一种基于神经网络的机器人数据分析决策方法及系统

技术领域

[0001] 本申请涉及机器人生产技术领域，特别涉及一种基于神经网络的机器人数据分析决策方法及系统。

背景技术

[0002] 在智能制造产业高速发展的当下，工业机器人已成为汽车制造、电子装配、机械加工等核心领域的关键生产装备，承担着高精度、高效率的作业任务。

[0003] 然而，在实际工业生产场景中，偶发团状烟雾、加工粉尘及移动设备（AGV小车、叉车、协作机器人）的动态干扰，成为制约机器人稳定作业的主要瓶颈。这类干扰对机器人感知与决策系统的破坏具有显著的突发性和复杂性：团状烟雾多源于焊接、喷涂工序，其粒子浓度高、扩散不规则，会严重遮挡双目深度相机的视觉成像，导致障碍物轮廓模糊、距离测量偏差超过0.5m；加工粉尘（如打磨、切割产生的金属或非金属粉尘）会附着在激光雷达的发射窗口，造成激光束散射，数据丢包率骤升至30%以上，甚至形成感知盲区；移动设备的随机运动不仅增加了机器人碰撞风险，其运行产生的机械噪声（80-100dB）还会干扰声纹传感器对设备异常噪声的检测，使信噪比从正常的25dB降至10dB以下，无法区分电机故障声与环境噪声。这些问题直接导致机器人环境感知失真，进而引发风险评估模型输出错误结果，决策执行机构发出不合理指令，如误判障碍物位置导致避障失败、误判设备状态导致过度停机，严重威胁生产连续性与作业安全性。

[0004] 为解决复杂环境下机器人的风险评估与决策问题，CN120680531A构建了底层贝叶斯网络-中层知识图谱-高层强化学习的三层动态风险评估模型，通过多模态传感器采集数据，经边缘计算单元融合后输出避障、降速、停机等指令，在地形气候多变的户外场景中展现出一定优势。但在工业生产的偶发干扰场景下，该专利方法存在显著的技术缺陷，难以满足工业生产对机器人作业可靠性的高要求，具体体现在以下几个方面：（1）单机器人多模态感知抗干扰能力先天不足。专利依赖单机器人的多源传感器进行环境感知，但这类传感器在偶发干扰场景下易出现协同失效。双目深度相机的视觉数据在团状烟雾中清晰度降至0.5以下，无法精准提取障碍物特征；激光雷达在粉尘干扰下，距离测量误差从正常的0.1m扩大至0.8m，且传统的时空对齐技术难以弥补数据丢包导致的信息缺失；声纹传感器受移动设备噪声干扰，异常噪声识别准确率从90%降至55%以下。专利采用的频域滤波仅能过滤低强度、平稳性噪声，无法应对团状烟雾、粉尘导致的非线性、突发性数据失真，也无法解决多传感器同时受干扰的“感知瘫痪”问题。

[0005] （2）缺乏多机器人协同数据利用机制。专利的云端协同架构仅用于全局模型优化，未涉及实时辅助数据的交互与融合。当单机器人遭遇干扰时，同一作业区域内的其他机器人（可能未受烟雾、粉尘影响）能够获取准确的环境数据（如障碍物位置、移动设备轨迹、烟雾扩散范围），但专利无辅助机器人筛选、数据请求、实时传输的专项机制，导致受干扰机器人只能依赖本地失真数据进行决策，无法借助外部有效数据弥补感知缺陷。例如，当某台搬运机器人被焊接烟雾遮挡视线时，相邻的装配机器人可清晰观测到其前方的AGV小车轨迹，但专利方法无法实现这类关键信息的实时共享。

[0006] （3）数据预处理技术适配性与智能化不足。专利的预处理流程仅包括时空对齐与基于多头注意力机制的简单加权融合，未针对工业干扰场景的特性设计专项算法。一方面，适配性不足：专利的质量评估指标（信噪比、数据完整性、环境适应性参数）仅能初步判断数据有效性，无法区分团状烟雾导致的视觉模糊与正常的光线变化，也无法识别粉尘附着导致的激光雷达数据失真与障碍物真实距离变化；另一方面，智能化程度低：传感器权重分配依赖固定的注意力权重矩阵，无法根据干扰强度动态调整——在高浓度烟雾场景下，激光雷达数据已完全失真，但专利仍可能赋予其30%的权重，导致融合数据的有效性大幅下降。此外，专利的预处理未形成端到端的特征提取流程，无法从受干扰的原始数据中直接挖掘深层有效特征，如障碍物的隐性轮廓、机械振动的故障前兆。

发明内容

[0007] 本申请实施例提供了一种基于神经网络的机器人数据分析决策方法及系统，用以解决现有技术中的上述问题。

[0008] 一方面，本申请实施例提供了一种基于神经网络的机器人数据分析决策方法，包括：获取当前时刻下每个本地机器人的状态数据，状态数据包括烟雾浓度等级、粉尘浓度等级、移动设备干扰指数和传感器状态综合指数；
获取同一作业区域内其他本地机器人的状态数据，根据状态数据确定每个其他本地机器人的综合得分，将综合得分最高的其他本地机器人作为当前本地机器人的辅助机器人；
采集当前环境下多模态的本地数据，辅助机器人采集并向当前本地机器人传输辅助数据；
利用神经网络预处理层对本地数据和辅助数据进行分模态降噪处理，然后提取各模态的深层特征，对多个模态的深层特征进行融合，得到环境表征向量，环境表征向量包括量化特征包和时序-关联特征包；
利用贝叶斯网络基于量化特征包确定包含碰撞风险、设备故障风险和移动设备干扰风险在内的底层风险；
利用知识图谱分析时序-关联特征包的风险演变趋势；将底层风险和风险演变趋势输入强化学习模型，输出用于控制机器人动作的最优决策。

[0009] 另一方面，本申请实施例还提供了一种基于神经网络的机器人数据分析决策系统，包括：数据获取模块，用于获取当前时刻下每个本地机器人的状态数据，状态数据包括烟雾浓度等级、粉尘浓度等级、移动设备干扰指数和传感器状态综合指数；
辅助机器人选择模块，用于获取同一作业区域内其他本地机器人的状态数据，根据状态数据确定每个其他本地机器人的综合得分，将综合得分最高的其他本地机器人作为当前本地机器人的辅助机器人；
数据采集模块，用于采集当前环境下多模态的本地数据，辅助机器人采集并向当前本地机器人传输辅助数据；
特征提取和融合模块，用于利用神经网络预处理层对本地数据和辅助数据进行分模态降噪处理，然后提取各模态的深层特征，对多个模态的深层特征进行融合，得到环境表征向量，环境表征向量包括量化特征包和时序-关联特征包；
风险评估模块，用于利用贝叶斯网络基于量化特征包确定包含碰撞风险、设备故障风险和移动设备干扰风险在内的底层风险；
趋势预测模块，用于利用知识图谱分析时序-关联特征包的风险演变趋势；
决策模块，用于将底层风险和风险演变趋势输入强化学习模型，输出用于控制机器人动作的最优决策。

[0010] 本申请中的一种基于神经网络的机器人数据分析决策方法及系统，具有以下优点：构建多机器人协同数据采集+神经网络预处理层+动态风险评估三层模型+决策执行与反馈的四层架构，通过多机器人协同采集数据弥补单机器人感知不足，借助神经网络预处理实现受干扰数据的降噪与深层特征提取，优化动态风险评估模型的干扰场景适配性，形成数据采集-预处理-评估-决策-反馈的全流程闭环，最终提升干扰环境下机器人的环境感知准确率、风险评估精度与决策可靠性，降低因干扰导致的生产中断与经济损失，保障工业生产的连续性与安全性。