CN117367777B - 一种scara机器人滚珠丝杠故障诊断方法 - Google Patents
一种scara机器人滚珠丝杠故障诊断方法 Download PDFInfo
- Publication number
- CN117367777B CN117367777B CN202311523372.8A CN202311523372A CN117367777B CN 117367777 B CN117367777 B CN 117367777B CN 202311523372 A CN202311523372 A CN 202311523372A CN 117367777 B CN117367777 B CN 117367777B
- Authority
- CN
- China
- Prior art keywords
- data
- denotes
- loss function
- representing
- class
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000006870 function Effects 0.000 claims abstract description 96
- 238000013507 mapping Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 42
- 239000013598 vector Substances 0.000 claims abstract description 42
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 230000003044 adaptive effect Effects 0.000 claims description 20
- 230000003321 amplification Effects 0.000 claims description 8
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 21
- 238000009826 distribution Methods 0.000 description 21
- 238000004590 computer program Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 208000008487 fibromuscular dysplasia Diseases 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 101100502320 Arabidopsis thaliana FAD4 gene Proteins 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及一种SCARA机器人滚珠丝杠故障诊断方法,包括:获取源域数据集和目标域数据集;对源域数据集和目标域数据集采样;对采样得到的数据样本进行分组得到多组数据对;利用特征提取器提取每组数据对的映射特征向量,将每组数据对的映射特征向量输入至判别器中构建判别器损失函数;将多组数据对的映射特征向量分别输入判别器中进行对抗性学习以构建特征提取器损失函数;重新对源域数据集和目标域数据集中的数据样本进行采样,以对判别器和特征提取器进行迭代训练,得到SCARA机器人滚珠丝杠故障诊断模型。本申请使用不同机器人对应的数据构建了两个数据集对模型进行训练,使得训练好的故障诊断模型能够更好地完成跨机器的故障诊断。
Description
技术领域
本发明涉及机器人和旋转机械技术领域,尤其是指一种SCARA机器人滚珠丝杠故障诊断方法。
背景技术
为了迎合工业发展的需求,工业界发明了多种选择顺应性装备机械手臂(Aelective Compliance Assembly Robot Arm,SCARA)机器人来执行不同生产任务。滚珠丝杠作为SCARA机器人的机械手臂,其健康状态关乎生产安全和生产效率,因此丝杠的状态监测十分重要。
目前针对滚珠丝杠开发的故障诊断方法有隔离森林算法、小波卷积算法、联合分布自适应算法(Joint Distribution Adaptation,JDA)、Wasserstein距离算法和最大均值差异算法(Maximum Mean Difference,MMD)。虽然这些方法在同机器变工况下取得了不错的诊断效果,但却难以胜任跨界机器的故障诊断,这是因为不同机器人之间的数据分布差异较大,其诊断数据很难服从独立同分布的假设,因此根据同一机器训练出的故障诊断模型难以直接应用于其他SCARA机器人。除此之外,现有的滚珠丝杠故障诊断方法还需要使用大量的样本训练模型,同时依赖体积大和计算复杂的卷积神经网络,这会阻碍模型在工业中的终端部署。
综上所述,现有的SCARA机器人滚珠丝杠故障诊断方法存在无法对跨界机器人进行故障诊断,并且现有的故障诊断方法需要依赖体积大、计算复杂的卷积神经网络,阻碍了模型在工业中的终端部署的问题。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中的SCARA机器人滚珠丝杠故障诊断方法存在无法对跨界机器人进行故障诊断,并且现有的故障诊断方法需要依赖体积大、计算复杂的卷积神经网络,阻碍了模型在工业中的终端部署的问题。
为解决上述技术问题,本发明提供了一种SCARA机器人滚珠丝杠故障诊断方法,包括:
获取源域数据集和目标域数据集;其中,所述源域数据集和所述目标域数据集分别对应不同SCARA机器人的滚珠丝杠驱动电机在C个故障类别下的电流数据样本;
对所述源域数据集和所述目标域数据集进行采样,得到源域数据子集和目标域数据子集/>其中,/>表示源域数子集中故障类别为C的数据样本,/>表示目标域数据子集中故障类别为C的数据样本;
对所述源域数据子集和所述目标域数据子集中的数据样本进行分组,得到第一类数据对第二类数据对第三类数据对第四类数据对其中,1<i<C;
将所有数据对分别输入至特征提取器中,输出每组数据对的映射特征向量,将每组数据对的映射特征向量输入至判别器中,基于所述判别器的输出构建判别器损失函数;
将第一类数据对中每组数据对的映射特征向量和第二类数据对中每组数据对的映射特征向量输入至判别器中进行对抗性学习,将第三类数据对中每组数据对的映射特征向量和第四类数据对中每组数据对的映射特征向量输入至判别器中进行对抗性学习,基于所述判别器的输出构建第一损失函数;
将任意两组第一个数据的故障类别和第二个数据的故障类别均不同的数据对的映射特征向量输入至判别器中进行对抗性学习,基于所述判别器的输出构建第二损失函数;
基于所述目标域数据集与所述目标域数据子集的最大均值差异平方、所述目标域数据集与所述源域数据集的最大均值差异平方构建第三损失函数;
基于所述第一损失函数、所述第二损失函数和所述第三损失函数构建特征提取器损失函数;
重新对所述源域数据集和所述目标域数据集中的数据样本进行采样,得到新的源域数据子集和新的目标域数据子集,以对所述判别器和所述特征提取器进行迭代训练,直到所述判别器损失函数和所述特征提取器损失函数的值最小,基于训练好的特征提取器和训练好的判别器得到SCARA机器人滚珠丝杠故障诊断模型。
在本发明的一个实施例中,对所述源域数据集和所述目标域数据集进行采样前还包括:
将所述源域数据集中的数据样本输入至特征提取器中,输出数据样本的映射特征向量,将所述数据样本的映射特征向量输入至分类器中,基于所述分类器的输出构建分类损失函数;
利用所述源域数据集中的数据样本对所述特征提取器进行预训练,直到所述分类损失函数的值最小,得到预训练好的特征提取器;
在本发明的一个实施例中,所述分类损失函数为:
其中,Ls表示分类损失函数,lce表示交叉熵损失,F表示特征提取器,Xs表示源域数据集中的数据样本,θf表示特征提取器的参数,表示数据样本Xs的真实故障类别,/>表示分类器输出的数据样本Xs的预测故障类别。
在本发明的一个实施例中,所述判别器损失函数为:
其中,LG表示判别器损失函数,E表示统计期望,4C表示数据对的组数,g表示数据对的组别编号,lce表示交叉熵损失,D表示判别器,表示通道拼接,F表示特征提取器,/>表示第g组数据对中的第一个数据,/>表示第g组数据对中的第二个数据,θf表示特征提取器的参数,θd表示判别器的参数,/>表示第g组数据对的真实组别,/>表示判别器输出的第g组数据对的预测组别。
在本发明的一个实施例中,所述第一损失函数为:
其中,L1表示第一损失函数,E表示统计期望,g表示数据对的组别编号,[C+1,2C]表示第二类数据对,当g=[C+1,2C]时,g-C=[1,C],表示第一类数据对,[3C+1,4C]表示第四类数据对,当g=[3C+1,4C]时,g-C=[2C+1,3C],表示第三类数据对,D表示判别器,表示通道拼接,F表示特征提取器,/>表示第g组数据对中的第一个数据,/>表示第g组数据对中的第二个数据,θf表示特征提取器的参数,/>表示第g-C组数据对的真实组别。
在本发明的一个实施例中,所述第二损失函数为:
其中,L2表示第二损失函数,E表示统计期望,g表示数据对的组别编号,D表示判别器,表示通道拼接,F表示特征提取器,/>表示第g组数据对中的第一个数据,/>表示第g组数据对中的第二个数据,θf表示特征提取器的参数,/>表示第l组数据对的真实组别,其中,第g组数据对中的第一个数据和第l组数据对中的第一个数据属于不同故障类别,第g组数据对中的第二个数据和第l组数据对中的第二个数据属于不同故障类别。
在本发明的一个实施例中,所述第三损失函数为:
其中,L3表示第三损失函数,表示目标域数据集与目标域数据子集的最大均值差异平方,/>表示目标域数据子集,/>表示目标域数据集,λamp表示自适应增幅参数,/>表示目标域数据集与源域数据集的最大均值差异平方,/>表示目标域数据集中预测故障类别为c的数据样本,/>表示源域数据集中预测故障类别为c的数据样本;
其中,φ(·)表示域内和映射相关的特征图,表示目标域数据子集中预测故障类别为c的数据样本,N表示目标域数据集中的数据样本数量,/>表示目标域数据集中第i个数据样本;
其中,mc表示源域数据集中预测故障类别为c的数据样本数量,表示源域数据集中第j个预测故障类别为c的数据样本,nc表示目标域数据集中预测故障类别为c的数据样本数量,/>表示目标域数据集中第k个预测故障类别为c的数据样本。
在本发明的一个实施例中,对所述源域数据子集和所述目标域数据子集中的数据样本进行分组前还包括:
将所述源域数据子集中的数据样本输入至特征提取器中,输出数据样本的映射特征向量,将所述数据样本的映射特征向量输入至分类器中,基于所述分类器的输出构建第四损失函数。
在本发明的一个实施例中,所述第四损失函数为:
其中,L4表示第四损失函数,lce表示交叉熵损失,F表示特征提取器,xs表示源域数据子集中的数据,θf表示特征提取器的参数,表示xs的真实故障类别,/>表示分类器输出的xs的预测故障类别。
在本发明的一个实施例中,所述特征提取器损失函数为:
LF=λatt(L1+L2)+L3+L4,
其中,LF表示特征提取器损失函数,λatt表示自适应衰减参数,L1表示第一损失函数,L2表示第二损失函数,L3表示第三损失函数,L4表示第四损失函数。
本发明提供的SCARA机器人滚珠丝杠故障诊断方法使用不同SCARA机器人的滚珠丝杠驱动电机在C个故障类别下的电流数据样本作为源域数据集和目标域数据集,从源域数据集和目标域数据集中进行采样,将采样后的数据组合为多组数据对,为每个数据对设置组别编号,使用小样本分组度量对抗方法使得包含相同故障类别的数据对之间的分布距离最小化,使得包含不同故障类别的数据对之间的距离最大化,从而对齐源域与目标域数据的边缘分布;另外,还基于目标域数据集与目标域数据子集的最大均值差异平方、目标域数据集与源域数据集的最大均值差异平方构建损失函数,即使用双重伪类自修正方法减少目标域数据子集与目标域数据集中的数据样本的故障特征之间的距离,从而修正对目标域中的数据样本预测错误的情况,再利用源域的类先验概率修正对目标域中的数据样本预测时出现的类不平衡的问题,减小了源域和目标域数据之间的条件分布;本申请使用不同机器人对应的数据构建了两个数据集对模型进行训练,使得训练好的故障诊断模型能够更好地完成跨机器的故障诊断,节省了人力巡检的成本,减少了次品的产生,提高了生成效率;除此之外,本申请提供的方法仅需要使用由深度卷积与逐点卷积组合设计的轻量化特征提取器即可完成,无需依赖体积大、计算复杂的卷积神经网络,节省了模型部署和能源消耗的成本。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明,其中
图1是本发明提供的一种SCARA机器人滚珠丝杠故障诊断方法流程图;
图2是本发明提供的SCARA机器人滚珠丝杠故障诊断原理示意图;
图3是本发明提供的对抗性学习原理示意图;
图4是本发明提供的特征提取器结构示意图;
图5是本发明实施例提供的自适应参数曲线图;
图6是本发明实施例提供的不同预训练次数下模型的诊断准确率示意图;其中,图6中的(a)为预训练次数为30时模型的诊断准确率示意图,图6中的(b)为预训练次数为40时模型的诊断准确率示意图。
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地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。
请参阅图1,本申请提供的SCARA机器人滚珠丝杠故障诊断方法包括:
S10:获取源域数据集和目标域数据集;其中,源域数据集和目标域数据集分别对应不同SCARA机器人的滚珠丝杠驱动电机在C个故障类别下的电流数据样本;
S20:对源域数据集和目标域数据集进行采样,得到源域数据子集和目标域数据子集/>其中,/>表示源域数子集中故障类别为C的数据样本,/>表示目标域数据子集中故障类别为C的数据样本;
S30:对源域数据子集和目标域数据子集中的数据样本进行分组,得到第一类数据对第二类数据对/>第三类数据对/>第四类数据对其中,1<i<C;
S40:将所有数据对分别输入至特征提取器中,输出每组数据对的映射特征向量,将每组数据对的映射特征向量输入至判别器中,基于判别器的输出构建判别器损失函数;
S50:将第一类数据对中每组数据对的映射特征向量和第二类数据对中每组数据对的映射特征向量输入至判别器中进行对抗性学习,将第三类数据对中每组数据对的映射特征向量和第四类数据对中每组数据对的映射特征向量输入至判别器中进行对抗性学习,基于判别器的输出构建第一损失函数;
S60:将任意两组第一个数据的故障类别和第二个数据的故障类别均不同的数据对的映射特征向量输入至判别器中进行对抗性学习,基于判别器的输出构建第二损失函数;
S70:基于目标域数据集与目标域数据子集的最大均值差异平方、目标域数据集与源域数据集的最大均值差异平方构建第三损失函数;
S80:基于第一损失函数、第二损失函数和第三损失函数构建特征提取器损失函数;
S90:重新对源域数据集和目标域数据集中的数据样本进行采样,得到新的源域数据子集和新的目标域数据子集,以对判别器和特征提取器进行迭代训练,直到判别器损失函数和特征提取器损失函数的值最小,基于训练好的特征提取器和训练好的判别器得到SCARA机器人滚珠丝杠故障诊断模型。
如图2所示为本申请提供的故障诊断方法原理示意图,本申请提供的SCARA机器人滚珠丝杠故障诊断方法主要包含小样本度量对抗域适应
(FMDA)和双重伪类自修正(DPSMMD)两个部分,其中,FMDA通过对抗性学习减少源域和目标域之间的边缘分布差异,DPSMMD主要使用小样本伪类自修正(Few-shot Pseudo-class Self-correcting MMD,FPSMMD)和类先验伪类自修正(Class Prior Pseudo-classSelf-correction MMD,CPPSMMD)的方法来联合优化模型的性能,以减少源域和目标域之间的条件分布差异。
示例地,如图3所示为本申请实施例中的对抗性学习原理示意图,其中G1至Gc组为本申请中的第一类数据对,GC+1至G2C组为第二类数据对,G2C+1至G3C组为第三类数据对,G3C+1至G4C组为第四类数据对。通过最小或最大不同分组之间的距离完成对抗性学习,即将包含相同故障类别的分组通过对抗损失最小化减少源域和目标域相同故障类别之间的数据样本分布距离;将包含不同故障类别的分组通过对抗损失最大化增大源域和目标域的不同故障类别之间的数据样本分布距离。
可选地,为了进一步提高模型的准确率,步骤S20前还包括利用源域数据集中的数据样本对特征提取器进行预训练,其具体包括:
将源域数据集中的数据样本输入至特征提取器中,输出数据样本的映射特征向量,将数据样本的映射特征向量输入至分类器中,基于分类器的输出构建分类损失函数;
利用源域数据集中的数据样本对特征提取器进行预训练,直到分类损失函数的值最小,得到预训练好的特征提取器;
具体地,分类损失函数为:
其中,Ls表示分类损失函数,lce表示交叉熵损失,F表示特征提取器,Xs表示源域数据集中的数据样本,θf表示特征提取器的参数,表示数据样本Xs的真实故障类别,/>表示分类器输出的数据样本Xs的预测故障类别。
请参阅图4,本申请实施例中的特征提取器由标准卷积(Conv1和Conv2)、轻量化特征提取块(Block1和Block2)和分组卷积GC组成,其中,特征提取块由深度卷积DW和逐点卷积PW组成,DW、PW和GC均为轻量化卷积神经网络,有利于故障诊断模型的终端部署。
具体地,步骤S40中将所有数据对输入至特征提取器中,输出每组数据对的映射特征向量具体包括:将每组数据对中的第一个数据和第二个数据分别输入至特征提取器中,输出第一个数据对应的第一映射特征向量和第二个数据对应的第二映射特征向量,将第一映射特征向量和第二映射特征向量拼接作为数据对的映射特征向量。
具体地,步骤S40中的判别器损失函数为:
其中,LG表示判别器损失函数,E表示统计期望,4C表示数据对的组数,g表示数据对的组别编号,lce表示交叉熵损失,D表示判别器,表示通道拼接,F表示特征提取器,/>表示第g组数据对中的第一个数据,/>表示第g组数据对中的第二个数据,θf表示特征提取器的参数,θd表示判别器的参数,/>表示第g组数据对的真实组别,/>表示判别器输出的第g组数据对的预测组别。
具体地,步骤S50中的第一损失函数为:
其中,L1表示第一损失函数,E表示统计期望,g表示数据对的组别编号,[C+1,2C]表示第二类数据对,当g=[C+1,2C]时,g-C=[1,C],表示第一类数据对,[3C+1,4C]表示第四类数据对,当g=[3C+1,4C]时,g-C=[2C+1,3C],表示第三类数据对,D表示判别器,表示通道拼接,F表示特征提取器,/>表示第g组数据对中的第一个数据,/>表示第g组数据对中的第二个数据,θf表示特征提取器的参数,/>表示第g-C组数据对的真实组别。
具体地,第一损失函数为正向对抗损失,对应图3中的最小化分布距离,将包含相同故障类别的分组通过对抗损失最小化减少源域和目标域中相同故障类别数据样本之间的分布距离。
步骤S60中的第二损失函数为:
其中,L2表示第二损失函数,E表示统计期望,g表示数据对的组别编号,D表示判别器,表示通道拼接,F表示特征提取器,/>表示第g组数据对中的第一个数据,/>表示第g组数据对中的第二个数据,θf表示特征提取器的参数,/>表示第l组数据对的真实组别,其中,第g组数据对中的第一个数据和第l组数据对中的第一个数据属于不同故障类别,第g组数据对中的第二个数据和第l组数据对中的第二个数据属于不同故障类别。
具体地,第二损失函数为负向对抗损失,对应图3中的最大化分布距离,将包含不同故障类别的分组通过对抗损失最大化增加源域和目标域中不同故障类别数据样本之间的分布距离。
为了降低源域和目标域的条件分布差异以进一步提升诊断模型的诊断性能,本申请实施例还利用特征提取器和分类器对源域数据集、目标域数据集、源域数据子集和目标域数据子集中的数据样本进行了故障类别预测,得到每个数据样本的预测故障类别,并基于目标域数据集与目标域数据子集的最大均值差异平方、目标域数据集与源域数据集的最大均值差异平方构建了第三损失函数;
具体地,步骤S70中的第三损失函数为:
其中,L3表示第三损失函数,表示目标域数据集与目标域数据子集的最大均值差异平方,/>表示目标域数据子集,/>表示目标域数据集,λamp表示自适应增幅参数,/>表示目标域数据集与源域数据集的最大均值差异平方,/>表示目标域数据集中预测故障类别为c的数据样本,/>表示源域数据集中预测故障类别为c的数据样本;
其中,φ(·)表示域内和映射相关的特征图,表示目标域数据子集中预测故障类别为c的数据样本,N表示目标域数据集中的数据样本数量,/>表示目标域数据集中第i个数据样本;
其中,mc表示源域数据集中预测故障类别为c的数据样本数量,表示源域数据集中第j个预测故障类别为c的数据样本,nc表示目标域数据集中预测故障类别为c的数据样本数量,/>表示目标域数据集中第k个预测故障类别为c的数据样本。
具体地,FPSMMD首先使用MMD来减少目标域数据子集与目标域数据集中的数据分布差异,进而来修正目标域中被错误分类的样本标签。此外,当模型预测目标域的伪标签时会因为误判而发生类不平衡的现象,CPPSMMD可利用源域的类先验概率来消除模型在预测目标域的伪标签时出现的类不平衡现象,这可以自动地修正目标域中伪标签误分类的情况。
可选地,在本申请的一些实施例中,为了提高模型的诊断真确性,在步骤S30前还包括将源域数据子集中的数据样本输入至特征提取器中,输出数据样本的映射特征向量,将数据样本的映射特征向量输入至分类器中,基于分类器的输出构建第四损失函数;
具体地,第四损失函数为:
其中,L4表示第四损失函数,lce表示交叉熵损失,F表示特征提取器,xs表示源域数据子集中的数据,θf表示特征提取器的参数,表示xs的真实故障类别,/>表示分类器输出的xs的预测故障类别。
进一步地,步骤S80中的特征提取器损失函数为:
LF=λatt(L1+L2)+L3+L4,
其中,LF表示特征提取器损失函数,λatt表示自适应衰减参数。
具体地,在该特征提取器损失函数中,λatt(L1+L2)+L4表示小样本度量对抗领域自适应部分的损失,L3表示双重伪类自修正部分的损失;利用小样本度量对抗领域自适应损失减少不同机器之间的边缘分布差异,利用双重伪类自修正损失减少不同机器之间的条件分布差异,从而解决工业中SCARA机器人滚珠丝杠的跨机器故障诊断问题,节省人力巡检成本,减少次品产生,提升生成效率。
在训练开始时,由于模型无法生成可靠的标签,因此先让小样本度量对抗领域自适应损失占主导地位使得目标域的数据快速拟合源域的数据分布,在经过多次迭代训练后模型能够生成可靠的标签,由双重伪类自修正损失占主导地位减少源域和目标域之间的条件分布差异;
具体地,自适应衰减参数和自适应增幅参数的计算公式为:
其中,λamp表示自适应增幅参数,λatt表示自适应衰减参数,γ=10,α=10,β=0.75,s为当前的epoch,sp为预训练的次数,smax为最大epoch;
示例地,请参阅图5,图5为本申请实施例提供的当预训练次数为30和预训练次数为40时,自适应衰减参数和自适应增幅参数随模型的训练次数变化的曲线示意图,其中,曲线1表示预训练次数sp为30时自适应增幅参数随模型的训练次数变化的示意图,曲线2表示预训练次数sp为40时自适应增幅参数随模型的训练次数变化的示意图,曲线3表示预训练次数sp为30时自适应衰减参数随模型的训练次数变化的示意图,曲线4表示预训练次数sp为40时自适应衰减参数随模型的训练次数变化的示意图。
请参阅图6,图6中的(a)为预训练次数为30时,使用不同策略训练得到的诊断模型的诊断准确率示意图;图6中的(b)为预训练次数为40时,使用不同策略训练得到的诊断模型的诊断准确率示意图。
图中,T0-0表示将机器人A在0kg时采集的数据作为源域,机器人B在0kg采集的数据集作为目标域,T0-3表示将机器人A在0kg时采集的数据作为源域,机器人B在3kg采集的数据集作为目标域,T0-6表示将机器人A在0kg时采集的数据作为源域,机器人B在6kg采集的数据集作为目标域,T0-9表示将机器人A在0kg时采集的数据作为源域,机器人B在9kg采集的数据集作为目标域,T3-3表示将机器人A在3kg时采集的数据作为源域,机器人B在3kg采集的数据集作为目标域,T6-6表示将机器人A在6kg时采集的数据作为源域,机器人B在6kg采集的数据集作为目标域,T9-9表示将机器人A在9kg时采集的数据作为源域,机器人B在9kg采集的数据集作为目标域,Average表示平均诊断精度;
ERM表示使用源域数据训练模型,然后直接使用目标域数据进行测试;ADA表示使用无监督领域自适应的方法训练模型;FADA表示使用小样本对抗域适应的方法训练模型。
从图中可以看出,与FADA相比,本申请提供的FMDA训练策略训练得到的模型诊断准确率较高,并且从图中可以看出,使用DPSMMD策略训练得到的模型诊断准确率得到了进一步提升;图(a)中当预训练次数为30时,使用CPPMMD策略训练得到的模型诊断准确率下降是因为预训练次数较少,导致模型生成的标签不可靠,图(b)中当预训练次数为40时,使用CPPMMD策略训练得到的模型的诊断准确率开始提高,且预训练次数为40得到的模型的平均诊断精度明显大于预训练次数为30时得到的模型,因此,当数据分布差异较大时需要增加模型的预训练次数。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种SCARA机器人滚珠丝杠故障诊断方法,其特征在于,包括:
获取源域数据集和目标域数据集;其中,所述源域数据集和所述目标域数据集分别对应不同SCARA机器人的滚珠丝杠驱动电机在C个故障类别下的电流数据样本;
对所述源域数据集和所述目标域数据集进行采样,得到源域数据子集和目标域数据子集/>其中,/>表示源域数子集中故障类别为C的数据样本,表示目标域数据子集中故障类别为C的数据样本;
对所述源域数据子集和所述目标域数据子集中的数据样本进行分组,得到第一类数据对第二类数据对/>第三类数据对/>第四类数据对其中,1<i<C;
将所有数据对分别输入至特征提取器中,输出每组数据对的映射特征向量,将每组数据对的映射特征向量输入至判别器中,基于所述判别器的输出构建判别器损失函数;
将第一类数据对中每组数据对的映射特征向量和第二类数据对中每组数据对的映射特征向量输入至判别器中进行对抗性学习,将第三类数据对中每组数据对的映射特征向量和第四类数据对中每组数据对的映射特征向量输入至判别器中进行对抗性学习,基于所述判别器的输出构建第一损失函数;
将任意两组第一个数据的故障类别和第二个数据的故障类别均不同的数据对的映射特征向量输入至判别器中进行对抗性学习,基于所述判别器的输出构建第二损失函数;
基于所述目标域数据集与所述目标域数据子集的最大均值差异平方、所述目标域数据集与所述源域数据集的最大均值差异平方构建第三损失函数;
基于所述第一损失函数、所述第二损失函数和所述第三损失函数构建特征提取器损失函数;
重新对所述源域数据集和所述目标域数据集中的数据样本进行采样,得到新的源域数据子集和新的目标域数据子集,以对所述判别器和所述特征提取器进行迭代训练,直到所述判别器损失函数和所述特征提取器损失函数的值最小,基于训练好的特征提取器和训练好的判别器得到SCARA机器人滚珠丝杠故障诊断模型。
2.根据权利要求1所述的SCARA机器人滚珠丝杠故障诊断方法,其特征在于,对所述源域数据集和所述目标域数据集进行采样前还包括:
将所述源域数据集中的数据样本输入至特征提取器中,输出数据样本的映射特征向量,将所述数据样本的映射特征向量输入至分类器中,基于所述分类器的输出构建分类损失函数;
利用所述源域数据集中的数据样本对所述特征提取器进行预训练,直到所述分类损失函数的值最小,得到预训练好的特征提取器。
3.根据权利要求2所述的SCARA机器人滚珠丝杠故障诊断方法,其特征在于,所述分类损失函数为:
其中,Ls表示分类损失函数,lce表示交叉熵损失,F表示特征提取器,Xs表示源域数据集中的数据样本,θf表示特征提取器的参数,YXs表示数据样本Xs的真实故障类别,表示分类器输出的数据样本Xs的预测故障类别。
4.根据权利要求1所述的SCARA机器人滚珠丝杠故障诊断方法,其特征在于,所述判别器损失函数为:
其中,LG表示判别器损失函数,E表示统计期望,4C表示数据对的组数,g表示数据对的组别编号,lce表示交叉熵损失,D表示判别器,表示通道拼接,F表示特征提取器,/>表示第g组数据对中的第一个数据,/>表示第g组数据对中的第二个数据,θf表示特征提取器的参数,θd表示判别器的参数,/>表示第g组数据对的真实组别,/>表示判别器输出的第g组数据对的预测组别。
5.根据权利要求1所述的SCARA机器人滚珠丝杠故障诊断方法,其特征在于,所述第一损失函数为:
其中,L1表示第一损失函数,E表示统计期望,g表示数据对的组别编号,[C+1,2C]表示第二类数据对,当g=[C+1,2C]时,g-C=[1,C],表示第一类数据对,[3C+1,4C]表示第四类数据对,当g=[3C+1,4C]时,g-C=[2C+1,3C],表示第三类数据对,D表示判别器,表示通道拼接,F表示特征提取器,/>表示第g组数据对中的第一个数据,/>表示第g组数据对中的第二个数据,θf表示特征提取器的参数,/>表示第g-C组数据对的真实组别。
6.根据权利要求1所述的SCARA机器人滚珠丝杠故障诊断方法,其特征在于,所述第二损失函数为:
其中,L2表示第二损失函数,E表示统计期望,g表示数据对的组别编号,D表示判别器,表示通道拼接,F表示特征提取器,/>表示第g组数据对中的第一个数据,/>表示第g组数据对中的第二个数据,θf表示特征提取器的参数,/>表示第l组数据对的真实组别,其中,第g组数据对中的第一个数据和第l组数据对中的第一个数据属于不同故障类别,第g组数据对中的第二个数据和第l组数据对中的第二个数据属于不同故障类别。
7.根据权利要求1所述的SCARA机器人滚珠丝杠故障诊断方法,其特征在于,所述第三损失函数为:
其中,L3表示第三损失函数,表示目标域数据集与目标域数据子集的最大均值差异平方,/>表示目标域数据子集,/>表示目标域数据集,λamp表示自适应增幅参数,/>表示目标域数据集与源域数据集的最大均值差异平方,/>表示目标域数据集中预测故障类别为c的数据样本,/>表示源域数据集中预测故障类别为c的数据样本;
其中,φ(·)表示域内和映射相关的特征图,表示目标域数据子集中预测故障类别为c的数据样本,N表示目标域数据集中的数据样本数量,/>表示目标域数据集中第i个数据样本;
其中,mc表示源域数据集中预测故障类别为c的数据样本数量,表示源域数据集中第j个预测故障类别为c的数据样本,nc表示目标域数据集中预测故障类别为c的数据样本数量,/>表示目标域数据集中第k个预测故障类别为c的数据样本。
8.根据权利要求1所述的SCARA机器人滚珠丝杠故障诊断方法,其特征在于,对所述源域数据子集和所述目标域数据子集中的数据样本进行分组前还包括:
将所述源域数据子集中的数据样本输入至特征提取器中,输出数据样本的映射特征向量,将所述数据样本的映射特征向量输入至分类器中,基于所述分类器的输出构建第四损失函数。
9.根据权利要求8所述的SCARA机器人滚珠丝杠故障诊断方法,其特征在于,所述第四损失函数为:
其中,L4表示第四损失函数,lce表示交叉熵损失,F表示特征提取器,xs表示源域数据子集中的数据,θf表示特征提取器的参数,表示xs的真实故障类别,/>表示分类器输出的xs的预测故障类别。
10.根据权利要求9所述的SCARA机器人滚珠丝杠故障诊断方法,其特征在于,所述特征提取器损失函数为:
LF=λatt(L1+L2)+L3+L4,
其中,LF表示特征提取器损失函数,λatt表示自适应衰减参数,L1表示第一损失函数,L2表示第二损失函数,L3表示第三损失函数,L4表示第四损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311523372.8A CN117367777B (zh) | 2023-11-15 | 2023-11-15 | 一种scara机器人滚珠丝杠故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311523372.8A CN117367777B (zh) | 2023-11-15 | 2023-11-15 | 一种scara机器人滚珠丝杠故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117367777A CN117367777A (zh) | 2024-01-09 |
CN117367777B true CN117367777B (zh) | 2024-06-14 |
Family
ID=89392966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311523372.8A Active CN117367777B (zh) | 2023-11-15 | 2023-11-15 | 一种scara机器人滚珠丝杠故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117367777B (zh) |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11568261B2 (en) * | 2018-10-26 | 2023-01-31 | Royal Bank Of Canada | System and method for max-margin adversarial training |
US11275973B2 (en) * | 2019-04-15 | 2022-03-15 | Noblis, Inc. | Adapting pre-trained classification algorithms |
CN110285969B (zh) * | 2019-07-10 | 2020-05-26 | 西安交通大学 | 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法 |
CN110555273B (zh) * | 2019-09-05 | 2023-03-24 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
KR102115534B1 (ko) * | 2019-10-14 | 2020-05-26 | 주식회사 루닛 | GAN(Generative Adversarial Networks)을 이용하는 이상 검출 방법, 장치 및 그 시스템 |
CN111504644B (zh) * | 2020-04-01 | 2021-04-09 | 西安交通大学 | 基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法 |
CN112629863B (zh) * | 2020-12-31 | 2022-03-01 | 苏州大学 | 变工况下动态联合分布对齐网络的轴承故障诊断方法 |
CN113221905B (zh) * | 2021-05-18 | 2022-05-17 | 浙江大学 | 基于均匀聚类的语义分割的无监督域适应方法、装置、***和存储介质 |
CN114118138A (zh) * | 2021-10-22 | 2022-03-01 | 苏州大学 | 一种基于多标签领域自适应模型的轴承复合故障诊断方法 |
CN114021285B (zh) * | 2021-11-17 | 2024-04-12 | 上海大学 | 基于相互局部对抗迁移学习的旋转机械故障诊断方法 |
CN115753102A (zh) * | 2022-06-22 | 2023-03-07 | 河北工业大学 | 一种基于多尺度残差子域适应的轴承故障诊断方法 |
CN115204292A (zh) * | 2022-07-14 | 2022-10-18 | 重庆大学 | 一种基于psfen的跨设备振动故障迁移诊断方法 |
CN115563536A (zh) * | 2022-09-28 | 2023-01-03 | 北京工业大学 | 基于子域自适应的滚动轴承故障诊断方法 |
CN116070134A (zh) * | 2023-01-13 | 2023-05-05 | 华中科技大学 | 一种基于原型学习的智能设备故障诊断方法及*** |
CN116805051A (zh) * | 2023-06-21 | 2023-09-26 | 杭州电子科技大学 | 基于注意力机制的双卷积动态域适应设备故障诊断方法 |
CN116793682A (zh) * | 2023-07-07 | 2023-09-22 | 武汉理工大学 | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 |
CN116894187A (zh) * | 2023-07-12 | 2023-10-17 | 山东省计算中心(国家超级计算济南中心) | 一种基于深度迁移学习的齿轮箱故障诊断方法 |
CN116975718A (zh) * | 2023-08-02 | 2023-10-31 | 苏州科技大学 | 基于自监督学习的滚动轴承跨域故障诊断方法 |
-
2023
- 2023-11-15 CN CN202311523372.8A patent/CN117367777B/zh active Active
Non-Patent Citations (2)
Title |
---|
基于深度迁移学习的轴承故障诊断算法研究;孙自豪;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑;20230215(第02期);第C029-715页 * |
非完备数据集下的标准自学习数据增强滚动轴承故障诊断方法;安增辉 等;振动工程学报;20230109;第37卷(第04期);第667-676页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117367777A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858352B (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
CN111046916A (zh) | 一种基于空洞卷积胶囊网络的电机故障诊断方法及*** | |
JP2008536219A (ja) | 診断及び予知方法並びにシステム | |
WO2021088101A1 (zh) | 基于改进的条件生成对抗网络的绝缘子分割方法 | |
CN113923104B (zh) | 基于小波神经网络的网络故障诊断方法、设备及存储介质 | |
CN110969194B (zh) | 基于改进型卷积神经网络的电缆早期故障定位方法 | |
CN115293280A (zh) | 基于时空特征分割重构的动力装备***异常检测方法 | |
CN112966879A (zh) | 环境试验箱故障预测方法、装置、计算机设备及存储介质 | |
CN114355240A (zh) | 配电网接地故障诊断方法及装置 | |
WO2022222026A1 (zh) | 医疗诊断缺失数据补全方法及补全装置、电子设备、介质 | |
CN113988268A (zh) | 基于无监督全属性图的异构多源时序异常检测方法 | |
CN113541985B (zh) | 物联网故障诊断方法、模型的训练方法及相关装置 | |
CN115800272A (zh) | 基于拓扑识别的电网故障分析方法、***、终端及介质 | |
CN115222983A (zh) | 一种电缆破损检测方法及*** | |
CN117367777B (zh) | 一种scara机器人滚珠丝杠故障诊断方法 | |
CN114722923A (zh) | 一种轻量型的机电设备故障诊断方法 | |
CN114441173A (zh) | 基于改进深度残差收缩网络的滚动轴承故障诊断方法 | |
CN115878992A (zh) | 综合管廊供电***的监控方法和监控*** | |
CN112861670B (zh) | 一种输电线路金具检测方法及*** | |
Vater et al. | Development of a Cloud-and Edge-Architecture for adaptive model weight optimization of a CNN exemplified by optical detection of hairpin welding | |
CN115356105A (zh) | 轴承故障诊断方法、装置、电子设备及可读存储介质 | |
CN114065815A (zh) | 基于eemd与神经网络的变压器局部放电识别方法及*** | |
CN112834194B (zh) | 一种无故障样本下基于软目标度量的故障智能检测方法 | |
CN117494588B (zh) | 一种风机轴承剩余有效寿命优化方法、设备及介质 | |
CN115641330B (zh) | 一种基于图像处理的软性线路板缺陷检测方法及*** |
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 |