基于多物理约束的关节系统跨域诊断方法、设备及介质与流程
本申请涉及但不限于机器人状态监测与智能故障诊断,尤其涉及一种基于多物理约束的关节系统跨域诊断方法、设备及介质。
背景技术:
1、工业机器人、服务机器人及协作机器人等智能装备的关节系统(其中包括了伺服电机、谐波/rv减速器、滚动轴承等核心旋转部件)是机器人的核心执行单元,其运行可靠性直接决定整机性能与安全性。关节系统一旦发生故障,不仅造成产线停机、工件报废等经济损失,在协作机器人与人共融场景中更可能引发严重人身安全事故。而随着人工智能技术在故障诊断领域广泛而深入的应用,从监测数据中直接获取可反映装备健康状态的有效运行信息,进而对其健康状态进行准确识别有了新的方法。因此,利用人工智能技术建立智能故障诊断模型成为保障机器人安全运行的重要手段。
2、工程实际中,现有数据驱动的机器人故障诊断方法主要依赖单一振动信号进行故障诊断,忽略了电流谱和声学信号等多模态数据的互补故障信息,导致诊断鲁棒性不足,而纯数据驱动的特征对齐方法缺乏对故障机理物理因果结构的建模,在工况迁移时出现语义偏移,泛化能力差。在某一工况(转速/负载)下训练的模型,部署到其他工况时性能大幅下降,缺乏有效的域不变特征学习机制。同时,现有深度学习方法缺少对故障语义描述的理解能力,无法利用大模型的语言理解能力辅助跨模态对齐。
3、近年来,大语言模型(large language model, llm)在自然语言处理领域展现出强大的语义理解与知识推理能力,为智能故障诊断提供了新的技术范式。通过将故障诊断任务与语言模型的语义理解能力相结合,可以进一步实现故障模式的语义描述、跨模态知识对齐以及可解释的诊断推理,从而突破纯数据驱动方法在语义理解层面的瓶颈。考虑到现有深度学习方法在机器人关节故障诊断中普遍存在以下问题:1)缺乏对故障语义描述的理解能力,无法利用大语言模型的语言理解能力辅助跨模态对齐,难以实现故障类型、严重程度及发展趋势的语义级深度理解;2)未能有效融合多模态传感数据与大语言模型的语义推理能力,难以在复杂工况下建立物理因果结构与语义描述之间的映射关系。进而降低在面对跨工况的故障诊断时对于关节系统的故障诊断的可靠性。
技术实现思路
1、本申请实施例提供了一种基于多物理约束的关节系统跨域诊断方法、设备及介质,能够提高在面对跨工况的故障诊断时对于关节系统的故障诊断的可靠性。
2、第一方面,本申请实施例提供了一种基于多物理约束的关节系统跨域诊断方法,应用于关节控制系统,所述关节控制系统内置预设诊断模型,所述预设诊断模型包括物理约束模块、工况解耦模块、语义对齐模块以及分类模块,包括:
3、通过设置在关节系统的多模态传感器进行信号采集,得到多模态数据;
4、对所述多模态数据进行特征提取后融合,得到嵌入向量;
5、将所述嵌入向量输入至所述预设诊断模型进行推理,得到关节系统对应的诊断结果;
6、其中,所述预设诊断模型通过以下步骤确定:
7、在训练数据集上对基准模型进行迭代训练,直至总训练目标函数收敛,得到所述预设诊断模型,其中,所述总训练目标函数通过以下步骤确定:
8、通过所述物理约束模块计算所述训练数据集中每个样本对应的训练向量和预设物理先验向量的语义一致性损失;
9、通过所述工况解耦模块将所述训练向量进行正交解耦,映射为故障不变子空间中的故障向量,所述故障向量包括源工况对应的源向量和目标工况对应的目标向量,计算所述源向量和所述目标向量的分布差异,得到对抗对齐损失,并将所述训练数据集中同一参考故障类别的所述故障向量在不同工况条件下的嵌入方差作为因果不变正则化损失;
10、通过所述语义对齐模块,以投影后的所述故障向量为查询锚点,所述参考故障类别对应的第一语义向量为正样本,其余类别对应的第二语义向量为负样本,计算infonce对比损失;
11、通过所述分类模块对当前批次内的每个所述参考故障类别对应的所述故障向量求质心,对批次内每个所述样本,计算所述故障向量与每个所述质心的余弦相似度,得到预测概率分布,并基于所述预测概率分布与所述样本对应的所述参考故障类别计算交叉熵损失;
12、根据所述语义一致性损失、所述对抗对齐损失、所述因果不变正则化损失、所述infonce对比损失以及所述交叉熵损失加权运算,得到所述总训练目标函数。
13、第二方面,根据本申请实施例提供的一种电子设备,包括:
14、至少一个处理器;
15、至少一个存储器,用于存储至少一个程序;
16、当至少一个所述程序被至少一个所述处理器执行时,实现第一方面任一所述基于多物理约束的关节系统跨域诊断方法。
17、第三方面,根据申请实施例提供的一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行实现第一方面任一所述基于多物理约束的关节系统跨域诊断方法。
18、综上所述,本申请的上述实施例基于预设物理先验向量和训练向量转化为语义一致性损失,以构建物理机制约束层,显式防止物理不一致的嵌入漂移;将训练向量映射为故障不变子空间中的故障向量,故障向量包括源工况对应的源向量和目标工况对应的目标向量,计算源向量和目标向量的分布差异,得到对抗对齐损失,通过最小化源向量与目标向量的分布差异,实现工况无关的故障特征对齐,同时,采用因果不变正则化损失约束同一参考故障类别在不同工况条件下的嵌入方差最小化,确保故障子空间仅编码与故障相关的本质特征,以实现跨工况迁移;通过对比学习将故障向量与预训练语言模型编码的文本故障描述进行语义对齐;对当前批次内的每个参考故障类别对应的故障向量求质心,对批次内每个样本,计算故障向量与每个质心的余弦相似度,得到预测概率分布,并基于预测概率分布与样本对应的参考故障类别计算交叉熵损失。在训练数据集上对基准模型进行迭代训练,直至由上述损失构成的总训练目标函数收敛,得到预设诊断模型。如此,通过设置在关节系统的多模态传感器进行信号采集,得到多模态数据,并对多模态数据进行特征提取后融合,得到嵌入向量;利用预设诊断模型对嵌入向量进行推理,得到关节系统对应的诊断结果,能够提高在面对跨工况的故障诊断时对于关节系统故障诊断的可靠性。
1.一种基于多物理约束的关节系统跨域诊断方法,其特征在于,应用于关节控制系统,所述关节控制系统内置预设诊断模型,所述预设诊断模型包括物理约束模块、工况解耦模块、语义对齐模块以及分类模块,所述方法包括:
2.根据权利要求1所述基于多物理约束的关节系统跨域诊断方法,其特征在于,所述多模态数据包括振动信号、电流信号以及预设类型信号,所述对所述多模态数据进行特征提取后融合,得到嵌入向量,包括:
3.根据权利要求2所述基于多物理约束的关节系统跨域诊断方法,其特征在于,将所述第一向量、所述第二向量、所述第三向量和所述第一子向量进行融合,得到所述嵌入向量包括:
4.根据权利要求1所述基于多物理约束的关节系统跨域诊断方法,其特征在于,所述对抗对齐损失满足以下表达式:
5.根据权利要求4所述基于多物理约束的关节系统跨域诊断方法,其特征在于,所述因果不变正则化损失满足以下表达式:
6.根据权利要求5所述基于多物理约束的关节系统跨域诊断方法,其特征在于,所述通过所述工况解耦模块将所述训练向量进行正交解耦,映射为故障不变子空间中的故障向量,包括:通过所述故障不变子空间对应的第一投影矩阵和工况特定子空间对应的第二投影矩阵将所述训练向量进行正交解耦,映射为所述故障不变子空间中的故障向量,其中,所述第一投影矩阵和所述第二投影矩阵满足正交约束。
7.根据权利要求1所述基于多物理约束的关节系统跨域诊断方法,其特征在于,所述infonce对比损失满足以下表达式:
8.根据权利要求1所述基于多物理约束的关节系统跨域诊断方法,其特征在于,所述交叉熵损失满足以下表达式:
9.一种电子设备,其特征在于,包括:
10.一种计算机可读存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令用于执行权利要求1至8任一所述基于多物理约束的关节系统跨域诊断方法。
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