一种工业机器人边缘缓存自适应仲裁采样方法及设备与流程

本技术涉及工业机器人状态监测，尤其涉及一种工业机器人边缘缓存自适应仲裁采样方法及设备。

背景技术：

1、随着工业机器人在智能制造产线中的部署数量持续增长，关节电机、减速器、传动机构等核心部件的运行状态直接影响产线节拍与产品质量。但是一旦机器人发生非计划停机，则会导致整线效率下降及维护成本增加。

2、当前，工业机器人预测性维护主要采用两类技术路径：一是将振动、电流等原始高频数据持续上传云端，由云端统一进行诊断分析，该方法虽能保证数据完整性，但带宽占用、存储成本和云端计算压力较大；另一类是在边缘端通过阈值规则或特征摘要进行初筛，仅上传异常告警或特征值，该方法实施成本较低，但容易受到负载切换、夹具更换、轨迹变化等工况扰动影响，导致误报或漏报频发。

3、在实际产线运行中，边缘端规则判断与云端模型判断经常出现不一致。此时，若直接信任一侧判断，可能造成错误维护决策；若上传全部缓存原始数据，则又会产生大量无效传输。现有方法在冲突发生时，通常采用固定阈值触发和固定时间窗口上传的方式，难以区分工况切换造成的短时波动与部件退化引起的持续异常。同时，缓存片段的选择多依据异常幅值或时间邻近度等单一指标，缺少对片段复核价值的量化评价，容易上传大量对诊断结论贡献较低的数据，浪费宝贵的上行带宽资源。

技术实现思路

1、为了解决上述背景技术中存在的技术问题，本技术实施例提供一种工业机器人边缘缓存自适应仲裁采样方法及设备，该方法包括：在工业机器人的边缘端构建原始高频数据循环缓存，并同步获取边缘端输出的边缘风险概率分布与边缘置信度，以及云端输出的云端风险概率分布、云端置信度、剩余使用寿命预测值与剩余使用寿命置信区间宽度；计算所述边缘风险概率分布与所述云端风险概率分布之间的差异度，并将剩余使用寿命预测值与剩余使用寿命置信区间宽度映射生成的退化风险概率分布、边缘风险概率分布以及云端风险概率分布作为多源诊断证据，计算所述多源诊断证据融合后的诊断不确定性熵；对所述差异度、诊断不确定性熵、云端置信度、剩余使用寿命预测置信区间宽度，短期退化趋势斜率和负载突变因子进行加权，得到证据冲突熵分值；当所述证据冲突熵分值大于预设触发阈值时，对原始高频数据对应的特征序列进行变化点检测，得到异常开始点与异常恢复点，根据所述证据冲突熵分值确定异常前保留时长与异常后保留时长，根据所述异常开始点与异常恢复点以及异常前保留时长与异常后保留时长，确定自适应采样窗口；在所述自适应采样窗口内，将所述原始高频数据循环缓存按预设时间段划分为若干候选片段，并计算每个候选片段的信息增益；所述信息增益为候选片段上传并参与复核前、后的诊断不确定性差值；将每个候选片段的异常幅值、频谱异常程度、与异常发生时刻的时间邻近度、工况匹配度和数据量成本，以及所述信息增益进行加权，确定每个候选片段的综合评分；在预设的带宽约束与上传片段数量条件下，选择综合评分高的候选片段作为上传片段上传至云端；根据云端对上传的候选片段的复核诊断，得到复核风险概率分布与复核置信度，根据所述复核置信度、边缘置信度、云端置信度确定融合权重，并根据所述融合权重，对所述边缘风险概率分布、云端风险概率分布、复核风险概率分布进行加权融合，得到健康判定结果；根据所述健康判定结果与人工维护确认结果构建反馈奖励函数，基于反馈奖励函数，修正证据冲突熵计算权重、候选片段综合评分权重与触发阈值。

2、一个示例中，计算所述边缘风险概率分布与所述云端风险概率分布之间的差异度，并计算所述多源诊断证据融合后的诊断不确定性熵，具体包括：通过jensen-shannon散度计算计算所述边缘风险概率分布与所述云端风险概率分布的差异度；将所述边缘风险概率分布、云端风险概率分布、退化风险概率分布按各自对应的置信度加权，得到融合风险概率分布；所述退化风险概率分布对应的置信度由剩余使用寿命置信区间宽度归一化后确定；基于所述融合风险概率分布计算香农信息熵，将所述香农信息熵作为所述诊断不确定性熵。

3、一个示例中，对所述差异度、诊断不确定性熵、云端置信度、剩余使用寿命预测置信区间宽度，短期退化趋势斜率和负载突变因子进行加权，得到证据冲突熵分值，具体包括：获取预设时间窗口内的历史剩余使用寿命预测值序列，经线性拟合得到趋势斜率，作为所述短期退化趋势斜率；基于边缘端采集的工业机器人工况负载数据，计算当前时刻与前一稳态时刻的工况变化幅度，得到所述负载突变因子；对剩余使用寿命预测置信区间宽度、短期退化趋势斜率、负载突变因子分别进行归一化处理，得到各自对应的归一化数值；将云端置信度转换为置信度不足项；所述置信度不足项取值为1与云端置信度的差值；以所述差异度、诊断不确定性熵、置信度不足项、归一化后的剩余使用寿命预测置信区间宽度、归一化后的短期退化趋势斜率作为正向加权项，以归一化后的负载突变因子作为抑制加权项，通过预设权重系数对各加权项进行加权求和，得到证据冲突熵分值。

4、一个示例中，当所述证据冲突熵分值大于预设触发阈值时，对原始高频数据对应的特征序列进行变化点检测，得到异常开始点与异常恢复点，根据所述证据冲突熵分值确定异常前保留时长与异常后保留时长，根据所述异常开始点与异常恢复点以及异常前保留时长与异常后保留时长，确定自适应采样窗口，具体包括：当所述证据冲突熵分值大于预设触发阈值时，计算所述特征序列的滑动均值与滑动标准差，基于当前时刻特征值与滑动均值的差值、结合滑动标准差构造标准化偏离量；基于所述标准化偏离量构建累积变化统计量，并引入漂移抑制参数以抵消正常小幅随机波动的累积影响；当所述累积变化统计量大于预设的异常判定阈值时，判定对应时刻为异常开始点；当所述累积变化统计量回落至预设的恢复阈值以下时，判定对应时刻为异常恢复点；对证据冲突熵分值进行线性计算，得到异常前保留时长与异常后保留时长，并在异常后保留时长的基础上叠加预设异常持续时间调节分量；分别对异常前保留时长、异常后保留时长施加预设的上下限约束，裁剪至对应最小限值与最大限值范围内；以异常开始点向前推移异常前保留时长的时刻作为窗口起始时刻，以异常恢复点向后推移异常后保留时长的时刻作为窗口终止时刻，得到自适应采样窗口。

5、一个示例中，在所述自适应采样窗口内，将所述原始高频数据循环缓存按预设时间段划分为若干候选片段，并计算每个候选片段的信息增益，具体包括：在所述自适应采样窗口内，按预设时间段，对原始高频数据循环缓存内的原始高频数据进行切分，得到若干候选片段；以仅基于边缘端与云端现有诊断证据时的系统健康状态条件熵，作为候选片段参与复核前的诊断不确定性；以加入对应候选片段的原始数据参与复核诊断后的系统健康状态条件熵，作为候选片段参与复核后的诊断不确定性；将复核前诊断不确定性与复核后诊断不确定性的差值，确定为该候选片段的信息增益。

6、一个示例中，将每个候选片段的异常幅值、频谱异常程度、与异常发生时刻的时间邻近度、工况匹配度和数据量成本，以及所述信息增益进行加权，确定每个候选片段的综合评分，具体包括：对候选片段的异常幅值、频谱异常程度、时间邻近度、工况匹配度、数据量成本分别进行归一化处理，映射至统一数值区间；所述异常幅值为候选片段内信号峰值相对于正常基线的偏离程度；频谱异常程度为候选片段内特征频段的谐波能量变化幅度；时间邻近度为候选片段与异常发生时刻的时间接近程度；工况匹配度为候选片段对应的运行工况与当前复核工况的匹配程度；将信息增益、归一化后的异常幅值、频谱异常程度、时间邻近度、工况匹配度作为正向评分项，将归一化后的数据量成本作为成本抑制项，通过预设的对应权重系数进行加权求和，得到每个候选片段的综合评分。

7、一个示例中，根据所述复核置信度、边缘置信度、云端置信度确定融合权重，并根据所述融合权重，对所述边缘风险概率分布、云端风险概率分布、复核风险概率分布进行加权融合，得到健康判定结果，具体包括：将边缘置信度、云端置信度、复核置信度进行归一化处理，分别计算得到边缘融合权重、云端融合权重、复核融合权重；分别采用边缘融合权重、云端融合权重、复核融合权重，对边缘风险概率分布、云端风险概率分布、复核风险概率分布进行加权求和，得到最终风险概率分布；根据所述最终风险概率分布中各类健康状态的概率取值，输出对应的健康判定结果；所述健康状态包括正常、疑似异常、异常。

8、一个示例中，根据所述健康判定结果与人工维护确认结果构建反馈奖励函数，基于反馈奖励函数，修正证据冲突熵计算权重、候选片段综合评分权重与触发阈值，具体包括：将诊断准确性收益设为正向奖励项，将上传数据量成本、复核时延成本、误报惩罚项、漏报惩罚项设为负向扣分项，通过对应预设权重系数对各分项进行加权组合，构建反馈奖励函数；根据反馈奖励函数的输出值，结合片段评分函数相对于待修正参数的梯度方向，对证据冲突熵计算权重、候选片段综合评分权重与触发阈值进行初步迭代更新；所述片段评分函数为候选片段计算综合评分的加权过程；引入预设遗忘系数，对初步更新后的参数与历史经验证的参数值执行指数滑动平滑更新，得到最终修正后的参数，以抑制单次异常样本造成的参数剧烈波动。

9、一个示例中，选择综合评分高的候选片段作为上传片段上传至云端时，所述方法还包括：当候选片段的冲突来自振动频谱异常时，优先上传综合评分高的振动波形候选片段；当候选片段的冲突来自电流谐波异常时，优先上传综合评分高的电流波形候选片段；当候选片段的冲突来自重复定位误差时，优先上传综合评分高的轨迹误差序列候选片段。

10、另一方面，本技术实施例提供了一种工业机器人边缘缓存自适应仲裁采样设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述任一项的一种工业机器人边缘缓存自适应仲裁采样方法。

11、另一方面，本技术实施例提供了一种工业机器人边缘缓存自适应仲裁采样非易失性计算机存储介质，存储有计算机可执行指令，计算机可执行指令能够执行上述任一项的一种工业机器人边缘缓存自适应仲裁采样方法。

12、本技术实施例采用的上述至少一个技术方案能够达到以下有益效果：

13、本方案仅在边缘与云端诊断出现冲突或云端置信度不足时，才按需截取关键原始数据片段上传，可大幅降低原始高频数据上行量，有效减轻网络带宽、云端存储与算力负担，适配工业现场有限的边云传输条件。通过变化点检测动态生成采样窗口，以信息增益量化缓存片段的复核价值，在带宽约束下择优上传高价值数据，既避免固定窗口上传的无效数据冗余，又保障关键故障信号不缺失，显著提升复核诊断的效率与针对性。此外，方案依托反馈奖励机制在线修正算法权重与阈值参数，能够自适应不同机器人型号、生产节拍与负载工况，无需人工反复调参，可随设备老化与现场环境变化持续迭代优化。