[发明专利]一种基于深度学习的工业机器人可靠性建模方法

权利要求书

1.一种基于深度学习的工业机器人可靠性建模方法，其特征是包括以下步骤：通过限制玻尔兹曼机RBM构建深度神经网络DNN；利用对比散度快速学习算法训练RBM、DNN，并对训练结果进行评估；输入评估对象工业机器人的加速退化原始数据，构建加速退化模型，预测正常工作条件下其预期工作寿命及可靠性。

2.根据权利要求1所述的基于深度学习的工业机器人可靠性建模方法，其特征是进一步包括以下步骤：

(1)基于深度学习方法，建立具有多输入多输出结构的深度神经网络回归模型；

(2)采用逐层贪心方法，结合加速退化条件下的工业机器人的原始寿命数据对步骤(1)建立的深度神经网络回归模型进行训练，通过所述模型的非线性映射功能，学习得到所述模型的序列之间的映射关系，来确定深度神经网络回归模型；

(3)根据步骤(2)确定的深度神经网络回归模型，对工业机器人在正常工作条件下的工作寿命进行多步预测，得到工业机器人正常工作条件下的预期工作寿命的预测结果。

3.根据权利要求2所述的基于深度学习的工业机器人可靠性建模方法，其特征是步骤(1)中所述的基于深度学习方法，建立具有多输入多输出结构的深度神经网络回归模型的方法为：通过受限的玻尔兹曼机RBM的叠置构建具有多输入多输出结构的深度神经网络回归模型，所述具有多输入多输出结构的深度神经网络回归模型是为l层神经网络，向量x＝h⁰表示原始输入，(h¹,……，h^I-1)表示相应隐含层的输入，h¹表示输出层的输入；其1:I-1的隐含层是使用sigmoid函数并由受限的玻尔兹曼机构成，顶层激活函数使用纯线性函数；

对于原始输入x、l-1层隐含层和输出层的联合概率分布：

p(x,h1,......,hl)=(Πi=1l-1p(hi-1|hi))p(hl-1,hl)]]>

其中，I为正整数。

4.根据权利要求2所述的基于深度学习的工业机器人可靠性建模方法，其特征是步骤(2)中采用逐层贪心方法的具体过程为：

步骤(2)中采用逐层贪心方法的具体过程优选为：

(a)：对步骤(1)建立的深度神经网络回归模型分层，由下至上，再利用加速退化条件下的工业机器人的原始寿命数据对输入x的那一层进行无监督的训练；

(b)：所述无监督的训练结束后，使用有监督的学习对所述深度神经网络回归模型进行精调：

除了原始输入x的隐含层，以深度神经网络回归模型输出作为监督信号，构造损失函数，采用梯度上升法对所述深度神经网络回归模型的其他隐含层进行有监督的训练，得到所述模型的序列之间的映射关系，最终确定深度神经网络回归模型。