一种注意力增强的谐波减速器微小故障诊断方法和系统与流程

1.本发明涉及工业机器人的故障诊断技术领域，特别涉及一种注意力增强的谐波减速器微小故障诊断方法和系统。


背景技术：

2.当前高速发展的制造业对于高端的自动化生产设备有着迫切需求，以满足当前大规模、高精度和高复杂度产品的生产需求。作为高端生产设备中常见的传动部件，谐波减速器由于具有通用性强、可靠性高、重复精度好等优点，使得其在机电一体化设备中发挥着重要作用。在实际生产运行中，谐波减速器中一旦出现故障，将对实际的生产应用造成极大损失，因此谐波减速器的故障诊断有巨大的现实意义。
3.谐波减速器在长期的运行中可能刚轮断裂、柔轮疲劳和轴承磨损等问题。现有的故障诊断方法分为基于模型和基于数据驱动。1)基于模型的方法通常利用产品的生命周期和故障机理等先验性专业性知识，设计可靠的模型，通过公式中的相关参数设置和物理定律来估计设备状态和预测设备故障。虽然该方法具有深入动态系统的本质，能够实时进行故障检测和诊断。但基于模型的方法需要已知精度的系统模型，且对于谐波减速器这种精密度高，故障模型复杂的产品而言，建立比较好的模型十分困难。2)基于数据驱动方式主要通过信号处理和人工智能技术对谐波减速器的振动信号进行建模分析，确定其健康状态和失效模式。该类方法虽然已经取得良好的效果，然而多数研究都在实验室环境下对谐波减速器进行振动数据采集和分析。然而在真实的设备运维中，难以对紧耦合的机电一体化设备加装振动传感器并收集相应的振动信号。电机与谐波减速器具有紧耦合的关联，通过对电机上的电流信号进行谐波减速器的故障诊断建模分析尚未有所突破。
4.现有技术一
5.王鑫等人于2021年曾提出了一种基于振动声学数据融合和一维卷积神经网络的轴承故障诊断[1]，该方法融合多模态传感器信号提取原始震动信号，并基于一维卷积神经网络进行融合。一维卷积神经网络具有强大的特征处提取能力，隐藏在原始数据的非线性特征可以通过一维卷积神经网络的中交替卷积层和池化层自动提取，然后再全连接层中完成自适应特征学习，因此可以用于图像处理、故障诊断等领域。该方法的主要工作流程如下：
[0006]
1)不同模态传感器下的信号收集：搭建实验平台收集故障数据，平台包括了电机、加速度计、麦克风、轴承等设备，利用加速度计和麦克风分别收集轴承产生的振动信号和声信号，并根据收集的数据随机捕获样本构成数据集。
[0007]
2)一维卷积神经网络的特征提取和特征融合：卷积层中卷积核对前一层的输出执行卷积，并使用非线性激活函数relu构造输出特征；为减少网络参数，池化层采用向下采样，且减少了计算量以防止过拟合；全连接层将最后一个池化层的输出扩展为一维向量，通过softmax分类器创建最后输出的分类标签。
[0008]
该方法在轴承故障诊断方面优于基于单模态传感器的算法，不过存在以下缺点：
振动信号的和声学信号的融合方式过少，实验结果不具有明显说服力。更重要的是振动信号的故障数据难以收集，需要大量的设备采集数据和且采集到的数据需要较大特征工程处理才能进行故障诊断，这在现实中增加了成本。
[0009]
现有技术二
[0010]
紫芳等人于2021年曾提出一种基于降维和随机森林的工业机器人故障诊断方法[2]。随机森林算法在处理较高维度的数据时，由于其特征子集是随机选择的，因此不需要做特征选择；且训练速度快，能够较好的应用于分类问题。该方法将收集的振动信号在时域或频域中提取特征，通过数据降维来达到工业机器人实时、快速的故障诊断目的。该方法的主要工作流程如下：
[0011]
1)数据预处理：传感器收集的数据会由于噪音或设备事故等因素的影响使得数据总是不完整的，使用z-score和box-cox变换调节数据近似正态分布。引入稀疏性，使致密样品的数量呈指数增长，用高质量的低维数据代替收集的16个特征的高维数据。
[0012]
2)机器学习分类器：svm使用超平面来分隔特征空间，以便最大限度地分离不同的类别；rf采用装袋集成算法，随机选择特征维度和样本，生成大量并行决策树，组合成强分类器；xgboost增强了梯度提升决策树算法。损耗函数扩展为二阶，实现更快、更准确的梯度下降，并将正则化项添加到损耗函数中，有效控制复杂度。
[0013]
该方法在降低时间复杂度和空间复杂度的情况下能达到较好的分类准确率，不过存在以下不足：收集到的振动信号噪音过大且维度较高，需要大量的特征工程处理；此外降维后的数据则会丢失掉原始数据携带的故障相关信息，造成了信息的丢失，不利于算法学习到其特征。
[0014]
参考文献
[0015]
[1]wang,x.,d.mao,and x.li,bearing fault diagnosis based on vibro-acoustic data fusion and 1d-cnn network.measurement,2021.173(6):p.108518；
[0016]
[2]fang,z.,et al.fault diagnosis method for industrial robots based on dimension reduction and random forest.in 2021 27th international conference on mechatronics and machine vision in practice(m2vip).2021.ieee。


技术实现要素：

[0017]
本发明针对现有技术的缺陷，提供了一种注意力增强的谐波减速器微小故障诊断方法和系统。
[0018]
为了实现以上发明目的，本发明采取的技术方案如下：
[0019]
一种注意力增强的谐波减速器微小故障诊断方法，包括以下步骤：
[0020]
s1：收集谐波减速器正常运行时以及谐波减速器发生故障时的电机电流数据构建成数据集，并对所有数据进行预处理；
[0021]
s2：将数据集切分成一定比例的训练集和测试集；
[0022]
s3：构建二维空洞卷积神经网络模型；
[0023]
s4：引入扩张率；
[0024]
s5：判断扩张率设置是否合理，若不合理回到s4，若合理则进入s6；
[0025]
s6：二维空洞卷积神经网络模型中融合注意力机制；
[0026]
s7：标签进行独立热编码处理，然后将训练集多次迭代计算，得出训练后的模型。
[0027]
s8：训练后的模型输出预测结果。
[0028]
进一步地，s1中所述预处理包括：
[0029]
对数据集进行线性变化，使结果映射在[0,1]之间，假设原始数据为x，样本数据最大值为max，最小值为min，则转换函数如公式(1)所示：
[0030][0031]
对原始数据采样，采样特征分别为为均值(公式2)、标准差(公式3)和峰度(公式4)：
[0032][0033][0034][0035]
其中datai表示第i个数据，n代表样本总个数；
[0036]
进一步地，所述二维空洞卷积神经网络模型中卷积核在工作时会有规律地扫过输入特征，在感受野内对输入特征做矩阵元素乘法求和并叠加偏差量，如公式(5)所示：
[0037][0038]
其中
[0039]
式中的求和部分等价于求解一次的交叉相关，b为偏差量，z
l
和z
l+1
表示滴l+1层的卷积输入和输出，l
i+1
为z
l+1
的的尺寸，这里假设特征图长宽相同，z(i,j)对应特征图的像素，k为特征图的通道数，f，s0和p式卷积层参数，对应卷积核大小，卷积步长和填充层数。
[0040]
然后向二维空洞卷积神经网络模型中引入扩张率dilation_rate，扩张率的大小设置需要满足公式(6)所示的条件：
[0041]
mi＝max(m
i+1-2ri,m
i+1-2(m
i+1-ri),ri)]
ꢀꢀꢀ
(6)
[0042]
公式(6)中的ri是第i层的dilation_rate，而mi是第i层的最大dilation_rate。在上述卷积层之后融合注意力层，经过dilation_rate放大后，所得的卷积输出为：
[0043][0044]
其中，x
in
为时序数列的输入，padding为填充像素，kernel_size为扩张前的卷积核大小，stride为步长，x为输出，可表示为：[x1,x2,
…
,xn]。
[0045]
进一步地，所述融合注意力机制，具体如下：
[0046]
对于空洞卷积特输出特征x，首先将其映射到三个不同的空间，得到三个向量：查询向量qi，键向量ki和值向量vi:
[0047]
q＝[q1,q2,
…
,qn]＝wqx
ꢀꢀꢀ
(8)
[0048]
k＝[k1,k2,
…
,kn]＝wkx
ꢀꢀꢀ
(9)
[0049]
v＝[v1,v2,
…
,vn]＝wvx
ꢀꢀꢀ
(10)
[0050]
其中wq，wk，wv为外线性映射的参数矩阵。
[0051]
用(k，v)＝[(k1,v1),
…
,(kn,vn)]表示n组输入信息，在给定查询向量q时，通过如下定义的注意力函数：
[0052][0053]
其中an为卷积后微小故障特征的注意力分布，s为卷积后微小故障特征的注意力打分函数。
[0054]
进一步地，得到的输出向量hn为：
[0055]055][0056][0057]
其中，n,j∈[1,n]为输出和输入向量序列的位置，a
nj
表示第n个输出关注到第j个输入的权重，即为扩展卷积中需要关注的卷积后微小故障特征。
[0058]
进一步地，注意力层之后对应着模型的输出，选择adam作为模型优化器，categorical_crossentropy作为损失函数，设置超参数batch_size和学习率，经过t次迭代得出模型，得到预测结果。
[0059]
本发明还公开了一种注意力增强的谐波减速器微小故障诊断系统，包括：数据采集模块、本地数据库模块、数据预处理模块、注意力增强的空洞卷积神经网络模块和故障诊断结果模块；
[0060]
数据采集模块与本地数据库模块连接，收集的正常数据和故障数据通过无线连接传输至本地数据库保存；
[0061]
数据预处理模块与本地数据库模块连接，原始数据输入预处理模块，通过算法处理噪声较大的数据；
[0062]
数据预处理模块与注意力增强的空洞卷积神经网络模块连接，将处理后的数据输
入所构建的模型中，该模型与故障诊断结果模块连接，获取故障诊断结果。
[0063]
最后故障诊断结果模块将故障诊断结果显示出来。
[0064]
与现有技术相比，本发明的优点在于：
[0065]
(1)实现微小故障信号的有效识别：通过特征工程提取初步提取与故障相关的重要特征，随后通过扩大感受域的空洞卷积和融合注意力机制，实现微小故障特征的识别；
[0066]
(2)实现高效的模型训练：通过二维空洞卷积神经网络扩大卷积核的视野域，使模型不增加任何参数的情况下能学习到更多数据的特征，增强了模型的计算性能。
附图说明
[0067]
图1是本发明实施例谐波减速器故障诊断方法流程图；
[0068]
图2是本发明实施例注意力增强的空洞卷积神经网络模型结构图。
具体实施方式
[0069]
为使本发明的目的、技术方案及优点更加清楚明白，以下根据附图并列举实施例，对本发明做进一步详细说明。
[0070]
如图1所示，一种基于空洞卷积神经网络的谐波减速器故障诊断方法，包括以下步骤：
[0071]
s1：收集谐波减速器正常运行时以及谐波减速器发生故障时的电机电流数据构建成数据集，并对所有数据进行预处理；
[0072]
s2：将数据集切分成一定比例的训练集和测试集；
[0073]
s3：构建二维空洞卷积神经网络模型；
[0074]
s4：构建注意力机制模块和二分类模块；
[0075]
s5：标签进行独立热编码处理，然后将训练集多次迭代计算，得出训练后的模型。
[0076]
本发明所用到相关算法公式介绍如下：
[0077]
(1)数据处理相关函数：
[0078]
a.对数据集进行线性变化，使结果映射在[0,1]之间，假设原始数据为x，样本数据最大值为max，最小值为min，则转换函数如公式(1)所示：
[0079][0080]
b.对原始数据采样，采样特征分别为为均值(公式2)、标准差(公式3)和峰度(公式4)：
[0081][0082][0083][0084]
其中datai表示第i个数据，n代表样本总个数；
[0085]
(2)注意力增强地空洞卷积神经网络：
[0086]
a.构建二维卷积神经网络(如图2所示)，其中卷积核在工作时会有规律地扫过输入特征，在感受野内对输入特征做矩阵元素乘法求和并叠加偏差量，如公式(5)所示：
[0087][0088]
其中
[0089]
式中的求和部分等价于求解一次的交叉相关，b为偏差量，z
l
和z
l+1
表示滴l+1层的卷积输入和输出，l
i+1
为z
l+1
的的尺寸，这里假设特征图长宽相同，z(i,j)对应特征图的像素，k为特征图的通道数，f，s0和p式卷积层参数，对应卷积核大小，卷积步长和填充层数。
[0090]
b.然后向二维卷积神经网络中引入扩张率dilation_rate，扩张率的大小设置需要满足公式(6)所示的条件：
[0091]
mi＝max(m
i+1-2ri,m
i+1-2(m
i+1-ri),ri)]
ꢀꢀꢀ
(6)
[0092]
公式(6)中的ri是第i层的dilation_rate，而mi是第i层的最大dilation_rate。
[0093]
c.在上述卷积层之后融合注意力层(如图2所示)，经过dilation_rate放大后，所得的卷积输出为：
[0094][0095]
其中，x
in
为时序数列的输入，padding为填充像素，kernel_size为扩张前的卷积核大小，stride为步长，x为输出，可表示为：[x1,x2,
…
,xn]
[0096]
d.对于空洞卷积特输出特征x，首先将其映射到三个不同的空间，得到三个向量：查询向量qi，键向量ki和值向量vi:
[0097]
q＝[q1,q2,
…
,qn]＝wqx
ꢀꢀꢀ
(8)
[0098]
k＝[k1,k2,
…
,kn]＝wkx
ꢀꢀꢀ
(9)
[0099]
v＝[v1,v2,
…
,vn]＝wvx
ꢀꢀꢀ
(10)
[0100]
其中wq，wk，wv为外线性映射的参数矩阵。
[0101]
e.用(k，v)＝[(k1,v1),
…
,(kn,vn)]表示n组输入信息，在给定查询向量q时，通过如下定义的注意力函数：
[0102][0103]
其中an为卷积后微小故障特征的注意力分布，s为卷积后微小故障特征的注意力打分函数。
[0104]
f.进一步可得出输出向量hn为：
[0105][0106][0107]
其中，n,j∈[1,n]为输出和输入向量序列的位置，a
nj
表示第n个输出关注到第j个输入的权重，即为扩展卷积中需要关注的卷积后微小故障特征。
[0108]
需要指出，根据实施的需要，可将本技术中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
[0109]
上述根据本发明的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如cd rom、ram、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如asic或fpga)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，ram、rom、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的处理方法。此外，当通用计算机访问用于实现在此示出的处理的代码时，代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。
[0110]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。