运动信息传输给智能机器人控制中心，然后通过智能机器人控制中心通过互联网传递给服务器终端；S4：数据预处理。本发明专利技术利用工业互联网平台高效实现智能机器人监测与故障诊断算法，高效实现机器人监测与故障诊断分析信息共享和协同处理，可以进行自我故障诊断，并及时发送故障信号，将机器人使用中的不良影响降至最低。用中的不良影响降至最低。用中的不良影响降至最低。

【技术实现步骤摘要】
一种基于互联网的智能机器人故障检测方法


[0001]本专利技术涉及机器人
，具体为一种基于互联网的智能机器人故障检测方法。

技术介绍

[0002]随着生活水平的提高，人们生活的质量要求越来越高，机器人的运用也越来越多，机器人是一种自动化机器，不同的是这种机器具备一些与人或生物相似的智能能力，如感知能力、规划能力、动作能力和协同能力，是一种具有高度灵活性的自动化机器。机器人可以辅助甚至替代人类完成危险、繁重、复杂的工作，提高工作效率质量，服务人类生活，扩大延伸人的活动及能力范围。
[0003]智能机器人正以越发迅猛的速度渗透到人们日常生活之中，在教育、陪护、清洁、展示、导购、智能玩具等领域的应用越来越广泛，但是，由于智能机器人技术正处于日益完善的阶段，在使用当中会产生各种故障，由于现有的家用机器人缺乏有效的故障检测手段，导致无法进行自身的故障检测，以致故障信息不能及时反馈给用户，故障不能被及时有效的处理，只能依靠技术人员到现场调试或者返厂维修，不能满足人们的要求。

技术实现思路

[0004]（一）解决的技术问题针对现有技术的不足，本专利技术提供了一种基于互联网的智能机器人故障检测方法，解决了一般的机器人缺乏有效的故障检测手段，导致无法进行自身的故障检测，不能满足人们的要求的问题。
[0005]（二）技术方案为实现上述目的，本专利技术提供如下技术方案：一种基于互联网的智能机器人故障检测方法，包括以下步骤：S1：基本信息采集，采集智能机器人的基本信息；S2：运动信息采集，通过机器人控制模块控制智能机器人在不同状态下运动，从而获取运行状态下智能机器人信息，获取机器人正常运行状态下多种不同采样率数据；S3：数据传输，把采集的基本信息和运动信息传输给智能机器人控制中心，然后通过智能机器人控制中心通过互联网传递给服务器终端；S4：数据预处理，多种不同采样率数据组成样本集，然后对样本集进行预处理，得到多采样率的参照训练样本集；S5：提取特征，特征提取单元由多级的高通滤波器及低通滤波器组成，数据信号输入一级的高通滤波器及低通滤波器，后一级的高通滤波器及低通滤波器的输入端与前一级的低通滤波器的输出连接；S6：训练模型，根据参照训练样本集构建包含双隐变量的动态潜在参照模型，明确所需计算的动态潜在参照模型的模型参数，通过估计上述模型参数和双隐变量分布实现对
动态潜在参照模型的训练，根据训练完成的动态潜在参照模型的双隐变量分布和模型参数构建相应的统计量T2和SPE，用卡方分布计算得到统计量T2和SPE的统计阈值和SPElim；S7：特征输入模型，基于离散小波变换提取输入数据信号的特征，将提取到的特征输入至训练的模型中；S8：检测，在统计阈值和SPElim建立后，采集工业机器人运行过程中的数据，使用训练完成的动态潜在参照模型计算工业机器人运行过程中的检测统计量和SPEtest，将得到的检测统计量和SPEtest分别与对应的统计阈值和SPElim相比，判断当前工业机器人是否存在故障。
[0006]作为本专利技术再进一步的方案，所述S1中基本信息包括智能机器人的出场设置、电流、电压、适用温度、湿度情况。
[0007]进一步的，所述S2中包括机器人控制模块和信息采集模块，机器人控制模块包括驱动模块，信息采集模块包括红外传感器、超声传感器、激光传感器、碰撞传感器、湿度传感器、温度传感器、电路传感器。
[0008]在前述方案的基础上，所述S3中包括信息传输模块，信息传输模块包括网线传输模块和网络传输模块，传感器通过网线传输模块与智能机器人控制中心连接，智能机器人控制中心通过网络传输模块与服务器终端相连接。
[0009]进一步的，所述S4中在对样本集进行预处理时首先绘制图标，对于明显偏离指数线的样本进行过滤。
[0010]在前述方案的基础上，所述S7中包括特征提取模块，且S6中包括模型训练模块，模型训练模块与特征提取模块相连接。
[0011]本专利技术再进一步的方案，所述S8中包括信息反馈模块，且信息反馈模块包括正常信息反馈模块和异常信息反馈模块。
[0012]（三）有益效果与现有技术相比，本专利技术提供了一种基于互联网的智能机器人故障检测方法，具备以下有益效果：1、本专利技术将静态模型扩展为动态模型，动态模型在隐空间中对过程的动态特性加以描述，更适合描述实际的工业过程，提高检测效果。
[0013]2、本专利技术中，利用离散小波分析方法对数据信号进行故障特征提取，在利用模型对故障进行分类和分析，可高效实现故障特征的完整提取和故障分类，可靠性好。
[0014]3、本专利技术利用工业互联网平台高效实现智能机器人监测与故障诊断算法，高效实现机器人监测与故障诊断分析信息共享和协同处理，可以进行自我故障诊断，并及时发送故障信号，将机器人使用中的不良影响降至最低。
[0015]4、本专利技术中，对样本集进行预处理时首先绘制图标，对于明显偏离指数线的样本进行过滤，防止特殊的样本集过于偏离指数线导致影响整个样本集的训练，提高样本集的代表性。
附图说明
[0016]图1为本专利技术提出的一种基于互联网的智能机器人故障检测方法的流程结构示意图。
具体实施方式
[0017]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0018]实施例1参照图1，一种基于互联网的智能机器人故障检测方法，包括以下步骤：S1：基本信息采集，采集智能机器人的基本信息；S2：运动信息采集，通过机器人控制模块控制智能机器人在不同状态下运动，从而获取运行状态下智能机器人信息，获取机器人正常运行状态下多种不同采样率数据；S3：数据传输，把采集的基本信息和运动信息传输给智能机器人控制中心，然后通过智能机器人控制中心通过互联网传递给服务器终端；S4：数据预处理，多种不同采样率数据组成样本集，然后对样本集进行预处理，得到多采样率的参照训练样本集；S5：提取特征，特征提取单元由多级的高通滤波器及低通滤波器组成，数据信号输入一级的高通滤波器及低通滤波器，后一级的高通滤波器及低通滤波器的输入端与前一级的低通滤波器的输出连接；S6：训练模型，根据参照训练样本集构建包含双隐变量的动态潜在参照模型，明确所需计算的动态潜在参照模型的模型参数，通过估计上述模型参数和双隐变量分布实现对动态潜在参照模型的训练，根据训练完成的动态潜在参照模型的双隐变量分布和模型参数构建相应的统计量T2和SPE，用卡方分布计算得到统计量T2和SPE的统计阈值和SPElim，将静态模型扩展为动态模型，动态模型在隐空间中对过程的动态特性加以描述，更适合描述实际的工业过程，提高检测效果；S7：特征输入模型，基于离散小波变换提取输入数据信号的特征，将提取到的特征输入至训练的模型中，利用离散小波分析方法对数据信号进行故障特征提取，在利用模型对故障进行分类和分析，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于互联网的智能机器人故障检测方法，其特征在于，包括以下步骤：S1：基本信息采集，采集智能机器人的基本信息；S2：运动信息采集，通过机器人控制模块控制智能机器人在不同状态下运动，从而获取运行状态下智能机器人信息，获取机器人正常运行状态下多种不同采样率数据；S3：数据传输，把采集的基本信息和运动信息传输给智能机器人控制中心，然后通过智能机器人控制中心通过互联网传递给服务器终端；S4：数据预处理，多种不同采样率数据组成样本集，然后对样本集进行预处理，得到多采样率的参照训练样本集；S5：提取特征，特征提取单元由多级的高通滤波器及低通滤波器组成，数据信号输入一级的高通滤波器及低通滤波器，后一级的高通滤波器及低通滤波器的输入端与前一级的低通滤波器的输出连接；S6：训练模型，根据参照训练样本集构建包含双隐变量的动态潜在参照模型，明确所需计算的动态潜在参照模型的模型参数，通过估计上述模型参数和双隐变量分布实现对动态潜在参照模型的训练，根据训练完成的动态潜在参照模型的双隐变量分布和模型参数构建相应的统计量T2和SPE，用卡方分布计算得到统计量T2和SPE的统计阈值和SPElim；S7：特征输入模型，基于离散小波变换提取输入数据信号的特征，将提取到的特征输入至训练的模型中；S8：检测，在统计阈值和SPElim建立后，采集工业机器人运行过程中的数据，使用训练完成的动态潜在参照模型计算工业机器人运行过程中的检测统计量和SPEtest，将得...

【专利技术属性】
技术研发人员：张艳，
申请(专利权)人：湖北听风科技有限公司，
类型：发明
国别省市：