CN112651491B - 基于cnn卷积模型的工业机器人故障预测方法 - Google Patents

基于cnn卷积模型的工业机器人故障预测方法 Download PDF

Info

Publication number
CN112651491B
CN112651491B CN202011581675.1A CN202011581675A CN112651491B CN 112651491 B CN112651491 B CN 112651491B CN 202011581675 A CN202011581675 A CN 202011581675A CN 112651491 B CN112651491 B CN 112651491B
Authority
CN
China
Prior art keywords
convolution
layer
cnn
model
data
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
CN202011581675.1A
Other languages
English (en)
Other versions
CN112651491A (zh
Inventor
马玲玉
苑忠亮
陈益飞
孙伟
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.)
Zhichang Technology Group Co ltd
Original Assignee
Zhichang Technology Group Co ltd
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 Zhichang Technology Group Co ltd filed Critical Zhichang Technology Group Co ltd
Priority to CN202011581675.1A priority Critical patent/CN112651491B/zh
Publication of CN112651491A publication Critical patent/CN112651491A/zh
Application granted granted Critical
Publication of CN112651491B publication Critical patent/CN112651491B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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
    • G06N3/048—Activation functions
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了基于CNN卷积模型的工业机器人故障预测方法，主要包括以下步骤：采集N组振动传感器的历史加速度值并进行预处理后存储为基础数据，所述加速度值包括无故障运行的加速度值和有故障运行的加速度值；对所述基础数据进行CNN卷积处理，建立CNN卷积模型；实时采集振动传感器的在线加速度值，进行预处理后，输入到CNN卷积模型中，进行故障预测；本发明提供的基于CNN卷积模型的工业机器人故障预测方法，该方法克服了人为主观因素太强的缺点，并且无需对加速度值进行特征提取进行分析，只需直接使用采集出来的数据，就可以进行故障的判断，具有更广泛的通用性。

Description

基于CNN卷积模型的工业机器人故障预测方法
技术领域
本发明涉及工业机器人系统故障预测技术领域，具体涉及一种基于CNN卷积模型的工业机器人故障预测方法。
背景技术
目前，在制造业领域，工业机器人已经是不可缺少的核心装备，但随着工业机器人技术的不断进步及完善，其结构也变的越来越复杂，导致其维护成本逐渐升高，一旦出现故障，工厂将面临“瘫痪”的风险，从而影响了企业生产计划的执行，为企业带来巨大的经济损失。如果能在工业机器人出现故障之前，就给出故障预警，则会使工业机器人得到及时的保养和维修，并给企业的生产提供了安全的保障。
现阶段，工业机器人的故障诊断，多是依赖于服务工程师到现场进行故障分析，这种方式，花费时间较长、维护效率较低，且人为的主观因素太强，且越来越无法满足企业的实际需求。
发明内容
针对上述问题，本发明提供了基于CNN卷积模型的工业机器人故障预测方法，该方法克服了人为主观因素太强的缺点，并且无需对加速度值进行特征提取进行分析，只需直接使用采集出来的数据，就可以进行故障的判断，具有更广泛的通用性。
为了实现上述目的，本发明提供的于CNN卷积模型的工业机器人故障预测方法，主要包括以下步骤：
步骤S11：采集N组振动传感器的历史加速度值并进行预处理后存储为基础数据，所述加速度值包括无故障运行的加速度值和有故障运行的加速度值；
步骤S12：对所述基础数据进行CNN卷积处理，建立CNN卷积模型；
步骤S13：实时采集振动传感器的在线加速度值，进行预处理后，输入到CNN卷积模型中，进行故障预测；
所述步骤S11和步骤S13中的数据预处理方法为：将一个运行周期内的加速度值转换为二维数组并进行保存。
具体地，在步骤S12中，建立CNN卷积模型包括以下步骤：
步骤S21：第一卷积层处理，所述第一卷积层的卷积核大小为16*1，卷积核数目为500个，卷积核进行卷积的步长为16*1,图像边界用0填充；
步骤S22：第一池化层处理，所述第一池化层块大小为2*2，按取最大值原则处理；
步骤S23：第二卷积层处理，所述第二卷积层的卷积核大小为1*10，卷积核数目50个，卷积核进行卷积的步长为10*1,图像边界用0填充；
步骤S24：第二池化层处理，所述第二池化层块大小为2*2，按取最大值原则处理；
步骤S25：全连接层处理，所述全连接层中神经元的个数为100个，卷积核的大小为[1*40*16,100]，卷积核的个数为100个；
步骤S26：输出层处理，所述输出层的卷积核大小为100*2，卷积核数目为2个；
步骤S27：经N≥5000次迭代后，所述CNN卷积模型的分类效果达到稳定，保存CNN卷积模型。
具体地，所述第一卷积层和/或第二卷积层包含有ReLU激励函数处理过程，所述ReLU激励函数的表达式为：f(x)＝max(0，x)。
具体地，所述第一卷积层和第二卷积层通过式：f(x)＝WX+b对输入数据进行特征提取，其中：W为权重矩阵，b为偏差量。
具体地，所述全连接层包含有ReLU激励函数的处理过程，所述ReLU激励函数的表达式为：f(x)＝max(0，x)。
具体地，在所述全连接层后设置dropout处理，防止过拟合，优选dropout＝0.5。
具体地，所述输出层包含sigmoid激励函数的处理过程，sigmoid激励函数的表达式为：
Figure BDA0002864577140000031
其中，其中，z为一线性组合。
具体地，在步骤S27中，采用tensorflow.train.Saver().save()方法对CNN卷积模型进行保存。
具体地，在步骤S13中，所述CNN卷积模型的故障预测结果为0或1。
本发明提供的基于CNN卷积模型的工业机器人故障预测方法，根据安装在工业机器人上的振动传感器，采集其运行状态下的加速度值，通过建立CNN卷积模型，对加速度值进行分析，判断出工业机器人是否存在故障，该方法克服了人为主观因素太强的缺点，并且无需对加速度值进行特征提取进行分析，只需直接使用采集出来的数据，就可以进行故障的判断，具有更广泛的通用性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域的技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于CNN卷积模型的工业机器人故障预测原理图；
图2为建立CNN卷积模型的流程图；
图3为采用ReLU激励函数处理得到的图像。
具体实施方式
下面将结合本发明实施例的附图，对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
如图1所示，本发明提供的基于CNN卷积模型的工业机器人故障预测方法，主要包括基础数据采集、建立CNN卷积模型和故障预测三大步骤。
A.基础数据采集
工业机器人上安装有振动传感器，首先，采集80组工业机器人无故障运行的振动传感器的历史加速度值；再人为对工业机器人的正常运行进行干扰，采集80组工业机器人有故障运行的振动传感器的历史加速度值，上述每一组历史加速度值在同一个工业机器人运行周期内，这样就得到160组历史加速度值数据，每组数据的浮点数为8000个，因此，160组数据的大小为160*8000个浮点数。
对160组历史数据进行预处理：将每组数据的8000个浮点数转换为16*500的二维数组并保存为基础数据。
B.建立CNN卷积模型
将基础数据输入到基于CNN卷积模型中进行训练，建立CNN卷积模型，如图2所示，建立CNN卷积模型主要包括以下步骤：
步骤S1：第一卷积层处理。
所述第一卷积层的卷积核大小为16*1，卷积核数目为500个，卷积核进行卷积的步长为16*1,图像边界用0填充。
所述第一卷积层通过式：f(x)＝WX+b对基础数据进行特征提取，其中：W为权重矩阵，b为偏差量。
在第一卷积层处理过程中，对卷积之后的数据进行ReLU激励函数处理，ReLU激励函数的表达式为：f(x)＝max(0，x)，当输入信号x<0时，输出为0；当输入信号x>0时，输出等于x。图3为采用ReLU激励函数处理得到的图像，其数据的收敛速度非常快。
步骤S2：第一池化层处理。
所述第一池化层块大小为2*2，按取最大值原则处理，对数据和参数的量进行压缩，得到新的、维度较小的特征。
步骤S3：第二卷积层处理。
所述第二卷积层的卷积核大小为1*10，卷积核数目50个，卷积核进行卷积的步长为10*1,图像边界用0填充。所述第二卷积层通过式：f(x)＝WX+b对输入数据进行特征提取，其中：W为权重矩阵，b为偏差量。
在第二卷积层处理过程中，对完成卷积之后的数据进行ReLU激励函数f(x)＝max(0，x)处理。
步骤S4：第二池化层处理。
所述第二池化层块大小为2*2，按取最大值原则处理。
步骤S5：全连接层处理。
设置全连接层中神经元的个数为100个，卷积核的大小为[1*40*16,100]，卷积核的个数为100个，将第二池化层的输出转换成一维向量。
对全连接之后的数据进行ReLU激励函数处理，ReLU激励函数表达式为：f(x)＝max(0，x)。
为减少过拟合，在全连接层后加入tensorflow中的dropout处理，优先dropout＝0.5。
步骤S6：输出层处理。
所述输出层的卷积核大小为100*2，卷积核数目为2个。
对输出层卷积之后的数据进行sigmoid激励函数处理，sigmoid激励函数处理的表达式为：
Figure BDA0002864577140000061
其中，z＝wx+b，为一线性组合，x是输入量，w是权重，b是偏差量。当z为很大的正数或者很小的负数，sigmoid函数值接近与1或0。
步骤S7：CNN卷积模型保存。
经过实验，当迭代次数为5000次时，分类效果稳定，准确率达到0.988。故在迭代次数为5000时，对CNN卷积模型进行保存，保存方法如下：
(1)新建一个saver对象，saver＝tensorflow.train.Saver()；
(2)进行训练后，保存CNN卷积模型：saver.save(sess,save_path＝'./model/model',global_step＝5000)。
其中sess表示神经网络的会话对象。
C.故障预测
在线测试的过程中，每次采集一个运行周期内的1组振动传感器的在线加速度值数据，该组数据浮点数为8000个，先转换为16*500的二维数组，输入到已经训练好的CNN卷积模型中，进行故障预测。由于CNN卷积模型文件中已经保存了网络结构，所以直接输入数据，再经过CNN卷积模型的转化，即可直接得到预测的结果为0或者1，1表示有故障、0表示无故障。
本发明提供的一种基于CNN卷积模型的工业机器人故障预测方法，只需直接使用采集出来的数据，输入到经过训练的CNN卷积模型中，可以直接输出故障预测结果，具有更广泛的通用性。
可以理解的是，以上关于本发明的具体描述，仅用于说明本发明而并非受限于本发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需要，都在本发明的保护范围之内。

Claims (6)

1.基于CNN卷积模型的工业机器人故障预测方法，其特征在于，所述方法包括以下步骤：
步骤S11：采集160组工业机器人的振动传感器历史加速度值数据并进行预处理后存储为基础数据，所述160组历史加速度值数据包括80组工业机器人无故障运行的加速度值和80组工业机器人有故障运行的加速度值，每组所述历史加速度值数据长度相同且每组所述历史加速度值在工业机器人同一个运行周期内；每组数据的浮点数为8000个，160组数据的大小为160*8000个浮点数；
步骤S12：将所述基础数据依次经过第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层、输出层进行处理，建立CNN卷积模型；
步骤S13：实时采集一组工业机器人一个运行周期内的振动传感器的在线加速度值数据，所述每组在线加速度值数据长度与所述每组历史加速度值数据长度相同，对在线加速度值数据进行预处理后，直接输入到步骤S12已经训练好的CNN卷积模型中，再经过CNN卷积模型的转化进行故障预测，即可直接得到预测的结果为0或者1，其中，1表示有故障、0表示无故障；
所述步骤S11和步骤S13中的对加速度值数据进行预处理方法为：将每组工业机器人的加速度值数据的8000个浮点数转换为16*500的二维数组并进行保存；
在步骤S12中，建立CNN卷积模型包括以下步骤：
步骤S21：第一卷积层处理，所述第一卷积层的卷积核大小为16*1，卷积核数目为500个，卷积核进行卷积的步长为16*1,图像边界用0填充；
步骤S22：第一池化层处理，所述第一池化层块大小为2*2，按取最大值原则处理；
步骤S23：第二卷积层处理，所述第二卷积层的卷积核大小为1*10，卷积核数目50个，卷积核进行卷积的步长为10*1,图像边界用0填充；
步骤S24：第二池化层处理，所述第二池化层块大小为2*2，按取最大值原则处理；
步骤S25：全连接层处理，所述全连接层中神经元的个数为100个，卷积核的大小为[1*40*16,100]，卷积核的个数为100个；
步骤S26：输出层处理，所述输出层的卷积核大小为100*2，卷积核数目为2个；所述输出层包含sigmoid激励函数的处理过程，sigmoid激励函数的表达式为：
Figure 405117DEST_PATH_IMAGE001
，其中，z为一线性组合；
步骤S27：经N≥5000次迭代后，所述CNN卷积模型的分类效果达到稳定，准确率达到0.988，保存CNN卷积模型。
2.如权利要求1所述的基于CNN卷积模型的工业机器人故障预测方法，其特征在于，所述第一卷积层和/或第二卷积层包含有ReLU激励函数处理过程，所述ReLU激励函数的表达式为：f(x)=max(0，x)。
3.如权利要求1所述的基于CNN卷积模型的工业机器人故障预测方法，其特征在于，所述第一卷积层和第二卷积层通过式：f(x)
Figure 78544DEST_PATH_IMAGE002
对输入数据进行特征提取，其中：W为权重矩阵，b为偏差量。
4.如权利要求1所述的基于CNN卷积模型的工业机器人故障预测方法，其特征在于，所述全连接层包含有ReLU激励函数的处理过程，所述ReLU激励函数的表达式为：f(x)=max(0，x)。
5.如权利要求4所述的基于CNN卷积模型的工业机器人故障预测方法，其特征在于，在所述全连接层后设置dropout处理，防止过拟合，dropout=0.5。
6.如权利要求1所述的基于CNN卷积模型的工业机器人故障预测方法，其特征在于，在步骤S27中，采用tensorflow.train.Saver().save()方法对CNN卷积模型进行保存。
CN202011581675.1A 2020-12-28 2020-12-28 基于cnn卷积模型的工业机器人故障预测方法 Active CN112651491B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011581675.1A CN112651491B (zh) 2020-12-28 2020-12-28 基于cnn卷积模型的工业机器人故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011581675.1A CN112651491B (zh) 2020-12-28 2020-12-28 基于cnn卷积模型的工业机器人故障预测方法

Publications (2)

Publication Number Publication Date
CN112651491A CN112651491A (zh) 2021-04-13
CN112651491B true CN112651491B (zh) 2022-08-09

Family

ID=75363536

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011581675.1A Active CN112651491B (zh) 2020-12-28 2020-12-28 基于cnn卷积模型的工业机器人故障预测方法

Country Status (1)

Country Link
CN (1) CN112651491B (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109612708B (zh) * 2018-12-28 2021-03-16 东北大学 基于改进卷积神经网络的电力变压器在线检测系统及方法
CN110333074B (zh) * 2019-07-30 2021-08-17 北京航天发射技术研究所 基于卷积神经网络的多测点传动机构故障诊断方法和系统
CN111272405B (zh) * 2020-03-26 2022-08-16 广西电网有限责任公司电力科学研究院 一种高压断路器机械故障诊断方法及系统

Also Published As

Publication number Publication date
CN112651491A (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
CN110530638B (zh) 基于数字孪生的航空发动机主轴承损伤检测与诊断方法
CN111460728B (zh) 一种工业设备剩余寿命预测方法、装置、存储介质及设备
CN107101828A (zh) 一种编码器健康度评价的轴承剩余寿命预测方法
CN110766143A (zh) 基于人工神经网络的设备故障智能诊断方法
CN109297689B (zh) 一种引入权重因子的大型水力机械智能诊断方法
CN110533294B (zh) 一种基于人工智能技术的核电厂运行故障报警方法
CN110046409B (zh) 一种基于ResNet的汽轮机部件健康状态评估方法
Zhao et al. Multiscale graph-guided convolutional network with node attention for intelligent health state diagnosis of a 3-PRR planar parallel manipulator
CN112132394B (zh) 一种电厂循环水泵预测性状态评估方法及系统
CN111707458B (zh) 一种基于深度学习信号重构的转子监测方法
CN113984389A (zh) 一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法
CN112651491B (zh) 基于cnn卷积模型的工业机器人故障预测方法
CN110427689B (zh) 基于信息新技术的燃机机组机群监测诊断方法
CN114818813A (zh) 一种基于自注意力卷积神经网络的刀具磨损值预测算法
CN114442543A (zh) 一种适用于水电站故障预警的计算机监测方法
CN114417704A (zh) 一种基于改进栈式自编码的风电机组发电机健康评估方法
Peng et al. A temporal convolutional network based method for fault diagnosis of DEH system
CN113934175A (zh) 一种智能无线汽轮机数据采集系统
CN109635880B (zh) 基于强鲁棒自适应算法的采煤机故障诊断系统
CN113537051A (zh) 一种复杂大场景下的海上人员安全作业监控算法
Xuefeng et al. Study on Multi-Sensor Parameter Warning Based on Gaussian Mixed Model and Nonlinear State Estimation Technique
CN114528772B (zh) 机电变换器控制系统中充电器充电预测方法
CN109976316B (zh) 一种故障相关的变量选择方法
Wang et al. Smart health evaluation of slewing bearing based on multiple-characteristic parameters
He et al. Health monitoring of pressure transmitter sensing line based on convolutional neural network

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 315400 Zhejiang Yuyao Ningbo Economic Development Zone East New District

Applicant after: Zhichang Technology Group Co.,Ltd.

Address before: 315400 NO.175 Anshan Road, Yuyao City, Ningbo City, Zhejiang Province

Applicant before: ZHEJIANG EMERGEN ROBOT TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant