[发明专利]电流信号分析的工业机器人故障诊断方法

说明书

本发明涉及一种电流信号分析的工业机器人故障诊断方法，扩展了卷积神经网络在机器人故障分析领域的应用范围；数据来源为机器人运行过程中真实出现的故障，分析结果更加真实；对原始数据进行一维卷积这一结构设置改变为二维卷积结构，增加了不同段信号之间的关联，增大了网络的弹性，并且加快运算速度，减小卷积核和步长参数的设置。根据实际的实验测试结果，比较引入前后的网络性能，不需要引入丢弃层和激活层就能够实现较好的故障预测效果，进一步可简化卷积神经网络的结构，达到更好的诊断效果。该方法可以有效解决工业机器人故障诊断问题，为后续的工业机器人健康管理研究提供新的思路。

技术领域

本发明涉及一种工业机器人故障诊断技术，特别涉及一种电流信号分析的工业机器人故障诊断方法。

背景技术

在工业机器人故障诊断领域，通过信号特征值提取与分析能够分辨出机器人的故障状况。然而，大部分的故障分析算法都需要运用信号分析领域的专家知识，来人工提取合适的特征值，即特征值的选取带有一定的主观性。在实际应用中，无法保证选取的故障诊断方法最适合其所应用的场景。神经网络能够自动提取信号中的特征值，并且能够基于提取到的特征值进行多分类。

中国申请专利CN 112651491A公开了一种基于CNN卷积模型的工业机器人故障预测方法(以下简称专利A)，专利A对机器人的振动信号进行了一维卷积，很好的实现了对机器人的故障预测，但存在一些改进的空间。

发明内容

为了进一步提高卷积神经网络运用于机器人故障诊断的精度，提出了一种电流信号分析的工业机器人故障诊断方法。

本发明的技术方案为：一种电流信号分析的工业机器人故障诊断方法，具体包括如下步骤：

1)根据机器人单个动作的周期时长，设置采样频率对实验机器人正常运行和故障运行的电流信号进行采集，采集信号作为原始数据；

2)信号数据提取：采用随机滑动加窗的方法从原始数据里提取数据，设置的窗口长度n大于机器人单个动作的周期时长对应的采样数据个数；提取相同数量的正常运行数据和故障运行数据形成数据集，

3)数据预处理：将步骤2)数据集中的每个一维数据分成n/2段，每段包含n/2个采样点数据，每个数据变为n/2*n/2的二维数据；数据集中所有数据处理为二维数据作为卷积神经网络的输入；

4)卷积神经网络模型的搭建和训练：

搭建卷积神经网络模型：卷积神经网络依次包括第一层卷积层、第一层池化层处理、第二层卷积层、第二层池化层、第三层卷积层、第三层池化层处理、展开层、第一层全连接层和第二层全连接层；

将步骤3)预处理后的二维灰度图分为训练集和测试集，将训练集数据输入建立的卷积神经网络模型进行训练，设置损失函数为交叉熵损失函数，设置优化器为Adam优化器，训练至训练误差至设定值，并用测试集数据验证卷积神经网络模型的泛化能力，不断迭代直至网络性能至合格，保存卷积神经网络模型参数；

5)机器人故障诊断：

将新采集的机器人电流数据经过步骤2)和步骤3)预处理操作后，输入进步骤4)训练好的卷积神经网络模型，输出机器人的故障状况。

进一步，所述步骤1)所述机器人单个动作的周期时长约2s，设置信号采样频率为2.5khz，则每一个周期约包含5000个采样点。

进一步，所述步骤2)中窗口长度为10000，设置正常运行每天窗口选取20组数据，故障运行每天窗口选取80组数据，选取4天正常运行采集的数据和1天故障运行采集的数据当作数据集。

进一步，所述步骤4)所述第一卷积层输入通道数为1，输出通道数为32，卷积核尺寸为5*5，步长为1，边界用0填充2个像素长度；

所述第一层池化层模式为最大池化，池化核尺寸为2*2，步长为2；