潘屹豪，肖 紅，周玉彬，黎 萍，姜文超,，熊 夢，賀忠堂

(1.廣東工業(yè)大學計算機學院，廣州 510006；2.東莞中國科學院云計算產(chǎn)業(yè)技術(shù)創(chuàng)新與育成中心，廣東 東莞 523808)

0 引言

工業(yè)機器人故障自動診斷與預警是自動化生產(chǎn)過程順利開展的關(guān)鍵和難點，目前少有基于工業(yè)機器人運行大數(shù)據(jù)的深度學習故障診斷方法。當工業(yè)機器人發(fā)生故障時，其定位精度、產(chǎn)品質(zhì)量都會發(fā)生較大幅度下降，意外停機時會帶來巨大經(jīng)濟損失。因此，開發(fā)有效的故障診斷方法來監(jiān)測多軸工業(yè)機器人工作狀態(tài)顯得尤為重要。

Brambilla D等[1]提出一種基于模型的機器人故障診斷方法，該方法通過廣義觀測器(GOS)方案來檢測傳感器故障。然而，現(xiàn)實中機器人狀態(tài)在實踐中難以估計，因此基于模型的機器人故障診斷通常較難使用。

近年來，在故障診斷領域出現(xiàn)了越來越多數(shù)據(jù)驅(qū)動的故障檢測方法。Kim Y等[2]提出一種基于相位的時域平均(PTDA)方法，然而該方法僅限于恒定速度范圍并且在實際工業(yè)領域中獲取振動數(shù)據(jù)并不容易。

基于淺層學習的神經(jīng)網(wǎng)絡故障診斷技術(shù)的診斷性能很大程度上取決于提取的故障特征是否準確。此外，故障診斷過程中，數(shù)據(jù)處理、特征提取、特征選擇和模型訓練4個階段無法同時進行優(yōu)化。因此，使用原始信號數(shù)據(jù)進行故障診斷更具有可用性。隨著機器人故障診斷的重要性被逐漸認識，陸續(xù)出現(xiàn)許多基于卷積神經(jīng)網(wǎng)絡(CNN)的故障診斷模型[3-8]。但是這些模型很少使用機器人控制器原始數(shù)據(jù)進行分析，也缺乏針對工業(yè)機器人故障特點的優(yōu)化及實際驗證。

多軸工業(yè)機器人一旦某個機械軸發(fā)生故障，會連帶影響到其他軸的運行數(shù)據(jù)狀態(tài)。因此，多軸工業(yè)機器人故障診斷必須綜合各個軸的數(shù)據(jù)來整體判斷。現(xiàn)有故障診斷方法通?；趩我黄骷治觯瑳]有綜合機器人整體運行情況與數(shù)據(jù)，難以直接應用到工業(yè)機器人故障診斷。本文針對工業(yè)機器人故障診斷問題，提出一種新的基于一維卷積神經(jīng)網(wǎng)絡(CNN-1D)和正交正則化[9](SRIP)相結(jié)合的工業(yè)機器人故障診斷方法(SRIPCNN-1D)。首先通過隨機采樣和Mixup對工業(yè)機器人故障數(shù)據(jù)進行增強；然后采用正交正則化(SRIP)一維卷積神經(jīng)網(wǎng)絡(CNN-1D)將工業(yè)機器人原始運行數(shù)據(jù)進行端到端訓練；最后利用訓練后的模型對工業(yè)機器人進行快速故障診斷。通過實驗測試并與WDCNN，CNN-1D模型進行實驗對比，結(jié)果表明SRIPCNN-1D 方法可以有效診斷工業(yè)機器人故障。

1 多軸機器人故障診斷模型

1.1 故障診斷模型結(jié)構(gòu)

基于改進的一維卷積神經(jīng)網(wǎng)絡故障診斷模型結(jié)構(gòu)如圖1所示。模型包括連續(xù)兩個卷積層、一個最大池化層、一個全局池化層、一個softmax層。模型輸入維度為工業(yè)機器人運行數(shù)據(jù)的實際維度，輸出維度為機器故障類別數(shù)。權(quán)重正交性是訓練卷積神經(jīng)網(wǎng)絡的有利屬性，模型將SRIP正交正則化器應用在卷積層，提升模型的精度與收斂穩(wěn)定性。

CNN是具有交替卷積和子采樣層的前饋人工神經(jīng)網(wǎng)絡(ANN)。典型的CNN包括輸入層，卷積層，池化層，完全連接層和輸出層。

在卷積層，卷積內(nèi)核對上一層的輸出執(zhí)行卷積，卷積層用一定數(shù)量的濾波器獲得輸入特征，每層的輸出是多個輸入特征的卷積結(jié)果，其數(shù)學模型描述為[10-11]：

(1)

卷積運算后，激活函數(shù)將對每個卷積中的對數(shù)值輸出進行非線性變換。鑒于工業(yè)機器人數(shù)據(jù)的非結(jié)構(gòu)性，采用ReLU功能作為激活功能。分段函數(shù)ReLU表示為：

(2)

為減少神經(jīng)網(wǎng)絡參數(shù)，池化層通過數(shù)據(jù)下采樣將大矩陣下采樣為小矩陣。采用的池化方法有最大池化和平均池化[12-13]，其表達式分別為：

(3)

(4)

全連接層將最后一個池化層的輸出擴展為一維向量，該向量用作全連接層的輸入，然后在輸入和輸出之間建立完整連接[14]。全連接層的公式為：

(5)

輸出層使用softmax分類器創(chuàng)建分類標簽。softmax分類器是常見的線性分類器，它是從邏輯回歸中得出的多類分類的一種形式[15]：

(6)

其中，zo(j)表示輸出層第j個神經(jīng)元輸出的對數(shù)；M表示類別的總數(shù)。

為解決訓練過程中可能出現(xiàn)的梯度消失/爆炸、統(tǒng)計特征偏移、鞍點的擴散等問題。通過數(shù)據(jù)正則化對網(wǎng)絡層參數(shù)加以限制，減少過擬合現(xiàn)象產(chǎn)生，引入SRIP正交正則化，提升模型效果，獲得較高的診斷精度。假定全連接層W∈m×n，對于卷積層C∈S×H×C×M，其中，S、H、C、M分別為濾波器寬度、濾波器高度、輸入通道數(shù)和輸出通道數(shù)，將C整型為矩陣形式：W′∈m′×n′，其中，m′=S×H×C，n′=M，正則化卷積層在整個濾波器上實現(xiàn)正交性，促進濾波器的多樣性。

圖1 SRIPCNN-1D網(wǎng)絡模型結(jié)構(gòu)示意圖

1.2 數(shù)據(jù)增強

在大多數(shù)故障診斷數(shù)據(jù)集中，各個類別的樣本數(shù)量不易平衡，獲取故障樣本要比獲取正常樣本難得多，這會導致模型對樣本個數(shù)少的故障類型診斷效果較差。為解決CNN 訓練過程中的過擬合問題，采用基于Mixup的數(shù)據(jù)增強方法對隨機采樣[16]數(shù)據(jù)處理，構(gòu)建虛擬訓練樣本，提升模型的泛化能力。具體步驟分為隨機采樣和Mixup兩步。

(1)隨機采樣

在隨機采樣方法基礎上加入隨機采樣點，無需設置偏移量，一方面優(yōu)化了訓練樣本的覆蓋性，另一方面使得前后樣本之間有更好的獨立性。隨機采樣算法步驟如表1所示，采樣原理如圖2所示，假設原始序列有M個采樣點，L為樣本長度，理論上最多可生成M-L個隨機采樣點。

表1 隨機采樣算法步驟

圖2 隨機采樣示意圖

通過設置較大樣本數(shù)n，隨機采樣方法可以極大擴充輸入樣本量，緩解訓練樣本匱乏、類別不平衡以及過擬合問題。

(2) Mixup

對于工業(yè)機器人故障檢測的一維數(shù)據(jù)使用數(shù)據(jù)無關(guān)的數(shù)據(jù)增強方式Mixup。通過構(gòu)建虛擬訓練樣本來提高模型的泛化能力。Mixup數(shù)據(jù)增強方法可表示為：

(7)

(8)

其中，(xi,yi)和(xj,yj)是訓練集中任意抽取的兩個樣本；λ為混合系數(shù)，λ∈[0,1]；λ～Beat(α,α)，α∈(0,∞)。Mixup通過混合特征向量及其對應標簽實現(xiàn)線性插值。可通過超參數(shù)α的值來控制特征向量和標簽的插值強度。

1.3 機器人故障診斷流程

基于SRIPCNN-1D模型的工業(yè)機器人實時故障診斷流程如圖3所示。故障診斷流程分為3步，具體步驟如下：

(1)數(shù)據(jù)預處理階段：通過機器人運行數(shù)據(jù)采集平臺獲取機器人實時運行數(shù)據(jù)，將數(shù)據(jù)進行清洗及歸一化，然后使用數(shù)據(jù)增強方法進行數(shù)據(jù)擴充，并將數(shù)據(jù)集劃分為訓練集、驗證集和測試集3部分。

(2)模型訓練階段：建立SRIPCNN-1D故障診斷模型，使用正交初始化避免梯度爆炸/消失現(xiàn)象。使用網(wǎng)格搜索算法優(yōu)化模型的超參數(shù)。SRIPCNN-1D網(wǎng)絡模型激活函數(shù)為ReLU，使用全局最大池化實現(xiàn)降維。采用Softmax分類器實現(xiàn)對目標類別的分類輸出。模型的損失函數(shù)為交叉熵損失函數(shù)：

(9)

其中，M是類別的數(shù)量，yic為指示變量(0或1)，類別和樣本i的類別相同就為1，否則為0。pic為對于觀測樣本i屬于類別c的預測概率。

(3)模型測試階段：將驗證數(shù)據(jù)輸入訓練好的最佳模型，驗證機器人故障診斷模型效果。

圖3 工業(yè)機器人故障診斷模型流程

2 實驗測試與分析

2.1 實驗平臺與數(shù)據(jù)采集

為了驗證多軸工業(yè)機器人故障診斷模型(SRIPCNN-1D)，利用某國產(chǎn)六軸工業(yè)機器人，搭建故障數(shù)據(jù)采集環(huán)境。該機器人產(chǎn)品主要應用于磨拋、噴涂、上下料、焊接等領域。

圖4為實驗采用的六軸工業(yè)機器人示意圖，J1軸為機器人的旋轉(zhuǎn)基座，J2軸負責臂組的水平運動，J3軸為肘部，負責機械臂的垂直運動。J4軸負責小臂的旋轉(zhuǎn)運動，J5軸負責機械臂腕部運動，J6軸負責機械臂連接工具運動，可在末端安裝焊接、噴涂、打磨、抓握等工具。

圖4 六軸工業(yè)機器模型

機器人故障可以分為機器人本體故障、控制系統(tǒng)故障、工作系統(tǒng)故障、驅(qū)動系統(tǒng)故障等。本文實驗重點關(guān)注機器人本體故障和驅(qū)動系統(tǒng)故障，比如：減速機故障、伺服電機故障等。

對于每臺機器人，都有6個關(guān)節(jié)軸的數(shù)據(jù)，每個軸運行數(shù)據(jù)有31個特征變量，變量可分為兩大類：①機器人狀態(tài)數(shù)據(jù)，如參數(shù)設定、本體信息、固件版本等；②機器人實時運行數(shù)據(jù)，如：反饋力矩(tfb)、反饋電流(flow)、反饋速度(vfb)、反饋位置(pfb)等。

故障數(shù)據(jù)集包括多臺正常/異常機器人數(shù)據(jù)樣本，故障數(shù)據(jù)有不同軸的故障、不同部件的故障。具體故障數(shù)據(jù)如表2所示，數(shù)據(jù)樣本間隔有4 ms和1 s兩種，覆蓋多種機器人運行程序，采集時長為120～200 h，數(shù)據(jù)通過機器人故障數(shù)據(jù)采集軟件進行采集存儲，共采集數(shù)據(jù)量300萬條以上。進一步得到機器人反饋力矩波形圖如圖5所示，展示了4臺同型號的工業(yè)機器人在運行相同指令、相同工況環(huán)境下的反饋力矩數(shù)據(jù)。從波形信號中可以看出，即使執(zhí)行相同的程序，故障機器人和正常機器人的tfb變量也有較大不同，證明實驗所采集的機器人運行數(shù)據(jù)變量進行故障診斷具有可行性。

表2 工業(yè)機器人故障數(shù)據(jù)集

圖5 反饋力矩波形圖

2.2 數(shù)據(jù)增強對比分析

為了驗證不同的數(shù)據(jù)增強方法對故障診斷算法的影響，分別對三種(WDCNN[16],CNN-1D,SRIPCNN-1D)故障診斷模型使用不同的數(shù)據(jù)增強方法進行測試，結(jié)果如表3所示。每類故障樣本按30萬條記錄計算，當數(shù)據(jù)長度為2000時，僅可生成150個樣本，因此在不采用數(shù)據(jù)增強時樣本量很少。采用隨機采樣數(shù)據(jù)增強后，將樣本個數(shù)擴充到20 000，極大地增加了模型的輸入樣本個數(shù)。

表3 多個模型分別采樣不同數(shù)據(jù)增強方法的結(jié)果比較

續(xù)表

經(jīng)過實驗對比，從表3可以看出采用數(shù)據(jù)增強后故障診斷算法精度有明顯提升，且采用隨機采樣+Mixup的數(shù)據(jù)增強方法效果最好。

從表3中對比發(fā)現(xiàn)，SRIPCNN-1D故障模型是上述所有方法中精度效果最好的。WDCNN雖然在軸承故障診斷中效果很好，被眾多學者作為對比基準，但是其在工業(yè)機器人數(shù)據(jù)故障診斷領域有局限性，WDCNN為了提升滾動軸承故障診斷的精度，采用大卷積核與小卷積核相結(jié)合的方式，大卷積核提升了感受野，但是也增加了參數(shù)和計算量，而且大卷積核在提取特征方面不如多層卷積。而本文所提方法更適用于工業(yè)機器人數(shù)據(jù)故障診斷，采用兩個連續(xù)的卷積核可以更好地提取工業(yè)機器人故障數(shù)據(jù)的深層特征，此種方式還可以拓展模型的感受野，并不會增加太多的求解參數(shù)。

圖6為所提方法的混淆矩陣，縱坐標為實際標簽，每行代表判別為該類故障和判錯為其他故障類別的個數(shù)，總和為2000，即在2000個測試樣本集下進行測試。橫坐標為預測標簽，每列表示所有樣本中，被判為該類故障的個數(shù)。目前使用的故障數(shù)據(jù)集包含了工業(yè)機器人2、3、4軸的異常震動故障，根據(jù)實驗結(jié)果，大多數(shù)情況下，每類故障的正確率均達到99%以上，表明SRIPCNN-1D構(gòu)建的機器人故障診斷模型可以較高精度地診斷出該類故障，實現(xiàn)故障定位。

圖6 混淆矩陣

2.3 結(jié)果與分析

首先驗證工業(yè)機器人數(shù)據(jù)增強方法的可行性與有效性，再選取最佳的模型參數(shù)進行測試，通過與WDCNN,CNN-1D模型方法對比，評估SRIPCNN-1D的有效性。

實驗采用F1-分數(shù)指標衡量模型效果。F1-分數(shù)又稱為平衡F分數(shù)(balanced F Score)，它被定義為精準率(Precision)和召回率(Recall)的調(diào)和平均數(shù)。F1-分數(shù)的取值為1代表模型的輸出最好，0代表模型的輸出結(jié)果最差。

如圖2所示方法，首先將連續(xù)運行數(shù)據(jù)劃分為數(shù)據(jù)段。選擇2000個采樣點為一個片段，并使用隨機采樣和Mixup方法進行數(shù)據(jù)增強。為選取最佳的網(wǎng)絡模型參數(shù)，選取不同的卷積核尺寸、卷積核個數(shù)、迭代回合、池化方式、數(shù)據(jù)長度進行測試對比，結(jié)果如圖7所示。橫軸表示數(shù)據(jù)長度，縱軸代表模型的F1score評分。圖7中各曲線對應的三個數(shù)值分別代表卷積核大小、卷積核數(shù)目、池化方式，如“50_100_0”代表卷積核大小為50(filtersize=50)、卷積核數(shù)目為100(filternumber=100)、池化方式為全局最大池化(GlobalMaxPooling1D)。其中，SRIPCNN-1D模型卷積層與池化層參數(shù)如表4所示。

(a) 卷積層+池化層+全連接

(b) 卷積層+卷積層+池化層+全連接圖7 不同網(wǎng)絡模型與參數(shù)對比

表4 SRIPCNN-1D卷積層與池化層參數(shù)

由圖7可知，選取“卷積層+卷積層+池化層+全連接”為最佳模型，即兩個連續(xù)的卷積層+池化層+全連接層。數(shù)據(jù)長度為2000，卷積核大小為20，卷積核數(shù)目為70，采用GlobalMaxPooling1D池化方式，最大迭代次數(shù)為50，批處理大小batch_size為100，正則化方式為SRIP正交正則化。機器人數(shù)據(jù)動作周期為500個采樣點，當數(shù)據(jù)長度為2000時大約為4個動作周期。表明SRIPCNN-1D模型可以利用較少的數(shù)據(jù)進行高精度的故障診斷。

將數(shù)據(jù)長度按動作周期遞增進行測試，測試數(shù)據(jù)如圖8所示。按動作長度遞增的數(shù)據(jù)樣本精度相較于等量遞增的精度略低，說明在實際故障診斷時，模型具有很好的特征提取能力，無需根據(jù)動作劃分數(shù)據(jù)。

圖8 不同數(shù)據(jù)長度遞增方法對比

3 結(jié)論

本文提出一種基于工業(yè)機器人實時運行大數(shù)據(jù)分析的故障診斷模型SRIPCNN-1D，該模型利用隨機采樣和Mixup數(shù)據(jù)增強提升模型訓練效果，實驗平臺采用某國產(chǎn)機器人設備，采集力矩、速度、位置、電流等運行變量數(shù)據(jù)300萬條，對診斷精度指標進行實驗測試，并與WDCNN，CNN-1D模型進行實驗對比，結(jié)果表明SRIPCNN-1D 方法可以有效診斷工業(yè)機器人故障。SRIPCNN-1D故障診斷模型為工業(yè)機器人實時故障診斷提供了新的思路。