CN115099268A - 基于图卷积网络的轮式机器人智能故障诊断方法及系统 - Google Patents
基于图卷积网络的轮式机器人智能故障诊断方法及系统 Download PDFInfo
- Publication number
- CN115099268A CN115099268A CN202210673320.8A CN202210673320A CN115099268A CN 115099268 A CN115099268 A CN 115099268A CN 202210673320 A CN202210673320 A CN 202210673320A CN 115099268 A CN115099268 A CN 115099268A
- Authority
- CN
- China
- Prior art keywords
- graph
- space
- time
- robot
- wheeled
- 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
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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出了基于图卷积网络的轮式机器人智能故障诊断方法及系统,包括:根据轮式机器人数学模型构建轮式机器人数据关系图;基于该轮式机器人数据关系图,通过将机器人传感器在不同时间切片上的测量数据转换为时空图,生成时空图数据集;采用时空图数据集训练时空差分图卷积网络,所述时空差分图卷积网络对轮式机器人数据关系图进行计算多阶后向差分特征,利用局部差分特性对节点进行特征增强,利用时空图卷积模块获取时空相关特征;将待测轮式机器人的传感器测量值输入至时空差分图卷积网络进行故障判断,输出故障分类结果。所提出的差分层和所构建的机器人数据关系图有利于故障分类,所开发的STDGCN具有最先进的性能。
Description
技术领域
本发明属于故障诊断技术领域,尤其涉及基于图卷积网络的轮式机器人智能故障诊断方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
随着机器人技术的快速发展,各种轮式机器人被应用到更广泛的领域,包括家庭服务、工业、航空航天。然而,与其他电子系统一样,轮式机器人随着使用时间的增加,也容易出现故障。这些故障可能会影响机器人的性能,甚至导致严重的事故。因此,研究轮式机器人的故障诊断方法是很有意义的。
近年来数据采集硬件、神经网络理论和并行计算技术的发展,使得数据驱动的故障诊断技术,特别是基于深度学习的故障诊断技术,取得了很大的突破。许多基于深度学习的故障诊断方法在各种故障诊断案例中都有显著的应用,如变速箱,轴承,变压器等。例如,Wang等人开发了一个基于深度神经网络的框架来监测风力涡轮机齿轮箱的状况。Shao等人提出了一种用于轴承故障诊断的卷积深度置信网络。Huang等人提出了一种基于一维卷积神经网络的高速列车转向架故障诊断方法。Peng等人提出了一种用于轮对轴承故障诊断的多分支多尺度卷积神经网络。
在上述大多数故障诊断案例中,仅使用单一类型的传感器信号,如振动信号或电流信号,即可达到满意的诊断性能。与上述研究不同的是,轮式机器人是一个具有非线性和时变特性的高度耦合机电系统,仅根据单一类型的传感器信号很难对其故障进行准确的分类。轮式机器人通常配备多种异构传感器,因此需要采用多传感器数据对其健康状况进行综合评价。然而,多传感器数据特征提取与融合是一个难题,传统方法难以对传感器信号之间的关系建模。
图卷积网络(GCN)可以解决这个问题。GCN是由Bruna等人和 Defferrard等人开发的。通过引入关系图,GCN可以聚合中心节点的邻域节点特征来生成新的中心节点特征。目前,GCN已成功应用于流量预测、知识图嵌入等应用中。在这些成果的启发下,近年来有一些研究尝试将GCN 应用于故障诊断。Li等人提出了一种多接收域GCN实现齿轮箱故障诊断,并通过计算节点间余弦相似度将数据样本转换为加权图。Liao等人提出了一种基于GCN的变压器故障诊断方法,该方法利用邻接矩阵表示未知样本与标记样本之间的相似性度量。Zhang等人开发了一种用于滚动轴承故障诊断的深度GCN,将收集到的声信号转换为图,边的权值表示连接节点之间的相似性。
上述基于GCN的方法是根据数据样本的相似性或特征来确定关系图。但是,通过这种方法得到的关系图不能准确地反映实际关系,这将对网络训练产生负面影响,甚至限制诊断性能。此外,这些方法倾向于挖掘空间相关性,而忽略了时间相关性。
总之,轮式机器人故障诊断的关键问题是利用多传感器数据对其健康状况进行综合评价,但传统的基于深度学习的方法难以对多传感器测量值之间的关系进行建模。与这些方法不同,图卷积网络(Graph convolutional network,GCN)使用图结构数据和数据关系图作为输入,对于关系建模更有效。然而,现有的基于GCN的故障诊断方法存在以下缺点:
1)关系图是根据数据样本或其特征的相似性获得的,不能保证准确性;
2)侧重于提取空间相关性,而忽略了时间相关性。
发明内容
为克服上述现有技术的不足,本发明提供了基于图卷积网络的轮式机器人智能故障诊断方法,利用先验知识即简化的轮式机器人数学模型构建关系图,利用局部差分特性对节点进行特征增强,通过联合捕获时空相关性来提高故障诊断模型的性能。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
第一方面,公开了基于图卷积网络的轮式机器人智能故障诊断方法,包括:
根据轮式机器人数学模型构建轮式机器人数据关系图;
基于该轮式机器人数据关系图,通过将机器人传感器在不同时间切片上的测量数据转换为时空图,生成时空图数据集;
采用时空图数据集训练时空差分图卷积网络,所述时空差分图卷积网络对轮式机器人数据关系图进行计算多阶后向差分特征,利用局部差分特性对节点进行特征增强,利用时空图卷积模块获取时空相关特征;
将待测轮式机器人的传感器测量值输入至时空差分图卷积网络进行故障判断,输出故障分类结果。
作为进一步的技术方案,转换为时空图时,根据获得的传感器变量之间的关系,将一个时间片内的传感器测量值进行连接,然后将每个传感器测量值连接到连续时间片中的相同传感器测量值。
作为进一步的技术方案,每个时空图的节点包含一个传感器变量的监视值。
作为进一步的技术方案,还包括构建轮式机器人数学模型的步骤,构建轮式机器人数学模型时:
将轮式移动机器人作为实验平台,选择包含机器人运行状态信息的传感器数据进行故障诊断;
传感器数据包括编码器、轮子速度、电机力矩、机器人加速度及机器人角速度;
轮式机器人上的所有点都绕瞬时转动中心旋转,忽略摩擦力的影响。
作为进一步的技术方案,在构建的机器人数据关系图中,每个传感器变量均添加有自连接边。
作为进一步的技术方案,所述时空差分图卷积网络包括差分层:差分层通过计算0-D阶后向差分特征,然后将得到的多阶后向差分特征作为图节点的新特征。
作为进一步的技术方案,所述时空图卷积模块包括一个图卷积层、两个门控卷积层、一个残差结构和一个批处理归一化层;
所述图卷积层用于挖掘相邻节点的空间依赖性,堆叠的门控卷积层通过合并连续时间切片上对应节点的特征来更新节点的特征;
每个门控卷积层包含两个具有相同参数的标准一维卷积层。
所述残差结构的用于使得更多的信息通过;
所述批处理归一化层将更新后的特征归一化到固定分布,减少内部协变位移。
第二方面,公开了一种机器人故障诊断系统,包括:
关系图形成模块,被配置为:根据轮式机器人数学模型构建轮式机器人数据关系图;
时空图形成模块,被配置为:基于该轮式机器人数据关系图,通过将机器人传感器在不同时间切片上的测量数据转换为时空图,生成时空图数据集;
时空差分图卷积网络训练模块,被配置为:采用时空图数据集训练时空差分图卷积网络,所述时空差分图卷积网络对轮式机器人数据关系图进行计算多阶后向差分特征,利用局部差分特性对节点进行特征增强,利用时空图卷积模块获取时空相关特征;
故障判断模块,被配置为:将待测轮式机器人的传感器测量值输入至时空差分图卷积网络进行故障判断,输出故障分类结果。
以上一个或多个技术方案存在以下有益效果:
本发明提出的时空差分图卷积网络(Spatial-temporal difference graphconvolutional network,STDGCN)用于轮式机器人故障诊断。该网络包含一个差分层,利用局部差分特性进行特征增强。同时,引入时空图卷积模块联合捕获时空相关性。多组实验结果表明,STDGCN具有优越的故障诊断性能。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例轮式机器人传感器测量转换的时空图;
图2为本发明实施例麦克纳姆轮式移动机器人示意图;
图3为本发明实施例机器人图表示示意图;
图4为本发明实施例差分层示意图;
图5为本发明实施例时空图卷积模型示意图;
图6为本发明实施例基于STDGCN的轮式机器人故障诊断方法总体框架示意图;
图7为本发明实施例麦克纳姆轮式移动机器人的健康状况示意图;
图8为本发明实施STGCN与STDGCN模型的性能比较示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
整体构思:
本公开实施例子提出的基于STDGCN的轮式机器人故障诊断方法总体框架如图6所示。其流程总结如下,首先根据所建立的机器人数学模型构建机器人数据关系图。其次,通过将机器人传感器在不同时间切片上的测量数据转换为时空图,生成时空图数据集。然后,我们使用训练数据集训练STDGCN,最后,输入测试数据集,利用训练好的STDGCN进行故障诊断。
实施例一
本实施例公开了基于图卷积网络的轮式机器人智能故障诊断方法,包括:
首先,建立简化的轮式机器人数学模型,依此确定机器人数据关系图。然后将轮式机器人多传感器测量值转换为时空图,并在时空差分图卷积网络STDGCN中引入差分层,差分层计算多阶后向差分特征,利用局部差分特性对图节点进行特征增强。
此外,还包括利用时空图卷积模块(spatial-temporal graph convolutionalmodule,STGCM)用来联合捕获时空相关性,实现了同时提取在时空维度上的故障信息。
最后,利用所提出的STDGCN实现了故障诊断。STDGCN与现有的几种故障诊断方法进行了对比实验,实验结果表明了STDGCN的优越性。
关于图神经网络:
与卷积神经网络(convolutional neural network,CNN)相似,GCN的本质目标是通过卷积运算从图数据中提取特征信息。两者区别在于GCN处理的是非欧几里得数据。
考虑空间域上的卷积运算f*x,其中,f表示卷积核,x表示输入数据。经过卷积运算处理的图形信号的傅里叶变换,等于这些变换到频谱域信号的乘积,因此空间域的卷积运算f*x可以表示为:
其中F和F-1分别表示傅里叶变换和傅里叶反变换,U表示傅里叶基。为了将关系图引入神经网络,GCN使用的傅立叶基由关系图的拉普拉斯矩阵计算得到,其具体计算方法如下:假设L=D-A是图的拉普拉斯算子矩阵,它可以被规范化为其中IN代表一个单位矩阵,A表示邻接矩阵,D是度矩阵Dii∈∑jAij。然后,通过特征值分解得到傅里叶基U 和特征值矩阵Λ:
UΛUT=L, Λ=diag([λ0,...,λN-1]) (2)
根据拉普拉斯矩阵的性质,U是一组满足傅里叶变换基本数学要求的正交矩阵。设gθ=diag(UTf),(1)可以简化为:
f*x=U((UTf)⊙(UTx))=UgθUTx (3)
在图卷积过程中,拉普拉斯矩阵的特征值分解是一个重要步骤,但当图较大时,拉普拉斯矩阵的特征值分解耗费的计算资源是非常高的。为了解决这个问题,Defferrard等人提出使用Chebyshev多项式Tk来近似gθ,因此(3)可以替代性地表示为:
其中,θ是多项式系数,λmax表示拉普拉斯矩阵的最大特征值。切比雪夫多项式可以定义为:TK(x)=2xTK-1(x)-TK-2(x),T0(x)=1,T1(x)=x。使用Chebyshev多项式近似展开解,等价于使用卷积核提取图中每个节点中心周围0-K阶的邻居信息。
Kipf和Welling提出了进一步简化Chebyshev多项式的方法,设λmax=2和 K=1,这意味着聚合中心节点的一阶邻域节点特征。这样,(4)可简化为:
在本实施例子中,轮式机器人多传感器测量值包含丰富的关系信息,对不同传感器信号的时空相关性进行建模。如图1所示,轮式机器人传感器测量值可以定义为时空图,该过程包含两个步骤。首先,根据传感器变量之间的关系,将一个时间片内的传感器测量值进行连接。然后将每个传感器测量值连接到连续时间片中的相同传感器测量值。本公开实施例子首先从构建机器人数据关系图入手,即对传感器变量之间的关系进行建模,然后详细介绍了所提出的用于轮式机器人故障诊断的STDGCN。
时间片是指一个采样时刻,在本公开实施例子中,一个采样时刻采集了18维传感器测量值。
一个采样时刻内的传感器测量值,根据“关系”来连接。在本公开实施例子中,提出了采用机器人系统的先验知识,即机器人的数学模型来表征这种关系。例如,在数学模型中,机器人加速度受到电机力矩的影响,电机力矩就与机器人加速度相连接。
将每个传感器测量值连接到连续时间片中的相同传感器测量值的目的是构建图结构的数据。图结构数据是由节点和边组成的,每一个测量值看成是一个节点,通过将测量值连接至测量值就构建了边。边用于表示两个对象之间特定的关系。
其中,图神经网络的输入是:图结构的数据和数据的关系图。本公开实施例子的图结构数据是时空图数据,本公开实施例子的时空图数据集中,每一个样本大小是100*18,100是时间片的数量,18是节点数量。每一个时间片的数据(1*18)是根据数据关系图进行连接的。
关系图的建立:
使用基于GCN的方法的基础是获取关系图。本公开实施例子提出根据系统先验知识建立关系图,即轮式机器人的数学模型。本公开实施例子将麦克纳姆轮式移动机器人作为实验平台,选择包含机器人运行状态信息的传感器数据进行故障诊断。采用的传感器变量如表1所示,变量中的下标数字表示轮式机器人的电机编号标签,下标字母表示坐标轴。
表1.传感器变量
本公开的目的是利用轮式机器人的数学模型来反映传感器变量之间的关系。因此,一个忽略环境因素影响的简化数学模型就可以需求。
假设轮式机器人为刚性,机器人上的所有点都绕瞬时转动中心旋转,忽略摩擦力的影响。设(x,y,z)为麦克纳姆轮式移动机器人以几何中心为原点的坐标轴。图2为麦克纳姆轮式移动机器人示意图,图中展示了作用于轮子辊子上的电机驱动力FTi,其中FTi分为辊子有效驱动力Fi和无效滑移力 Si。Fix和Fiy分别是x和y方向上的驱动力。
根据图2,建立的数学模型如(7)~(15)所示,方程中未定义变量和函数的含义如表2所示。
FTi=Tirmotor,i=1,2,3,4 (8)
ai=Fi/M,i=x,y (9)
表2.部分变量和函数的含义
在建立了数学模型之后,用一个例子来说明如何根据数学模型来确定关系图。考虑(7)-(9),可以得到以下推导:
由式(15)和式(16)可知,变量ax和ay受四个电机转矩变量T1,T2,T3和T4的影响。因此,每个电机转矩变量都分别连接变量ax和ay,即T1,T2,T3和T4是 ax和ay的邻居节点。其余的关系也可以采用相同的方式建模。根据(7)~(15) 构建机器人数据关系图,如图3所示。在构建的机器人数据关系图中,每个传感器变量都添加了自连接边。图卷积神经网络通过聚合与其连接的节点的特征生成新的节点特征。添加自连接边的作用是,在生成新的节点特征时,也考虑该节点自身的特征。
时空差分图卷积网络(STDGCN):STDGCN的核心思想总结如下:1) 采用差分层对图节点进行特征增强;2)利用时空图卷积模块获取时空相关特征。
差分层:
在构建机器人数据关系图后,将轮式机器人的传感器测量值转换为时空图。每个节点包含一个传感器变量的监视值。由于图节点只包含数字特征,通过提供额外信息来扩展节点特征。为了实现这一目标,本公开技术方案提出了一种基于差分层的特征增强方法。设计的差分层通过计算0-D 阶后向差分特征,然后将得到的多阶后向差分特征作为图节点的新特征。
时空图卷积模块(STGCM):
轮式机器人的多传感器测量值可以转换为时空图,故障信息包含在节点及其相邻节点的历史特征中。仅对时间或空间依赖性建模将导致性能不稳定,因为时间和空间相关性对故障诊断都是至关重要的。因此,为了同时捕捉故障的时空特征,构建了如图5所示的STGCM。
STGCM由一个图卷积层、两个门控卷积层、一个残差结构和一个批处理归一化层组成。利用图卷积层挖掘相邻节点的空间依赖性,堆叠的门控卷积层通过合并连续时间切片上对应节点的特征来更新节点的特征。每个门控卷积层包含两个具有相同参数的标准一维卷积层。门控卷积层的数学模型可定义为:
ygated=(K1*xgated+b1)⊙σ(K2*xgated+b2) (18)
其中K1和K2为卷积核,b1和b2为偏差,σ为sigmoid型函数。xgated和ygated是门控卷积层的输入和输出。在STGCM中添加残差架构的目的是让更多的信息通过。此外,利用批处理归一化层(BN)将更新后的特征归一化到固定分布,有效地减少了内部协变位移。
时空图卷积模块
时空图卷积模块的输出是大小为18×100×64的特征图,请见表4,在时空图卷积模块(STGCM)之后,连接一个门控卷积层来压缩节点特征的维度。然后,采用全局平均池化层(Global average pooling layer,GAP)在时间维度上聚合特征。最后,将所有图节点的特征进行拼接后,输入到两层全连接层(Fully connected layer,FC)中,由全连接层得到故障诊断结果。
实验验证:
以验证所提出的差分层和所设计的机器人数据关系图的有效性。然后将STDGCN与现有的几种故障诊断方法进行了比较。
数据集描述:
麦克纳姆轮式移动机器人作为实验平台。该机器人由四个直流无刷电动机驱动,并配有多种传感器,包括四个编码器、一个惯性测量单元等。本文主要对图7所示的5种常见故障进行诊断,表3记录了故障标签、故障位置及对应的故障模式。麦克纳姆轮式移动机器人在不同健康状态下运行,采集故障诊断数据集。设置轮式机器人的速度为0.5m/s,采集多传感器数据,采样频率为100Hz。然后,为了消除数据维数和取值范围的影响,我们采用最大最小值归一化方法将原始传感器数据归一化到[0,1]范围内。此外,我们利用滑动窗口将归一化传感器数据分割为多个样本,将步长和窗口长度都设置为100。随机选取70%样本作为训练集,其余30%样本作为测试集。最后,总共生成4011个样本,每个样本的维度在
图7中,(a)电机变速箱断齿,(b)电机齿轮箱磨损,(c)缺少辊子,(d)减震器弹簧失效,(e)减震器松动。
表3.麦克纳姆
STDGCN模型由两个STGCM组成。第一个STGCM在时间维度上包含32个卷积核,第二个STGCM在时间维度上包含64个卷积核。另外,将差分层的参数D设为4,实验中将讨论该参数对模型性能的影响。 STDGCN的详细结构见表4。
表4.STDGCN模型详细结构
在本文中,所有模型都是利用Pytorch 1.9.1实现的。在训练阶段,我们使用交叉熵损失函数和Adam优化器,学习率固定为0.001。我们还设置批量大小为64,每个模型训练200个epoch。所有模型均进行5次试验,以减少随机性对结果的影响。以最大准确率(Max)、最小准确率(Min)和平均准确率(Aver)三个性能指标作为评价指标,评价5次试验的诊断性能。
差分层的有效性:为了研究差分层的有效性以及参数D对结果的影响,我们构造了6个版本的STDGCN,即STDGCN_1,STDGCN_2,STDGCN_3,…,STDGCN_6和一个不带差分层的STGCN。STDGCN模型名称中的最后一个数字表示参数D的值。构建的7个模型的其他设置保持不变。实验结果如图8所示。
从图8可以看出,差分层可以有效地提高STDGCN的性能。STDGCN 模型的Max和Aver比STGCN模型高约1%。由于采用了多阶后向差分特征进行特征增强,STDGCN可以学习到更好的故障表示,获得更高的诊断精度。
另外,通过对这些STDGCN模型的比较,我们发现当参数D的值从1 增加到4时,STDGCN的Aver也增加。这说明模型可以积累多阶后向差分特征的作用,从而不断提高诊断性能。然而,STDGCN_5和STDGCN_6的 Aver略低于STDGCN_4,可能的原因是更多的差分特征可能会分散模型的注意力。因此,选择STDGCN_4版本作为最终型号。
机器人数据关系图的有效性:以验证本文所提出的机器人数据关系图的有效性。实验中考虑了两种情况,使用机器人数据关系图进行训练或使用自适应关系图进行训练。自适应关系图由可训练权值矩阵实现。我们在实验中建立了四个模型,分别是ASTGCN、STGCN、ASTDGCN和STDGCN,其中ASTGCN和ASTDGCN用自适应关系图进行训练。实验结果见表5。
表5.ASTGCN与STDGCN的比较结果
从对比结果可以看出,使用机器人数据关系图进行训练可以提高诊断的准确性,同时降低标准差。STDGCN的Aver比ASTDGCN的Aver高 1.51%,STGCN的Aver比ASTGCN的Aver高0.94%。这是因为所设计的机器人数据关系图利用了先验知识,使得模型能够显式挖掘空间相关性。相反,自适应关系图的使用增加了网络训练的不确定性,因此ASTGCN和ASTDGCN对于时空图建模是不稳定的。这表明所设计的机器人数据关系图有利于故障诊断。
与现有故障诊断方法的比较:
为了验证所提出方法的优越性,我们将STDGCN与现有的7种故障诊断方法,包括RNN、GRU、GCN、LSTM、Resnet、DRSN和MA1DCNN 进行了比较。所构建的RNN和GRU有两个隐含层,每个隐含层有128个单元,时间步长为100,输入尺寸的维数为18。实验中实现的GCN有两个图卷积层,Resnet采用Resnet-18架构。此外,模型LSTM、DRSN和 MA1DCNN的参数设置与他们的文章一致。实验结果记录在表6中,最佳结果以粗体显示。根据这些结果,可以得到一些观察结果。
表6 STDGCN与其他方法的比较结果
首先,RNN的最大值、最小值和方差比其他比较方法差。由于RNN 存在梯度消失问题,结构简单,难以处理长时间序列,导致诊断性能较差。
其次,三种基于CNN的模型Resnet、DRSN和MA1DCNN在轮式机器人故障诊断数据集上的Aver值小于90%,表现不佳。这可能是因为这些基于CNN的模型并不适合轮式机器人的数据融合。具体来说,在实验中, 18个传感器的测量数据直接输入到基于CNN的模型中。传统的卷积核通过聚合所有通道的特征来生成新的特征。这样,某些通道中的重要故障信息会受到其他通道中不相关和冗余信息的影响,从而对模型性能产生负面影响。
第三,GRU、LSTM和GCN方法优于CNN方法。这三种方法的均值分别达到93.23%、92.04%和90.34%。可能的解释是,它们提取特征的方式比CNN方法更好。GRU和LSTM采用门控机制从输入中学习时间动态特征,GCN基于关系图的拉普拉斯矩阵聚合相邻节点特征。然而,这些模型只考虑了空间或时间的相关性,对轮式机器人的故障诊断而言并不是最优的。
最后,STDGCN在所有测试方法中取得了最好的诊断结果。STDGCN 的最大值、最小值和平均值分别为96.84%、95.93%和96.36%,标准差为 0.29%。STDGCN精度较高的直接原因是:1)利用了轮式机器人的先验知识,使STDGCN能够稳定地利用传感器测量值的空间相关性;2)STDGCN加入了差分层,使其能够捕获更多有用的信息;3)STDGCN中引入的STGCM可以对时空特征和动态相关性进行建模。
本实施例子利用机器人系统的先验知识构建关系图,使基于GCN的模型能够准确捕捉传感器测量值之间的空间相关性;提出差分层计算多阶后向差分特征,对图节点特征进行特征增强;引入时空卷积模块,同时对时空相关性进行建模。本文基于麦克纳姆轮式移动机器人数据集,进行了消融研究和对比实验。实验结果表明,所提出的差分层和所构建的机器人数据关系图有利于故障分类,所开发的STDGCN具有最先进的性能。
实施例二
本实施例的目的是提供一种计算机装置,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上述方法的步骤。
实施例三
本实施例的目的是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执行上述方法的步骤。
实施例四
本实施例的目的是提供一种机器人故障诊断系统,包括:
关系图形成模块,被配置为:根据轮式机器人数学模型构建轮式机器人数据关系图;
时空图形成模块,被配置为:基于该轮式机器人数据关系图,通过将机器人传感器在不同时间切片上的测量数据转换为时空图,生成时空图数据集;
时空差分图卷积网络训练模块,被配置为:采用时空图数据集训练时空差分图卷积网络,所述时空差分图卷积网络对轮式机器人数据关系图进行计算多阶后向差分特征,利用局部差分特性对节点进行特征增强,利用时空图卷积模块获取时空相关特征;
故障判断模块,被配置为:将待测轮式机器人的传感器测量值输入至时空差分图卷积网络进行故障判断,输出故障分类结果。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.基于图卷积网络的轮式机器人智能故障诊断方法,其特征是,包括:
根据轮式机器人数学模型构建轮式机器人数据关系图;
基于该轮式机器人数据关系图,通过将机器人传感器在不同时间切片上的测量数据转换为时空图,生成时空图数据集;
采用时空图数据集训练时空差分图卷积网络,所述时空差分图卷积网络对轮式机器人数据关系图进行计算多阶后向差分特征,利用局部差分特性对节点进行特征增强,利用时空图卷积模块获取时空相关特征;
将待测轮式机器人的传感器测量值输入至时空差分图卷积网络进行故障判断,输出故障分类结果。
2.如权利要求1所述的基于图卷积网络的轮式机器人智能故障诊断方法,其特征是,转换为时空图时,根据获得的传感器变量之间的关系,将一个时间片内的传感器测量值进行连接,然后将每个传感器测量值连接到连续时间片中的相同传感器测量值。
3.如权利要求1所述的基于图卷积网络的轮式机器人智能故障诊断方法,其特征是,每个时空图的节点包含一个传感器变量的监视值。
4.如权利要求1所述的基于图卷积网络的轮式机器人智能故障诊断方法,其特征是,还包括构建轮式机器人数学模型的步骤,构建轮式机器人数学模型时:
将轮式移动机器人作为实验平台,选择包含机器人运行状态信息的传感器数据进行故障诊断;
传感器数据包括编码器、轮子速度、电机力矩、机器人加速度及机器人角速度;
轮式机器人上的所有点都绕瞬时转动中心旋转,忽略摩擦力的影响。
5.如权利要求1所述的基于图卷积网络的轮式机器人智能故障诊断方法,其特征是,在构建的机器人数据关系图中,每个传感器变量均添加有自连接边。
6.如权利要求1所述的基于图卷积网络的轮式机器人智能故障诊断方法,其特征是,所述时空差分图卷积网络包括差分层:差分层通过计算0-D阶后向差分特征,然后将得到的多阶后向差分特征作为图节点的新特征。
7.如权利要求1所述的基于图卷积网络的轮式机器人智能故障诊断方法,其特征是,所述时空图卷积模块包括一个图卷积层、两个门控卷积层、一个残差结构和一个批处理归一化层;
所述图卷积层用于挖掘相邻节点的空间依赖性,堆叠的门控卷积层通过合并连续时间切片上对应节点的特征来更新节点的特征;
每个门控卷积层包含两个具有相同参数的标准一维卷积层。
所述残差结构的用于使得更多的信息通过;
所述批处理归一化层将更新后的特征归一化到固定分布,减少内部协变位移。
8.一种机器人故障诊断系统,其特征是,包括:
关系图形成模块,被配置为:根据轮式机器人数学模型构建轮式机器人数据关系图;
时空图形成模块,被配置为:基于该轮式机器人数据关系图,通过将机器人传感器在不同时间切片上的测量数据转换为时空图,生成时空图数据集;
时空差分图卷积网络训练模块,被配置为:采用时空图数据集训练时空差分图卷积网络,所述时空差分图卷积网络对轮式机器人数据关系图进行计算多阶后向差分特征,利用局部差分特性对节点进行特征增强,利用时空图卷积模块获取时空相关特征;
故障判断模块,被配置为:将待测轮式机器人的传感器测量值输入至时空差分图卷积网络进行故障判断,输出故障分类结果。
9.一种计算机装置,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,其特征是,所述处理器执行所述程序时实现上述权利要求1-7任一所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征是,该程序被处理器执行时执行上述权利要求1-7任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210673320.8A CN115099268A (zh) | 2022-06-15 | 2022-06-15 | 基于图卷积网络的轮式机器人智能故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210673320.8A CN115099268A (zh) | 2022-06-15 | 2022-06-15 | 基于图卷积网络的轮式机器人智能故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115099268A true CN115099268A (zh) | 2022-09-23 |
Family
ID=83291062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210673320.8A Pending CN115099268A (zh) | 2022-06-15 | 2022-06-15 | 基于图卷积网络的轮式机器人智能故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115099268A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115439809A (zh) * | 2022-11-07 | 2022-12-06 | 浙江非线数联科技股份有限公司 | 基于数字孪生的地铁人流密度实时监测系统及其方法 |
-
2022
- 2022-06-15 CN CN202210673320.8A patent/CN115099268A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115439809A (zh) * | 2022-11-07 | 2022-12-06 | 浙江非线数联科技股份有限公司 | 基于数字孪生的地铁人流密度实时监测系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Intelligent fault diagnosis for rotary machinery using transferable convolutional neural network | |
Wen et al. | A new transfer learning based on VGG-19 network for fault diagnosis | |
Chen et al. | Mechanical fault diagnosis using convolutional neural networks and extreme learning machine | |
Yang et al. | SuperGraph: Spatial-temporal graph-based feature extraction for rotating machinery diagnosis | |
Shen et al. | An automatic and robust features learning method for rotating machinery fault diagnosis based on contractive autoencoder | |
CN112417954B (zh) | 一种面向小样本数据集的轴承故障模式诊断方法及系统 | |
Liu et al. | Subspace network with shared representation learning for intelligent fault diagnosis of machine under speed transient conditions with few samples | |
Lyu et al. | A novel RSG-based intelligent bearing fault diagnosis method for motors in high-noise industrial environment | |
CN112232244A (zh) | 一种滚动轴承故障诊断方法 | |
CN111459144A (zh) | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 | |
CN113008559B (zh) | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 | |
US20240005164A1 (en) | Neural Network Training Method and Related Device | |
Sun et al. | Fault diagnosis for bearing based on 1DCNN and LSTM | |
Zhang et al. | Intelligent machine fault diagnosis using convolutional neural networks and transfer learning | |
CN116502175A (zh) | 一种图神经网络故障诊断方法、装置和存储介质 | |
Li et al. | An intelligent fault diagnosis method of rolling bearings via variational mode decomposition and common spatial pattern-based feature extraction | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
Cao et al. | Fault diagnosis of rolling bearing based on multiscale one-dimensional hybrid binary pattern | |
CN115358259A (zh) | 一种基于自学习的无监督跨工况轴承故障诊断方法 | |
CN115099268A (zh) | 基于图卷积网络的轮式机器人智能故障诊断方法及系统 | |
CN115809596A (zh) | 一种数字孪生故障诊断方法和装置 | |
Miao et al. | Fault diagnosis of wheeled robot based on prior knowledge and spatial-temporal difference graph convolutional network | |
Yang et al. | A new intelligent fault diagnosis framework for rotating machinery based on deep transfer reinforcement learning | |
Han et al. | The multilabel fault diagnosis model of bearing based on integrated convolutional neural network and gated recurrent unit | |
CN114861740A (zh) | 基于多头注意力机制的自适应机械故障诊断方法及系统 |
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 |