戴天賜,王 華,2,汪 健,董凌浩,李帥康

(1.南京工業(yè)大學(xué)機(jī)械與動(dòng)力工程學(xué)院,南京 211816;2.江蘇省工業(yè)裝備數(shù)字制造及控制技術(shù)重點(diǎn)實(shí)驗(yàn)室,南京 211899)

0 引言

協(xié)作機(jī)器人是一種多模塊集成的結(jié)構(gòu)體,它作為一種新型工業(yè)機(jī)器人,長期以來被廣泛應(yīng)用于生產(chǎn)制造系統(tǒng)。但是在復(fù)雜的工況環(huán)境下,其出現(xiàn)故障的可能性也越來越大。協(xié)作機(jī)器人出現(xiàn)的不同故障會(huì)導(dǎo)致不同的影響結(jié)果,輕則影響生產(chǎn)效率,重則造成企業(yè)大規(guī)模經(jīng)濟(jì)損失。因此,對(duì)協(xié)作機(jī)器人進(jìn)行有效故障診斷是尤為重要的[1]。

對(duì)于機(jī)器人故障診斷方法,主要分為模型驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)兩大類。SABRY等[2]提出一種基于模型的故障診斷方法,建立Bode方程矢量擬合的模型來擬合機(jī)器人功耗,通過監(jiān)視能耗率診斷故障軸。然而,該模型質(zhì)量受諸多因素影響,因此,基于模型的機(jī)器人故障診斷精度較難提高。

近年來,數(shù)據(jù)驅(qū)動(dòng)方法不斷涌入故障診斷領(lǐng)域,其主要分為淺層學(xué)習(xí)和深度學(xué)習(xí)。淺層學(xué)習(xí)難以抽取故障信息,且準(zhǔn)確率取決于提取的輸入特征是否準(zhǔn)確。在深度學(xué)習(xí)方面,主要包括CNN[3-5]、RNN[6]、自編碼器[7]等。其中,由于CNN的端到端訓(xùn)練和其獨(dú)有共享機(jī)制的優(yōu)勢(shì),使得它在一維信號(hào)的故障診斷方面得到了廣泛應(yīng)用,李振東等[8]提出一種小波包能量譜和卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的工業(yè)機(jī)器人故障診斷,然而該研究在將小波包能量譜轉(zhuǎn)化為二維矩陣時(shí)增加了數(shù)據(jù)復(fù)雜度和矩陣稀疏性,不利于后續(xù)卷積處理。姜保軍等[9]利用小波分解和樣本熵構(gòu)建特征向量,并最終準(zhǔn)確診斷故障,可見小波分解和樣本熵是一種有效的故障特征構(gòu)建方法,且不會(huì)過于增加數(shù)據(jù)維度和矩陣稀疏性。

協(xié)作機(jī)器人是關(guān)節(jié)連接體,某關(guān)節(jié)的故障會(huì)影響其他關(guān)節(jié)的數(shù)據(jù)變化。因此,必須作整機(jī)為對(duì)象來研究。在機(jī)器人運(yùn)行過程中,振動(dòng)數(shù)據(jù)難以采集,而電流可以直接從控制箱拉取。針對(duì)協(xié)作機(jī)器人診斷問題,本文提出一種基于多尺度小波分解、樣本熵(WTMSE)和一維注意力卷積神經(jīng)網(wǎng)絡(luò)(AMCNN_1D)相結(jié)合的協(xié)作機(jī)器人故障診斷方法,其可強(qiáng)化故障信息,增強(qiáng)模型泛化能力,提高模型效率。該方法首先是對(duì)原始電流數(shù)據(jù)采用隨機(jī)采樣的方法進(jìn)行數(shù)據(jù)增強(qiáng);接著將增強(qiáng)后的數(shù)據(jù)作小波分解,對(duì)分解系數(shù)進(jìn)行樣本熵計(jì)算,使結(jié)果作為引入注意力機(jī)制的一維卷積神經(jīng)網(wǎng)絡(luò)的輸入并進(jìn)行端到端訓(xùn)練;最后利用訓(xùn)練后的模型對(duì)協(xié)作機(jī)器人整機(jī)快速診斷分類。通過實(shí)驗(yàn)測(cè)試,并與其它模型對(duì)比,結(jié)果表明WTMSE-AMCNN_1D模型可以有效診斷協(xié)作機(jī)器人的故障。

1 協(xié)作機(jī)器人故障診斷模型構(gòu)建

1.1 故障診斷模型結(jié)構(gòu)

本文提出的基于WTMSE-AMCNN_1D故障診斷模型如圖1所示。它包含兩個(gè)部分,一部分是利用多尺度小波分解后的分解系數(shù)來進(jìn)行多尺度樣本熵計(jì)算的特征提取,另一部分是引入注意力層的一維卷積神經(jīng)網(wǎng)絡(luò)故障診斷分類。第一部分是特征提取,首先將原始六關(guān)節(jié)電流數(shù)據(jù)進(jìn)行隨機(jī)采樣,然后對(duì)采樣后的數(shù)據(jù)進(jìn)行小波分解并根據(jù)分解系數(shù)計(jì)算其多尺度樣本熵(MSE),將各個(gè)尺度的MSE合并成一個(gè)特征向量,最終得到多個(gè)MSE特征向量。第二部分是故障識(shí)別,即利用引入注意力層的一維卷積神經(jīng)網(wǎng)絡(luò)來診斷分類,它包含3個(gè)卷機(jī)塊、1個(gè)注意力層和1個(gè)全連接層。后一部分將前一部分得到的MSE特征向量作為網(wǎng)絡(luò)輸入,最終輸出是故障類別。

圖1 WTMSE-AMCNN_1D模型

1.2 隨機(jī)采樣

通常情況下,由于獲取故障樣本比正常樣本更困難,導(dǎo)致故障診斷數(shù)據(jù)集中不同類別的數(shù)據(jù)量不易平衡。因此,訓(xùn)練出來的模型對(duì)少量數(shù)據(jù)量的故障類型診斷效果較差。為了解決樣本不平衡和訓(xùn)練過程中出現(xiàn)過擬合問題,本文采用隨機(jī)采樣[10]的方法,使各個(gè)故障類型的數(shù)據(jù)量在擴(kuò)充的基礎(chǔ)上又達(dá)到平衡,以此來提高模型的泛化能力。

隨機(jī)采樣是通過對(duì)原始時(shí)序序列隨機(jī)選取采樣點(diǎn),并根據(jù)樣本長度抽取所需樣本量的過程。

1.3 多尺度小波分解和樣本熵

在協(xié)作機(jī)器人運(yùn)行過程中,由于所處工況環(huán)境問題,控制箱內(nèi)部電路運(yùn)行時(shí)可能會(huì)受到各種因素的影響,如電磁干擾、溫度變化等,導(dǎo)致輸出電路信號(hào)帶有一定的噪聲。對(duì)于原始的電流數(shù)據(jù)來說,它是一種非平穩(wěn)且非線性的時(shí)間序列。為了解決該類時(shí)間序列數(shù)據(jù)中的信噪分離問題,小波分解方法得到了廣泛應(yīng)用。

多尺度小波分解是一種正交小波基構(gòu)造方法,它可以將任意信號(hào)f(x)∈L2(R)分解為低頻部分和高頻部分,即近似部分和細(xì)節(jié)部分,其中近似部分能體現(xiàn)出信號(hào)的本質(zhì)特征,而高頻部分則能提現(xiàn)噪聲相關(guān)信息。隨著分解尺度的增加,其分解的系數(shù)長度會(huì)變得更短。所以f(x)可分解為:

f(x)=An+Dn+Dn-1+…+D2+D1

(1)

式中:An代表最后一層的近似部分,Dn到D1代表各分解層的細(xì)節(jié)部分,n是層數(shù)。對(duì)于任意Ψ∈L2(R),若小波函數(shù)Ψ(t)的傅里葉變換Ψ(w)滿足式(2):

(2)

經(jīng)過小波分解后,原始數(shù)據(jù)的故障特征也保留到了分解子頻帶中。為了提取到小波分解后的故障特征,本文計(jì)算了分解系數(shù)的多尺度樣本熵(MSE)。這種方法是在樣本熵的基礎(chǔ)上改進(jìn)的,具有較為強(qiáng)大的抗噪和抗干擾能力。下面是MSE的詳細(xì)計(jì)算步驟:

步驟1:對(duì)于分解得到的分解系數(shù)X(i),(i∈[1,N]),利用以下粗?；降玫叫蛄衴(τ):

(3)

式中:τ是尺度因子,τ∈[1,N/τ]。

步驟2:對(duì)y(τ)計(jì)算不同尺度因子τ下的樣本熵值,則多尺度樣本熵為:

(4)

1.4 CNN神經(jīng)網(wǎng)絡(luò)

在深度學(xué)習(xí)里面,CNN神經(jīng)網(wǎng)絡(luò)是一種較為常見的網(wǎng)絡(luò),它是由卷積層,池化層和全連接層組成的。其中,卷積層的主要功能是通過卷積輸入信號(hào)的局部感受域和卷積核來提取局部特征。每個(gè)卷積核都能夠捕捉輸入信號(hào)的一些局部特征,并在通過激活函數(shù)處理后構(gòu)建輸出特征向量。每一層的輸出特征向量都是由多個(gè)輸入特征通過卷積操作得到的。每一個(gè)卷積層的輸出如下:

(5)

池化層的引入是為了減少輸入特征的網(wǎng)絡(luò)參數(shù)、在一定程度上防止過擬合。為了更好保留多尺度熵的主要特征,本文選取最大池化。

在卷積層和池化層組成的卷積塊之后安排兩個(gè)全連接層,第1個(gè)全連接層是把特征向量平鋪成一維向量;第2個(gè)全連接層則采用Softmax分類器來進(jìn)行最后的故障分類。

1.5 注意力機(jī)制

由于機(jī)器人在操作過程中會(huì)受到電磁干擾,在同種工況的不同時(shí)間內(nèi)采集的協(xié)作機(jī)器人電流信號(hào)會(huì)有差異,從而導(dǎo)致提取出的特征不同。有些特征能表征故障信息,但有些會(huì)引入干擾,降低模型泛化能力。注意力機(jī)制[11]是通過自適應(yīng)加權(quán)不同信號(hào)片段特征來篩選信息,突出有用的故障特征并抑制無效的特征。

近年來,注意力機(jī)制的結(jié)構(gòu)得到很大改進(jìn),通過通道和空間注意力的結(jié)合實(shí)現(xiàn)了與卷積神經(jīng)網(wǎng)絡(luò)的聯(lián)用,可在故障診斷和圖像處理領(lǐng)域取得比單一CNN更好的效果。卷積注意力模塊(CBAM)[12]結(jié)合通道注意力和空間注意力,可加入到不同的卷積層間實(shí)現(xiàn)特征權(quán)重的自適應(yīng)調(diào)整。

1.6 協(xié)作機(jī)器人故障診斷流程

基于WTMSE-AMCNN_1D模型的協(xié)作機(jī)器人診斷流程分為3個(gè)部分,即數(shù)據(jù)預(yù)處理、模型訓(xùn)練、模型測(cè)試。診斷流程圖如圖2所示。

圖2 協(xié)作機(jī)器人診斷流程

2 實(shí)驗(yàn)及故障數(shù)據(jù)集

在機(jī)器人運(yùn)行過程中,關(guān)節(jié)螺栓可能會(huì)受到振動(dòng)和沖擊,長時(shí)間工作后會(huì)松動(dòng),最終導(dǎo)致機(jī)器人精度下降或者停機(jī),而關(guān)節(jié)螺栓松動(dòng)也可影響關(guān)節(jié)電流,所以本文使用某國產(chǎn)協(xié)作機(jī)器人運(yùn)行時(shí)所采集的電流故障數(shù)據(jù)集作為數(shù)據(jù)來源,實(shí)驗(yàn)?zāi)M關(guān)節(jié)螺栓松動(dòng)為故障,實(shí)驗(yàn)采集頻率為100 Hz,裝置如圖3所示。實(shí)驗(yàn)故障數(shù)據(jù)集包括4種工況下的電流數(shù)據(jù),即正常運(yùn)行數(shù)據(jù)、二關(guān)節(jié)故障數(shù)據(jù)、三關(guān)節(jié)故障數(shù)據(jù)和四關(guān)節(jié)故障數(shù)據(jù)。

圖3 實(shí)驗(yàn)裝置圖

在采集過程中,設(shè)置在相同工況下運(yùn)行,保證3種故障類型和一種正常類型的機(jī)器人運(yùn)行動(dòng)作一致。協(xié)作機(jī)器人電流故障數(shù)據(jù)集如表1所示。

表1 協(xié)作機(jī)器人故障數(shù)據(jù)集

由于關(guān)節(jié)較多,所以只展示二關(guān)節(jié)電流時(shí)序波形圖,其如圖4所示,可以看出即使在相同工況和同一運(yùn)行動(dòng)作下,二關(guān)節(jié)電流也有所差異,這說明采集電流信號(hào)可以有效診斷協(xié)作機(jī)器人故障。

圖4 二關(guān)節(jié)電流波形圖

3 結(jié)果分析

本部分分為4個(gè)步驟:首先,為了驗(yàn)證隨機(jī)采樣方法對(duì)診斷準(zhǔn)確率的影響,將采集的原始電流數(shù)據(jù)和經(jīng)過隨機(jī)采樣處理的電流數(shù)據(jù)分別進(jìn)行簡(jiǎn)單一維卷積(CNN_1D)診斷;然后對(duì)隨機(jī)采樣后的數(shù)據(jù)利用多尺度小波分解和樣本熵的方法提取特征,分析不同小波分解層數(shù)對(duì)WTMSE-CNN_1D模型診斷準(zhǔn)確率的影響程度;接著對(duì)比本文所提的WTMSE-AMCNN_1D模型與CNN_1D模型、WTMSE-CNN_1D模型診斷結(jié)果;最后為驗(yàn)證本文所提模型對(duì)協(xié)作機(jī)器人診斷的優(yōu)越性,對(duì)比淺層學(xué)習(xí)的BP神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林以及較新的Transformer模型。

3.1 隨機(jī)采樣對(duì)比分析

隨機(jī)采樣可以解決樣本不平衡和訓(xùn)練過程中出現(xiàn)過擬合問題。若將每類20萬采樣點(diǎn)作為數(shù)據(jù),當(dāng)樣本長度為1000時(shí),每類僅可生成200個(gè)樣本,故在沒有進(jìn)行隨機(jī)采樣的方法下,每類樣本量較少。而當(dāng)原始數(shù)據(jù)進(jìn)行隨機(jī)采樣后,可生成每類2000樣本,總共8000個(gè)樣本。為了驗(yàn)證隨機(jī)采樣方法對(duì)診斷準(zhǔn)確率的影響,本文將采集的原始電流數(shù)據(jù)和經(jīng)過隨機(jī)采樣處理的電流數(shù)據(jù)分別進(jìn)行簡(jiǎn)單一維卷積診斷,診斷平均準(zhǔn)確率如表2所示。

表2 CNN_1D下的平均診斷準(zhǔn)確率

從表2可知,在得到采集的原始電流數(shù)后,將其直接作為簡(jiǎn)單一維卷積神經(jīng)網(wǎng)絡(luò)的輸入,得到的診斷準(zhǔn)確率為88.32%,在經(jīng)過隨機(jī)采樣處理后,診斷精度提升了5%左右,這表明在樣本較多的情況下,故障特征可以被模型更好的學(xué)習(xí)到。

3.2 小波分解層數(shù)對(duì)WTMSE-CNN_1D模型診斷準(zhǔn)確率影響

由于采集的關(guān)節(jié)電流只有6個(gè),特征數(shù)較少,進(jìn)行卷積時(shí)可能會(huì)失去部分?jǐn)?shù)據(jù)信息,影響模型的診斷性能。為此,采用第1.3節(jié)中的多尺度小波分解和樣本熵的方法,在降噪的基礎(chǔ)上提取更豐富的特征,有效學(xué)習(xí)數(shù)據(jù)中的信息。通常來說,小波分解層數(shù)不宜過多也不宜過少,因?yàn)閷訑?shù)越高,分解出的信息包含噪聲信號(hào)可能就越多,從而影響診斷結(jié)果;分解層數(shù)越低時(shí),可能會(huì)導(dǎo)致不能全面地反映原始信號(hào)特征。所以為探究小波不同分解層數(shù)對(duì)診斷準(zhǔn)確率的影響,本文分別對(duì)6個(gè)關(guān)節(jié)電流進(jìn)行2、3、4、5、6層小波分解來比較最終診斷準(zhǔn)確率,結(jié)果如圖5所示。

圖5 WTMSE-CNN_1D下不同分解層數(shù)的診斷結(jié)果 圖6 樣本熵值可視化

由圖5可知在3層小波分解后,特征模型診斷準(zhǔn)確率最高,為97.39%。因此,在實(shí)際應(yīng)用中,要根據(jù)信號(hào)和數(shù)據(jù)情況合理選擇分解層數(shù)。

為了進(jìn)一步說明選擇小波分解來提取特征的可行性,取診斷準(zhǔn)確率最高時(shí)小波3層分解后計(jì)算出的樣本熵值,利用T-SNE[13]方法對(duì)計(jì)算出的樣本熵值進(jìn)行二維可視化,結(jié)果如圖6所示。

從圖中可以看出,對(duì)于小波分解后計(jì)算出的多尺度樣本熵值,同一種類別的的值大致可以被聚集在一起,而不同類別的值被較好的分離開來。這說明原始電流信號(hào)經(jīng)過多尺度小波分解和樣本熵提取后所得到的特征可以有良好的分類效果。

3.3 WTMSE-AMCNN_1D與CNN_1D、WTMSE-CNN_1D診斷結(jié)果比較

由于注意力機(jī)制可以突出有用的故障特征并抑制無效的特征,故在WTMSE-CNN_1D模型中第3個(gè)卷積塊后加入注意力層。在此層中,先通過一個(gè)全連接層計(jì)算出能量值,然后對(duì)其作歸一化處理,得到注意力權(quán)重,接著將第3個(gè)卷積塊的輸出作為輸入張量,并與注意力權(quán)重作加權(quán)處理,最終將得到加權(quán)后的輸出傳遞給后面全連接層。本部分的故障數(shù)據(jù)集選取第3.1節(jié)中經(jīng)過隨機(jī)采樣后的電流數(shù)據(jù),即樣本長度為1000,每類2000個(gè)樣本,一共8000個(gè)樣本,訓(xùn)練集和測(cè)試集按7∶3分配。對(duì)于WTMSE-AMCNN_1D模型,選取第3.2節(jié)中診斷準(zhǔn)確率最高的三層小波分解來計(jì)算的多尺度樣本熵值作為引入注意力層的一維卷積輸入,其分析結(jié)果如下。

圖7是利用T-SNE方法對(duì)全連接層輸出值進(jìn)行的二維可視化圖,可以看出經(jīng)過引入注意力層的一維卷積處理后,不同類別的輸出值呈現(xiàn)出更好的分離狀態(tài),這遠(yuǎn)好于初始卷積輸入的樣本分類效果。

圖7 全連接層輸出值可視化 圖8 WTMSE-AMCNN_1D訓(xùn)練過程

圖8為本文所提診斷模型(WTMSE-AMCNN_1D)訓(xùn)練過程,測(cè)試集的診斷準(zhǔn)確率可達(dá)到99.21%,損失率逐步下降并且趨于穩(wěn)定。

根據(jù)第3.1和3.2節(jié)可知,沒有經(jīng)過多尺度樣本熵特征提取的準(zhǔn)確率為93.47%,經(jīng)過特征提取的模型(WTMSE-CNN_1D)診斷準(zhǔn)確率最高為97.39%,而引入注意力機(jī)制的模型(WTMSE-AMCNN_1D) 診斷準(zhǔn)確率最高,為99.21%。由此可知在一維卷積中引入注意力層可以更好的區(qū)分有用信息和噪聲,使得模型的診斷準(zhǔn)確率提高。

為了進(jìn)一步反映本文模型的故障識(shí)別能力,引入多分類的混淆矩陣來對(duì)故障詳細(xì)分析,混淆矩陣如圖9所示。

圖9 混淆矩陣

由圖9可知,根據(jù)8000個(gè)樣本按照7∶3劃分訓(xùn)練集和測(cè)試集,可以劃分出測(cè)試集2400個(gè)樣本,每種類別600個(gè)樣本。其中僅有19個(gè)樣本被誤判,其余樣本都被正確分類。由此可以看出WTMSE-AMCNN_1D模型的診斷精度最高,對(duì)于協(xié)作機(jī)器人具有更好的診斷效果。

3.4 其它模型診斷分析對(duì)比

為了進(jìn)一步說明本文所提出的模型(WTMSE-AMCNN_1D)的優(yōu)越性,將淺層學(xué)習(xí)的BP神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林模型以及較新的Transformer模型與之比較。診斷結(jié)果如表3所示,從中可以看出基于BP神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林的平均診斷準(zhǔn)確率均遠(yuǎn)小于本文模型的平均診斷準(zhǔn)確率,而專注分類任務(wù)的Transformer模型平均診斷準(zhǔn)確率為96.57%,其也小于本文模型的平均診斷準(zhǔn)確率。因此,本文所提的WTMSE-AMCNN_1D模型能夠有效提高故障診斷準(zhǔn)確率,且對(duì)協(xié)作機(jī)器人關(guān)節(jié)螺栓松動(dòng)的故障分類任務(wù)具有較好的適用性。

表3 淺層學(xué)習(xí)模型與WTMSE-AMCNN_1D的平均診斷準(zhǔn)確率

4 結(jié)論

針對(duì)協(xié)作機(jī)器人故障診斷精度低且振動(dòng)數(shù)據(jù)難以采集的問題,本文提出了一種基于WTMSE-AMCNN_1D的協(xié)作機(jī)器人電流信號(hào)故障診斷方法,首先對(duì)采集的電流信號(hào)數(shù)據(jù)進(jìn)行隨機(jī)采樣,對(duì)比隨機(jī)采樣后的數(shù)據(jù)和原始數(shù)據(jù)的診斷效果,結(jié)果驗(yàn)證了隨機(jī)采樣的可行性;然后對(duì)比不同小波分解層數(shù)下WTMSE-CNN_1D模型的診斷精度,發(fā)現(xiàn)經(jīng)過三層小波分解,診斷準(zhǔn)確率最高,同時(shí)也說明了其計(jì)算出的多尺度樣本熵值分類效果更好;接著對(duì)比本文所提模型與CNN_1D、WTMSE-CNN_1D的診斷結(jié)果,說明注意力機(jī)制可以充分挖掘出故障信息;最后為進(jìn)一步說明本文模型的優(yōu)越性,對(duì)比BP神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林和較新的Transformer模型,結(jié)果顯示W(wǎng)TMSE-AMCNN_1D模型診斷準(zhǔn)確率最高,可達(dá)99.21%,這表明本文所提模型可以有效診斷協(xié)作機(jī)器人故障,且對(duì)其關(guān)節(jié)螺栓松動(dòng)的故障分類任務(wù)具有較好的適用性。