一种基于深度学习的核辐射环境下机械臂故障诊断方法技术

本发明专利技术提供一种基于深度学习的核辐射环境下机械臂故障诊断方法，属于机械臂技术领域，该基于深度学习的核辐射环境下机械臂故障诊断方法通过机械臂故障数据获取模块获取机械臂正常时运行数据和各个部件经过辐照损伤后运行数据，构建训练样本数据；采用训练样本数据训练数据生成模型；采用真实训练样本数据与伪数据样本共同训练预设的故障诊断模型，其中真实训练样本数据为故障数据获取模块采集的数据，伪数据样本为数据生成模型生成的样本，故障诊断模型为深度卷积神经网络模型，其输入为运行数据，输出为运行情况；采集待故障诊断的机械臂系统的实时运行数据，并将采集到的实时运行数据输入训练好的故障诊断模型之中，实现故障诊断

【技术实现步骤摘要】
一种基于深度学习的核辐射环境下机械臂故障诊断方法


[0001]本专利技术属于机械臂
，具体涉及一种基于深度学习的核辐射环境下机械臂故障诊断方法
。

技术介绍

[0002]近年来，随着各国工业的迅猛发展以及世界人口的快速增长，传统能源的消耗不断加快，核能
、
风能
、
太阳能等清洁可再生能源越来越受到重视
。
但由于其它能源的局限性，核能成为目前极少数达到工业应用
、
可以大规模替代化石燃料的能源
。
许多国家对于核电的发展投入了巨大的财力和人力，核电正在进入一个快速发展的时期
。
但在核电的广泛应用的同时也带来了核安全问题
。
苏联切尔诺贝利核事故以及日本的福岛核事故尤其日本福岛泄露至今对周围的生物还有较大的影响，进而核电发展的安全性以及核应急救援的设备与方法再次成为学者们的研究热点，亦使得对耐辐照机器人的需求日益增长
。
但是耐辐照机器人的服役环境及其作业任务极端复杂：尤其是核电站事故核心区及周边区域为强辐射
、
强腐蚀
(
硼酸侵蚀
)、
高温
、
高湿环境，强辐射环境中的各种带电粒子和高能射线会引起耐辐照机器人装备内部半导体器件
、
集成电路
、
计算机系统
、
信息采集和传输系统中电子元器件和电路板等电离损伤或失效，对动力供给系统中绝缘
、
传动机构中连接
、
密封和润滑造成危害，从而导致耐辐照机器人系统性能的退化和破坏，故耐辐照机器人必须具备安全防护，才能保证在核环境中长时间作业，完成各项任务
。
[0003]近年来，耐辐照机器人需要执行的任务也逐渐变得复杂，如需要对设备进行焊接
、
打磨或是残渣清理等任务，而可以在末端加各种执行器并具有高灵活度的机械臂，无疑是最好的选择
。
对于耐辐照机械臂而言，其研制成本远比其他普通机械臂的成本要高的多，所以既要保证耐辐照机械臂在进入高辐射环境后能正常工作，又要保证机器人能够尽可能的退回来，在减少损失的同时，还能为下一代耐辐照机器人提供宝贵的研究数据
。
但是根据不同的工作任务，耐辐照机械臂需要搭载不同类型的传感器，末端执行器进行相应工作，因此耐辐照机械臂是一个高度集成的机电一体化产品，但在高辐照环境下，机电系统每一个部分都可能出现不同形式的故障损伤，如果对机械臂的每个部位都采取辐射加固的方法，不论是从成本还是机械臂的结构设计而言都极为困难
。
且由于机械臂组成复杂，传统的故障诊断方法更加难以对其进行准确的故障模式诊断以及故障损伤定位，所以研究适用于此特殊场景的故障诊断方法，找出机械臂在辐照环境中的薄弱位置，对其采取局部加固的措施，并实时在线监测机械臂系统的运行状况
。

技术实现思路

[0004]本专利技术的目的在于提供一种基于深度学习的核辐射环境下机械臂故障诊断方法，旨在解决现有的机械臂在核辐射环境下故障诊断方法欠缺的技术难题
。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种基于深度学习的核辐射环境下机械臂故障诊断方法，该方法包括以下步骤：
S1
：获取机械臂的故障数据集，其中故障数据
集包括机械臂正常运行时各个传感器采集的数据和机械臂经过辐照后出现各个部位故障时的数据；
[0006]S2
：以上述数据作为故障数据样本，对应的机械臂各个部件的运行情况为样本标签，构建训练样本集；其中，所述运行情况包括正常运行和故障类型；
[0007]S3
：采用所述训练样本集训练数据生成模型；其中，所述数据生成模型为多判别器辅助分类生成对抗网络模型，所述数据生成模型以真实数据样本为输入，逼近真实数据样本的数据样本为输出；
[0008]S4
：采用所述真实故障数据样本与数据生成模型生成的伪数据样本混合作为最终的训练样本集训练预设的故障诊断模型；其中，所述故障诊断模型为深度卷积神经网络模型，所述故障诊断模型以机械臂运行数据为输入，运行情况为输出；
[0009]S5
：采集待故障诊断的机械臂的实时运行数据，并将采集到的实时运行数据输入部署好的故障诊断模型中，以实现故障诊断模型；其中，所述部署好的故障模型为训练好的模型用
flask
部署到网页端
。
[0010]所述故障类型包括驱动器辐照损伤故障
、
关节电机辐照损伤故障
、
编码器损伤故障以及其中任意一种或多种的组合
。
[0011]所述数据生成模型包括三个判别器模块，一个生成器模块，一个分类器模块：
[0012]生成器有嵌入标签信息的随机噪声生成带标签的数据，生成数据与真实数据一起输入三个判别器中进行数据真假判断，计算损失函数，采用优化器更新网络参数；生成数据与真实数据一起输入分类器模块进行分类，计算分类器损失，更新网路参数；训练判别器与分类器，进行组合结构训练，保持判别器与分类器的权重参数不变，计算生成器损失，并更新参数；完成一次训练，经过足够多的迭代训练，生成器与判别器模型收敛达到纳什均衡状态，此时生成的数据即为逼近真实数据的伪样本
。
[0013]所述故障诊断模型包括多个卷积模块，一个全局平均池化层，和一个全连接层：
[0014]输入所述故障数据，先经过所述多个卷积模块，提取特征，输出送入全局平均池化层进行池化处理，全局平均池化层的输出送入全连接层，实现运行情况分类
。
[0015]进一步地，卷积模块包含多个卷积核
、
一个批量标准化层以及一个激活层
。
[0016]进一步地，所述卷积核大小为3×3，个数为
64、128、256、512
，所述激活层地激活函数为
ReLu
函数
。
[0017]进一步地，故障诊断模型中，没经过两个卷积模块进行一次卷积核个数翻倍
。
[0018]所述该基于深度学习的核辐射环境下机械臂故障诊断方法还提供了一种机械臂故障诊断系统，该机械臂故障诊断系统包括：
[0019]机械臂故障数据获取模块，用于获取机械臂的各个部件的运行数据；其中所述运行数据包括机械臂各个部件正常时运行数据和各个部件经过辐照损伤后机械臂的运行数据；
[0020]故障数据样本集构造模块，用于以所述机械臂故障数据获取模块所获取的运行数据为样本数据，对应机械臂各个部件的运行情况为样本标签，构建故障数据样本集；其中，所述运行情况包括正常和各个部件损伤的故障类型；
[0021]数据生成模型训练模块，用于采用故障数据样本集模块构建的训练样本集训练数据生成模型；其中，所述数据生成模型为多判别器生成对抗网络模型，所述数据生成模型以
运行数据为输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的核辐射环境下机械臂故障诊断方法，其特征在于：该方法包括以下步骤：
S1
：获取机械臂的故障数据集，其中故障数据集包括机械臂正常运行时各个传感器采集的数据和机械臂经过辐照后出现各个部位故障时的数据；
S2
：以上述数据作为故障数据样本，对应的机械臂各个部件的运行情况为样本标签，构建训练样本集；其中，所述运行情况包括正常运行和故障类型；
S3
：采用所述训练样本集训练数据生成模型；其中，所述数据生成模型为多判别器辅助分类生成对抗网络模型，所述数据生成模型以真实数据样本为输入，逼近真实数据样本的数据样本为输出；
S4
：采用所述真实故障数据样本与数据生成模型生成的伪数据样本混合作为最终的训练样本集训练预设的故障诊断模型；其中，所述故障诊断模型为深度卷积神经网络模型，所述故障诊断模型以机械臂运行数据为输入，运行情况为输出；
S5
：采集待故障诊断的机械臂的实时运行数据，并将采集到的实时运行数据输入部署好的故障诊断模型中，以实现故障诊断模型；其中，所述部署好的故障模型为训练好的模型用
flask
部署到网页端
。2.
根据权利要求1所述的一种基于深度学习的核辐射环境下机械臂故障诊断方法，其特征在于：所述故障类型包括驱动器辐照损伤故障
、
关节电机辐照损伤故障
、
编码器损伤故障以及其中任意一种或多种的组合
。3.
根据权利要求1所述的一种基于深度学习的核辐射环境下机械臂故障诊断方法，其特征在于：所述
S3
中数据生成模型包括三个判别器模块，一个生成器模块，一个分类器模块
。4.
根据权利要求3所述的一种基于深度学习的核辐射环境下机械臂故障诊断方法，其特征在于：所述判别器模块主要判断数据源是真实数据还是生成器生成的假数据，所述生成器模块则是提取数据特征拟合分布，生成与真实...

【专利技术属性】
技术研发人员：叶子汉，
申请(专利权)人：湖南华核智能科技有限公司，
类型：发明
国别省市：