机器人的剩余寿命预测方法及寿命预测模型的训练方法技术

本申请提供一种机器人的剩余寿命预测方法及寿命预测模型的训练方法，在进行机器人的剩余寿命预测时，将机器人的多种输入数据(包括机器人的状态信息、关节运动信息和寿命信息)输入寿命预测模型中，该寿命预测模型采用GRU(Gated Recurrent Unit/门循环单元)，GRU在自循环运算时，能够自主改变权重和积分尺度，避免梯度消失或者梯度膨胀现象，再由于GRU相对较少的门函数，减少了运算量。并且，寿命预测模型的至少两个GRU层组成堆叠式GRU，能够高维、更抽象的表达多种输入数据的状态特征，降低了模型训练的迭代次数，增加了预测准确率。增加了预测准确率。增加了预测准确率。

【技术实现步骤摘要】
机器人的剩余寿命预测方法及寿命预测模型的训练方法


[0001]本申请涉及剩余寿命预测
，具体而言，涉及一种机器人的剩余寿命预测方法及寿命预测模型的训练方法。

技术介绍

[0002]机器人是一种解放人类双手的工具。它是自动化产线运行的核心。如果机器人出现故障，将会造成安全隐患，导致经济损失。因此建立行之有效的机器人健康程度监测和RUL(Remaining Useful Life/剩余使用寿命)预测，具有相当重要的现实意义。
[0003]当前，寿命预测方法主要分为机理模型、概率统计、神经网络与深度学习三类。机理模型法是根据物理现象，分析设备失效原理，建立精确的数学模型。比如累积损伤理论、断裂力学理论、裂纹扩展理论等。这类方法物理意义明确。可是一旦自动化产线结构复杂，耦合因素较多时，则难以建立准确的物理模型；概率统计是根据先验知识，采用统计手段，来预测设备发生故障的概率。如贝叶斯决策、最大熵模型、支持向量机等。概率统计法多用于处理小样本数据，不适合大量数据，会存在耗时较多、模型不收敛的问题。神经网络与深度学习方法是通过实时采集设备的运行时间、振动频率、内部温度等信息，并建立网络模型，最终建立参数和剩余使用年限映射关系。如BP网络、随机森林、强化学习等。现有技术中采用循环神经网络RNN(Recurrent Neural Network)，通过对含有时间信息的数据进行迭代学习，实现预测。但是，若RNN网络存在小权重参数时，这些参数可能在数次迭代相乘后，梯度值减小到零，导致梯度消失。鉴于此，现有技术中还出现了利用LSTM算法进行预测，LSTM算法适用于输入参数较少的情形，它将参数相乘改为参数相加，避免了此类现象。但是，在机器人的剩余寿命预测，输入数据多达几十种，而且数据间还存在非线性、强耦合、多模态的特性，若再采用传统LSTM模型，由于算法参数多将导致运算量大，从而造成预测精度下降、训练时间增多。

技术实现思路

[0004]本申请实施例的目的在于提供一种机器人的剩余寿命预测方法及寿命预测模型的训练方法，用以解决现有技术中对于机器人的RUL预测，存在算法参数多导致运算量大，从而造成预测精度下降、训练时间增多的问题。
[0005]本申请实施例提供的一种机器人的剩余寿命预测方法，包括：
[0006]获取机器人的状态信息、关节运动信息和寿命信息；以及
[0007]将状态信息、关节运动信息和寿命信息输入训练后的寿命预测模型，得到机器人的剩余寿命；其中，寿命预测模型包括至少两个GRU层。
[0008]上述技术方案中，在进行机器人的剩余寿命预测时，将机器人的多种输入数据(包括机器人的状态信息、关节运动信息和寿命信息)输入寿命预测模型中，该寿命预测模型采用GRU(Gated Recurrent Unit/门循环单元)，GRU在自循环运算时，能够自主改变权重和积分尺度，避免梯度消失或者梯度膨胀现象，再由于GRU相对较少的门函数，减少了运算量。并
且，寿命预测模型的至少两个GRU层组成堆叠式GRU，能够高维、更抽象的表达多种输入数据的状态特征，降低了模型训练的迭代次数，增加了预测准确率。
[0009]在一些可选的实施方式中，状态信息包括机器人的ID、电控柜功率和电控柜温度中至少一项。
[0010]上述技术方案中，机器人的状态信息包括机器人的ID以及机器人的运行状态，运行状态包括电控柜功率和电控柜温度等，这些运行状态的数据属于预测机器人剩余寿命的重要影响因素。
[0011]在一些可选的实施方式中于，关节运动信息包括机器人关节的输入输出转矩误差、输入输出距离误差、输入输出角度误差和输入输出速度误差中至少一项。
[0012]上述技术方案中，机器人的关节运动信息为检测到的机器人关节运动过程中输入参数与输出参数之间的误差，例如机器人关节的输入输出转矩误差、输入输出距离误差、输入输出角度误差和输入输出速度误差等，这些误差属于预测机器人剩余寿命的重要影响因素。
[0013]在一些可选的实施方式中，寿命信息包括累计上电时间、各关节做功累和、总做功累和以及累计上使能时间中的至少一项。
[0014]上述技术方案中，机器人的寿命信息为机器人当前的已运行参数，例如累计上电时间、各关节做功累和、总做功累和以及累计上使能时间等，这些累计的运行参数属于预测机器人剩余寿命的重要影响因素。
[0015]在一些可选的实施方式中，寿命预测模型还包括：对应于每个GRU层设置的Dropout层；其中，Dropout层用于随机删除部分数据以防止过拟合。
[0016]上述技术方案中，每一GRU层输出到Dropout层，Dropout层会删除部分数据以防止过拟合，之后，Dropout层输出的数据将传输给下一GRU层。因此，本实施例采用的寿命预测模型，能够减少出现过拟合现象。
[0017]在一些可选的实施方式中，寿命预测模型还包括：与最后一个Dropout层连接的全连接层；其中，全连接层用于进行特征提取与非线性变化处理。
[0018]本申请实施例提供的一种寿命预测模型的训练方法，包括：
[0019]获取采集的训练数据，训练数据包括机器人的状态信息、关节运动信息、寿命信息和剩余寿命；以及
[0020]将训练数据输入寿命预测模型进行迭代训练，得到训练后的寿命预测模型；其中，寿命预测模型包括至少两个GRU层。
[0021]上述技术方案中，在进行寿命预测模型的训练时，将机器人的状态信息、关节运动信息、寿命信息和剩余寿命作为训练数据输入寿命预测模型进行迭代训练，该寿命预测模型采用GRU(Gated Recurrent Unit/门循环单元)，GRU在自循环运算时，能够自主改变权重和积分尺度，避免梯度消失或者梯度膨胀现象，再由于GRU相对较少的门函数，减少了运算量。并且，寿命预测模型的至少两个GRU层组成堆叠式GRU，能够高维、更抽象的表达多种输入数据的状态特征，降低了模型训练的迭代次数，增加了预测准确率。
[0022]在一些可选的实施方式中，在训练时，GRU层用于：
[0023]拼接当前输入数据x
t
和上一时刻输出数据h
t
‑1，形成拼接数据；
[0024]拼接数据分别与GRU的四个权重建立连接，并在自循环中更新权重；
[0025]通过sigmoid函数来开关更新门，以保留上一时刻输出数据h
t
‑1中部分特征，sigmoid函数还开关重置门，以控制忽略上一时刻的特征的程度；以及
[0026]用tanh函数生成新的隐藏状态根据所述更新门、上一时刻输出数据和隐藏状态得到当前输出数据h
t
。
[0027]上述技术方案中，GRU包括重置门和更新门，首先拼接当前输入数据x
t
和上一时刻输出数据h
t
‑1，拼接数据分别与GRU的四个权重建立连接，并在自循环中更新权重；通过开关更新门，以保留上一时刻输出数据h
t
...

【技术保护点】

【技术特征摘要】
1.一种机器人的剩余寿命预测方法，其特征在于，包括：获取机器人的状态信息、关节运动信息和寿命信息；以及将所述状态信息、关节运动信息和寿命信息输入训练后的寿命预测模型，得到机器人的剩余寿命；其中，所述寿命预测模型包括至少两个GRU层。2.如权利要求1所述的预测方法，其特征在于，所述状态信息包括机器人的ID、电控柜功率和电控柜温度中至少一项；所述关节运动信息包括机器人关节的输入输出转矩误差、输入输出距离误差、输入输出角度误差和输入输出速度误差中至少一项；所述寿命信息包括累计上电时间、各关节做功累和、总做功累和以及累计上使能时间中的至少一项。3.如权利要求1所述的预测方法，其特征在于，所述寿命预测模型还包括：对应于每个GRU层设置的Dropout层；其中，所述Dropout层用于随机删除部分数据以防止过拟合。4.如权利要求3所述的预测方法，其特征在于，所述寿命预测模型还包括：与最后一个Dropout层连接的全连接层；其中，所述全连接层用于进行特征提取与非线性变化处理。5.一种寿命预测模型的训练方法，其特征在于，包括：获取采集的训练数据，所述训练数据包括机器人的状态信息、关节运动信息、寿命信息和剩余寿命；以及将训练数据输入寿命预测模型进行迭代训练，得到训练后的寿命预测模型；其中，所述寿命预测模型包括至少两个GRU层。6.如权利要求5所述的训练方法，其特征在于，在训练时，所述GRU层用于：拼接当前输入数据x
t
和上一时刻输出...

【专利技术属性】
技术研发人员：李明洋，许雄，汪辉，杨帆，朱春晓，
申请(专利权)人：节卡机器人股份有限公司，
类型：发明
国别省市：