一种智能密集库与物流机器人系统及其故障监测方法技术方案

本发明专利技术提出一种智能密集库与物流机器人系统及其故障监测方法，包括：供应商服务器、现场服务器、移动机器人和密集库，供应商服务器、现场服务器、移动机器人和密集库之间采用高速数据通道连接；移动机器人和密集库上设有端计算层；现场服务器上设有边缘计算层；供应商服务器上设有云计算层；所述端计算层、边缘计算层和云计算层形成三层架构体系，本发明专利技术利用现代高速数据通讯实现了现代智慧仓储和物流机器人系统下的物流机器人的高精度实时运动控制，实现了广域大空间复杂环境下多机器人和密集库的协作运行；建立起整体系统的大数据系统，通过大数据分析实现系统的故障管理和预测，并进而实现典型故障所消耗备件的低库存甚至零库存。至零库存。至零库存。

【技术实现步骤摘要】
一种智能密集库与物流机器人系统及其故障监测方法


[0001]本专利技术涉及物流
，尤其涉及一种智能密集库与物流机器人系统及其故障监测方法。

技术介绍

[0002]随着社会的发展，海量的商品、货物、原材料或半成品需要存储与转运，有限的土地与空间下，诞生了密集存储仓库（密集库）技术，相对传统的立体库，密集库的各排货架密集安装到一起，没有特别设置巷道给搬运机器人取放货。
[0003]因此，密集库可以在狭窄空间内存储大量的物资；在这个狭窄空间内，采用沿着轨道移动的移动机器人（穿梭车）实现货物的移动和出库入库；在外部则采用无轨道的无人驾驶叉车移动机器人配合完成装载着货物的托盘在密集库出入口与外部其它地方之间的转运操作。该过程由后台的管理软件和机器人上的移动端嵌入式软件合作完成，实现了密集库、穿梭车、无人叉车为主体的智慧仓储与物流机器人系统，为有限空间内的高密度货物存储与转运提供了可能；在设备的故障诊断和维修中，提出了“视情维修”（Condition Based Maintenance：简称CBM）技术。视情维修的本质是基于状态的维修：它依托理论分析或故障后的现场复盘，进行故障机理的失效模式和影响分析（Failure Mode and Effect Analysis,：简称FMEA分析），建立故障模型库；利用设备运行时产生的大量数据，对设备的状态进行监控，在不停止设备正常运行的前提下，对设备“潜在故障”进行预判，进行及时的调整、维修或更换，避免“功能故障”的发生，这就是故障预测与健康管理技术（Prognostics Health Management：简称PHM）。
[0004]另一方面，由于系统典型故障可以逐步实现预判，那么依托预判信息对系统供应商的维修保障计划进行调整，备件库中不用储存不太急需的资源，由此可以实现低库存甚至零库存，降低供应商在零备件存储供应方面压力的同时，提升系统保障的及时性和准确性，这就是所谓“综合后勤保障”（Integrated Logistic Support：简称ILS）；机器人和密集库都属于高附加值设备，其中某个环节的故障或失效不仅仅带来本身的损失，还可能因为连带作用作用于任务链中一系列环节，影响系统的自身安全和任务安全，带来大量的资金和时间损耗。因此，采用何种方法对整体系统安全进行监控，是值得关注的问题。
[0005]在现有技术中CN115268385A公开了一种基于设备动态交互模型的车间调度方法，其包括以下步骤：车间调度系统的设置；生产订单的数据输入；MES进行优先排级处理；车间调度模型的建立；多个车间生产线系统协同调动生产。现有技术还公开一种车间调度系统，其包括ERP系统、MES系统、调度系统及多个车间生产线系统，所述调度系统包括数据库集群模块、状态机模块、数据库存储模块、数据字典模块、异常报警模块及上下游协同模块。本专利技术通过建立准确的系统典型故障模型，并预测零件寿命的周期达到减少故障维护时间，提出一种智能密集库与物流机器人系统及其故障监测方法。

技术实现思路

[0006]为了解决上述问题，本专利技术提出一种智能密集库与物流机器人系统及其故障监测方法，以更加确切地解决上述所述的问题。
[0007]本专利技术通过以下技术方案实现的：本专利技术提出一种智能密集库与物流机器人系统，包括：供应商服务器、现场服务器、移动机器人和密集库，所述供应商服务器、现场服务器、移动机器人和密集库之间采用高速数据通道连接；所述移动机器人和密集库上设有端计算层；所述现场服务器上设有边缘计算层；所述供应商服务器上设有云计算层；所述端计算层、边缘计算层和云计算层形成三层架构体系。
[0008]进一步的，所述的智能密集库与物流机器人系统，所述现场服务器通过5G通讯模组连接移动机器人和密集库，形成端计算层到边缘计算层的稳定连接体系；所述移动机器人和密集库实时接受来自端计算层的控制指令，并实时采集现场数据发送至端计算层上；所述端计算层还接受来自边缘计算层的指令，并将边缘计算层需要的数据发送至边缘计算层上。
[0009]进一步的，所述的智能密集库与物流机器人系统，所述现场服务器通过软件控制现场的移动机器人和密集库；所述边缘计算层用于作为端计算层和云计算层之间的连接节点，现场数据汇聚在所述边缘计算层，同时建立现场情况的数据仓库，并进行数据分析。
[0010]进一步的，所述的智能密集库与物流机器人系统，所述供应商服务器在云端接收现场数据进汇总、分析，所述云计算层建立数据中心，并对数据进行清洗提纯，获取故障特征，进行故障诊断、故障预测，实现视情维修，并与维修保障、备件系统进行联合。
[0011]一种智能密集库与物流机器人的故障监测方法，采用所述的智能密集库与物流机器人系统实现智能密集库与物流机器人的故障监测方法，所述故障监测方法包括：端计算层通过移动机器人和密集库上的传感器获取移动机器人和密集库实时动态参数，上传至边缘计算层；边缘计算层将数据进行分析和筛选，将供应商所需的数据通过无线传输至云计算层；云计算层构建算法库和故障模型对各零部件的寿命时间进行预测；在预测所述零部件性能达到故障阈值时，指定针对性的维修更换方案。
[0012]进一步的，所述的智能密集库与物流机器人的故障监测方法，所述故障模型包括电机故障模型，所述电机故障模型包括：；其中，为衰减系数，在时间t得到电机的各项数据后，推测出电机在时间T达到电机性能n将出现故障，C是衰减曲线，是衰减曲线上的点。
[0013]进一步的，所述衰减系数设于衰减函数上，如下：获取电机出厂的初始数据值，以及在时间t的数据值，是在t时间下的电机性能；；计算得出数据相似度，并转换为平面函数；；数据的相似性曲线等同于所述衰减函数的相关平面曲线，在不同时间段由于衰减系数不同，得到的线段与坐标系的角度逐渐增大，在数据相似度减小至预设相似度阈值时，衰减系数增大。
[0014]进一步的，所述的智能密集库与物流机器人的故障监测方法，在不同时间的衰减系数的计算方法为：，t=0时，电机性能为1；，≠0时，电机性能小于1；转换得到在时间区间内的的值；；其中，当前衰减系数的时间区间，上一个衰减系数的时间区间。
[0015]进一步的，所述的智能密集库与物流机器人的故障监测方法，输入故障阈值后在当前时间的衰减系数下计算得到发生故障的时间T。
[0016]本专利技术的有益效果：本专利技术利用现代高速数据通讯实现了现代智慧仓储和物流机器人系统下的物流机器人的高精度实时运动控制，实现了广域大空间复杂环境下多机器人和密集库的协作运行；建立起整体系统的大数据系统，通过大数据分析实现系统的故障管理和预测，并进而实现典型故障所消耗备件的低库存甚至零库存；本专利提出电机故障模型，可以准确的分析电机在各个阶段的衰减系数，根据衰减函数转化为具备衰减系数的平面坐标图，可以准确的描述电机在各个衰减区间的衰减幅度，代入电机性能的各相关量，根据预设的电机故障阈值预测电机故障的时间，在此时间前安排人员对该电机进行维护或更换，实现了电机故障风险的规避，同时供应商可以清楚的从供应商服务器中获本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能密集库与物流机器人系统，其特征在于，包括：供应商服务器、现场服务器、移动机器人和密集库，所述供应商服务器、现场服务器、移动机器人和密集库之间采用高速数据通道连接；所述移动机器人和密集库上设有端计算层；所述现场服务器上设有边缘计算层；所述供应商服务器上设有云计算层；所述端计算层、边缘计算层和云计算层形成三层架构体系。2.根据权利要求1所述的智能密集库与物流机器人系统，其特征在于，所述现场服务器通过5G通讯模组连接移动机器人和密集库，形成端计算层到边缘计算层的稳定连接体系；所述移动机器人和密集库实时接受来自端计算层的控制指令，并实时采集现场数据发送至端计算层上；所述端计算层还接受来自边缘计算层的指令，并将边缘计算层需要的数据发送至边缘计算层上。3.根据权利要求1所述的智能密集库与物流机器人系统，其特征在于，所述现场服务器通过软件控制现场的移动机器人和密集库；所述边缘计算层用于作为端计算层和云计算层之间的连接节点，现场数据汇聚在所述边缘计算层，同时建立现场情况的数据仓库，并进行数据分析。4.根据权利要求1所述的智能密集库与物流机器人系统，其特征在于，所述供应商服务器在云端接收现场数据进汇总、分析，所述云计算层建立数据中心，并对数据进行清洗提纯，获取故障特征，进行故障诊断、故障预测，实现视情维修，并与维修保障、备件系统进行联合。5.一种智能密集库与物流机器人的故障监测方法，其特征在于，采用权利要求1
‑
4任一项所述的智能密集库与物流机器人系统实现智能密集库与物流机器人的故障监测方法，所述故障监测...

【专利技术属性】
技术研发人员：黄曹，
申请(专利权)人：江西丹巴赫机器人股份有限公司，
类型：发明
国别省市：