CN116277040B - 基于深度学习的机械臂振动抑制方法、装置、设备及介质 - Google Patents
基于深度学习的机械臂振动抑制方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116277040B CN116277040B CN202310583831.5A CN202310583831A CN116277040B CN 116277040 B CN116277040 B CN 116277040B CN 202310583831 A CN202310583831 A CN 202310583831A CN 116277040 B CN116277040 B CN 116277040B
- Authority
- CN
- China
- Prior art keywords
- vibration
- state data
- detection model
- preset
- state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000001629 suppression Effects 0.000 title claims abstract description 58
- 238000013135 deep learning Methods 0.000 title claims abstract description 53
- 238000001514 detection method Methods 0.000 claims abstract description 266
- 230000002159 abnormal effect Effects 0.000 claims abstract description 142
- 238000012549 training Methods 0.000 claims abstract description 101
- 230000002401 inhibitory effect Effects 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 8
- 230000005764 inhibitory process Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000001788 irregular Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J13/00—Controls for manipulators
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/0091—Shock absorbers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manipulator (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种基于深度学习的机械臂振动抑制方法、装置、设备及介质，涉及工业机器人技术领域，所述基于深度学习的机械臂振动抑制方法包括：采集机械臂的各转动轴处的状态数据；将所述状态数据输入目标状态检测模型以判断所述机械臂是否存在异常振动，其中，所述目标状态检测模型是根据多组具备状态标签的状态数据训练得到；若所述机械臂存在异常振动，则将所述状态数据输入目标振动检测模型获得振动标签，其中，所述目标振动检测模型是根据多组异常振动状态下的机械臂对应的状态数据训练得到；根据所述振动标签查询对应的振动补偿信号，并根据所述振动补偿信号抑制所述机械臂的异常振动。本申请解决了机械臂振动的抑制效率低的技术问题。
Description
技术领域
本申请涉及工业机器人领域，尤其涉及一种基于深度学习的机械臂振动抑制方法、装置、设备及介质。
背景技术
工业机器人是现代工业中制造产业的重要组成部分，广泛应用于机械加工、焊接、装配等生产制造中。而工业机器人的机械臂还因其多自由度、工作空间大、可重复编程和自动控制等优点，被应用在一些高精度行业，这种情况下，对机械臂的工作稳定性要求较高，例如一旦机械臂存在异常抖动就会严重影响产品质量和工作效率。在对机械臂的振动检测和抑制上，通常采用人工检测通过经验或相关指标判断机械臂是否产生异常抖动，再凭借经验来调试机械臂以抑制机械臂的异常振动。这种方法无法实现机械臂振动的定性定量分析，需要反复调试，因此机械臂振动的抑制效率较低。
发明内容
本申请的主要目的在于提供一种基于深度学习的机械臂振动抑制方法、装置、设备及介质，旨在解决机械臂振动的抑制效率低的技术问题。
为实现上述目的，本申请提供一种基于深度学习的机械臂振动抑制方法，所述基于深度学习的机械臂振动抑制方法包括：
采集机械臂的各转动轴处的状态数据；
将所述状态数据输入目标状态检测模型以判断所述机械臂是否存在异常振动，其中，所述目标状态检测模型是根据多组具备状态标签的状态数据训练得到；
若所述机械臂存在异常振动，则将所述状态数据输入目标振动检测模型获得振动标签，其中，所述目标振动检测模型是根据多组异常振动状态下的机械臂对应的状态数据训练得到，每组状态数据具备对应的振动标签；
根据所述振动标签查询对应的振动补偿信号，并根据所述振动补偿信号抑制所述机械臂的异常振动。
可选地，所述状态数据包括运动状态数据、振幅数据以及温度数据，所述采集机械臂的各转动轴处的状态数据的步骤包括：
通过实时控制器采集各转动轴的运动状态数据，其中，所述运动状态数据至少包括速度、位置、加速度以及力矩；
通过振动传感器采集各所述转动轴的振幅数据；
通过温度传感器采集各所述转动轴的温度数据。
可选地，在所述将所述状态数据输入目标状态检测模型以判断所述机械臂是否存在异常振动的步骤之前，所述方法还包括：
获取所述机械臂的第一历史状态数据，所述第一历史状态数据中包括多组时间点对应的状态数据，且每组状态数据具备对应的状态标签，所述状态标签是根据每组时间点时所述机械臂的真实状态确定的，所述状态标签包括正常标签和异常标签；
根据预设状态比例调整所述第一历史状态数据中正常状态标签的状态数据和异常状态标签的状态数据的比例，获得第一目标状态数据集；
根据所述第一目标状态数据集对预设状态检测模型进行训，获得目标状态检测模型。
可选地所述根据所述第一目标状态数据集对预设状态检测模型进行训，获得目标状态检测模型的步骤包括：
将所述第一目标状态数据集划分为训练集和验证集；
将所述训练集输入所述预设状态检测模型，迭代优化所述预设状态检测模型的模型参数；
将所述验证集输入优化后的预设状态检测模型，确定所述预设状态检测模型的预测精度；
若所述预测精度小于预设精度阈值，则返回执行步骤：将所述训练集输入所述预设状态检测模型，迭代优化所述预设状态检测模型的模型参数；
若所述预测精度大于或等于所述预设精度阈值，则将所述预设状态检测模型设置为目标状态检测模型。
可选地，在所述将所述状态数据输入目标振动检测模型获得振动标签的步骤之前，还包括：
获取所述机械臂在存在异常振动时的第二历史状态数据，所述第二历史状态数据中包括多组时间点对应的状态数据，且每组状态数据具备对应的振动标签，所述振动标签是根据每组状态数据对应的振动类型确定的；
根据预设类型比例调整所述第二历史状态数据中各种振动标签对应的状态数据的比例，获得第二目标状态数据集；
根据所述第二目标状态数据集对预设振动检测模型进行训练，获得目标振动检测模型。
可选地，所述根据所述第二目标状态数据集对预设振动检测模型进行训练，获得目标振动检测模型的步骤包括：
将所述第二目标状态数据集划分为训练集和验证集；
将所述训练集输入所述预设振动检测模型，迭代优化所述预设振动检测模型的模型参数；
将所述验证集输入优化后的预设振动检测模型，获得对应的预测值；
基于所述预测值和所述预测值对应的振动标签，构造混淆矩阵；
基于所述混淆矩阵计算所述预设振动检测模型的性能指标；
若所述预设振动检测模型的性能指标符合预设指标阈值，将所述预设振动检测模型设置为目标振动检测模型。
可选地，所述根据所述振动标签查询对应的振动补偿信号，并根据所述振动补偿信号抑制所述机械臂的异常振动的步骤包括：
在预设振动补偿映射表中查询所述振动标签对应的振动补偿信号，其中，所述预设振动补偿映射表是根据历史振动抑制过程中，各所述振动标签对应的有效振动补偿信号构建得到；
将所述振动补偿信号发送到所述机械臂对应的实时控制器，通过所述实时控制器向所述机械臂输出所述振动补偿信号的控制信号，以对所述机械臂的异常振动进行抑制。
本申请还提供一种基于深度学习的机械臂振动抑制装置，所述基于深度学习的机械臂振动抑制装置应用于基于深度学习的机械臂振动抑制设备，所述基于深度学习的机械臂振动抑制装置包括：
数据采集模块，用于采集机械臂的各转动轴处的状态数据；
异常检测模块，用于将所述状态数据输入目标状态检测模型以判断所述机械臂是否存在异常振动，其中，所述目标状态检测模型是根据多组具备状态标签的状态数据训练得到；
振动分析模块，用于若所述机械臂存在异常振动，则将所述状态数据输入目标振动检测模型获得振动标签，其中，所述目标振动检测模型是根据多组异常振动状态下的机械臂对应的状态数据训练得到，每组状态数据具备对应的振动标签；
振动抑制模块，用于根据所述振动标签查询对应的振动补偿信号，并根据所述振动补偿信号抑制所述机械臂的异常振动。
可选地，所述数据采集模块还用于：
通过实时控制器采集各转动轴的运动状态数据，其中，所述运动状态数据至少包括速度、位置、加速度以及力矩；
通过振动传感器采集各所述转动轴的振幅数据；
通过温度传感器采集各所述转动轴的温度数据。
可选地，所述异常检测模块还用于：
获取所述机械臂的第一历史状态数据，所述第一历史状态数据中包括多组时间点对应的状态数据，且每组状态数据具备对应的状态标签，所述状态标签是根据每组时间点时所述机械臂的真实状态确定的，所述状态标签包括正常标签和异常标签；
根据预设状态比例调整所述第一历史状态数据中正常状态标签的状态数据和异常状态标签的状态数据的比例，获得第一目标状态数据集；
根据所述第一目标状态数据集对预设状态检测模型进行训，获得目标状态检测模型。
可选地，所述异常检测模块还用于：
将所述第一目标状态数据集划分为训练集和验证集；
将所述训练集输入所述预设状态检测模型，迭代优化所述预设状态检测模型的模型参数；
将所述验证集输入优化后的预设状态检测模型，确定所述预设状态检测模型的预测精度；
若所述预测精度小于预设精度阈值，则返回执行步骤：将所述训练集输入所述预设状态检测模型，迭代优化所述预设状态检测模型的模型参数；
若所述预测精度大于或等于所述预设精度阈值，则将所述预设状态检测模型设置为目标状态检测模型。
可选地，所述振动分析模块还用于：
获取所述机械臂在存在异常振动时的第二历史状态数据，所述第二历史状态数据中包括多组时间点对应的状态数据，且每组状态数据具备对应的振动标签，所述振动标签是根据每组状态数据对应的振动类型确定的；
根据预设类型比例调整所述第二历史状态数据中各种振动标签对应的状态数据的比例，获得第二目标状态数据集；
根据所述第二目标状态数据集对预设振动检测模型进行训练，获得目标振动检测模型。
可选地，所述振动分析模块还用于：
将所述第二目标状态数据集划分为训练集和验证集；
将所述训练集输入所述预设振动检测模型，迭代优化所述预设振动检测模型的模型参数；
将所述验证集输入优化后的预设振动检测模型，获得对应的预测值；
基于所述预测值和所述预测值对应的振动标签，构造混淆矩阵；
基于所述混淆矩阵计算所述预设振动检测模型的性能指标；
若所述预设振动检测模型的性能指标符合预设指标阈值，将所述预设振动检测模型设置为目标振动检测模型。
可选地，所述振动抑制模块还用于：
在预设振动补偿映射表中查询所述振动标签对应的振动补偿信号，其中，所述预设振动补偿映射表是根据历史振动抑制过程中，各所述振动标签对应的有效振动补偿信号构建得到；
将所述振动补偿信号发送到所述机械臂对应的实时控制器，通过所述实时控制器向所述机械臂输出所述振动补偿信号的控制信号，以对所述机械臂的异常振动进行抑制。
本申请还提供一种电子设备，所述电子设备为实体设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述基于深度学习的机械臂振动抑制方法的程序，所述基于深度学习的机械臂振动抑制方法的程序被处理器执行时可实现如上述的基于深度学习的机械臂振动抑制方法的步骤。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有实现基于深度学习的机械臂振动抑制方法的程序，所述基于深度学习的机械臂振动抑制方法的程序被处理器执行时实现如上述的基于深度学习的机械臂振动抑制方法的步骤。
本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的基于深度学习的机械臂振动抑制方法的步骤。
本申请提供了一种基于深度学习的机械臂振动抑制方法、装置、设备及介质，首先采集机械臂的各转动轴处的状态数据，再将所述状态数据输入目标状态检测模型以判断所述机械臂是否存在异常振动，其中，所述目标状态检测模型是根据多组具备状态标签的状态数据训练得到，若所述机械臂存在异常振动，则将所述状态数据输入目标振动检测模型获得振动标签，其中，所述目标振动检测模型是根据多组异常振动状态下的机械臂对应的状态数据训练得到，每组状态数据具备对应的振动标签，根据所述振动标签查询对应的振动补偿信号，并根据所述振动补偿信号抑制所述机械臂的异常振动，本申请的技术方案通过采用了基于深度学习算法训练的模型以及机械臂各个转动轴的状态数据来进行机械臂的异常检测以及振动标签检测，其中，所述振动标签表征了机械臂异常振动的类型，便于根据标签确定对应的振动补偿信号，实现了机械臂振动抑制的自动化，不需要人工凭借经验反复调试振动补偿信号，克服无法实现机械臂振动的定性定量分析的技术缺陷，也无需人工持续关注机械臂的工作状态，而是可以自动检测异常振动自动抑制异常振动，提高了机械臂的异常振动的抑制效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请基于深度学习的机械臂振动抑制方法第一实施例的流程示意图；
图2为本申请基于深度学习的机械臂振动抑制方法第二实施例的流程示意图；
图3为本申请基于深度学习的机械臂振动抑制方法第三实施例的流程示意图；
图4为本申请实施例中基于深度学习的机械臂振动抑制装置的组成结构示意图；
图5为本申请实施例中基于深度学习的机械臂振动抑制方法涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本申请保护的范围。
实施例一
本申请实施例提供一种基于深度学习的机械臂振动抑制方法，在本申请基于深度学习的机械臂振动抑制方法的第一实施例中，参照图1，所述基于深度学习的机械臂振动抑制方法包括：
步骤S10，采集机械臂的各转动轴处的状态数据；
步骤S20，将所述状态数据输入目标状态检测模型以判断所述机械臂是否存在异常振动，其中，所述目标状态检测模型是根据多组具备状态标签的状态数据训练得到；
步骤S30，若所述机械臂存在异常振动，则将所述状态数据输入目标振动检测模型获得振动标签，其中，所述目标振动检测模型是根据多组异常振动状态下的机械臂对应的状态数据训练得到，每组状态数据具备对应的振动标签；
步骤S40，根据所述振动标签查询对应的振动补偿信号，并根据所述振动补偿信号抑制所述机械臂的异常振动。
在本申请实施例中，需要说明的是，所述状态数据包括工业机器人的机械臂的全部转动轴处的运动状态数据、振幅数据以及温度数据，通过所述运动数据来确定所述机械臂的运动状态，通过振幅数据能确定所述机械臂的振动程度有多高，所述温度数据可以表征由于机械臂的振动，对转动轴处的影响有多大，也在一定程度上表征了振动的剧烈程度，具体地，所述运动状态数据包括运动速度、坐标位置、运动加速度以及力矩。其中，所述目标状态检测模型是一种基于深度学习的神经网络模型训练得到的用于检测机械臂是否存在异常振动，所述状态标签包括正常标签和异常标签，是在历史的多组机械臂的状态数据中，通过人工对状态数据进行分析判断并打上的标签，用于作为有监督模型训练过程中的真实标签。此外，所述目标振动检测模型是一种基于深度学习的神经网络模型训练得到的用于检测存在异常振动的机械臂的振动标签，所述振动标签可以包括存在振动的原因，例如结构松动、电路故障、控制参数不当以及外界干扰等，也可以包括异常振动的具体振动属性，例如横向异常振动，纵向异常振动，圆弧异常振动、不规则异常振动、轻微振动、剧烈异常振动等，例如，在某次机械臂存在异常振动时，检测到的振动标签为（控制参数不当，横向异常振动，轻微异常振动），在对机械臂的状态进行检测前，已通过人工对各所述振动标签对应机械臂预先调试好振动补偿信号并存储在数据库中。
本申请实施例的技术方案分别通过异常检测和标签检测，分步对机械臂的异常情况进行检测和分析，最后根据查询到的振动补偿信号 进行振动抑制，其中，目标状态检测模型只需要检测机械臂的状态是否正常，检测速度较快，目标振动检测模型需要详细分析对应的标签，检测时间较长，而对于处于正常状态的标签则无需进行后续的检测步骤，相较于使用单个目标振动检测模型对全部的机械臂振动状态数据进行分析，节省了时间，提高了机械臂振动抑制的效率。
作为一种示例，步骤S10至步骤S40包括：通过实时控制器和传感器采集机械臂的各转动轴处的运动状态数据、振幅数据以及温度数据；将所述运动状态数据、所述振幅数据以及是温度数据输入预先训练好的目标状态检测模型，通过所述目标状态检测模型对输入的运动状态数据、振幅数据以及温度数据进行分析，获得机械臂状态检测结果，其中，所述目标状态检测模型是根据多组具备状态标签的状态数据训练得到，所述状态标签包括正常和异常；若所述机械臂状态检测结果为异常，则表征所述机械臂存在异常振动并将所述运动状态数据、所述振幅数据以及所述温度数据输入预先训练好的目标振动检测模型，通过所述目标振动检测模型对输入的运动状态数据、振幅数据以及温度数据进行分析，获得所述机械臂对应的振动标签，其中，所述目标振动检测模型是根据多组异常振动状态下的机械臂对应的状态数据训练得到，每组状态数据具备对应的振动标签，所述振动标签用于表征状态数据的振动原因和振动属性；根据所述振动标签在预设数据库中查询与所述振动标签对应的振动补偿信号，并将所述振动补偿信号输入到所述机械臂的实时控制器，以抑制所述机械臂的异常振动。
具体地，所述状态数据包括运动状态数据、振幅数据以及温度数据，所述采集机械臂的各转动轴处的状态数据的步骤包括：
步骤S11，通过实时控制器采集各转动轴的运动状态数据，其中，所述运动状态数据至少包括速度、位置、加速度以及力矩；
步骤S12，通过振动传感器采集各所述转动轴的振幅数据；
步骤S13，通过温度传感器采集各所述转动轴的温度数据。
在本申请实施例中，需要说明的是，所述实时控制器用于通过控制所述机械臂各转动轴的转动来控制机械臂的工作流程，其中所述运动状态数据可以通过提取所述实时控制器接收到状态反馈数据中提取。其中，所述位置可以用所述转动轴在以机械臂上某个不动点建立的空间坐标系中的坐标表示。
作为一种示例，步骤S11至步骤S13包括：通过实时控制器接收到的状态反馈数据，确定各转动轴对应的速度、位置、加速度以及力矩；通过安装在各转动轴上的振动传感器，获取各所述转动轴的振幅数据；通过温度传感器采集各所述转动轴电机处的温度，获得温度数据。
另外，所述根据所述振动标签查询对应的振动补偿信号，并根据所述振动补偿信号抑制所述机械臂的异常振动的步骤包括：
步骤S41，在预设振动补偿映射表中查询所述振动标签对应的振动补偿信号，其中，所述预设振动补偿映射表是根据历史振动抑制过程中，各所述振动标签对应的有效振动补偿信号构建得到；
步骤S42，将所述振动补偿信号发送到所述机械臂对应的实时控制器，通过所述实时控制器向所述机械臂输出所述振动补偿信号的控制信号，以对所述机械臂的异常振动进行抑制。
本申请实施例中，需要说明的是，所述预设振动补偿映射表存储在数据库中，可以是一种二维映射表，其中包括各振动标签以及各所述振动标签分别对应的振动补偿信号，这些振动补偿信号是通过人工在长期的工作实践中遇到各所述振动标签对应的异常振动情况，并总结的能有效抑制机械臂的异常振动的振动补偿信号。在本申请实施例的方法中，在通过目标振动检测模型分析出机械臂当前的振动标签后，即可查询到对应得到振动补偿信号，能快速对已产生异常振动的机械臂进行振动抑制，提高了振动抑制的及时性，避免了机械臂长期异常振动造成的机械损坏以及生产质量下降等不良影响。
作为一种示例，步骤S41至步骤S42包括：根据振动标签在数据库的预设振动补偿映射表查询对应的振动补偿信号，所述预设振动补偿映射表是根据所述机械臂的振动抑制过程中，各所述振动标签对应的有效振动补偿信号构建得到，所述有效振动补偿信号是通过人工反复调试得到；将所述振动补偿信号输入到所述机械臂对应的实时控制器中，通过所述实时控制器根据所述振动补偿信号控制所述机械臂的运动状态，以实现对异常振动的抑制。
本申请实施例提供了一种基于深度学习的机械臂振动抑制方法，首先采集机械臂的各转动轴处的状态数据，再将所述状态数据输入目标状态检测模型以判断所述机械臂是否存在异常振动，其中，所述目标状态检测模型是根据多组具备状态标签的状态数据训练得到，若所述机械臂存在异常振动，则将所述状态数据输入目标振动检测模型获得振动标签，其中，所述目标振动检测模型是根据多组异常振动状态下的机械臂对应的状态数据训练得到，每组状态数据具备对应的振动标签，根据所述振动标签查询对应的振动补偿信号，并根据所述振动补偿信号抑制所述机械臂的异常振动，本申请实施例对应的技术方案通过采用了基于深度学习算法训练的模型以及机械臂各个转动轴的状态数据来进行机械臂的异常检测以及振动标签检测，其中，所述振动标签表征了机械臂异常振动的类型，便于根据标签确定对应的振动补偿信号，实现了机械臂振动抑制的自动化，不需要人工凭借经验反复调试振动补偿信号，克服无法实现机械臂振动的定性定量分析的技术缺陷，也无需人工持续关注机械臂的工作状态，而是可以自动检测异常振动自动抑制异常振动，提高了机械臂的异常振动的抑制效率。
实施例二
进一步地，基于本申请第一实施例，在本申请另一实施例中，与上述实施例一相同或相似的内容，可以参考上文介绍，后续不再赘述。在此基础上，参照图2，在所述将所述状态数据输入目标状态检测模型以判断所述机械臂是否存在异常振动的步骤之前，所述方法还包括：
步骤A10，获取所述机械臂的第一历史状态数据，所述第一历史状态数据中包括多组时间点对应的状态数据，且每组状态数据具备对应的状态标签，所述状态标签是根据每组时间点时所述机械臂的真实状态确定的，所述状态标签包括正常标签和异常标签；
步骤A20，根据预设状态比例调整所述第一历史状态数据中正常状态标签的状态数据和异常状态标签的状态数据的比例，获得第一目标状态数据集；
步骤A30，根据所述第一目标状态数据集对预设状态检测模型进行训，获得目标状态检测模型。
在本申请实施例中，需要说明的是，所述第一历史状态数据为在机械臂的工作过程中采集到的以时间点为分组依据的多组所述机械臂的各转动轴的状态数据，其中包括正常状态的状态数据以及存在异常振动的状态数据，所述真实状态包括正常状态和异常状态，与状态标签中的正常标签和异常标签对应，异常状态即为存在异常振动的状态数据。所述预设比例是用于将第一历史状态数据中的正常标签的状态数据比例和异常标签的状态数据比例调整为符合自然情况下的比例情况，例如，某个机械臂在工作时的发生异常振动的概率是10%，则可将所述预设比例设置为9:1。
此外，所述预设状态检测模型为一种神经网络识别模型，所述预设状态检测模型的结构可以包括全连接层、隐藏层、全连接层、激活层等；另外，考虑到机械臂的各转动轴之间通过机械结构连接，各转动轴之间会相互影响，产生异常振动的原因可能是多个转动轴共同作用的结果，因此将所有转动轴的状态数据作为输入；加入自注意力机制使得所述预设状态检测模型在检测转动轴是否发生异常振动的时候自行去学习需要关注的输入特征。举例：直觉上，单个转动轴发生异常振动往往和最靠近这个转动轴的其他转动轴的状态最相关，量化这种关联在建模上难度较大，通过引入注意力机制的深度神经网络识别模型，使得所述预设状态检测模型能够自行学会聚焦局部的特征，更准确地检测机械臂是否存在异常振动。
作为一种示例，步骤A10至步骤A30包括：获取所述机械臂在不同时间点分别对应的状态数据以及人工对所述状态数据打上的状态标签，获得第一历史状态数据，其中，所述状态标签包括正常标签和异常标签；根据预设状态比例调整所述第一历史状态数据中正常状态标签的状态数据和异常状态标签的状态数据的比例，获得第一目标状态数据集，其中，所述预设状态比例根据自然情况下机械臂发生异常振动的概率确定；将所述第一目标状态数据集划分为训练集和验证集；基于深度学习算法构建预设状态检测模型；根据所述训练集对所述预设状态检测模型进行训练，以优化所述预设状态检测模型的模型参数；根据所述验证集评估所述预设状态检测模型的预测精度是否符合预设阈值；若所述预设状态检测模型的预测精度符合所述预设阈值，则停止训练并将所述预设状态检测模型设置为目标状态检测模型；若所述预设状态检测模型的预测精度不符合所述预设阈值，则返回执行步骤:根据所述训练集对所述预设状态检测模型进行训练，以优化所述预设状态检测模型的模型参数。
具体地，所述根据所述第一目标状态数据集对预设状态检测模型进行训，获得目标状态检测模型的步骤包括：
步骤A31，将所述第一目标状态数据集划分为训练集和验证集；
步骤A32，将所述训练集输入所述预设状态检测模型，迭代优化所述预设状态检测模型的模型参数；
步骤A33，将所述验证集输入优化后的预设状态检测模型，确定所述预设状态检测模型的预测精度；
步骤A34，若所述预测精度小于预设精度阈值，则返回执行步骤：将所述训练集输入所述预设状态检测模型，迭代优化所述预设状态检测模型的模型参数；
步骤A35，若所述预测精度大于或等于所述预设精度阈值，则将所述预设状态检测模型设置为目标状态检测模型。
在本申请实施例中，需要说明的是，在所述将所述第一目标状态数据集划分为训练集和验证集的过程中，训练集和验证集分别对应的样本数据量可以根据用于需求设定，例如，通常在训练有监督模型时，训练集和验证集之间的样本数据量的比值是9：1，训练集用于输入待训练的预设状态检测模型，以对所述预设状态检测模型的模型参数不断进行迭代优化，作为一种示例，所述模型参数具体包括学习率、正则化参数、神经网络的层数、每一个隐层中神经元的个数以及迭代次数等，训练的过程就是寻找一个最优的模型参数组合的过程，以使得最优模型参数组合对应的预设状态检测模型的预测精度达到预设精度阈值。
作为一种示例，步骤A31至步骤A35包括：将所述第一目标状态数据集中的各组状态数据划分为训练集和验证集，其中，所述训练集中的状态数据的组数据与所述验证集中的状态数据的组数比为9:1；将所述训练集中的状态数据作为输入，采用梯度下降法训练所述预设状态检测模型并迭代优化所述预设状态检测模型的模型参数，直到所述预设状态检测模型收敛；将所述验证集中的各组状态数据输入收敛后的预设状态检测模型，获得各所述状态数据分别对应的预测值；根据各所述状态数据对应的状态标签判断各所述预测值中预测准确的第一数目；求所述第一数目与各所述状态数据的总组数之间的比值，获得预测精度；判断所述预测精度是否大于或等于预设精度阈值；若所述预测精度小于预设精度阈值，则返回执行步骤A32：将所述训练集输入所述预设状态检测模型，迭代优化所述预设状态检测模型的模型参数；若所述预测精度大于或等于所述预设精度阈值，则停止训练并将所述预设状态检测模型设置为目标状态检测模型。
本申请实施例提供了一种在所述将所述状态数据输入目标状态检测模型以判断所述机械臂是否存在异常振动的步骤之前的目标状态检测模型的训练方法，首先获取所述机械臂的第一历史状态数据，所述第一历史状态数据中包括多组时间点对应的状态数据，且每组状态数据具备对应的状态标签，所述状态标签是根据每组时间点时所述机械臂的真实状态确定的，所述状态标签包括正常标签和异常标签，再根据预设状态比例调整所述第一历史状态数据中正常状态标签的状态数据和异常状态标签的状态数据的比例，获得第一目标状态数据集，最后根据所述第一目标状态数据集对预设状态检测模型进行训，获得目标状态检测模型。本申请实施例的技术方案采用了机械臂各转动轴的状态数据以及人工标注的状态标签来进行有监督神经网络识别模型的训练从而获得预测精度符合要求的能根据当前状态数据检测出机械臂是否发生异常振动的目标状态检测模型，实现了机械臂异常检测的自动化，能够满足实时性要求，相比由人工判断机械臂的异常振动的方法，更稳定且实时性更高，能在异常振动发生之后及时得出检测结果，避免了机械臂长期异常振动带来的负面影响。
实施例三
进一步地，基于本申请第一实施例和第二实施例，在本申请另一实施例中，与上述实施例一相同或相似的内容，可以参考上文介绍，后续不再赘述。在此基础上，参照图3，在所述将所述状态数据输入目标振动检测模型获得振动标签的步骤之前，还包括：
步骤B10，获取所述机械臂在存在异常振动时的第二历史状态数据，所述第二历史状态数据中包括多组时间点对应的状态数据，且每组状态数据具备对应的振动标签，所述振动标签是根据每组状态数据对应的振动类型确定的；
步骤B20，根据预设类型比例调整所述第二历史状态数据中各种振动标签对应的状态数据的比例，获得第二目标状态数据集；
步骤B30，根据所述第二目标状态数据集对预设振动检测模型进行训练，获得目标振动检测模型。
在本申请实施例中，需要说明的是，所述第二历史状态数据为在机械臂的工作过程中采集到的以时间点为分组依据的多组所述机械臂的各转动轴的状态数据，其中包括各种振动标签对应的状态数据，所述振动标签用于表征状态数据对应的振动原因和振动属性，振动原因包括结构松动、电路故障、控制参数不当以及外界干扰等，所述振动属性包括空间属性和程度属性，例如，空间属性包括横向异常振动，纵向异常振动，圆弧异常振动以及不规则异常振动等，程度属性包括轻度、重度以及重度等。所述预设比例是用于将第二历史状态数据中的各振动标签对应的数量值调整为符合自然情况下的比例情况，例如，某个机械臂在工作时的发生横向异常振动的概率是20%，纵向异常振动的概率是30%，圆弧异常振动的概率是10%，不规则异常振动的概率是40%，则可将横向异常振动，纵向异常振动，圆弧异常振动以及不规则异常振动对应的比例设置为2:3:1:4。并且，每组状态数据的标签可以包括多个维度的，例如某组状态数据的振动标签为（外界干扰，横向异常振动，轻度），因此所有振动标签的类型总数为各维度的标签类型数的积，即4*4*3=48种，各维度包括振动原因、空间属性和程度属性。
此外，所述预设振动检测模型为一种神经网络识别模型，所述预设振动检测模型的结构可以包括全连接层、隐藏层、全连接层、激活层等；另外，考虑到机械臂的各转动轴之间通过机械结构连接，各转动轴之间会相互影响，产生异常振动的原因可能是多个转动轴共同作用的结果，因此将所有转动轴的状态数据作为输入；加入自注意力机制使得所述预设振动检测模型在检测机械臂发生异常振动的时候自行去学习需要关注的输入特征。
作为一种示例，步骤B10至步骤B30包括：获取所述机械臂在不同时间点分别对应的状态数据以及人工对所述状态数据打上的振动标签，获得第二历史状态数据，其中，所述振动标签用于表征所述机械臂的振动类型；根据预设类型比例划分所述第二历史状态数据中各振动标签对应的状态数据的比例，获得第二目标状态数据集，其中，所述预设振动比例根据自然情况下机械臂发生各种振动标签对应的异常振动的概率确定；将所述第二目标状态数据集划分为训练集和验证集；基于深度学习算法构建预设振动检测模型；根据所述训练集对所述预设振动检测模型进行训练，以优化所述预设振动检测模型的模型参数；将所述验证集中的各组状态数据输入所述预设振动检测模型中，获得各所述状态数据分别对应的预测值；根据各所述预测值与对应的振动标签，构建混淆矩阵；根据所述混淆矩阵评估所述预设振动检测模型的性能是否符合预设条件，若是，则将所述预设振动检测模型设置为目标振动检测模型。
具体地，所述根据所述第二目标状态数据集对预设振动检测模型进行训练，获得目标振动检测模型的步骤包括：
步骤B31，将所述第二目标状态数据集划分为训练集和验证集；
步骤B32，将所述训练集输入所述预设振动检测模型，迭代优化所述预设振动检测模型的模型参数；
步骤B33，将所述验证集输入优化后的预设振动检测模型，获得对应的预测值；
步骤B34，基于所述预测值和所述预测值对应的振动标签，构造混淆矩阵；
步骤B35，基于所述混淆矩阵计算所述预设振动检测模型的性能指标；
步骤B36，若所述预设振动检测模型的性能指标符合预设指标阈值，将所述预设振动检测模型设置为目标振动检测模型。
在本申请实施例中，需要说明的是，除此之外，所述混淆矩阵是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示，混淆矩阵的每一列代表了预测类别（即预测值），每一列的总数表示预测为该类别的数据的数目；每一行代表了数据的真实归属类别（即振动标签），每一行的数据总数表示该类别的数据实例的数目，而每一列中的数值表示真实数据被预测为该类的数目。通过所述混淆矩阵，可以清晰地分析出所述预设振动检测模型对于哪些振动标签的检测较为准确，对哪些振动标签的检测误差较大，所述性能指标可以为各所述振动标签分别对应的预测精度，所述预设指标阈值也可以根据具体情况自定义各所述振动标签对应的预测精度阈值，例如发生概率较高的振动标签可以设置更高的预测精度阈值，例如99%，因为应用得更多，以保证目标振动检测模型可以稳定地输出精度较高的检测结果，二发生概率较低的振动标签由于训练用的样本数据不足，不能对它有过高的精度期望，设置一个较低的预测精度阈值，例如90%，避免模型训练时间过长，影响训练效率。
作为一种示例，步骤B31至步骤B36包括：将所述第二目标状态数据集中的各组状态数据划分为训练集和验证集，其中，所述训练集中的状态数据的组数据与所述验证集中的状态数据的组数比为9:1；将所述训练集中的状态数据作为输入，采用梯度下降法训练所述预设振动检测模型并迭代优化所述预设振动检测模型的模型参数，直到所述预设振动检测模型收敛；将所述验证集中的各组状态数据输入收敛后的预设振动检测模型，获得各所述状态数据分别对应的预测值；根据各所述预测值和各所述预测值对应的振动标签，构造混淆矩阵，所述混淆矩阵为48行48列，48为振动标签的类型总数；根据所述混淆矩阵分别计算每个振动标签的状态数据分别对应的预测精度；将各所述振动标签对应的预测精度与预设的各所述振动标签对应的预测精度阈值作比对，以判断所述预设振动检测模型的性能指标符合预设指标阈值，所述预设指标阈值包括各所述振动标签对应的预测精度阈值；若各所述振动标签对应的预测精度均高于预设的各所述振动标签对应的预测精度阈值，则判定所述预设振动检测模型的性能指标符合预设指标阈值，并将所述预设振动检测模型设置为目标振动检测模型；若存在不高于各所述预测精度阈值的预测精度，则返回执行步骤B32：将所述训练集输入所述预设振动检测模型，迭代优化所述预设振动检测模型的模型参数，直至所述预设振动检测模型的性能指标符合预设指标阈值。
本申请实施例提供了一种在所述将所述状态数据输入目标振动检测模型获得振动标签的步骤之前的目标振动检测模型的训练方法，首先获取所述机械臂在存在异常振动时的第二历史状态数据，所述第二历史状态数据中包括多组时间点对应的状态数据，且每组状态数据具备对应的振动标签，所述振动标签是根据每组状态数据对应的振动类型确定的，再根据预设类型比例调整所述第二历史状态数据中各种振动标签对应的状态数据的比例，获得第二目标状态数据集，进而根据所述第二目标状态数据集对预设振动检测模型进行训练，获得目标振动检测模型。本申请实施例的技术方案采用了机械臂各转动轴的状态数据以及人工标注的振动标签来进行有监督神经网络识别模型的训练从而获得预测精度符合要求的能根据当前状态数据检测出机械臂的振动标签的目标振动检测模型，以便于根据振动标签查询对应的振动补偿信号，实现了机械臂异常类型的检测自动化，能够满足实时性要求，相比由人工分析机械臂振动类型并调试补偿信号的方法，更稳定且实时性更高，能在异常振动发生之后及时得出振动标签的检测结果，避免了机械臂长期异常振动给机械臂本身带来的伤害和对生产质量的影响。
实施例四
本申请实施例还提供一种基于深度学习的机械臂振动抑制装置，所述基于深度学习的机械臂振动抑制装置应用于基于深度学习的机械臂振动抑制设备，参照图4，所述基于深度学习的机械臂振动抑制装置包括：
数据采集模块101，用于采集机械臂的各转动轴处的状态数据；
异常检测模块102，用于将所述状态数据输入目标状态检测模型以判断所述机械臂是否存在异常振动，其中，所述目标状态检测模型是根据多组具备状态标签的状态数据训练得到；
振动分析模块103，用于若所述机械臂存在异常振动，则将所述状态数据输入目标振动检测模型获得振动标签，其中，所述目标振动检测模型是根据多组异常振动状态下的机械臂对应的状态数据训练得到，每组状态数据具备对应的振动标签；
振动抑制模块104，用于根据所述振动标签查询对应的振动补偿信号，并根据所述振动补偿信号抑制所述机械臂的异常振动。
可选地，所述数据采集模块还用于：
通过实时控制器采集各转动轴的运动状态数据，其中，所述运动状态数据至少包括速度、位置、加速度以及力矩；
通过振动传感器采集各所述转动轴的振幅数据；
通过温度传感器采集各所述转动轴的温度数据。
可选地，所述异常检测模块还用于：
获取所述机械臂的第一历史状态数据，所述第一历史状态数据中包括多组时间点对应的状态数据，且每组状态数据具备对应的状态标签，所述状态标签是根据每组时间点时所述机械臂的真实状态确定的，所述状态标签包括正常标签和异常标签；
根据预设状态比例调整所述第一历史状态数据中正常状态标签的状态数据和异常状态标签的状态数据的比例，获得第一目标状态数据集；
根据所述第一目标状态数据集对预设状态检测模型进行训，获得目标状态检测模型。
可选地，所述异常检测模块还用于：
将所述第一目标状态数据集划分为训练集和验证集；
将所述训练集输入所述预设状态检测模型，迭代优化所述预设状态检测模型的模型参数；
将所述验证集输入优化后的预设状态检测模型，确定所述预设状态检测模型的预测精度；
若所述预测精度小于预设精度阈值，则返回执行步骤：将所述训练集输入所述预设状态检测模型，迭代优化所述预设状态检测模型的模型参数；
若所述预测精度大于或等于所述预设精度阈值，则将所述预设状态检测模型设置为目标状态检测模型。
可选地，所述振动分析模块还用于：
获取所述机械臂在存在异常振动时的第二历史状态数据，所述第二历史状态数据中包括多组时间点对应的状态数据，且每组状态数据具备对应的振动标签，所述振动标签是根据每组状态数据对应的振动类型确定的；
根据预设类型比例调整所述第二历史状态数据中各种振动标签对应的状态数据的比例，获得第二目标状态数据集；
根据所述第二目标状态数据集对预设振动检测模型进行训练，获得目标振动检测模型。
可选地，所述振动分析模块还用于：
将所述第二目标状态数据集划分为训练集和验证集；
将所述训练集输入所述预设振动检测模型，迭代优化所述预设振动检测模型的模型参数；
将所述验证集输入优化后的预设振动检测模型，获得对应的预测值；
基于所述预测值和所述预测值对应的振动标签，构造混淆矩阵；
基于所述混淆矩阵计算所述预设振动检测模型的性能指标；
若所述预设振动检测模型的性能指标符合预设指标阈值，将所述预设振动检测模型设置为目标振动检测模型。
可选地，所述振动抑制模块还用于：
在预设振动补偿映射表中查询所述振动标签对应的振动补偿信号，其中，所述预设振动补偿映射表是根据历史振动抑制过程中，各所述振动标签对应的有效振动补偿信号构建得到；
将所述振动补偿信号发送到所述机械臂对应的实时控制器，通过所述实时控制器向所述机械臂输出所述振动补偿信号的控制信号，以对所述机械臂的异常振动进行抑制。
本申请提供的基于深度学习的机械臂振动抑制装置，采用上述实施例中的基于深度学习的机械臂振动抑制方法，解决了机械臂振动的抑制效率低的技术问题。与现有技术相比，本申请实施例提供的基于深度学习的机械臂振动抑制装置的有益效果与上述实施例提供的基于深度学习的机械臂振动抑制方法的有益效果相同，且该基于深度学习的机械臂振动抑制装置中的其他技术特征与上一实施例方法公开的特征相同，在此不做赘述。
实施例五
本申请实施例提供一种电子设备，电子设备包括：至少一个处理器；以及，与至少一个处理器通信链接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例一中的基于深度学习的机械臂振动抑制方法。
下面参考图5，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（personal digital assistant，个人数字助理）、PAD（平板电脑）、PMP（Portable MediaPlayer，便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，电子设备可以包括处理装置（例如中央处理器、图形处理器等），其可以根据存储在只读存储器（ROM，read only memory）中的程序或者从存储装置加载到随机访问存储器（RAM，random access memory）中的程序而执行各种适当的动作和处理。在RAM中，还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线彼此相连。输入/输出（I/O）接口也链接至总线。
通常，以下***可以链接至I/O接口：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置；包括例如液晶显示器（LCD，liquid crystaldisplay）、扬声器、振动器等的输出装置；包括例如磁带、硬盘等的存储装置；以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种***的电子设备，但是应理解的是，并不要求实施或具备所有示出的***。可以替代地实施或具备更多或更少的***。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置被安装，或者从ROM被安装。在该计算机程序被处理装置执行时，执行本公开实施例的方法中限定的上述功能。
本申请提供的电子设备，采用上述实施例中的基于深度学习的机械臂振动抑制方法，解决了机械臂振动的抑制效率低的技术问题。与现有技术相比，本申请实施例提供的电子设备的有益效果与上述实施例一提供的基于深度学习的机械臂振动抑制方法的有益效果相同，且该电子设备中的其他技术特征与上一实施例方法公开的特征相同，在此不做赘述。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
实施例六
本实施例提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令，计算机可读程序指令用于执行上述实施例一中的基于深度学习的机械臂振动抑制的方法。
本申请实施例提供的计算机可读存储介质例如可以是U盘，但不限于电、磁、光、电磁、红外线、或半导体的***、***或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电链接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM，ErasableProgrammable Read-Only Memory或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、***或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
上述计算机可读存储介质可以是电子设备中所包含的；也可以是单独存在，而未装配入电子设备中。
上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被电子设备执行时，使得电子设备采集机械臂的各转动轴处的状态数据；将所述状态数据输入目标状态检测模型以判断所述机械臂是否存在异常振动，其中，所述目标状态检测模型是根据多组具备状态标签的状态数据训练得到；若所述机械臂存在异常振动，则将所述状态数据输入目标振动检测模型获得振动标签，其中，所述目标振动检测模型是根据多组异常振动状态下的机械臂对应的状态数据训练得到，每组状态数据具备对应的振动标签；根据所述振动标签查询对应的振动补偿信号，并根据所述振动补偿信号抑制所述机械臂的异常振动。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN，local area network)或广域网(WAN，Wide Area Network)—链接到用户计算机，或者，可以链接到外部计算机（例如利用因特网服务提供商来通过因特网链接）。
附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序存在。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。
本申请提供的计算机可读存储介质，存储有用于执行上述基于深度学习的机械臂振动抑制方法的计算机可读程序指令，解决了机械臂振动的抑制效率低的技术问题。与现有技术相比，本申请实施例提供的计算机可读存储介质的有益效果与上述实施例提供的基于深度学习的机械臂振动抑制方法的有益效果相同，在此不做赘述。
实施例七
本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的基于深度学习的机械臂振动抑制方法的步骤。
本申请提供的计算机程序产品解决了机械臂振动的抑制效率低的技术问题。与现有技术相比，本申请实施例提供的计算机程序产品的有益效果与上述实施例提供的基于深度学习的机械臂振动抑制方法的有益效果相同，在此不做赘述。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利处理范围内。
Claims (4)
1.一种基于深度学习的机械臂振动抑制方法，其特征在于，所述基于深度学习的机械臂振动抑制方法包括：
采集机械臂的各转动轴处的状态数据；
将所述状态数据输入目标状态检测模型以判断所述机械臂是否存在异常振动，其中，所述目标状态检测模型是根据多组具备状态标签的状态数据训练得到；
若所述机械臂存在异常振动，则将所述状态数据输入目标振动检测模型获得振动标签，其中，所述目标振动检测模型是根据多组异常振动状态下的机械臂对应的状态数据训练得到，每组状态数据具备对应的振动标签；
根据所述振动标签查询对应的振动补偿信号，并根据所述振动补偿信号抑制所述机械臂的异常振动；
其中，所述状态数据包括运动状态数据、振幅数据以及温度数据，所述采集机械臂的各转动轴处的状态数据的步骤包括：
通过实时控制器采集各转动轴的运动状态数据，其中，所述运动状态数据至少包括速度、位置、加速度以及力矩；
通过振动传感器采集各所述转动轴的振幅数据；
通过温度传感器采集各所述转动轴的温度数据；
其中，在所述将所述状态数据输入目标状态检测模型以判断所述机械臂是否存在异常振动的步骤之前，所述方法还包括：
获取所述机械臂的第一历史状态数据，所述第一历史状态数据中包括多组时间点对应的状态数据，且每组状态数据具备对应的状态标签，所述状态标签是根据每组时间点时所述机械臂的真实状态确定的，所述状态标签包括正常标签和异常标签；
根据预设状态比例调整所述第一历史状态数据中正常状态标签的状态数据和异常状态标签的状态数据的比例，获得第一目标状态数据集；
根据所述第一目标状态数据集对预设状态检测模型进行训练，获得目标状态检测模型；
其中，所述根据所述第一目标状态数据集对预设状态检测模型进行训练，获得目标状态检测模型的步骤包括：
将所述第一目标状态数据集划分为训练集和验证集；
将所述训练集输入所述预设状态检测模型，迭代优化所述预设状态检测模型的模型参数；
将所述验证集输入优化后的预设状态检测模型，确定所述预设状态检测模型的预测精度；
若所述预测精度小于预设精度阈值，则返回执行步骤：将所述训练集输入所述预设状态检测模型，迭代优化所述预设状态检测模型的模型参数；
若所述预测精度大于或等于所述预设精度阈值，则将所述预设状态检测模型设置为目标状态检测模型；
其中，在所述将所述状态数据输入目标振动检测模型获得振动标签的步骤之前，还包括：
获取所述机械臂在存在异常振动时的第二历史状态数据，所述第二历史状态数据中包括多组时间点对应的状态数据，且每组状态数据具备对应的振动标签，所述振动标签是根据每组状态数据对应的振动类型确定的；
根据预设类型比例调整所述第二历史状态数据中各种振动标签对应的状态数据的比例，获得第二目标状态数据集；
根据所述第二目标状态数据集对预设振动检测模型进行训练，获得目标振动检测模型；
其中，所述根据所述第二目标状态数据集对预设振动检测模型进行训练，获得目标振动检测模型的步骤包括：
将所述第二目标状态数据集划分为训练集和验证集；
将所述训练集输入所述预设振动检测模型，迭代优化所述预设振动检测模型的模型参数；
将所述验证集输入优化后的预设振动检测模型，获得对应的预测值；
基于所述预测值和所述预测值对应的振动标签，构造混淆矩阵；
基于所述混淆矩阵计算所述预设振动检测模型的性能指标；
若所述预设振动检测模型的性能指标符合预设指标阈值，将所述预设振动检测模型设置为目标振动检测模型；
其中，所述根据所述振动标签查询对应的振动补偿信号，并根据所述振动补偿信号抑制所述机械臂的异常振动的步骤包括：
在预设振动补偿映射表中查询所述振动标签对应的振动补偿信号，其中，所述预设振动补偿映射表是根据历史振动抑制过程中，各所述振动标签对应的有效振动补偿信号构建得到；
将所述振动补偿信号发送到所述机械臂对应的实时控制器，通过所述实时控制器向所述机械臂输出所述振动补偿信号的控制信号，以对所述机械臂的异常振动进行抑制。
2.一种基于深度学习的机械臂振动抑制装置，其特征在于，所述基于深度学习的机械臂振动抑制装置包括：
数据采集模块，用于采集机械臂的各转动轴处的状态数据；
异常检测模块，用于将所述状态数据输入目标状态检测模型以判断所述机械臂是否存在异常振动，其中，所述目标状态检测模型是根据多组具备状态标签的状态数据训练得到；
振动分析模块，用于若所述机械臂存在异常振动，则将所述状态数据输入目标振动检测模型获得振动标签，其中，所述目标振动检测模型是根据多组异常振动状态下的机械臂对应的状态数据训练得到，每组状态数据具备对应的振动标签；
振动抑制模块，用于根据所述振动标签查询对应的振动补偿信号，并根据所述振动补偿信号抑制所述机械臂的异常振动；
其中，所述数据采集模块还用于：
通过实时控制器采集各转动轴的运动状态数据，其中，所述运动状态数据至少包括速度、位置、加速度以及力矩；
通过振动传感器采集各所述转动轴的振幅数据；
通过温度传感器采集各所述转动轴的温度数据；
其中，所述异常检测模块还用于：
获取所述机械臂的第一历史状态数据，所述第一历史状态数据中包括多组时间点对应的状态数据，且每组状态数据具备对应的状态标签，所述状态标签是根据每组时间点时所述机械臂的真实状态确定的，所述状态标签包括正常标签和异常标签；
根据预设状态比例调整所述第一历史状态数据中正常状态标签的状态数据和异常状态标签的状态数据的比例，获得第一目标状态数据集；
根据所述第一目标状态数据集对预设状态检测模型进行训练，获得目标状态检测模型；
其中，所述异常检测模块还用于：
将所述第一目标状态数据集划分为训练集和验证集；
将所述训练集输入所述预设状态检测模型，迭代优化所述预设状态检测模型的模型参数；
将所述验证集输入优化后的预设状态检测模型，确定所述预设状态检测模型的预测精度；
若所述预测精度小于预设精度阈值，则返回执行步骤：将所述训练集输入所述预设状态检测模型，迭代优化所述预设状态检测模型的模型参数；
若所述预测精度大于或等于所述预设精度阈值，则将所述预设状态检测模型设置为目标状态检测模型；
其中，所述振动分析模块还用于：
获取所述机械臂在存在异常振动时的第二历史状态数据，所述第二历史状态数据中包括多组时间点对应的状态数据，且每组状态数据具备对应的振动标签，所述振动标签是根据每组状态数据对应的振动类型确定的；
根据预设类型比例调整所述第二历史状态数据中各种振动标签对应的状态数据的比例，获得第二目标状态数据集；
根据所述第二目标状态数据集对预设振动检测模型进行训练，获得目标振动检测模型；
其中，所述振动分析模块还用于：
将所述第二目标状态数据集划分为训练集和验证集；
将所述训练集输入所述预设振动检测模型，迭代优化所述预设振动检测模型的模型参数；
将所述验证集输入优化后的预设振动检测模型，获得对应的预测值；
基于所述预测值和所述预测值对应的振动标签，构造混淆矩阵；
基于所述混淆矩阵计算所述预设振动检测模型的性能指标；
若所述预设振动检测模型的性能指标符合预设指标阈值，将所述预设振动检测模型设置为目标振动检测模型；
其中，所述振动抑制模块还用于：
在预设振动补偿映射表中查询所述振动标签对应的振动补偿信号，其中，所述预设振动补偿映射表是根据历史振动抑制过程中，各所述振动标签对应的有效振动补偿信号构建得到；
将所述振动补偿信号发送到所述机械臂对应的实时控制器，通过所述实时控制器向所述机械臂输出所述振动补偿信号的控制信号，以对所述机械臂的异常振动进行抑制。
3.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信链接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1所述的基于深度学习的机械臂振动抑制方法的步骤。
4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有实现基于深度学习的机械臂振动抑制方法的程序，所述实现基于深度学习的机械臂振动抑制方法的程序被处理器执行以实现如权利要求1所述基于深度学习的机械臂振动抑制方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310583831.5A CN116277040B (zh) | 2023-05-23 | 2023-05-23 | 基于深度学习的机械臂振动抑制方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310583831.5A CN116277040B (zh) | 2023-05-23 | 2023-05-23 | 基于深度学习的机械臂振动抑制方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116277040A CN116277040A (zh) | 2023-06-23 |
| CN116277040B true CN116277040B (zh) | 2023-07-18 |
Family
ID=86785484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310583831.5A Active CN116277040B (zh) | 2023-05-23 | 2023-05-23 | 基于深度学习的机械臂振动抑制方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116277040B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116968036B (zh) * | 2023-09-20 | 2024-04-05 | 廊坊市珍圭谷科技有限公司 | 一种用于精密设备制造的机械手臂控制装置 |
| CN117021123B (zh) * | 2023-10-09 | 2024-01-30 | 泓浒(苏州)半导体科技有限公司 | 一种超真空环境下晶圆转运机械臂的振动预测***及方法 |
| CN117251716B (zh) * | 2023-11-17 | 2024-01-30 | 泓浒(苏州)半导体科技有限公司 | 超洁净环境下晶圆转运机械臂产出颗粒检测***及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09113351A (ja) * | 1995-08-15 | 1997-05-02 | Omron Corp | 振動監視装置及び振動監視条件決定装置 |
| CN110232435A (zh) * | 2019-04-30 | 2019-09-13 | 沈阳化工大学 | 一种自适应深度置信网络滚动轴承故障诊断方法 |
| CN111367174A (zh) * | 2020-03-12 | 2020-07-03 | 清华大学 | 基于卷积神经网络振动识别的线性二次型控制改进方法 |
| CN111767675A (zh) * | 2020-06-24 | 2020-10-13 | 国家电网有限公司大数据中心 | 变压器振动故障监测方法、装置、电子设备及存储介质 |
| CN113988202A (zh) * | 2021-11-04 | 2022-01-28 | 季华实验室 | 一种基于深度学习的机械臂异常振动检测方法 |
| CN115163424A (zh) * | 2022-06-29 | 2022-10-11 | 中国软件与技术服务股份有限公司 | 基于神经网络的风电机组齿轮箱油温故障检测方法和*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7225108B2 (en) * | 2004-12-06 | 2007-05-29 | Caterpillar Inc | Cross correlation diagnostics tool for vibration analysis |
-
2023
- 2023-05-23 CN CN202310583831.5A patent/CN116277040B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09113351A (ja) * | 1995-08-15 | 1997-05-02 | Omron Corp | 振動監視装置及び振動監視条件決定装置 |
| CN110232435A (zh) * | 2019-04-30 | 2019-09-13 | 沈阳化工大学 | 一种自适应深度置信网络滚动轴承故障诊断方法 |
| CN111367174A (zh) * | 2020-03-12 | 2020-07-03 | 清华大学 | 基于卷积神经网络振动识别的线性二次型控制改进方法 |
| CN111767675A (zh) * | 2020-06-24 | 2020-10-13 | 国家电网有限公司大数据中心 | 变压器振动故障监测方法、装置、电子设备及存储介质 |
| CN113988202A (zh) * | 2021-11-04 | 2022-01-28 | 季华实验室 | 一种基于深度学习的机械臂异常振动检测方法 |
| CN115163424A (zh) * | 2022-06-29 | 2022-10-11 | 中国软件与技术服务股份有限公司 | 基于神经网络的风电机组齿轮箱油温故障检测方法和*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116277040A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116277040B (zh) | 基于深度学习的机械臂振动抑制方法、装置、设备及介质 | |
| CN107253196B (zh) | 一种机械臂碰撞检测方法、装置、设备及存储介质 | |
| CN110059894B (zh) | 设备状态评估方法、装置、***及存储介质 | |
| CN102257448B (zh) | 使用切换模型对信号进行滤波的方法和设备 | |
| CN112834249B (zh) | 转向参数检测方法、装置、设备及存储介质 | |
| CN114710555A (zh) | 一种婴儿监护方法及装置 | |
| CN115392037A (zh) | 设备故障预测方法、装置、设备及存储介质 | |
| CN115946120A (zh) | 机械臂控制方法、装置、设备和介质 | |
| CN116776289B (zh) | 数控机床加工方法、装置、电子设备及可读存储介质 | |
| CN114638411A (zh) | 二氧化碳浓度预测方法、装置、设备及介质 | |
| CN116460859B (zh) | Scara机器人运动补偿方法、装置、设备及存储介质 | |
| CN113076358A (zh) | 一种报表生成方法、装置、设备及存储介质 | |
| CN115431302A (zh) | 机器人关节空程测量方法、装置、电子设备及存储介质 | |
| CN114116431B (zh) | ***运行健康检测方法、装置、电子设备及可读存储介质 | |
| CN113561181B (zh) | 目标检测模型的更新方法、装置及*** | |
| EP3933571A1 (en) | System for providing software development environment, method for providing software development environment, and non-transitory computer readable medium | |
| CN114187552A (zh) | 一种机房动力环境监控方法及*** | |
| CN114265914A (zh) | 一种机器人显示方法、装置、设备以及存储介质 | |
| CN113703637A (zh) | 巡检任务代码化方法、装置、电子设备和计算机存储介质 | |
| CN117102950B (zh) | 故障分析方法、装置、电子设备及计算机可读存储介质 | |
| CN116372942B (zh) | 机器人关节补偿方法、装置、电子设备及可读存储介质 | |
| CN115420418B (zh) | 气压测量方法、装置、电子设备及可读存储介质 | |
| CN116395105B (zh) | 一种无人船的自动升降补偿方法及*** | |
| CN114001939B (zh) | 一种线路连接装置监测方法、装置、设备及存储介质 | |
| CN113177077B (zh) | 用于自动驾驶的异常事件确定方法、装置及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |