CN116560341A - 工业机器人故障诊断模型及故障诊断方法 - Google Patents

Abstract

本发明公开了一种工业机器人故障诊断模型，包括：时序特征提取模块，用于进行时序特征提取，并将每个时间窗输出的记忆信息进行拼接融合，拼接融合得到的时序特征图作为整个时序特征提取模块的输出结果；多尺度卷积模块，包括并列设置的多个特征提取分支，每个特征提取分支分别对时序特征图进行特征提取，将所有特征提取分支提取的特征图合并后得到的故障类别特征向量；多标签分类器，包括并列设置的多个故障标签模块，每一个故障标签模块包括与对应关节中可能出现故障的零部件一一对应设有分类器，每一个分类器具有独立的损失函数并将故障类别特征向量转换为类别概率向量。本发明还公开了一种工业机器人故障诊断方法。

Description

工业机器人故障诊断模型及故障诊断方法

技术领域

本发明属于工业设备故障诊断技术领域，具体的为一种工业机器人故障诊断模型及故障诊断方法。

背景技术

随着我国汽车制造业不断地向自动化、智能化转型升级，生产场景日益复杂多样化，汽车生产企业对自动化生产设备各方面的性能要求也水涨船高，特别是在安全可靠性方面。焊装机器人作为白车身焊装生产线上的核心设备，若出现突发性异常故障情况将会打乱生产节拍，导致白车身焊装质量下降，企业生产效率降低，甚至会威胁到员工的健康安全。因此，生产企业对白车身焊装机器人的安全可靠性、运行稳定性的要求很高。白车身焊装机器人是一种多功能、智能化且专门从事白车身骨架焊装的机械臂，具有智能化水平高、经济效益好、安全可靠性高等优点，是汽车生产过程中必不可少的精密生产设备。然而，焊装机器人在复杂多样的生产场景中，经常出现不可预见的异常故障，造成其位置精度下降，焊装质量不理想，导致整个白车身焊装生产线非计划停运，甚至威胁工人安全。对于企业来说，一旦焊装机器人***发生突发性、非预期异常与故障情况，将会导致整条生产线的生产停滞。如果故障机器人得不到及时的维修处理，可能会演变成巨大的生产事故。为了预防焊装机器人出现非计划、非预期的异常与故障情况，当前汽车生产企业大都采用定期人工检修维护的传统方式，如果发现焊装机器人出现异常，需要对异常机器人进行全方位检修，逐步定位故障部件，非常耗时耗力。传统的焊装机器人异常监测与故障诊断方式非常浪费企业资源，造成生产效率降低。因此，非常有必要对焊装机器人开展快速故障诊断方法研究，帮助工程师及时发现机器人早期异常状况并针对异常完成故障诊断定位，从而及时进行针对性部件维修，也为生产线计划性检修工作提供有效参考。

机械设备的故障诊断研究是一门多学科领域深度交叉的综合性技术。故障诊断***利用信号分析处理、特征提取等技术方法分析异常信号，并结合故障现象对异常设备进行故障类型判别，定位故障部件并找到故障原因，帮助工程师确定相应维修方案。传统的故障诊断方法包括特征信号分析、统计分析、专家经验***等，大多依赖于成熟的数学、物理及经验模型，对信号数据质量有较高要求，适用的场景及对象往往具有一定的局限性。在实际生产中，往往缺乏表征设备运行状态的深层次信号，导致传统故障检测方法在特殊场景下出现失效的情况，并且设备工况的多变性和无法避免的信号噪声对传统方法的性能有较大影响，使其无法应用于复杂多样的生产场景。近年来，随着AI技术、大数据技术和高性能计算集群的快速发展，基于机器学习和数据驱动的故障诊断方法已经成为故障诊断学科的前沿课题。利用神经网络等机器学习算法学习海量的设备运行信号数据，提取信号的深度特征，实现自动化设备的智能化故障诊断。

发明内容

有鉴于此，本发明的目的在于提供一种工业机器人故障诊断模型及故障诊断方法，能够实现工业机器人异常故障的快速诊断。

为达到上述目的，本发明提供如下技术方案：

本发明首先提出了一种工业机器人故障诊断模型，包括：

时序特征提取模块，用于对工业机器人各关节的电流、转速、转动角度和运行阶段信号进行时序特征提取，并将每个时间窗输出的记忆信息进行拼接融合，拼接融合得到的时序特征图作为整个时序特征提取模块的输出结果；

多尺度卷积模块，包括并列设置的多个特征提取分支，每个特征提取分支分别采用不同感受野卷积核组合对时序特征图进行特征提取，将所有特征提取分支提取的特征图合并后得到的故障类别特征向量作为多尺度卷积模块的输出；

多标签分类器，包括并列设置的多个故障标签模块，所述故障标签模块与工业机器人的关节一一对应设置，每一个故障标签模块包括与对应关节中可能出现故障的零部件一一对应设有分类器，每一个所述分类器具有独立的损失函数并将故障类别特征向量转换为类别概率向量。

进一步，所述时序特征提取模块采用LSTM神经网络。

进一步，所述多尺度卷积模块中并列设有五个特征提取分支，分别为：

MSCM_a特征提取分支，包括一个1×1卷积核，以尽可能保留时序特征图中的特征信息；

MSCM_b特征提取分支，用于执行Max-Pooling操作，以降低输入数据维度并提取主要特征信息；

MSCM_c特征提取分支，包括串联的一个1×1卷积核和一个3×3卷积核；

MSCM_d特征提取分支，包括串联的一个1×1卷积核和一个5×5卷积核；

MSCM_e特征提取分支，包括串联的一个1×1卷积核与一个7×7卷积核。

进一步，所述MSCM_c特征提取分支中，将3×3卷积核拆分为串联的一个1×3卷积核和一个3×1卷积核。

进一步，所述MSCM_d特征提取分支中，将5×5卷积核拆分为一个3×3卷积核、一个1×3卷积核和一个3×1卷积核；其中，3×3卷积核与MSCM_d特征提取分支中的1×1卷积核串联，1×3卷积核与3×1卷积核并联后再与3×3卷积核串联。

进一步，所述MSCM_e特征提取分支中，将7×7卷积核拆分为两个3×3卷积核、一个1×3卷积核和一个3×1卷积核；其中，两个3×3卷积核相互串联，其中一个3×3卷积核与MSCM_e特征提取分支中的1×1卷积核串联，1×3卷积核与3×1卷积核并联后再与另一个3×3卷积核串联。

进一步，所述多尺度卷积模块还包括全局平均池化模块，所述全局平均池化模块用于合并所有特征提取分支提取的特征图并得到的故障类别特征向量。

进一步，所述分类器中采用sigmoid函数作为激活函数。

本发明还提出了一种工业机器人故障诊断方法，包括如下步骤：

步骤一：数据采集，通过工业机器人控制软件和产线设备数据库完成原始数据的采集，并对采集的原始数据进行预处理后构建得到数据集；

步骤二：构建如上所述的工业机器人故障诊断模型；

步骤三：利用数据集训练工业机器人故障诊断模型并评估工业机器人故障诊断模型的有效性；

步骤四：通过工业机器人控制软件实时采集工业机器人各关节的电流、转速、转动角度和运行阶段信号，实现对工业机器人故障的快速诊断定位。

本发明的有益效果在于：

本发明的工业机器人故障诊断模型，首先采用时序特征提取模块提取机器人各关节电流、转速、转动角度和运行阶段信号时序特征，将每一个灵活时间窗的时序记忆特征量整合得到二维的时序特征图，然后通过提出的多尺度卷积模块进一步提取机器人运行信号的深层次空间特征，最后通过多标签分类器完成故障诊断；通过在多尺度卷积模块内并联设置多个特征提取分支，每个特征提取分支分别采用不同感受野卷积核组合对时序特征图进行特征提取，以获取特征图中相同位置的多种特征，能够有效避免特定单一卷积核则会使网络只关注某一特定信号特征、可能会丢失某些关键信号特征、从而导致难以区分不同类别信号数据相似处的差别的问题；通过在多标签分类器内与工业机器人的关节一一对应设置故障标签模块，并在每一个故障标签模块内与对应关节中可能出现故障的零件部对应设置分类器，每一个分类器采用独立的损失函数并将故障类别特征向量转换为类别概率向量，不必将限制所有类别概率和为1，能够将庞大单标签分类拆分为多个二分类的策略使分类器具备很细的分类粒度，并有效提升精度。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明工业机器人故障诊断方法实施例的流程图；

图2为本发明工业机器人故障诊断模型实施例的结构图；

图3为时序特征提取模块的结构图；

图4为LSTM神经网络的结构图；

图5为多尺度卷积模块的结构图；

图6为多标签分类器的结构图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

本实施例以分析白车身焊装工艺过程中的焊装机器人为例，对工业机器人的故障诊断方法进行说明。在进行故障诊断前，需要首先分析白车身焊装工艺过程与生产线组成结构，分析焊装机器人的工作特点、结构与性能；随后，简要分析焊装机器人异常与故障的形式和特点，提出焊装机器人故障诊断总体方案。基于故障诊断总体方案进行故障诊断，如图1所示，本实施例的工业机器人故障诊断方法，包括如下步骤：

步骤一：数据采集，通过工业机器人控制软件和产线设备数据库完成原始数据的采集，并对采集的原始数据进行预处理后构建得到数据集。

焊装机器人运行信号数据由各关节内部传感器实时采集，反馈给控制器软件并保存到生产线网络机柜，本实施例通过焊装机器人的控制器软件BOS6000和焊装生产线的设备数据库完成数据采集工作。由于焊装生产线内机器人和传感器型号存在差异、信号采集频率存在波动等问题，从生产线现场采集到的原始数据存在数据值缺失、异常以及数据格式不统一等现象，需要对原始数据进行必要的预处理，预处理的方法包括对原始数据做分组、缺失填补、数据转换等。

步骤二：构建工业机器人故障诊断模型(LtcmNet)。

如图2所示，本实施例的工业机器人故障诊断模型，包括时序特征提取模块、多尺度卷积模块和多标签分类器。

(1)时序特征提取模块，用于对工业机器人各关节的电流、转速、转动角度和运行阶段信号进行时序特征提取，并将每个时间窗输出的记忆信息h_t进行拼接融合，拼接融合得到的时序特征图作为整个时序特征提取模块的输出结果。如图3所示，本实施例中，时序特征提取模块采用LSTM神经网络。

焊装机器人在焊装作业时往往按照预设程序进行，因此机器人运行信号数据大都具备时序特性。为了挖掘机器人各关节信号的时序特征，LtcmNet的头部采用LSTM对机器人各关节电流、转速、转动角度和运行阶段信号进行时序特征提取。

长短期记忆网络(LSTM，Long Short-Term Memory)是一种时间循环神经网络。由于独特的设计结构，LSTM适合于处理和预测时间序列中间隔和延迟非常长的重要事件。其结构类似于普通循环神经网络，它通过引入3个门控单元实现“比较长”的记忆，主要用于解决较长的短间隔依赖。LSTM中最主要的单元为3个控制门：输入门、遗忘门、输出门。输入门控制网络的输入；遗忘门作为LSTM的核心，决定着哪些知识或信息需要保留记住，哪些需要遗忘去除，等价于循环神经网络中的记忆单元；输出门则控制着网络的输出。LSTM神经网络的结构如图4所示。

LSTM神经网络的结构与原理：

①遗忘门：决定从历史“记忆”中保留和抛弃哪些信息，它会使用上一时刻的输出h_t-1和当前时刻的输入x_t联合作为输入，经过σ函数输出一个[0,1]之间的数值作为记忆权重作用于上一时刻的记忆c_t-1，决定记忆和遗忘的程度。0表示丢弃上一时刻的记忆，1表示完全保留上一时刻的记忆。σ函数往往采用类似于Sigmoid的函数，其输出区间为[0,1]，表示记忆信息取舍权重。遗忘门的数学表达式为：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

②输入门：决定记忆的更新，采用σ函数，其输入为上一时刻的输出和当前时刻的输入。与遗忘门类似，σ函数返回一个[0,1]之间的数值作为记忆更新权重，用于确定哪些新的记忆需要被记住并将该记忆更新至旧知识库内。因此输入门会将当前时间刻筛选出的需要更新的记忆和遗忘门筛选出上一时刻需要保留的记忆进行整合，得到新的记忆。其数学表达式为：

将公式4.2的结果i_t和做元素级别相乘便得到当前t时刻需要记住的信息，再使用公式4.3更新至旧记忆中，得到当前时间刻t的最新记忆c_t。c_t作为当前时刻的最新记忆信息与上一时刻c_t-1一样，会传递到下一时刻。

③输出门：采用标准的Sigmoid函数作用于当前最新记忆信息得出概率向量o_t，并使用tanh激活函数对当前记忆的分布进行重整，与输出概率向量o_t相乘后得到输出向量h_t。输出门的数学表达式为：

LSTM网络可由多个cell构成，每一个cell都包含上述三个控制门结构，这种独特的功能结构让LSTM在提取数据时序特征任务中取得很好的结果。

本实施例提出的时序特征提取模块以LSTM网络为主体，将传感器采集的工业机器人六个关节的电机电流、转速、关节转动角度和机器人运行阶段共20通道信号X_r经过归一化处理后作为时序特征提取模块的数据输入，应用LSTM神经网络对信号数据建模并提取时序特征，并将每个时间窗输出的记忆信息h_t进行拼接融合，作为整个时序特征提取模块的输出结果。

(2)多尺度卷积模块，包括并列设置的多个特征提取分支，每个特征提取分支分别采用不同感受野卷积核组合对时序特征图进行特征提取，将所有特征提取分支提取的特征图合并后得到的故障类别特征向量作为多尺度卷积模块的输出。具体的，本实施例的多尺度卷积模块还包括全局平均池化模块，全局平均池化模块用于合并所有特征提取分支提取的特征图并得到的故障类别特征向量。如图5所示，本实施例中，多尺度卷积模块中并列设有五个特征提取分支，分别为：

MSCM_a特征提取分支，包括一个1×1卷积核，以尽可能保留时序特征图中的特征信息；

MSCM_b特征提取分支，用于执行Max-Pooling操作，以降低输入数据维度并提取主要特征信息；

MSCM_c特征提取分支，包括串联的一个1×1卷积核和一个3×3卷积核；在本实施例的优选实施方式中，将3×3卷积核拆分为串联的一个1×3卷积核和一个3×1卷积核；

MSCM_d特征提取分支，包括串联的一个1×1卷积核和一个5×5卷积核；在本实施例的优选实施方式中，将5×5卷积核拆分为一个3×3卷积核、一个1×3卷积核和一个3×1卷积核；其中，3×3卷积核与MSCM_d特征提取分支中的1×1卷积核串联，1×3卷积核与3×1卷积核并联后再与3×3卷积核串联；

MSCM_e特征提取分支，包括串联的一个1×1卷积核与一个7×7卷积核；在本实施例的优选实施方式中，将7×7卷积核拆分为两个3×3卷积核、一个1×3卷积核和一个3×1卷积核；其中，两个3×3卷积核相互串联，其中一个3×3卷积核与MSCM_e特征提取分支中的1×1卷积核串联，1×3卷积核与3×1卷积核并联后再与另一个3×3卷积核串联。

LtcmNet头部由LSTM完成信号时序特征提取任务，并将每一个时间窗获取的记忆信息进行拼接融合，得到信号数据完整的时序特征图作为后续网络模型的输入。采用拼接融合LSTM每个时间步的记忆输出策略，不同于只获取末尾cell输出的策略，虽然能够获取信号浅层特征并保留更全面的信息，但也会聚集信号中无用信息，无法提取信号深层特征。因此，本实施例引入一种多尺度卷积模块来弥补上述不足。

CNN通过共享的“卷积核”结构在特征向量或矩阵上滑动达到提取特征的目的，其卷积的过程中会丢弃部分旧特征，同时圈入新的特征，使得权重参数调度降低，促进了网络对高维数据的处理能力，大大降低了特征工程的难度。CNN往往被应用于语音、视频、图像和自然语言处理等具有庞大特征输入特点的场景，同时也适用于信号数据处理场景。应用CNN对信号进行特征提取时，传统方式是将信号数据一维化后输入到CNN网络中完成特征提取任务，但本实施例的信号数据是焊装机器人六个关节的电流、转速和运行阶段的周期时序数据，除了各关节电流通道、转速通道、运行阶段通道各自在时间域中隐藏着时序特征外，各个关节的三通道信号间也蕴藏着在空间域中的联系。考虑到电流、转速、转动角度、运行阶段信号数据可能会被强背景噪声覆盖，导致与故障相关特征信息被弱化的情况，本实施例采用二维多尺度特征提取策略对输入信号数据进行更深层次学习，充分提取机器人关节各信号间的相关性特征，并将提出的多尺度卷积模块命名为MSCM卷积模块。

对于本实施例的机器人运行周期信号数据来说，不同故障类别的周期信号数据相似度很高，若采用特定单一卷积核则会使网络只关注某一特定信号特征，可能会丢失某些关键信号特征，从而导致难以区分不同类别信号数据相似处的差别。为了提高模型的泛化能力，MSCM引入多种尺寸卷积核对特征图进行并行提取操作，获取特征图中相同位置的多种特征。本实施例的MSCM卷积模块结构如5图所示，其由五个分支构成，每个分支都对输入特征图进行特征提取，最后合并五个分支的特征图输出，得到一组深度特征图。如图3所示为MSCM模块结构图。

MSCM模块中，第一个分支采用一个1×1卷积核，尽可能保留特征图中的特征信息。第二分支为单纯的Max-Pooling操作，降低输入数据维度并提取主要特征信息。第三分支由一个1×1卷积核和一个3×3卷积核构成，并将3×3卷积核拆解为两个非对称卷积核，拆解后的1×3、3×1卷积核等价于一个3×3卷积核，这种卷积核拆解策略的优点是在不改变效果的同时大大降低网络参数。第四分支由一个1×1卷积核和一个5×5卷积核构成，此处采用感受野更大的5×5卷积核来提升MSCM模块空间位置关系特征提取能力。考虑到增加感受野带来的网络参数激增的问题，采用与第三分支类似的策略，将5×5卷积核拆分为一个3×3卷积核与1×3、3×1非对称卷积核并行结构。第五分支由一个1×1卷积核与一个7×7卷积核构成，与第四分支类似，将7×7卷积核进行相应的拆解操作。

MSCM模块的五个分支分别采用不同感受野卷积核组合对特征图进行特征提取，并采用将大卷积核拆解为多个非对称卷积核结构。MSCM模块各分支合理地进行维度缩减并不会破坏网络特征提取能力，而且通过更多的激活输出分支产生互相解耦的特征表示，从而产生高阶稀疏特征并加速收敛。

(3)多标签分类器，包括并列设置的多个故障标签模块，故障标签模块与工业机器人的关节一一对应设置，每一个故障标签模块包括与对应关节中可能出现故障的零部件一一对应设有分类器，每一个分类器具有独立的损失函数并将故障类别特征向量转换为类别概率向量。

焊装机器人由其智能化水平高、生产效率及安全性高、经济效益显著被广泛应用于汽车焊接、装配方面。考虑到焊装机器人是由众多复杂部件构成的高度自动化精密机械设备，在长时间、高强度、变负载的生产过程中，很大可能会出现多部件损坏或单部件复合故障的情况，例如机器人某关节的减速器和电机都出现故障，或是机器人多个关节同时出现故障。虽然可以将复合故障人为规定为单独一种故障标签，但对于本实施例研究对象来说，焊装机器人6个关节每个关节都可能会出现减速器故障或者电机故障，并且各关节故障标签都是相互独立的，所以总共有2^12种类别可能。然而大小为2^12的类别空间过于庞大，若使用简单的单标签分类器处理如此庞大的类别空间将会大大增加训练压力和模型收敛的难度，这显然是不明智的选择。针对上述问题，本实施例采用多标签分类器作为LtcmNet尾部，其功能为接收MSCM模块的特征向量输出，完成多标签分类任务。

传统的CNN网络在处理多分类问题时往往采用Softmax作为激活函数结合交叉熵损失函数的方式。其中，Softmax函数的输入是一个k维的行向量，输出也是一个k维行向量，向量的每一维都在(0,1)区间内并且总和为1。该函数的作用是将卷积网络输出层的类别特征向量转化为对应的类别特征概率向量，使输出层各类别输出值和为1，最终模型返回概率值最高的类别作为整个模型判别结果，Softmax函数的数学表达式为：

softmax运算的本质是将各个类别预测结果的单个可能性转换为整体预测中的概率值，这种方式只适用于单标签多故障分类而不适用于复合故障诊断。为此引入多个并行sigmoid激活函数作为多标签分类器的主体结构。Sigmoid是一种非线性激活函数，其数学表达式为：

sigmoid函数图像呈现“S”形，sigmoid函数可以将输入的连续数值变换为(0,1)区间内的值，相当于进行数值压缩。本实施例的多标签分类器将焊装机器人复杂的组合故障类别拆分为6个独立关节的电机和减速器的故障标签，分别对应设置6个故障标签，每一个故障标签模块包括与对应关节中可能出现故障的零部件一一对应设有分类器，本实施例中可能出现故障的零部件包括减速器和电机，即每个故障标签模块包括2个分类器，为每个关节的减速器和电机单独进行故障诊断。如此，如图6所示，使用12个sigmoid函数并联组合，取代单个softmax函数分类器，本质上是将原本2^12大小的单标签类别空间拆分为12个单标签类别空间，每个类别都有其自己独立的损失函数同时不必将限制所有类别概率和为1。这种将庞大单标签分类拆分为多个二分类的策略使分类器具备很细的分类粒度，并有效提升精度。如图4为多标签分类器结构示意图。

步骤三：利用数据集训练工业机器人故障诊断模型并评估工业机器人故障诊断模型的有效性。

步骤四：通过工业机器人控制软件实时采集工业机器人各关节的电流、转速、转动角度和运行阶段信号，实现对工业机器人故障的快速诊断定位。

具体的，本实施例中，将LtcmNet分为头部(时序特征提取模块)、体部(多尺度卷积模块)和尾部(多标签分类器)三个组成部分：

(1)LtcmNet头部

LtcmNet头部由LSTM网络构成，用于完成对机器人信号数据的时序特征提取并将每个时间窗获取的记忆信息进行拼接融合，输出时序特征图。采用单层LSTM网络，隐藏层数目由下一节模型对比实验结果可知设定为128，输入维度为20。需要说明的是，焊装生产线现场缺乏机器人在线故障数据，所以本模型的数据集内包含部分工程师针对故障机器人进行线下调试检修时采集的故障信号数据。然而，调试检修过程并非运行固定的调试程序，导致采集的故障信号不具备周期性并且采集长度参差不齐。为了解决模型输入信号长度参差不齐的问题，LtcmNet采用灵活时间窗策略，即模型头部LSTM网络中时间窗长度T可以根据输入的数据长度进行灵活调整，保证模型头部输出的时序特征图形状统一为1×130×128。

(2)LtcmNet体部

LtcmNet体部是由多个MSCM多尺度卷积模块堆叠构成的多尺度深度卷积层，用于完成对时序特征图的深层特征提取，此层包含五个MSCM模块，分别是MSCM_a、MSCM_b、MSCM_c、MSCM_d、MSCM_e，通过全局平均池化模块(Global Average Pooling2D,GAP2D)输出故障类别特征向量。如表1所示为LtcmNet多尺度卷积层结构参数表。

表4.1LtcmNet多尺度卷积层结构参数

(3)LtcmNet尾部

模型尾部由多标签分类器构成，采用12个并行sigmoid激活函数的结构。多标签分类器接收全局平均池化层(GAP2D)输出的故障类别特征向量(1×12)，进行标签融合和故障判别，最终输出故障诊断判别结果。

本实施例基于LSTM与CNN构建了LtcmNet模型，解决了白车身焊装机器人故障诊断问题。首先提出灵活时间窗LSTM提取机器人故障运行信号时序特征图，灵活时间窗宽度能够根据输入信号数据长度灵活调整，使LtcmNet模型具备处理非等长信号数据的能力。然后提出了MSCM多尺度卷积模块作为LtcmNet的体部，MSCM模块由五个不同感受野并行卷积分支构成，能够充分提取机器人关节各信号间的相关性特征，并且各卷积分支提取的特征能够实现信息互补，极大保留了信号整体与局部的空间特征信息，同时弱化工业噪音干扰。最后LtcmNet尾部通过多标签分类器实现了焊装机器人精准故障诊断。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (9)

1.一种工业机器人故障诊断模型，其特征在于：包括：

时序特征提取模块，用于对工业机器人各关节的电流、转速、转动角度和运行阶段信号进行时序特征提取，并将每个时间窗输出的记忆信息进行拼接融合，拼接融合得到的时序特征图作为整个时序特征提取模块的输出结果；

多尺度卷积模块，包括并列设置的多个特征提取分支，每个特征提取分支分别采用不同感受野卷积核组合对时序特征图进行特征提取，将所有特征提取分支提取的特征图合并后得到的故障类别特征向量作为多尺度卷积模块的输出；

多标签分类器，包括并列设置的多个故障标签模块，所述故障标签模块与工业机器人的关节一一对应设置，每一个故障标签模块包括与对应关节中可能出现故障的零部件一一对应设有分类器，每一个所述分类器具有独立的损失函数并将故障类别特征向量转换为类别概率向量。

2.根据权利要求1所述的工业机器人故障诊断模型，其特征在于：所述时序特征提取模块采用LSTM神经网络。

3.根据权利要求1所述的工业机器人故障诊断模型，其特征在于：所述多尺度卷积模块中并列设有五个特征提取分支，分别为：

MSCM_a特征提取分支，包括一个1×1卷积核，以尽可能保留时序特征图中的特征信息；

MSCM_b特征提取分支，用于执行Max-Pooling操作，以降低输入数据维度并提取主要特征信息；

MSCM_c特征提取分支，包括串联的一个1×1卷积核和一个3×3卷积核；

MSCM_d特征提取分支，包括串联的一个1×1卷积核和一个5×5卷积核；

MSCM_e特征提取分支，包括串联的一个1×1卷积核与一个7×7卷积核。

4.根据权利要求3所述的工业机器人故障诊断模型，其特征在于：所述MSCM_c特征提取分支中，将3×3卷积核拆分为串联的一个1×3卷积核和一个3×1卷积核。

5.根据权利要求3所述的工业机器人故障诊断模型，其特征在于：所述MSCM_d特征提取分支中，将5×5卷积核拆分为一个3×3卷积核、一个1×3卷积核和一个3×1卷积核；其中，3×3卷积核与MSCM_d特征提取分支中的1×1卷积核串联，1×3卷积核与3×1卷积核并联后再与3×3卷积核串联。

6.根据权利要求3所述的工业机器人故障诊断模型，其特征在于：所述MSCM_e特征提取分支中，将7×7卷积核拆分为两个3×3卷积核、一个1×3卷积核和一个3×1卷积核；其中，两个3×3卷积核相互串联，其中一个3×3卷积核与MSCM_e特征提取分支中的1×1卷积核串联，1×3卷积核与3×1卷积核并联后再与另一个3×3卷积核串联。

7.根据权利要求1所述的工业机器人故障诊断模型，其特征在于：所述多尺度卷积模块还包括全局平均池化模块，所述全局平均池化模块用于合并所有特征提取分支提取的特征图并得到的故障类别特征向量。

8.根据权利要求1所述的工业机器人故障诊断模型，其特征在于：所述分类器中采用sigmoid函数作为激活函数。

9.一种工业机器人故障诊断方法，其特征在于：包括如下步骤：

步骤一：数据采集，通过工业机器人控制软件和产线设备数据库完成原始数据的采集，并对采集的原始数据进行预处理后构建得到数据集；

步骤二：构建如权利要求1-8任一项所述的工业机器人故障诊断模型；

步骤三：利用数据集训练工业机器人故障诊断模型并评估工业机器人故障诊断模型的有效性；

步骤四：通过工业机器人控制软件实时采集工业机器人各关节的电流、转速、转动角度和运行阶段信号，实现对工业机器人故障的快速诊断定位。