【技术实现步骤摘要】
本专利技术涉及故障诊断，具体涉及一种基于图神经网络的工业机器人关节的少标签振动数据的故障诊断方法。
技术介绍
1、近年来，随着机械工业的快速发展，工业机器人在各种机械设备中得到了广泛应用。尤其是轻质机器人的关节中被广泛使用和核心精密部件—谐波减速器，主要针对的是无标签或者少标签的样本，且数据类型为单一传感器所采集的振动信号。同时，该技术方法也可以应用于轴承等其他零部件。谐波减速器的常见状态主要包括一种正常状态和三种故障状态共四种状态，其中故障状态主要为柔轮点蚀故障、波发生器卡顿故障和输出端轴承错位故障。目前，常见的智能故障诊断方法主要是有监督的方法，需要大量的有标签数据样本来进行学习。而对于有监督的方法，目前也大多为传统的深度学习方法，例如以auto-encoder、variationalauto-encoder为基础的方法。至于以图学习为基础的故障诊断，目前最大的重难点还是集中在如何将传统的样本数据进行处理，构建合适的图数据结构。由于故障诊断所使用的传感器信号数据之间不像社交网络一样存在天然的关联图的关系，因此如何构造数据之间的关联图是极其重要的，在很大程度上影响着后续图学习效果的好坏及其上限。目前大部分的图数据结构构建方式主要是基于k-nearest neighbor(knn)算法和基于先验知识的构建方式，且处理的多为具有复杂节点关系的系统或者多源数据，而对单一类型的振动信号数据而言构图方式有限。利用knn方法构建图数据：首先，提取一个给定数据集的大量时频特征；然后，通过特征选择，得到少量能够反映系统特征的时频特征；然后利用
2、现有技术存在的缺点：有监督的学习方法对有标签样本的需求量很大，而实际的工业环境中可能并无充足的有标签数据，不满足此条件。同时，额外去采集有标签数据或者针对现存数据进行打标签的处理，需要耗费较多的时间和金钱上的成本，会增加企业预算。而基于传统深度学习的有监督方法会将样本之间视为独立同分布的关系，不能充分利用数据样本之间的关联关系。
3、利用knn方法构建图数据：knn的方法的可靠性不够，且参数k的选择极大程度地影响knn算法的性能，该方法对数据自身所包含故障特征的显著性有一定的需求，若样本数据之间的差别不大，故障特征不够显著，容易导致knn效果不佳，从而导致图上节点之间出现较多错误连接，使得图数据质量欠佳，影响后续学习和分类效果。
4、利用先验知识构建关联图数据：先验知识需要对研究对象和采集内容有足够充分的了解，需要有丰富且深厚的专家知识为支撑，有较大的难度。同时，先验知识的引入显著增加了训练时间，不仅需要关于系统机制的知识，还需要数据信息。
5、此外，上述两种图数据构建方式处理的多为具有复杂节点关系的系统或者多源数据，而对单一类型的振动信号数据而言构图方式有限。且对于不同的研究对象或者同一研究对象的不同情况来说，可能都需要进行具体分析，较为复杂困难且通用性较差，在研究对象或者数据有些许变动时可能就需要花费大量时间进行重新分析和训练。
技术实现思路
1、为了解决现有融合方法中存在的问题，本专利技术的目的在于提供一种基于图神经网络的工业机器人关节的少标签振动数据的故障诊断方法，该方法主要用于在图数据的构建以及有监督的故障特征提取上，可用于少标签样本的故障诊断以及无标签样本的故障特征提取。
2、本专利技术通过以下技术方案来实现上述目的：
3、一种工业机器人关节的少标签振动数据的故障诊断方法，该方法包括以下步骤：
4、步骤s1，采集工业机器人关节的原始振动数据；
5、步骤s2，将采集到的原始振动数据进行数据分析和预处理；
6、步骤s3，使用预处理后的数据样本，基于gnn的有监督学习方法构建图结构数据；
7、步骤s4，将图结构数据依次进行图卷积、batchnorm、relu、另一层图卷积操作，获得编码后的特征矩阵z；
8、步骤s5，将特征矩阵z执行解码操作，获得重构邻接矩阵a；
9、步骤s6，根据邻接矩阵a和特征矩阵z，计算得到损失函数l；
10、步骤s7，根据损失函数l进行反向传播，进行编码器的训练；
11、步骤s8，多次重复步骤s4-s7，获得训练好的编码器；
12、步骤s9，使用训练好的编码器对图数据进行编码，获得提取到的故障特征；
13、步骤s10，使用提取到的故障特征作为新的样本，加上所有的标签，进行有监督训练；
14、步骤s11，获得故障诊断结果。
15、根据本专利技术提供的一种工业机器人关节的少标签振动数据的故障诊断方法，在进行图结构数据构建之前，选择使用滑动窗口法划分数据样本，以规范样本数据的长度，并使用z-score normalization操作，在z-score归一化中，对每个数据点进行公式(1)所示操作：
16、
17、其中，x是原始数据点，μ是数据集的均值，σ是数据集的标准差，z是归一化后的数据点。
18、根据本专利技术提供的一种工业机器人关节的少标签振动数据的故障诊断方法，在所述步骤s3中，在构建图结构数据时，将预处理后的每一个样本作为一个节点，然后建立节点之间的连接，接着再通过gnn的有监督学习方法得到每一个节点的向量表示；
19、将每一个预处理后样本的振动信号按照时间顺序划分成若干份，有选择地取其中的k份，则每个样本就划分成了k个新的样本，其中，k个新样本都是长度相同的振动信号；
20、将这k个新样本当成k个节点，每一个样本的振动信号为节点的属性特征，然后再构建无向的完全图，其中，每条边的权重均为其所连接两个节点的余弦距离；假设节点u和v之间存在边连接，则它们之间的余弦距离dist(u,v)的计算表达式为公式(2)所示：
21、
22、其中，zu和zv是两个向量，分别表示节点u和节点v的属性特征，表示向量的点积，||zu||和||zv||分别表示向量zu和zv的范数。
23、根据本专利技术提供的一种工业机器人关节的少标签振动数据的故障诊断方法，以k个节点得到的完全图作为子图，则每个预处理后样本都能同样得到一个子图，最后将所有子图结合在一起，形成完整的图结构数据。
24、根据本专利技术提供的一种工业机器人关节的少标签振动数据的故障诊断方法，
25、在所述步骤s5中，在获取重构邻接矩阵a时，表示为公式(3)：
26、a＝sigmoid(z zt) (3)。
27、根据本专利技术提供的一种工业本文档来自技高网...
【技术保护点】
1.一种工业机器人关节的少标签振动数据的故障诊断方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于：
3.根据权利要求1所述的方法，其特征在于：
4.根据权利要求3所述的方法，其特征在于：
5.根据权利要求1所述的方法，其特征在于：
6.根据权利要求1所述的方法，其特征在于：
7.根据权利要求1所述的方法，其特征在于：
8.根据权利要求1至7任一项所述的方法，其特征在于，还包括构建工业机器人数学模型的步骤，包括：
9.根据权利要求8所述的方法，其特征在于：
10.根据权利要求1至7任一项所述的方法，其特征在于：
【技术特征摘要】
1.一种工业机器人关节的少标签振动数据的故障诊断方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于：
3.根据权利要求1所述的方法，其特征在于：
4.根据权利要求3所述的方法，其特征在于：
5.根据权利要求1所述的方法，其特征在于：
6....
【专利技术属性】
技术研发人员：孙士龙，丁昊，徐文福，
申请(专利权)人：哈尔滨工业大学深圳哈尔滨工业大学深圳科技创新研究院，
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。