CN118133208B

CN118133208B - 一种机器人打磨离线识别异常数据整合优化系统

Info

Publication number: CN118133208B
Application number: CN202410547200.2A
Authority: CN
Inventors: 邵帅; 刘强; 程全文; 贾鸣远; 张志豪
Original assignee: Wuxi Stial Technologies Co ltd
Current assignee: Ningbo Steele Technology Co.,Ltd.
Priority date: 2024-05-06
Filing date: 2024-05-06
Publication date: 2024-07-09
Anticipated expiration: 2044-05-06
Also published as: CN118133208A

Abstract

本发明公开了一种机器人打磨离线识别异常数据整合优化系统，属于机器人打磨技术领域，包括异常分析模块、异常识别模块和异常整理模块；异常分析模块用于对异常数据进行分析，对各异常数据进行分类，获得各异常分类数据；对各异常分类数据进行分析，确定各异常数据对应的异常原因；根据各异常原因对打磨机器人进行优化调整；异常识别模块用于对识别的异常数据进行分析，通过预设的判断转化模型对异常数据进行处理，获得异常数据对应的异常坐标，根据异常坐标确定异常原因；根据异常原因匹配对应的优化方式，根据优化方式对异常数据进行处理；异常整理模块用于对各异常数据进行整理分析，确定性能评估结果，根据性能评估结果进行预警处理。

Description

一种机器人打磨离线识别异常数据整合优化系统

技术领域

本发明属于机器人打磨技术领域，具体是一种机器人打磨离线识别异常数据整合优化系统。

背景技术

随着工业机器人技术的快速发展，机器人打磨已经成为现代制造业中不可或缺的一环。机器人打磨技术以其高效、精确和可重复性等优势，在汽车零部件、五金件、塑料制品等多个领域得到了广泛应用。然而，在实际应用中，由于打磨环境的复杂性、工件形状的多样性以及机器人自身控制系统的局限性，常常会出现异常数据，导致打磨质量不稳定、效率低下甚至设备损坏等问题。

现有的机器人打磨系统通常只具备基本的数据采集和监控功能，缺乏对异常数据的有效识别和处理能力。当出现异常数据时，往往需要人工介入进行排查和调整，这不仅增加了人力成本，而且难以保证处理的及时性和准确性。基于此，本发明提供了一种机器人打磨离线识别异常数据整合优化系统。

发明内容

为了解决上述方案存在的问题，本发明提供了一种机器人打磨离线识别异常数据整合优化系统。

本发明的目的可以通过以下技术方案实现：

一种机器人打磨离线识别异常数据整合优化系统，包括异常分析模块、异常识别模块和异常整理模块；

所述异常分析模块用于对异常数据进行分析，获取各异常数据，对各所述异常数据进行分类，获得各异常分类数据；对各所述异常分类数据进行分析，确定异常分类数据中各异常数据对应的异常原因；根据各异常原因对打磨机器人进行优化调整。

进一步地，对异常数据进行分类的方法包括：

设置各判定因素，根据各所述判定因素建立判断转化模型，所述判断转化模型的表达式为，式中：i表示对应的判定因素，i=1、2、……、n，n为正整数；si为判定因素数据；输出数据为转化值1或0；

通过所述判断转化模型对异常数据进行分析，获得异常数据对应的各转化值；根据各转化值形成所述异常数据对应的异常坐标；

将异常坐标相同的异常数据分为一类，形成各异常分类数据。

进一步地，对各异常分类数据进行分析的方法包括：

建立参照库，所述参照库内设置有个储存节点，所述储存节点用于储存对应的原因参照数据，且各所述原因参照数据上均标记有对应的异常原因；

根据异常分类数据在参照库内匹配对应的储存节点，将所述异常分类数据中各异常数据输入到所述储存节点中与各原因参照数据进行匹配，确定各异常数据对应的原因参照数据，识别所述原因参照数据对应的异常原因，获得各所述异常数据对应的异常原因。

进一步地，根据异常原因对打磨机器人进行优化调整的方法包括：

确定各异常原因对应的解决方式，根据解决方式对异常原因进行分类，获得第一分类和第二分类；

分别对第一分类和第二分类对应的异常原因进行分析，确定各异常原因对应的优化方式；

根据各优化方式设置优化明细表，将优化明细表发送给对应的管理人员，由管理人员根据优化明细表对打磨机器人进行优化调整。

进一步地，对第一分类的异常原因进行分析的方法包括：

当异常原因对应的解决方式只有一个时，将对应的解决方式标记为优化方式；

当异常原因对应的解决方式具有多个时，根据比较公式计算各解决方式相互之间的比较值；

比较公式为：PU=b1×XL+b2×DL；

式中：PU为比较值，b1、b2均为比例系数，取值范围为0<b1<1，0<b2<1，且b1+b2=1；XL为效率比值；DL为精度比值；

根据各比较值确定对应的优化方式。

进一步地，对第二分类的异常原因进行分析的方法包括：

对各解决方式进行分析，获得各解决方式对应的优化成本和优化效益值；

根据公式PY=exp[YW÷(YB+1)]计算各解决方式对应的优化值；

式中：PY为优化值；exp[*]表示以常数e为底数的指数函数，*表示指数函数的指数数据；YW为优化效益值；YB为优化成本；

将优化值低于阈值X1的解决方式进行剔除，选择优化值最高的解决方式为对应的优化方式。

所述异常识别模块用于对识别的异常数据进行分析，获取识别的异常数据，通过预设的判断转化模型对异常数据进行处理，获得异常数据对应的异常坐标，根据异常坐标确定对应的异常原因；根据异常原因匹配对应的优化方式，根据获得的优化方式对所述异常数据进行处理。

进一步地，当根据异常原因没有匹配到优化方式时，将所述异常原因对应的异常数据进行保存，通过所述异常分析模块对所述异常数据进行分析。

所述异常整理模块用于对各异常数据进行整理分析，确定各分析目标，实时统计各所述分析目标在单元时间内的异常次数，计算对应的综合值；

根据各时间对应综合值生成综合分析曲线；在综合分析曲线内标记单元时间的起始时间和终止时间；将起始时间和终止时间分别标记为t1和t2；

实时识别[t1，t2]内综合分析曲线的曲线斜率，标记为第一变化值kt，t∈[t1，t2]；

根据公式计算对应的第二变化值；

式中：K´为第二变化值；WRt1为时间t1对应的综合值；WRt2为时间t2对应的综合值；

根据第一变化值和第二变化值对打磨机器人进行性能评估，获得对应的性能评估结果，根据性能评估结果进行相应的预警处理。

进一步地，综合值的计算方法包括：

根据各分析目标的异常次数生成对应的异常时间曲线，异常时间曲线的横轴为时间，纵轴为异常次数；

对异常时间曲线进行拟合，获得对应的单一函数；将单一函数标记为G(t)j，j表示对应的分析目标，j=1、2、……、m，m为正整数；

设置各分析目标对应的权重系数，将权重系数标记为βj；

根据公式计算对应时间的综合值；

式中：WRt为当前时间的综合值；t1为对应单元时间的起始时间；WRt1为时间t1对应的综合值。

与现有技术相比，本发明的有益效果是：

通过异常分析模块、异常识别模块和异常整理模块之间的相互配合，实现利用异常数据进行整合优化；通过异常整理模块利用新增的异常数据对打磨机器人的性能情况进行分析，帮助用户对打磨机器人具有一个清晰的了解，提高对异常数据的利用效率，发挥异常数据的潜在价值；通过设置异常分析模块，实现对大量的异常数据进行分类，再分别将原因参照数据储存到相应的储存节点中，便于快速确定各异常数据的异常原因，避免整体分析导致的效率不高，通过上述方案将会大大提高确定各异常数据的异常原因的效率，同时可以实现对异常数据进行整理分类。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明原理框图。

具体实施方式

下面将结合实施例对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

如图1所示，一种机器人打磨离线识别异常数据整合优化系统，包括异常分析模块、异常识别模块和异常整理模块；

所述异常分析模块用于对积累的未能及时解决的异常数据进行分析，即识别异常数据后但是不能对其进行处理，获取各异常数据，即不能解决储存的异常数据；对各异常数据进行分类，获得各异常分类数据；

获取打磨机器人可能具有的各种异常原因，如数据缺失、无效数据、打磨力度过大或过小、速度过快或过慢、特殊区域无法打磨等各种可能的异常原因；并根据各异常原因对应的历史数据设置对应的原因参照数据，原因参照数据即为该异常原因对应的异常数据；根据可能具有的各异常分类将原因参照数据进行分类储存，建立对应的参照库，参照库内储存有各异常分类对应的储存节点，将相应的原因参照数据储存到对应的储存节点中；即参照库会随着本领域打磨机器人相关的数据的变化而进行持续更新，保障可以储存全面的异常原因。

为各异常分类数据在参照库中匹配对应的储存节点，将异常分类数据输入到匹配的储存节点中进行原因分析，获得异常分类数据中各异常数据对应的异常原因；示例性的，利用相似度算法确定异常分类数据中各异常数据对应的原因参照数据，识别原因参照数据对应的异常原因。

通过先对大量的异常数据进行分类，再分别将原因参照数据储存到相应的储存节点中，便于快速确定各异常数据的异常原因，避免整体分析导致的效率不高，通过上述方案将会大大提高确定各异常数据的异常原因的效率，同时可以实现对异常数据进行整理分类。

根据各异常原因对打磨机器人进行优化调整，使其能够实现当再次出现该情况时，可以对相应异常数据进行直接处理，或者不再产生该异常数据。

其中，对各异常数据进行分类的方法包括：

根据应用的打磨异常识别系统确定判定打磨异常的各判定因素，根据各判定因素建立对应的判断转化模型，即通过判断转化模型对异常数据各判定因素对应的数据进行分析，判断该判定因素是否为确定该数据为异常数据的原因或原因之一；可以结合相应应用的异常数据识别技术进行判断，将是异常数据的原因视为符合转化要求；判断转化模型的表达式为，i表示对应的判定因素，i=1、2、……、n，n为正整数；si为输入数据，即判定因素数据，根据判定因素从异常数据中进行提取；输出数据为转化值1或0；

通过判断转化模型对异常数据进行分析，获得异常数据对应的各转化值；根据各转化值形成各异常数据对应的异常坐标；

根据各异常原因对打磨机器人进行优化调整的方法包括：

根据异常原因和现有相应技术确定能够解决该异常原因的解决方式，一个异常原因可以对应多个解决方式；根据解决方式将异常原因进行分类，获得第一分类和第二分类，第一分类指的是仅要对系统参数、程序调整等不需要额外增加设备、软件、系统等异常原因，其他的需要对现有打磨机器人进行改装等分为第二分类；对于第一分类，可以直接对现有系统、设备等进行调整即可，在用户需求下均可实现，但是对于第二分类，需要结合成本、效果、用户要求进行综合评估，判断是否需要进行问题解决；

对于第一分类的各异常原因，识别各异常原因对应的解决方式，当解决方式具有一个时，将对应的解决方式标记为该异常原因的优化方式；当解决方式具有多个时，对各解决方式进行效率和处理精度进行比较，根据用户需求预设效率和精度对应的比例系数，将各解决方式进行两两比较，计算对应的效率比值和精度比值，根据公式PU=b1×XL+b2×DL，式中：PU为比较值，b1、b2均为比例系数，取值范围为0<b1<1，0<b2<1，且b1+b2=1；XL为效率比值；DL为精度比值；比较值大的优化效果更好，根据各比较值确定最好的优化效果对应的解决方式，标记为优化方式；

对于第二分类的各异常原因，对各解决方式进行分析，确定对应的优化成本和优化效益值，优化效益值是根据解决该异常原因对应的异常分析进行设置，具体的根据该异常问题的经济损失进行设置，根据确定的经济损失设置一个优化效益值，一般会根据用户需求设置一个调整系数，根据调整常系数乘以经济损失为优化效益值，用户若不进行设置，则默认调整系数为1；根据公式PY=exp[YW÷(YB+1)]计算对应的优化值；式中：PY为优化值；exp[*]表示以常数e为底数的指数函数，*表示指数函数的指数数据，在本实施例中为YW÷(YB+1)；YW为优化效益值；YB为优化成本；

将优化值低于阈值X1的解决方式进行剔除，选择优化值最高的解决方式为该异常原因的优化方式；

将各优化方式进行整理，形成对应的优化明细表，包括优化方式、异常原因、优化值、优化成本、优化效益值各优化方式的相应数据；对于第一分类对应的优化方式，无相应数据的不进行填写；将优化明细表发送给对应的管理人员，由管理人员根据优化明细表进行优化调整；即管理人员确定应用的优化方式，根据优化方式对打磨机器人进行调整，且后续遇到相同异常原因的异常数据时，可以应用相应的优化方式对异常数据进行直接处理；即优化方式中包括后续对异常数据进行处理的方法。

所述异常识别模块用于对识别的异常数据进行分析，具体对打磨过程进行监测，确定异常数据的过程非本发明创造范围，因此不进行详细叙述，识别的为已经确定为异常数据的数据；获取识别的异常数据，通过预设的判断转化模型对异常数据进行处理，获得异常数据对应的异常坐标，根据异常坐标确定异常数据对应的异常分类，进而确定在参照库内对应的储存节点，根据异常数据从储存节点中匹配对应的异常原因；

根据异常原因匹配对应的优化方式，根据获得的优化方式对相应的异常数据进行处理。

在一个实施例中，当根据异常原因匹配不到优化方式时，表明该异常原因对应的异常数据是初次出现，需要将其进行保存，后续通过异常分析模块进行处理。

所述异常整理模块用于对各异常数据进行整理分析，了解打磨机器人新增的异常数据和异常原因，利用新增的异常数据对打磨机器人的性能情况进行分析，帮助用户对打磨机器人具有一个清晰的了解，提高对异常数据的利用效率，发挥异常数据的潜在价值；详细过程如下：

识别各新增的异常原因，标记为分析目标，对于已经通过上述模块进行优化调整克服后的异常原因不作为分析目标，即只要未进行优化，均作为分析目标；实时统计各分析目标在单元时间内的异常次数，单元时间一般为1天，也可以进行相应的调整；根据各分析目标的异常次数生成对应的异常时间曲线，异常时间曲线的横轴为时间，单位为日；纵轴为异常次数，单位为次数；

设置各分析目标对应的权重系数，将权重系数标记为βj；权重系数是根据出现各分析目标代表的打磨机器人的问题严重性进行设置的，会预设一个标准，一般根据临界状态设置该标准，临界状态即为根据出现的异常原因是正常状况还是异常状况进行设置，如很多在正常运行中出现的某些异常数据，其为正常情况，但是某些异常原因只有在设备出现问题异常时才会出现；将各异常原因对应的问题验证性与预设标准进行比较，计算的比重，比重不小于1的情况，对应比重为权重系数，小于1的情况，权重系数为0。

根据公式计算对应时间的综合值；

式中：WRt为当前时间的综合值；t1为对应单元时间的起始时间，用于降低计算量，避免重复从t=0开始进行计算；WRt1为时间t1对应的综合值；

根据各时间对应综合值生成综合分析曲线；在综合分析曲线内标记单元时间的起始时间和终止时间，即当前时间前的单元时间；起始时间为t1，将终止时间标记为t2；

根据公式计算对应的第二变化值；式中：K´为第二变化值；WRt1为时间t1对应的综合值；WRt2为时间t2对应的综合值；

根据第一变化值和第二变化值对打磨机器人进行性能评估，根据性能评估结果进行相应的预警处理，即将第一变化值和第二变化值均与阈值X2进行比较，只要第一变化值和第二变化值中任意一个不小于阈值X2，评估性能异常，当评估性能异常时，进行相应的预警处理。

上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。

以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims

1.一种机器人打磨离线识别异常数据整合优化系统，其特征在于，包括异常分析模块、异常识别模块和异常整理模块；

所述异常分析模块用于对异常数据进行分析，获取各异常数据，对各所述异常数据进行分类，获得各异常分类数据；对各所述异常分类数据进行分析，确定异常分类数据中各异常数据对应的异常原因；根据各异常原因对打磨机器人进行优化调整；

所述异常识别模块用于对识别的异常数据进行分析，获取识别的异常数据，通过预设的判断转化模型对异常数据进行处理，获得异常数据对应的异常坐标，根据异常坐标确定对应的异常原因；根据异常原因匹配对应的优化方式，根据获得的优化方式对所述异常数据进行处理；

根据公式计算对应的第二变化值；

根据第一变化值和第二变化值对打磨机器人进行性能评估，获得对应的性能评估结果，根据性能评估结果进行相应的预警处理；

对异常数据进行分类的方法包括：

将异常坐标相同的异常数据分为一类，形成各异常分类数据；

对各异常分类数据进行分析的方法包括：

根据异常分类数据在参照库内匹配对应的储存节点，将所述异常分类数据中各异常数据输入到所述储存节点中与各原因参照数据进行匹配，确定各异常数据对应的原因参照数据，识别所述原因参照数据对应的异常原因，获得各所述异常数据对应的异常原因；

根据异常原因对打磨机器人进行优化调整的方法包括：

根据各优化方式设置优化明细表，将优化明细表发送给对应的管理人员，由管理人员根据优化明细表对打磨机器人进行优化调整；

对第一分类的异常原因进行分析的方法包括：

比较公式为：PU=b1×XL+b2×DL；

根据各比较值确定对应的优化方式；

对第二分类的异常原因进行分析的方法包括：

根据公式PY=exp[YW÷(YB+1)]计算各解决方式对应的优化值；

将优化值低于阈值X1的解决方式进行剔除，选择优化值最高的解决方式为对应的优化方式；

综合值的计算方法包括：

设置各分析目标对应的权重系数，将权重系数标记为βj；

根据公式计算对应时间的综合值；

2.根据权利要求1所述的一种机器人打磨离线识别异常数据整合优化系统，其特征在于，当根据异常原因没有匹配到优化方式时，将所述异常原因对应的异常数据进行保存，通过所述异常分析模块对所述异常数据进行分析。