CN115470717A - 一种机器人剩余寿命预测方法、装置、设备及存储介质 - Google Patents
一种机器人剩余寿命预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115470717A CN115470717A CN202211342080.XA CN202211342080A CN115470717A CN 115470717 A CN115470717 A CN 115470717A CN 202211342080 A CN202211342080 A CN 202211342080A CN 115470717 A CN115470717 A CN 115470717A
- Authority
- CN
- China
- Prior art keywords
- data set
- health index
- subsequence
- robot
- operation 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 230000036541 health Effects 0.000 claims abstract description 119
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 60
- 239000011159 matrix material Substances 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 22
- 230000015556 catabolic process Effects 0.000 claims description 17
- 238000006731 degradation reaction Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 9
- 230000009471 action Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 239000008358 core component Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种机器人剩余寿命预测方法、装置、设备及存储介质,解决了现有技术中的机器人剩余寿命预测方法存在预测精度低的问题。所述方法包括:根据目标机器人的运行数据和矩阵轮廓距离算法,得到实际健康指标;将所述实际健康指标输入已训练的目标寿命预测模型,得到所述目标机器人的剩余寿命;其中,所述目标寿命预测模型由健康指标数据集对初始寿命预测模型训练获得,所述初始寿命预测模型基于LSTM神经网络构建,所述健康指标数据集基于历史运行数据集和所述矩阵轮廓距离算法获得,所述历史运行数据集包括与多个运行变量对应的运行数据。本申请的方法能够实现机器人剩余寿命的精准预测,并提高了预测效率。
Description
技术领域
本发明涉及机械设备健康管理领域,尤其涉及一种机器人剩余寿命预测方法、装置、设备及存储介质。
背景技术
工业机器人在大型复杂零件的加工中被广泛应用,其中,工业机器人在自动化生产系统中发挥着尤为重要的核心作用。与此同时,工业机器人精度退化和故障问题也十分严峻,给企业造成巨大安全生产风险和经济损失。机械轴是工业机器人运动的核心部件和支撑,跟踪机械轴的健康状态并预测其潜在故障,对机器人的健康管理至关重要。机械轴的故障并不是突然发生的,而是从正常运行逐渐退化到失效经历了一段不同退化状态的过程。为了对工业机器人机械轴进行健康管理,需要为机械轴构建合理的健康评价指标,从历史监测数据中提取特征信息来识别和量化机械轴退化水平,进而预测其剩余寿命,然而现有技术中的机器人剩余寿命预测方法存在预测精度低的问题。
发明内容
有鉴于此,本发明实施例提供了机器人剩余寿命预测方法、装置、设备及储存介质,用以解决现有技术中的机器人剩余寿命预测方法存在预测精度低的问题。
为解决上述技术问题,本申请提出了一种机器人剩余寿命预测方法,所述方法包括:
根据目标机器人的运行数据和矩阵轮廓距离算法,得到实际健康指标;
将所述实际健康指标输入已训练的目标寿命预测模型,得到所述目标机器人的剩余寿命;
其中,所述目标寿命预测模型由健康指标数据集对初始寿命预测模型训练获得,所述初始寿命预测模型基于LSTM神经网络构建,所述健康指标数据集基于历史运行数据集和所述矩阵轮廓距离算法获得,所述历史运行数据集包括与多个运行变量对应的运行数据。
作为本申请的一些可选实施例,在所述根据目标机器人的运行数据和矩阵轮廓距离算法,得到健康指标之前,还包括:
根据矩阵轮廓距离算法,对所述历史运行数据集进行处理,得到所述健康指标数据集,所述健康指标数据集包括多个健康指标;
根据所述健康指标数据集和与所述健康指标对应的真实寿命值标签,对初始寿命预测模型进行训练,得到所述目标寿命预测模型。
作为本申请的一些可选实施例,所述根据矩阵轮廓距离算法,对所述历史运行数据集进行预处理,得到所述健康指标数据集包括:
对所述历史运行数据集进行归一化处理,得到目标运行数据集;
根据所述目标运行数据集,获取第一子序列和第二子序列,其中,所述第一子序列包括正常周期数据,所述第二子序列包括退化周期数据;
根据所述矩阵轮廓距离算法,获取所述第一子序列和所述第二子序列之间的相似性比对距离数组;
根据所述相似性对比距离数组,得到所述健康指标数据集。
作为本申请的一些可选实施例,所述根据所述目标运行数据集,获取第一子序列和第二子序列包括:
根据第一预设比例,对所述目标运行数据集进行划分,得到训练数据集和测试数据集;
根据所述训练数据集和预设时间窗口长度,得到第一子序列和第二子序列。
作为本申请的一些可选实施例,所述根据所述矩阵轮廓距离算法,获取所述第一子序列和所述第二子序列之间的相似性比对距离数组包括:
根据所述第一子序列和所述第二子序列的最近邻,得到相似性连接集;
根据所述相似性连接集和预设公式,获取初始相似性比对距离数组,其中,所述预设公式的表达式如下所示:
式中,MPdist为所述初始相似性比对距离,T1为所述第一子序列,T2为所述第二子序列,P(T1,T2)为所述相似性连接集,Sorted P(T1,T2) 为按升序排序后的所述相似性连接集,k为所述第一子序列和所述第二子序列的长度之和的5%;
对所述初始相似性对比距离数组进行差分指数平滑处理,得到每一所述运行变量对应的相似性对比距离数组。
作为本申请的一些可选实施例,所述根据所述相似性对比距离数组,得到所述健康指标数据集包括:
根据第二预设比例,划分所述相似性对比距离数组,得到第一距离数组和第二距离数组;
根据第一距离数组和第二距离数组和第二预设公式,得到每一所述运行变量对应的健康指标值,其中,所述第二预设公式的表达式如下所示:
式中,HI为所述健康指标值,f为所述第一距离数组,ffault为所述第二距离数组;
根据所有所述运行变量对应的健康指标值,得到所述健康指标数据集。
作为本申请的一些可选实施例,所述根据目标机器人的运行数据和矩阵轮廓距离算法,得到实际健康指标包括:
对所述运行数据进行归一化处理,得到实际运行数据集;
根据所述矩阵轮廓距离算法和所述实际运行数据集,得到所述实际健康指标。
为解决上述技术问题,本申请还提出了一种机器人剩余寿命预测装置,所述装置包括:
获取模块,用于根据目标机器人的运行数据和矩阵轮廓距离算法,得到实际健康指标;
预测模块,用于将所述实际健康指标输入已训练的目标寿命预测模型,得到所述目标机器人的剩余寿命;
其中,所述目标寿命预测模型由健康指标数据集对初始寿命预测模型训练获得,所述初始寿命预测模型基于LSTM神经网络构建,所述健康指标数据集基于历史运行数据集和所述矩阵轮廓距离算法获得,所述历史运行数据集包括与多个运行变量对应的运行数据。
为解决上述技术问题,本申请还提出了一种电子设备,包括:至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令,当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
为解决上述技术问题,本申请还提出了一种存储介质,其上存储有计算机程序指令,当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
综上所述,本发明的有益效果如下:
本申请公开了一种机器人剩余寿命预测方法、装置、设备及储存介质,通过根据目标机器人的运行数据和矩阵轮廓距离算法,得到实际健康指标;将所述实际健康指标输入已训练的目标寿命预测模型,得到所述目标机器人的剩余寿命;其中,所述目标寿命预测模型由健康指标数据集对初始寿命预测模型训练获得,所述初始寿命预测模型基于LSTM神经网络构建,所述健康指标数据集基于历史运行数据集和所述矩阵轮廓距离算法获得,所述历史运行数据集包括与多个运行变量对应的运行数据;由此可见,本申请首先使用矩阵轮廓距离算法对历史运行数据集进行处理,矩阵轮廓距离算法无超参数以及与领域无关,仅关注历史运行数据集中数据之间的相似程度,从而能够快速获取历史运行数据集中数据之间的偏离程度,避免了工况和运行环境对预测结果的影响,从而提高训练后模型预测的准确性;并且,矩阵轮廓距离算法矩阵仅需要一个无关紧要的空间开销,在时间序列长度上是线性的,具有一个小的常数因子,允许主内存中处理大量数据集,从而能够提升模型的训练速度;然后,利用健康指标数据集训练模型,从而建立健康指标与机器人剩余寿命之间的映射关系以得到目标寿命预测模型,从而实现机器人剩余寿命的精准预测。
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,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,这些均在本发明的保护范围内。
图1是本发明实施例的机器人剩余寿命预测方法的流程示意图。
图2是本发明实施例的机器人剩余寿命预测方法的流程示意图。
图3是本发明实施例的机器人剩余寿命预测装置的结构示意图。
图4是本发明实施例的电子设备的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
工业机器人在大型复杂零件的加工中被广泛应用,其中,工业机器人在自动化生产系统中发挥着尤为重要的核心作用。与此同时,工业机器人精度退化和故障问题也十分严峻,给企业造成巨大安全生产风险和经济损失。机械轴是工业机器人运动的核心部件和支撑,跟踪机械轴的健康状态并预测其潜在故障,对机器人的健康管理至关重要。机械轴的故障并不是突然发生的,而是从正常运行逐渐退化到失效经历了一段不同退化状态的过程。为了对工业机器人机械轴进行健康管理,需要为机械轴构建合理的健康评价指标,从历史监测数据中提取特征信息来识别和量化机械轴退化水平,进而预测其剩余寿命(Remaining Useful Life,RUL)。
目前国内外对工业设备健康指标(Health Index,HI)构建与剩余寿命(RUL)预测已经有不少研究,主要有基于模型的方法和数据驱动的方法两大类。然而,在大多数实际工业生产过程中,对复杂设备机理进行建模分析十分困难,难以保证模型的精准性。因此,在传感器检测大数据背景下,基于数据驱动的评价与预测方法成为主流。基于数据驱动的预测方法可以分为直接预测和间接预测两类。直接预测是指直接利用设备退化特征变量进行RUL预测;间接预测是指利用设备退化特征变量构建健康指标(HI),再根据HI进行RUL预测。
目前工业机器人剩余寿命预测的主要方法有如下几种:
(1)基于物理模型的设备剩余寿命预测:将状态监测数据和机器人特定的机械动力学特征有效的结合来对寿命和状态进行预测。常见的物理模型主要包括裂缝扩展模型、损伤扩展模型、裂纹诊断与预测方法等,这种方法在不需要大量同类机器人历史数据情况下预测效果良好,但是需要事先知道机器人复杂的物理原理及结构等用于建模,而这对于应用场景愈加广泛、功能愈加强大的工业机器人来说是不现实的。
(2)基于数据驱动的设备剩余寿命预测:根据机器人运行状态的监测数据,通过机器人健康预测模型,可用确定性的失效阈值或失效面定义设备失效。通过对机器人的失效阈值和未来状态的分析,对机器人的失效时刻进行预测,获得机器人的健康状态和剩余寿命。常用的基本方法有滤波法、专家系统、神经网络、贝叶斯等。目前的基于数据驱动方法对失效或故障的阈值的划分是静态而单一的,建立的预测模型往往也是单一不变的,如果针对在不同工况和工作环境下的机器人都建立相同模型得到的预测结果并不理想。
(3)基于模型驱动的设备剩余寿命预测:假定可操作数据和数学模型都是可得到的,常用数学模型来描述设备的衰退行为,进而通过数学模型预测机器人健康状态和剩余寿命。常用的方法包括隐马尔可夫模型、隐式半马尔可夫模型、统计方法、比例模型等,这类方法对模型的识别和训练过程耗时较长,不利于做实时预测。
为解决上述技术问题,本申请提出了一种机器人剩余寿命预测方法,所述方法包括:
S1、根据目标机器人的运行数据和矩阵轮廓距离算法,得到实际健康指标;
具体的,首先获取目标机器人的运行数据,所述运行数据为与多个运行变量对应的运行数据,所述运行变量包括但不限于指令位置、反馈位置、指令力矩、位置误差、反馈速度、反馈加速度;随后根据矩阵轮廓距离算法,对所述运行数据进行处理,从而得到实际健康指标,矩阵轮廓距离算法是一种时间序列分析方法,能够快速获取运行数据之间的相似性比对距离,从而获得目标机器人的实际健康指标,所述运行数据为时序数据,所述实际健康指标通过如下方式获得:根据预设时间窗口将所述运行数据划分为若干子序列,根据所述矩阵轮廓距离算法获取若干测试子序列和对比子序列之间的相似性对比距离,其中,所述对比子序列包括正常周期数据,且所述对比子序列的长度与等于所述预设时间窗口的长度,根据所述相似性对比距离构建实际健康指标,由于所述矩阵轮廓距离算法仅关注序列与序列之间的偏离程度,避免了工况和运行环境对预测结果的影响。
作为本申请的一些可选实施例,所述根据目标机器人的运行数据和矩阵轮廓距离算法,得到实际健康指标包括:
S021、对所述运行数据进行归一化处理,得到实际运行数据集;
具体的,首先对所述运行数据进行归一化处理,得到实际运行数据集,归一化处理的目的在于把需要处理的数据经过处理后限制在需要的一定范围内便于后续数据处理,保证后续计算时收敛加快,并且能够防止量纲单位对模型结果造成影响。
S022、根据所述矩阵轮廓距离算法和所述实际运行数据集,得到所述实际健康指标。
随后,根据所述矩阵轮廓距离算法和所述实际运行数据集,得到实际健康指标,具体的,首先根据矩阵轮廓距离算法,获取所述实际运行数据集和正常运行数据集之间的最近邻距离数组,所述正常运行数据集包括平稳运行时期中所述运行变量对应的运行数据,随后根据预设比例对所述最近邻距离数组进行划分,得到目标距离数组和比对距离数组,随后根据预设公式得到实际健康指标,其中,所述预设公式如下所示:
式中,HI为所述健康指标值,f为所述目标距离数组,ffault为所述比对距离数组;
S2、将所述实际健康指标输入已训练的目标寿命预测模型,得到所述目标机器人的剩余寿命;
在获取目标机器人的实际健康指标后,将其输入已训练的目标寿命预测模型,即可得到所述目标机器人的剩余寿命,其中,所述目标寿命预测模型由健康指标数据集对初始寿命预测模型训练获得,所述初始寿命预测模型基于LSTM神经网络构建,所述健康指标数据集基于历史运行数据集和所述矩阵轮廓距离算法获得,所述历史运行数据集包括与多个运行变量对应的运行数据,矩阵轮廓距离算法是一个相似度计算算法,用来计算不同动作周期之间子周期序列的相似性,在本步骤中,所述历史运行数据集被根据预设时间窗口划分为多个测试子序列,所述健康指标数据集通过计算测试子序列与对比子序列之间的相似性对比距离得到,矩阵轮廓距离算法本质可以理解为一种加权概念,举例来说,比如一段序列,正常周期序列的权重值比退化周期序列的权重值大,那么这一块应该获得更多的关注,将这种加权思想用到深度学习模型中,可以提升特征抽取能力,便于模型更好的训练。
作为本申请的一些可选实施例,如图2所示,在所述根据目标机器人的运行数据和矩阵轮廓距离算法,得到健康指标之前,还包括:
S01、根据矩阵轮廓距离算法,对所述历史运行数据集进行处理,得到健康指标数据集,所述健康指标数据集包括多个健康指标;
具体的,首先根据矩阵轮廓距离算法,对所述历史运行数据集进行处理,得到健康指标数据集,历史运行数据集中的数据为时序数据,矩阵轮廓距离算法能够对快速对时序数据进行处理,获取历史运行数据集中数据之间的偏离程度,故通过矩阵轮廓距离算法能够选取最具代表性的退化特征集作为预测变量,提高运算效率和精度,可以解决工况和运行环境对预测结果的影响,从而实现对后续未知工况的机器人剩余寿命实时且快速的预测。
作为本申请的一些可选实施例,所述根据矩阵轮廓距离算法,对所述历史运行数据集进行预处理,得到健康指标数据集包括:
S011、对所述历史运行数据集进行归一化处理,得到目标运行数据集;
具体的,首先对所述历史运行数据集进行归一化处理,以得到目标运行数据集,归一化处理的目的在于把需要处理的数据经过处理后限制在需要的一定范围内便于后续数据处理,保证后续计算时收敛加快,并且能够防止量纲单位对模型结果造成影响。
S012、根据所述目标运行数据集,获取第一子序列和第二子序列,其中,所述第一子序列包括正常周期数据,所述第二子序列包括退化周期数据;
在获取所述目标运行数据集后,获取第一子序列和第二子序列,其中,所述第一子序列包括正常周期数据,所述第二子序列包括退化周期数据,正常周期数据是指平稳运行时期中的多个动作周期老化变量数据,退化周期数据为老化过程数据的多个动作周期运行数据,通过获取第一子序列和第二子序列,能够便于后续获取第一子序列和第二子序列的相似性对比距离数组,进而实现健康指标数据集的快速构建。
作为本申请的一些可选实施例,所述根据所述目标运行数据集,获取第一子序列和第二子序列包括:
S0121、根据第一预设比例,对所述目标运行数据集进行划分,得到训练数据集和测试数据集;
具体的,本实施例中,首先根据第一预设比例,对所述目标运行数据集进行划分,以得到训练数据集和测试数据集,在具体实施例中,所述第一预设比例为9:1,其中,训练数据集包括90%的数据,用于训练模型,大量数据集对模型进行训练可以使得模型更好的拟合出最优参数,同时测试数据集包括10%的数据,用于进行测试,以判断模型的泛化能力是否达到理想状态。
S0122、根据所述训练数据集和预设时间窗口长度,得到第一子序列和第二子序列。
在获取所述训练数据集后,根据预设时间窗口长度,获取第一子序列和第二子序列,具体的,记所述训练数据集为T{t1,t2,t3,...tn},其中,n为正整数,且t1,t2,t3,...tn的长度均等于所述预设时间窗口长度,所述预设时间窗口长度可根据实际情况由用户自行设定,则将t1作为所述第一子序列,t2至tn依次作为所述第二子序列。
S013、根据所述矩阵轮廓距离算法,获取所述第一子序列和所述第二子序列之间的相似性比对距离数组;
在获取第一子序列和第二子序列后,根据所述矩阵轮廓距离算法,获取所述第一子序列和所述第二子序列之间的相似性比对距离,并将记录所述相似性比对距离,以得到相似性比对距离数组,相似性比对距离反映了第一子序列和第二子序列之间的偏离程度,即正常周期数据与退化周期数据之间的偏离程度,进而构建健康指标。
作为本申请的一些可选实施例,所述根据所述矩阵轮廓距离算法,获取所述第一子序列和所述第二子序列之间的相似性比对距离数组包括:
S0131、根据所述第一子序列和所述第二子序列的最近邻,得到相似性连接集;
具体的,根据所述第一子序列和所述第二子序列的最近邻,建立相似性连接集,分别寻找第一子序列和所述第二子序列中的互相最近邻,并保存到数组中,最近邻为基于由欧几米德距离的度量,能够将第一子序列和第二子序列中的运行数据进行聚类,从而区分不同运行变量的运行数据,使得训练后得到的模型更加准确。
S0132、根据所述相似性连接集和预设公式,获取初始相似性比对距离数组,其中,所述预设公式的表达式如下所示:
式中,MPdist为所述初始相似性比对距离,T1为所述第一子序列,T2为所述第二子序列,P(T1,T2)为所述相似性连接集,Sorted P(T1,T2) 为按升序排序后的所述相似性连接集,k为所述第一子序列和所述第二子序列的长度之和的5%;
S0133、对所述初始相似性对比距离数组进行差分指数平滑处理,得到每一所述运行变量对应的相似性对比距离数组。
具体的,差分指数平滑处理是差分方法和指数平滑法的联合运用,除了能克服一次指数平滑法的滞后偏差之外,对初始值的问题也有显著的改进,数据经过差分处理后,所产生的新序列基本上是平稳的。这时,初始值取新序列的第一期数据对于未来预测值不会有多大影响,从而提升了相似性对比距离数组中数据的准确性,进而提升训练后模型的准确性。
S014、根据所述相似性对比距离数组,得到健康指标数据集。
作为本申请的一些可选实施例,所述根据所述相似性对比距离数组,得到健康指标数据集包括:
S0141、根据第二预设比例,划分所述相似性对比距离数组,得到第一距离数组和第二距离数组;
在获取相似性对比距离数组后,根据第二预设比例,对其进行划分,得到第一距离数组和第二距离数组,其中,在一具体实施例中,所述第二预设比例为9:1,将相似性对比距离数组前百分之九十的数据作为第一距离数组,将后百分之十的数据作为第二距离数组,通过第一距离数组和第二距离数组之间的距离即可得到所述健康指标值。
S0142、根据第一距离数组和第二距离数组和第二预设公式,得到每一所述运行变量对应的健康指标值,其中,所述第二预设公式的表达式如下所示:
式中,HI为所述健康指标值,f为所述第一距离数组,ffault为所述第二距离数组;
S0143、根据所有所述运行变量对应的健康指标值,得到健康指标数据集。
在获取所有运行变量对应的健康指标值后,将所有健康指标值进行组合即可得到健康指标数据集。
S02、根据所述健康指标数据集和与所述健康指标对应的真实寿命值标签,对初始寿命预测模型进行训练,得到所述目标寿命预测模型。
具体的,在获取健康指标数据集后,获取所述健康指标对应的真实寿命值标签,根据所述真实寿命值标签和所述健康指标数据集对初始寿命预测模型进行训练,得到所述目标寿命预测模型,所述初始寿命预测模型基于LSTM(Long Short-Term Memory, 长短期记忆网络)神经网络进行构建的。
作为优选方案,本申请还对所构建的初始寿命预测模型进行了超参数的设置,并使用adam优化器进行优化,所述超参数包括迭代次数、学习率lr、批量样本大小batch_size。设置这些参数的目的是为了加快训练速度,收敛到全局最优解。这些参数影响训练过程中算法的收敛速度、算法的性能,设置不合理会增加训练时间。学习率过小,会降低收敛速度;学习率过大,可能导致不收敛。所以在刚开始训练时采用大的学习率,加快速度,在快训练结束时,采用较小学习率,保证稳定收敛到全局最优值。迭代次数的设置不合理会导致过拟合,测试错误率和训练错误率接近,认为迭代次数设置合理;批量样本大小batch_size影响算法的收敛,设置不合理会导致网络不收敛或者收敛到局部最优解,在本实施例中,所述学习率为0.001,迭代次数为1000个epoch。
本申请公开了一种机器人剩余寿命预测方法、装置、设备及储存介质,通过根据目标机器人的运行数据和矩阵轮廓距离算法,得到实际健康指标;将所述实际健康指标输入已训练的目标寿命预测模型,得到所述目标机器人的剩余寿命;其中,所述目标寿命预测模型由健康指标数据集对初始寿命预测模型训练获得,所述初始寿命预测模型基于LSTM神经网络构建,所述健康指标数据集基于历史运行数据集和所述矩阵轮廓距离算法获得,所述历史运行数据集包括与多个运行变量对应的运行数据;由此可见,本申请首先使用矩阵轮廓距离算法对历史运行数据集进行处理,矩阵轮廓距离算法无超参数以及与领域无关,仅关注历史运行数据集中数据之间的相似程度,从而能够快速获取历史运行数据集中数据之间的偏离程度,避免了工况和运行环境对预测结果的影响,从而提高训练后模型预测的准确性;并且,矩阵轮廓距离算法矩阵仅需要一个无关紧要的空间开销,在时间序列长度上是线性的,具有一个小的常数因子,允许主内存中处理大量数据集,从而能够提升模型的训练速度;然后,利用健康指标数据集训练模型,从而建立健康指标与机器人剩余寿命之间的映射关系以得到目标寿命预测模型,从而实现机器人剩余寿命的精准预测。
为解决上述技术问题,如图3所示,本申请还提出了一种机器人剩余寿命预测装置,所述装置包括:
获取模块,用于根据目标机器人的运行数据和矩阵轮廓距离算法,得到实际健康指标;
预测模块,用于将所述实际健康指标输入已训练的目标寿命预测模型,得到所述目标机器人的剩余寿命;
其中,所述目标寿命预测模型由健康指标数据集对初始寿命预测模型训练获得,所述初始寿命预测模型基于LSTM神经网络构建,所述健康指标数据集基于历史运行数据集和所述矩阵轮廓距离算法获得,所述历史运行数据集包括与多个运行变量对应的运行数据。
需要说明的是,本实施例的机器人剩余寿命预测装置中各模块是与前述实施例中机器人剩余寿命预测方法中的各步骤一一对应,因此,本实施例的具体实施方式和达到的技术效果可参照前述机器人剩余寿命预测方法的实施方式,这里不再赘述。
另外,结合图1描述的本发明实施例的机器人剩余寿命预测方法可以由电子设备来实现。图4示出了本发明实施例提供的电子设备的硬件结构示意图。
电子设备可以包括至少一个处理器301、至少一个存储器302以及存储在所示存储区302中的计算机程序指令,当所述计算机程序指令被所述处理器301执行时实现上述实施例所述的方法。
具体地,上述处理器301可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器302可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器302可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器302可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器302可在数据处理装置的内部或外部。在特定实施例中,存储器302是非易失性固态存储器。在特定实施例中,存储器302包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器301通过读取并执行存储器302中存储的计算机程序指令,以实现上述实施例中的任意一种机器人剩余寿命预测方法。
在一个示例中,电子设备还可包括通信接口和总线。其中,如图4 所示,处理器301、存储器302、通信接口303通过总线310连接并完成相互间的通信。通信接口303,主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线包括硬件、软件或两者,将电子设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
另外,结合上述实施例中的机器人剩余寿命预测方法,本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种机器人剩余寿命预测方法。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种机器人剩余寿命预测方法,其特征在于,所述方法包括:
根据目标机器人的运行数据和矩阵轮廓距离算法,得到实际健康指标;
将所述实际健康指标输入已训练的目标寿命预测模型,得到所述目标机器人的剩余寿命;
其中,所述目标寿命预测模型由健康指标数据集对初始寿命预测模型训练获得,所述初始寿命预测模型基于LSTM神经网络构建,所述健康指标数据集基于历史运行数据集和所述矩阵轮廓距离算法获得,所述历史运行数据集包括与多个运行变量对应的运行数据。
2.根据权利要求1所述的机器人剩余寿命预测方法,其特征在于,在所述根据目标机器人的运行数据和矩阵轮廓距离算法,得到健康指标之前,还包括:
根据矩阵轮廓距离算法,对所述历史运行数据集进行处理,得到所述健康指标数据集,所述健康指标数据集包括多个健康指标;
根据所述健康指标数据集和与所述健康指标对应的真实寿命值标签,对初始寿命预测模型进行训练,得到所述目标寿命预测模型。
3.根据权利要求2所述的机器人剩余寿命预测方法,其特征在于,所述根据矩阵轮廓距离算法,对所述历史运行数据集进行预处理,得到所述健康指标数据集包括:
对所述历史运行数据集进行归一化处理,得到目标运行数据集;
根据所述目标运行数据集,获取第一子序列和第二子序列,其中,所述第一子序列包括正常周期数据,所述第二子序列包括退化周期数据;
根据所述矩阵轮廓距离算法,获取所述第一子序列和所述第二子序列之间的相似性比对距离数组;
根据所述相似性对比距离数组,得到所述健康指标数据集。
4.根据权利要求3所述的机器人剩余寿命预测方法,其特征在于,所述根据所述目标运行数据集,获取第一子序列和第二子序列包括:
根据第一预设比例,对所述目标运行数据集进行划分,得到训练数据集和测试数据集;
根据所述训练数据集和预设时间窗口长度,得到第一子序列和第二子序列。
5.根据权利要求3所述的机器人剩余寿命预测方法,其特征在于,所述根据所述矩阵轮廓距离算法,获取所述第一子序列和所述第二子序列之间的相似性比对距离数组包括:
根据所述第一子序列和所述第二子序列的最近邻,得到相似性连接集;
根据所述相似性连接集和预设公式,获取初始相似性比对距离数组,其中,所述预设公式的表达式如下所示:
式中,MPdist为所述初始相似性比对距离,T1为所述第一子序列,T2为所述第二子序列,P(T1,T2)为所述相似性连接集,Sorted P(T1,T2) 为按升序排序后的所述相似性连接集,k为所述第一子序列和所述第二子序列的长度之和的5%;
对所述初始相似性对比距离数组进行差分指数平滑处理,得到每一所述运行变量对应的相似性对比距离数组。
7.根据权利要求1所述的机器人剩余寿命预测方法,其特征在于,所述根据目标机器人的运行数据和矩阵轮廓距离算法,得到实际健康指标包括:
对所述运行数据进行归一化处理,得到实际运行数据集;
根据所述矩阵轮廓距离算法和所述实际运行数据集,得到所述实际健康指标。
8.一种机器人剩余寿命预测装置,其特征在于,所述装置包括:
获取模块,用于根据目标机器人的运行数据和矩阵轮廓距离算法,得到实际健康指标;
预测模块,用于将所述实际健康指标输入已训练的目标寿命预测模型,得到所述目标机器人的剩余寿命;
其中,所述目标寿命预测模型由健康指标数据集对初始寿命预测模型训练获得,所述初始寿命预测模型基于LSTM神经网络构建,所述健康指标数据集基于历史运行数据集和所述矩阵轮廓距离算法获得,所述历史运行数据集包括与多个运行变量对应的运行数据。
9.一种电子设备,其特征在于,包括:至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现如权利要求1-7中任一项所述的方法。
10.一种存储介质,其上存储有计算机程序指令,其特征在于,当所述计算机程序指令被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211342080.XA CN115470717A (zh) | 2022-10-31 | 2022-10-31 | 一种机器人剩余寿命预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211342080.XA CN115470717A (zh) | 2022-10-31 | 2022-10-31 | 一种机器人剩余寿命预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115470717A true CN115470717A (zh) | 2022-12-13 |
Family
ID=84336389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211342080.XA Pending CN115470717A (zh) | 2022-10-31 | 2022-10-31 | 一种机器人剩余寿命预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115470717A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117494071A (zh) * | 2023-12-29 | 2024-02-02 | 深圳市科沃电气技术有限公司 | 基于电机转速监测的寿命预测方法及相关装置 |
CN117592383A (zh) * | 2024-01-19 | 2024-02-23 | 四川晟蔚智能科技有限公司 | 一种设备健康寿命预测方法、系统、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276385A (zh) * | 2019-06-11 | 2019-09-24 | 合肥工业大学 | 基于相似性的机械部件剩余使用寿命预测方法 |
CN110757510A (zh) * | 2019-10-31 | 2020-02-07 | 广东工业大学 | 一种机器人剩余寿命预测方法及系统 |
CN111399474A (zh) * | 2020-02-29 | 2020-07-10 | 中南大学 | 一种基于健康指标的均衡控制模块寿命预测方法及装置 |
CN112036083A (zh) * | 2020-08-28 | 2020-12-04 | 北京航空航天大学 | 一种相似产品剩余寿命预测方法及系统 |
CN113836822A (zh) * | 2021-10-28 | 2021-12-24 | 重庆大学 | 一种基于mclstm模型的航空发动机寿命预测方法 |
CN114925614A (zh) * | 2022-05-27 | 2022-08-19 | 太原理工大学 | 采煤机剩余寿命的预测方法 |
-
2022
- 2022-10-31 CN CN202211342080.XA patent/CN115470717A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276385A (zh) * | 2019-06-11 | 2019-09-24 | 合肥工业大学 | 基于相似性的机械部件剩余使用寿命预测方法 |
CN110757510A (zh) * | 2019-10-31 | 2020-02-07 | 广东工业大学 | 一种机器人剩余寿命预测方法及系统 |
CN111399474A (zh) * | 2020-02-29 | 2020-07-10 | 中南大学 | 一种基于健康指标的均衡控制模块寿命预测方法及装置 |
CN112036083A (zh) * | 2020-08-28 | 2020-12-04 | 北京航空航天大学 | 一种相似产品剩余寿命预测方法及系统 |
CN113836822A (zh) * | 2021-10-28 | 2021-12-24 | 重庆大学 | 一种基于mclstm模型的航空发动机寿命预测方法 |
CN114925614A (zh) * | 2022-05-27 | 2022-08-19 | 太原理工大学 | 采煤机剩余寿命的预测方法 |
Non-Patent Citations (1)
Title |
---|
周玉彬 等: "基于动作周期退化相似性度量的机械轴健康指标构建与剩余寿命预测", 《计算机应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117494071A (zh) * | 2023-12-29 | 2024-02-02 | 深圳市科沃电气技术有限公司 | 基于电机转速监测的寿命预测方法及相关装置 |
CN117494071B (zh) * | 2023-12-29 | 2024-04-16 | 深圳市科沃电气技术有限公司 | 基于电机转速监测的寿命预测方法及相关装置 |
CN117592383A (zh) * | 2024-01-19 | 2024-02-23 | 四川晟蔚智能科技有限公司 | 一种设备健康寿命预测方法、系统、设备及介质 |
CN117592383B (zh) * | 2024-01-19 | 2024-03-26 | 四川晟蔚智能科技有限公司 | 一种设备健康寿命预测方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107092582B (zh) | 一种基于残差后验的异常值在线检测及置信度评估方法 | |
CN115470717A (zh) | 一种机器人剩余寿命预测方法、装置、设备及存储介质 | |
EP3809220A1 (en) | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data | |
CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
US20230152187A1 (en) | Fault signal locating and identifying method of industrial equipment based on microphone array | |
CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
CN112257263B (zh) | 基于自注意力机制的设备剩余寿命预测系统 | |
CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
CN114266278B (zh) | 一种基于双重注意力网络的设备剩余使用寿命预测方法 | |
Zhang et al. | Remaining Useful Life Prediction of Rolling Bearings Using Electrostatic Monitoring Based on Two‐Stage Information Fusion Stochastic Filtering | |
Chen et al. | Direct remaining useful life estimation based on random forest regression | |
CN112784920A (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
CN116796275A (zh) | 一种工业设备多模态时序异常检测方法 | |
Xu et al. | Anomaly detection with gru based bi-autoencoder for industrial multimode process | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN116842323A (zh) | 一种供水管线运行数据异常检测方法 | |
WO2023231374A1 (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
Li et al. | Gated recurrent unit networks for remaining useful life prediction | |
Alam et al. | Remaining useful life estimation using event data | |
CN117406759B (zh) | 一种管道机器人爬行校准方法和系统 | |
Cui et al. | Prediction of Aeroengine Remaining Useful Life Based on SE-BiLSTM | |
CN117419427B (zh) | 一种基于智慧车间的恒温恒湿风柜控制方法及系统 | |
CN117833243B (zh) | 一种电力短期需求预测方法、系统、设备及介质 | |
CN117171681B (zh) | 非平衡小样本下的无人机舵面智能故障诊断方法及装置 | |
Bai et al. | Remaining useful life prediction of wheel of heavy-duty railway train based on dual channel multi-scale deep convolution multi-scale deep long short-term memory 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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221213 |