CN114897102A - 一种工业机器人故障诊断方法、系统、设备与存储介质 - Google Patents

一种工业机器人故障诊断方法、系统、设备与存储介质 Download PDF

Info

Publication number
CN114897102A
CN114897102A CN202210662659.8A CN202210662659A CN114897102A CN 114897102 A CN114897102 A CN 114897102A CN 202210662659 A CN202210662659 A CN 202210662659A CN 114897102 A CN114897102 A CN 114897102A
Authority
CN
China
Prior art keywords
fault
industrial robot
characteristic
feature
similarity
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.)
Pending
Application number
CN202210662659.8A
Other languages
English (en)
Inventor
黎萍
肖红
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202210662659.8A priority Critical patent/CN114897102A/zh
Publication of CN114897102A publication Critical patent/CN114897102A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Manipulator (AREA)

Abstract

本发明公开了一种工业机器人故障诊断方法、系统、设备与存储介质，包括当检测到故障诊断请求时，确定故障诊断请求对应的工业机器人；从工业机器人对应的周期运行数据中提取运行特征；将运行特征与故障特征样本组成特征样本对；将特征样本对输入预设的目标孪生神经网络，得到特征样本对对应的特征相似度；比较特征相似度与预设的相似度阈值，根据比较结果确定工业机器人对应的故障类别，解决了现有的深度学习模型故障诊断技术通过大量的数据进行模型训练，训练完成后对工业机器人故障信号进行诊断，而工业机器人故障数据难以获取，导致已训练的模型泛化能力低，难以适应不同的使用场景。本发明运用孪生神经网络结构实现特征自动提取和故障识别。

Description

一种工业机器人故障诊断方法、系统、设备与存储介质
技术领域
本发明涉及工业机器人技术领域，尤其涉及一种工业机器人故障诊断方法、系统、设备与存储介质。
背景技术
工业机器人是高度自动化的现代制造业机器设备，由机械、人工智能等多种技术构成。工业机器人普遍应用于生产制造领域，逐渐取代人工完成流水线工作，提高了生产力、产品质量和生产安全性，已经成为了21世纪不可或缺的自动化设备。
然而，工业机器人一旦发生故障，轻则延误整个生产周期，重则造成人员伤亡。在现有技术中，在面对工业机器人故障时，通常是依靠有经验技术的工人现场进行故障诊断，但单一依赖经验的故障诊断已经无法跟上系统复杂程度的提高，盲目定检、定修导致维修成本提高和效率低下。
为此，现有的深度学习模型故障诊断技术通过大量的数据进行模型训练，训练完成后即可对工业机器人故障信号进行诊断，而自然情况下工业机器人故障数据难以获取，导致已训练的模型泛化能力低，难以快速适应不同的使用场景。
发明内容
本发明提供了一种工业机器人故障诊断方法、系统、设备与存储介质，解决了现有的深度学习模型故障诊断技术通过大量的数据进行模型训练，训练完成后即可对工业机器人故障信号进行诊断，而自然情况下工业机器人故障数据难以获取，导致已训练的模型泛化能力低，难以快速适应不同的使用场景的技术问题。
本发明第一方面提供的一种工业机器人故障诊断方法，所述方法包括：
当检测到故障诊断请求时，确定所述故障诊断请求对应的工业机器人；
从所述工业机器人对应的周期运行数据中提取运行特征；
将所述运行特征与故障特征样本组成特征样本对；
将所述特征样本对输入预设的目标孪生神经网络，得到所述特征样本对对应的特征相似度；
比较所述特征相似度与预设的相似度阈值，根据比较结果确定所述工业机器人对应的故障类别。
可选地，所述从所述工业机器人对应的周期运行数据中提取运行特征的步骤，包括：
从所述工业机器人对应的周期运行数据中获取反馈速度；
选取加速运行阶段；其中，所述加速运行阶段内的反馈速度大于预定阈值；
获取所述加速运行阶段对应的反馈力矩或反馈电流；
提取所述反馈力矩或所述反馈电流处于时频域内的时频域特征作为运行特征。
可选地，所述目标孪生神经网络包括卷积层、池化层、多尺度卷积层、全局最大池化层和全连接层，所述将所述特征样本对输入预设的目标孪生神经网络，得到所述特征样本对对应的特征相似度的步骤，包括：
将所述特征样本对内的所述运行特征和所述故障特征样本分别输入所述卷积层，通过所述卷积层分别对所述运行特征和所述故障特征样本进行卷积，生成所述运行特征和所述故障特征样本分别对应的第一卷积特征并输送至所述池化层；
通过所述池化层对所述第一卷积特征进行降维，生成第一池化特征并输送至所述多尺度卷积层；
通过所述多尺度卷积层采用多个卷积核分别对所述第一池化特征进行卷积，生成多个第二卷积特征并输送至所述全局最大池化层；
通过所述全局最大池化层对全部所述第二卷积特征执行全局最大池化操作，生成多个第二池化特征并输送至所述全连接层；
通过所述全连接层对全部所述第二池化特征进行分类，得到目标特征；
计算所述目标特征之间的欧氏距离，得到所述特征样本对对应的特征相似度。
可选地，所述目标孪生神经网络还包括多头注意力机制层，在通过所述全局最大池化层对全部所述第二卷积特征执行全局最大池化操作，生成多个第二池化特征并输送至所述全连接层的步骤之前，还包括：
将所述第二卷积特征输入所述多头注意力机制层；
通过所述多头注意力机制层将所述第二卷积特征转换成多个输入向量；
将多个所述输入向量映射至多个子空间进行缩放点积注意力计算，生成多个缩放点积注意力结果；
将全部所述缩放点积注意力结果进行拼接，生成新的第二卷积特征。
可选地，所述比较所述特征相似度与预设的相似度阈值，根据比较结果确定所述工业机器人对应的故障类别的步骤，包括：
比较所述特征相似度与预设的相似度阈值；
若所述特征相似度小于或等于所述相似度阈值，则判定所述工业机器人对应的故障类别为所述故障特征样本关联的故障类别；
若所述特征相似度大于所述相似度阈值，则响应输入的新增故障类别，将所述工业机器人对应的故障类别确定为所述新增故障类别。
可选地，在响应输入的新增故障类别，将所述工业机器人对应的故障类别确定为所述新增故障类别的步骤之前，所述方法还包括：
从预设的样本集获取除所述故障特征样本外的剩余样本作为新的故障特征样本；
跳转执行所述将所述运行特征与故障特征样本组成特征样本对的步骤，直至所述样本集内不存在所述剩余样本。
可选地，还包括：
采用预设的模型参数构建初始孪生神经网络；
将预设的特征训练集依次输入至所述初始孪生神经网络，分别输出训练结果；
采用预设的损失函数结合全部所述训练结果，计算所述初始孪生神经网络对应的交叉熵；
当所述交叉熵大于预设的训练阈值时，按照预设梯度调整所述模型参数，跳转所述将预设的特征训练集依次输入至所述初始孪生神经网络，分别输出训练结果的步骤；
当所述交叉熵小于或等于所述训练阈值时，将当前时刻的初始孪生神经网络确定为目标孪生神经网络。
本发明第二方面提供的一种工业机器人故障诊断系统，包括：
故障诊断请求模块，用于当检测到故障诊断请求时，确定所述故障诊断请求对应的工业机器人；
提取运行特征模块，用于从所述工业机器人对应的周期运行数据中提取运行特征；
特征样本对模块，用于将所述运行特征与故障特征样本组成特征样本对；
特征相似度模块，用于将所述特征样本对输入预设的目标孪生神经网络，得到所述特征样本对对应的特征相似度；
比较特征相似度模块，用于比较所述特征相似度与预设的相似度阈值，根据比较结果确定所述工业机器人对应的故障类别。
本发明第三方面提供的一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述任一项所述的工业机器人故障诊断方法的步骤。
本发明第四方面提供的计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被执行时实现如上述任一项所述的工业机器人故障诊断方法。
从以上技术方案可以看出，本发明具有以下优点：
本发明通过实时检测故障诊断请求，以第一时间获取故障诊断请求信息，当检测到故障诊断请求时，对故障诊断请求进行解析，确定故障诊断请求对应的工业机器人，此时从工业机器人对应的周期运行数据中提取运行特征，将提取的运行特征与故障特征样本组成特征样本对，并将特征样本对输入预设的目标孪生神经网络中，以得到特征样本对对应的特征相似度，将特征相似度与预设的相似度阈值相比，根据比较结果以确定工业机器人对应的故障类别，从而解决了现有的深度学习模型故障诊断技术通过大量的数据进行模型训练，训练完成后即可对工业机器人故障信号进行诊断，而自然情况下工业机器人故障数据难以获取，导致已训练的模型泛化能力低，难以快速适应不同的使用场景的技术问题。本发明运用孪生神经网络结构结合子网络的新型智能故障诊断模型，实现了特征自动提取和故障识别。孪生神经网络结构有效扩大模型的训练次数，深度挖掘不同样本之间的关系，避免因样本数量不足导致的网络欠拟合等问题，在小样本情况下达到更好的故障诊断效果，更好应用于实际生产制造。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例一提供的一种工业机器人故障诊断方法的步骤流程图；
图2为本发明实施例二提供的一种工业机器人故障诊断方法的步骤流程图；
图3为本发明实施例提供的完整周期的反馈力矩均方根的示意图；
图4为本发明实施例提供的加速运行阶段的反馈力矩均方根的示意图；
图5为本发明实施例提供的缩放点积注意力机制(左)和多头注意力机制(右)的结构示意图；
图6为本发明实施例提供的孪生神网络模型结构示意图；
图7为本发明实施例三提供的一种工业机器人故障诊断系统的结构框图。
具体实施方式
本发明实施例提供了一种工业机器人故障诊断方法、系统、设备与存储介质，用于解决现有的深度学习模型故障诊断技术通过大量的数据进行模型训练，训练完成后即可对工业机器人故障信号进行诊断，而自然情况下工业机器人故障数据难以获取，导致已训练的模型泛化能力低，难以快速适应不同的使用场景的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例一提供的一种工业机器人故障诊断方法的步骤流程图。
本发明提供的一种工业机器人故障诊断方法，包括以下步骤：
步骤101、当检测到故障诊断请求时，确定故障诊断请求对应的工业机器人。
需要说明的是，故障诊断请求指的是给工业机器人“看病”的技术请求，故障诊断是了解和掌握工业机器人在使用过程中的状态，确定其整体或局部是正常或异常，早期发现故障及其原因并能预报故障发展趋势的技术。
工业机器人指的是高度自动化的现代制造业机器设备，工业机器人中较为常见的是工业机器人臂，工业机器人臂在实际的生产过程中，往往是周期性地重复执行一套动作，如打磨、焊接、喷涂等工作，因此工业机器人对应的运行信号也会呈现周期性变化。
在具体实现中，通过实时检测故障诊断请求，以第一时间获取故障诊断请求信息，当检测到故障诊断请求时，对故障诊断请求携带的信息进行解析，以便从多个工业机器人中确定故障诊断请求对应的工业机器人。
步骤102、从工业机器人对应的周期运行数据中提取运行特征。
需要说明的是，周期运行数据指的是工业机器人在实际的生产过程中周期性地重复执行一套动作所产生的数据。
运动特征指的是工业机器人在相应地生产操作时所执行动作的特征。
在本实施例中，从工业机器人对应的一套周期运行数据中，根据工业机器人运行数据的规律，获取工业机器人在执行动作时的运行特征。因运行特征在工业机器人故障时表现明显，可有效提高故障诊断的精度。
步骤103、将运行特征与故障特征样本组成特征样本对。
需要说明的是，故障特征样本指的是故障数据库中储存的故障特征个体，具体地，故障特征样本可以包括工业机器人开关跳或者是不能合闸、工业机器人变频器经常报故障、工业机器人维修控制器输出输入点不正常或不能正常运转、工业机器人发出异响等故障信息，根据各个故障特征样本的故障情况进行分类。
在本实施例中，将获取的运行特征与故障数据库中储存的故障特征样本组成特征样本对。
步骤104、将特征样本对输入预设的目标孪生神经网络，得到特征样本对对应的特征相似度。
需要说明的是，孪生神经网络指的是一种基于样本相似度的模式识别方法，该方法使用两个权值共享的子网络同时接收两个输入样本，输出结果为两个输入样本的相似度。目标孪生神经网络使用一维卷积神经网络(CNN)加上多尺度卷积层和多头注意力机制层组成孪生子网络(1D-MSCNN)构建的孪生神经网络。
在具体实现中，将特征样本对内的运行特征和故障特征样本分别输入预设的目标孪生神经网络，通过目标孪生神经网络对运行特征和故障特征样本进行降维处理，在低维空间计算运行特征和故障特征样本之间的欧氏距离提供相似度比对的数据基础，从而得到运行特征和故障特征样本的相似度。
步骤105、比较特征相似度与预设的相似度阈值，根据比较结果确定工业机器人对应的故障类别。
在本实施例中，使用欧氏距离作为度量计算运行特征和故障特征样本之间的相似度，得到特征相似度，预设的相似度阈值由技术人员根据实际需求进行设置，本发明实施例对此不做限制。
在具体实现中，将特征相似度和预设的相似度阈值进行比较，根据比较的结果确定工业机器人对应的故障类别。
本发明通过实时检测故障诊断请求，以第一时间获取故障诊断请求信息，当检测到故障诊断请求时，对故障诊断请求进行解析，确定故障诊断请求对应的工业机器人，此时从工业机器人对应的周期运行数据中提取运行特征，将提取的运行特征与故障特征样本组成特征样本对，并将特征样本对输入预设的目标孪生神经网络中，以得到特征样本对对应的特征相似度，将特征相似度与预设的相似度阈值相比，根据比较结果以确定工业机器人对应的故障类别，从而解决了现有的深度学习模型故障诊断技术通过大量的数据进行模型训练，训练完成后即可对工业机器人故障信号进行诊断，而自然情况下工业机器人故障数据难以获取，导致已训练的模型泛化能力低，难以快速适应不同的使用场景的技术问题。本发明运用孪生神经网络结构结合子网络的新型智能故障诊断模型，实现了特征自动提取和故障识别。孪生神经网络结构有效扩大模型的训练次数，深度挖掘不同样本之间的关系，避免因样本数量不足导致的网络欠拟合等问题，在小样本情况下达到更好的故障诊断效果，更好应用于实际生产制造。
请参阅图2，图2为本发明实施例二提供的一种工业机器人故障诊断方法的步骤流程图；
步骤201、当检测到故障诊断请求时，确定故障诊断请求对应的工业机器人。
需要说明的是，可以由用户发起故障诊断请求信息，也可以由系统对工业机器人进行自动检测故障信息，具体地，当用户想要了解具体工业机器人的运行情况，是否存在故障，可直接发送对该工业机器人的故障诊断请求。或者当系统检测到有故障数据，可直接发起自动检测该故障数据对应的工业机器人的故障诊断请求，从而对该工业机器人进行故障诊断。
步骤202、从工业机器人对应的周期运行数据中获取反馈速度。
需要说明的是，工业机器人的周期运行数据中包括反馈速度、反馈力矩和反馈电流，反馈速度是根据工业机器人执行动作或停止执行动作时的速度变化。
步骤203、选取加速运行阶段；其中，加速运行阶段内的反馈速度大于预定阈值。
需要说明的是，加速运行阶段指的是工业机器人在执行操作动作时导致速度加快运行的阶段。从周期运行数据中选取加速运行阶段，加速运行阶段内的反馈速度大于预定阈值。
在具体实施例中，当反馈速度大于预定阈值时，说明工业机器人在执行操作动作，当反馈速度小于预定阈值时，说明工业机器人未执行操作动作，具体地，预定阈值由技术人员根据实际需求进行设置，本发明实施例对此不做限制。
步骤204、获取加速运行阶段对应的反馈力矩或反馈电流。
需要说明的是，从周期运行数据中获取加速运行阶段对应的反馈力矩或反馈电流。
步骤205、提取反馈力矩或反馈电流处于时频域内的时频域特征作为运行特征。
需要说明的是，使用EMD特征提取法提取反馈力矩或反馈电流处于时频域内的时频域特征作为运行特征。
在具体实施例中，周期运行数据中反馈力矩是随着工业机器人的运行时间呈现周期性变化，计算一个完整周期的反馈力矩均方根的值，如图3所示，使用可视化图表进行表示完整周期的反馈力矩的均方根，难以直观看出运行特征是否存在故障。而计算加速运行阶段的反馈力矩均方根的值，如图4所示，使用可视化图表进行表示加速运行阶段的反馈力矩均方根的值，可以直观看出加速运行阶段的运行特征存在故障，由此可知，加速运行阶段提取的运行特征在正常运行数据和故障数据间更有区分度，因此，从周期运行数据中获取加速运行阶段对应的反馈力矩或反馈电流，并提取反馈力矩或反馈电流处于时频域内的时频域特征作为运行特征。
步骤206、将运行特征与故障特征样本组成特征样本对。
在本发明实施例中，步骤206的具体实施过程与步骤103类似，在此不再赘述。
步骤207、将特征样本对输入预设的目标孪生神经网络，得到特征样本对对应的特征相似度。
可选地，目标孪生神经网络包括卷积层、池化层、多尺度卷积层、全局最大池化层和全连接层，步骤207可以包括以下步骤S11-S16：
S11、将特征样本对内的运行特征和故障特征样本分别输入卷积层，通过卷积层分别对运行特征和故障特征样本进行卷积，生成运行特征和故障特征样本分别对应的第一卷积特征并输送至池化层；
S12、通过池化层对第一卷积特征进行降维，生成第一池化特征并输送至多尺度卷积层；
S13、通过多尺度卷积层采用多个卷积核分别对第一池化特征进行卷积，生成多个第二卷积特征并输送至全局最大池化层；
S14、通过全局最大池化层对全部第二卷积特征执行全局最大池化操作，生成多个第二池化特征并输送至全连接层；
S15、通过全连接层对全部第二池化特征进行分类，得到目标特征；
S16、计算目标特征之间的欧氏距离，得到特征样本对对应的特征相似度。
需要说明的是，通过卷积层的卷积核分别对特征样本对内的运行特征和故障特征样本进行卷积操作，以便提取运行特征和故障特征样本分别对应的第一卷积特征，将运行特征和故障特征样本对应的第一卷积特征输送至池化层，生成运行特征和故障特征样本对应的第一池化特征，通过池化层对运行特征和故障特征样本对应的第一卷积特征进行降维，以提高第一池化特征的感受野，将运行特征和故障特征样本对应的第一池化特征输送至多尺度卷积层。
在具体实施例中，多尺度卷积层由三部分构成，每部分所使用的卷积核尺度都和其他卷积核尺度不同，如此就能从上一层输出中提取到多尺度的特征，然后将每支分支卷积得到的特征向量进行拼接作为下一层的输入，通过多尺度卷积层采用多个卷积核分别对第一池化特征进行卷积，可进一步充分地提取第一池化特征，生成多个第二卷积特征并输送至全局最大池化层。
在本实施例中，通过最大池化层对全部第二卷积特征执行全局最大池化操作，对全部第二卷积特征更进一步地降维，减少计算量，同时加强第二卷积特征的不变性。将生成的多个第二池化特征输送至全连接层，通过全连接层分类得到运行特征和故障特征样本对应的目标特征，在低维空间计算目标特征之间的欧氏距离，以确定运行特征和故障特征样本对应的相似度。
可选地，目标孪生神经网络还包括多头注意力机制层，在执行步骤S14之前，还包括以下步骤S131-S134：
S131、将第二卷积特征输入多头注意力机制层；
S132、通过多头注意力机制层将第二卷积特征转换成多个输入向量；
S133、将多个输入向量映射至多个子空间进行缩放点积注意力计算，生成多个缩放点积注意力结果；
S134、将全部缩放点积注意力结果进行拼接，生成新的第二卷积特征。
需要说明的是，为了提高工业机器人故障诊断的准确性和效率，本实施例利用如图5所示的多头注意机制对1D-MSCNN模型进行优化。多头注意力机制层指的是一种将输入序列的不同位置和计算表示联系起来的机制。将第二卷积特征输入多头注意力机制层，通过多头注意力机制层对第二卷积特征转换成多个输入向量，分别是查询向量Q、键向量K和值向量V，其中查询向量Q和键向量K数值相同，能获得数据间的依赖关系，具体地，本发明实施例使用了缩放点积注意力机制(Scaled Dot-Product attention)，具体计算公式如下：
Figure BDA0003691501580000111
式中
Figure BDA0003691501580000112
t*表示长度，d*表示维度。点积结果除以缩放因子
Figure BDA0003691501580000113
进行调节，这是为了避免在进行梯度计算时得到非常小的梯度值而引发梯度消失问题，从而影响模型的训练。这样通过softmax函数后得到Q对K的注意力打分，最后与V点积计算，捕获K中被注意的内容。
在具体实施例中，将查询向量Q、键向量K和值向量V经过h次线性映射到不同的子空间中，分别对每一个子空间的三个向量并行执行缩放点积注意力计算，每个子空间叫做一个“头部”，比如第i个头部计算过程如下：
Qi＝QWi Q (2)
Ki＝KWi K (3)
Vi＝VWi V (4)
headi＝Attention(Qi,Ki,Vi) (5)
其中，
Figure BDA0003691501580000114
是映射矩阵权重，dmodel是映射维度。
经过独立地计算每个缩放点积注意力后，将它们的输出连接起来捕捉所有子空间中的特征信息，并反馈到另一个线性投影中以获取最终dmodel维度的输出，生成新的第二卷积特征，具体计算公式如下：
MultiHead(Q,K,V)＝Concat(head1,...,headh)WO (6)
其中，
Figure BDA0003691501580000121
是输出权重矩阵，它能够将输出维度大小恢复到初始输入的维度。此外设dq＝dk＝dv＝dmodel/h每个头部中的输入向量维度都是由原始输入平均分配得到，目的是将多头注意力的计算量接近于单一的缩放点积注意力。
步骤208、比较特征相似度与预设的相似度阈值，根据比较结果确定工业机器人对应的故障类别。
可选地，步骤208可以包括以下步骤S21-S23：
S21、比较特征相似度与预设的相似度阈值。
S22、若特征相似度小于或等于相似度阈值，则判定工业机器人对应的故障类别为故障特征样本关联的故障类别。
S23、若特征相似度大于相似度阈值，则响应输入的新增故障类别，将工业机器人对应的故障类别确定为新增故障类别。
需要说明的是，将特征相似度与预设的相似度阈值进行比较，具体地，预设的相似度阈值由技术人员根据实际需求进行设置，本发明实施例对此不做限制，如果特征相似度小于或等于相似度阈值，则工业机器人对应的故障类别与故障特征样本关联的故障类别一致，故判定工业机器人对应的故障类别为故障特征样本关联的故障类别。
在具体实施例中，如果特征相似度大于相似度阈值，则工业机器人对应的故障类别与故障特征样本关联的故障类别不一致，需要人为进行确认故障状态，分析该故障类别，并设置该故障类别为新增故障类别。
在执行响应输入的新增故障类别，将工业机器人对应的故障类别确定为新增故障类别的步骤之前，还包括以下步骤S231-S232：
S231、从预设的样本集获取除故障特征样本外的剩余样本作为新的故障特征样本；
S232、跳转执行将运行特征与故障特征样本组成特征样本对的步骤，直至样本集内不存在剩余样本。
需要说明的是，样本集指的是已知的故障特征样本以及故障特征样本关联的故障类型的集合。
在本实施例中，在人为未确认故障状态，分析故障类别之前，从预设的样本集中获取除故障特征样本外的剩余样本作为新的故障特征样本，如果特征样本对对应的特征相似度大于相似度阈值，重复执行将运行特征与故障特征样本组成特征样本对的步骤，直至样本集内不存在剩余样本，由此可知，运行特征对应的故障类别为新的未知故障，需要人为确认故障状态，分析故障类别。具体地，预设的样本集根据实际获取的故障特征样本以及故障特征样本关联的故障类别进行设置，本发明实施例对此不做限制。
本方法还包括以下步骤S31-S35：
S31、采用预设的模型参数构建初始孪生神经网络；
S32、将预设的特征训练集依次输入至初始孪生神经网络，分别输出训练结果；
S33、采用预设的损失函数结合全部训练结果，计算初始孪生神经网络对应的交叉熵。
S34、当交叉熵大于预设的训练阈值时，按照预设梯度调整模型参数，跳转将预设的特征训练集依次输入至初始孪生神经网络，分别输出训练结果的步骤。
S35、当交叉熵小于或等于训练阈值时，将当前时刻的初始孪生神经网络确定为目标孪生神经网络。
需要说明的是，孪生神经网络指的是一种基于样本相似度的模式识别方法，该方法使用两个权值共享的子网络同时接收两个输入样本，输出结果为两个输入样本的相似度。如图6所示，孪生神经网络(Siamese Network,SN)的子网络结构包括卷积层、池化层、三个多尺度卷积层、多头注意力机制、全局最大池化层和全连接层。特征训练集指的是用于模型拟合的特征数据样本。
在本实施例中，将预设的特征训练集输入初始孪生神经网络，当特征训练集中的训练样本的数量为n时，每次训练向孪生神经网络输入两个训练样本，可以对模型进行Cn 2次有效训练，因此，在小样本的情况下，孪生神经网络可以扩大模拟的训练次数，深度挖掘不同样本之间的关系，避免因样本数量不足导致的网络欠拟合等问题，能更好地解决实际生产中小样本下工业机器人故障诊断的难点。
在具体实施例中，随机选取预设的特征训练集的一个训练样本对(x1，x2)分别输入初始孪生神经网络的两个相同子神经网络模块中，两个子神经网络模块有共享参数权值w和偏置b，通过权值共享的子网络分别从两个训练样本中提取出训练样本对应的低维特征，在低维空间中使用欧氏距离作为度量计算两个训练样本对应的低维特征的相似度，具体地，欧氏距离作为度量的公式如下:
Figure BDA0003691501580000141
式中：x1和x2表示输入训练样本对，f(x1)和f(x2)表示输入训练样本对经子网络提取的低维特征；
Figure BDA0003691501580000142
表示低维特征的欧氏距离；运算符
Figure BDA0003691501580000143
表示计算欧氏距离。
孪生神经网络的输出是样本对的差异度，也即样本对来自同一故障类别的概率。当输入x1与输入x2来自同一种故障类别时，输出差异度是一个较小的值，表示输入训练样本对的相似程度大，来自同一故障类别的概率大；当输入x1与输入x2来自不同故障类别时，输出差异度是一个较大的值，表示训练输入样本对的相似程度小，来自同一故障类别的概率小。具体地，输出的计算公式如下：
Figure BDA0003691501580000144
式中：sigm表示sigmoid函数：p(x1,x2)表示训练样本对的差异度。
使用交叉熵作为孪生神经网络的损失函数，单次训练的损失函数如下公式如下：
Loss(x1,x2,y)＝y log(p(x1,x2))+(1-y)log((1-p(x1,x2))) (9)
式中：y＝1表示x1和属于x2同一种故障类别，y＝0表示x1和x2不属于同一种故障类别。
计算交叉熵的具体值后，比较交叉熵的值与预设的训练阈值，当交叉熵大于预设的训练阈值时，按照预设梯度调整共享参数权值w和偏置b，跳转执行选取预设的特征训练集的一个训练样本对(x1，x2)分别输入初始孪生神经网络的两个相同子神经网络模块中，输出训练结果的步骤，直至交叉熵小于或等于训练阈值，即可将当前时刻的初始孪生神经网络确定为目标孪生神经网络。具体地，预设梯度根据实际操作进行设置，本发明实施例对此不做限制。
本发明通过实时检测故障诊断请求，以第一时间获取故障诊断请求信息，当检测到故障诊断请求时，对故障诊断请求进行解析，确定故障诊断请求对应的工业机器人，此时从工业机器人对应的周期运行数据中提取运行特征，将提取的运行特征与故障特征样本组成特征样本对，并将特征样本对输入预设的目标孪生神经网络中，以得到特征样本对对应的特征相似度，将特征相似度与预设的相似度阈值相比，根据比较结果以确定工业机器人对应的故障类别，从而解决了现有的深度学习模型故障诊断技术通过大量的数据进行模型训练，训练完成后即可对工业机器人故障信号进行诊断，而自然情况下工业机器人故障数据难以获取，导致已训练的模型泛化能力低，难以快速适应不同的使用场景的技术问题。本发明运用孪生神经网络结构结合子网络的新型智能故障诊断模型，实现了特征自动提取和故障识别。孪生神经网络结构有效扩大模型的训练次数，深度挖掘不同样本之间的关系，避免因样本数量不足导致的网络欠拟合等问题，在小样本情况下达到更好的故障诊断效果，更好应用于实际生产制造。
请参阅图7，图7为本发明实施例三提供的一种工业机器人故障诊断系统的结构框图。
本发明实施例提供了一种工业机器人故障诊断系统，包括：
故障诊断请求模块301，用于当检测到故障诊断请求时，确定故障诊断请求对应的工业机器人；
提取运行特征模块302，用于从工业机器人对应的周期运行数据中提取运行特征；
特征样本对模块303，用于将运行特征与故障特征样本组成特征样本对；
特征相似度模块304，用于将特征样本对输入预设的目标孪生神经网络，得到特征样本对对应的特征相似度；
比较特征相似度模块305，用于比较特征相似度与预设的相似度阈值，根据比较结果确定工业机器人对应的故障类别。
可选地，提取运行特征模块302包括：
反馈速度子模块，用于从工业机器人对应的周期运行数据中获取反馈速度；
加速运行子模块，用于选取加速运行阶段；其中，加速运行阶段内的反馈速度大于预定阈值；
获取反馈力矩或反馈电流子模块，用于获取加速运行阶段对应的反馈力矩或反馈电流；
运行特征子模块，用于提取反馈力矩或反馈电流处于时频域内的时频域特征作为运行特征。
可选地，特征相似度模块304包括：
输入卷积层子模块，用于将特征样本对内的运行特征和故障特征样本分别输入卷积层，通过卷积层分别对运行特征和故障特征样本进行卷积，生成运行特征和故障特征样本分别对应的第一卷积特征并输送至池化层；
第一池化特征子模块，用于通过池化层对第一卷积特征进行降维，生成第一池化特征并输送至多尺度卷积层。
第二卷积特征子模块，用于通过多尺度卷积层采用多个卷积核分别对第一池化特征进行卷积，生成多个第二卷积特征并输送至全局最大池化层。
第二池化特征子模块，用于通过全局最大池化层对全部第二卷积特征执行全局最大池化操作，生成多个第二池化特征并输送至全连接层。
目标特征子模块，用于通过全连接层对全部第二池化特征进行分类，得到目标特征。
特征相似度子模块，用于计算目标特征之间的欧氏距离，得到特征样本对对应的特征相似度。
多头注意力机制层子模块，用于将第二卷积特征输入多头注意力机制层。
输入向量子模块，用于通过多头注意力机制层将第二卷积特征转换成多个输入向量。
缩放点积注意力结果子模块，用于将多个输入向量映射至多个子空间进行缩放点积注意力计算，生成多个缩放点积注意力结果。
新的第二卷积特征子模块，用于将全部缩放点积注意力结果进行拼接，生成新的第二卷积特征。
可选地，比较特征相似度模块305可以包括：
比较相似度子模块，用于比较特征相似度与预设的相似度阈值；
若特征相似度小于或等于相似度阈值，则判定工业机器人对应的故障类别为故障特征样本关联的故障类别；
若特征相似度大于相似度阈值，则响应输入的新增故障类别，将工业机器人对应的故障类别确定为新增故障类别。
可选地，比较特征相似度模块305还包括：
新的故障特征样本子模块，用于从预设的样本集获取除故障特征样本外的剩余样本作为新的故障特征样本。
跳转执行子模块，用于跳转执行将运行特征与故障特征样本组成特征样本对的步骤，直至样本集内不存在剩余样本。
本系统还包括：
构建孪生神经网络模块，用于采用预设的模型参数构建初始孪生神经网络。
输出训练结果模块，用于将预设的特征训练集依次输入至初始孪生神经网络，分别输出训练结果。
计算交叉熵模块，用于采用预设的损失函数结合全部训练结果，计算初始孪生神经网络对应的交叉熵。
比较交叉熵模块，用于当交叉熵大于预设的训练阈值时，按照预设梯度调整模型参数，跳转将预设的特征训练集依次输入至初始孪生神经网络，分别输出训练结果的步骤；
当交叉熵小于或等于训练阈值时，将当前时刻的初始孪生神经网络确定为目标孪生神经网络。
本发明通过实时检测故障诊断请求，以第一时间获取故障诊断请求信息，当检测到故障诊断请求时，对故障诊断请求进行解析，确定故障诊断请求对应的工业机器人，此时从工业机器人对应的周期运行数据中提取运行特征，将提取的运行特征与故障特征样本组成特征样本对，并将特征样本对输入预设的目标孪生神经网络中，以得到特征样本对对应的特征相似度，将特征相似度与预设的相似度阈值相比，根据比较结果以确定工业机器人对应的故障类别，从而解决了现有的深度学习模型故障诊断技术通过大量的数据进行模型训练，训练完成后即可对工业机器人故障信号进行诊断，而自然情况下工业机器人故障数据难以获取，导致已训练的模型泛化能力低，难以快速适应不同的使用场景的技术问题。本发明运用孪生神经网络结构结合子网络的新型智能故障诊断模型，实现了特征自动提取和故障识别。孪生神经网络结构有效扩大模型的训练次数，深度挖掘不同样本之间的关系，避免因样本数量不足导致的网络欠拟合等问题，在小样本情况下达到更好的故障诊断效果，更好应用于实际生产制造。
本发明实施例还提供了一种电子设备，电子设备包括：存储器及处理器，存储器中储存有计算机程序；计算机程序被处理器执行时，使得处理器执行如上述任一实施例的工业机器人故障诊断方法。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被执行时实现如本发明任一实施例的工业机器人故障诊断方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，设备和介质的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种工业机器人故障诊断方法，其特征在于，所述方法包括：
当检测到故障诊断请求时，确定所述故障诊断请求对应的工业机器人；
从所述工业机器人对应的周期运行数据中提取运行特征；
将所述运行特征与故障特征样本组成特征样本对；
将所述特征样本对输入预设的目标孪生神经网络，得到所述特征样本对对应的特征相似度；
比较所述特征相似度与预设的相似度阈值，根据比较结果确定所述工业机器人对应的故障类别。
2.根据权利要求1所述的工业机器人故障诊断方法，其特征在于，所述从所述工业机器人对应的周期运行数据中提取运行特征的步骤，包括：
从所述工业机器人对应的周期运行数据中获取反馈速度；
选取加速运行阶段；其中，所述加速运行阶段内的反馈速度大于预定阈值；
获取所述加速运行阶段对应的反馈力矩或反馈电流；
提取所述反馈力矩或所述反馈电流处于时频域内的时频域特征作为运行特征。
3.根据权利要求1所述的工业机器人故障诊断方法，其特征在于，所述目标孪生神经网络包括卷积层、池化层、多尺度卷积层、全局最大池化层和全连接层，所述将所述特征样本对输入预设的目标孪生神经网络，得到所述特征样本对对应的特征相似度的步骤，包括：
将所述特征样本对内的所述运行特征和所述故障特征样本分别输入所述卷积层，通过所述卷积层分别对所述运行特征和所述故障特征样本进行卷积，生成所述运行特征和所述故障特征样本分别对应的第一卷积特征并输送至所述池化层；
通过所述池化层对所述第一卷积特征进行降维，生成第一池化特征并输送至所述多尺度卷积层；
通过所述多尺度卷积层采用多个卷积核分别对所述第一池化特征进行卷积，生成多个第二卷积特征并输送至所述全局最大池化层；
通过所述全局最大池化层对全部所述第二卷积特征执行全局最大池化操作，生成多个第二池化特征并输送至所述全连接层；
通过所述全连接层对全部所述第二池化特征进行分类，得到目标特征；
计算所述目标特征之间的欧氏距离，得到所述特征样本对对应的特征相似度。
4.根据权利要求3所述的工业机器人故障诊断方法，其特征在于，所述目标孪生神经网络还包括多头注意力机制层，在通过所述全局最大池化层对全部所述第二卷积特征执行全局最大池化操作，生成多个第二池化特征并输送至所述全连接层的步骤之前，还包括：
将所述第二卷积特征输入所述多头注意力机制层；
通过所述多头注意力机制层将所述第二卷积特征转换成多个输入向量；
将多个所述输入向量映射至多个子空间进行缩放点积注意力计算，生成多个缩放点积注意力结果；
将全部所述缩放点积注意力结果进行拼接，生成新的第二卷积特征。
5.根据权利要求1所述的工业机器人故障诊断方法，其特征在于，所述比较所述特征相似度与预设的相似度阈值，根据比较结果确定所述工业机器人对应的故障类别的步骤，包括：
比较所述特征相似度与预设的相似度阈值；
若所述特征相似度小于或等于所述相似度阈值，则判定所述工业机器人对应的故障类别为所述故障特征样本关联的故障类别；
若所述特征相似度大于所述相似度阈值，则响应输入的新增故障类别，将所述工业机器人对应的故障类别确定为所述新增故障类别。
6.根据权利要求5所述的工业机器人故障诊断方法，其特征在于，在响应输入的新增故障类别，将所述工业机器人对应的故障类别确定为所述新增故障类别的步骤之前，所述方法还包括：
从预设的样本集获取除所述故障特征样本外的剩余样本作为新的故障特征样本；
跳转执行所述将所述运行特征与故障特征样本组成特征样本对的步骤，直至所述样本集内不存在所述剩余样本。
7.根据权利要求1所述的工业机器人故障诊断方法，其特征在于，还包括：
采用预设的模型参数构建初始孪生神经网络；
将预设的特征训练集依次输入至所述初始孪生神经网络，分别输出训练结果；
采用预设的损失函数结合全部所述训练结果，计算所述初始孪生神经网络对应的交叉熵；
当所述交叉熵大于预设的训练阈值时，按照预设梯度调整所述模型参数，跳转所述将预设的特征训练集依次输入至所述初始孪生神经网络，分别输出训练结果的步骤；
当所述交叉熵小于或等于所述训练阈值时，将当前时刻的初始孪生神经网络确定为目标孪生神经网络。
8.一种工业机器人故障诊断系统，其特征在于，包括：
故障诊断请求模块，用于当检测到故障诊断请求时，确定所述故障诊断请求对应的工业机器人；
提取运行特征模块，用于从所述工业机器人对应的周期运行数据中提取运行特征；
特征样本对模块，用于将所述运行特征与故障特征样本组成特征样本对；
特征相似度模块，用于将所述特征样本对输入预设的目标孪生神经网络，得到所述特征样本对对应的特征相似度；
比较特征相似度模块，用于比较所述特征相似度与预设的相似度阈值，根据比较结果确定所述工业机器人对应的故障类别。
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-7任一项所述的工业机器人故障诊断方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1-7任一项所述的工业机器人故障诊断方法。
CN202210662659.8A 2022-06-13 2022-06-13 一种工业机器人故障诊断方法、系统、设备与存储介质 Pending CN114897102A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210662659.8A CN114897102A (zh) 2022-06-13 2022-06-13 一种工业机器人故障诊断方法、系统、设备与存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210662659.8A CN114897102A (zh) 2022-06-13 2022-06-13 一种工业机器人故障诊断方法、系统、设备与存储介质

Publications (1)

Publication Number Publication Date
CN114897102A true CN114897102A (zh) 2022-08-12

Family

ID=82727591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210662659.8A Pending CN114897102A (zh) 2022-06-13 2022-06-13 一种工业机器人故障诊断方法、系统、设备与存储介质

Country Status (1)

Country Link
CN (1) CN114897102A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116366477A (zh) * 2023-05-30 2023-06-30 中车工业研究院(青岛)有限公司 一种列车网络通信信号检测方法、装置、设备及存储介质
CN116658489A (zh) * 2023-06-02 2023-08-29 上海电气液压气动有限公司 一种基于数字孪生的液压系统故障诊断方法及系统
CN116796229A (zh) * 2023-06-21 2023-09-22 北京优特捷信息技术有限公司 一种设备故障检测方法、装置、设备及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116366477A (zh) * 2023-05-30 2023-06-30 中车工业研究院(青岛)有限公司 一种列车网络通信信号检测方法、装置、设备及存储介质
CN116366477B (zh) * 2023-05-30 2023-08-18 中车工业研究院(青岛)有限公司 一种列车网络通信信号检测方法、装置、设备及存储介质
CN116658489A (zh) * 2023-06-02 2023-08-29 上海电气液压气动有限公司 一种基于数字孪生的液压系统故障诊断方法及系统
CN116658489B (zh) * 2023-06-02 2023-12-01 上海电气液压气动有限公司 一种基于数字孪生的液压系统故障诊断方法及系统
CN116796229A (zh) * 2023-06-21 2023-09-22 北京优特捷信息技术有限公司 一种设备故障检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN114897102A (zh) 一种工业机器人故障诊断方法、系统、设备与存储介质
CN111721535B (zh) 一种基于卷积多头自注意力机制的轴承故障检测方法
CN111902781B (zh) 用于控制系统的设备和方法
CN115018021B (zh) 基于图结构与异常注意力机制的机房异常检测方法及装置
CN109840900B (zh) 一种应用于智能制造车间的故障在线检测系统及检测方法
CN114048600A (zh) 一种数字孪生驱动的多模型融合工业系统异常检测方法
CN113111591B (zh) 基于模块化配电终端内部故障自动诊断方法、装置及设备
CN115586757A (zh) 机械设备的智能控制系统及其方法
CN111652271A (zh) 一种基于神经网络的非线性特征选择方法
Fuertes et al. Visual dynamic model based on self-organizing maps for supervision and fault detection in industrial processes
CN113919540A (zh) 一种生产过程运行状态的监测方法及相关设备
CN113110398B (zh) 基于动态时间归整和图卷积网络的工业过程故障诊断方法
CN117495205B (zh) 一种工业互联网实验系统及方法
CN110320802B (zh) 基于数据可视化的复杂系统信号时序识别方法
Song et al. Fault diagnosis and process monitoring using a statistical pattern framework based on a self-organizing map
CN114936614B (zh) 一种基于神经网络的作业风险识别方法及系统
CN116108371A (zh) 基于级联异常生成网络的云服务异常诊断方法与系统
CN113033469B (zh) 工器具损坏识别方法、装置、设备、系统及可读存储介质
CN115169426A (zh) 一种基于相似性学习融合模型的异常检测方法及系统
CN111080121B (zh) 一种用于不同链长的控制图模式识别方法
CN113554010A (zh) 一种电网线路故障识别模型训练方法
CN115294009A (zh) 一种基于机器学习检测电池极耳焊接缺陷的方法、设备及存储介质
CN113724211A (zh) 一种基于状态感应的故障自动识别方法及系统
CN113296994A (zh) 一种基于国产计算平台的故障诊断系统及方法
CN117784710B (zh) 数控机床远程状态监控系统及其方法

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