【技术实现步骤摘要】
本专利技术属于机械臂故障诊断相关，尤其涉及基于知识图谱和神经网络的机械臂故障诊断方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、机械臂由于其灵活性高，精度高，可承重能力强等优点，被广泛用于工业生产环境中。在实际生产中，机械臂系统的安全和稳定一直是工业界和学术界的焦点。随着机械臂的不断发展，机械臂的构造和功能变得越来越复杂，相应的故障诊断和维护也变得越来越具有挑战性。故障会导致机械臂失效，降低工作效率，造成重大经济损失，甚至危害人身安全。在过去的机械臂系统领域，故障诊断一直是一个具有挑战性的问题，传统的方法通常依赖于规则和经验，无法提供足够的准确性和效率，并且对设备大都有极高的要求。
3、现有的方法大多利用通过构建的知识图谱对神经网络进行训练，基于训练的好的神经网络进行机械臂故障的诊断，但是现有基于神经网络的方法，在推理过程中，存在对知识图谱中的知识没有充分挖掘其潜在联系，以及没有充分利用知识图谱丰富知识的问题。
技术实现思路
【技术保护点】
1.一种基于知识图谱和神经网络的机械臂故障诊断方法，其特征在于，包括：
2.如权利要求1所述的一种基于知识图谱和神经网络的机械臂故障诊断方法，其特征在于，将所述机械臂知识图谱中每个实体、每种关系、每个属性及其值输入至训练好的Word2Vec模型，提取得到实体嵌入向量、关系嵌入向量、属性嵌入向量及其值的嵌入向量；将实体嵌入向量、关系嵌入向量、属性嵌入向量及其值的嵌入向量与机械臂故障数据相融合输入至所述机械臂故障诊断模型，对所述机械臂故障诊断模型进行训练。
3.如权利要求2所述的一种基于知识图谱和神经网络的机械臂故障诊断方法，其特征在于，将知识图谱...
【技术特征摘要】
1.一种基于知识图谱和神经网络的机械臂故障诊断方法，其特征在于，包括：
2.如权利要求1所述的一种基于知识图谱和神经网络的机械臂故障诊断方法，其特征在于，将所述机械臂知识图谱中每个实体、每种关系、每个属性及其值输入至训练好的word2vec模型，提取得到实体嵌入向量、关系嵌入向量、属性嵌入向量及其值的嵌入向量；将实体嵌入向量、关系嵌入向量、属性嵌入向量及其值的嵌入向量与机械臂故障数据相融合输入至所述机械臂故障诊断模型，对所述机械臂故障诊断模型进行训练。
3.如权利要求2所述的一种基于知识图谱和神经网络的机械臂故障诊断方法，其特征在于，将知识图谱得到的嵌入向量与机械臂故障数据分别赋予不同的权重后相加，将相加的结果输入至所述机械臂故障诊断模型，对所述机械臂故障诊断模型进行训练。
4.如权利要求2所述的一种基于知识图谱和神经网络的机械臂故障诊断方法，其特征在于，所述实体嵌入包括机械臂、关节、数据采集装置、故障类型；所述关系嵌入包括：包含、连接、导致、处理；所述属性嵌入包括数据采集装置类型、关节转动角度。
5.如权利要求2所述的一种基于知识图谱和神经网络的机械臂故障诊断方法，其特征在于，从知识图谱中提取三元数据，每个三元组由(头实体、关系、尾实体)组成，将三元组转换为所述word2vec模型的输入格式，具体为：将每个三元组转换为一个句子，将实体...
【专利技术属性】
技术研发人员：任鸿儒，陈文宇，程志键，马慧，周琪，
申请(专利权)人：广东工业大学，
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。