CN117195683A - 机械臂及其故障诊断模型的训练方法、故障诊断方法 - Google Patents
机械臂及其故障诊断模型的训练方法、故障诊断方法 Download PDFInfo
- Publication number
- CN117195683A CN117195683A CN202310923707.9A CN202310923707A CN117195683A CN 117195683 A CN117195683 A CN 117195683A CN 202310923707 A CN202310923707 A CN 202310923707A CN 117195683 A CN117195683 A CN 117195683A
- Authority
- CN
- China
- Prior art keywords
- mechanical arm
- model
- fault
- data
- diagnosis
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 title claims abstract description 49
- 238000004088 simulation Methods 0.000 claims abstract description 71
- 239000013598 vector Substances 0.000 claims description 77
- 238000000605 extraction Methods 0.000 claims description 61
- 230000004927 fusion Effects 0.000 claims description 34
- 230000033001 locomotion Effects 0.000 claims description 20
- 230000000007 visual effect Effects 0.000 abstract description 7
- 230000002159 abnormal effect Effects 0.000 description 22
- 230000006870 function Effects 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开一种机械臂故障诊断模型的训练方法，包括：构建机械臂的数字孪生模型；对数字孪生模型进行故障仿真以得到仿真数据；将仿真数据输入初始诊断模型以得到初始分类结果；根据仿真数据的预设分类和初始分类结果计算损失值；根据损失值优化初始诊断模型以得到目标诊断模型。本发明公开的机械臂及其故障诊断模型的训练方法能够解决机械臂故障诊断无法实时得到可视化诊断结果的问题。此外，本发明还公开一种机械臂及其故障诊断方法、计算机设备。
Description
技术领域
本发明涉及机械臂技术领域，特别涉及一种机械臂及其故障诊断模型的训练方法、故障诊断方法及计算机设备。
背景技术
工业机械臂作为应用范围极广的复杂系统，一旦发生故障，将会对整个工程进度造成重大影响。若故障问题较大，还可能损毁工作设备，甚至威胁用户的使用安全。
目前，通常采用设置观测器的方式对机械臂进行观测、诊断，或者根据机械臂的振动频率人为对机械臂进行故障诊断，这些诊断方法不仅无法实时得到诊断结果，也无法将诊断结果进行可视化。
因此，如何实时可视化地对机械臂系统的故障进行诊断是亟需解决的问题。
发明内容
本发明的主要目的是提出一种机械臂及其故障诊断模型的训练方法、故障诊断方法及计算机设备，旨在解决机械臂故障诊断无法实时得到可视化诊断结果的问题。
为实现上述目的，本发明提出一种机械臂故障诊断模型的训练方法，所述机械臂故障诊断模型的训练方法包括：
构建机械臂的数字孪生模型；
对所述数字孪生模型进行故障仿真以得到仿真数据；
将所述仿真数据输入初始诊断模型以得到初始分类结果；
根据所述仿真数据的预设分类和所述初始分类结果计算损失值；
根据所述损失值优化所述初始诊断模型以得到目标诊断模型。
优选地，将所述仿真数据输入初始诊断模型以得到初始分类结果包括：
将所述仿真数据分别输入第一特征提取模块和第二特征提取模块以得到第一特征向量和第二特征向量；
将所述第一特征向量和所述第二特征向量输入特征融合模块以得到融合特征向量；
将所述融合特征向量输入故障分类模块以得到所述初始分类结果。
优选地，将所述第一特征向量和所述第二特征向量输入特征融合模块以得到融合特征向量包括：
根据预设的权重值对同一所述仿真数据对应的第一特征向量和第二特征向量进行融合以得到相应的融合特征向量。
优选地，根据所述损失值优化所述初始诊断模型以得到目标诊断模型包括：
根据所述损失值调整所述第一特征提取模块、所述第二特征提取模块、所述特征融合模块和所述故障分类模块的参数；
将调整参数后的第一特征提取模块和故障分类模块作为所述目标诊断模型，或者，将调整参数后的第二特征提取模块和故障分类模块作为所述目标诊断模型。
优选地，构建机械臂的数字孪生模型包括：
根据所述机械臂的物理参数构建物理模型；
构建所述机械臂的运动学模型；
根据所述运动学模型计算所述机械臂的动力学模型；
根据所述物理模型和所述动力学模型构建所述数字孪生模型。
优选地，对所述数字孪生模型进行故障仿真以得到仿真数据包括：
将模拟信号输入所述数字孪生模型以得到所述仿真数据，所述模拟信号用于模拟所述数字孪生模型中与所述机械臂对应的关节发生故障的情形。
本发明进一步提出一种机械臂故障诊断方法，所述机械臂故障诊断方法包括：
将机械臂的故障数据输入目标诊断模型以得到诊断结果，所述目标诊断模型由如上所述的机械臂故障诊断模型的训练方法训练得到。
优选地，将机械臂的故障数据输入目标诊断模型以得到诊断结果包括：
将所述故障数据输入所述目标诊断模型的第一特征提取模块或者第二特征提取模块以得到故障特征向量；
将所述故障特征向量输入所述目标诊断模型的故障分类模块以得到所述诊断结果。
本发明更进一步提出一种计算机设备，所述计算机设备包括：
存储器，用于存储程序指令；以及
处理器，用于执行所述程序指令以实现如上所述的机械臂故障诊断模型的训练方法。
本发明还进一步提出一种机械臂，所述机械臂包括：
传感器，用于获取所述机械臂的运动数据；
主控设备，用于获取所述运动数据中的故障数据，并将所述故障数据输入目标诊断模型以得到诊断结果，所述目标诊断模型由如上所述的机械臂故障诊断模型的训练方法训练得到。
本发明技术方案的有益效果在于：对机械臂的数字孪生模型进行故障仿真，由于数字孪生模型能够全面、准确、动态地反映机械臂的状态变化，因此可以得到与机械臂实体相似的故障样本，即仿真数据。基于仿真数据对初始诊断模型进行训练得到目标诊断模型，训练得到的目标诊断模型可以在机械臂实际运作过程中，实时分析诊断机械臂发生的故障。通过数字孪生模型模拟故障，有效解决了机械臂实际工业生产中由于工况变化导致的故障样本不足的问题。同时，基于训练好的目标诊断模型，能够解决传统机械臂诊断过于依赖人工经验，提取特征不够完善，导致模型的鲁棒性和适用性比较低等问题。
附图说明
图1为本发明实施例提供的机械臂故障诊断模型的训练方法的流程图。
图2为本发明实施例提供的机械臂故障诊断模型的训练方法的第一子流程图。
图3为本发明实施例提供的机械臂故障诊断模型的训练方法的第二子流程图。
图4为本发明实施例提供的机械臂故障诊断模型的训练方法的第三子流程图。
图5为图1所示的初始诊断模型的模型结构图。
图6为图2所示的机械臂的连杆坐标系图。
图7为图2所示的机械臂的D-H参数表。
图8为本申请实施例提供的机械臂故障诊断方法的流程图。
图9为本申请实施例提供的机械臂故障诊断方法的应用场景示意图。
图10为本申请实施例提供的计算机设备的内部结构示意图。
图11为本申请实施例提供的机械臂的内部结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的方案进行清楚完整的描述，显然，所描述的实施例仅是本发明中的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。
需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
还需要说明的是，当元件被称为“固定于”或“设置于”另一个元件上时，它可以直接在另一个元件上或者可能同时存在居中元件。当一个元件被称为是“连接”另一个元件，它可以是直接连接另一个元件或者可能同时存在居中元件。
另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
请参看图1，其为本申请实施例提供的机械臂故障诊断模型的训练方法的流程图。机械臂故障诊断模型的训练方法用于训练得到目标诊断模型，目标诊断模型用于在机械臂运行过程中，根据机械臂的故障数据诊断相应的故障类型。机械臂故障诊断模型的训练方法具体包括如下步骤。
步骤S102，构建机械臂的数字孪生模型。
为需要进行诊断的机械臂构建相应的数字孪生模型。可以理解的是，数字孪生模型与机械臂一致。本实施例中，机械臂可以为五自由度机械臂。即是说，机械臂具有5个关节。在一些可行的实施例中，机械臂还可以为四自由度机械臂或者六自由度机械臂等其它类型的机械臂，在此不做限定。
如何构建机械臂的数字孪生模型的具体过程将在下文详细描述。
步骤S104，对数字孪生模型进行故障仿真以得到仿真数据。
根据数字孪生模型来模拟机械臂发生故障时的情形，对数字孪生模型进行多项故障模拟，并采集相应的仿真数据。
本实施例中，对数字孪生模型进行故障仿真以得到仿真数据包括：将模拟信号输入数字孪生模型以得到仿真数据。其中，模拟信号用于模拟数字孪生模型中与机械臂对应的关节发生故障的情形。
具体地，机械臂与其它物体发生接触时的动力学模型可以表示为：其中，q表示机械臂各关节的角位移向量；/>表示机械臂各关节的角速度向量；/>表示机械臂各关节的角加速度向量；M(q)表示机械臂的质量矩阵；/>表示机械臂的哥氏力矢量和离心力矢量；G(q)表示重力矩阵；τ表示机械臂的输入力矩向量；τe表示外界作用在机械臂上的扭矩。
根据机械臂的广义动量可以得到机械臂的残差信号：
其中，e(0)＝0；K表示对角增益矩阵。
对残差信号进行求导可以得到：由此可知，残差信号的变化取决于外界作用在机械臂上的扭矩τe。
因此，可以根据外界作用在机械臂上的扭矩生成模拟信号，将模拟信号输入数字孪生模型进行故障模拟，从而得到仿真数据。
具体地，可以在插件ADAMS Controls中设置模拟信号，选择机械臂的关节的力矩分量，输出的仿真数据可以设置为关节的关节角和角速度。其中，关节角表示机械臂各连杆的相对位置关系。数字孪生模型可以在ADAMS中分别模拟不同关节发生异常振动故障、异常噪声故障等情形。举例来说，若机械臂为五自由度机械臂，包括关节1、关节2、关节3、关节4以及关节5共5个关节，数字孪生模型可以分别模拟正常工作状态、关节1的电机异常振动故障及异常噪声故障、关节2的电机异常振动故障及异常噪声故障、关节3的电机异常振动故障及异常噪声故障、关节4的电机异常振动故障及异常噪声故障、关节5的电机异常振动故障及异常噪声故障。相应地，仿真数据包括机械臂的11种类型数据样本，即正常工作状态的数据、关节1电机异常噪声的数据、关节1电机异常振动的数据、关节2电机异常噪声的数据、关节2电机异常振动的数据、关节3电机异常噪声的数据、关节3电机异常振动的数据、关节4电机异常噪声的数据、关节4电机异常振动的数据、关节5电机异常噪声的数据、关节5电机异常振动的数据。
本实施例中，将11种类型的数据样本中除正常工作状态的数据以外的10种数据样本作为训练数据集，按照一定比例将训练数据集划分为训练集和测试集。举例来说，若每一类型数据样本的数量为100，则每种类型选择80个数据样本作为训练集，其余20个数据样本作为测试集。
步骤S106，将仿真数据输入初始诊断模型以得到初始分类结果。
本实施例中，预先构建双通道特征融合故障诊断网络(CNN-BiGRU-SENet)作为初始诊断模型，并设置初始诊断模型的参数。初始诊断模型的模型结构如图5所示，初始诊断模型包括第一特征提取模块、第二特征提取模块、特征融合模块以及故障分类模块。具体地，第一特征提取模块为卷积神经网络(CNN)，第二特征提取模块为双向门控循环单元(Bi-Gate Recurrent Unit，BiGRU)；融合特征模块为压缩和激励网络(Squeeze-and-Excitation Networks，SENet)；故障分类模块包括Softmax分类器。
具体地，在第一特征提取模块中设置两个卷积层和两个池化层；在第二特征提取模块中设置四个GRU单元，每个单元中有正向和反向两层GRU网络，每层的神经单元设置为128；特征融合模块的全局平均池改为适用于一维特征的信号；Droput的系数为0.6；采用Adam(Adaptive Moment Estimation)优化器，学习率为0.001；bach-size为32；迭代次数为30次；采用交叉熵损失作为误差损失函数。在一些可行的实施例中，初始诊断模型的各项参数可以根据实际训练情况进行设置，在此不做限定。
本实施例中，将采集得到的仿真数据处理为训练集和测试集后，将训练集中的仿真数据输入构建好的初始诊断模型中，得到仿真数据的初始分类结果。
如何将仿真数据输入初始诊断模型以得到初始分类结果的具体过程将在下文详细描述。
步骤S108，根据仿真数据的预设分类和初始分类结果计算损失值。
本实施例中，仿真数据预先标记好对应的预设分类，根据误差损失函数计算仿真数据所对应的预设分类和初始分类结果之间的损失值。
步骤S110，根据损失值优化初始诊断模型以得到目标诊断模型。
本实施例中，根据Adam优化器对初始诊断模型进行优化，从而得到目标诊断模型。
如何根据损失值优化初始诊断模型以得到目标诊断模型的具体过程将在下文详细描述。
上述实施例中，对机械臂的数字孪生模型进行故障仿真，由于数字孪生模型能够全面、准确、动态地反映机械臂的状态变化，因此可以得到与机械臂实体相似的故障样本，即仿真数据。基于仿真数据对初始诊断模型进行训练得到目标诊断模型，训练得到的目标诊断模型可以在机械臂实际运作过程中，实时分析诊断机械臂发生的故障。通过数字孪生模型模拟故障，有效解决了机械臂实际工业生产中由于工况变化导致的故障样本不足的问题。同时，基于训练好的目标诊断模型，能够解决传统机械臂诊断过于依赖人工经验，提取特征不够完善，导致模型的鲁棒性和适用性比较低等问题。
请结合参看图2，其为本申请实施例提供的机械臂故障诊断模型的训练方法的第一子流程图。步骤S102具体包括如下步骤。
步骤S202，根据机械臂的物理参数构建物理模型。
本实施例中，获取机械臂的物理参数。具体地，物理参数为机械臂的物理特征的相关参数。其中，物理特征包括但不限于机械臂本体、电机、减速器、编码器、传感器等部件的实际大小及装配方式。通过实际测量机械臂得到各个物理特征所对应的物理参数。
根据测量得到的物理参数在SolidWorks中对机械臂的各个零件分别建模并完成装配，从而得到相应的物理模型。
步骤S204，构建机械臂的运动学模型。
本实施例中，采用D-H参数法对机械臂进行运动学建模。首先确定机械臂每个关节处坐标系的z轴，再确定每个关节处坐标系的x轴，由此在机器臂的构型中画出每个关节的坐标，根据坐标系绘制D-H参数表。以五自由度机械臂为例，根据D-H参数法构建的机械臂连杆坐标系如图6所示，根据连杆坐标系得到的D-H参数表如图7所示。
具体地，规定连杆坐标系中四个连杆参数：关节扭角θ、连杆扭角α、连杆长度a和连杆偏距d。其中ai表示沿x轴从zi旋转到zi+1的距离；αi表示沿x轴从zi旋转到zi+1的角度；θi表示绕zi轴从xi-1旋转到xi的角度；di表示沿zi轴从xi+1移动到xi的距离。
根据解析几何线性空间，相邻坐标系变换公式可以表示为：
其中，ci表示cosθi；si表示sinθi。
将D-H参数表中的参数代入变换公式，可以得到相邻各连杆之间的坐标系的变换矩阵，分别为将变换矩阵依次右乘，即可得到机械臂的运动学模型，表示为：
步骤S206，根据运动学模型计算机械臂的动力学模型。
本实施例中，根据拉格朗日法建立机械臂的动力学模型。
具体地，机械臂上质点的动能表达式可以表示为：
其中，ri表示连杆坐标系i的齐次坐标；j、k表示不同的关节编号。
机械臂的连杆i的动能可以表示为：
其中，
则，根据机械臂上质点的位置可以得到机械臂的总势能表示为：
根据连杆的动能公式可以得到机械臂的总动能表示为：
因此，机械臂的拉格朗日函数可以表示为：
其中，K表示机械臂总动能；P表示机械臂总势能。
对拉格朗日函数求偏导可得：
将上述偏导式子代入中可得机械臂的动力学模型表示为：
步骤S208，根据物理模型和动力学模型构建数字孪生模型。
本实施例中，将动力学模型引入物理模型，可以得到机械臂的数字孪生模型。
具体地，在Matlab的simulink模块中搭建机械臂的动力学模型，再将SolidWorks中机械臂的物理模型另存为.parasolid格式，并将保存好的.parasolid格式文件的后缀改为.xmt_txt。然后在ADAMS中选择导入.xmt_txt文件，即可得到机械臂的数字孪生模型。
上述实施例中，构建机械臂的数字孪生模型，不仅能够在训练模型之前，对机械臂的各种故障情形进行仿真，还能够在目标诊断模型训练好后，接收机械臂实体实时反馈的运作数据，如速度、位置、加速度、力矩等，实时在数字孪生模型中进行可视化展示，以达到机械臂实体与相应的数字孪生模型实时交互的目的。
请结合参看图3和图5，图3为本申请实施例提供的机械臂故障诊断模型的训练方法的第二子流程图。步骤S106具体包括如下步骤。
步骤S302，将仿真数据分别输入第一特征提取模块和第二特征提取模块以得到第一特征向量和第二特征向量。
将仿真数据输入第一特征提取模块以得到第一特征向量，将仿真数据输入第二特征提取模块以得到第二特征向量。本实施例中，第一特征提取模块可以提取仿真数据中蕴含的信息特征，第二特征提取模块可以在时间维度上从正向和反向两个方向充分提取仿真数据的时序特征。
具体地，第一特征提取模块对仿真数据进行特征提取，仿真数据依次经过卷积层和池化层的运算后，得到仿真数据对应的第一特征向量。第一特征提取模块对仿真数据的特征提取可以用第一公式表示。本实施例中，第一公式为：
其中，Xo1表示第一特征向量；CNN(·)表示第一特征提取模块；Xi表示仿真数据；f(·)表示激活函数，即线性整流函数(Linear rectification function，ReLU)；Wcnn表示第一特征提取模块的卷积核的权重矩阵；表示偏执向量。
具体地，第二特征提取模块对仿真数据进行特征提取，得到仿真数据对应的第二特征向量。第二特征提取模块对仿真数据的特征提取可以用第二公式表示。本实施例中，第二公式为：其中，Xo2表示第二特征向量；u(·)表示第二特征提取模块的映射函数；/>
步骤S304，将第一特征向量和第二特征向量输入特征融合模块以得到融合特征向量。
本实施例中，将第一特征向量和第二特征向量输入特征融合模块以得到融合特征向量包括：根据预设的权重值对同一仿真数据对应的第一特征向量和第二特征向量进行融合以得到相应的融合特征向量。
具体地，将同一仿真数据对应的第一特征向量和第二特征向量输入特征融合模块中进行特征融合，在经过压缩和激励操作后，根据计算得到的权重值对第一特征向量和第二特征向量进行重新赋权操作，将第一特征向量和第二特征向量按权重值作交叉排序并进行融合，以得到融合特征向量。
本实施例中，特征融合模块对第一特征向量和第二特征向量的特征融合可以用第三公式表示。具体地，第三公式为： 其中，/>表示融合特征向量，融合特征向量为n维特征向量；E表示权重值。
步骤S306，将融合特征向量输入故障分类模块以得到初始分类结果。
故障分类模块对融合特征向量进行故障分类，以得到初始分类结果。本实施例中，预先设置故障类别为m。
本实施例中，故障分类模块对融合特征向量的故障分类可以用第四公式表示。具体地，第四公式为：
其中，Y表示初始分类结果；W表示权重矩阵；B表示偏置矩阵；Wi，j表示权重矩阵中i行j列的权重系数；bi表示偏置矩阵中i行的偏置量。
上述实施例中，构建CNN-BiGRU-SENet的双通道特征融合故障诊断网络作为初始诊断网络，当仿真数据输入初始诊断网络时，仿真数据同时进入第一通道和第二通道，即第一特征提取模块和第二特征提取模块。特征融合模块对同一仿真数据的第一特征向量和第二特征向量进行融合，使得融合特征向量更加符合仿真数据的特点，故障分类模块根据融合特征向量能够更加准确地得到初始分类结果，有效提高目标诊断模型的鲁棒性和适用性。
请结合参看图4，其为本申请实施例提供的机械臂故障诊断模型的训练方法的第三子流程图。步骤S110具体包括如下步骤。
步骤S402，根据损失值调整第一特征提取模块、第二特征提取模块、特征融合模块和故障分类模块的参数。
本实施例中，根据Adam优化器对初始诊断模型进行调优，根据计算得到的损失值分别调整第一特征提取模块、第二特征提取模块、特征融合模块以及故障分类模块的参数。可以理解的是，初始诊断模型的训练为迭代训练，调整初始诊断模型的参数后，继续将训练集中的仿真数据输入调整参数后的初始诊断模型以得到新的初始分类结果，并计算相应的损失值。当计算得到的损失值不满足要求时，将训练集中的仿真数据输入初始诊断模型中继续训练；当计算得到的损失值达到要求时，保存相应的参数。
在一些实施例中，损失值达到要求后，根据测试集中的仿真数据对参数调整好后的初始诊断模型进行测试，以测试初始诊断模型是否符合条件。
步骤S404，将调整参数后的第一特征提取模块和故障分类模块作为目标诊断模型，或者，将调整参数后的第二特征提取模块和故障分类模块作为目标诊断模型。
本实施例中，可以将训练完成的初始诊断模型中的第一特征提取模块和故障分类模块作为目标诊断模型，也可以将训练完成的初始诊断模型中的第二特征提取模块和故障分类模块作为目标诊断模型。
在一些可行的实施例中，也可以直接将调整参数后的第一特征提取模块、第二特征提取模块、特征融合模块以及故障分类模块整体作为目标诊断模型，在此不做限定。
上述实施例中，根据损失值分别调整第一特征提取模块、第二特征提取模块、特征融合模块以及故障分类模块的参数，优化各个模块之间的配合效果，使得训练得到的目标诊断模型的分类准确性更高。此外，仅将训练好的第一特征提取模块和故障分类模块，或者第二特征提取模块和故障分类模块作为目标诊断模型，能够在实际应用过程中，快速诊断出机械臂实体的实际故障问题。
请结合参看图8和图9，图8为本申请实施例提供的机械臂故障诊断方法的流程图，图9为本申请实施例提供的机械臂故障诊断方法的应用场景示意图。机械臂故障诊断方法用于对运行过程中发生故障的机械臂进行诊断分析。
以图9所示的应用场景为例，主控设备20与机械臂1通信连接。在本实施例中，主控设备20用于执行机械臂故障诊断方法。其中，主控设备20的相关功能可以由一个设备实现，也可以由多个设备共同实现，还可以是由一个设备内的一个或多个功能模块实现，在此不做具体限定。可以理解的是，上述功能既可以是硬件设备中的网络元件，也可以是在专用硬件上运行的软件功能，或者是硬件与软件的结合，或者是平台(例如，云平台)上实例化的虚拟化功能。
本实施例中，机械臂故障诊断方法具体包括：将机械臂1的故障数据输入目标诊断模型以得到诊断结果。其中，目标诊断模型由上述机械臂故障诊断模型的训练方法训练得到。可以理解的是，目标诊断模型包括第一特征提取模块和故障分类模块，或者第二特征提取模块和故障分类模块。
具体地，将机械臂的故障数据输入目标诊断模型以得到诊断结果包括如下步骤。
步骤S802，将故障数据输入目标诊断模型的第一特征提取模块或者第二特征提取模块以得到故障特征向量。
本实施例中，机械臂1在实际运作过程中产生的运动数据可以由设置于机械臂1的传感器采集得到，传感器将采集到的运动数据通过蓝牙或无线网的方式发送至主控设备20。主控设备20接收运动数据并提取其中的故障数据。
本实施例中，主控设备20设有训练好的目标诊断模型。提取到故障数据后，主控设备20将故障数据输入第一特征提取模块，以得到故障数据的故障特征向量，或者，将故障数据输入第二特征提取模块，以得到故障数据的故障特征向量。
步骤S804，将故障特征向量输入目标诊断模型的故障分类模块以得到诊断结果。
本实施例中，主控设备20将故障特征向量输入故障分类模块，训练完成的故障分类模块能够准确对故障特征向量进行分类，以得到相应的故障诊断结果。
在一些可行的实施例中，主控设备20可以包括可视化界面，并设有与机械臂1相对应的数字孪生模型。机械臂1实体通过传感器实时采集当前时刻各个关节的状态反馈数据，即运动数据。传感器以蓝牙或无线网的方式将运动数据发送至主控设备20，使得机械臂1能够与设置于主控设备20的数字孪生模型进行实时交互，机械臂1实体所进行的操作或者发生故障的部位都可以在数字孪生模型中通过可视化界面展示出来。其中，运动数据包括但不限于速度、位置、加速度、力矩等。
上述实施例中，基于设置于机械臂的传感器实时传输多种运动数据，数字孪生模型能够全面、准确、动态地反映机械臂的状态变化，以达到数字孪生模型与机械臂的实时同步。机械臂实体的工作状态能在数字孪生模型中实时展示，通过可视化界面使得诊断结果更直观、精确，实际运作的机械臂实体和数字空间中的数字孪生模型实现双向映射、数据连接和状态交互，从而能够实现虚拟现实映射。
请结合参看图10，其为本申请实施例提供的计算机设备的内部结构示意图。计算机设备10包括存储器11和处理器12。存储器11用于存储程序指令，处理器12用于执行程序指令以实现上述机械臂故障诊断模型的训练方法。
其中，处理器12在一些实施例中可以是一中央处理器(Central ProcessingUnit，CPU)、控制器、微控制器、微处理器或其它数据处理芯片，用于运行存储器11中存储的程序指令。
存储器11至少包括一种类型的可读存储介质，该可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是计算机设备的内部存储单元，例如计算机设备的硬盘。存储器11在另一些实施例中也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(FlashCard)等。进一步地，存储器11还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于计算机设备的应用软件及各类数据，例如实现机械臂故障诊断模型的训练方法的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
请结合参看图11，其为本申请实施例提供的机械臂的内部结构示意图。机械臂1包括传感器30和主控设备20，主控设备20与传感器30通信连接。
传感器30，用于获取机械臂1的运动数据。
本实施例中，传感器30设置于机械臂1的本体上，用于获取机械臂1运作过程中的运动数据，并将运动数据发送至主控设备20。
主控设备20，用于获取运动数据中的故障数据，并将故障数据输入目标诊断模型以得到诊断结果。
本实施例中，主控设备20设有目标诊断模型。其中，目标诊断模型由上述机械臂故障诊断模型的训练方法训练得到。主控设备20接收传感器30发送的运动数据，并对运动数据进行分析，判断运动数据中是否存在故障数据。当运动数据中存在故障数据时，主控设备20将故障数据输入目标诊断模型中，以得到相应的诊断结果。其中，主控设备20可以为机械臂1主体的部分结构，也可以与机械臂1的主体分体设置。当主控设备20与机械臂1的主体分体设置时，主控设备20包括但不限于手机、平板电脑、台式电脑、智能手表等电子设备。
以上所述的仅为本发明的部分或优选实施例，无论是文字还是附图都不能因此限制本发明保护的范围，凡是在与本发明一个整体的构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明保护的范围内。
Claims (10)
1.一种机械臂故障诊断模型的训练方法，其特征在于，所述机械臂故障诊断模型的训练方法包括：
构建机械臂的数字孪生模型；
对所述数字孪生模型进行故障仿真以得到仿真数据；
将所述仿真数据输入初始诊断模型以得到初始分类结果；
根据所述仿真数据的预设分类和所述初始分类结果计算损失值；
根据所述损失值优化所述初始诊断模型以得到目标诊断模型。
2.根据权利要求1所述的机械臂故障诊断模型的训练方法，其特征在于，将所述仿真数据输入初始诊断模型以得到初始分类结果包括：
将所述仿真数据分别输入第一特征提取模块和第二特征提取模块以得到第一特征向量和第二特征向量；
将所述第一特征向量和所述第二特征向量输入特征融合模块以得到融合特征向量；
将所述融合特征向量输入故障分类模块以得到所述初始分类结果。
3.根据权利要求2所述的机械臂故障诊断模型的训练方法，其特征在于，将所述第一特征向量和所述第二特征向量输入特征融合模块以得到融合特征向量包括：
根据预设的权重值对同一所述仿真数据对应的第一特征向量和第二特征向量进行融合以得到相应的融合特征向量。
4.根据权利要求2所述的机械臂故障诊断模型的训练方法，其特征在于，根据所述损失值优化所述初始诊断模型以得到目标诊断模型包括：
根据所述损失值调整所述第一特征提取模块、所述第二特征提取模块、所述特征融合模块和所述故障分类模块的参数；
将调整参数后的第一特征提取模块和故障分类模块作为所述目标诊断模型，或者，将调整参数后的第二特征提取模块和故障分类模块作为所述目标诊断模型。
5.根据权利要求1所述的机械臂故障诊断模型的训练方法，其特征在于，构建机械臂的数字孪生模型包括：
根据所述机械臂的物理参数构建物理模型；
构建所述机械臂的运动学模型；
根据所述运动学模型计算所述机械臂的动力学模型；
根据所述物理模型和所述动力学模型构建所述数字孪生模型。
6.根据权利要求1所述的机械臂故障诊断模型的训练方法，其特征在于，对所述数字孪生模型进行故障仿真以得到仿真数据包括：
将模拟信号输入所述数字孪生模型以得到所述仿真数据，所述模拟信号用于模拟所述数字孪生模型中与所述机械臂对应的关节发生故障的情形。
7.一种机械臂故障诊断方法，其特征在于，所述机械臂故障诊断方法包括：
将机械臂的故障数据输入目标诊断模型以得到诊断结果，所述目标诊断模型由如权利要求1至6中任一项所述的机械臂故障诊断模型的训练方法训练得到。
8.根据权利要求7所述的机械臂故障诊断方法，其特征在于，将机械臂的故障数据输入目标诊断模型以得到诊断结果包括：
将所述故障数据输入所述目标诊断模型的第一特征提取模块或者第二特征提取模块以得到故障特征向量；
将所述故障特征向量输入所述目标诊断模型的故障分类模块以得到所述诊断结果。
9.一种计算机设备，其特征在于，所述计算机设备包括：
存储器，用于存储程序指令；以及
处理器，用于执行所述程序指令以实现如权利要求1至6中任一项所述的机械臂故障诊断模型的训练方法。
10.一种机械臂，其特征在于，所述机械臂包括：
传感器，用于获取所述机械臂的运动数据；
主控设备，用于获取所述运动数据中的故障数据，并将所述故障数据输入目标诊断模型以得到诊断结果，所述目标诊断模型由如权利要求1至6中任一项所述的机械臂故障诊断模型的训练方法训练得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310923707.9A CN117195683A (zh) | 2023-07-25 | 2023-07-25 | 机械臂及其故障诊断模型的训练方法、故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310923707.9A CN117195683A (zh) | 2023-07-25 | 2023-07-25 | 机械臂及其故障诊断模型的训练方法、故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117195683A true CN117195683A (zh) | 2023-12-08 |
Family
ID=89004187
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310923707.9A Pending CN117195683A (zh) | 2023-07-25 | 2023-07-25 | 机械臂及其故障诊断模型的训练方法、故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117195683A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117620448A (zh) * | 2024-01-25 | 2024-03-01 | 东莞市昂图智能科技有限公司 | 激光雕刻机的加工控制方法、装置、设备及存储介质 |
-
2023
- 2023-07-25 CN CN202310923707.9A patent/CN117195683A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117620448A (zh) * | 2024-01-25 | 2024-03-01 | 东莞市昂图智能科技有限公司 | 激光雕刻机的加工控制方法、装置、设备及存储介质 |
| CN117620448B (zh) * | 2024-01-25 | 2024-04-16 | 东莞市昂图智能科技有限公司 | 激光雕刻机的加工控制方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112613118B (zh) | 火箭发动机内部不可测装配质量数字孪生建模与追溯方法 | |
| CN112925223B (zh) | 基于视觉传感网络的无人机三维跟踪虚拟测试仿真系统 | |
| EP3572819B1 (en) | Method of determining spatial configurations of a plurality of transducers relative to a target object | |
| CN117195683A (zh) | 机械臂及其故障诊断模型的训练方法、故障诊断方法 | |
| JP5455787B2 (ja) | 動作解析装置および動作解析方法 | |
| WO2000038117B1 (en) | Method and system for a virtual assembly design environment | |
| CN109870698A (zh) | 一种超声波阵列障碍物检测结果处理方法及系统 | |
| CN110289104B (zh) | 软组织按压和形变恢复的模拟方法 | |
| CN110631792A (zh) | 基于卷积神经网络的抗震混合试验模型更新方法 | |
| CN114599488A (zh) | 机器学习数据生成装置、机器学习装置、作业系统、计算机程序、机器学习数据生成方法及作业机的制造方法 | |
| CN107643425A (zh) | 六维加速度传感器及故障诊断方法 | |
| CN114626293A (zh) | 预测碰撞仿真结果的方法、装置、设备及存储介质 | |
| CN113205506B (zh) | 一种电力设备全空间信息三维重构方法 | |
| CN117352126A (zh) | 肌肉受力可视化方法、装置、计算机设备以及存储介质 | |
| CN113752267B (zh) | 一种机械臂路径规划方法及系统 | |
| US20220327042A1 (en) | Method for testing a product | |
| CN112991445B (zh) | 模型训练方法、姿态预测方法、装置、设备及存储介质 | |
| CN114972530A (zh) | 一种基于虚拟场景对摄像机的标定方法、装置、设备及存储介质 | |
| EP4295309A1 (en) | Method for improving markerless motion analysis | |
| CN114833828B (zh) | 二自由度系统的惯性参数辨识方法、设备和介质 | |
| Li et al. | Solution of ill-posed problems for identification of the dynamic parameters of bolted joints | |
| CN116484681B (zh) | 基于视频识别多变量输入有限元模型更新混合试验方法 | |
| US20210334435A1 (en) | Method and device for simulating a technical system | |
| US20240221438A1 (en) | Data processing apparatus and non-transitory recording medium | |
| Shmatko | Modeling the Deformation of the Aerodynamic Surface to Estimate the Error of the Photogrammetric Algorithm |
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 |