一种可持续学习的工业机器人故障诊断系统及方法技术方案

技术编号:36212768 阅读:67 留言:0更新日期:2023-01-04 12:09
本发明专利技术提供了一种可持续学习的工业机器人故障诊断系统与方法。所述系统不仅可以准确识别工业机器人运行中时序数据的已知模式,还可对时序数据的未知模式进行检测和持续学习,解决了故障诊断系统无法应对未知故障的难题,更加贴近实际应用需求。本方法改进了现有工业机器人故障诊断系统,在对时序数据进行预处理,模式分类的基础上,通过模式分类结果的置信度判断时序数据是否属于未知模式,若属于未知模式则采用持续学习算法更新原有的故障诊断模型,将未知模式纳入到已知模式范围中,从而达到持续学习未知模式的目的。时序数据出现未知模式通常代表着工业机器人产生新的、未知的故障,因此改进后的工业机器人故障诊断系统有效应对未知故障。有效应对未知故障。有效应对未知故障。

【技术实现步骤摘要】
一种可持续学习的工业机器人故障诊断系统及方法


[0001]本专利技术涉及工业机器人领域,特别涉及一种可持续学习的工业机器人故障诊断方法及系统。

技术介绍

[0002]工业机器人故障诊断系统,是一种通过采集和分析工业机器人运行状态时序数据,进而判断是否出现故障以及故障类别的系统;若故障严重时,系统会及时报警并让机器人停机,从而保障机器人的安全性和稳定性。工业机器人故障诊断系统的作用是识别机器人运行状态数据的模式,本质是一个模式识别问题,也叫模式分类问题。工业机器人运行状态时序数据的已知模式包含正常运行模式和多种故障模式。
[0003]在实际应用过程中,由于工业机器人组成复杂、应用场景多样,工业机器人的故障不能被人预先全部掌握,也就是说,工业机器人运行状态时序数据的模式并非都是已知模式,会出现新的故障导致出现新的未知模式;工业机器人的时序数据除了已知模式的,还存在未掌握的故障产生的异常数据,这些异常数据的模式是未知的。
[0004]对于工业机器人故障诊断系统,现有传统方法是对时序信号数据进行预处理后得到特征向量,例如统计特征、时域特征和频域特征等;然后利用各种分类模型(如支持向量机,K近邻等)对数据模式进行分类识别,以达到诊断效果。近年来,随着深度学习的发展,深度卷积神经网络(Convolutional Neural Network,CNN)、循环神经网络(Recurrent Neural Network,RNN)等深度神经网络模型大量用于工业机器人或其部件的故障诊断,相比传统机器学习方法分类精度更高,且泛化能力更强。
[0005]然而,不管是传统的机器学习方法,还是深度学习方法都无法识别数据的未知模式,仅能识别已知模式。举例来说,现有深度学习模型在进行分类时,通常最后通过一个softmax函数输出各个已知类的概率值,其中概率最大值所对应类别即为当前时序数据的模式类别,进一步说,即使工业机器人出现预先未知模式的新型故障,依然会被识别为某一类已知模式。
[0006]进一步地,假设工业机器人故障诊断系统已经检测到未知模式的时序数据,为了让故障诊断模型能够识别未知模式的时序数据,自然的方法是将原任务的数据集和未知模式的数据集整合到一起,对故障诊断模型进行重新训练。然而,在实际应用场景下,该方法是不可行的。因为不断保存原任务的数据,会造成存储空间的极大浪费;也就是说实际应用场合下的故障诊断系统,通常不会保存原任务的数据集。
[0007]另一种较为可行的方法是,采用未知模式的数据训练原来的故障诊断模型,但这会导致分类模型对于原任务的灾难性遗忘。
[0008]向珍琳等在中国专利技术公开专利CN114800486A中公开的“一种基于统计特征的工业机器人故障诊断方法、系统、计算机设备及存储介质”,虽然能够对故障诊断进行诊断,但是仍然其仅能诊断已知模式,无法识别诊断出未知模式。
[0009]总之,上述无法检测及学习未知模式的工业机器人故障诊断系统及方法,轻则无
法正确判断故障类型,重则会造成工业机器人在故障情况下持续运行,最终酿成安全事故。同时,对于数据未知模式的检测和学习依然是一大难题。所以,在工业机器人状态监测,故障诊断等应用中,发展对未知模式的检测和持续学习方法是非常重要的。

技术实现思路

[0010]基于现有技术存在的问题,本专利技术的目的在于提供一种可持续学习的工业机器人故障诊断系统及方法。该系统不但能准确识别时序数据是否属于某种已知模式,还能判断时序数据是否为未知模式,若判断为未知模式则进行持续学习,将未知模式纳入到已知模式范围,实现对未知模式的持续学习。由于未知模式往往对应着未知故障,因此本专利技术可解决工业机器人故障诊断系统难以应对未知故障的难题。
[0011]为了实现本专利技术目的,本专利技术提供的一种可持续学习的工业机器人故障诊断方法,包括以下步骤:
[0012]采集工业机器人在实际工作运行时的物理信号时序数据;
[0013]对采集到的工业机器人信号时序数据进行相应的预处理;
[0014]采用深度卷积神经网络构建分类模型,将预处理后的工业机器人信号时序数据输入分类模型,判断出当前时序数据属于哪种模式,输出模式分类结果;
[0015]将模式分类结果换算成置信度,将置信度与设置的比对阈值进行比对,判断当前时序数据的模式是否为未知模式;
[0016]当识别到当前输入时序数据的模式为未知模式后,在未知模式数据的基础上,采用弹性权重巩固机制训练原有的分类模型,训练后的分类模型不遗忘原有能力,又可以识别时序数据的未知模式,即将未知模式转换为已知模式,从而实现对工业机器人运行状态未知模式的持续学习,其中,弹性权重巩固机制是在一般深度神经网络的损失函数的基础上增加了弹性权重巩固机制正则项,加入了弹性权重巩固机制正则项的损失函数为
[0017][0018]式中,L

(θ)表示包含弹性权重巩固机制正则项的损失函,L(θ)为分类模型的常规损失函数,表示旧分类模型参数,θ
j
表示当前正在训练的分类模型参数,J为分类模型的参数数量;λ是权重调节因子,为在旧任务上的重要程度权重。
[0019]进一步地,还包括数据增强步骤,当未知模式检测模块识别到当前输入时序数据的模式为未知模式后,对未知模式数据样本进行数据增强,然后在增强后的未知模式数据的基础上,采用弹性权重巩固机制训练原有的分类模型。
[0020]进一步地,所述预处理包括对时序数据进行过滤和归一化处理。
[0021]进一步地,分类模型包括卷积层、池化层和全连接层,构造分类模型时,根据输入数据的大小和复杂度,确定卷积层、池化层和全连接层的网络的层数和单元数的超参数,每个神经元的激活函数采用ReLU函数,池化层采用最大池化方法。
[0022]进一步地,通过分类模型进行N个已知模式的分类,分类模型的输入为多通道的时序数据组成的图像x,分类模型的输出为模式分类结果模式,分类结果是N个概率值组成的向量,对应当前数据模式属于n类已知模式的概率,即:
[0023]y=(p1,p2,...,p
i
,...,p
N
)
T
[0024]其中,y表示分类结果,p
i
为模式分类结果属于已知数据模式类别i的概率,T表示转置。
[0025]进一步地,通过随机变量的熵值公式将分类结果y转换为置信度,并通过置信度与设置的比对阈值K比对,从而判断输入的时序数据模式是否属于某种已知模式,即:
[0026][0027]c(y)=

H(y)
[0028]其中,y为模式分类结果,H(y)为分类结果的熵值,c(y)为分类结果y的置信度,即分类结果y的置信度是其熵值H(y)的相反数;
[0029]若置信度c(y)大于设定的对比阈值K时,输入的时序数据模式属于某种已知模式;若置信度c(y)小于设定的对比阈值K时,分类结果不可信,输入的时序数据的模式未知。
[本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种可持续学习的工业机器人故障诊断方法,其特征在于,包括以下步骤:采集工业机器人在实际工作运行时的物理信号时序数据;对采集到的工业机器人信号时序数据进行相应的预处理;采用深度卷积神经网络构建分类模型,将预处理后的工业机器人信号时序数据输入分类模型,判断出当前时序数据属于哪种模式,输出模式分类结果;将模式分类结果换算成置信度,将置信度与设置的比对阈值进行比对,判断当前时序数据的模式是否为未知模式;当识别到当前输入时序数据的模式为未知模式后,在未知模式数据的基础上,采用弹性权重巩固机制训练原有的分类模型,训练后的分类模型不遗忘原有能力,又可以识别时序数据的未知模式,即将未知模式转换为已知模式,从而实现对工业机器人运行状态未知模式的持续学习,其中,弹性权重巩固机制是在一般深度神经网络的损失函数的基础上增加了弹性权重巩固机制正则项,加入了弹性权重巩固机制正则项的损失函数为式中,L

(θ)表示包含弹性权重巩固机制正则项的损失函,L(θ)为分类模型的常规损失函数,表示旧分类模型参数,θ
j
表示当前正在训练的分类模型参数,J为分类模型的参数数量;λ是权重调节因子,为在旧任务上的重要程度权重。2.根据权利要求1所述的一种可持续学习的工业机器人故障诊断方法,其特征在于,还包括数据增强步骤,当未知模式检测模块识别到当前输入时序数据的模式为未知模式后,对未知模式数据样本进行数据增强,然后在增强后的未知模式数据的基础上,采用弹性权重巩固机制训练原有的分类模型。3.根据权利要求1所述的一种可持续学习的工业机器人故障诊断方法,其特征在于,所述预处理包括对时序数据进行过滤和归一化处理。4.根据权利要求1所述的一种可持续学习的工业机器人故障诊断方法,其特征在于,分类模型包括卷积层、池化层和全连接层,构造分类模型时,根据输入数据的大小和复杂度,确定卷积层、池化层和全连接层的网络的层数和单元数的超参数,每个神经元的激活函数采用ReLU函数,池化层采用最大池化方法。5.根据权利要求1所述的一种可持续学习的工业机器人故障诊断方法,其特征在于,通过分类模型进行N个已知模式的分类,分类模型的输入为多通道的时序数据组成的图像x,分类模型的输出为模式分类结果模式,分类结果是N个概率值组成的向量,对应当前数据模式属于n类已知模式的概率,即:y=(p1,p2,...,p
i
,...,p
N
)
T
其中,y表示分类结果,p
i
为模式分类结果属于已知数据模式类别i的概率,T表示转置。6.根据权利要求1所述的一种可持续学习的工业机器人故障诊断方法,其特征在于,通过...

【专利技术属性】
技术研发人员:谢龙汉苏楚鹏邓钦袁瑜容王闯李远卓邓雨阳林泽
申请(专利权)人:华南理工大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1