CN110216680B - 一种服务机器人云地协同故障诊断系统和方法 - Google Patents

Abstract

本公开提出了一种服务机器人云地协同故障诊断系统和方法，包括：信息采集单元用于在机器人运行过程中采集机器人信息，并将所采集的信息传输至机器人控制器；所述机器人控制器控制信息采集单元的工作状态并将采集到的数据通过网络送入机器人故障诊断云端服务器；所述机器人故障诊断云端服务器对接收的数据通过深度学习建立并训练故障诊断模型，并将训练好的故障诊断模型下发至所述机器人控制器；所述机器人控制器基于所接收的训练好的故障诊断模型对机器人运动状态进行故障诊断。本公开将速度编码器等传感器的数据上传至云端进行融合，并通过深度学习模型进行训练，训练好的模型将部署到本地实时诊断，相比传统模型，具有实时性强，精度高等优点。

Description

一种服务机器人云地协同故障诊断系统和方法

技术领域

本公开涉及故障诊断技术领域，特别是涉及一种服务机器人云地协同故障诊断系统和方法。

背景技术

服务机器人在运行过程中，其可靠性和安全性一直是其稳定运行的保障，尤其涉及到与人类交互的环境中，服务机器人的正常运行显得尤为重要，因此，灵敏可靠的故障诊断系统对于服务机器人来说具有重要的意义。故障诊断系统可以对机器人已发生或即将发生的故障做出诊断或预测，避免故障进一步恶化，从而产生更严重的安全事故。传统的故障诊断方式有以下几种方法和弊端：

故障树的故障诊断方法检测方法较为简单，只能检测明显的故障，对于复杂的机器人系统很难建立其故障树。

专家系统的故障诊断方法需要长期的经验积累，且难以推广。

基于数学模型的故障诊断方法存在对于复杂的高阶非线性系统难以建模的缺点，同时对于噪声的鲁棒性较低。

传统的故障诊断均部署在机器人本身，对于基于数据驱动的故障诊断存在算力小的缺点，复杂的模型很难部署且计算速度慢导致时滞较高。

现有技术中有的提出完全基于云端的故障诊断模型，其模型训练和诊断均部署在运算能力强的云端服务器，该方案解决了服务机器人本地算力小的问题，且云端便于机器人之间实现数据共享，最终实现共同进化。但考虑到云端与机器人本地之间的通信时滞，甚至是服务机器人离线状态，系统无法达到实时故障诊断的效果，且由于诊断时滞或者系统离线，服务机器人在运行过程中容易造成严重后果。

发明内容

本说明书实施方式的目的是提供一种服务机器人云地协同故障诊断系统，具有实时性强，精度高等优点。

本说明书实施方式提供一种服务机器人云地协同故障诊断系统，通过以下技术方案实现：

包括：

信息采集单元、机器人控制器和机器人故障诊断云端服务器；

所述信息采集单元用于在机器人运行过程中采集机器人的姿态信息、机器人运动速度及机器人工作时电压电流信息，并将所采集的信息传输至机器人控制器；

所述机器人控制器控制信息采集单元的工作状态并将采集到的数据通过网络送入机器人故障诊断云端服务器；

所述机器人故障诊断云端服务器对接收的数据通过深度学习建立并训练故障诊断模型，并将训练好的故障诊断模型下发至所述机器人控制器；

所述机器人控制器基于所接收的训练好的故障诊断模型对机器人运动状态进行故障诊断。

进一步的技术方案，所述信息采集单元安装在机器人端，包括IMU惯性测量单元、速度编码器、电压电流传感器；

所述IMU惯性测量单元用于获取机器人的姿态信息；

所述速度编码器用于获取机器人运动速度；

所述电压电流传感器用于采集机器人运动时电路的工作电压及电流。

进一步的技术方案，所述机器人控制器安装在机器人端，与所述信息采集单元通信。

本说明书实施方式提供一种服务机器人云地协同故障诊断方法，包括：

在机器人运行过程中采集机器人的姿态信息、机器人运动速度及机器人工作时电压电流信息，并将所采集的信息传输至机器人控制器；

机器人控制器控制信息采集单元的工作状态并将采集到的数据通过网络送入机器人故障诊断云端服务器；

机器人故障诊断云端服务器对接收的数据通过深度学习建立并训练故障诊断模型，并将训练好的故障诊断模型下发至所述机器人控制器；

机器人控制器基于所接收的训练好的故障诊断模型对机器人运动状态进行故障诊断。

进一步的技术方案，所述故障诊断模型为基于DeepFM的服务机器人故障诊断模型；

所述基于DeepFM的服务机器人故障诊断模型分成DNN和FM两部分，DNN将所有特征输入到多层全连接网络；

FM部分分成常数项，一阶项和二阶项，其中二阶项是对所有输入特征两两组合，并赋予该组合一个权重；

最后FM和DNN的输出通过Softmax层激活得到几种分类结果的概率值，概率最大的即故障诊断结果。

进一步的技术方案，所述故障诊断模型的输入可以为类别变量或连续性变量，类别变量需通过embedding层将变量映射到一定维度且向量元素都不为零的空间向量中，连续性变量，则可直接引入FM结构中。

进一步的技术方案，机器人运行过程中采集的原始特征归一化和向量化得到embedding层，embedding层的所有向量一路输入FM结构，另一路输入到一系列Dense即DNN结构。

进一步的技术方案，输入的原始数据中连续值特征需要经过归一化，然后通过一个m节点的Dense层转化成m维的向量；

类别特征通过Keras内置的Embedding层构建函数直接转化成m维向量；最终所有的特征均转化成m维向量，DNN结构中将这些向量引入多层全连接层，构建高阶的特征；FM结构给这些向量赋予一个权重，作为FM的一阶特征，将向量组中的向量两两相乘，并赋予一个权重，构建FM的二阶特征。

进一步的技术方案，FM部分的输出如下：

其中，ω_ij是特征x_i和x_j组合的权重，模型在训练的时候，通过不断调整权重值使得模型预测的效果达到最佳。

与现有技术相比，本公开的有益效果是：

本公开是一种能够快速并精确诊断故障的系统和方法为服务机器人可靠运行提供保障。本公开利用服务机器人移动过程中的速度信息和姿态信息以及硬件电路状态的数据作为机器人故障诊断的原始数据，采用深度学习算法进行建模，并将模型训练过程部署在云端，诊断部分部署在本地实时进行故障诊断。

本公开将速度编码器等传感器的数据上传至云端进行融合，并通过深度学习模型进行训练，训练好的模型将部署到本地实时诊断，相比传统模型，具有实时性强，精度高等优点。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本发明提供的服务机器人云地协同故障诊断系统架构图；

图2为本发明提供的服务机器人云地协同故障诊断方法流程图；

图3为本发明提供的DeepFM算法结构图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例子一

该实施例公开了一种服务机器人云地协同故障诊断系统，参见附图1所示，包括：信息采集单元、机器人控制器和机器人故障诊断云端服务器。

信息采集单元主要是安装在机器人端采集数据的一些传感器设备，如IMU惯性测量单元、速度编码器、电压电流传感器等。惯性测量单元主要是获取机器人的姿态信息，如各个轴的加速度、角速度量，速度编码器主要功能是反映机器人运动速度，电压电流传感器的数据反映了机器人本地电路的情况，当机器人硬件系统运行异常的时候，其电路工作电压电流会发生一定的变化。

机器人控制器是机器人本地的核心，它控制着所有传感器的数据采集，并将采集到的数据通过网络送入云端服务器。同时它也具备一定的故障诊断功能。

本申请实施例子中，机器人控制器与机器人本地概念一致，均表示机器人端的所有系统的集合。一般包括机器人底层控制系统、机器人上位机。底层控制系统负责采集数据和运动控制，上位机负责与云端通信和故障诊断。

本系统诊断的主要故障包括：编码器异常；机器人运动系统机械故障；硬件电路异常。

本公开通过将所有传感器的数据输入到模型中，诊断出系统当前的故障。因为数据不能直观的看到故障状态，因此异常都是依据模型诊断结果得到的。

云端服务器是故障诊断系统的核心单元之一，具有高效率的数据存储服务，能将机器人传感器数据和运行情况实时记录，同时它拥有强力的CPU和GPU，该云端服务器通过深度学习建立并训练故障诊断模型，定时更新数据和模型，保证故障诊断功能的时效性和准确性，并能及时通过网络将模型更新到机器人本地。

本系统适用的机器人群包括：具有各种不同运动学模型形式的服务机器人。例如：双轮差速轮式机器人、麦克纳姆四轮轮式机器人、阿克曼结构轮式机器人。

实施例子二

本发明的第二目的是提供一种服务机器人云地协同故障诊断方法。

下面从故障诊断流程及诊断模型进行描述：

参见附图2所示，故障诊断流程介绍：

主要流程如下：

步骤一：机器人在运行过程中不断采集传感器数据，并通过串口将数据发送到机器人上位机，上位机部署了故障诊断模型，将数据输入到模型中，诊断出结果。

步骤二：机器人上位机接收到数据后，同时将数据通过网络转发给云端服务器，服务器将数据按一定格式储存在数据库中。

步骤三：当数据库中的数据达到一定量且数据符合一定要求时，服务器开始训练模型，并将保存新模型。

步骤四：机器人查询到服务器端有新的诊断模型，通过网络将模型下载到本地并部署，保证机器人本地系统诊断的准确度。

故障诊断模型介绍：本发明提出了一种基于DeepFM的服务机器人故障诊断模型。

该模型主要分成DNN和FM两部分，DNN将所有特征输入到多层全连接网络，FM部分分成常数项，一阶项和二阶项，其中二阶项是对所有输入特征两两组合，并赋予该组合一个权重，最后FM和DNN的输出通过Softmax层激活得到几种分类结果的概率值，概率最大的即故障诊断结果。整个模型基于神经网络，通过梯度下降法来更新所有权重和网络参数。

参见附图3所示，DeepFM主要分成FM和DNN两部分，FM(因子分解机)是一种特征两两组合的方法，它负责对组合而成的二阶特征进行特征提取；DNN负责对输入的一阶特征进行全连接等操作形成的高阶特征进行特征提取。DeepFM有并行和串行结构，下面对网络的并行结构进行介绍。

具体的，通过图3的结构可以发现一个embedding层，该层中每一种特征均转化成了m维的向量，该层同时为DNN和FM的输入。下面详细介绍转化过程，模型输入的原始数据中连续值特征需要经过归一化，然后通过一个m节点的Dense层转化成m维的向量；类别特征通过Keras内置的Embedding层构建函数直接转化成m维向量。最终所有的特征均转化成m维向量，DNN结构中将这些向量引入多层全连接层，实质上已经构建了高阶的特征；FM结构给这些向量赋予一个权重，作为FM的一阶特征，将向量组中的向量两两相乘，并赋予一个权重，构建FM的二阶特征。(此处的m值可以自定，一般50～200均可)

DeepFM的输入可以是类别变量或连续性变量，类别变量需通过embedding层将变量映射到一定维度且向量元素都不为零的空间向量中；

本文所采集的数据均连续性变量，则可直接引入FM结构中，每个连续值特征归一化后通过m维的Dense层构建出m维embedding向量(此处的m值可以自定，一般50～200均可)；

所有的特征从另一路输入到一系列Dense层；

DNN和FM结构均共享输入层，该输入层即原始特征(速度编码器、惯性测量单元、电压电流传感器采集到的原始数据)经过归一化和向量化得到的embedding层(由多个m维向量组成的向量组)。embedding层的所有向量一路输入FM结构，另一路输入到一系列Dense(DNN结构)。

两种结构的输出值，表现为多维向量。两者的输入组合在一起输入到Softmax层，输出不同机器人状态下的概率；

Softmax层输出的是各个可能的诊断结果的概率，应为一个多维向量，维度应是所有可能情况的数目，如本文举例，一共有三种异常状态，加上正常状态一共四种，即Softmax输出维度为4。

概率最大的类别即为故障诊断结果。

FM部分的输出如下：

其中，ω_ij是特征x_i和x_j组合的权重，模型在训练的时候，通过不断调整权重值使得模型预测的效果达到最佳，X为需要组合的特征，三个w分别为FM结构中常数项、一阶组合和二阶组合的权重。n表示特征的数目，ij只是标号，无具体含义。

该处特征即传感器的采集到的数据，公式只表示两种数据进行了乘法组合，具体在结构中为了运算方便需要将特征进行向量化。该种操作已在上面的答复中进行说明。

DeepFM算法具有以下优点：

结合了广度和深度模型的优点，通过学习低阶和高阶组合特征，深度发掘了各个传感器数据之间的关系。

端对端模型，无需特征工程，方便推广应用到各类各式机器人。

提出了一种机器人云地协同故障诊断的方法，通过在云端训练模型，本地部署模型，综合利用了两者的优势，提高系统的可靠性，在保证诊断效果的同时，避免因网络延迟等原因造成严重后果。

本公开实施例子提出了一种基于DeepFM的故障诊断算法，通过对高低阶特征组合，深度挖掘特征数据之间的关系，提高模型的准确率，且方便该模型进行推广和应用。

本实施例还公开了一种服务机器人，所述服务机器人采用上述实施例子中的一种服务机器人云地协同故障诊断方法进行故障诊断。

可以理解的是，在本说明书的描述中，参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例～第N实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料的特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (9)

1.一种服务机器人云地协同故障诊断系统，其特征是，包括：

信息采集单元、机器人控制器和机器人故障诊断云端服务器；

所述信息采集单元用于在机器人运行过程中采集机器人的姿态信息、机器人运动速度及机器人工作时电压电流信息，并将所采集的信息传输至机器人控制器；

所述机器人控制器控制信息采集单元的工作状态并将采集到的数据通过网络送入机器人故障诊断云端服务器；

所述机器人故障诊断云端服务器对接收的数据通过深度学习建立并训练故障诊断模型，并将训练好的故障诊断模型下发至所述机器人控制器；

所述机器人控制器基于所接收的训练好的故障诊断模型对机器人运动状态进行故障诊断；

所述故障诊断模型为基于DeepFM的服务机器人故障诊断模型；

所述基于DeepFM的服务机器人故障诊断模型分成DNN和FM两部分，DNN将所有特征输入到多层全连接网络；

FM部分分成常数项，一阶项和二阶项，其中二阶项是对所有输入特征两两组合，并赋予该组合一个权重；

最后FM和DNN的输出通过Softmax层激活得到几种分类结果的概率值，概率最大的即故障诊断结果。

2.如权利要求1所述的一种服务机器人云地协同故障诊断系统，其特征是，所述信息采集单元安装在机器人端，包括IMU惯性测量单元、速度编码器、电压电流传感器；

所述IMU惯性测量单元用于获取机器人的姿态信息；

所述速度编码器用于获取机器人运动速度；

所述电压电流传感器用于采集机器人运动时电路的工作电压及电流。

3.如权利要求1所述的一种服务机器人云地协同故障诊断系统，其特征是，所述机器人控制器安装在机器人端，与所述信息采集单元通信。

4.一种服务机器人云地协同故障诊断方法，其特征是，包括：

在机器人运行过程中采集机器人的姿态信息、机器人运动速度及机器人工作时电压电流信息，并将所采集的信息传输至机器人控制器；

机器人控制器控制信息采集单元的工作状态并将采集到的数据通过网络送入机器人故障诊断云端服务器；

机器人故障诊断云端服务器对接收的数据通过深度学习建立并训练故障诊断模型，并将训练好的故障诊断模型下发至所述机器人控制器；

机器人控制器基于所接收的训练好的故障诊断模型对机器人运动状态进行故障诊断；

所述故障诊断模型为基于DeepFM的服务机器人故障诊断模型；

所述基于DeepFM的服务机器人故障诊断模型分成DNN和FM两部分，DNN将所有特征输入到多层全连接网络；

FM部分分成常数项，一阶项和二阶项，其中二阶项是对所有输入特征两两组合，并赋予该组合一个权重；

最后FM和DNN的输出通过Softmax层激活得到几种分类结果的概率值，概率最大的即故障诊断结果。

5.如权利要求4所述的一种服务机器人云地协同故障诊断方法，其特征是，所述故障诊断模型的输入可以为类别变量或连续性变量，类别变量需通过embedding层将变量映射到一定维度且向量元素都不为零的空间向量中，连续性变量，则可直接引入FM结构中。

6.如权利要求4所述的一种服务机器人云地协同故障诊断方法，其特征是，机器人运行过程中采集的原始特征归一化和向量化得到embedding层，embedding层的所有向量一路输入FM结构，另一路输入到一系列Dense即DNN结构。

7.如权利要求5所述的一种服务机器人云地协同故障诊断方法，其特征是，输入的原始数据中连续值特征需要经过归一化，然后通过一个m节点的Dense层转化成m维的向量；

类别特征通过Keras内置的Embedding层构建函数直接转化成m维向量；最终所有的特征均转化成m维向量，DNN结构中将这些向量引入多层全连接层，构建高阶的特征；FM结构给这些向量赋予一个权重，作为FM的一阶特征，将向量组中的向量两两相乘，并赋予一个权重，构建FM的二阶特征。

8.如权利要求4所述的一种服务机器人云地协同故障诊断方法，其特征是，FM部分的输出如下：

其中，ω_ij是特征x_i和x_j组合的权重，模型在训练的时候，通过不断调整权重值使得模型预测的效果达到最佳。

9.一种服务机器人，其特征是，所述服务机器人采用权利要求4-8任一所述的一种服务机器人云地协同故障诊断方法进行故障诊断。

Images