无故障样本下的工业机器人故障检测与定位方法、系统技术方案

本发明专利技术公开了一种无故障样本下工业机器人故障检测与定位方法，利用连续小波变化提取出工业机器人非平稳信号的时间和频率等多个尺度时频域特征；采用残差收缩网络来消除隐藏在小波时频特征中的噪声特征，并提取有代表性的特征；构建特征样本对来揭示健康状态的独一属性和共有属性；建立多头注意机制关系网络计算特征样本对间的相似关系，以确定其状态类型；构建辅助样本库来辅助本发明专利技术的方法提取出更加具有代表性和可靠的机器人的健康特征。本发明专利技术实现了在无故障样本下对工业机器人故障精准检测与定位，克服了数据驱动的故障检测与定位方法对故障样本的严重依赖，对保障工业机器人高性能长寿命安全可靠稳定运行具有重大工程应用价值。工程应用价值。工程应用价值。

【技术实现步骤摘要】
无故障样本下的工业机器人故障检测与定位方法、系统


[0001]本专利技术属于故障检测
，更具体地，涉及一种无故障样本下的工业机器人故障检测与定位方法、系统。

技术介绍

[0002]工业机器人凭借其高生产效率、高产品质量、低材料成本等优点，在工业生产中取得了广泛应用，已成为智能制造的核心装备之一。与此同时，工业机器人工作于重负载、恶劣环境、长期连续运行等环境中出现性能衰退乃至故障在所难免。装备一旦发生故障无疑给企业生产稳定性和效益带来不利影响。然而，我国应用企业目前缺乏工业机器人运行维护能力。因此从产品设计之初，建立一套完整的工业机器人故障检测系统对于提高机器人可靠性、保障企业生成节奏、降低运维成本具有重要意义。
[0003]工业机器人的故障检测技术是通过对振动、噪声、控制信号等监测变量的分析处理，获得机器人的健康状态。鉴于实际工业场景对检测实时性和自动化的要求，国内外专家围绕着智能故障检测理论方法开展了广泛研究。其中，基于数据驱动的机器人故障检测方法备受青睐。然而，数据驱动方法通常立足“数据为王”，需要大量故障样本才能发挥最佳性能本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无故障样本下的工业机器人故障检测与定位方法，其特征在于，包括：S1.收集工业机器人的多个关键部件历史健康样本，从其他设备中收集多种故障类型样本作为辅助样本库，作为训练数据集；其中，一部分历史健康样本作为验证数据集；对训练数据集和验证数据集提取时频域特征；S2.构建收缩注意力关系网络；所述收缩注意力关系网络包括残差收缩模块、拼接模块和多头注意力机制关系模块；残差收缩模块，消除机器人的健康样本库和辅助样本库中隐藏的噪声特征，并提出具有代表性的特征；拼接模块，将机器人的健康状态特征和辅助样本库的故障特征进行拼接，形成代表健康特征独一属性的特征对；将机器人的每个关键部件不同时间段的健康特征相互拼接，形成代表健康特征共有属性的特征对；多头注意力机制网络，挖掘特征样本对的相似关系，计算其相似分数；将工业机器人每个关键位置的预测相似关系分数构建为相似关系分数矩阵；S3.将真实的相似关系分数矩阵与预测的相似关系分数矩阵之间误差作为优化目标，利用步骤S1的训练数据集对收缩注意力关系网络进行训练；将验证数据集输入训练好的收缩注意力关系模型，以模型准确率最大为目标确定故障边界值；S4.将每一个部件的待检测样本和历史健康样本提取时频域特征后，输入收缩注意力关系模型，得到相应地相似分数，将其与故障边界值进行比较，若大于或等于故障边界值则认为待检测样本为健康状态，反正之为故障状态。2.根据权利要求1所述的一种无故障样本下的工业机器人故障检测与定位方法，其特征在于，辅助样本库来源于与工业机器人相似的故障数据集，辅助样本库中的故障类别数大于7。3.根据权利要求2所述的一种无故障样本下的工业机器人故障检测与定位方法，其特征在于，多头注意力机制关系模块包括编码模块、多层感知模块、多头注意力机制模块；编码模块对特征样本对分解为多个张量向量并对其进行编码；多头注意力机制模块中的每个注意力机制单位挖掘每个张量间的关系特征挖掘，并对每个注意力机制单位挖掘的特征进行拼接作为输出；多层感知模块计算出多头注意力机制输出特征的相似分数。4.根据权利要求2所述的一种无故障样本下的工业机器人故障检测与定位方法，其特征在于...

【专利技术属性】
技术研发人员：吴军，陈作懿，李子睿，邓超，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：