CN117584136A - 基于人工智能的机器人故障检测方法及系统 - Google Patents
基于人工智能的机器人故障检测方法及系统 Download PDFInfo
- Publication number
- CN117584136A CN117584136A CN202410070586.2A CN202410070586A CN117584136A CN 117584136 A CN117584136 A CN 117584136A CN 202410070586 A CN202410070586 A CN 202410070586A CN 117584136 A CN117584136 A CN 117584136A
- Authority
- CN
- China
- Prior art keywords
- data
- robot
- individual
- fault detection
- iteration
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 78
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 59
- 210000002569 neuron Anatomy 0.000 claims abstract description 54
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000010276 construction Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000011897 real-time detection Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/0095—Means or methods for testing manipulators
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了基于人工智能的机器人故障检测方法及系统,方法包括:数据采集、数据预处理、构建机器人故障检测模型、模型最优参数确定和机器人故检测障。本发明属于故障检测技术领域,具体是指基于人工智能的机器人故障检测方法及系统,本方案使用滑动窗口算法进行数据分割;通过编码器‑解码器架构提取数据的特征和重建,加入Dropout层,丢弃部分神经元输出,引入箱线图法进行故障判断,结合重建误差分布的上下四分位数,判断机器人状态;通过控制因子的调节探索个体搜索空间,引入自适应惯性加权因子,根据迭代次数动态调整个体位置更新的权重,基于切换因子控制局部搜索和全局搜索的切换策略,找到最优的模型参数。
Description
技术领域
本发明属于故障检测技术领域,具体是指基于人工智能的机器人故障检测方法及系统。
背景技术
机器人故障检测是利用先进的人工智能算法和数据分析技术,通过实时监测和分析机器人的运行时间序列数据,能够准确地识别机器人的运行状态,判断是否故障。但是目前采集的机器人运行时间序列数据存在质量不高和长度过长的问题;现有的机器人检测模型存在特征提取和数据恢复困难,导致模型泛化能力下降,过拟合更加严重,以及检测性能下降的问题;现有机器人故的障检测模型参数搜索方法存在局部最优解问题和搜索空间的维度灾难问题。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供了基于人工智能的机器人故障检测方法及系统,针对采集的机器人运行时间序列数据存在质量不高和长度过长的问题,本方案进行数据清洗和归一化处理,提高数据质量,并引入滑动窗口算法,将原始数据分割成合适长度的数据,以更好地捕捉数据的序列相关性;针对现有的机器人检测模型存在特征提取和数据恢复困难,导致模型泛化能力下降,过拟合更加严重,以及检测性能下降的问题,本方案通过编码器-解码器架构,能够有效地提取输入数据的特征,并进行准确的重建,加入Dropout层,丢弃部分神经元输出,能够防止模型在训练过程中过度拟合训练数据,提高模型的泛化能力,防止过拟合,引入了基于箱线图法的故障判断方法,结合模型产生的重建误差分布的上下四分位数,能够较准确地判断机器人是否处于故障状态;针对现有机器人故的障检测模型参数搜索方法存在局部最优解问题和搜索空间的维度灾难问题,本方案通过控制因子的调节,可以有效探索个体搜索空间,引入自适应惯性加权因子,根据迭代次数动态调整个体位置更新的权重,增强模型参数搜索的收敛性和稳定性,基于切换因子控制局部搜索和全局搜索的切换策略,增加了搜索的多样性和全局优化能力。
本发明采取的技术方案如下:本发明提供的基于人工智能的机器人故障检测方法,该方法包括以下步骤:
步骤S1:数据采集;
步骤S2:数据预处理,使用滑动窗口算法进行数据分割;
步骤S3:构建机器人故障检测模型,通过编码器-解码器架构提取数据的特征,并进行准确的重建,加入Dropout层,丢弃部分神经元输出,引入箱线图法进行故障判断,结合模型产生的重建误差分布的上下四分位数,判断机器人状态;
步骤S4:模型最优参数确定,通过控制因子的调节有效探索个体搜索空间,引入自适应惯性加权因子,根据迭代次数动态调整个体位置更新的权重,基于切换因子控制局部搜索和全局搜索的切换策略,找到最优的模型参数;
步骤S5:机器人故检测障。
进一步地,在步骤S1中,所述数据采集是采集机器人历史运行时间序列数据和运行状态,所述机器人历史运行时间序列数据包括传感器时间序列数据、执行器时间序列数据、能源消耗时间序列数据、位置时间序列数据和轨迹时间序列数据,所述运行状态包括正常状态和故障状态,将运行状态作为检测标签,基于采集的时间序列数据构建机器人数据集。
进一步地,在步骤S2中,所述数据预处理具体包括以下步骤:
步骤S21:数据清洗和数据归一化,删除机器人数据集中的重复数据和噪声,填补缺失数据和异常数据,使用最小-最大归一化方法对数据进行缩放,统一数据的尺度;
步骤S22:数据分割,使用滑动窗口算法对机器人数据集中的时间序列数据进行数据分割,将数据划分为多个连续时间段,机器人数据集中的时间序列数据总长度为L,预先设定窗口长度W和滑动步长λ,滑动窗口算法将采集的时间序列数据分割成个时间窗口,将窗口起始位置初始化为0,从窗口起始位置开始,依次取连续的W个时间序列数据作为一个时间窗口,并记录该时间窗口内的机器人运行状态,然后将窗口起始位置向后滑动λ个位置,继续取下一个时间窗口,直到遍历完整个机器人数据集,每个窗口内的时间序列数据表示一个连续时间段内的机器人运行状态;
步骤S23:构建训练数据集和测试数据集,随机选取70%的时间序列数据作为训练数据集,其余30%的时间序列数据作为测试数据集。
进一步地,在步骤S3中,所述构建机器人故障检测模型具体包括以下步骤:
步骤S31:模型架构,模型由编码器和解码器组成,编码器由卷积层、Dropout层和池化层组成,解码器由上采样层和反卷积层组成,随机初始化模型的权重和偏置项;
步骤S32:构建编码器,步骤如下:
步骤S321:计算卷积层中神经元的输出,所用公式如下:
;
式中,Ci是卷积层中第i个神经元的输出,ReLU(·)是激活函数,Xp是训练数据集中第p个时间序列数据,p是时间序列数据的索引,ω1i是卷积层中第i个神经元的权重,h1i是卷积层中第i个神经元的偏置项,是逐元素相乘符号,N2是训练数据集中时间序列数据的数量;
步骤S322:计算Dropout层中神经元的输出,预先设置丢弃率d,为每个神经元随机生成一个随机数ni,若随机数ni≥丢弃率d,则将神经元i的输出置为零;否则,保留神经元i并对神经元输出值进行缩放,缩放所用公式如下:
;
式中,是缩放后Dropout层中第i个神经元的输出,mi是Dropout层中第i个神经元的原始输出,d是丢弃率;
步骤S323:计算池化层的输出,所用公式如下:
;
式中,g(v)是池化层的输出,U是滑动窗口长度,E是训练数据集中的时间序列数据总长度,A是池化窗口大小,k是池化步长,v是滑动窗口的索引;
步骤S33:构建解码器,步骤如下:
步骤S331:计算上采样层的输出,所用公式如下:
;
式中,Bz是上采样层中第z个时间窗口对应的输出,z是时间窗口的索引,w是第z个时间窗口的起始位置,2w是第z个时间窗口的结束位置,jz是第z个时间窗口的起始索引,X是训练数据集中的时间序列数据;
步骤S332:计算反卷积层中神经元的输出,所用公式如下:
;
式中,Di是反卷积层中第i个神经元的输出,ω2i是反卷积层中第i个神经元的权重,h2i是反卷积层中第i个神经元的偏置项,ReLU(·)是激活函数,p是时间序列数据的索引,N2是训练数据集中时间序列数据的数量,Xp是训练数据集中第p个时间序列数据,是逐元素相乘符号;
步骤S34:机器人故障判断,将测试数据集输入模型中,基于均方误差函数计算重建误差J,引入箱线图法作为故障判断的依据,若误差阈值下边缘LL≤重建误差J≤误差阈值上边缘UL,则判断机器人为正常状态;否则判断机器人为故障状态,计算误差阈值上边缘和误差阈值下边缘所用公式如下:
UL=Q3+1.5IQR;
LL=Q1+1.5IQR;
式中,UL是误差阈值上边缘,LL是误差阈值下边缘,Q3是模型在机器人正常状态下产生的重建误差分布的上四分位数,Q1是模型在机器人正常状态下产生的重建误差分布的下四分位数,IQR是四分位距。
进一步地,在步骤S4中,所述模型最优参数确定具体包括以下步骤:
步骤S41:初始化个体位置,用模型参数代表个体的位置,基于个体搜索空间随机生成的第1个个体的初始位置,初始化第2-Nl个个体位置所用公式如下:
;
式中,是第a个个体的初始位置,/>是第a-1个个体的初始位置,a是个体索引,Nl是个体总数量,β是控制因子;
步骤S42:确定全局最优位置,将基于模型参数建立的机器人故障检测模型性能作为个体的适应度值,更新个体的适应度值,选择具有最高适应度值的个体对应位置作为全局最优位置Wbest;
步骤S43:计算自适应惯性加权因子,所用公式如下:
;
式中,ε(t)是第t次迭代时的自适应惯性加权因子,t是迭代次数索引,T是最大迭代次数,e是欧拉常数;
步骤S44:计算切换因子,所用公式如下:
;
;
式中,H1(t)是第t次迭代时的第一切换因子,H2(t)是第t次迭代时的第二切换因子,q1是第一调整因子,q2是第二调整因子,t是迭代次数索引,T是最大迭代次数,e是欧拉常数;
步骤S45:位置搜索,若|H1(t)|>|H2(t)|时,转至步骤S451,进行局部搜索;否则,转至步骤S452,进行全局搜索,步骤如下:
步骤S451:局部搜索,所用公式如下:
;
式中,是第t+1次迭代时第a个个体进行局部搜索后的位置,Wa(t)是第t次迭代时第a个个体的位置,Wbest(t)是第t次迭代时的全局最优位置,f、b和γ是互相独立的三个随机数,u是搜索步长,t是迭代次数索引,a是个体索引,Nl是个体总数量,ε(t)是第t次迭代时的自适应惯性加权因子;
步骤S452:全局搜索,更新个体的适应度值,从第t次迭代后的个体中选择前个适应度值高的个体,计算前/>个适应度值高的个体的中心位置Wen(t),基于中心位置Wen(t)进行全局位置搜索,所用公式如下:
;
;
式中,是第t+1次迭代时第a个个体进行全局搜索后的位置,c是前/>个适应度值高的个体索引,[·]是取整符号,Wc(t)是第t次迭代时第c个个体的位置,F(Wc(t))是Wc(t)的适应度值,r和s是两个随机个体索引,Wr(t)是第t次迭代时第r个个体的位置,Ws(t)是第t次迭代时第s个个体的位置,Wen(t)是第t次迭代时前/>个适应度值高的个体的中心位置,t是迭代次数索引,a是个体索引,Nl是个体总数量,ε(t)是第t次迭代时的自适应惯性加权因子,Wa(t)是第t次迭代时第a个个体的位置,f、b和γ是互相独立的三个随机数,u是搜索步长;
步骤S46:最优参数确定,预先设定适应度值阈值θ,更新位置搜索后的全局最优位置,当全局最优位置对应的适应度值高于适应度值阈值θ时,全局最优位置对应的模型参数为最优参数,基于最优参数构建机器人故障检测模型;否则,若达到最大迭代次数T,则转至步骤S41;否则转至步骤S43。
进一步地,在步骤S5中,所述机器人故障检测是实时采集机器人运行时间序列数据,在对采集的数据进行预处理后,输入至机器人故障检测模型中进行预测实时检测,基于输出的检测标签得到机器人当前运行状态。
本发明提供的基于人工智能的机器人故障检测系统,包括数据采集模块、数据预处理模块、构建机器人故障检测模型模块、模型最优参数确定模块和机器人故障检测模块;
所述数据采集模块采集机器人历史运行时间序列数据和运行状态,并将数据发送到数据预处理模块;
所述数据预处理模块对采集的数据进行数据清洗和数据归一化,使用滑动窗口算法进行数据分割,构建训练数据集和测试数据集,并将数据发送至构建机器人故障检测模型模块;
所述构建机器人故障检测模型模块通过编码器-解码器架构提取数据的特征,并进行准确的重建,引入Dropout层,丢弃部分神经元输出,引入箱线图法进行故障判断,结合模型产生的重建误差分布的上下四分位数,判断机器人状态,并将数据发送至模型最优参数确定模块;
所述模型最优参数确定模块通过控制因子的调节有效探索个体搜索空间,引入自适应惯性加权因子,根据迭代次数动态调整个体位置更新的权重,基于切换因子控制局部搜索和全局搜索的切换策略,找到最优的模型参数,并将数据发送至机器人故障检测模块;
所述机器人故障检测模块实时采集市场规模数据、客户数据、产品数据、促销数据和外部环境数据,基于市场需求预测模型输出的预测标签得到未来市场的需求。
采用上述方案本发明取得的有益效果如下:
(1)针对采集的机器人运行时间序列数据存在质量不高和长度过长的问题,本方案进行数据清洗和归一化处理,提高数据质量,并引入滑动窗口算法,将原始数据分割成合适长度的数据,以更好地捕捉数据的序列相关性。
(2)针对现有的机器人检测模型存在特征提取和数据恢复困难,导致模型泛化能力下降,过拟合更加严重,以及检测性能下降的问题,本方案通过编码器-解码器架构,能够有效地提取输入数据的特征,并进行准确的重建,加入Dropout层,丢弃部分神经元输出,能够防止模型在训练过程中过度拟合训练数据,提高模型的泛化能力,防止过拟合,引入了基于箱线图法的故障判断方法,结合模型产生的重建误差分布的上下四分位数,能够较准确地判断机器人是否处于故障状态。
(3)针对现有机器人故的障检测模型参数搜索方法存在局部最优解问题和搜索空间的维度灾难问题,本方案通过控制因子的调节,可以有效探索个体搜索空间,引入自适应惯性加权因子,根据迭代次数动态调整个体位置更新的权重,增强模型参数搜索的收敛性和稳定性,基于切换因子控制局部搜索和全局搜索的切换策略,增加了搜索的多样性和全局优化能力。
附图说明
图1为本发明提供的基于人工智能的机器人故障检测方法的流程示意图;
图2为本发明提供的基于人工智能的机器人故障检测系统的示意图;
图3为步骤S3的流程示意图;
图4为步骤S4的流程示意图。
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
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技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,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做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。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例一,参阅图1,本发明提供的基于人工智能的机器人故障检测方法,该方法包括以下步骤:
步步骤S1:数据采集,采集机器人历史运行时间序列数据和运行状态;
步骤S2:数据预处理,对采集的数据进行数据清洗和数据归一化,使用滑动窗口算法进行数据分割,并构建训练数据集和测试数据集;
步骤S3:构建机器人故障检测模型,通过编码器-解码器架构提取数据的特征,并进行准确的重建,加入Dropout层,丢弃部分神经元输出,引入箱线图法进行故障判断,结合模型产生的重建误差分布的上下四分位数,判断机器人状态;
步骤S4:模型最优参数确定,通过控制因子的调节有效探索个体搜索空间,引入自适应惯性加权因子,根据迭代次数动态调整个体位置更新的权重,基于切换因子控制局部搜索和全局搜索的切换策略,找到最优的模型参数;
步骤S5:机器人故障检测,实时采集机器人运行时间序列数据,基于机器人故障检测输出的检测标签得到机器人当前运行状态。
实施例二,参阅图1,该实施例基于上述实施例,在步骤S1中,数据采集是采集机器人历史运行时间序列数据和运行状态,所述机器人历史运行时间序列数据包括传感器时间序列数据、执行器时间序列数据、能源消耗时间序列数据、位置时间序列数据和轨迹时间序列数据,所述运行状态包括正常状态和故障状态,将运行状态作为检测标签,基于采集的时间序列数据构建机器人数据集。
实施例三,参阅图1,该实施例基于上述实施例,在步骤S2中,数据预处理具体包括以下步骤:
步骤S21:数据清洗和数据归一化,删除机器人数据集中的重复数据和噪声,填补缺失数据和异常数据,使用最小-最大归一化方法对数据进行缩放,统一数据的尺度;
步骤S22:数据分割,使用滑动窗口算法对机器人数据集中的时间序列数据进行数据分割,将数据划分为多个连续时间段,机器人数据集中的时间序列数据总长度为L,预先设定窗口长度W和滑动步长λ,滑动窗口算法将采集的时间序列数据分割成个时间窗口,将窗口起始位置初始化为0,从窗口起始位置开始,依次取连续的W个时间序列数据作为一个时间窗口,并记录该时间窗口内的机器人运行状态,然后将窗口起始位置向后滑动λ个位置,继续取下一个时间窗口,直到遍历完整个机器人数据集,每个窗口内的时间序列数据表示一个连续时间段内的机器人运行状态;
步骤S23:构建训练数据集和测试数据集,随机选取70%的时间序列数据作为训练数据集,其余30%的时间序列数据作为测试数据集。
通过执行上述操作,针对采集的机器人运行时间序列数据存在质量不高和长度过长的问题,本方案进行数据清洗和归一化处理,提高数据质量,并引入滑动窗口算法,将原始数据分割成合适长度的数据,以更好地捕捉数据的序列相关性。
实施例四,参阅图1和图3,该实施例基于上述实施例,在步骤S3中,构建机器人故障检测模型具体包括以下步骤:
步骤S31:模型架构,模型由编码器和解码器组成,编码器由卷积层、Dropout层和池化层组成,解码器由上采样层和反卷积层组成,反卷积层是卷积层的逆向计算,随机初始化模型的权重和偏置项;
步骤S32:构建编码器,步骤如下:
步骤S321:计算卷积层中神经元的输出,所用公式如下:
;
式中,Ci是卷积层中第i个神经元的输出,ReLU(·)是激活函数,Xp是训练数据集中第p个时间序列数据,p是时间序列数据的索引,ω1i是卷积层中第i个神经元的权重,h1i是卷积层中第i个神经元的偏置项,是逐元素相乘符号,N2是训练数据集中时间序列数据的数量;
步骤S322:计算Dropout层中神经元的输出,预先设置丢弃率d,d∈[0,1],为每个神经元随机生成一个[0,1]之间的随机数ni,若随机数ni≥丢弃率d,则将神经元i的输出置为零;否则,保留神经元i并对神经元输出值进行缩放,缩放所用公式如下:
;
式中,是缩放后Dropout层中第i个神经元的输出,mi是Dropout层中第i个神经元的原始输出,d是丢弃率;
步骤S323:计算池化层的输出,所用公式如下:
;
式中,g(v)是池化层的输出,U是滑动窗口长度,E是训练数据集中的时间序列数据总长度,A是池化窗口大小,k是池化步长,令池化步长k等于滑动窗口算法中的滑动步长λ,v是滑动窗口的索引,v用于确定滑动窗口的位置;
步骤S33:构建解码器,步骤如下:
步骤S331:计算上采样层的输出,所用公式如下:
;
式中,Bz是上采样层中第z个时间窗口对应的输出,z是时间窗口的索引,w是第z个时间窗口的起始位置,2w是第z个时间窗口的结束位置,jz是第z个时间窗口的起始索引,X是训练数据集中的时间序列数据;
步骤S332:计算反卷积层中神经元的输出,所用公式如下:
;
式中,Di是反卷积层中第i个神经元的输出,ω2i是反卷积层中第i个神经元的权重,h2i是反卷积层中第i个神经元的偏置项,ReLU(·)是激活函数,p是时间序列数据的索引,N2是训练数据集中时间序列数据的数量,Xp是训练数据集中第p个时间序列数据,是逐元素相乘符号;
步骤S34:机器人故障判断,将测试数据集输入模型中,基于均方误差函数计算重建误差J,引入箱线图法作为故障判断的依据,若误差阈值下边缘LL≤重建误差J≤误差阈值上边缘UL,则判断机器人为正常状态;否则判断机器人为故障状态,计算误差阈值上边缘和误差阈值下边缘所用公式如下:
UL=Q3+1.5IQR;
LL=Q1+1.5IQR;
式中,UL是误差阈值上边缘,LL是误差阈值下边缘,Q3是模型在机器人正常状态下产生的重建误差分布的上四分位数,Q1是模型在机器人正常状态下产生的重建误差分布的下四分位数,IQR是四分位距。
通过执行上述操作,针对现有的机器人检测模型存在特征提取和数据恢复困难,导致模型泛化能力下降,过拟合更加严重,以及检测性能下降的问题,本方案通过编码器-解码器架构,能够有效地提取输入数据的特征,并进行准确的重建,加入Dropout层,丢弃部分神经元输出,能够防止模型在训练过程中过度拟合训练数据,提高模型的泛化能力,防止过拟合,引入了基于箱线图法的故障判断方法,结合模型产生的重建误差分布的上下四分位数,能够较准确地判断机器人是否处于故障状态。
实施例五,参阅图1和图4,该实施例基于上述实施例,在步骤S4中,模型最优参数确定具体包括以下步骤:
步骤S41:初始化个体位置,用模型参数代表个体的位置,基于个体搜索空间随机生成的第1个个体的初始位置,初始化第2-Nl个个体位置所用公式如下:
;
式中,是第a个个体的初始位置,/>是第a-1个个体的初始位置,a是个体索引,Nl是个体总数量,β是控制因子,β∈(0,4];
步骤S42:确定全局最优位置,将基于模型参数建立的机器人故障检测模型性能作为个体的适应度值,更新个体的适应度值,选择具有最高适应度值的个体对应位置作为全局最优位置Wbest;
步骤S43:计算自适应惯性加权因子,所用公式如下:
;
式中,ε(t)是第t次迭代时的自适应惯性加权因子,t是迭代次数索引,T是最大迭代次数,e是欧拉常数;
步骤S44:计算切换因子,所用公式如下:
;
;
式中,H1(t)是第t次迭代时的第一切换因子,H2(t)是第t次迭代时的第二切换因子,q1是第一调整因子,q1用于调整正弦曲线的频率,q2是第二调整因子,q2用于调整指数项的衰减程度,t是迭代次数索引,T是最大迭代次数,e是欧拉常数;
步骤S45:位置搜索,若|H1(t)|>|H2(t)|时,转至步骤S451,进行局部搜索;否则,转至步骤S452,进行全局搜索,步骤如下:
步骤S451:局部搜索,所用公式如下:
;
式中,是第t+1次迭代时第a个个体进行局部搜索后的位置,Wa(t)是第t次迭代时第a个个体的位置,rand(·)是随机数生成函数,Wbest(t)是第t次迭代时的全局最优位置,f、b和γ是[0,1]内互相独立的三个随机数,u是搜索步长,t是迭代次数索引,a是个体索引,Nl是个体总数量,ε(t)是第t次迭代时的自适应惯性加权因子;
步骤S452:全局搜索,更新个体的适应度值,从第t次迭代后的个体中选择前个适应度值高的个体,计算前/>个适应度值高的个体的中心位置Wen(t),基于中心位置Wen(t)进行全局位置搜索,所用公式如下:
;
;
式中,是第t+1次迭代时第a个个体进行全局搜索后的位置,c是前/>个适应度值高的个体索引,[·]是取整符号,Wc(t)是第t次迭代时第c个个体的位置,F(Wc(t))是Wc(t)的适应度值,r和s是两个随机个体索引,Wr(t)是第t次迭代时第r个个体的位置,Ws(t)是第t次迭代时第s个个体的位置,Wen(t)是第t次迭代时前/>个适应度值高的个体的中心位置,t是迭代次数索引,a是个体索引,Nl是个体总数量,ε(t)是第t次迭代时的自适应惯性加权因子,Wa(t)是第t次迭代时第a个个体的位置,f、b和γ是互相独立的三个随机数,u是搜索步长;
步骤S46:最优参数确定,预先设定适应度值阈值θ,更新位置搜索后的全局最优位置,当全局最优位置对应的适应度值高于适应度值阈值θ时,全局最优位置对应的模型参数为最优参数,基于最优参数构建机器人故障检测模型;否则,若达到最大迭代次数T,则转至步骤S41;否则转至步骤S43。
通过执行上述操作,针对现有机器人故的障检测模型参数搜索方法存在局部最优解问题和搜索空间的维度灾难问题,本方案通过控制因子的调节,可以有效探索个体搜索空间,引入自适应惯性加权因子,根据迭代次数动态调整个体位置更新的权重,增强模型参数搜索的收敛性和稳定性,基于切换因子控制局部搜索和全局搜索的切换策略,增加了搜索的多样性和全局优化能力。
实施例六,参阅图1,该实施例基于上述实施例,在步骤S5中,机器人故障检测是实时采集机器人运行时间序列数据,在对采集的数据进行预处理后,输入至机器人故障检测模型中进行预测实时检测,基于输出的检测标签得到机器人当前运行状态。
实施例七,参阅图2,该实施例基于上述实施例,本发明提供的基于人工智能的机器人故障检测系统,包括数据采集模块、数据预处理模块、构建机器人故障检测模型模块、模型最优参数确定模块和机器人故障检测模块;
所述数据采集模块采集机器人历史运行时间序列数据和运行状态,并将数据发送到数据预处理模块;
所述数据预处理模块对采集的数据进行数据清洗和数据归一化,使用滑动窗口算法进行数据分割,构建训练数据集和测试数据集,并将数据发送至构建机器人故障检测模型模块;
所述构建机器人故障检测模型模块通过编码器-解码器架构提取数据的特征,并进行准确的重建,引入Dropout层,丢弃部分神经元输出,引入箱线图法进行故障判断,结合模型产生的重建误差分布的上下四分位数,判断机器人状态,并将数据发送至模型最优参数确定模块;
所述模型最优参数确定模块通过控制因子的调节有效探索个体搜索空间,引入自适应惯性加权因子,根据迭代次数动态调整个体位置更新的权重,基于切换因子控制局部搜索和全局搜索的切换策略,找到最优的模型参数,并将数据发送至机器人故障检测模块;
所述机器人故障检测模块实时采集市场规模数据、客户数据、产品数据、促销数据和外部环境数据,基于市场需求预测模型输出的预测标签得到未来市场的需求。
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。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (9)
1.基于人工智能的机器人故障检测方法,其特征在于:该方法包括以下步骤:
步骤S1:数据采集;
步骤S2:数据预处理,使用滑动窗口算法进行数据分割;
步骤S3:构建机器人故障检测模型,通过编码器-解码器架构提取数据的特征,并进行准确的重建,加入Dropout层,丢弃部分神经元输出,引入箱线图法进行故障判断,结合模型产生的重建误差分布的上下四分位数,判断机器人状态;
步骤S4:模型最优参数确定,通过控制因子的调节有效探索个体搜索空间,引入自适应惯性加权因子,根据迭代次数动态调整个体位置更新的权重,基于切换因子控制局部搜索和全局搜索的切换策略,找到最优的模型参数;
步骤S5:机器人故检测障。
2.根据权利要求1所述的基于人工智能的机器人故障检测方法,其特征在于:在步骤S3中,所述构建机器人故障检测模型具体包括以下步骤:
步骤S31:模型架构,模型由编码器和解码器组成,编码器由卷积层、Dropout层和池化层组成,解码器由上采样层和反卷积层组成,随机初始化模型的权重和偏置项;
步骤S32:构建编码器;
步骤S33:构建解码器;
步骤S34:机器人故障判断,将测试数据集输入模型中,基于均方误差函数计算重建误差J,引入箱线图法作为故障判断的依据,若误差阈值下边缘LL≤重建误差J≤误差阈值上边缘UL,则判断机器人为正常状态;否则判断机器人为故障状态,计算误差阈值上边缘和误差阈值下边缘所用公式如下:
UL=Q3+1.5IQR;
LL=Q1+1.5IQR;
式中,UL是误差阈值上边缘,LL是误差阈值下边缘,Q3是模型在机器人正常状态下产生的重建误差分布的上四分位数,Q1是模型在机器人正常状态下产生的重建误差分布的下四分位数,IQR是四分位距。
3.根据权利要求2所述的基于人工智能的机器人故障检测方法,其特征在于:在步骤S32中,所述构建编码器具体包括以下步骤:
步骤S321:计算卷积层中神经元的输出,所用公式如下:
;
式中,Ci是卷积层中第i个神经元的输出,ReLU(·)是激活函数,Xp是训练数据集中第p个时间序列数据,p是时间序列数据的索引,ω1i是卷积层中第i个神经元的权重,h1i是卷积层中第i个神经元的偏置项,是逐元素相乘符号,N2是训练数据集中时间序列数据的数量;
步骤S322:计算Dropout层中神经元的输出,预先设置丢弃率d,为每个神经元随机生成一个随机数ni,若随机数ni≥丢弃率d,则将神经元i的输出置为零;否则,保留神经元i并对神经元输出值进行缩放,缩放所用公式如下:
;
式中,是缩放后Dropout层中第i个神经元的输出,mi是Dropout层中第i个神经元的原始输出,d是丢弃率;
步骤S323:计算池化层的输出,所用公式如下:
;
式中,g(v)是池化层的输出,U是滑动窗口长度,E是训练数据集中的时间序列数据总长度,A是池化窗口大小,k是池化步长,v是滑动窗口的索引。
4.根据权利要求2所述的基于人工智能的机器人故障检测方法,其特征在于:在步骤S33中,所述构建解码器具体包括以下步骤:
步骤S331:计算上采样层的输出,所用公式如下:
;
式中,Bz是上采样层中第z个时间窗口对应的输出,z是时间窗口的索引,w是第z个时间窗口的起始位置,2w是第z个时间窗口的结束位置,jz是第z个时间窗口的起始索引,X是训练数据集中的时间序列数据;
步骤S332:计算反卷积层中神经元的输出,所用公式如下:
;
式中,Di是反卷积层中第i个神经元的输出,ω2i是反卷积层中第i个神经元的权重,h2i是反卷积层中第i个神经元的偏置项,ReLU(·)是激活函数,p是时间序列数据的索引,N2是训练数据集中时间序列数据的数量,Xp是训练数据集中第p个时间序列数据,是逐元素相乘符号。
5.根据权利要求1所述的基于人工智能的机器人故障检测方法,其特征在于:在步骤S4中,所述模型最优参数确定具体包括以下步骤:
步骤S41:初始化个体位置,用模型参数代表个体的位置,基于个体搜索空间随机生成的第1个个体的初始位置,初始化第2-Nl个个体位置所用公式如下:
;
式中,是第a个个体的初始位置,/>是第a-1个个体的初始位置,a是个体索引,Nl是个体总数量,β是控制因子;
步骤S42:确定全局最优位置,将基于模型参数建立的机器人故障检测模型性能作为个体的适应度值,更新个体的适应度值,选择具有最高适应度值的个体对应位置作为全局最优位置Wbest;
步骤S43:计算自适应惯性加权因子,所用公式如下:
;
式中,ε(t)是第t次迭代时的自适应惯性加权因子,t是迭代次数索引,T是最大迭代次数,e是欧拉常数;
步骤S44:计算切换因子,所用公式如下:
;
;
式中,H1(t)是第t次迭代时的第一切换因子,H2(t)是第t次迭代时的第二切换因子,q1是第一调整因子,q2是第二调整因子,t是迭代次数索引,T是最大迭代次数,e是欧拉常数;
步骤S45:位置搜索;
步骤S46:最优参数确定,预先设定适应度值阈值θ,更新位置搜索后的全局最优位置,当全局最优位置对应的适应度值高于适应度值阈值θ时,全局最优位置对应的模型参数为最优参数,基于最优参数构建机器人故障检测模型;否则,若达到最大迭代次数T,则转至步骤S41;否则转至步骤S43。
6.根据权利要求5所述的基于人工智能的机器人故障检测方法,其特征在于:在步骤S45中,若|H1(t)|>|H2(t)|时,转至步骤S451,进行局部搜索;否则,转至步骤S452,进行全局搜索,所述位置搜索具体包括以下步骤:
步骤S451:局部搜索,所用公式如下:
;
式中,是第t+1次迭代时第a个个体进行局部搜索后的位置,Wa(t)是第t次迭代时第a个个体的位置,Wbest(t)是第t次迭代时的全局最优位置,f、b和γ是互相独立的三个随机数,u是搜索步长,t是迭代次数索引,a是个体索引,Nl是个体总数量,ε(t)是第t次迭代时的自适应惯性加权因子;
步骤S452:全局搜索,更新个体的适应度值,从第t次迭代后的个体中选择前个适应度值高的个体,计算前/>个适应度值高的个体的中心位置Wen(t),基于中心位置Wen(t)进行全局位置搜索,所用公式如下:
;
;
式中,是第t+1次迭代时第a个个体进行全局搜索后的位置,c是前/>个适应度值高的个体索引,[·]是取整符号,Wc(t)是第t次迭代时第c个个体的位置,F(Wc(t))是Wc(t)的适应度值,r和s是两个随机个体索引,Wr(t)是第t次迭代时第r个个体的位置,Ws(t)是第t次迭代时第s个个体的位置,Wen(t)是第t次迭代时前/>个适应度值高的个体的中心位置,t是迭代次数索引,a是个体索引,Nl是个体总数量,ε(t)是第t次迭代时的自适应惯性加权因子,Wa(t)是第t次迭代时第a个个体的位置,f、b和γ是互相独立的三个随机数,u是搜索步长。
7.根据权利要求1所述的基于人工智能的机器人故障检测方法,其特征在于:在步骤S2中,所述数据预处理具体包括以下步骤:
步骤S21:数据清洗和数据归一化,删除机器人数据集中的重复数据和噪声,填补缺失数据和异常数据,使用最小-最大归一化方法对数据进行缩放,统一数据的尺度;
步骤S22:数据分割,使用滑动窗口算法对机器人数据集中的时间序列数据进行数据分割,将数据划分为多个连续时间段,机器人数据集中的时间序列数据总长度为L,预先设定窗口长度W和滑动步长λ,滑动窗口算法将采集的时间序列数据分割成个时间窗口,将窗口起始位置初始化为0,从窗口起始位置开始,依次取连续的W个时间序列数据作为一个时间窗口,并记录该时间窗口内的机器人运行状态,然后将窗口起始位置向后滑动λ个位置,继续取下一个时间窗口,直到遍历完整个机器人数据集,每个窗口内的时间序列数据表示一个连续时间段内的机器人运行状态;
步骤S23:构建训练数据集和测试数据集。
8.根据权利要求1所述的基于人工智能的机器人故障检测方法,其特征在于:在步骤S1中,所述数据采集是采集机器人历史运行时间序列数据和运行状态,所述运行状态包括正常状态和故障状态,将运行状态作为检测标签,基于采集的时间序列数据构建机器人数据集;
在步骤S5中,所述机器人故障检测是实时采集机器人运行时间序列数据,在对采集的数据进行预处理后,输入至机器人故障检测模型中进行预测实时检测,基于输出的检测标签得到机器人当前运行状态。
9.基于人工智能的机器人故障检测系统,用于实现如权利要求1-8中任一项所述的基于人工智能的机器人故障检测方法,其特征在于:包括数据采集模块、数据预处理模块、构建机器人故障检测模型模块、模型最优参数确定模块和机器人故障检测模块;
所述数据采集模块采集机器人历史运行时间序列数据和运行状态,并将数据发送到数据预处理模块;
所述数据预处理模块对采集的数据进行数据清洗和数据归一化,使用滑动窗口算法进行数据分割,构建训练数据集和测试数据集,并将数据发送至构建机器人故障检测模型模块;
所述构建机器人故障检测模型模块通过编码器-解码器架构提取数据的特征,并进行准确的重建,引入Dropout层,丢弃部分神经元输出,引入箱线图法进行故障判断,结合模型产生的重建误差分布的上下四分位数,判断机器人状态,并将数据发送至模型最优参数确定模块;
所述模型最优参数确定模块通过控制因子的调节有效探索个体搜索空间,引入自适应惯性加权因子,根据迭代次数动态调整个体位置更新的权重,基于切换因子控制局部搜索和全局搜索的切换策略,找到最优的模型参数,并将数据发送至机器人故障检测模块;
所述机器人故障检测模块实时采集市场规模数据、客户数据、产品数据、促销数据和外部环境数据,基于市场需求预测模型输出的预测标签得到未来市场的需求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410070586.2A CN117584136B (zh) | 2024-01-18 | 2024-01-18 | 基于人工智能的机器人故障检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410070586.2A CN117584136B (zh) | 2024-01-18 | 2024-01-18 | 基于人工智能的机器人故障检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117584136A true CN117584136A (zh) | 2024-02-23 |
CN117584136B CN117584136B (zh) | 2024-03-29 |
Family
ID=89922288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410070586.2A Active CN117584136B (zh) | 2024-01-18 | 2024-01-18 | 基于人工智能的机器人故障检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117584136B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN108828944A (zh) * | 2018-06-21 | 2018-11-16 | 山东大学 | 基于改进pso及svm的编码器故障诊断系统及方法 |
CN109002948A (zh) * | 2018-10-29 | 2018-12-14 | 中冶赛迪电气技术有限公司 | 基于cda-bp的微电网短期光伏发电功率预测方法 |
CN113219943A (zh) * | 2021-04-24 | 2021-08-06 | 浙江大学 | 一种无需对水下机器人本身进行数学建模的故障诊断方法 |
CN113902946A (zh) * | 2021-10-08 | 2022-01-07 | 武汉大学 | 电力系统故障方位判别方法、装置、终端设备及存储介质 |
CN114792126A (zh) * | 2022-05-17 | 2022-07-26 | 西南石油大学 | 一种基于遗传算法的卷积神经网络设计方法 |
CN115099286A (zh) * | 2022-07-15 | 2022-09-23 | 广东工业大学 | 一种注意力增强的谐波减速器微小故障诊断方法和系统 |
CN116821783A (zh) * | 2023-04-27 | 2023-09-29 | 天津大学 | 一种故障检测方法、系统、设备及介质 |
CN117314891A (zh) * | 2023-11-23 | 2023-12-29 | 深圳市永泰光电有限公司 | 一种基于图像处理的光学镜头表面缺陷检测方法及系统 |
CN117349797A (zh) * | 2023-12-04 | 2024-01-05 | 四川航空股份有限公司 | 基于人工智能的飞机故障检测方法及系统 |
CN117372677A (zh) * | 2023-10-08 | 2024-01-09 | 江苏新绿能科技有限公司 | 一种高速铁路接触网紧固件开口销健康状态检测方法 |
-
2024
- 2024-01-18 CN CN202410070586.2A patent/CN117584136B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN108828944A (zh) * | 2018-06-21 | 2018-11-16 | 山东大学 | 基于改进pso及svm的编码器故障诊断系统及方法 |
CN109002948A (zh) * | 2018-10-29 | 2018-12-14 | 中冶赛迪电气技术有限公司 | 基于cda-bp的微电网短期光伏发电功率预测方法 |
CN113219943A (zh) * | 2021-04-24 | 2021-08-06 | 浙江大学 | 一种无需对水下机器人本身进行数学建模的故障诊断方法 |
CN113902946A (zh) * | 2021-10-08 | 2022-01-07 | 武汉大学 | 电力系统故障方位判别方法、装置、终端设备及存储介质 |
CN114792126A (zh) * | 2022-05-17 | 2022-07-26 | 西南石油大学 | 一种基于遗传算法的卷积神经网络设计方法 |
CN115099286A (zh) * | 2022-07-15 | 2022-09-23 | 广东工业大学 | 一种注意力增强的谐波减速器微小故障诊断方法和系统 |
CN116821783A (zh) * | 2023-04-27 | 2023-09-29 | 天津大学 | 一种故障检测方法、系统、设备及介质 |
CN117372677A (zh) * | 2023-10-08 | 2024-01-09 | 江苏新绿能科技有限公司 | 一种高速铁路接触网紧固件开口销健康状态检测方法 |
CN117314891A (zh) * | 2023-11-23 | 2023-12-29 | 深圳市永泰光电有限公司 | 一种基于图像处理的光学镜头表面缺陷检测方法及系统 |
CN117349797A (zh) * | 2023-12-04 | 2024-01-05 | 四川航空股份有限公司 | 基于人工智能的飞机故障检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117584136B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063615B (zh) | 一种手语识别方法及系统 | |
CN108320306B (zh) | 融合tld和kcf的视频目标跟踪方法 | |
CN110120064A (zh) | 一种基于互强化与多注意机制学习的深度相关目标跟踪算法 | |
CN111080675A (zh) | 一种基于时空约束相关滤波的目标跟踪方法 | |
CN112651998B (zh) | 基于注意力机制和双流多域卷积神经网络的人体跟踪算法 | |
CN112949828A (zh) | 一种基于图学习的图卷积神经网络交通预测方法及系统 | |
CN112396001B (zh) | 基于人体姿态估计和tpa注意力机制的跳绳个数统计方法 | |
CN112884742A (zh) | 一种基于多算法融合的多目标实时检测、识别及跟踪方法 | |
CN110930378A (zh) | 基于低数据需求的肺气肿影像处理方法及系统 | |
CN111583294A (zh) | 一种结合尺度自适应与模型更新的目标跟踪方法 | |
CN116595465A (zh) | 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统 | |
CN115587335A (zh) | 异常值检测模型的训练方法、异常值检测方法及系统 | |
CN117458480A (zh) | 基于改进lof的光伏发电功率短期预测方法及系统 | |
CN118133203A (zh) | 一种电能计量检测信息故障诊断方法 | |
CN115544239A (zh) | 一种基于深度学习模型的布局偏好预测方法 | |
CN114707577A (zh) | 一种基于自对抗变分自编码器的异常检测方法及系统 | |
Zhang et al. | Residual memory inference network for regression tracking with weighted gradient harmonized loss | |
Xie et al. | Robust incremental long-term visual topological localization in changing environments | |
CN117373375B (zh) | 一种板载led互动系统及其控制方法 | |
CN117584136B (zh) | 基于人工智能的机器人故障检测方法及系统 | |
CN116912570A (zh) | 一种yolo算法模型训练方法、目标检测方法、芯片及机器人 | |
CN117371573A (zh) | 基于TrAdaBoost-LSTM的时间序列预测方法、装置及介质 | |
Copiaco et al. | Exploring deep time-series imaging for anomaly detection of building energy consumption | |
CN115836849A (zh) | 一种基于对比测试时间适应的心率失常分类方法 | |
CN115861625A (zh) | 一种处理噪声标签的自标签修改方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |