机器人故障状态监测预警方法、电子设备、存储介质技术

本发明专利技术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。本发明专利技术能够实现对于机器人的故障监测。发明专利技术能够实现对于机器人的故障监测。发明专利技术能够实现对于机器人的故障监测。

【技术实现步骤摘要】
机器人故障状态监测预警方法、电子设备、存储介质


[0001]本专利技术属于计算机信号处理
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]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。
[0006]本专利技术的第一方面，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。
[0007]根据本专利技术实施例的方法，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。
[0008]根据本专利技术的一个实施例，所述输入参数包括传感器参数。
[0009]根据本专利技术的一个实施例，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。
[0010]根据本专利技术的一个实施例，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。
[0011]根据本专利技术的一个实施例，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。
[0012]根据本专利技术的一个实施例，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。
[0013]根据本专利技术的一个实施例，所述预设算法为深度学习算法。
[0014]根据本专利技术的一个实施例，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。
[0015]本专利技术的第二方面，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。
[0016]本专利技术的第三方面，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。
[0017]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
[0018]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。
[0019]图1是本专利技术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；
[0020]图2是本专利技术实施例的电子设备的工作原理图。
[0021]附图标记：
[0022]电子设备100；
[0023]存储器110；操作系统111；应用程序112；
[0024]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
[0025]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。
[0026]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。
[0027]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。
[0028]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。
[0029]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。
[0030]下面首先结合附图具体描述根据本专利技术实施例的机器人故障状态监测预警方法。
[0031]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：
[0032]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。
[0033]S2、对输入参数进行预处理。
[0034]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。
[0035]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。
[0036]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。
[0037]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。
[0038]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。
[0039]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。
[0040]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。
[0041]在本申请的一些具体实施方式中，传感器参数包括轮本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：曾一凡，宿凯，何沛开，刘彪，柏林，舒海燕，沈创芸，祝涛剑，雷宜辉，王恒华，
申请(专利权)人：广州高新兴机器人有限公司，
类型：发明
国别省市：