CN117961976A - 基于生成扩散迁移的装配机器人在线检测方法及装置 - Google Patents
基于生成扩散迁移的装配机器人在线检测方法及装置 Download PDFInfo
- Publication number
- CN117961976A CN117961976A CN202410375666.9A CN202410375666A CN117961976A CN 117961976 A CN117961976 A CN 117961976A CN 202410375666 A CN202410375666 A CN 202410375666A CN 117961976 A CN117961976 A CN 117961976A
- Authority
- CN
- China
- Prior art keywords
- fault
- sample data
- loss function
- data set
- signal 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.)
- Granted
Links
- 238000009792 diffusion process Methods 0.000 title claims abstract description 21
- 238000013508 migration Methods 0.000 title claims abstract description 15
- 230000005012 migration Effects 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 230000006870 function Effects 0.000 claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 238000003860 storage Methods 0.000 claims abstract description 16
- 238000002372 labelling Methods 0.000 claims abstract description 11
- 108020001568 subdomains Proteins 0.000 claims abstract description 5
- 238000004590 computer program Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 12
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 description 1
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 210000000299 nuclear matrix Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- 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
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/1653—Programme controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error analysis
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manipulator (AREA)
- Feedback Control In General (AREA)
Abstract
本申请的实施例提供了基于生成扩散迁移的装配机器人在线检测方法、装置、设备和计算机可读存储介质。所述方法包括获取装配机器人的信号数据;将所述信号数据输入到已训练的故障识别模型中,得到当前装配作业的故障类型,其中,所述故障识别模型可通过如下方式进行训练:获取样本数据集合;所述样本数据集合包括带有标注信息的样本数据;将所述样本数据拆分为两个子域;基于有监督的训练方式和无监督的训练方式,利用神经网络模型对两个子域中的样本数据进行学习,得到目标损失函数;基于所述目标损失函数完成对所述故障识别模型的训练。以此方式,能够实现装配机器人的在线实时故障诊断,大幅度提高了生产效率。
Description
技术领域
本申请的实施例涉及装配机器人在线检测领域,尤其涉及基于生成扩散迁移的装配机器人在线检测方法、装置、设备和计算机可读存储介质。
背景技术
随着智能制造的发展,机器人进入工厂已经成为必不可缺的一环。利用机器人代替人工进行装配作业,可以在智能制造中可以实现自动化装配、提高生产效率、保证产品质量,同时改善工作环境和人机协作。
尽管装配机器人在智能制造中具有广泛的应用前景,但也存在一些技术难点需要克服:例如①视觉感知和定位;②物体识别和分拣;③灵活性和适应性;④精确控制和力反馈等。上述技术难点会使机器人产生故障从而导致装配任务的失败,包括:①定位错误;②抓取失败;③连接错误;④误差累积;⑤碰撞和干涉;⑥错误的装配顺序等。这些装配任务失败的类型可能会导致装配质量下降、生产效率降低或者需要进行重新装配和调整。
因此,在机器人进行装配作业时进行实时的、准确的装配故障类型的识别和监测,以减少上述装配任务失败的几率,是目前亟需解决的问题。
发明内容
根据本申请的实施例,提供了一种基于生成扩散迁移的装配机器人在线检测方案,能够实现装配机器人的在线实时故障诊断,以识别出机器人在作业时发生了何种失败的装配任务,为后续机器人任务规划和控制提供了感知基础,大幅度提高了生产效率。
在本申请的第一方面,提供了一种基于生成扩散迁移的装配机器人在线检测方法。该方法包括:
获取装配机器人的信号数据;
将所述信号数据输入到已训练的故障识别模型中,得到当前装配作业的故障类型;
其中,所述故障识别模型可通过如下方式进行训练:
获取样本数据集合;所述样本数据集合包括带有标注信息的样本数据;所述标注信息包括故障标签;
将所述样本数据拆分为两个子域;
基于有监督的训练方式,利用神经网络模型对所述样本数据集合中的数据进行学习,得到故障分类损失函数;基于无监督的训练方式,利用神经网络模型对两个子域中的样本数据进行学习,得到两个子域的域间损失函数,利用所述故障分类损失函数和所述域间损失函数构建目标损失函数;
对所述训练样本数据集合中的样本进行训练,以所述样本数据集合中的样本作为输入,以故障标签作为输出,当输出的故障标签与标注的故障标签的目标损失函数满足预设阈值时,完成对所述故障识别模型的训练。
进一步地,所述样本数据集合包括:
获取装配机器人的原始信号数据;
逐步向所述原始信号数据中添加高斯噪声,得到第一数据集合;
对所述第一数据集合中的信号数据进行反向去噪,得到与所述原始信号数据具有相同高斯分布的样本数据集合。
进一步地,通过如下公式逐步向所述原始信号数据中添加高斯噪声,得到第一数据集合包括:
;
;
其中,为原始信号数据;
为添加噪声后的信号数据;
为单调递增的方差控制参数。
进一步地,通过如下方式对所述第一数据集合中的信号数据进行反向去噪,得到与所述原始信号数据具有相同高斯分布的样本数据集合包括:
;
其中,为均值参数;
为方差参数。
进一步地,所述基于无监督的训练方式,利用神经网络模型对两个子域中的样本数据进行学习,得到两个子域的域间损失函数包括:
计算两个子域间的核函数映射;
基于所述核函数映射,计算两个子域间的最大均值差异;
利用神经网络模型优化所述最大均值差异,得到两个子域的域间损失函数。
进一步地,所述基于所述核函数映射,计算两个子域间的最大均值差异包括:
;
;
;
;
其中,和/>分别为两个子域内部的最大均值差异;
为两个子域间的最大均值差异;
k(·,·)表示核函数。
进一步地,所述基于有监督的训练方式,利用神经网络模型对所述样本数据集合中的数据进行学习,得到故障分类损失函数包括:
基于有监督的训练方式,利用两个相同的一维卷积神经网络模型分别对两个子域中的样本数据进行学习,得到第一故障分类损失函数和第二故障分类损失函数;
基于所述第一故障分类损失函数和第二故障分类损失函数,组成故障分类损失函数。
在本申请的第二方面,提供了一种基于生成扩散迁移的装配机器人在线检测装置。该装置包括:
获取模块,用于获取装配机器人的信号数据;
识别模块,用于将所述信号数据输入到已训练的故障识别模型中,得到当前装配作业的故障类型;
其中,所述故障识别模型可通过如下方式进行训练:
获取样本数据集合;所述样本数据集合包括带有标注信息的样本数据;所述标注信息包括故障标签;
将所述样本数据拆分为两个子域;
基于有监督的训练方式,利用神经网络模型对所述样本数据集合中的数据进行学习,得到故障分类损失函数;基于无监督的训练方式,利用神经网络模型对两个子域中的样本数据进行学习,得到两个子域的域间损失函数,利用所述故障分类损失函数和所述域间损失函数构建目标损失函数;
对所述训练样本数据集合中的样本进行训练,以所述样本数据集合中的样本作为输入,以故障标签作为输出,当输出的故障标签与标注的故障标签的目标损失函数满足预设阈值时,完成对所述故障识别模型的训练。
在本申请的第三方面,提供了一种电子设备。该电子设备包括:存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
在本申请的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如根据本申请的第一方面的方法。
本申请实施例提供的基于生成扩散迁移的装配机器人在线检测方法,基于原始的小样本信号,即可训练出可生成数据的生成扩散模型,并基于生成的数据训练出基于迁移学习故障诊断模型以解决生成信号和原始信号间故障特征的差异问题,从而训练出高精度的故障诊断模型;然后将训练的生成扩散模型和故障诊断模型部署在装配机器人的边缘侧设备,实现了实时的小样本数据的生成和故障监测,大幅度提升了生产效率。
应当理解,发明内容部分中所描述的内容并非旨在限定本申请的实施例的关键或重要特征,亦非用于限制本申请的范围。本申请的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本申请各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1为根据本申请的实施例的基于生成扩散迁移的装配机器人在线检测方法的流程图;
图2为根据本申请的实施例的基于生成扩散迁移的装配机器人在线检测装置的方框图;
图3为适于用来实现本申请实施例的终端设备或服务器的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,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全部其他实施例,都属于本公开保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1示出了根据本公开实施例的基于生成扩散迁移的装配机器人在线检测方法的流程图。所述方法包括:
S110,获取装配机器人的信号数据。
在一些实施例中,可通过安装在装配机器人末端执行器的夹具上的六维力传感器,获取装配机器人的信号数据;所述信号数据包括装配机器人进行装配作业时的力和力矩Fx、Fy、Fz、Mx、My、Mz六个分量。
在一些实施例中,在每一种装配任务失败的情况下,都测量并收集该种故障下的力和力矩信号,用以为后续的模型训练提供数据基础。
S120,将所述信号数据输入到已训练的故障识别模型中,得到当前装配作业的故障类型。
通常装配机器人作业任务失败往往是发生在一个短暂的时间段内,在该时间段内采集的信号数据量太少,如此的小样本数据难以支撑深度模型的训练,因此需要更多的数据以供故障诊断模型进行离线的训练。
在本公开中,可通过如下方式进行原本数据的扩展:
六维力传感器采集的原始信号为:=[Fx、Fy、Fz、Mx、My、Mz]组成的数据矩阵,首先对/>添加噪声变为/>,该过程/>只和上一时刻的/>有关,该过程可视为马尔科夫过程,即通过下式往原始数据S0~q(S)中逐步的添加高斯噪声,构建第一数据集合:
;
;
T步过后,数据就变为了纯高斯噪声~N(0,/>);
其中,为给定的单调递增的方差控制参数,用于控制每次增加的噪声的大小。
假设:
;
则,基于马尔可夫过程特性以及高斯分布的叠加性,可以得到和/>的关系:
;
为了生成与原始信号相同分布的数据,需要对随机的噪声数据(第一噪声集合中的数据)进行反向去噪,得到类似原始数据的生成数据。即,需要进行逆向过程;
进一步地,为了更好的实现逆向过程,可采用深度网络(机械学习)来拟合概率分布,用以替代/>。因为/>符合高斯分布,则可以得出:
;
其中,,/>是需要使用深度模型预测得到的均值参数和方差参数。
由此,可训练出可以精准预测均值和方差的深度网络。即,可以将随机噪声数据生成为和原始信号具有相同分布的新数据。该深度网络即为生成扩散模型,可以生成足够多的信号数据以克服小样本的缺点,为训练出故障诊断模型奠定数据量的基础。
在一些实施例中,通过上述模型可以获得足够多数量的信号数据,即样本数据集合D,D=S0+St,包括了m种故障类型以及相应的故障标签,该生成的信号数据可被标记为不同的故障类型。生成的数据和原始信号数据/>仍可能存在特征不对齐的问题,给故障特征的识别带来困难。因此,在本公开中可将信号数据进行如下处理:
将样本数据集合分为两个子域(源域样本)和/>(目标域样本),令:
D=[F xn ,F yn ,F zn ,M xn ,M yn ,M zn ];
其中,n为每一维信号数据的总数,∈D,则将/>定义为随机从D中取一半数量的信号数据:/>~D,/>=D-/>。
进一步地,可利用最大均值差异(Maximum Mean Discrepancy,MMD)来度量两个概率分布之间的差异。
具体地,首先计算源域样本和目标域样本/>在特征空间中的核函数映射,分别为:
;
;
进一步地,计算源域样本内部的核矩阵、目标域样本内部的核矩阵/>和源域样本与目标域样本之间的核矩阵/>:
;
;
;
k(·,·)表示核函数;
计算源域样本内部的MMD值、目标域样本内部的MMD值/>和源域样本与目标域样本之间的MMD值/>:
;
;
;
进一步地,根据MMD值计算领域间的最大均值差异:
;
根据最大均值差异进行样本和/>领域适应,利用神经网络优化最大均值差异(MMD),即使用神经网络来学习样本的特征表示,并通过梯度下降等方法来减小MMD值可以使用梯度下降等方法对目标域进行优化,使得最大均值差异尽可能小。
为了实现源域和目标域的特征迁移,为两个域构建相同的一维卷积神经网络并行训练。网络的优化目标分为两个部分:有监督学习下的故障分类损失lSOFT和无监督学习下的域间损失lMMD。因此网络的总损失为:
lTOTAL=lSOFT+lMMD;
lSOFT=lSOFT1+lSOFT2;
其中,lSOFT1为源域的一维卷积神经网络进行反向传播的故障分类损失;
lSOFT2为目标域的一维卷积神经网络进行反向传播的故障分类损失。
即,基于有监督的训练方式,利用两个相同的一维卷积神经网络模型分别对两个子域中的样本数据进行学习,得到第一故障分类损失函数和第二故障分类损失函数;基于所述第一故障分类损失函数和第二故障分类损失函数,组成故障分类损失函数;
基于无监督的训练方式,利用神经网络模型对两个子域中的样本数据进行学习,得到两个子域的域间损失函数,利用所述故障分类损失函数和所述域间损失函数构建目标损失函数。
进一步地,进行神经网络训练时,可将上述特征数据以7:3的比例分为训练集和测试集,将训练集送入CNN网络中进行训练,并利用测试集进行泛化性测试,最终当训练的损失达到最小且在测试集中实现高精度的故障识别后,将此时的CNN网络模型保存下来,该模型即为故障诊断模型。
即,对所述训练样本数据集合中的样本进行训练,以所述样本数据集合中的样本作为输入,以故障标签作为输出,当输出的故障标签与标注的故障标签的目标损失函数满足预设阈值时,完成对所述故障识别模型的训练。
通过上述步骤,可离线训练出生成扩散模型和故障诊断模型。为了在线实时监测机器人装配作业的故障情况,可在装配机器人的边缘端部署边缘服务器,并将上述训练并保存的生成扩散模型和故障诊断模型部署到装配机器人的边缘服务器内。
在装配机器人进行装配任务时,将此时采集的小样本信号矩阵[Fx、Fy、Fz、Mx、My、Mz]传入边缘服务器内,该小样本数据先作为生成扩散模型的输入以生成足够多的数据,而后生成的数据作为故障诊断模型的输入以监测装配任务失败并辨识出失败的任务类型,实现了装配机器人作业时边缘端的在线实时故障监测。
根据本公开的实施例,实现了以下技术效果:
提出了用于力信号的生成扩散技术,解决了机器人在装配失败的瞬间可采集到的数据量小的问题;
通过迁移学习解决了生成的信号和原始信号间故障特征的差异问题;
结合边缘端的高效传输和计算,解决在线监测实时性差的问题。
利用该技术,可以实现装配机器人的在线实时故障诊断,以识别出机器人在作业时发生了何种失败的装配任务,实现了实时的小样本数据的生成和故障监测。为后续机器人任务规划和控制提供了感知基础。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本申请所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本申请所述方案进行进一步说明。
图2示出了根据本申请的实施例的基于生成扩散迁移的装配机器人在线检测装置200,如图2所示包括:
获取模块210,用于获取装配机器人的信号数据;
识别模块220,用于将所述信号数据输入到已训练的故障识别模型中,得到当前装配作业的故障类型;
其中,所述故障识别模型可通过如下方式进行训练:
获取样本数据集合;所述样本数据集合包括带有标注信息的样本数据;所述标注信息包括故障标签;
将所述样本数据拆分为两个子域;
基于有监督的训练方式,利用神经网络模型对所述样本数据集合中的数据进行学习,得到故障分类损失函数;基于无监督的训练方式,利用神经网络模型对两个子域中的样本数据进行学习,得到两个子域的域间损失函数,利用所述故障分类损失函数和所述域间损失函数构建目标损失函数;
对所述训练样本数据集合中的样本进行训练,以所述样本数据集合中的样本作为输入,以故障标签作为输出,当输出的故障标签与标注的故障标签的目标损失函数满足预设阈值时,完成对所述故障识别模型的训练。
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,所述描述的模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图3示出了适于用来实现本申请实施例的终端设备或服务器的结构示意图。
如图3所示,终端设备或服务器包括中央处理单元(CPU)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储部分308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有终端设备或服务器操作所需的各种程序和数据。CPU 301、ROM302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
以下部件连接至I/O接口305:包括键盘、鼠标等的输入部分306;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分307;包括硬盘等的存储部分308;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口305。可拆卸介质311,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器310上,以便于从其上读出的计算机程序根据需要被安装入存储部分308。
特别地,根据本申请的实施例,上文方法流程步骤可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在机器可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分309从网络上被下载和安装,和/或从可拆卸介质311被安装。在该计算机程序被中央处理单元(CPU)301执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本申请所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。其中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中的。上述计算机可读存储介质存储有一个或者多个程序,当上述前述程序被一个或者一个以上的处理器用来执行描述于本申请的方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的申请范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离前述申请构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中申请的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于生成扩散迁移的装配机器人在线检测方法,其特征在于,包括:
获取装配机器人的信号数据;
将所述信号数据输入到已训练的故障识别模型中,得到当前装配作业的故障类型;
其中,所述故障识别模型可通过如下方式进行训练:
获取样本数据集合;所述样本数据集合包括带有标注信息的样本数据;所述标注信息包括故障标签;
将所述样本数据拆分为两个子域;
基于有监督的训练方式,利用神经网络模型对所述样本数据集合中的数据进行学习,得到故障分类损失函数;基于无监督的训练方式,利用神经网络模型对两个子域中的样本数据进行学习,得到两个子域的域间损失函数,利用所述故障分类损失函数和所述域间损失函数构建目标损失函数;
对所述训练样本数据集合中的样本进行训练,以所述样本数据集合中的样本作为输入,以故障标签作为输出,当输出的故障标签与标注的故障标签的目标损失函数满足预设阈值时,完成对所述故障识别模型的训练。
2.根据权利要求1所述的方法,其特征在于,所述样本数据集合包括:
获取装配机器人的原始信号数据;
逐步向所述原始信号数据中添加高斯噪声,得到第一数据集合;
对所述第一数据集合中的信号数据进行反向去噪,得到与所述原始信号数据具有相同高斯分布的样本数据集合。
3.根据权利要求2所述的方法,其特征在于,通过如下公式逐步向所述原始信号数据中添加高斯噪声,得到第一数据集合包括:
;
;
其中,为原始信号数据;
为添加噪声后的信号数据;
为单调递增的方差控制参数。
4.根据权利要求3所述的方法,其特征在于,通过如下方式对所述第一数据集合中的信号数据进行反向去噪,得到与所述原始信号数据具有相同高斯分布的样本数据集合包括:
;
其中,为均值参数;
为方差参数。
5.根据权利要求1所述的方法,其特征在于,所述基于无监督的训练方式,利用神经网络模型对两个子域中的样本数据进行学习,得到两个子域的域间损失函数包括:
计算两个子域间的核函数映射;
基于所述核函数映射,计算两个子域间的最大均值差异;
利用神经网络模型优化所述最大均值差异,得到两个子域的域间损失函数。
6.根据权利要求5所述的方法,其特征在于,所述基于所述核函数映射,计算两个子域间的最大均值差异包括:
;
;
;
;
其中,和/>分别为两个子域内部的最大均值差异;
为两个子域间的最大均值差异;
k(·,·)表示核函数。
7.权利要求6所述的方法,其特征在于,所述基于有监督的训练方式,利用神经网络模型对所述样本数据集合中的数据进行学习,得到故障分类损失函数包括:
基于有监督的训练方式,利用两个相同的一维卷积神经网络模型分别对两个子域中的样本数据进行学习,得到第一故障分类损失函数和第二故障分类损失函数;
基于所述第一故障分类损失函数和第二故障分类损失函数,组成故障分类损失函数。
8.一种基于生成扩散迁移的装配机器人在线检测装置,其特征在于,包括:
获取模块,用于获取装配机器人的信号数据;
识别模块,用于将所述信号数据输入到已训练的故障识别模型中,得到当前装配作业的故障类型;
其中,所述故障识别模型可通过如下方式进行训练:
获取样本数据集合;所述样本数据集合包括带有标注信息的样本数据;所述标注信息包括故障标签;
将所述样本数据拆分为两个子域;
基于有监督的训练方式,利用神经网络模型对所述样本数据集合中的数据进行学习,得到故障分类损失函数;基于无监督的训练方式,利用神经网络模型对两个子域中的样本数据进行学习,得到两个子域的域间损失函数,利用所述故障分类损失函数和所述域间损失函数构建目标损失函数;
对所述训练样本数据集合中的样本进行训练,以所述样本数据集合中的样本作为输入,以故障标签作为输出,当输出的故障标签与标注的故障标签的目标损失函数满足预设阈值时,完成对所述故障识别模型的训练。
9.一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序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 |
---|---|---|---|
CN202410375666.9A CN117961976B (zh) | 2024-03-29 | 2024-03-29 | 基于生成扩散迁移的装配机器人在线检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410375666.9A CN117961976B (zh) | 2024-03-29 | 2024-03-29 | 基于生成扩散迁移的装配机器人在线检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117961976A true CN117961976A (zh) | 2024-05-03 |
CN117961976B CN117961976B (zh) | 2024-06-21 |
Family
ID=90863588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410375666.9A Active CN117961976B (zh) | 2024-03-29 | 2024-03-29 | 基于生成扩散迁移的装配机器人在线检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117961976B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118544364A (zh) * | 2024-07-26 | 2024-08-27 | 湖南大学 | 动态场景下基于间隙推理神经网络的机械臂碰撞估计方法 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183581A (zh) * | 2020-09-07 | 2021-01-05 | 华南理工大学 | 基于自适应迁移神经网络的半监督机械故障诊断方法 |
CN112192614A (zh) * | 2020-10-09 | 2021-01-08 | 西南科技大学 | 一种基于人机合作的核运维机器人轴孔装配方法 |
CN112434602A (zh) * | 2020-11-23 | 2021-03-02 | 西安交通大学 | 一种基于可迁移共特征空间挖掘的故障诊断方法 |
CN112560997A (zh) * | 2020-12-29 | 2021-03-26 | 珠海拓芯科技有限公司 | 故障识别模型训练方法、故障识别方法及相关装置 |
CN113723491A (zh) * | 2021-08-24 | 2021-11-30 | 哈尔滨理工大学 | 一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法 |
CN114755017A (zh) * | 2022-04-13 | 2022-07-15 | 湖南大学 | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 |
CN115099270A (zh) * | 2022-06-16 | 2022-09-23 | 浙江大学 | 一种基于子域适应对抗网络的变负载下轴承故障诊断方法 |
CN115098330A (zh) * | 2022-06-27 | 2022-09-23 | 重庆大学 | 基于云边协同模式的设备异常检测系统及方法 |
CN115146798A (zh) * | 2022-06-30 | 2022-10-04 | 华南理工大学 | 基于本体数据的装配机器人全流程监测与辅助方法及系统 |
US20220327035A1 (en) * | 2020-06-03 | 2022-10-13 | Soochow University | Intra-class adaptation fault diagnosis method for bearing under variable working conditions |
CN115600137A (zh) * | 2022-11-01 | 2023-01-13 | 西安电子科技大学(Cn) | 面向不完备类别数据的多源域变工况机械故障诊断方法 |
CN115758130A (zh) * | 2022-09-30 | 2023-03-07 | 中国民用航空飞行学院 | 一种无监督迁移学习的滚动轴承故障诊断方法及系统 |
CN116310496A (zh) * | 2023-01-30 | 2023-06-23 | 南京航空航天大学 | 基于域间注意力机制的航空发动机部分无监督跨域故障诊断方法 |
CN116401603A (zh) * | 2023-04-26 | 2023-07-07 | 哈尔滨工程大学 | 一种基于迁移学习的多模态轴承故障智能诊断方法 |
CN116524307A (zh) * | 2023-04-04 | 2023-08-01 | 南京大学 | 一种基于扩散模型的自监督预训练方法 |
CN116522118A (zh) * | 2023-05-16 | 2023-08-01 | 安阳工学院 | 一种基于改进无监督域自适应网络的故障诊断方法 |
CN116749171A (zh) * | 2023-05-04 | 2023-09-15 | 山东建筑大学 | 一种基于策略迁移的机器人轴孔装配方法 |
CN116958554A (zh) * | 2023-08-01 | 2023-10-27 | 长江时代通信股份有限公司 | 一种基于潜在扩散模型和多级上下文交叉一致性的半监督分割方法 |
CN117475191A (zh) * | 2023-06-30 | 2024-01-30 | 辽宁大学 | 一种特征对齐域对抗神经网络的轴承故障诊断方法 |
-
2024
- 2024-03-29 CN CN202410375666.9A patent/CN117961976B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220327035A1 (en) * | 2020-06-03 | 2022-10-13 | Soochow University | Intra-class adaptation fault diagnosis method for bearing under variable working conditions |
CN112183581A (zh) * | 2020-09-07 | 2021-01-05 | 华南理工大学 | 基于自适应迁移神经网络的半监督机械故障诊断方法 |
CN112192614A (zh) * | 2020-10-09 | 2021-01-08 | 西南科技大学 | 一种基于人机合作的核运维机器人轴孔装配方法 |
CN112434602A (zh) * | 2020-11-23 | 2021-03-02 | 西安交通大学 | 一种基于可迁移共特征空间挖掘的故障诊断方法 |
CN112560997A (zh) * | 2020-12-29 | 2021-03-26 | 珠海拓芯科技有限公司 | 故障识别模型训练方法、故障识别方法及相关装置 |
CN113723491A (zh) * | 2021-08-24 | 2021-11-30 | 哈尔滨理工大学 | 一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法 |
CN114755017A (zh) * | 2022-04-13 | 2022-07-15 | 湖南大学 | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 |
CN115099270A (zh) * | 2022-06-16 | 2022-09-23 | 浙江大学 | 一种基于子域适应对抗网络的变负载下轴承故障诊断方法 |
CN115098330A (zh) * | 2022-06-27 | 2022-09-23 | 重庆大学 | 基于云边协同模式的设备异常检测系统及方法 |
CN115146798A (zh) * | 2022-06-30 | 2022-10-04 | 华南理工大学 | 基于本体数据的装配机器人全流程监测与辅助方法及系统 |
CN115758130A (zh) * | 2022-09-30 | 2023-03-07 | 中国民用航空飞行学院 | 一种无监督迁移学习的滚动轴承故障诊断方法及系统 |
CN115600137A (zh) * | 2022-11-01 | 2023-01-13 | 西安电子科技大学(Cn) | 面向不完备类别数据的多源域变工况机械故障诊断方法 |
CN116310496A (zh) * | 2023-01-30 | 2023-06-23 | 南京航空航天大学 | 基于域间注意力机制的航空发动机部分无监督跨域故障诊断方法 |
CN116524307A (zh) * | 2023-04-04 | 2023-08-01 | 南京大学 | 一种基于扩散模型的自监督预训练方法 |
CN116401603A (zh) * | 2023-04-26 | 2023-07-07 | 哈尔滨工程大学 | 一种基于迁移学习的多模态轴承故障智能诊断方法 |
CN116749171A (zh) * | 2023-05-04 | 2023-09-15 | 山东建筑大学 | 一种基于策略迁移的机器人轴孔装配方法 |
CN116522118A (zh) * | 2023-05-16 | 2023-08-01 | 安阳工学院 | 一种基于改进无监督域自适应网络的故障诊断方法 |
CN117475191A (zh) * | 2023-06-30 | 2024-01-30 | 辽宁大学 | 一种特征对齐域对抗神经网络的轴承故障诊断方法 |
CN116958554A (zh) * | 2023-08-01 | 2023-10-27 | 长江时代通信股份有限公司 | 一种基于潜在扩散模型和多级上下文交叉一致性的半监督分割方法 |
Non-Patent Citations (1)
Title |
---|
张永宏;王逸飞;赵晓平;吴家新;王丽华;: "基于深度度量学习的电机故障诊断", 测控技术, no. 07 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118544364A (zh) * | 2024-07-26 | 2024-08-27 | 湖南大学 | 动态场景下基于间隙推理神经网络的机械臂碰撞估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117961976B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117961976B (zh) | 基于生成扩散迁移的装配机器人在线检测方法及装置 | |
Chen et al. | Toward intelligent machine tool | |
CN103197663B (zh) | 一种故障预测方法及系统 | |
CN112348052B (zh) | 一种基于改进EfficientNet的输变电设备异常声源定位方法 | |
CN116519021B (zh) | 一种惯性导航系统故障诊断方法、系统及设备 | |
CN112800616A (zh) | 基于比例加速退化建模的设备剩余寿命自适应预测方法 | |
CN109871002B (zh) | 基于张量标签学习的并发异常状态识别与定位系统 | |
CN117520924B (zh) | 基于多模态数据的海岛光伏运维故障原因分析方法及系统 | |
CN114037645A (zh) | 极片的涂布缺陷检测方法、装置、电子设备及可读介质 | |
CN115514679B (zh) | 一种基于通信模块的异常来源监测方法及系统 | |
KR20210135416A (ko) | 시편의 검사를 위한 알고리즘 모듈들의 자동 선택 | |
CN116894211A (zh) | 用于生成能由人类感知的解释性输出的系统及用于监控异常识别的方法和计算机程序 | |
CN112363465B (zh) | 一种专家规则集训练方法、训练器和工业设备预警系统 | |
CN110750455A (zh) | 基于系统日志分析的智能在线自更新故障诊断方法和系统 | |
CN112183555B (zh) | 焊接质量的检测方法、系统、电子设备和存储介质 | |
CN118035410A (zh) | 一种基于ChatGPT辅助的智能巡检方法及系统 | |
CN114037052A (zh) | 检测模型的训练方法、装置、电子设备及存储介质 | |
Li et al. | A remaining useful life prediction method considering the dimension optimization and the iterative speed | |
CN116975570A (zh) | 一种基于数字孪生的工业装备故障诊断方法及计算机设备 | |
US11693921B2 (en) | Data preparation for artificial intelligence models | |
Spruegel et al. | Methodology for plausibility checking of structural mechanics simulations using Deep Learning on existing simulation data | |
CN116028450A (zh) | 一种日志检测方法、装置及设备 | |
CN109886292B (zh) | 一种基于异常关联图的异常原因诊断方法 | |
CN114814759B (zh) | 基于数字孪生的机载雷达信号处理与数据存储方法及组件 | |
CN115167129B (zh) | 鲁棒故障检测方法、计算设备和存储介质 |
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 |