一种机器人部件联邦故障诊断方法及相关设备
本申请涉及工业机器人健康管理、联邦学习与智能运维交叉,尤其涉及一种机器人部件联邦故障诊断方法及相关设备。
背景技术:
1、工业机器人的关节传动系统中,交叉滚子轴承、谐波减速器等关键部件长期承受交变载荷,其健康状态直接关系到机器人的定位精度与产线稳定运行,对其进行准确故障诊断具有重要意义。
2、然而,在跨企业、跨工厂的机器人集群运维场景中,故障诊断面临三方面困难:其一,原始运维数据因商业保密与合规要求难以跨企业共享汇聚;其二,不同企业关注的关键部件种类不同,各部件可观测的故障类别不完全相同,仅存在部分共有的故障特征;其三,即便同一部件,不同转速、负载下振动信号分布差异显著。
3、联邦学习作为一种分布式机器学习范式,允许各参与方在原始数据不出域的前提下协同训练模型,为上述场景提供了一种可行的技术路径。但现有联邦故障诊断方法仍存在以下不足:现有联邦学习方法多直接以时域波形或其简单变换为输入,并对各节点模型参数加权平均。一方面,时域波形随转速变化剧烈,跨转速、跨部件协同时统一表征困难;另一方面,当不同部件仅部分共有故障类别时,承担分类功能的分类头在不共有的类别上被破坏性平均,导致全局模型的诊断效果退化。个性化联邦方法为各节点保留本地分类头,结果是多个互不相同的本地模型,难以得到可统一部署的全局模型;基于分类器校准的联邦方法与基于原型的联邦方法主要面向同一类设备、标签分布偏移的场景,未针对结构差异较大、仅部分共有故障特征的不同关键部件之间的统一诊断,且其表征未引入故障机理先验。
技术实现思路
1、本申请实施例的主要目的在于提出一种机器人部件联邦故障诊断方法、电子设备、存储介质及程序产品,旨在解决现有联邦故障诊断方法在面对不同种类关键部件、仅部分故障类别重合且工况差异显著的场景时存在的技术问题。
2、为实现上述目的,本申请实施例的一方面提出了一种机器人部件联邦故障诊断方法,应用于由云侧和多个边侧节点构成的系统,不同边侧节点对应不同种类的关键部件,所述不同种类的关键部件之间具有部分共有的故障特征以及各自特有的故障类型;所述方法包括以下步骤:
3、各边侧节点采集本地关键部件的振动信号,提取频谱特征作为诊断模型的输入,对所述诊断模型进行本地训练后,向云侧上传所述诊断模型中共享特征编码器的参数以及由所述共享特征编码器提取的、按健康状态类别统计的深度特征统计量;
4、云侧对各边侧节点上传的共享特征编码器参数进行聚合得到全局共享特征编码器;并依据各边侧节点上传的各类别深度特征统计量,采样重建服从对应分布的虚拟特征,在汇集自全部节点的虚拟特征上训练得到覆盖全部健康状态类别的统一全局分类头;将所述全局共享特征编码器与所述统一全局分类头组合为全局诊断模型下发至各边侧节点;
5、各边侧节点以接收到的全局诊断模型对本地待测振动信号进行故障诊断。
6、在一些实施例中,所述频谱特征为对数幅值谱;各边侧节点对采集的本地振动信号去均值后计算离散傅里叶变换幅值并取对数,得到所述对数幅值谱,作为所述共享特征编码器的输入。
7、在一些实施例中,各边侧节点还对去均值后的本地振动信号在故障激发的结构共振频带内进行带通滤波后取希尔伯特包络,将包络谱按该部件的回转频率折算为阶次谱,在故障特征阶次带上提取归一化能量构成阶次域机理描述子。
8、在一些实施例中,所述阶次按折算,其中为频率,为部件回转频率;所述阶次域机理描述子在交叉滚子轴承的内圈通过阶次、外圈通过阶次、滚动体自转阶次及所述滚动体自转阶次的谐波,以及回转整数阶次和齿轮啮合阶次所对应的阶次带上提取归一化能量,所述阶次域机理描述子的维度与部件类型和转速无关。
9、在一些实施例中,所述关键部件至少包括交叉滚子轴承与谐波减速器;所述部分共有的故障特征对应的共有故障类别包括正常、内圈滚道故障和外圈滚道故障,所述各自特有的故障类型对应的专有故障类别包括交叉滚子轴承的滚动体故障以及谐波减速器的刚轮断齿、柔轮点蚀中的至少一种。
10、在一些实施例中,所述深度特征统计量包括各类别的特征均值与完整协方差矩阵;云侧采样重建虚拟特征时,采用各节点各类别的特征均值与完整协方差矩阵构造多元高斯分布并采样,即,其中为迹正则系数;对同一健康状态类别由多个边侧节点贡献的统计量分别采样后合并,以保留该类别在不同部件上的多峰分布。
11、在一些实施例中,各边侧节点构建由共享特征编码器和本地分类头组成的诊断模型,以所述频谱特征为输入进行本地训练,分类损失在该边侧节点实际具有的健康状态类别上计算;所述本地分类头不上传至云侧。
12、在一些实施例中,所述共享特征编码器还连接一机理投影头,本地训练时附加机理一致性约束损失,其中为共享特征编码器,为对数幅值谱,为所述阶次域机理描述子。
13、在一些实施例中,各边侧节点保持下发的全局共享特征编码器不变,利用本地带标签数据对所述统一全局分类头进行个性化微调,得到适配本现场工况的边缘诊断模型。
14、在一些实施例中,所述深度特征统计量与共享特征编码器参数在上传前进行加密传输与身份认证,所述共享特征编码器参数进行稀疏化后上传。
15、为实现上述目的,本申请实施例的另一方面提出了一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上所述的方法。
16、为实现上述目的,本申请实施例的另一方面提出了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上所述的方法。
17、为实现上述目的,本申请实施例的另一方面提出了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上所述的方法。
18、本申请实施例至少包括以下有益效果:本申请提供一种机器人部件联邦故障诊断方法、电子设备、存储介质及程序产品,该方案通过各边侧节点仅上传共享编码器参数及各类深度特征统计量、由云侧基于重建的虚拟特征训练统一全局分类头的技术手段,一方面使原始振动数据始终保留在边侧节点本地且本地分类头不上传,充分满足商业保密与数据合规要求,另一方面从根本上规避了传统联邦平均方法因各节点故障类别仅部分重合而对分类头进行破坏性平均的技术缺陷,使得全局模型在不依赖各节点本地分类头参数聚合的条件下,仍能覆盖全部健康状态类别并实现跨部件、跨工况的高精度统一诊断,最终获得可统一部署的单一全局诊断模型。
1.一种机器人部件联邦故障诊断方法,其特征在于,应用于由云侧和多个边侧节点构成的系统,不同边侧节点对应不同种类的关键部件,所述不同种类的关键部件之间具有部分共有的故障特征以及各自特有的故障类型;所述方法包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,所述频谱特征为对数幅值谱;各边侧节点对采集的本地振动信号去均值后计算离散傅里叶变换幅值并取对数,得到所述对数幅值谱,作为所述共享特征编码器的输入。
3.根据权利要求2所述的方法,其特征在于,各边侧节点还对去均值后的本地振动信号在故障激发的结构共振频带内进行带通滤波后取希尔伯特包络,将包络谱按该部件的回转频率折算为阶次谱,在故障特征阶次带上提取归一化能量构成阶次域机理描述子。
4.根据权利要求3所述的方法,其特征在于,所述阶次按折算,其中为频率,为部件回转频率;所述阶次域机理描述子在交叉滚子轴承的内圈通过阶次、外圈通过阶次、滚动体自转阶次及所述滚动体自转阶次的谐波,以及回转整数阶次和齿轮啮合阶次所对应的阶次带上提取归一化能量,所述阶次域机理描述子的维度与部件类型和转速无关。
5.根据权利要求1所述的方法,其特征在于,所述关键部件至少包括交叉滚子轴承与谐波减速器;所述部分共有的故障特征对应的共有故障类别包括正常、内圈滚道故障和外圈滚道故障,所述各自特有的故障类型对应的专有故障类别包括交叉滚子轴承的滚动体故障以及谐波减速器的刚轮断齿、柔轮点蚀中的至少一种。
6.根据权利要求1所述的方法,其特征在于,所述深度特征统计量包括各类别的特征均值与完整协方差矩阵;云侧采样重建虚拟特征时,采用各节点各类别的特征均值与完整协方差矩阵构造多元高斯分布并采样,即,其中为迹正则系数;对同一健康状态类别由多个边侧节点贡献的统计量分别采样后合并,以保留该类别在不同部件上的多峰分布。
7.根据权利要求1所述的方法,其特征在于,各边侧节点构建由共享特征编码器和本地分类头组成的诊断模型,以所述频谱特征为输入进行本地训练,分类损失在该边侧节点实际具有的健康状态类别上计算;所述本地分类头不上传至云侧。
8.根据权利要求4所述的方法,其特征在于,所述共享特征编码器还连接一机理投影头,本地训练时附加机理一致性约束损失,其中为共享特征编码器,为对数幅值谱,为所述阶次域机理描述子。
9.根据权利要求1所述的方法,其特征在于,各边侧节点保持下发的全局共享特征编码器不变,利用本地带标签数据对所述统一全局分类头进行个性化微调,得到适配本现场工况的边缘诊断模型;
10.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1至9任一项所述的方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com