CN110231156B - 基于时序特征的服务机器人运动系统故障诊断方法及装置 - Google Patents
基于时序特征的服务机器人运动系统故障诊断方法及装置 Download PDFInfo
- Publication number
- CN110231156B CN110231156B CN201910562373.0A CN201910562373A CN110231156B CN 110231156 B CN110231156 B CN 110231156B CN 201910562373 A CN201910562373 A CN 201910562373A CN 110231156 B CN110231156 B CN 110231156B
- Authority
- CN
- China
- Prior art keywords
- fault
- fault diagnosis
- data
- feature
- motion system
- 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
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manipulator (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开提供了一种基于时序特征的服务机器人运动系统故障诊断方法及装置。其中,一种基于时序特征的服务机器人运动系统故障诊断方法,包括:对原始数据采用滑动窗口的方式生成时间序列训练样本;采用多个随机森林模型与多个梯度提升树模型进行加权融合形成随机模块,利用随机模型从训练样本中进行故障特征选择;将选择的故障特征数据输入到GRU神经网络中,提取故障的时间序列特征,将滑动窗口最后一个时刻数据输入到BP神经网络中,提取当前时刻故障特征,融合时间序列特征和当前时刻故障特征后进行故障分类。
Description
技术领域
本公开属于机器人故障诊断领域,尤其涉及一种基于时序特征的服务机器人运动系统故障诊断方法及装置。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
随着人工智能和物联网技术的发展,服务机器人在软硬件资源配置和功能实现程度等方面都取得了很大的突破。服务机器人拥有强大的功能和丰富的应用场景,为人们生活提供了极大的便利。但是现在服务机器人普及难度较大,一方面原因是产品智能化水平不够,另一方面原因是产品安全性较低。
近些年来,随着计算机技术的发展,基于数据驱动的故障诊断逐渐成为故障诊断研究的热点方向之一。基于数据驱动的故障诊断多采用机器学习的方法,挖掘出传感器数据中的故障特征。袁宪锋等人提出了多PCA模型的SVM-DS融合决策故障诊断方法,通过建立多个PCA模型进行故障特征提取,并将特征向量输入到支持向量机模型中,通过结合全局和局部可信度完成BPA赋值,最终利用DS算法实现各BPA融合,得出故障分离结果。Yaguo Lei提出一种智能故障诊断方法,第一阶段采用2层无监督神经网络进行稀疏过滤,将原始数据转化为特征数据,第二阶段采用Softmax回归,将特征数据输入神经网络中进行故障分类。
发明人发现,现有的基于数据驱动的故障诊断方法存在以下弊端:
诊断模型仅对单一时刻的故障数据提提取特征,忽视了故障数据的时间序列特征,使得训练样本涵盖信息不足,导致系统故障诊断准确率无法进一步提高。
发明内容
为了解决上述问题,本公开的第一个方面提供一种基于时序特征的服务机器人运动系统故障诊断方法,其中训练样本涵盖当前时刻故障特征及故障的时间序列特征,提高了系统故障诊断准确率。
为了实现上述目的,本公开采用如下技术方案:
一种基于时序特征的服务机器人运动系统故障诊断方法,包括:
对原始数据采用滑动窗口的方式生成时间序列训练样本;
采用多个随机森林模型与多个梯度提升树模型进行加权融合形成随机模型,利用随机模型从训练样本中进行故障特征选择;
将选择的故障特征数据输入到GRU神经网络中,提取故障的时间序列特征,将滑动窗口最后一个时刻数据输入到BP神经网络中,提取当前时刻故障特征,融合时间序列特征和当前时刻故障特征后进行故障分类。
本公开的第二个方面提供一种基于时序特征的服务机器人运动系统故障诊断装置。
一种基于时序特征的服务机器人运动系统故障诊断装置,包括云端服务器及机器人端检测装置;
所述云端服务器,包括:
训练样本生成模块,其用于对原始数据采用滑动窗口的方式生成时间序列训练样本;
故障特征选择模块,其用于采用多个随机森林模型与多个梯度提升树模型进行加权融合形成随机模型,利用随机模型从训练样本中进行故障特征选择;
故障分类模块,其用于将选择的故障特征数据输入到GRU神经网络中,提取故障的时间序列特征,将滑动窗口最后一个时刻数据输入到BP神经网络中,提取当前时刻故障特征,融合时间序列特征和当前时刻故障特征后进行故障分类。
本公开的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述所述的基于时序特征的服务机器人运动系统故障诊断方法中的步骤。
本公开的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述所述的基于时序特征的服务机器人运动系统故障诊断方法中的步骤。
本公开的有益效果是:
(1)本公开对原始数据采用滑动窗口的方式生成时间序列训练样本,保证单个样本涵盖足够的时间序列特征信息;
(2)对训练样本采用多个随机森林模型与多个梯度提升树模型进行加权融合形成随机模型,利用随机模型从训练样本中进行故障特征选择,去除了干扰特征,保留了有效特征,既有随机森林模型的低方差优势,又有梯度提升树模型的低偏差优势,同时融合多个模型的特征重要性,进一步保证特征重要性的真实程度;
(3)将特征选择后的数据输入到GRU神经网络中,提取故障的时间序列特征,将滑动窗口最后一个时刻数据输入到BP神经网络中,提取当前时刻故障特征,融合两种特征进行故障分类,对于机器人故障诊断数据,时间序列特征和当前时刻状态都是强特征,相比GRU模型,加入对当前时刻数据进行BP神经网络特征提取,进一步提高了故障诊断的准确率。
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是本公开实施例的一种基于时序特征的服务机器人运动系统故障诊断方法流程图。
图2是本公开实施例的采用滑动窗口的方式生成训练样本示意图。
图3是本公开实施例的GRU神经网络示意图。
图4是本公开实施例的一种基于时序特征的服务机器人运动系统故障诊断系统结构示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
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。
服务机器人系统中,运动控制子系统故障率较高,并且运动控制子系统故障造成的后果比其他子系统严重很多,所以运动控制子系统故障诊断具有更高的研究价值。本实施例发生概率较高以及危险程度较大的5种故障进行研究,如表1所示。
表1故障类型
实施例一
图1是本实施例的一种基于时序特征的服务机器人运动系统故障诊断方法流程图。
如图1所示,本实施例的一种基于时序特征的服务机器人运动系统故障诊断方法,包括:
S101:对原始数据采用滑动窗口的方式生成时间序列训练样本。
其中,所述原始数据包括速度、角速度以及加速度。
不同于BP神经网络,基于时间序列的神经网络模型对输入数据的格式有一定要求。BP神经网络只需要把特征数据串联为一个向量直接输入到模型中即可,基于时间序列的神经网络需要将一个时间段内的特征数据输入到模型中,特征维度比BP神经网络多一个时间维度。
具体样本生成方法如下:
Step1:采用pandas数据处理工具读入两个文件,并转化为DataFrame格式。
Step2:将两个DataFrame依据时间戳合并为一个DataFrame。
Step3:利用如图2所示的滑动窗口方式,进行样本生成。滑动窗口需要设定窗口大小以及移动步长。图中窗口大小为100,步长为10。
Step4:对每个时间窗的样本进行数据预处理获得训练样本。
其中,数据预处理包括数据标准化和采用后向差分进行数据升维。
S102:采用多个随机森林模型与多个梯度提升树模型进行加权融合形成随机模型,利用随机模型从训练样本中进行故障特征选择。
对于传感器数据及其后向差分数据并非全部为有效信息,一些变量信息与机器人是否处于故障状态没有任何关联,将这些变量定义为无效特征或干扰变量。干扰变量的存在,稀释了重要特征变量的作用,从而降低了故障诊断的准确率。同时对于干扰变量的数据处理均为无效计算,浪费了大量的计算机资源,当在线机器人较多时,云端故障诊断的实时性不能得到保证。
通过计算特征变量重要性的方式将干扰变量和重要的特征变量进行区分,保证输入到故障诊断模型中的数据均为故障相关数据。因此,故障特征选择是故障诊断模型训练前至关重要的一步。
本实施例采用多个随机森林与多个梯度提升树融合的方式进行故障特征选择。具体地,构建M个随机模型,一半为随机森林模型,一半为梯度提升树模型,结合每个模型的分类准确率进行加权融合。
所有特征的加权重要性为:
式中,M为Bootstrap生成的数据集数目,A(RF) i为随机森林第i个模型准确率,F(RF) ij为特征j在随机森林第i个模型中的特征重要性,A(GBDT) i为梯度提升模型中第i个模型准确率,F(GBDT) ij为特征j在梯度提升模型中第i个模型中的特征重要性。
将加权重要性进行标准化得到最终的特征重要性。
本实施例的故障特征选择模型既有随机森林模型的低方差优势,又有梯度提升树模型的低偏差优势。同时融合多个模型的特征重要性,进一步保证特征重要性的真实程度。当某个模型故障分类精度较低时,此模型的故障特征重要性所占比重也较低,当某个模型故障分类精度较高时,此模型的故障特征重要性比重会较高,最终融合的特征重要性充分权衡了模型的准确率、模型的过拟合程度以及变量对模型的贡献程度。
计算出特征重要性之后,根据特征重要性进行特征选择。特征选择即去除掉所有的干扰变量,保留有效的特征变量。通过大量实验,根据经验设定特征选择规则,将特征重要性低于0.002的变量列为干扰变量进行筛除。
S103:将选择的故障特征数据输入到GRU神经网络中,提取故障的时间序列特征,将滑动窗口最后一个时刻数据输入到BP神经网络中,提取当前时刻故障特征,融合时间序列特征和当前时刻故障特征后进行故障分类。
服务机器人的运动状态是非常复杂的,各个传感器的数据分布存在多样性。完全相同的传感器数值既可能是故障状态下采集的数据,也可能是机器人某个时刻的正常运行状态的采样数据。因此,传统的基于数据驱动的故障诊断算法在诊断精度方面容易达到瓶颈,一个重要原因是忽略了服务机器人故障诊断数据的时间序列特征。一个时刻的传感器数据信息量是非常有限的,数据的变化趋势、周期性、突变等特征都无法在一个时刻体现出来。
时间序列特征是指一个时间段内数据的变化特征。其主要包含数据的数值特征(即数据大小特征)、变量间的关联特征、变化趋势、周期性特征以及突变特征。
下面将举例展示服务机器人传感器的时间序列特征:
(1)变量间的关联特征
当机器人运行在某个阶段时,机器人的四个轮子速度呈现一定的相关性,除此之外,其他传感器之间特定阶段均呈现一定的关联性。
(2)变化趋势特征
机器人启动时速度有一个明显的上升趋势,这种趋势是有一定规律性的。在其他运动阶段,各传感器数值也会呈现一定的趋势性。
(3)周期性特征
由于服务机器人轮子为麦克纳姆轮,其结构特点决定机器人运动时存在轻微的周期性振动,其振动频率是故障诊断中一个重要的特征。
如图3所示,GRU神经网络,主要用于提取故障诊断数据的时间序列特征;BP神经网络为3层,用于提取当前时刻的故障特征;为输出层,用于融合两特征,提取最终特征,输出诊断结果。
对于机器人故障诊断数据,时间序列特征和当前时刻状态都是强特征,本文提出的改进模型相比GRU模型,加入对当前时刻数据进行BP神经网络特征提取,进一步提高了故障诊断的准确率。
基于GRU神经网络的混合模型结构如下:
(1)时序特征提取网络:每个时刻的机器人特征数据输入到每一层的GRU单元中,时刻总数为时间窗长度t,共计t个GRU单元。每个GRU单元输入层为29个神经元,隐藏层有50个神经元,最后一层GRU神经元输出与32个神经元全连接,激活函数为Relu,再下一层为10个神经元,激活函数为Relu。
(2)非时序特征提取网络:最后一时刻数据xt输入到3层BP神经网络中,第一层为29个神经元,即xt数据。第二层为64个神经元,第三层为10个神经元,激活函数均为Relu。
(3)输出层:时序特征提取网络最后一层10个神经元与非时序特征提取网络最后一层10个神经元进行合并,与最后一层6个神经元进行全连接,最终采用Softmax激活函数,输入6种故障状态的概率。
本实施例对原始数据采用滑动窗口的方式生成时间序列训练样本,保证单个样本涵盖足够的时间序列特征信息;
对训练样本采用多个随机森林模型与多个梯度提升树模型进行加权融合形成随机模型,利用随机模型从训练样本中进行故障特征选择,去除了干扰特征,保留了有效特征,既有随机森林模型的低方差优势,又有梯度提升树模型的低偏差优势,同时融合多个模型的特征重要性,进一步保证特征重要性的真实程度;
将特征选择后的数据输入到GRU神经网络中,提取故障的时间序列特征,将滑动窗口最后一个时刻数据输入到BP神经网络中,提取当前时刻故障特征,融合两种特征进行故障分类,对于机器人故障诊断数据,时间序列特征和当前时刻状态都是强特征,相比GRU模型,加入对当前时刻数据进行BP神经网络特征提取,进一步提高了故障诊断的准确率。
在另一实施例中,基于时序特征的服务机器人运动系统故障诊断方法,还包括:
将故障诊断结果及原始数据一起存入故障诊断数据库内;
定期读取故障诊断数据库中的数据集,并进行GRU神经网络及BP神经网络的训练和更新。
实施例二
如图4所示,本实施例的一种基于时序特征的服务机器人运动系统故障诊断装置,包括云端服务器及机器人端检测装置;
所述云端服务器,包括:
训练样本生成模块,其用于对原始数据采用滑动窗口的方式生成时间序列训练样本;其中,所述原始数据包括速度、角速度以及加速度;
故障特征选择模块,其用于采用多个随机森林模型与多个梯度提升树模型进行加权融合形成随机模型,利用随机模型从训练样本中进行故障特征选择;
故障分类模块,其用于将选择的故障特征数据输入到GRU神经网络中,提取故障的时间序列特征,将滑动窗口最后一个时刻数据输入到BP神经网络中,提取当前时刻故障特征,融合时间序列特征和当前时刻故障特征后进行故障分类;其中,所述故障的时间序列特征包括变量间的关联特征、变化趋势特征和周期性特征。
具体地,所述机器人端检测装置包括:速度编码器和惯性测量单元,所述速度编码器和惯性测量单元均与机器人控制器相连,所述速度编码器用于检测服务机器人运动系统的速度,所述惯性测量单元用于检测服务机器人运动系统的角速度及加速度。
所述机器人控制器与云端服务器之间采用WebSocket长连接进行实时通讯。
在另一实施例中,所述云端服务器,还包括:
数据存储模块,其内设置有故障诊断数据库,用于存储故障诊断结果及原始数据;
模型更新模块,其用于定期读取故障诊断数据库中的数据集,并进行GRU神经网络及BP神经网络的训练和更新。
云端服务器采用Tornado Web云服务框架,负责接收机器人传感器数据,通过故障诊断算法得出诊断结果并反馈给机器人。同时云端服务器还部署故障诊断数据库,保存机器人实时运行的状态数据,以便后期更新故障诊断数据集,训练实时性较强的故障诊断模型。
云端服务器与机器人建立长连接后,机器人实时的将传感器原始数据传输云端。原始数据标准化后首先进入一阶后向差分以及二阶后向差分模块处理,获得原始数据变化以及变化率特征,然后将升维后的数据输入集成树模型进行特征选择,最后将选择后的特征数据输入时间序列神经网络模型中获得故障诊断结果。诊断结果通过云机接口反馈至机器人,同时与原始数据一起存入故障诊断数据库。云端服务器设有定时器,会定期读取故障诊断数据库中的数据集,并进行模型训练和更新。
本实施例对原始数据采用滑动窗口的方式生成时间序列训练样本,保证单个样本涵盖足够的时间序列特征信息;
对训练样本采用多个随机森林模型与多个梯度提升树模型进行加权融合形成随机模型,利用随机模型从训练样本中进行故障特征选择,去除了干扰特征,保留了有效特征,既有随机森林模型的低方差优势,又有梯度提升树模型的低偏差优势,同时融合多个模型的特征重要性,进一步保证特征重要性的真实程度;
将特征选择后的数据输入到GRU神经网络中,提取故障的时间序列特征,将滑动窗口最后一个时刻数据输入到BP神经网络中,提取当前时刻故障特征,融合两种特征进行故障分类,对于机器人故障诊断数据,时间序列特征和当前时刻状态都是强特征,相比GRU模型,加入对当前时刻数据进行BP神经网络特征提取,进一步提高了故障诊断的准确率。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如图1所示的基于时序特征的服务机器人运动系统故障诊断方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如图1所示的基于时序特征的服务机器人运动系统故障诊断方法中的步骤。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开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和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
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 (10)
1.一种基于时序特征的服务机器人运动系统故障诊断方法,其特征在于,包括:
对原始数据采用滑动窗口的方式生成时间序列训练样本;
采用多个随机森林模型与多个梯度提升树模型进行加权融合形成随机模型,利用随机模型从训练样本中进行故障特征选择;
将选择的故障特征数据输入到GRU神经网络中,提取故障的时间序列特征,将滑动窗口最后一个时刻数据输入到BP神经网络中,提取当前时刻故障特征,融合时间序列特征和当前时刻故障特征后进行故障分类。
2.如权利要求1所述的一种基于时序特征的服务机器人运动系统故障诊断方法,其特征在于,所述原始数据包括速度、角速度以及加速度;
或所述故障的时间序列特征包括变量间的关联特征、变化趋势特征和周期性特征。
3.如权利要求1所述的一种基于时序特征的服务机器人运动系统故障诊断方法,其特征在于,该方法,还包括:
将故障诊断结果及原始数据一起存入故障诊断数据库内;
定期读取故障诊断数据库中的数据集,并进行GRU神经网络及BP神经网络的训练和更新。
4.一种基于时序特征的服务机器人运动系统故障诊断装置,其特征在于,包括云端服务器及机器人端检测装置;
所述云端服务器,包括:
训练样本生成模块,其用于对原始数据采用滑动窗口的方式生成时间序列训练样本;
故障特征选择模块,其用于采用多个随机森林模型与多个梯度提升树模型进行加权融合形成随机模型,利用随机模型从训练样本中进行故障特征选择;
故障分类模块,其用于将选择的故障特征数据输入到GRU神经网络中,提取故障的时间序列特征,将滑动窗口最后一个时刻数据输入到BP神经网络中,提取当前时刻故障特征,融合时间序列特征和当前时刻故障特征后进行故障分类。
5.如权利要求4所述的一种基于时序特征的服务机器人运动系统故障诊断装置,其特征在于,所述原始数据包括速度、角速度以及加速度;
或所述故障的时间序列特征包括变量间的关联特征、变化趋势特征和周期性特征。
6.如权利要求4所述的一种基于时序特征的服务机器人运动系统故障诊断装置,其特征在于,所述云端服务器,还包括:
数据存储模块,其内设置有故障诊断数据库,用于存储故障诊断结果及原始数据;
模型更新模块,其用于定期读取故障诊断数据库中的数据集,并进行GRU神经网络及BP神经网络的训练和更新。
7.如权利要求4所述的一种基于时序特征的服务机器人运动系统故障诊断装置,其特征在于,所述机器人端检测装置包括:速度编码器和惯性测量单元,所述速度编码器和惯性测量单元均与机器人控制器相连,所述速度编码器用于检测服务机器人运动系统的速度,所述惯性测量单元用于检测服务机器人运动系统的角速度及加速度。
8.如权利要求7所述的一种基于时序特征的服务机器人运动系统故障诊断装置,其特征在于,所述机器人控制器与云端服务器之间采用WebSocket长连接进行实时通讯。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-3中任一项所述的基于时序特征的服务机器人运动系统故障诊断方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-3中任一项所述的基于时序特征的服务机器人运动系统故障诊断方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910562373.0A CN110231156B (zh) | 2019-06-26 | 2019-06-26 | 基于时序特征的服务机器人运动系统故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910562373.0A CN110231156B (zh) | 2019-06-26 | 2019-06-26 | 基于时序特征的服务机器人运动系统故障诊断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110231156A CN110231156A (zh) | 2019-09-13 |
CN110231156B true CN110231156B (zh) | 2020-06-09 |
Family
ID=67857260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910562373.0A Active CN110231156B (zh) | 2019-06-26 | 2019-06-26 | 基于时序特征的服务机器人运动系统故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110231156B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598797B (zh) * | 2019-09-18 | 2022-07-08 | 北京明略软件系统有限公司 | 故障的检测方法及装置、存储介质和电子装置 |
CN111310840B (zh) * | 2020-02-24 | 2023-10-17 | 北京百度网讯科技有限公司 | 数据融合处理方法、装置、设备和存储介质 |
CN111319601B (zh) * | 2020-02-28 | 2021-05-18 | 中南大学 | 一种均衡风缸控制模块故障诊断方法、装置及存储介质 |
CN111428116B (zh) * | 2020-06-08 | 2021-01-12 | 四川大学 | 一种基于深度神经网络的微博社交机器人检测方法 |
CN112304613B (zh) * | 2020-10-30 | 2023-01-10 | 浙江运达风电股份有限公司 | 一种基于特征融合的风电机组发电机轴承预警方法 |
CN112329341B (zh) * | 2020-11-02 | 2022-07-08 | 智昌科技集团股份有限公司 | 一种基于ar和随机森林模型的故障诊断系统及方法 |
CN113517046B (zh) * | 2021-04-15 | 2023-11-07 | 中南大学 | 一种电子病历中异构数据特征融合方法及基于融合特征的预测方法、系统及可读存储介质 |
CN113468210A (zh) * | 2021-06-08 | 2021-10-01 | 上海交通大学 | 基于特征工程的机器人故障诊断方法及系统 |
CN114964841A (zh) * | 2022-05-07 | 2022-08-30 | 中国地质大学(武汉) | 基于多传感器融合的移动机器人故障检测系统及方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095918B (zh) * | 2015-09-07 | 2018-06-26 | 上海交通大学 | 一种多机器人系统故障诊断方法 |
CN107479534B (zh) * | 2017-08-15 | 2023-07-11 | 上海应用技术大学 | 一种基于灰色关联理论的移动机器人故障诊断方法 |
US11250340B2 (en) * | 2017-12-14 | 2022-02-15 | Microsoft Technology Licensing, Llc | Feature contributors and influencers in machine learned predictive models |
CN108269012A (zh) * | 2018-01-12 | 2018-07-10 | 中国平安人寿保险股份有限公司 | 风险评分模型的构建方法、装置、存储介质及终端 |
CN108846521A (zh) * | 2018-06-22 | 2018-11-20 | 西安电子科技大学 | 基于Xgboost的盾构施工不良地质类型预测方法 |
CN109129574B (zh) * | 2018-11-08 | 2021-05-04 | 山东大学 | 服务机器人运动系统云端故障诊断系统及方法 |
CN109579896A (zh) * | 2018-11-27 | 2019-04-05 | 佛山科学技术学院 | 基于深度学习的水下机器人传感器故障诊断方法及装置 |
-
2019
- 2019-06-26 CN CN201910562373.0A patent/CN110231156B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110231156A (zh) | 2019-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110231156B (zh) | 基于时序特征的服务机器人运动系统故障诊断方法及装置 | |
CN110162018B (zh) | 基于知识蒸馏与隐含层共享的增量式设备故障诊断方法 | |
CN111914644B (zh) | 一种基于双模态协同的弱监督时序动作定位方法及系统 | |
US20230094389A1 (en) | Quantum computing based deep learning for detection, diagnosis and other applications | |
CN113935406B (zh) | 基于对抗流模型的机械设备无监督故障诊断方法 | |
KR102113218B1 (ko) | 시계열 데이터의 분석 및 예측을 위한 통합적인 딥러닝 시스템 | |
CN110609524B (zh) | 一种工业设备剩余寿命预测模型及其构建方法和应用 | |
Yu et al. | Stacked denoising autoencoder‐based feature learning for out‐of‐control source recognition in multivariate manufacturing process | |
CN112947385B (zh) | 一种基于改进Transformer模型的飞行器故障诊断方法和系统 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
Lima et al. | Learning under concept drift for regression—a systematic literature review | |
Nasser et al. | A hybrid of convolutional neural network and long short-term memory network approach to predictive maintenance | |
Wu et al. | Optimized deep learning framework for water distribution data-driven modeling | |
CN110851654A (zh) | 基于张量化数据降维的工业设备故障检测分类方法 | |
Ahmad et al. | Intelligent framework for automated failure prediction, detection, and classification of mission critical autonomous flights | |
KR20210056296A (ko) | 입력 데이터의 처리를 위한 최적의 어노말리 감지 모델 결정 방법 | |
CN115481726A (zh) | 一种工业机器人整机健康评估方法及系统 | |
CN115600136A (zh) | 一种基于多传感器的高压套管故障诊断方法、系统及介质 | |
CN113486926B (zh) | 一种自动化码头设备异常检测系统 | |
CN114331214A (zh) | 基于强化学习的域自适应轴承声纹故障诊断方法及系统 | |
Das et al. | GASEL: Genetic algorithm-supported ensemble learning for fault detection in autonomous underwater vehicles | |
Liu et al. | Unbalanced fault diagnosis based on an invariant temporal-spatial attention fusion network | |
CN116501444B (zh) | 智能网联汽车域控制器虚拟机异常云边协同监测和恢复系统及方法 | |
CN117407814A (zh) | 一种基于数字孪生的机床设备故障预警方法及系统 | |
CN116415147A (zh) | 基于自学习的面向光伏系统设备运行数据的预训练方法 |
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 |