CN112171721B

CN112171721B - 一种机器人关节传感器和执行器故障诊断方法及系统

Info

Publication number: CN112171721B
Application number: CN202011373842.3A
Authority: CN
Inventors: 潘月斗; 张伟锋
Original assignee: University of Science and Technology Beijing USTB
Current assignee: Zhongshan Mltor Cnc Technology Co ltd
Priority date: 2020-11-30
Filing date: 2020-11-30
Publication date: 2021-02-19
Anticipated expiration: 2040-11-30
Also published as: CN112171721A

Abstract

本发明公开了一种机器人关节传感器和执行器故障诊断方法及系统，该故障诊断方法包括：获取传感器和执行器正常运行时的运行数据和出现预设类型故障时的运行数据，构建训练样本集；采用训练样本集训练预设的故障诊断模型；其中，故障诊断模型为深度残差网络模型，其输入为运行数据，输出为运行情况；采集待故障诊断的机器人关节系统中传感器和执行器的实时运行数据，并将所采集到的实时运行数据输入训练好的故障诊断模型中，以实现故障诊断。本发明为工业机器人的故障诊断开拓了新的思路，提高了机器人运行的可靠性以及稳定性，推动了智能诊断算法在机器人领域的应用，具有一定的科学意义。

Description

一种机器人关节传感器和执行器故障诊断方法及系统

技术领域

本发明涉及机器人技术领域，特别涉及一种机器人关节传感器和执行器故障诊断方法及系统。

背景技术

近年来，工业机器人已开始融入包括汽车制造、计算机、通信和消费电子等各行各业的生产之中。与传统生产线上的自动化设备相比，机器人操作灵活，能力出众。此外，在太空探索、灾难救助、核废料回收等危险领域，机器人具有无可替代的作用。不论是用于工业生产还是用于危险环境特殊任务的机器人，在工业生产流程或者任务执行中都承担着关键作用，因此机器人的可靠性显得尤为重要。机器人的核心部件为关节，作为机电一体化技术的范例，机器人关节模块将大量组件，包括中空电机、伺服驱动器、谐波减速器、制动器、编码器等集成到一个小的空间中。在使用过程中，机器人关节难免会发生故障，如果系统不能及时检测到故障的发生，启动相应的容错策略，则可能会导致机器人的失控或失效。对于工业过程来说，轻则影响生产效率，产品质量，重则危及生产人员的生命安全。而对于在危险环境中执行特殊任务的机器人，则会导致任务的失败。所以，当机器人关节发生故障时，如何快速且准确的进行故障的检测与定位显得至关重要。对机器人关节进行有效的故障诊断具有重要意义。

对于机器人关节系统而言，依照故障的性质可以分为两类，一类为可进行主动容错的故障，包括传感器增益故障、偏差故障和执行器增益故障、偏差故障等。另一类为需要被动容错的故障，包括传感器失效故障、锁定故障和执行器失效故障、锁定故障等。针对第一类故障，目前学者主要的研究成果是，通过构造一个状态观测器，来实时比对系统实际值和观测器输出值的残差，然后进行故障检测。由于观测器不会直接受到故障的影响，因此观测器的输出和实际系统的输出总会出现偏差。当偏差超过阈值时，就会被判定为故障。但是实际系统是存在干扰的，而构造的观测器是不会受到干扰影响的，其输出值总会与实际值存在偏差，因此阈值的设定至关重要。如果设置过小，则容易将干扰当成故障，发生误判；如果设置过大，则故障判定的时间将会延长，进而对系统造成不可逆的影响。还有些学者针对机器人关节中发生的故障，提出了硬件冗余的故障诊断方法。该方法操作简单，仅需额外的传感器设备就能对系统的故障进行实时监测。但是该方法会增加额外的经济开销，因此其应用范围被大大限制。同时，现有的故障诊断方法在故障的外在表现形式相同时，并不能区分是传感器发生故障还是执行器发生故障。尽管这两种故障在外在表现形式上是相同的，但是传感器故障将会导致系统的输出，极大的偏离期望值，造成机器人关节随意摆动，甚至导致任务失败。而执行器故障会导致系统的输出出现波动，由于闭环系统的调节，仍然能够使得机器人关节到达期望位置。但是当执行器发生故障时，会导致电机过热或者谐波减速器的弹性形变片发生不可逆的塑性形变，进而使关节系统发生更大规模的故障，直至关节系统完全失效。因此，对执行器和传感器故障进行快速的检测与分离是十分必要的。

此外，考虑到机器人关节是一个复杂的、非线性、强耦合系统，很难用精确的数学模型来描述，因此以往基于模型的故障诊断方法显得并不可靠。

发明内容

本发明提供了一种机器人关节传感器和执行器故障诊断方法及系统，以解决现有的机器人关节故障诊断方法依赖数学模型，检测效果不够可靠且不能对故障类型进行准确分类的技术问题。

为解决上述技术问题，本发明提供了如下技术方案：

一方面，本发明提供了一种机器人关节传感器和执行器故障诊断方法，该机器人关节传感器和执行器故障诊断方法包括：

获取机器人关节传感器和执行器的运行数据；其中，所述运行数据包括传感器和执行器正常运行时的运行数据和出现预设类型故障时的运行数据；

以所述运行数据为样本数据，对应的传感器和执行器的运行情况为样本标签，构建训练样本集；其中，所述运行情况包括运行正常和出现的故障类型；

采用所述训练样本集训练预设的故障诊断模型；其中，所述故障诊断模型为深度残差网络模型，所述故障诊断模型以运行数据为输入，运行情况为输出；

采集待故障诊断的机器人关节系统中的传感器和执行器的实时运行数据，并将所采集到的实时运行数据输入训练好的故障诊断模型中，以实现故障诊断。

可选地，所述预设类型故障包括执行器恒偏差故障，执行器恒增益故障、执行器卡死故障、执行器失效故障、执行器和传感器恒偏差并发故障、传感器恒偏差故障、传感器恒增益故障、传感器卡死故障，以及传感器失效故障中的任意一种或多种的组合。

进一步地，所述故障诊断模型包括一个卷积模块、多个残差模块、一个全局均值池化层和一个全连接层；

输入所述故障诊断模型的运行数据，先经过所述卷积模块进行特征提取，提取的特征数据进入所述残差模块，残差模块的输出送入所述全局均值池化层进行池化处理，全局均值池化层的输出送入所述全连接层，实现运行情况分类。

进一步地，卷积模块包括一个卷积核、一个批量标准化层以及一个激活层。

进一步地，所述卷积核为大小为的一维卷积核，所述卷积核的卷积深度为4，滑动步长为6；所述激活层的激活函数为ReLu函数。

进一步地，所述故障诊断模型的残差模块的深度为8，卷积个数为16。

进一步地，故障诊断模型中每经过两个残差模块进行一次卷积深度的翻倍。

另一方面，本发明还提供了一种机器人关节传感器和执行器故障诊断系统，该机器人关节传感器和执行器故障诊断系统包括：

运行数据获取模块，用于获取机器人关节传感器和执行器的运行数据；其中，所述运行数据包括传感器和执行器正常运行时的运行数据和出现预设类型故障时的运行数据；

训练样本集构建模块，用于以所述运行数据获取模块所获取的运行数据为样本数据，对应的传感器和执行器的运行情况为样本标签，构建训练样本集；其中，所述运行情况包括运行正常和出现的故障类型；

故障诊断模型训练模块，用于采用所述训练样本集构建模块所构建的训练样本集训练预设的故障诊断模型；其中，所述故障诊断模型为深度残差网络模型，所述故障诊断模型以运行数据为输入，运行情况为输出；

故障诊断模块，用于采集待故障诊断的机器人关节系统中的传感器和执行器的实时运行数据，并将所采集到的实时运行数据输入经过所述故障诊断模型训练模块训练好的故障诊断模型中，以实现故障诊断。

再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。

又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。

本发明提供的技术方案带来的有益效果至少包括：

本发明通过获取传感器和执行器正常运行时的运行数据和出现预设类型故障时的运行数据，构建训练样本集；采用训练样本集训练预设的故障诊断模型；其中，故障诊断模型为深度残差网络模型，其输入为运行数据，输出为运行情况；采集待故障诊断的机器人关节系统中传感器和执行器的实时运行数据，并将所采集到的实时运行数据输入训练好的故障诊断模型中，实现故障诊断。本发明是一种端到端的故障诊断方法，在保证诊断精度的同时，还避免了因“中间过程”造成的故障信息丢失。而且，本发明的故障诊断方法不依赖关节模型，仅通过数据训练，就能对关节的故障类别进行快速定位，且无需额外的经济开销。为工业机器人的故障诊断开拓了新的思路，提高了机器人运行的可靠性以及稳定性，推动了智能诊断算法在机器人领域的应用，具有一定的科学意义。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的基于数据驱动的机器人关节传感器和执行器故障诊断方法的原理示意图；

图2为本发明实施例提供的基于数据驱动的机器人关节传感器和执行器故障诊断方法的流程示意图；

图3为卷积神经网络诊断架构示意图；

图4为神经网络卷积层的二维张量卷积运算示意图；

图5为神经网络池化层的池化过程示意图；

图6为神经网络的舍弃过程示意图；

图7为神经网络的全连接过程示意图；

图8为本发明实施例提供的深度残差网络故障诊断示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

第一实施例

针对现有机器人关节故障诊断方法，如基于模型的故障诊断方法需要精确的关节数学模型，且不能对关节的故障类别进行准确定位；而基于硬件冗余的故障诊断方法需要配套多个传感器器件，增加了关节故障诊断的经济开销的问题。本实施例针对机器人关节中存在的传感器和执行器故障，借鉴深度学习的方法，设计一种深度残差网络（Deepresidual network，ResNet）进行机器人关节的故障诊断。提出了一种基于数据驱动的机器人关节传感器和执行器故障诊断方法，该方法的诊断原理如图1所示，实现流程如图2所示，包括以下步骤：

S1，获取机器人关节传感器和执行器的运行数据；其中，运行数据包括传感器和执行器正常运行时的运行数据和出现预设类型故障时的运行数据；

S2，以运行数据为样本数据，对应的传感器和执行器的运行情况为样本标签，构建训练样本集；其中，运行情况包括运行正常和出现的故障类型；

S3，采用训练样本集训练预设的故障诊断模型；其中，故障诊断模型为深度残差网络模型，故障诊断模型以运行数据为输入，运行情况为输出；

S4，采集待故障诊断的机器人关节系统中的传感器和执行器的实时运行数据，将采集到的实时运行数据输入训练好的故障诊断模型中，以实现故障诊断。

需要说明的是，在机器人关节存在的故障中，传感器故障和执行器故障是造成机器人关节自由摆动和卡死现象的主要原因。对此，本实施例获取的机器人关节传感器和执行器故障数据集中的故障类型包括执行器恒偏差故障，执行器恒增益故障、执行器卡死故障、执行器失效故障、执行器和传感器恒偏差并发故障、传感器恒偏差故障、传感器恒增益故障、传感器卡死故障以及传感器失效故障，具体地，本实施例故障数据集描述如表1所示：

其中，F1~F10分别对应表1中的9种故障类型和运行正常类型。对于一个机器人关节系统而言，其执行器和传感器对应的F1~F10的数学表达式如下所示：

其中，

表示对应的故障常数；

分别表示执行器和传感器故障系数；

分别表示执行器期望输出和传感器期望输出；

分别表示执行器真实输出和传感器真实输出。

基于上述数据集，对预先构建的故障诊断模型进行训练，即可实现通过训练好的故障诊断模型实时诊断当前机器人关节系统中传感器和执行器是否发生故障以及发生故障时的故障类型，从而实现故障定位；

其中，故障诊断模型为深度残差网络模型，深度残差网络是一种深度卷积神经网络，在卷积神经网络的基础上，通过残差跳连，引入前方信息。不仅扩展了网络的深度，同时还避免了参数更新过程中的梯度消失现象，提升了网络对数据的表达能力。而卷积神经网络作为一种高效的故障识别算法，被广泛应用于文本信息分类、图像识别、语音分辨、视频分类等。

如图3所示，卷积神经网络一般由卷积层（Convolutional layer）、批标准化（Batch standardization）、激活层（Active layer）、池化层（Pooling layer）、舍弃层（Dropout layer）五部分组成，最后通过全连接层（Fully connected layer，FCL）构成整体卷积神经网络诊断架构。卷积神经网络故障诊断架构主要包括滤波级（Filter stage）和分类级（Classification level）。滤波级对输入数据集中的信息进行特征提取；分类级对滤波级中提取到的特征进行处理和分类。它们通过参数共享机制和稀疏连接来减少模型参数训练量，提高网络训练效率。在卷积神经网络诊断架构中，每一层都有不同的作用，下面将依次对每一层进行详细介绍。

1.卷积层

卷积层是卷积神经网络中最重要的组成部分之一，它通过卷积运算进行特征提取，是一种有效的特征提取方法。卷积计算一般会选用一个卷积核，按指定步长在输入数据集上滑动，遍历输入数据集中的每个数据点。每经历一个步长，卷积核会与输入数据集上的数据出现重合区域，重合区域对应元素相乘、求和再加上偏置项，最终得到输出特征的一个数据点。

离散形式的卷积计算表达式如式（1）所示：

其中，

表示第

个卷积层中第

个卷积核的输出；

表示第

层中第

个卷积核上的输入；

表示第

层中第

个卷积核上的核函数；

表示第

个卷积层中的偏置项；

表示对应元素相乘并求和。以一个二维张量上的卷积计算为例，如图4所示。

2. 批量标准化

批量标准化是卷积神经网络架构中计算最密集的层之一，它也是加速和稳定深度卷积神经网络训练过程的一种广泛使用的方法。神经网络对零附近的数据更敏感，但随着网络层数的增加，特征数据会出现偏离零均值的情况。标准化可以使数据符合以零为均值，以1为标准差的标准正态分布，它能够把偏移的特征数据重新拉回到零附近，从而提高网络对数据的特征提取能力。批量标准化就是对一小批数据，做标准化处理。其具体数学表达式，如式（2）~式（5）：

其中，

表示每个批次中的第

个数据特征；

表示某个批次中数据量的总数；

表示每个批次中数据的平均值；

表示偏差，是一个无穷小常数；

表示每个批次中数据的标准差；

和

分别表示缩放因子和偏移因子，是批标准化中的两个可训练参数，能够调整批标准化的力度；

表示卷积滤波后的输出；

是第

个数据特征经过批标准化后的输出。

3. 激活层

卷积神经网络由堆叠的层组成，每个层都包含两个基本操作：一组可训练的线性卷积滤波器和固定的非线性激活函数。这些激活函数可对输入的数据进行非线性映射，使得网络能够拟合标签与特征数据的对应关系，从而提高卷积神经网络的学习和泛化能力。本实施例选用的激活函数为ReLu函数，其数学表达式如（6）：

4. 池化层

池化层（Pooling Layer），用于减少卷积神经网络中的特征数据量，缩减模型的大小，提高网络的运算速度。池化的主要方法有最大池化（Max Pooling）和均值池化（AveragePooling）。最大池化就是取局部接受域的最大值，它可以减少因卷积层参数误差造成估计均值的偏移问题。均值池化是取局部接受域的平均值，它可以减少因邻域大小受限造成估计值方差增大的问题。以一个

的输入，

的池化核，进行滑动步长为2的池化操作为例，最大池化过程和均值池化过程如图5所示。

5. 舍弃层

为了缓解神经网络过拟合，在神经网络训练过程中常把隐藏层的部分神经元按照一定比例从神经网络中临时舍弃；在使用神经网络时，再把所有神经元恢复到神经网络中。当选用的舍弃率为50%时，在每次训练的时候使用舍弃，每个神经元有百分之五十的概率被移除，这样可以使得一个神经元的训练不依赖于另外一个神经元。同样也就使得特征之间的协同作用被减弱，从而缓解因深度卷积神经网络的网络过深而导致的过拟合现象，提高网络的泛化能力。神经网络的舍弃过程如图6所示。

6. 全连接层

全连接层相当于一个分类器，它能够将滤波级中提取到的特征映射到已标记的数据标签上。全连接层的输入为最后一个池化层的输出，它的每个神经元与输入的所有神经元进行全连接，然后采用ReLu激活函数对每个神经元上的数据进行处理，在最后的输出上使用Softmax逻辑回归进行分类。以一维卷积为例，它的全连接过程如图7所示。

Softmax是一个函数，它可以使得神经网络的输出满足式（7）所示的概率分布。假设神经网络的输出为

，总共

分类，它通过Softmax函数便满足了概率分布要求：

其中

表示任意的；

表示网络预测结果的概率分布；

表示求交集。

深度残差网络是一种深度卷积神经网络，为了减小模型参数以及网络的计算量，本实施例采用多个小卷积核堆叠，并通过逐层增加卷积核大小的方式来增强网络对特征的提取能力。深度残差网络故障诊断示意图如图8所示。

图8中，

表示大小为

的一维卷积核，卷积深度为4，滑动步长为6；

表示批量标准化；

表示

激活层；

表示全局均值池化，通过对整个网路在结构上做正则化处理防止过拟合；

表示全连接层；当图中每个卷积模块的输入与输出维度不一致时，通过虚线路径进行残差跳连，它也表示一条数据通道;

表示两个箭头中输入的数据对应相加。

故障数据集先经过一个卷积模块，进行相应的特征提取后，进入残差模块。本实施例所采用的残差模块深度为8，卷积个数为16，为防止随网络深度的增加，导致故障特征信息的丢失，每经过两个残差模块进行一次卷积深度的翻倍。最后，将残差模块的输出送入全局均值池化层和全连接层，完成故障的分类。

综上，本实施例通过获取传感器和执行器正常运行时的运行数据和出现预设类型故障时的运行数据，构建训练样本集；采用训练样本集训练预设的故障诊断模型；采集机器人关节系统中传感器和执行器的实时运行数据，并将所采集到的实时运行数据输入训练好的故障诊断模型中，实现了实时故障诊断。该方法是一种端到端的故障诊断方法，在保证诊断精度的同时，还避免了因“中间过程”造成的故障信息丢失。而且本实施例的故障诊断方法不依赖关节模型，仅通过数据训练，就能对关节的故障类别进行快速定位，且无需额外的经济开销。为工业机器人的故障诊断开拓了新的思路，提高了机器人运行的可靠性以及稳定性，推动了智能诊断算法在机器人领域的应用，具有一定的科学意义。

第二实施例

本实施例提供了一种机器人关节传感器和执行器故障诊断系统，该机器人关节传感器和执行器故障诊断系统包括以下模块：

本实施例的机器人关节传感器和执行器故障诊断系统与上述第一实施例的机器人关节传感器和执行器故障诊断方法相对应；其中，本实施例的机器人关节传感器和执行器故障诊断系统中的各功能模块所实现的功能与上述第一实施例的故障诊断方法中的各流程步骤一一对应；故，在此不再赘述。

第三实施例

本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。

该电子设备可因配置或性能不同而产生比较大差异，可包括一个或一个以上处理器（central processing units，CPU）和一个或一个以上存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述方法

第四实施例

本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令可由处理器加载并执行，以实现第一实施例的方法。其中，该存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可以由终端中的处理器加载并执行，以实现上述方法。

此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例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上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(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、嵌入式处理机或其他可编程数据处理终端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终端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终端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终端设备上，使得在计算机或其他可编程终端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终端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。

还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

Claims

1.一种机器人关节传感器和执行器故障诊断方法，其特征在于，包括：

采用所述训练样本集训练预设的故障诊断模型；其中，所述故障诊断模型为深度残差网络模型，所述故障诊断模型以运行数据为输入，运行情况为输出；所述故障诊断模型中，每经过两个残差模块进行一次卷积深度的翻倍；

2.如权利要求1所述的机器人关节传感器和执行器故障诊断方法，其特征在于，所述预设类型故障包括执行器恒偏差故障，执行器恒增益故障、执行器卡死故障、执行器失效故障、执行器和传感器恒偏差并发故障、传感器恒偏差故障、传感器恒增益故障、传感器卡死故障，以及传感器失效故障中的任意一种或多种的组合。

3.如权利要求1所述的机器人关节传感器和执行器故障诊断方法，其特征在于，所述故障诊断模型包括一个卷积模块、多个残差模块、一个全局均值池化层和一个全连接层；

4.如权利要求3所述的机器人关节传感器和执行器故障诊断方法，其特征在于，所述卷积模块包括一个卷积核、一个批量标准化层以及一个激活层。

5.如权利要求4所述的机器人关节传感器和执行器故障诊断方法，其特征在于，所述卷积核为大小为的一维卷积核，所述卷积核的卷积深度为4，滑动步长为6；所述激活层的激活函数为ReLu函数。

6.如权利要求3-5任一项所述的机器人关节传感器和执行器故障诊断方法，其特征在于，所述故障诊断模型的残差模块的深度为8，卷积个数为16。

7.一种机器人关节传感器和执行器故障诊断系统，其特征在于，包括：