李丹婷

摘要：針對工業(yè)機(jī)器人故障導(dǎo)致的生產(chǎn)浪費(fèi)和安全問題，提出了一種基于遞歸神經(jīng)網(wǎng)絡(luò)（RNN）的工業(yè)機(jī)器人故障可跟蹤預(yù)測方法。結(jié)合RNN模型的時(shí)間序列自適應(yīng)學(xué)習(xí)能力，設(shè)計(jì)了基于聚類分析的關(guān)鍵影響因子提取方法，提升了預(yù)測的召回率和準(zhǔn)確率，借助于專家系統(tǒng)的解釋器機(jī)制，實(shí)現(xiàn)了故障定位功能。實(shí)驗(yàn)表明，相對于無關(guān)鍵影響因子提取的RNN模型，此方法將故障預(yù)測能力提升了1倍以上，且最多能夠提前20 min給出故障告警，解釋器故障定位的平均準(zhǔn)確率為87.11%，為維護(hù)人員發(fā)現(xiàn)和解決故障提供了有力的保障。

關(guān)鍵詞：故障預(yù)測；關(guān)鍵影響因子提??；RNN；解釋器；工業(yè)機(jī)器人

中圖分類號：TP242文獻(xiàn)標(biāo)志碼：A文章編號：1008-1739（2018）02-68-4

Traceable Fault Prediction Method for Industrial Robot Based on RNN Model

LI Danting

（Nanjing ESTUN Automation Corp.， Ltd， Nanjing Jiangsu 210000， China）

0引言

隨著智能制造的快速發(fā)展，工業(yè)機(jī)器人應(yīng)用也越來越廣泛，發(fā)生故障不但會導(dǎo)致生產(chǎn)停滯，甚至將威脅人們的生命，如何有效預(yù)測工業(yè)機(jī)器人的故障，是保障工業(yè)機(jī)器人安全穩(wěn)定運(yùn)行的重要手段。

機(jī)器學(xué)習(xí)是人工智能領(lǐng)域最受關(guān)注的研究課題之一，如SVM[1-2]、CNN[3-4]及RNN[5-7]等，已經(jīng)成功應(yīng)用于垃圾郵件過濾、圖像識別、語音處理、文本分析、OCR及網(wǎng)絡(luò)入侵檢測等多個(gè)領(lǐng)域，極大地推動(dòng)了現(xiàn)代社會智能化進(jìn)程。RNN是機(jī)器學(xué)習(xí)中應(yīng)用廣泛的一個(gè)模型，它的隱藏層具有記憶功能，能夠按時(shí)間順序?qū)⑶昂笥绊懸蛩鼐C合起來分析，從而可以綜合工業(yè)機(jī)器的歷史情況分析系統(tǒng)，為故障預(yù)測提供全面支撐。但RNN并不具備解釋機(jī)制，當(dāng)檢測到可能出現(xiàn)故障時(shí)難以追溯原因。

本文將以RNN技術(shù)為基礎(chǔ)，結(jié)合解釋器機(jī)制，提出了一種面向工業(yè)機(jī)器人故障的可跟蹤預(yù)測方法。該方法基于聚類分析對工業(yè)機(jī)器人故障的關(guān)鍵因子進(jìn)行提取，提升了工業(yè)機(jī)器人故障預(yù)測的效率和準(zhǔn)確性，同時(shí)利用解釋器機(jī)制，實(shí)現(xiàn)了故障預(yù)測的可跟蹤性。

1遞歸神經(jīng)網(wǎng)絡(luò)

2基于RNN模型的故障可跟蹤預(yù)測方法

由于工業(yè)機(jī)器人操作精細(xì)化程度高，故障預(yù)測實(shí)時(shí)性要求強(qiáng)，因此，本文對故障的影響因子進(jìn)行了篩選，剔除了影響較弱的因素，減少了RNN需要的參數(shù)，以提升模型的構(gòu)建、更新及預(yù)測性能。同時(shí)，便于維護(hù)人員定位故障，在RNN正向計(jì)算的過程中，保留了最近2次的中間計(jì)算結(jié)果，以便于在故障出現(xiàn)時(shí)通過解釋器的對比分析，將可能的故障點(diǎn)反饋給維護(hù)人員?；赗NN模型的故障可跟蹤預(yù)測方法的基本框圖如圖1所示，包括模型訓(xùn)練和故障預(yù)測2個(gè)部分。

（1）模型訓(xùn)練主要通過訓(xùn)練數(shù)據(jù)實(shí)現(xiàn)預(yù)測模型的構(gòu)建與更新。在系統(tǒng)運(yùn)行前，它以歷史記錄的工業(yè)機(jī)器人系統(tǒng)故障和正常狀態(tài)數(shù)據(jù)為初始訓(xùn)練數(shù)據(jù)，通過關(guān)鍵影響因子提取處理后，選取與故障發(fā)生最緊密的影響因子作為特征向量，使用RNN進(jìn)行模型訓(xùn)練。當(dāng)系統(tǒng)運(yùn)行后，系統(tǒng)的狀態(tài)信息和實(shí)際的故障預(yù)測結(jié)果將傳輸?shù)接?xùn)練數(shù)據(jù)庫，以便于模型的重新訓(xùn)練與更新，提升預(yù)測模型的魯棒性。

（2）故障預(yù)測主要通過故障預(yù)測模型對系統(tǒng)出現(xiàn)故障的可能性進(jìn)行預(yù)測，并將預(yù)測的依據(jù)通知給維護(hù)人員，主要包括以下2個(gè)步驟：

①根據(jù)關(guān)鍵影響因子提取過程獲得的因子，對系統(tǒng)狀態(tài)信息進(jìn)行預(yù)處理，提取其中的關(guān)鍵因子進(jìn)行序列化，轉(zhuǎn)換為故障預(yù)測模型可以接受的數(shù)據(jù)格式；

②故障預(yù)測模型對序列化后的數(shù)據(jù)進(jìn)行處理，并保留最近2次計(jì)算的中間計(jì)算結(jié)果；如果預(yù)測到系統(tǒng)故障，則由解釋器分析最近2次的中間計(jì)算結(jié)果，根據(jù)故障前后激活點(diǎn)的不同，形成故障點(diǎn)預(yù)測報(bào)告，傳遞給維護(hù)人員核實(shí)。

在該方法中，關(guān)鍵影響因子的提取和解釋器的增加是保障故障預(yù)測性能、提升預(yù)測模型魯棒性和實(shí)現(xiàn)故障可跟蹤的重要手段。

2.1基于聚類分析的關(guān)鍵影響因子提取方法

影響因子主要用來表征系統(tǒng)狀況的正常情況，為獲得準(zhǔn)確有效的關(guān)鍵影響因子，采用基于聚類分析的提取方法。

定義1：2個(gè)聚類的邊緣點(diǎn)：如果一個(gè)點(diǎn)到聚類中心1的距離與到聚類中心2的距離的比值小于2并且大于0.5，則認(rèn)為該點(diǎn)是這2個(gè)聚類的邊緣點(diǎn)。

定義2：聚類離散率：聚類邊緣點(diǎn)數(shù)與總點(diǎn)數(shù)的比例。關(guān)鍵影響因子提取方法包括以下步驟：

①根據(jù)工業(yè)機(jī)器人的功能特性和工作環(huán)境，構(gòu)建故障預(yù)測的影響因子初始集合，主要包括環(huán)境因素（如溫度、濕度及海拔等）、電氣特征（如電壓、電流及時(shí)鐘頻率等）、物理特性（壓力和力矩等）以及其他關(guān)鍵信號等；對于訓(xùn)練數(shù)據(jù)集中的每個(gè)數(shù)據(jù)，計(jì)算其影響因子相對于運(yùn)行狀態(tài)的信息熵[8]，進(jìn)而根據(jù)式（1）計(jì)算每個(gè)因子的權(quán)值；

2.2基于隱藏節(jié)點(diǎn)時(shí)間序列狀態(tài)差異的故障點(diǎn)提取方法

解釋器最主要的工作是找出故障點(diǎn)。由于本文修改了RNN的計(jì)算過程，保存了連續(xù)2次RNN計(jì)算的中間結(jié)果-1和，因此可以知道每次結(jié)果產(chǎn)生時(shí)哪些狀態(tài)是激活的，哪些狀態(tài)是未激活的，而2次中間結(jié)果正好能夠記錄故障產(chǎn)生前后的2個(gè)狀態(tài)。通過對比這2個(gè)狀態(tài)下激活因子的差異，解釋器就可以確定故障是因?yàn)槟男┮蜃影l(fā)生變化引起的，從而可以給出相應(yīng)的故障點(diǎn)，為維護(hù)人員提供支撐。

提取故障點(diǎn)的具體算法如下：輸入：

其中和分別為和故障前后各隱藏節(jié)點(diǎn)的激活狀態(tài)，

為從隱藏節(jié)點(diǎn)到影響因子的映射關(guān)系，的每一個(gè)元素0表示影響隱藏節(jié)點(diǎn)0取值的輸入因子集合（忽略權(quán)值小于閾值的輸入因子，實(shí)驗(yàn)中該閾值取值為0.01）。

3實(shí)驗(yàn)結(jié)果及分析

以TensorFlow[10]為RNN計(jì)算的基本框架，以某機(jī)器人公司6個(gè)類別工業(yè)機(jī)器人系統(tǒng)的運(yùn)行狀態(tài)信息庫為基礎(chǔ)，抽取了前10天的運(yùn)行數(shù)據(jù)作為初始訓(xùn)練數(shù)據(jù)（其中故障記錄52條），初始的影響因子為全部的318個(gè)影響因子。設(shè)置關(guān)鍵影響因子提取方法中最大迭代次數(shù)為100，候選集提取的聚類離散度閾值設(shè)置為0.1，按照本文方法構(gòu)建相應(yīng)的預(yù)測模型。

本文方法與未進(jìn)行關(guān)鍵影響因子提取的RNN模型對剩余的71個(gè)故障的預(yù)測時(shí)間曲線如圖3所示，由于通用RNN未對關(guān)鍵影響因子進(jìn)行過濾，分析的影響因子多，噪聲也多，50%以上的節(jié)點(diǎn)未達(dá)到故障預(yù)測的目的（提前發(fā)現(xiàn)時(shí)間為0的節(jié)點(diǎn)），即使能夠?qū)收线M(jìn)行預(yù)測，但由于處理無關(guān)影響因子多、模型更新處理速度慢的原因，最快的提前發(fā)現(xiàn)時(shí)間不足10 min，而本文方法對剩余的71個(gè)故障都進(jìn)行了準(zhǔn)確預(yù)測，剛開始的故障節(jié)點(diǎn)，故障預(yù)測與故障實(shí)際出現(xiàn)的時(shí)間相差不大，約為3 min左右。隨著時(shí)間的增加，訓(xùn)練數(shù)據(jù)的積累，模型的快速調(diào)整，故障預(yù)測的速度有了明顯的提升，最長的甚至可以提前20min，為預(yù)防故障的發(fā)生提供了充足的時(shí)間。

本文方法故障定位的精度如圖4所示，6類工業(yè)機(jī)器人故障定位的平均準(zhǔn)確率約為87.11%，最高可達(dá)93.33%，為維護(hù)人員定位故障點(diǎn)提供了有力的支撐。

4結(jié)束語

工業(yè)機(jī)器人的廣泛應(yīng)用，一方面大幅度節(jié)約了人力成本、保證了產(chǎn)品的質(zhì)量和提升了生產(chǎn)效率，但另一方面，由于人們對工業(yè)機(jī)器人的過度依賴，一旦發(fā)生故障將產(chǎn)生嚴(yán)重的后果。針對工業(yè)機(jī)器人可能發(fā)生的故障，設(shè)計(jì)了一種基于RNN模型的工業(yè)機(jī)器人故障可跟蹤預(yù)測方法，通過關(guān)鍵因子提取和解釋器的結(jié)合，有效地提升了故障預(yù)測的準(zhǔn)確率，為及早定位并解決工業(yè)機(jī)器人故障，保障生產(chǎn)經(jīng)營的順利進(jìn)行提供了有力的支持。

參考文獻(xiàn)

[1] Zhang Y，Li B，Lu H，et al.Sample-Specific SVM Learning for Person Re-identification[C]// IEEE Conference on Computer Vision and Pattern Recognition，Las Vegas：USA，July 5，2016： 1278-1287.

[2] Kumar M， Gromiha M M， Raghava G P. SVM based Prediction of RNA-Binding Proteins Using Binding Residues and Evolutionary Information[J].Journal of Molecular Recognition，2015，24（2）：303-313.

[3]李彥冬，郝宗波，雷航.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)應(yīng)用，2016，36（9）：2508-2515.

[4] Tajbakhsh N， Suzuki K. Comparing Two Classes of End-to-End Machine-Learning Models in Lung Nodule Detection and Classification： MTANNs vs.CNNs[J]. Pattern Recognition，2016.

[5] Jain A， Zamir A R， Savarese S， et al.Structural-RNN： Deep Learning on Spatio-Temporal Graphs[C]//IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society， 2016：5308-5317.

[6] Wang J， Yang Y， Mao J， et al. CNN-RNN： A Unified Framework for Multi-label Image Classification[C]// IEEE Conference on Computer Vision and Pattern Recognition，Las Vegas：USA，July 5，2016：2285-2294.

[7]張舸，張鵬遠(yuǎn)，潘接林，等.基于遞歸神經(jīng)網(wǎng)絡(luò)的語音識別快速解碼算法[J].電子與信息學(xué)報(bào)，2017，39（4）：930-937.

[8] Núnez J A，Cincotta P M，Wachlin F C.Information entropy[J].Celestial Mechanics & Dynamical Astronomy，1996，64（1-2）：43-53.

[9] Deng Z，Zhu X，Cheng D，et al.Efficient kNN Classification Algorithm for Big Data[J].Neurocomputing，2016，195（C）： 143-148.

[10] Abadi M，Barham P，Chen J，et al.TensorFlow： A System for Large-Scale Machine Learning[C]//Usenix Conference on Operating Systems Design and Implementation，USENIX Association，San Jose，USA，May 26，2016：265-283.