移动机器人的故障状态监测方法、装置和设备制造方法及图纸

本发明专利技术公开了一种移动机器人的故障状态监测方法、装置和设备。所述方法包括：获取移动机器人中各待监测装置的至少两种状态数据；将所述至少两种状态数据输入预先训练的各待监测装置的关联故障监测模型中，得到各待监测装置的监测结果；根据所述监测结果确定所述移动机器人中的故障装置，以定位所述移动机器人的故障原因。本申请技术方案通过对移动机器人中所有传感器和/或硬件装置进行针对性的监控，实现对移动机器人故障原因的准确定位；并且本方案是依据各传感器或硬件装置的至少两种状态数据之间的特征关联关系，提高了对各装置监测的准确性，避免单一状态数据不准确造成的影响。响。响。

【技术实现步骤摘要】
移动机器人的故障状态监测方法、装置和设备


[0001]本专利技术涉及机器人故障监测
，尤其涉及一种移动机器人的故障状态监测方法、装置和设备。

技术介绍

[0002]随着计算机理论、电子信息技术、自动控制理论、机械自动化等学科的发展和新型材料的应用，移动机器人技术突飞猛进。移动机器人安装的传感器及硬件作为移动机器人的重要组成，其数据准确性和完整性对于移动机器人的决策控制具有重要意义。一旦移动机器人传感器出现异常，会对移动机器人的行驶安全造成极大的影响。
[0003]现有技术中，通过获取移动机器人的运行状况数据对移动机器人的整体进行监控，只能判断出移动机器人出现故障，无法精确定位移动机器人的具体位置，仍需要技术人员进行排查，大大增加了技术人员的工作量，也影响移动机器人的正常运作，所以对于移动机器人故障位置精准定位十分重要。

技术实现思路

[0004]本专利技术提供了一种移动机器人的故障状态监测方法、装置和设备，以解决对不同类型的监测装置监测不准确的问题，实现对监测装置的有效且准确的监测以及预测，进而准确定位移动机器人的故障位置。
[0005]根据本专利技术的一方面，提供了一种移动机器人的故障状态监测方法，所述方法包括：
[0006]获取移动机器人中各待监测装置的至少两种状态数据；其中，所述待监测装置包括所述移动机器人中安装的所有传感器装置和/或硬件装置；
[0007]将所述至少两种状态数据输入预先训练的各待监测装置的关联故障监测模型中，得到各待监测装置的监测结果；其中，所述故障监测模型用于学习所述至少两种状态数据之间的特征关联关系；
[0008]根据所述监测结果确定所述移动机器人中的故障装置，以定位所述移动机器人的故障原因。
[0009]根据本专利技术的另一方面，提供了一种移动机器人的故障状态监测装置，所述装置包括：
[0010]数据获取模块，用于获取移动机器人中各待监测装置的至少两种状态数据；其中，所述待监测装置包括所述移动机器人中安装的所有传感器装置和/或硬件装置；
[0011]检测模块，用于将所述至少两种状态数据输入预先训练的各待监测装置的关联故障监测模型中，得到各待监测装置的监测结果；其中，所述故障监测模型用于学习所述至少两种状态数据之间的特征关联关系；
[0012]定位模块，用于根据所述监测结果确定所述移动机器人中的故障装置，以定位所述移动机器人的故障原因。
[0013]根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：
[0014]至少一个处理器；以及
[0015]与所述至少一个处理器通信连接的存储器；其中，
[0016]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的移动机器人的故障状态监测方法。
[0017]根据本专利技术的另一方面，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指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的移动机器人的故障状态监测方法。
[0018]本专利技术实施例的技术方案，通过对移动机器人中所有传感器和/或硬件装置进行针对性的监控，实现对移动机器人故障原因的准确定位，并且本方案是依据各传感器或硬件装置的至少两种状态数据之间的特征关联关系，提高了对各装置监测的准确性，避免了由于单一状态数据不准确造成的影响。
[0019]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0020]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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。
[0021]图1是根据本专利技术实施例一提供的一种移动机器人的故障状态监测方法的流程图；
[0022]图2是根据本专利技术实施例二提供的一种移动机器人的故障状态监测方法的流程图；
[0023]图3是根据本专利技术实施例三提供的一种移动机器人的故障状态监测装置的结构示意图；
[0024]图4是实现本专利技术实施例的移动机器人的故障状态监测方法的电子设备的结构示意图。
具体实施方式
[0025]为了使本
的人员更好地理解本专利技术方案，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的实施例，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，都应当属于本专利技术保护的范围。
[0026]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“样本”、“目标”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或
描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0027]实施例一
[0028]图1为根据本专利技术实施例一提供的一种移动机器人的故障状态监测方法的流程图，本实施例可适用于对移动机器人如AGV小车运行状况进行监控的情况，该方法可以由移动机器人的故障状态监测装置来执行，该移动机器人的故障状态监测装置可以采用硬件和/或软件的形式实现，该移动机器人的故障状态监测装置可配置于具有移动机器人的故障状态监测方法的电子设备中。如图1所示，该方法包括：
[0029]S110、获取移动机器人中各待监测装置的至少两种状态数据；其中，所述待监测装置包括所述移动机器人中安装的所有传感器装置和/或硬件装置。
[0030]其中，移动机器人通过各监测装置来感知车辆周围环境，并根据感知所获得道路、移动机器人位置和障碍物信息等，控制移动机器人的转向和速度，从而使移动机器人能够安全、可靠地在道路上行驶。无人驾驶车辆，也可称为自动驾驶车辆，是移动机器人的一种。
[0031]监测装置包括移动机器人中安装的所有传感器装置和/或硬件装置，例如，传感器装置包括但不限于激光雷达传感器、相机(深度相机、环视相机)、超声波传感器、防跌落传感器、到位检测传感器以及托盘识别传感器，硬件装置包括但不限于电机和导航模块电源。
[0032]状态数据用于描述移动机器人在运行过程中由各待监测装置获取到的描述机器人运行状况的数据，例如，各传感器运行时的电流、电压、转速或温度等，用来判断各待监测装置的运行是否存在异常。此外，获取的至少两种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种移动机器人的故障状态监测方法，其特征在于，包括：获取移动机器人中各待监测装置的至少两种状态数据；其中，所述待监测装置包括所述移动机器人中安装的所有传感器装置和/或硬件装置；将所述至少两种状态数据输入预先训练的各待监测装置的关联故障监测模型中，得到各待监测装置的监测结果；其中，所述故障监测模型用于学习所述至少两种状态数据之间的特征关联关系；根据所述监测结果确定所述移动机器人中的故障装置，以定位所述移动机器人的故障原因。2.根据权利要求1所述的方法，其特征在于，所述待监测装置的关联故障监测模型的训练过程如下：基于装置类型对待监测装置进行分类；分别获取每一类待监测装置的至少两种样本状态数据和对应的状态结果；基于深度学习网络对所述至少两种样本状态数据和对应的状态结果进行训练，得到每一类待监测装置的关联故障监测模型；相应的，将所述至少两种状态数据输入预先训练的各待监测装置的关联故障监测模型中，包括：根据所述待监测装置的类型确定目标故障监测模型；将所述至少两种状态数据输入所述目标故障监测模型中。3.根据权利要求2所述的方法，其特征在于，其中，所述样本状态数据中包括数据获取时间信息；相应的，基于深度学习网络对所述至少两种样本状态数据和对应的状态结果进行训练，得到每一类待监测装置的关联故障监测模型，包括：基于深度学习网络学习所述至少两种样本状态数据之间的特征关联关系，以及所述特征关联关系和对应的状态结果之间的直接关联关系；基于所述深度学习网络学习不同数据获取时间信息下的至少两种样本状态数据之间的特征变化关系，以及所述特征变化关系和对应的状态结果变化信息之间的趋势变化关系；根据所述直接关联关系和所述趋势变化关系确定每一类待监测装置的关联故障监测模型。4.根据权利要求3所述的方法，其特征在于，其中，所述监测结果包括当前状态监测结果和未来状态预测结果；所述状态数据中包括当前状态数据和历史状态数据；相应的，将所述至少两种状态数据输入所述目标故障监测模型中，包括：基于所述目标故障监测模型中的所述直接关联关系和所述特征关联关系，根据所述当前状态数据确定当前状态监测结果；基于所述目标故障监测模型中的所述趋...

【专利技术属性】
技术研发人员：郇成飞，张硕，钱永强，
申请(专利权)人：上海木蚁机器人科技有限公司，
类型：发明
国别省市：