［摘 要］機(jī)器人以其高效、高強(qiáng)度的作業(yè)方式，被廣泛地應(yīng)用于制造業(yè)及其相關(guān)領(lǐng)域。但當(dāng)機(jī)器人出現(xiàn)故障時(shí)，通常會(huì)導(dǎo)致生產(chǎn)線停滯，浪費(fèi)大量的人力、物力，甚至危及工作人員的生命安全。傳統(tǒng)的故障診斷方法耗時(shí)長(zhǎng)，診斷效率低，且故障辨識(shí)精度不高。文章基于深度學(xué)習(xí)相關(guān)理論，通過(guò)分析機(jī)器人機(jī)械臂各個(gè)關(guān)節(jié)及執(zhí)行器的振動(dòng)特性，建立了一種適用于工業(yè)機(jī)器人的故障診斷模型，并以ABBirb120機(jī)器人為例進(jìn)行電氣故障檢測(cè)與診斷的準(zhǔn)確率分析。結(jié)果表明，在迭代次數(shù)達(dá)到900 以上時(shí)，其故障識(shí)別準(zhǔn)確率趨于99.4%。

［關(guān)鍵詞］深度學(xué)習(xí)；機(jī)器人；電氣故障；檢測(cè)

［中圖分類號(hào)］TP242 ［文獻(xiàn)標(biāo)志碼］A ［文章編號(hào)］2095–6487（2024）03–0142–03

1 機(jī)器人電氣故障分析

在工業(yè)機(jī)器人中，其電氣故障的表現(xiàn)形式主要是控制系統(tǒng)故障和驅(qū)動(dòng)系統(tǒng)故障。根據(jù)這一特點(diǎn)，可以將其劃分為兩種類型：邏輯故障和物理故障。邏輯故障是指機(jī)器人的控制系統(tǒng)失效，不能按命令完成工作。物理性故障指工業(yè)機(jī)器人的硬件故障，如電路老化或損壞等。工業(yè)機(jī)器人故障通常會(huì)引起振動(dòng)信號(hào)的改變，所以可以利用其振動(dòng)信號(hào)對(duì)其運(yùn)行狀況進(jìn)行評(píng)價(jià)，并對(duì)其有無(wú)故障進(jìn)行診斷。機(jī)器人常見(jiàn)電氣故障形式、故障表征、故障原因見(jiàn)表1。

2 深度置信網(wǎng)絡(luò)（DBN）

2.1 深度學(xué)習(xí)簡(jiǎn)介

深度學(xué)習(xí)是通過(guò)模仿人類大腦神經(jīng)網(wǎng)絡(luò)的構(gòu)成及對(duì)外界刺激做出處理的方式，構(gòu)建出一種深層的神經(jīng)網(wǎng)絡(luò)模型。深度學(xué)習(xí)由數(shù)據(jù)接收層、多層隱藏層及數(shù)據(jù)處理層組成，各層間相互獨(dú)立、互不連通。這種方式與大腦的內(nèi)在結(jié)構(gòu)十分接近，能夠更好地提取出數(shù)據(jù)中的特征，并對(duì)其本質(zhì)進(jìn)行刻畫。目前應(yīng)用最多的深度學(xué)習(xí)模型有深度置信網(wǎng)絡(luò)（DBN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）和堆疊自動(dòng)編碼器（SAE），其中，DBN是目前應(yīng)用最廣、理論較為成熟的一種方法。

2.2 深度置信網(wǎng)絡(luò)基本原理

DBN 是一種基于多層學(xué)習(xí)網(wǎng)絡(luò)的無(wú)監(jiān)督學(xué)習(xí)方法。其基本網(wǎng)絡(luò)結(jié)構(gòu)是基于約束玻爾茲曼向量機(jī)（RBM），通過(guò)分層學(xué)習(xí)，對(duì)隱藏層與可見(jiàn)性進(jìn)行分層學(xué)習(xí)，并對(duì)各層間的權(quán)值及傳輸參數(shù)持續(xù)進(jìn)行更新與優(yōu)化。在此基礎(chǔ)上，通過(guò)逐級(jí)的參數(shù)更新與優(yōu)化，完成故障特征的辨識(shí)與提取，從而構(gòu)建具有更高辨識(shí)精度的故障診斷模型。

3 基于深度學(xué)習(xí)的機(jī)器人電氣故障檢測(cè)與診斷

3.1 故障診斷模型創(chuàng)建流程

文章以DBN 為背景，研究面向工業(yè)機(jī)器人的小波包分解和重構(gòu)問(wèn)題。在此基礎(chǔ)上，采用信息能量熵、歸一化等手段，構(gòu)造小波重建的能量熵、歸一化特征矢量，并對(duì)其進(jìn)行重建。最后，通過(guò)對(duì)特征矢量的分類與分層學(xué)習(xí)，完成反演修正與模型校驗(yàn)。

3.2 工業(yè)機(jī)器人振動(dòng)信號(hào)預(yù)處理

從傳感器獲取的關(guān)節(jié)振動(dòng)信號(hào)是一種不穩(wěn)定的狀態(tài)，其中包括關(guān)節(jié)本身的振動(dòng)、噪聲（外界噪聲、設(shè)備噪聲）和共振等。文章先對(duì)不穩(wěn)定、多源干擾下的振動(dòng)信號(hào)進(jìn)行消噪，然后利用小波理論對(duì)其進(jìn)行分析與處理。目前，對(duì)振動(dòng)信號(hào)的研究主要有以下3個(gè)方面。

（1）時(shí)域方法是以時(shí)間為基礎(chǔ)對(duì)信號(hào)進(jìn)行分析，其中，時(shí)域參數(shù)的選擇最為重要。利用這種方法，可快速方便地對(duì)原有結(jié)構(gòu)進(jìn)行振動(dòng)分析，但其缺點(diǎn)是無(wú)法將與故障無(wú)關(guān)的擾動(dòng)有效地抽取出來(lái)，無(wú)法準(zhǔn)確反映故障的特性。

（2）從信號(hào)中提取振動(dòng)頻率的頻域信息。分析手段包括頻譜分析和包絡(luò)分析法。頻域分析法是通過(guò)對(duì)頻率范圍的分析，實(shí)現(xiàn)故障的識(shí)別與定位，但該分析方法因缺少時(shí)間信息而導(dǎo)致不能最大限度地儲(chǔ)存和分析振動(dòng)信號(hào)中的全部信息。

（3）同時(shí)提取振動(dòng)信號(hào)時(shí)域與頻域的時(shí)頻分析方法。其通過(guò)將時(shí)域與頻域相結(jié)合，實(shí)現(xiàn)對(duì)信號(hào)的分析。本項(xiàng)目將時(shí)域、頻域有機(jī)地結(jié)合起來(lái)，具有很強(qiáng)的互補(bǔ)性，尤其適用于多源干擾下的振動(dòng)信號(hào)分析。在時(shí)頻分析中，常用的方法有傅立葉變換、經(jīng)驗(yàn)?zāi)B(tài)分解、小波分析等，其中，小波分析是目前常用的一種檢測(cè)設(shè)備振動(dòng)信號(hào)的方法。在此基礎(chǔ)上，提出了一種基于小波包分解與重構(gòu)的小波分析方法，并對(duì)其進(jìn)行時(shí)頻分析。

3.3 DBN參數(shù)初始化

在設(shè)定 DBN 參數(shù)前， 要先對(duì) RBM 網(wǎng)絡(luò)中的θ={w，b，c} 進(jìn)行初始化，w 為計(jì)算出的各個(gè)網(wǎng)絡(luò)層的連接權(quán)重，b 為顯層的偏置值，c 為隱含層的偏離值。采用以下公式將具有正態(tài)分布的N（0，0.1）初始化，明確顯層偏置值b 的初始化為0，將隱藏層中c 的初始化也設(shè)為0。

如上所述，可以將偏置數(shù)值b 和c 初始化為0，或者可以利用常態(tài)隨機(jī)分布進(jìn)行初始化，如權(quán)重初始化方式相同。具體的設(shè)定要隨著特定的運(yùn)算情況而變化，不同的設(shè)定將使結(jié)果略有不同。如果程序必須進(jìn)行一些優(yōu)化，可以考慮對(duì)這個(gè)設(shè)定進(jìn)行調(diào)整。

3.4 DBN網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)置

將網(wǎng)絡(luò)結(jié)構(gòu)劃分為兩個(gè)層次，即網(wǎng)絡(luò)結(jié)構(gòu)的深度與節(jié)點(diǎn)個(gè)數(shù)。深度學(xué)習(xí)和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)不同之處在于其所具有的深度。在此基礎(chǔ)上，文章提出了一種基于DBN 的神經(jīng)網(wǎng)絡(luò)模型，該模型能夠有效地降低網(wǎng)絡(luò)中各個(gè)層次的結(jié)點(diǎn)數(shù)量，并對(duì)其進(jìn)行分類，但這也會(huì)造成網(wǎng)絡(luò)結(jié)構(gòu)的增加及訓(xùn)練時(shí)間的增加。若參數(shù)設(shè)定不合理，有可能造成多層的錯(cuò)誤積累，從而造成過(guò)度的訓(xùn)練誤差或過(guò)擬合。這里將神經(jīng)網(wǎng)絡(luò)的深度設(shè)定成1 個(gè)輸入層、3 個(gè)隱藏層、1 個(gè)輸出層的5 層網(wǎng)絡(luò)結(jié)構(gòu)。

3.5 學(xué)習(xí)率的初始化設(shè)定

在梯度下降法中，學(xué)習(xí)速率是一個(gè)非常重要的問(wèn)題，其直接影響著每一步的梯度下降距離。當(dāng)初始學(xué)習(xí)率較低時(shí)，會(huì)使模型向最小化函數(shù)的方向偏移得太慢，使得網(wǎng)絡(luò)的訓(xùn)練時(shí)間變得更長(zhǎng)；如果初始值取得過(guò)大，則可能導(dǎo)致重構(gòu)誤差，嚴(yán)重時(shí)還可能導(dǎo)致模型出錯(cuò)。BP 網(wǎng)絡(luò)的前向無(wú)指導(dǎo)分層學(xué)習(xí)率通常設(shè)置為0.1，后向調(diào)整學(xué)習(xí)率通常設(shè)置在0.01。

3.6 動(dòng)量因子的初始化設(shè)定

在學(xué)習(xí)DBN 的過(guò)程中，通過(guò)對(duì)前一次迭代得到的梯度進(jìn)行估算，增強(qiáng)了學(xué)習(xí)過(guò)程的抗振蕩性，使得該方法能夠快速、穩(wěn)定地收斂于容許的范圍。公式如下：

3.7 故障診斷過(guò)程

基于DBN 的故障診斷方法對(duì)已有數(shù)據(jù)進(jìn)行簡(jiǎn)單的預(yù)處理，較好地保持其原有的特性，將非監(jiān)督學(xué)習(xí)和有監(jiān)督調(diào)優(yōu)相結(jié)合，實(shí)現(xiàn)對(duì)故障結(jié)果的快速準(zhǔn)確辨識(shí)?；贒BN 的故障診斷流程為：①明確電氣故障類型及診斷任務(wù)；②基于FFT、歸一化等預(yù)處理方法，將訓(xùn)練集與測(cè)試集分隔開來(lái)；③初始化DBN、設(shè)置網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)量、學(xué)習(xí)率、迭代數(shù)等；④利用逐層特征抽取方法獲得初始權(quán)值矩陣；⑤對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行逆向調(diào)整，使其參數(shù)最優(yōu)。

DBN 實(shí)現(xiàn)故障樣本的訓(xùn)練和分類后，與原始數(shù)據(jù)進(jìn)行直觀比較，直觀地反映了DBN 的分類性能，但由于數(shù)據(jù)維度過(guò)大，不能直接將其表達(dá)出來(lái)，所以采用主成分分析法對(duì)各層次的特征矩陣進(jìn)行處理，選擇3 個(gè)最重要的特征來(lái)構(gòu)造三維哈希圖，以研究DBN的分類性能。

3.8 準(zhǔn)確率分析

針對(duì)ABBirb120 機(jī)器人的電氣故障， 采用MATLAB 2019 b，配置為Windows 10、英特爾i7 處理器、Nvidia 930 M、內(nèi)存8 GB。將兩組樣本按照4 ∶ 1的比例分成兩組。訓(xùn)練集合包含192 000 個(gè)試驗(yàn)（正常試驗(yàn)樣品38 400，4 種缺陷試驗(yàn)樣品38 400），其中試驗(yàn)集合48 000 個(gè)（正常試驗(yàn)樣品9 600 個(gè)，4 種缺陷試驗(yàn)樣品9 600 個(gè)）?；? 級(jí)分解與小波基db1，將小波包分解與歸一化，得到128 個(gè)單元的標(biāo)準(zhǔn)化能量熵向量。在訓(xùn)練集上，有192 000 個(gè)輸入樣本和48 000個(gè)測(cè)試集。DBN 網(wǎng)絡(luò)模型以128 個(gè)輸入單元、以采樣錯(cuò)誤標(biāo)記作為輸出層，并以6 個(gè)輸出層為輸出單元。輸出層所對(duì)應(yīng)的樣本標(biāo)簽見(jiàn)表2。

將 DBN 模型的迭代次數(shù)設(shè)定為100，將反向調(diào)節(jié)的數(shù)目設(shè)定為100，并將其乘以1 000，并且將學(xué)習(xí)速率與動(dòng)量系數(shù)設(shè)定為0.1 與0.9?；贒BN 的故障準(zhǔn)確率測(cè)試結(jié)果如圖1 所示。

從圖1 可以看出，在迭代次數(shù)超過(guò)900 次的情況下，錯(cuò)誤辨識(shí)的正確率已接近穩(wěn)定的99.4%。結(jié)果表明，文章所采用的DBN 模型正向迭代次數(shù)為100 次，反向調(diào)優(yōu)次數(shù)應(yīng)不小于900 次。

4 結(jié)束語(yǔ)

以機(jī)器人電氣故障為研究對(duì)象，采用深度學(xué)習(xí)技術(shù)對(duì)其進(jìn)行了故障診斷，其中采用小波分析與信息能量熵相結(jié)合的方法，構(gòu)建了基于多源信息的正則化特征矢量，并對(duì)其進(jìn)行訓(xùn)練與檢驗(yàn)，采用傅立葉變換與機(jī)械臂電氣故障信息相結(jié)合的方法，對(duì)機(jī)器人電氣故障進(jìn)行特征提取，構(gòu)建了DBN 模型的機(jī)器人電氣故障診斷模型，實(shí)現(xiàn)了對(duì)機(jī)器人電氣故障的診斷，其電氣故障診斷正確率可達(dá)到99.4%。

參考文獻(xiàn)

[1] 陳公興. 基于深度學(xué)習(xí)的機(jī)器人電氣故障檢測(cè)與診斷研究[J]. 自動(dòng)化與儀表，2020，35（12）：40-44.

[2] 黃威，袁廷翼，鄧百川，等. 基于深度學(xué)習(xí)的機(jī)器人電路板自主故障檢測(cè)系統(tǒng)[J]. 電工電能新技術(shù)，2022（2）：41.

[3] 周東華，席裕庚. 工業(yè)機(jī)器人故障的實(shí)時(shí)檢測(cè)與診斷[J].機(jī)器人，1992，14（1）：1-6.

[4] 農(nóng)權(quán)，陳偉，郝鵬祥. 一種破拆機(jī)器人電氣故障檢測(cè)方法及其裝置：CN111590580A[P].2020-08-28.

[5] 董旭，劉微，李一順，等. 一種特種機(jī)器人電氣故障診斷系統(tǒng)：202111010206[P].2022-04-13.

[6] 彭建盛，覃勇，何奇文，等. 一種電氣設(shè)備故障診斷機(jī)器人：CN106707054A[P].2017-05-24.