基于迁移学习的工业机器人跨工艺故障诊断方法与系统技术方案

本发明专利技术提出一种基于迁移学习的工业机器人跨工艺故障诊断方法，涉及工业机器人故障诊断领域，解决了当前故障诊断技术的极大局限性问题和诊断的少样本的问题及准确率不够高的问题，本发明专利技术基于特征的迁移学习方法，首先使用迁移学习的方法学习源域工艺的模型参数、特征表示、任务结构等知识来帮助目标域工艺的学习任务，其中运用领域自适应的方法对不同工艺下提取到的特征进行变换和对齐，通过训练使得源域工艺和目标域工艺分布相近，随着模型的训练使得源域工艺的分类能力不断提高以及两个领域的距离不断接近，从而使模型也能诊断出机器人目标工艺下的故障。器人目标工艺下的故障。器人目标工艺下的故障。

【技术实现步骤摘要】
基于迁移学习的工业机器人跨工艺故障诊断方法与系统


[0001]本专利技术属于工业机器人
，更具体地，涉及一种迁移学习的工业机器人跨工艺故障诊断方法与系统。

技术介绍

[0002]在实际的生产生活中，工业机器人一般会被应用于不同的工艺，如焊接、搬运、搅拌等，随着所处工艺环境的不断复杂，机器人的性能会受到不同程度的影响，产生的故障特征也会逐渐发生改变，所以实现跨领域的工艺故障诊断尤为重要。目前工业界对机器人跨工艺的诊断方法有基于物理模型的跨工艺故障诊断方法，该方法利用工业机器人的物理特性、运动学和控制理论等相关的知识，建立机器人的物理模型，通过对机器人状态的测量和对物理模型进行计算，分析机器人系统的工作状态，从而实现对机器人的故障诊断。该方法对于复杂的机器人结构和控制系统或未知的结构参数的情况下，物理模型建立起来比较困难，从而影响机器人的故障诊断的精度。另一种方法是基于深度学习的跨工艺故障诊断方法，此方法可以将已有的标注数据或模型在不同工况下进行迁移或微调，以实现跨工况故障诊断。但是此方法通常需要目标域有大量的标注信息，但是在实际的工业生产应用中不同工艺很难采集到大量有标注的数据，在少量样本的情况下，模型很难有较好的故障诊断效果。
[0003]为解决以上问题，现有技术公开了一种工业机器人故障诊断方法，该申请充分利用了控制系统中已有的数据，不需要另外增加其他物理设备，充分利用了设备的设计理论，具有简单实用性；能简单有效地确认具体的故障原因，但是对于复杂的机器人结构和控制系统，或者对于未知的结构参数的情况下，物理模型建立起来比较困难，从而会影响机器人故障诊断的精度，所以使用基于物理模型的跨工艺故障诊断方法对机器人进行故障诊断有较大的局限性。

技术实现思路

[0004]为了克服现有技术对跨工艺故障诊断准确度低的缺陷通过模型诊断的局限性，解决跨工艺领域的故障诊断问题，本专利技术提出了一种迁移学习的工业机器人跨工艺故障诊断方法和系统，能够有效提取跨领域的故障特征，显著提高跨领域故障诊断的准确性。
[0005]为实现上述目的，本专利技术提供如下技术方案：
[0006]本专利技术提供了一种基于迁移学习工业机器人跨工艺故障诊断方法，包括以下步骤：
[0007]S1、获取源域有标签数据和目标域无标签数据；
[0008]S2、构建跨工艺故障诊断模型，包括依次连接的特征提取层、特征迁移层和损失函数层；
[0009]S3、将源域有标签数据和目标域无标签数据输入跨工艺故障诊断模型，特征提取层分别对源域有标签数据和目标域无标签数据进行特征提取，获得源域工艺故障特征和目
标域工艺故障特征；
[0010]S4、将源域工艺故障特征和目标域工艺故障特征输入特征迁移层进行特征迁移，计算源域工艺故障特征和目标域工艺故障特征的距离；
[0011]S5、损失函数层根据源域工艺故障特征和目标域工艺故障特征的距离设置距离损失函数，根据对源域有标签数据的特征提取设置三元组损失函数，构建总损失函数；
[0012]S6、对总损失函数进行优化，当损失函数取得最小值时，将对应的网络参数反馈至特征提取层并保存，获得训练好的跨工艺故障诊断模型；
[0013]S7、获得待诊断的目标域工艺故障数据，输入训练好的跨工艺故障诊断模型，获得待诊断的目标域工艺故障数据的诊断结果。
[0014]优选地，特征提取层包括并列设置的三元组多尺度注意力卷积网络单元和多尺度注意力卷积网络单元；三元组多尺度注意力卷积网络单元用于对源域有标签数据进行特征提取，多尺度注意力卷积网络单元用于对目标域无标签数据进行特征提取。
[0015]优选地，所述步骤S3中使用三元组多尺度注意力卷积网络结构(Triplet MS
‑
SECNN)对源域有标签数据进行特征提取，使用多尺度注意力卷积网络结构(MS
‑
SECNN)对目标域无标签数据进行特征提取，获得目标域工艺故障特征，采用获取的源域有标签数据对三元组多尺度注意力卷积网络(Triplet MS
‑
SECNN)进行预训练，将预训练得到源域有标签数据在三元组多尺度注意力卷积网络结构中进行特征提取，再将三元组多尺度注意力卷积网络在无标签的目标域工艺故障数据下调整并在特征提取层实现权值共享。
[0016]优选地，优选地，三元组多尺度注意力卷积网络单元包括并列设置的三个多尺度注意力卷积网络子单元；多尺度注意力卷积网络包括依次连接的第一卷积层、第二卷积层、拼接层和SENet注意力层，第一卷积层的输出端还与拼接层的输入端连接。
[0017]优选地，所述步骤S4所述特征迁移采用领域自适应将三元组多尺度注意力卷积网络模型从源域工艺适应到目标域工艺，具体地，经过特征提取层输出的深度特征在领域自适应层映射到一个共同的高维特征空间，并通过MK
‑
MMD的方法计算源域工艺故障特征和目标域工艺故障特征的距离，使用MK
‑
MMD Loss来判断领域自适应的效果。
[0018]优选地，所述领域自适应是指将模型从源域工艺领域适应到目标域工艺领域的过程，其中源域工艺和目标工艺可能具有不同的分布或特性，源域工艺为一台机器人在一个工艺下的工作状态，目标域工艺为同一台机器人在不同工艺下的工作状态或不同机器人在相同工艺下的工作状态。
[0019]优选地，所述步骤S4用MK
‑
MMD通过选取多个核函数计算MMD距离，不同的核函数会产生不同的分布，而将这些分布线性组合可以更好地捕捉源域工艺和目标域工艺之间的差异，可以很好的缩小两个工艺之间的分布差异，从而提高领域自适应的性能和故障诊断的准确率。具体计算公式是：
[0020][0021]Xs表示源域工艺故障特征，Xt表示目标域工艺故障特征，，G表示内核数量大小；Kθi表示带宽为θi的高斯核。
[0022]优选地，所述步骤S5将特征提取三元组损失函数和距离损失函数共同作为模型的损失，一方面可以使得模型故障诊断的效果越来越好，另一方面将会缩小源领域和目标域
的差异，以此来优化模型的参数，使模型对故障诊断更准确。
[0023]本专利技术还提供了一种基于迁移学习的工业机器人跨工艺故障诊断系统，用于实现上述的诊断方法，包括：
[0024]数据获取模块，用于获取源域有标签数据和目标域无标签数据；
[0025]模型构建模块，用于构建跨工艺故障诊断模型，包括依次连接的特征提取层、特征迁移层和损失函数层；
[0026]特征提取模块，用于将源域有标签数据和目标域无标签数据输入跨工艺故障诊断模型，特征提取层分别对源域有标签数据和目标域无标签数据进行特征提取，获得源域工艺故障特征和目标域工艺故障特征；
[0027]特征迁移模块，用于将源域工艺故障特征和目标域工艺故障特征输入特征迁移层进行特征迁移，计算源域工艺故障特征和目标域工艺故障特征的距离；
[0028]损失函数设置模块，用于损失函数层根据源域工艺故障特征和目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习的工业机器人跨工艺故障诊断方法，其特征在于，包括以下步骤：S1、获取源域有标签数据和目标域无标签数据；S2、构建跨工艺故障诊断模型，包括依次连接的特征提取层、特征迁移层和损失函数层；S3、将源域有标签数据和目标域无标签数据输入跨工艺故障诊断模型，特征提取层分别对源域有标签数据和目标域无标签数据进行特征提取，获得源域工艺故障特征和目标域工艺故障特征；S4、将源域工艺故障特征和目标域工艺故障特征输入特征迁移层进行特征迁移，计算源域工艺故障特征和目标域工艺故障特征的距离；S5、损失函数层根据源域工艺故障特征和目标域工艺故障特征的距离设置距离损失函数，根据对源域有标签数据的特征提取设置三元组损失函数，构建总损失函数；S6、对总损失函数进行优化，当损失函数取得最小值时，将对应的网络参数反馈至特征提取层并保存，获得训练好的跨工艺故障诊断模型；S7、获得待诊断的目标域工艺故障数据，输入训练好的跨工艺故障诊断模型，获得待诊断的目标域工艺故障数据的诊断结果。2.根据权利要求1所述的一种基于迁移学习的工业机器人跨工艺故障诊断方法，其特征在于，特征提取层包括并列设置的三元组多尺度注意力卷积网络单元和多尺度注意力卷积网络单元；三元组多尺度注意力卷积网络单元用于对源域有标签数据进行特征提取，多尺度注意力卷积网络单元用于对目标域无标签数据进行特征提取。3.根据权利要求2所述的一种基于迁移学习的工业机器人跨工艺故障诊断方法，其特征在于，三元组多尺度注意力卷积网络单元包括并列设置的三个多尺度注意力卷积网络子单元。4.根据权利要求3所述的一种基于迁移学习的工业机器人跨工艺故障诊断方法，其特征在于，多尺度注意力卷积网络包括依次连接的第一卷积层、第二卷积层、拼接层和SENet注意力层，第一卷积层的输出端还与拼接层的输入端连接。5.根据权利要求1或4所述的一种基于迁移学习的工业机器人跨工艺故障诊断方法，其特征在于，将源域工艺故障特征和目标域工艺故障特征输入特征迁移层进行特征迁移，计算源域工艺故障特征和目标域工艺故障特征的距离的具体公式为：Xs表示源域工艺故障特征，Xt表示目标域工艺故障特征，G表示内核数量大小；Kθi表示带宽为θi的高斯核。6.一种基于迁移学习的工业机器人跨工艺故障诊断系统，用于实现权利要求1
‑
5任一项所述的诊断方法，其特征在...

【专利技术属性】
技术研发人员：肖红，王俊驰，姜文超，黎萍，黄子豪，
申请(专利权)人：广州凡沙智能科技有限公司，
类型：发明
国别省市：