一种机器人打磨离线识别异常数据整合优化系统的制作方法

本发明属于机器人打磨，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：

1、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。

2、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。

技术实现思路

1、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。

2、本发明的目的可以通过以下技术方案实现：

3、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；

4、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。

5、进一步地，对异常数据进行分类的方法包括：

6、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；

7、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；

8、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。

9、进一步地，对各异常分类数据进行分析的方法包括：

10、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；

11、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。

12、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：

13、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；

14、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；

15、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。

16、进一步地，对第一分类的异常原因进行分析的方法包括：

17、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；

18、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；

19、比较公式为：pu=b1×xl+b2×dl；

20、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；

21、根据各比较值确定对应的优化方式。

22、进一步地，对第二分类的异常原因进行分析的方法包括：

23、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；

24、根据公式py=exp[yw÷(yb+1)]计算各解决方式对应的优化值；

25、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；

26、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。

27、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。

28、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。

29、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；

30、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；

31、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]；

32、根据公式计算对应的第二变化值；

33、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；

34、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。

35、进一步地，综合值的计算方法包括：

36、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；

37、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；

38、设置各分析目标对应的权重系数，将权重系数标记为βj；

39、根据公式计算对应时间的综合值；

40、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。

41、与现有技术相比，本发明的有益效果是：

42、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。

技术特征：

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；

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，对异常数据进行分类的方法包括：

3.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，对各异常分类数据进行分析的方法包括：

4.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，根据异常原因对打磨机器人进行优化调整的方法包括：

5.根据权利要求4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，对第一分类的异常原因进行分析的方法包括：

6.根据权利要求4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，对第二分类的异常原因进行分析的方法包括：

7.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。

8.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，综合值的计算方法包括：

技术总结
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。

技术研发人员：邵帅,刘强,程全文,贾鸣远,张志豪
受保护的技术使用者：无锡斯帝尔科技有限公司
技术研发日：
技术公布日：2024/6/5