一种基于注意力响应的机械臂末端位姿偏差故障定位方法

本发明涉及机械臂故障检测，具体为一种基于注意力响应的机械臂末端位姿偏差故障定位方法。

背景技术：

1、机械臂作为自动化生产系统中的核心执行单元，其运行状态的可靠性直接影响生产效率和产品质量，机械臂由多个关节串联构成，各关节通过伺服驱动单元驱动，末端执行器在关节的协同运动下完成预定操作，在长期运行过程中，机械臂关节会因机械磨损、传动间隙增大、润滑失效、轴承损伤等原因出现故障，导致关节角位移偏差增大，进而影响末端位姿精度。

2、现有的机械臂关节故障定位方法主要分为两类，一类是基于物理模型的方法，这类方法建立机械臂的运动学模型或动力学模型，将关节实际运行参数与模型预测参数进行比较，根据残差大小判断故障发生的关节，然而，机械臂在运行过程中受负载变化、温度变化、装配误差等因素影响，模型参数难以保持与实际状态一致，导致故障定位结果不可靠。另一类是基于数据驱动的方法，通过采集机械臂运行过程中的振动信号或电流信号并提取时域特征或频域特征，将特征输入分类器进行故障模式识别，然而，该类方法需要采集大量的故障样本对分类器进行训练，而工业现场中机械臂故障样本获取困难，且不同型号机械臂的故障特征差异较大，训练得到的分类器难以在不同机械臂之间迁移使用。

3、此外，现有技术中直接使用关节角位移偏差进行故障判断，无法描述不同关节误差对末端位姿的非线性、时序耦合影响，也难以区分各关节误差对末端位姿偏差的贡献程度，导致故障关节定位的准确性受限。

技术实现思路

1、针对现有技术的不足，本发明提供了一种基于注意力响应的机械臂末端位姿偏差故障定位方法，通过交叉注意力架构、双阈值动态标定、相邻关节组合判定三个核心技术特征的协同组合，解决了现有技术难以区分各关节误差对末端位姿偏差的贡献程度、故障关节定位准确性受限的技术问题，达到了无需故障样本即可实现故障关节精准定位的技术效果。

2、为实现以上目的，本发明通过以下技术方案予以实现：一种基于注意力响应的机械臂末端位姿偏差故障定位方法，包括以下步骤：

3、s1、获取机械臂在正常状态下的关节角位移偏差时间序列和末端位姿偏差时间序列，通过第一映射单元将末端位姿偏差时间序列映射为查询矩阵，通过第二映射单元将各关节的关节角位移偏差时间序列分别映射为键矩阵和值矩阵，执行多头注意力运算，生成正常状态下的各关节的注意力响应序列；基于正常状态下的各关节的注意力响应序列，确定第一阈值、第二阈值和第一数量；第一阈值用于判定关节是否持续异常，第二阈值用于判定相邻关节是否正常，相邻关节包括相邻上游关节和相邻下游关节，第一数量为判定故障关节所需的连续时刻个数；

4、s2、获取机械臂在检测状态下的关节角位移偏差时间序列和末端位姿偏差时间序列，以第一映射单元将检测状态下的末端位姿偏差时间序列映射为查询矩阵，以第二映射单元将各关节在检测状态下的关节角位移偏差时间序列分别映射为键矩阵和值矩阵，执行多头注意力运算，生成检测状态下的各关节的注意力响应序列；

5、s3、基于检测状态下的各关节的注意力响应序列确定每一关节在相邻时刻之间的注意力值变化量；

6、s4、当检测状态下的关节的注意力值变化量在连续第一数量个时刻均大于第一阈值时，将该关节记为目标关节，根据目标关节在运动链中的位置进行故障判断：

7、若所述目标关节位于运动链的首端，则检查其相邻下游关节在连续第一数量个时刻内的注意力值变化量是否均小于第二阈值；

8、若所述目标关节位于运动链的末端，则检查其相邻上游关节在连续第一数量个时刻内的注意力值变化量是否均小于第二阈值；

9、若所述目标关节位于运动链的中间位置，则同时检查其相邻上游关节和相邻下游关节在连续第一数量个时刻内的注意力值变化量是否均小于第二阈值；

10、当所述相邻关节的注意力值变化量满足上述条件时，将目标关节确定为故障关节；反之，若相邻关节在连续第一数量个时刻内存在任一时刻的注意力值变化量大于或等于第二阈值，则不将目标关节确定为故障关节。

11、作为进一步改进，所述关节角位移偏差时间序列通过以下方式获取：采集各关节的实际角位移和指令角位移；将每个关节的指令角位移与实际角位移作差，得到该关节的关节角位移偏差时间序列；末端位姿偏差时间序列通过以下方式获取：采集末端实测位姿和末端指令位姿；将末端指令位姿与末端实测位姿作差，得到末端位姿偏差时间序列。

12、作为进一步改进，所述各关节分别对应一组独立的第二映射单元参数。

13、作为进一步改进，所述第一映射单元和第二映射单元通过以下方式训练得到：在机械臂无故障时段内采集历史数据作为训练集；将训练末端位姿偏差时间序列输入待训练的第一映射单元得到训练查询矩阵；将每个关节的训练关节角位移偏差时间序列输入对应的待训练的第二映射单元得到训练键矩阵和训练值矩阵；执行多头注意力运算，得到训练注意力响应序列；将训练注意力响应序列与训练键矩阵对应的关节角位移偏差序列进行加权求和，得到末端位姿偏差的估计值；以末端位姿偏差估计值与训练集真实末端位姿偏差之间的均方误差作为损失函数，利用反向传播算法和梯度下降优化器更新映射单元的线性变换参数；训练完成后，第一映射单元和第二映射单元的线性变换参数被锁定冻结，正常状态和检测状态下均使用相同的参数进行前向推理计算。

14、作为进一步改进，在s1中所述多头注意力运算包括将查询矩阵与每个关节的键矩阵进行点积运算，得到该关节的原始注意力分数矩阵；对原始注意力分数矩阵进行缩放处理，并将缩放后的分数矩阵按行进行归一化，得到该关节的注意力权重矩阵；将注意力权重矩阵与该关节的值矩阵进行加权求和，得到该关节的注意力响应序列。

15、作为进一步改进，所述s1中确定第一阈值和第二阈值通过以下方式确定：

16、将全部关节的注意力响应序列按关节编号拼接，形成第一正常矩阵，第一正常矩阵的行对应关节，列对应时刻；对第一正常矩阵的每一列进行归一化，使每一列中所有关节的注意力值之和为第一固定值，第一固定值为预设的常数，得到第二正常矩阵；对第二正常矩阵的每一行，计算相邻两列之间注意力值之差的绝对值，得到每个关节的变化量序列；将全部关节的变化量序列中的所有值汇集为一个集合，按从小到大排序，取排序后位于第一分位点的值作为第二阈值；对每个关节的变化量序列，取变化量序列中的最大值作为该关节的最大变化量，取全部关节的最大变化量按从小到大排序后位于第二分位点的值作为第一阈值。

17、作为进一步改进，所述第一数量通过以下方式确定：对正常状态下每个关节的变化量序列，统计所述变化量序列中连续大于第二阈值的值所形成的各连续段的长度，取各连续段长度的最大值作为该关节的最大连续个数，将全部关节对应的最大连续个数中的最大值作为第一数量。

18、作为进一步改进，所述s3中确定每一关节在相邻时刻之间的注意力值变化量具体包括：

19、将全部关节的检测状态下的各关节的注意力响应序列按关节编号拼接，形成第一检测矩阵；对第一检测矩阵的每一列进行归一化，使每一列中所有关节的注意力值之和为第二固定值，第二固定值为预设的常数，得到第二检测矩阵；对第二检测矩阵的每一行，计算相邻两列之间注意力值之差的绝对值，得到每个关节在在相邻时刻之间的注意力值变化量。

20、与现有技术相比，本发明具备以下有益效果：（1）本发明以末端位姿偏差时间序列作为查询矩阵，以各关节的关节角位移偏差时间序列分别作为键矩阵和值矩阵，通过多头注意力运算生成各关节的注意力响应序列，量化表征各关节角位移偏差对末端位姿偏差的响应程度和贡献大小，实现从“末端误差”到“关节溯源”的反向映射，能够自动学习不同关节误差对末端位姿的非线性、时序耦合影响，为故障判定提供了准确的数据基础。

21、（2）本发明基于正常状态下注意力响应变化量的统计分布，动态标定第一阈值、第二阈值和第一数量：第二阈值用于判定相邻关节是否正常，第一阈值用于判定目标关节是否持续异常，第一数量用于判定异常是否持续足够时长。仅需正常状态数据即可完成参数标定，无需大量故障样本，具有良好的泛化性和跨型号迁移能力。

22、（3）本发明通过交叉注意力架构自动学习不同关节误差对末端位姿的非线性、时序耦合影响，并通过注意力响应序列量化各关节误差对末端位姿偏差的贡献程度，为故障判定提供了准确的数据基础。

23、在此基础上，本发明通过基于运动链位置的相邻关节组合判定，进一步解决了背景技术中未提及的技术问题：本发明在检测到候选关节持续异常后，根据该关节在运动链中的位置——首端、末端或中间——分别检查其相邻下游关节、相邻上游关节、或同时检查相邻上游关节和下游关节的注意力值变化量是否均小于第二阈值。只有当“自身持续异常”且“相邻关节均正常”时，才将该关节确定为故障关节。该判定逻辑利用了机械臂串联运动链的物理拓扑特性，能够有效区分关节自身故障与外部扰动导致的假阳性异常，实现了故障关节的精准定位。该技术问题在背景技术中未明确提及，但通过本发明的相邻关节组合判定规则得到了有效解决。

24、综上，本发明的交叉注意力架构、双阈值动态标定与第一数量确定、基于运动链位置的相邻关节组合判定三个核心特征环环相扣，共同形成一个完整的故障定位闭环：交叉注意力提供数据基础，双阈值和第一数量在时间维度上筛选持续异常的候选关节，相邻关节判定在空间维度上利用运动链拓扑进行验证确认，三者协同实现了从“异常检测”到“故障定位”的跨越。