【技术实现步骤摘要】
本专利技术涉及机器人故障诊断，尤其是一种适用于特殊危险环境的机器人故障诊断方法及装置。
技术介绍
1、在特殊危险的应用环境中，确保机器人的安全和可靠性至关重要。机器人在特殊危险环境中的应用越来越普遍，用于处理危险物质、自动化样本处理、自动化分析等任务。然而，机器人在长时间运行和高强度工作条件下可能会出现故障，这可能导致实验过程中断、数据丢失或者安全风险。为了减少这些潜在问题，现存在机器人故障诊断方法来帮助监测和识别机器人故障，并及时采取措施修复问题，但由于传统的数据驱动的方法对设备的故障预测是假定源域和目标域具有相同的特征分布，而实际上设备本身可能存在差异，运行工况存在差异，使得基于源域中的设备故障数据训练的模型在目标域的故障预测效果变差甚至不再适用。
技术实现思路
1、有鉴于此，本专利技术实施例提供一种适用于特殊危险环境的机器人故障诊断方法，以提高对机器人的剩余使用寿命预测的准确性。
2、本专利技术实施例的一方面提供了一种适用于特殊危险环境的机器人故障诊断方法，该方法包括：
3、确定机器在源域以及目标域中的运行周期，获取故障预测的首次预测时间以及监测点；
4、采用峰度度量的故障预测方法对所述监测点进行故障预测，得到异常点；
5、根据所述首次预测时间以及所述异常点，对测量振动信号进行排列，得到对准的目标振动信号；
6、根据所述目标振动信号，对所述源域进行特征提取处理，得到原始故障特征；
7、将所述原始故障特征输
8、根据所述退化特征层，对所述源域的样本进行剩余使用寿命的预测，提取所述源域以及所述目标域的高度混合样本；
9、根据预测得到的所述剩余使用寿命，获取所述源域的样本的剩余使用寿命预测误差，作为第一训练目标；
10、根据所述高度混合样本，获取所述源域以及所述目标域的样本分布差异误差，作为第二训练目标；
11、根据所述第一训练目标以及所述第二训练目标构造总体训练目标，并根据所述总体训练目标训练得到目标模型，通过所述目标模型得到故障预测数据。
12、可选地，所述采用峰度度量的故障预测方法对所述监测点进行故障预测，得到异常点，包括：
13、获取所述峰度度量的平均值以及所述峰度度量的标准差；
14、根据所述峰度度量的标准差设置预设区间；
15、根据所述峰度度量的平均值，将超过所述预设区间的监测点识别为异常点。
16、可选地，所述测量振动信号包括第一振动信号以及第二振动信号，所述根据所述首次预测时间以及所述异常点，对测量振动信号进行排列，得到对准的目标振动信号，包括：
17、根据所述首次预测时间以及所述异常点，获取所述源域的数据集的第一振动信号以及所述目标域的数据集的第二振动信号；
18、对所述第一振动信号以及所述第二振动信号进行排列，得到对准的目标振动信号。
19、可选地，所述原始故障特征包括第一故障特征以及第二故障特征，所述根据所述目标振动信号，对所述源域进行特征提取处理，得到原始故障特征，包括：
20、获取所述目标振动信号的振动子序列，根据所述振动子序列获得若干个基于时间序列的所述第一故障特征；
21、通过连续小波变换获得基于时频谱的所述第二故障特征。
22、可选地，所述将所述原始故障特征输入预设模型，对所述预设模型进行前向传播，得到退化特征层，包括：
23、将所述原始故障特征输入第一通道，馈送到多个连续的完全连接的层中，得到第一输出特征；
24、将所述原始故障特征输入第二通道，采用多个连续的跨步卷积层对输入第二通道的所述原始故障特征进行处理，得到第二输出特征；
25、根据所述第一输出特征，获得基于多层感知机的子网络的第三输出特征；
26、对所述第二输出特征进行平坦化处理，得到基于深度卷积神经网络的子网络的第四输出特征；
27、连接所述第三输出特征以及所述第四输出特征，构成退化特征层。
28、可选地，所述根据所述退化特征层，对所述源域的样本进行剩余使用寿命的预测，包括：
29、连接所述退化特征层以及剩余使用寿命预测层；
30、通过激活函数对所述源域的样本进行剩余使用寿命的预测，得到剩余使用寿命百分比。
31、可选地，所述根据预测得到的所述剩余使用寿命，获取所述源域的样本的剩余使用寿命预测误差，作为第一训练目标，包括：
32、获取所述源域的样本的批量大小、所述源域的样本的标记的剩余使用寿命百分比值以及所述源域的样本的预测的剩余使用寿命百分比值；
33、将所述标记的剩余使用寿命百分比值与所述预测的剩余使用寿命百分比值的差值投影到再生核希尔伯特空间中，结合所述源域的样本的批量大小，得到所述剩余使用寿命预测误差。
34、可选地，所述根据所述高度混合样本，获取所述源域以及所述目标域的样本分布差异误差，作为第二训练目标，包括：
35、通过多核最大均值差异法测量所述高度混合样本的分布差异，得到所述样本分布差异误差。
36、本专利技术实施例还提供了一种适用于特殊危险环境的机器人故障诊断装置，包括：
37、第一模块，用于确定机器在源域以及目标域中的运行周期，获取故障预测的首次预测时间以及监测点；
38、第二模块，用于采用峰度度量的故障预测方法对所述监测点进行故障预测，得到异常点；
39、第三模块，用于根据所述首次预测时间以及所述异常点，对测量振动信号进行排列，得到对准的目标振动信号；
40、第四模块，用于根据所述目标振动信号，对所述源域进行特征提取处理，得到原始故障特征；
41、第五模块，用于将所述原始故障特征输入预设模型，对所述预设模型进行前向传播，得到退化特征层；
42、第六模块，用于根据所述退化特征层，对所述源域的样本进行剩余使用寿命的预测，提取所述源域以及所述目标域的高度混合样本；
43、第七模块，用于根据预测得到的所述剩余使用寿命，获取所述源域的样本的剩余使用寿命预测误差，作为第一训练目标；
44、第八模块，用于根据所述高度混合样本，获取所述源域以及所述目标域的样本分布差异误差，作为第二训练目标；
45、第九模块，用于根据所述第一训练目标以及所述第二训练目标构造总体训练目标，并根据所述总体训练目标训练得到目标模型，通过所述目标模型得到故障预测数据。
46、本专利技术实施例还提供了一种电子设备，该电子设备包括处理器以及存储器；存储器存储有程序；处理器执行程序以执行前述的适用于特殊危险环境的机器人故障诊断方法；该电子设备具有搭载并运行本专利技术实施例提供的业务数据处理的软件系统的功能，例如，个人计算机(personal computer，pc)、手机、智能手机本文档来自技高网...
【技术保护点】
1.一种适用于特殊危险环境的机器人故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的一种适用于特殊危险环境的机器人故障诊断方法，其特征在于，所述采用峰度度量的故障预测方法对所述监测点进行故障预测，得到异常点，包括：
3.根据权利要求1所述的一种适用于特殊危险环境的机器人故障诊断方法，其特征在于，所述测量振动信号包括第一振动信号以及第二振动信号，所述根据所述首次预测时间以及所述异常点，对测量振动信号进行排列，得到对准的目标振动信号，包括：
4.根据权利要求1所述的一种适用于特殊危险环境的机器人故障诊断方法，其特征在于，所述原始故障特征包括第一故障特征以及第二故障特征，所述根据所述目标振动信号，对所述源域进行特征提取处理，得到原始故障特征，包括：
5.根据权利要求1所述的一种适用于特殊危险环境的机器人故障诊断方法，其特征在于，所述将所述原始故障特征输入预设模型，对所述预设模型进行前向传播，得到退化特征层，包括：
6.根据权利要求1所述的一种适用于特殊危险环境的机器人故障诊断方法，其特征在于，所述根据所述退化特征层，对
7.根据权利要求6所述的一种适用于特殊危险环境的机器人故障诊断方法，其特征在于，所述根据预测得到的所述剩余使用寿命，获取所述源域的样本的剩余使用寿命预测误差，
8.根据权利要求1所述的一种适用于特殊危险环境的机器人故障诊断方法，其特征在于，所述根据所述高度混合样本，获取所述源域以及所述目标域的样本分布差异误差，作为第二训练目标，包括：
9.一种适用于特殊危险环境的机器人故障诊断装置，其特征在于，包括：
10.一种电子设备，其特征在于，包括处理器以及存储器；
...【技术特征摘要】
1.一种适用于特殊危险环境的机器人故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的一种适用于特殊危险环境的机器人故障诊断方法，其特征在于，所述采用峰度度量的故障预测方法对所述监测点进行故障预测，得到异常点，包括：
3.根据权利要求1所述的一种适用于特殊危险环境的机器人故障诊断方法，其特征在于，所述测量振动信号包括第一振动信号以及第二振动信号，所述根据所述首次预测时间以及所述异常点，对测量振动信号进行排列，得到对准的目标振动信号，包括：
4.根据权利要求1所述的一种适用于特殊危险环境的机器人故障诊断方法，其特征在于，所述原始故障特征包括第一故障特征以及第二故障特征，所述根据所述目标振动信号，对所述源域进行特征提取处理，得到原始故障特征，包括：
5.根据权利要求1所述的一种适用于特殊危险环境的机器人故障诊断方法...
【专利技术属性】
技术研发人员：韩瑜，吴冠达，彭卫文，钱军，汤飞，
申请(专利权)人：中山大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。