基于LightGBM学习分类的机器人故障检测方法技术

本申请涉及一种基于LightGBM学习分类的机器人故障检测方法、装置及设备，该方法包括获取机器人中采集模块的地址数据及各轴的振动数据；对所有振动数据进行分类得到轴振动数据；对轴振动数据进行清洗处理得到时域运动数据；采用短时傅里叶变换对时域运动数据进行处理得到时频图；通过HOG算法对时频图提取得到hog特征数据；获取故障标注数据并与hog特征数据构建模型数据；根据模型数据采用LightGBM学习分类构建故障检测模型；采用遗传算法对故障检测模型的参数进行优化得到最优故障检测模型；获取待故障检测数据并将其输入最优故障检测模型进行故障检测输出检测结果，不仅保证故障检测的准确性，也确保了故障检测的效率。也确保了故障检测的效率。也确保了故障检测的效率。

【技术实现步骤摘要】
基于LightGBM学习分类的机器人故障检测方法


[0001]本申请涉及机器人
，尤其涉及一种基于LightGBM学习分类的机器人故障检测方法、装置及设备。

技术介绍

[0002]随着科技的发展，采用机器人设备代替人工进行工业生产日益增多。由于生产企业高度自动化的布局，大型生产企业在生产过程中的机器人进行的是协同作业的模式，当其中的单台机器人发生故障时，将会有对其相关联的生产线造成停线的可能性，严重时还会造成巨大的经济损失，然而及时检测故障程度能够及时让维修人员对其进行维修，使机器人重新投入生产工作，降低机器故障所带来的损失，因此为了达到这一目的，对其进行故障检测成为一项重要的工作。
[0003]现有故障诊断方法在处理复杂度高、高度自动化且多故障的机器人时，有较大的局限性，故障诊断方法中机器人设备的物理模型故障机理分析也会受到外界的干扰的制约，导致机器人的故障检测结果存在不确定性。

技术实现思路

[0004]本申请实施例提供了一种基于LightGBM学习分类的机器人故障检测方法、装置及设备，用于解决现有对生产企业中机器人的故障检测方式会受到外界干扰制约，导致故障检测效率低且结果不准确的技术问题。
[0005]为了实现上述目的，本申请实施例提供如下技术方案：
[0006]一种基于LightGBM学习分类的机器人故障检测方法，包括以下步骤：
[0007]获取机器人中采集模块的地址数据以及机器人各轴的振动数据；
[0008]根据机器人各轴对所有所述振动数据进行分类，得到与机器人各轴对应不同所述地址数据的轴振动数据；以及对所述轴振动数据进行清洗处理，得到时域运动数据；
[0009]采用短时傅里叶变换对所述时域运动数据进行处理，得到时频联合分布的时频图；以及通过HOG算法对所述时频图进行提取，得到与所述时域运动数据对应的hog特征数据；
[0010]获取故障标注数据，根据所述故障标注数据和所述hog特征数据构建模型数据；根据所述模型数据采用LightGBM学习分类构建故障检测模型；以及采用遗传算法对所述故障检测模型的参数进行优化处理，得到最优故障检测模型；
[0011]获取机器人的待故障检测数据，将所述待故障检测数据输入所述最优故障检测模型进行故障检测，输出检测结果。
[0012]优选地，该基于LightGBM学习分类的机器人故障检测方法包括：
[0013]根据数值转化规则将所述检测结果转化为故障分数；
[0014]若所述时域运动数据包含有N个数据，则所述最优故障检测模型输出N个检测结果；将N个检测结果对应的故障分数进行计算，得到机器人故障检测的分数。
[0015]优选地，对所述轴振动数据进行清洗处理，得到时域运动数据包括：
[0016]以获取各轴振动数据的采样区间为单位将所述轴振动数据划分为M组第一数据；
[0017]对M组第一数据以K组第一数据作为单位计算，得到数个单位标准差；
[0018]若所述单位标准差大于阈值数据，则对应的K组第一数据作为时域运动数据；
[0019]若所述单位标准差不大于阈值数据，则对应的K组第一数据进行清除；
[0020]其中，K小于M，且M为大于40的自然数，K大于1的自然数。
[0021]优选地，通过HOG算法对所述时频图进行提取，得到与所述时域运动数据对应的hog特征数据包括：
[0022]对所述时频图依次进行图像灰度化、颜色空间标准化处理，得到处理时频图；
[0023]根据所述处理时频图的像素计算，得到与所述处理时频图的像素对应的梯度数据；
[0024]基于固定像素尺度将所述处理时频图划分为L个单元图像，根据所述梯度数据对每个所述单元图像计算，得到与每个所述单元图像对应的梯度直方数据；
[0025]以Q个所述单元图像拼接组成区域图像并得到与所述区域图像对应的hog特征数据；
[0026]其中，Q、L为不为0的自然数，且Q小于L。
[0027]优选地，采用遗传算法对所述故障检测模型的参数进行优化处理，得到最优故障检测模型包括：
[0028]S01.设置所述故障检测模型的初始参数，所述初始参数包括GA种群数量、P个参数组合和迭代数值；
[0029]S02.采用所述故障检测模型对所述模型数据的测试数据进行预测，得到预测数据；根据每个所述GA种群的所述预测数据和测试真实数据进行计算，得到与每个所述参数组合对应的目标函数值；
[0030]S03.对每个所述GA种群的所述参数组合进行二进制编码，并根据对应所述目标函数值计算，得到与每个所述参数组合对应的适应度函数值；
[0031]S04.根据所述适应度函数值采用轮盘赌算法对所有所述参数组合进行筛选，得到第一参数组合；以及对所述第一参数组合依次进行二进制位交换、二进制位变异和解码处理，得到当前最优参数组合；
[0032]S05.根据所述当前最优参数组合代替参数组合并按照步骤S02至步骤S04重复操作执行，直接重复操作的次数满足迭代数值，则此时的当前最优参数组合作为故障检测模型的参数，得到最优故障检测模型；
[0033]其中，P为大于1的自然数。
[0034]优选地，根据所述适应度函数值采用轮盘赌算法对所有所述参数组合进行筛选，得到第一参数组合包括：
[0035]根据每个所述参数组合对应的目标函数值与所有所述参数组合的目标函数值总和计算，得到单个适应度比值；
[0036]将所有所述单个适应度比值按数值从小到大的顺序进行排序，并根据排序划分为P+1个区间；
[0037]获取筛选阈值，从P+1个区间筛选出与所述筛选阈值对应的区间，根据筛选出的区
间匹配对应的参数组合，得到第一参数组合。
[0038]本申请还提供一种基于LightGBM学习分类的机器人故障检测装置，包括数据获取模块、数据处理模块、特征提取模块、模型构建优化模块和故障检测模块；
[0039]所述数据获取模块，用于获取机器人中采集模块的地址数据以及机器人各轴的振动数据；
[0040]所述数据处理模块，用于根据机器人各轴对所有所述振动数据进行分类，得到与机器人各轴对应不同所述地址数据的轴振动数据；以及对所述轴振动数据进行清洗处理，得到时域运动数据；
[0041]所述特征提取模块，用于采用短时傅里叶变换对所述时域运动数据进行处理，得到时频联合分布的时频图；以及通过HOG算法对所述时频图进行提取，得到与所述时域运动数据对应的hog特征数据；
[0042]所述模型构建优化模块，用于获取故障标注数据，根据所述故障标注数据和所述hog特征数据构建模型数据；根据所述模型数据采用LightGBM学习分类构建故障检测模型；以及采用遗传算法对所述故障检测模型的参数进行优化处理，得到最优故障检测模型；
[0043]所述故障检测模块，用于获取机器人的待故障检测数据，将所述待故障检测数据输入所述最优故障检测模型进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LightGBM学习分类的机器人故障检测方法，其特征在于，包括以下步骤：获取机器人中采集模块的地址数据以及机器人各轴的振动数据；根据机器人各轴对所有所述振动数据进行分类，得到与机器人各轴对应不同所述地址数据的轴振动数据；以及对所述轴振动数据进行清洗处理，得到时域运动数据；采用短时傅里叶变换对所述时域运动数据进行处理，得到时频联合分布的时频图；以及通过HOG算法对所述时频图进行提取，得到与所述时域运动数据对应的hog特征数据；获取故障标注数据，根据所述故障标注数据和所述hog特征数据构建模型数据；根据所述模型数据采用LightGBM学习分类构建故障检测模型；以及采用遗传算法对所述故障检测模型的参数进行优化处理，得到最优故障检测模型；获取机器人的待故障检测数据，将所述待故障检测数据输入所述最优故障检测模型进行故障检测，输出检测结果。2.根据权利要求1所述的基于LightGBM学习分类的机器人故障检测方法，其特征在于，包括：根据数值转化规则将所述检测结果转化为故障分数；若所述时域运动数据包含有N个数据，则所述最优故障检测模型输出N个检测结果；将N个检测结果对应的故障分数进行计算，得到机器人故障检测的分数。3.根据权利要求1所述的基于LightGBM学习分类的机器人故障检测方法，其特征在于，对所述轴振动数据进行清洗处理，得到时域运动数据包括：以获取各轴振动数据的采样区间为单位将所述轴振动数据划分为M组第一数据；对M组第一数据以K组第一数据作为单位计算，得到数个单位标准差；若所述单位标准差大于阈值数据，则对应的K组第一数据作为时域运动数据；若所述单位标准差不大于阈值数据，则对应的K组第一数据进行清除；其中，K小于M，且M为大于40的自然数，K大于1的自然数。4.根据权利要求1所述的基于LightGBM学习分类的机器人故障检测方法，其特征在于，通过HOG算法对所述时频图进行提取，得到与所述时域运动数据对应的hog特征数据包括：对所述时频图依次进行图像灰度化、颜色空间标准化处理，得到处理时频图；根据所述处理时频图的像素计算，得到与所述处理时频图的像素对应的梯度数据；基于固定像素尺度将所述处理时频图划分为L个单元图像，根据所述梯度数据对每个所述单元图像计算，得到与每个所述单元图像对应的梯度直方数据；以Q个所述单元图像拼接组成区域图像并得到与所述区域图像对应的hog特征数据；其中，Q、L为不为0的自然数，且Q小于L。5.根据权利要求1所述的基于LightGBM学习分类的机器人故障检测方法，其特征在于，采用遗传算法对所述故障检测模型的参数进行优化处理，得到最优故障检测模型包括：S01.设置所述故障检测模型的初始参数，所述初始参数包括GA种群数量、P个参数组合和迭代数值；S02.采用所述故障检测模型对所述模型数据的测试数据进行预测，得到预测数据；根据每个所述GA种群的所述预测数据和测试真实数据进行计算，得到与每个所述参数组合对应的目标函数值；S03.对每个所述GA种群的所述参数组合进行二进制编码，并根据对应所述目标函数值
计算，得到与每个所述参数组合对应的适应度函数值；S04.根据所述适应度函数值采用轮盘赌算法对所有所述参数组合进行筛选，得到第一参数组合；以及对所述第一参数组合依次进行二进制位交换、二进制位变异和解码处理，得到当前最优参数组合；S05.根据所述当前最优参数...

【专利技术属性】
技术研发人员：辜晓波，邱泽扬，郑成业，邓锐添，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：