CN107121975B - 一种基于信息几何的机器故障诊断方法和装置 - Google Patents

一种基于信息几何的机器故障诊断方法和装置 Download PDF

Info

Publication number
CN107121975B
CN107121975B CN201710302891.XA CN201710302891A CN107121975B CN 107121975 B CN107121975 B CN 107121975B CN 201710302891 A CN201710302891 A CN 201710302891A CN 107121975 B CN107121975 B CN 107121975B
Authority
CN
China
Prior art keywords
state
machine
probability density
density function
fault
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
Application number
CN201710302891.XA
Other languages
English (en)
Other versions
CN107121975A (zh
Inventor
吴立锋
关永
任长娥
王洪民
王中华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Hangshu Intelligent Technology Co ltd
Original Assignee
Capital Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Capital Normal University filed Critical Capital Normal University
Priority to CN201710302891.XA priority Critical patent/CN107121975B/zh
Publication of CN107121975A publication Critical patent/CN107121975A/zh
Application granted granted Critical
Publication of CN107121975B publication Critical patent/CN107121975B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Manipulator (AREA)

Abstract

本申请提供了一种基于信息几何的机器故障诊断方法，该方法包括，根据所述机器的状态概率密度函数和费雪信息矩阵构成黎曼流形；在所述黎曼流形中利用KL散度度量所述机器当前状态的状态概率密度函数与所述机器正常状态的状态概率密度函数之间的差异，以得出差值；根据所述差值认定所述当前状态为故障状态或正常状态。

Description

一种基于信息几何的机器故障诊断方法和装置
技术领域
本申请涉及机器故障诊断领域，尤其涉及一种基于信息几何的机器故障诊断方法和装置。
背景技术
手术机器人是辅助医生手术的智能型服务机器人，具有定位、操作精准、手术微创化的优点，同时，远程手术模式可减轻医生的劳动强度，避免接触放射线或者烈性传染病病原。因此，手术机器人已成为未来手术的发展趋势，世界各国也在加强手术机器人研发的投入。然而，先进的手术机器人系统在机电设计方面相当复杂，这种复杂性增加了危险事故的风险。根据美国食品和药物管理局从2000至2013的数据统计，在美国进行的机器人手术中致人死亡达144人，严重伤害1391人，还有8061个故障记录。
在机器故障诊断领域，有基于数据和基于模型的两大类方法。鉴于手术机器人结构复杂，基于模型的故障诊断方法难以在实际手术操作中应用。另外，至今仍无可以在实际手术操作过程中进行有效故障诊断的基于数据的机器诊断技术。
发明内容
本申请实施例提供了一种基于信息几何的机器故障诊断方法和装置，可以检测出萌芽阶段的手术机器人故障，从而可以避免故障对手术的影响，保障了手术安全进行。
第一方面，本申请实施例提供了一种基于信息几何的机器故障诊断方法，所述方法包括：根据所述机器的状态概率密度函数和费雪信息矩阵构成黎曼流形；在所述黎曼流形中利用KL散度度量所述机器当前状态的状态概率密度函数与所述机器正常状态的状态概率密度函数之间的差异，以得出差值；根据所述差值认定所述当前状态为故障状态或正常状态。
在一种可能的实现方式中，所述根据所述差值认定所述当前状态的为故障状态或正常状态包括：判断所述差值是否小于阀值；根据所述判断结果认定所述当前状态为故障状态或正常状态。
在一种可能的实现方式中，所述状态概率密度函数包括位置状态、速度状态、方向状态、角速度状态、扭矩状态中的至少一种状态的概率密度函数。
第二方面，本申请实施例还提供了一种基于信息几何的机器故障诊断装置，所述装置包括：构成单元，用于根据所述机器的状态概率密度函数和费雪信息矩阵构成黎曼流形；度量单元，用于在所述黎曼流形中利用KL散度度量所述机器当前状态的状态概率密度函数与所述机器正常状态的状态概率密度函数之间的差异，以得出差值；认定单元，用于根据所述差值认定所述当前状态为故障状态或正常状态。
在一种可能的实现方式中，还用于：判断所述差值是否小于阀值；根据所述判断结果认定所述当前状态为故障状态或正常状态。
在一种可能的实现方式中，所述状态概率密度函数包括位置状态、速度状态、方向状态、角速度状态、扭矩状态中的至少一种状态的概率密度函数。
本申请实施例提供的方法和装置，可以感触机器的细微异常，并判断是否发生了故障或可能发生故障，即可以诊断出处于萌芽状态的故障，将发现故障的阶段大大提前。
附图说明
图1为本申请实施例提供的一种基于信息几何的机器故障诊断方法的流程图；
图2为本申请实施例提供的一种基于信息几何的机器故障诊断装置的结构示意图。
具体实施方式
在手术机器人如果在手术进行过程中发生故障，必然会影响手术的效果，甚至会致人死亡。因此，如何在故障的萌芽时间，就能检测出来故障，具有重要意义。
手术机器人作为一个闭环控制系统，当其出现微小故障时，系统内部参数会发生变化，会导致在同样输入信号下，系统的输出状态将发生变化，其表现出来的状态将与正常状态有所不同。其中，状态可以包括位置、速度、方向、角速度、扭矩等中的至少一种，可以用V来表示状态，V＝{V1,V2,V3,…Vn}，V1、V2、V3…Vn可以分别表示位置、速度、方向、角速度、扭矩等状态。可实时利用这些状态来获取机器人的健康状态。当手术机器人出现微小故障时，这些状态信息会发生变化。尽管这些状态信息可以通过手术机器人自带的传感器直接或间接获得。但困难的是，一方面，即使在正常情况下，这种状态也会有微弱变化；另一方面这种变化通常是非线性时变的。如何将状态演化展现出来至关重要。
为此，本申请实施例将将信息几何的思想引入到机器的故障诊断中，提出了一种基于信息几何的机器故障诊断方法和装置。
图1示出了本申请实施例提供的基于信息几何的机器故障诊断方法，该方法包括以下步骤。
步骤101、根据所述机器的状态概率密度函数和费雪(Fisher)信息矩阵构成黎曼流形；
步骤102、在所述黎曼流形中利用KL散度(Kullback–Leibler divergence)度量所述机器当前状态的状态概率密度函数与所述机器正常状态的状态概率密度函数之间的差异，以得出差值；
步骤103、根据所述差值认定所述当前状态为故障状态或正常状态。
在一个示例中，步骤103包括判断所述差值是否小于阀值；根据所述判断结果认定所述当前状态为故障状态或正常状态。阀值可以预先设定，在一个例子中，可以由使用者根据经验对阀值进行设定。
本申请实施例提供的方法，可以感触机器的细微异常，并判断是否发生了故障或可能发生故障，即可以诊断出处于萌芽状态的故障，将发现故障的阶段大大提前。
在一个示例中，以手术机器人诊断为例对本申请实施例提供的方法进行具体说明。将手术机器人的状态看成是概率密度的集合，并认为其是一个流形空间；然后，通过引入费雪信息矩阵将其转为为黎曼流形；在黎曼流形上，利用KL散度作为度量正常状态和故障状态的函数。
具体如下，将手术机器人的状态V＝{V1,V2,V3,…Vn}概率密度函数ρ(x，δ)作为一个集合M，其中，V1,V2,V3,…Vn可以表示位置、速度、方向、角速度、扭矩等其中的n个状态，δ为待求参数。则M是一个n维流形，如式(1)所示。
M＝{ρ(x，δ)|δ∈Rn} (1)
引入Fisher信息矩阵，具体如式(2)所示。
其中，E表示数学期望。
上述流形构成黎曼流形。
将机器人的状态概率密度函数构成黎曼流形后，将正常状态和当前状态的状态概率密度函数引入到黎曼流形中，才能对它们的状态概率密度函数的差异进行度量。
手术机器人正常状态的状态概率密度函数为ρ(x，δ)，如果机器人当前出现微小故障时，对应的当前状态的状态概率密度分布会发生变化，即：ρ(x，δ)→ρ(x，δ+Δδ)。
可以利用KL散度来度量机器人当前状态的状态概率密度函数与机器人正常状态的状态概率密度函数之间的差异，以得出差值DKL，如式(3)所示。
并利用DKL判断是否发生故障以及故障程度的大小。可以设阀值为ε，如果DKL＜ε，则认定机器人处于正常状态，如果DKL≥ε，则认定机器人处于故障状态。
本申请实施例提供的方法，可以感触手术机器人的细微异常，并判断是否发生了故障或可能发生故障，即可以诊断出处于萌芽状态的故障，将发现故障的阶段大大提前，从而进一步保障了手术的安全性。
图2示出了本申请实施例提供的一种基于信息几何的机器故障诊断装置，所述装置包括：构成单元201，用于根据所述机器的状态概率密度函数和费雪信息矩阵构成黎曼流形；度量单元202，用于在所述黎曼流形中利用KL散度度量所述机器当前状态的状态概率密度函数与所述机器正常状态的状态概率密度函数之间的差异，以得出差值；认定单元203，用于根据所述差值认定所述当前状态为故障状态或正常状态。
在一个示例中，所述认定单元203，还用于：判断所述差值是否小于阀值；根据所述判断结果认定所述当前状态为故障状态或正常状态。
在一个示例中，所述状态概率密度函数包括位置状态、速度状态、方向状态、角速度状态、扭矩状态中的至少一种状态的概率密度函数。
本申请实施例提供的装置，可以感触机器的细微异常，并判断是否发生了故障或可能发生故障，即可以诊断出处于萌芽状态的故障，将发现故障的阶段大大提前。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于信息几何的机器故障诊断方法，其特征在于，所述方法包括：
将所述机器的状态V和状态概率密度函数ρ(x，δ)作为一个集合M，所述集合M为一个n维流形，即M＝{ρ(x，δ)|δ∈Rn}；其中，V＝{V1,V2,V3,…Vn}为所述机器的n个状态，δ为待求参数；
将所述集合M引入费雪信息矩阵构成黎曼流形其中，E为数学期望；
在所述黎曼流形中利用KL散度度量所述机器当前状态的状态概率密度函数与所述机器正常状态的状态概率密度函数之间的差异，以得出差值其中，正常状态的状态概率密度函数ρ(x，δ)发生变化表示为：ρ(x，δ)→ρ(x，δ+Δδ)，Δδ为待求参数的变化量；
判断所述差值DKL是否小于预设阀值ε；根据判断结果认定所述当前状态为故障状态或正常状态；其中，如果DKL＜ε，则认定所述机器处于正常状态，如果DKL≥ε，则认定所述机器处于故障状态。
2.根据权利要求1所述的方法，其特征在于，所述状态概率密度函数包括位置状态、速度状态、方向状态、角速度状态、扭矩状态中的至少一种状态的概率密度函数。
3.一种基于信息几何的机器故障诊断装置，应用于如权利要求1所述的方法，其特征在于，所述装置包括：
构成单元，用于根据所述机器的状态概率密度函数和费雪信息矩阵构成黎曼流形；
度量单元，用于在所述黎曼流形中利用KL散度度量所述机器当前状态的状态概率密度函数与所述机器正常状态的状态概率密度函数之间的差异，以得出差值；
认定单元，用于判断所述差值是否小于预设阀值；根据判断结果认定所述当前状态为故障状态或正常状态。
4.根据权力要求3所述的装置，其特征在于，所述状态概率密度函数包括位置状态、速度状态、方向状态、角速度状态、扭矩状态中的至少一种状态的概率密度函数。
CN201710302891.XA 2017-05-03 2017-05-03 一种基于信息几何的机器故障诊断方法和装置 Active CN107121975B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710302891.XA CN107121975B (zh) 2017-05-03 2017-05-03 一种基于信息几何的机器故障诊断方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710302891.XA CN107121975B (zh) 2017-05-03 2017-05-03 一种基于信息几何的机器故障诊断方法和装置

Publications (2)

Publication Number Publication Date
CN107121975A CN107121975A (zh) 2017-09-01
CN107121975B true CN107121975B (zh) 2019-12-06

Family

ID=59726869

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710302891.XA Active CN107121975B (zh) 2017-05-03 2017-05-03 一种基于信息几何的机器故障诊断方法和装置

Country Status (1)

Country Link
CN (1) CN107121975B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11161244B2 (en) * 2019-01-22 2021-11-02 Mitsubishi Electric Research Laboratories, Inc. System and method for automatic error recovery in robotic assembly

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1993022853A1 (en) * 1992-04-27 1993-11-11 The Commonwealth Of Australia Optimum estimation of data and parameters for communication systems
CN104359685A (zh) * 2014-11-24 2015-02-18 沈阳化工大学 一种柴油机故障识别方法
CN105629101A (zh) * 2015-12-22 2016-06-01 浙江大学 一种基于蚁群算法的多功率模块并联系统的故障诊断方法
CN106483847A (zh) * 2016-09-20 2017-03-08 北京工业大学 一种基于自适应ica的冷水机组故障检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009264230A (ja) * 2008-04-24 2009-11-12 Toyota Motor Corp 内燃機関装置および車両並びに内燃機関装置の制御方法
CN106404443B (zh) * 2016-10-14 2018-03-02 温州大学 混合动力起重装置故障预示平台及其数据样本获取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1993022853A1 (en) * 1992-04-27 1993-11-11 The Commonwealth Of Australia Optimum estimation of data and parameters for communication systems
CN104359685A (zh) * 2014-11-24 2015-02-18 沈阳化工大学 一种柴油机故障识别方法
CN105629101A (zh) * 2015-12-22 2016-06-01 浙江大学 一种基于蚁群算法的多功率模块并联系统的故障诊断方法
CN106483847A (zh) * 2016-09-20 2017-03-08 北京工业大学 一种基于自适应ica的冷水机组故障检测方法

Also Published As

Publication number Publication date
CN107121975A (zh) 2017-09-01

Similar Documents

Publication Publication Date Title
CN109001649B (zh) 一种电源智能诊断系统及保护方法
AU2016380302C1 (en) Computer storage medium, computer program product, method for monitoring fault of wind power generator set, and device
US10977373B2 (en) Evaluation device, evaluation system, and evaluation method
CN107111312B (zh) 监视在工业现场运行的过程的至少一个步骤的监视装置和监视方法
JP2008097363A (ja) 異常診断方法及びその装置
KR101318168B1 (ko) 농기계의 고장을 진단하는 장치 및 방법
JP2007102388A (ja) 保守支援装置，保守支援方法，保守支援システム，制御装置および制御方法
CN108027611B (zh) 利用受专家意见监督的决策模式学习的用于机器维护的决策辅助系统和方法
JP2005048770A (ja) 故障を診断し分離するためのモデルベースのインテリジェントエージェントを利用する方法
WO2005111806A3 (en) Sensor fault diagnostics and prognostics using component model and time scale orthogonal expansions
CN103080722A (zh) 机动车检测设备和机动车检测方法
JP2009282023A (ja) データ記録のカスタマイズ可能な開始装置及び方法
CN103558955B (zh) 基于多对象多状态显示器的多对象状态监测方法及系统
JP2014148294A (ja) 診断装置
CN103197663B (zh) 一种故障预测方法及系统
US11867587B2 (en) System and method for vibration inspection of vehicle
WO2016185589A1 (ja) 故障診断装置及び故障診断方法
CN107121975B (zh) 一种基于信息几何的机器故障诊断方法和装置
CN118430092B (zh) 一种基于mcc系统的数据通用采集方法
WO2016121689A1 (ja) 不具合診断方法及び不具合診断システム
JP2020042668A (ja) 検査装置及び機械学習方法
JP2011107760A (ja) プラント異常検出装置
CN110895719A (zh) 验证装置
CN116360384A (zh) 用于诊断和监控信息物理系统中的异常的系统和方法
US20220180674A1 (en) Method and Apparatus for Determining Virtual Fault Code of Vehicle Controller

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
TR01 Transfer of patent right

Effective date of registration: 20201208

Address after: 233000 603, 6th floor, investment building, 1757 Tushan East Road, Bengbu Economic Development Zone, Anhui Province

Patentee after: Bengbu LU-03 Technology Consulting Co.,Ltd.

Address before: 808, floor 8, building B, business center, gangzhilong science and Technology Park, No. 6, Qinglong Road, Qinghua community, Longhua street, Longhua District, Shenzhen City, Guangdong Province

Patentee before: Shenzhen Pengbo Information Technology Co.,Ltd.

Effective date of registration: 20201208

Address after: 808, floor 8, building B, business center, gangzhilong science and Technology Park, No. 6, Qinglong Road, Qinghua community, Longhua street, Longhua District, Shenzhen City, Guangdong Province

Patentee after: Shenzhen Pengbo Information Technology Co.,Ltd.

Address before: 100048 Capital Normal University, 105 West Third Ring Road North, Beijing, Haidian District

Patentee before: Capital Normal University

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210319

Address after: 201100 room 1202, South Building, building 1, 951 Jianchuan Road, Minhang District, Shanghai

Patentee after: Shanghai hangshu Intelligent Technology Co.,Ltd.

Address before: 233000 603, 6th floor, investment building, 1757 Tushan East Road, Bengbu Economic Development Zone, Anhui Province

Patentee before: Bengbu LU-03 Technology Consulting Co.,Ltd.

TR01 Transfer of patent right