一种工业移动机器人周期特征信号异常检测方法技术

本发明专利技术公开了一种工业移动机器人周期特征信号异常检测方法，该方法为：首先从工业数据库中获取移动机器人的原始时间序列数据，并进行数据预处理；然后构建基于LSTM

【技术实现步骤摘要】
一种工业移动机器人周期特征信号异常检测方法


[0001]本专利技术涉及工业移动机器人复杂系统状态监测和周期特征信号故障诊断
，特别是一种工业移动机器人周期特征信号异常检测方法。

技术介绍

[0002]随着工业物联网的高速发展，工业移动机器人面临管理、维护和运营越来越复杂、应用成本越来越高的问题。同时由于工作环境和设备长时间无间歇运作引发的金属疲劳，导致设备故障发生的概率越来越大。近些年随着人工智能技术和大数据技术在数据挖掘领域的应用，利用其挖掘设备生产过程中的监测数据所蕴含的设备状态信息，进而实现在各类工业生产设备故障发生之前对设备进行维护，为研究复杂系统的动态行为、安全运行等多个方面带来了新的机遇。
[0003]将故障诊断技术应用于设备监测和诊断，可以快速检测机器故障，从而防止发生恶性设备事故，降低人员伤亡，减少环境污染，排除潜在的危险，避免损失的发生。因此，故障诊断技术在制造业升级改造方面具有重要作用，对国民经济发展也有着巨大推动作用。
[0004]长短期记忆网络(Long Short
‑
Term Memory，LSTM)在处理时序数据时通过记忆单元对数据进行编码和存储，同时解决了长时间序列训练过程中的梯度消失和梯度爆炸问题，能够实现高效提取周期特征信号的特征。
[0005]自编码器(AutoEncoder，AE)是一类在半监督学习和非监督学习中使用的人工神经网络，能实现对输入信号的重构。AE分为编码器和解码器，编码器可将周期特征信号进行特征提取，降低数据维度，解码器将编码器输出的特征解码成与输入相同的形式，获得重构的周期特征信号。

技术实现思路

[0006]本专利技术的目的在于提供一种能够实现周期特征信号实时异常检测和预警、检测精度和工作效率高、维护成本低的工业移动机器人周期特征信号异常检测方法。
[0007]实现本专利技术能够目的的技术解决方案为：一种工业移动机器人周期特征信号异常检测方法，包括以下步骤：
[0008]步骤1、获取工业移动机器人的周期性时间序列数据，并进行数据预处理，获得模型的训练数据集、验证数据集和测试数据集；
[0009]步骤2、利用LSTM深度模型具有提取时间序列特性的能力，并依据自编码器AE重构原理，构建LSTM
‑
AE异常检测模型；
[0010]步骤3、将预处理后的训练数据集作为LSTM
‑
AE异常检测模型的输入，进行重构训练，利用反向传播算法优化参数，直至评价指标最优，保存LSTM
‑
AE异常检测模型及参数；
[0011]步骤4、利用训练好的LSTM
‑
AE异常检测模型，重构正常工况下移动机器人的周期特征信号，计算重构误差，并在重构误差基础上计算周期特征信号的GCI；
[0012]步骤5、将实时采集的周期特征信号送入已训练好的LSTM
‑
AE异常检测模型中，通
过比较根据LSTM
‑
AE异常检测模型输出的重构误差与GCI的关系，判断周期特征信号是否出现异常。
[0013]进一步地，步骤1所述获取工业移动机器人的周期性时间序列数据，并进行数据预处理，获得模型的训练数据集、验证数据集和测试数据集，具体如下：
[0014]步骤1.1、选取合适工况下的工业移动机器人的周期时间序列数据，利用等时间间隔方法提取所需数据；
[0015]步骤1.2、依据周期特征信号的周期性，将采集的时间序列以固定长度为一个样本进行划分，一个样本作为一个时间单元，L为一个样本长度；
[0016]步骤1.3、设定N为提取的状态周期时间序列的样本长度，则所述周期时间序列X＝[X1，X2，X3，
…
，X
N
]，按样本长度进行划分后格式如下：
[0017][0018]步骤1.4、对各时间单元的数据，采用MinMaxScaler()函数进行标准化处理，然后转换为张量的形式，得到模型的训练数据集Tr_D的、验证数据集Va_D和测试数据集Te_D，训练数据集Tr_D的样本长度为N1，验证数据集Va_D的样本长度为N2，测试数据集Te_D的样本长度为N3，格式如下：
[0019][0020]其中tensor(
·
)表示张量，表示一个样本数据，
表示训练数据集，表示验证数据集，表示测试数据集，i、j表示验证数据集和测试数据集起始点，数据集是互斥关系，且N1+N2+N3＝N。
[0021]进一步地，步骤2所述的利用LSTM深度模型具有提取时间序列特性的能力，并依据自编码器AE重构原理，构建LSTM
‑
AE异常检测模型，具体如下：
[0022]利用LSTM单元作为组成编码和解码过程的神经元，利用LSTM单元中的控制门和记忆门，并依据自编码器AE重构原理，构建LSTM
‑
AE异常检测模型，对时间周期序列特性进行学习。
[0023]进一步地，步骤2中所述的LSTM深度模型，具体如下：
[0024]LSTM深度模型是一种RNN网络，引入了门的概念来更新状态量，由3个门来控制，分别是输入门、遗忘门和输出门，输入门控制网络的输入，遗忘门控制记忆单元使得LSTM具有长时记忆的功能，输出门控制网络的输出，LSTM单元计算公式如下：
[0025]i
t
＝σ(W
i
*[h
t
‑1,x
t
]+b
i
)
[0026]f
t
＝σ(W
f
*[h
t
‑1,x
t
]+b
f
)
[0027]o
t
＝σ(W
o
*[h
t
‑1,x
t
]+b
o
)
[0028]C
t
＝tanh(W
g
*[h
t
‑1,x
t
]+b
g
)
[0029]C
t+1
＝σ(f
t
*C
t
‑1+i
t
*C
t
)
[0030]h
t
＝tanh(C
t+1
)*o
t
[0031]其中i
t
表示输入门值，f
t
表示遗忘门值，o
t
表示输出门值，C
t
‑1表示前一时刻记忆单元状态，C
t
表示当前时刻记忆单元状态，C
t+1
表示下一时刻记忆单元状态，x
t
表示当前单元的输入，h
t
表示当前时刻单元的输出，h
t
‑1表示上一时刻单元的输出，W
i...

【技术保护点】

【技术特征摘要】
1.一种工业移动机器人周期特征信号异常检测方法，其特征在于，包括以下步骤：步骤1、获取工业移动机器人的周期性时间序列数据，并进行数据预处理，获得模型的训练数据集、验证数据集和测试数据集；步骤2、利用LSTM深度模型具有提取时间序列特性的能力，并依据自编码器AE重构原理，构建LSTM
‑
AE异常检测模型；步骤3、将预处理后的训练数据集作为LSTM
‑
AE异常检测模型的输入，进行重构训练，利用反向传播算法优化参数，直至评价指标最优，保存LSTM
‑
AE异常检测模型及参数；步骤4、利用训练好的LSTM
‑
AE异常检测模型，重构正常工况下移动机器人的周期特征信号，计算重构误差，并在重构误差基础上计算周期特征信号的GCI；步骤5、将实时采集的周期特征信号送入已训练好的LSTM
‑
AE异常检测模型中，通过比较根据LSTM
‑
AE异常检测模型输出的重构误差与GCI的关系，判断周期特征信号是否出现异常。2.根据权利要求1所述的工业移动机器人周期特征信号异常检测方法，其特征在于，步骤1所述获取工业移动机器人的周期性时间序列数据，并进行数据预处理，获得模型的训练数据集、验证数据集和测试数据集，具体如下：步骤1.1、选取合适工况下的工业移动机器人的周期时间序列数据，利用等时间间隔方法提取所需数据；步骤1.2、依据周期特征信号的周期性，将采集的时间序列以固定长度为一个样本进行划分，一个样本作为一个时间单元，L为一个样本长度；步骤1.3、设定N为提取的状态周期时间序列的样本长度，则所述周期时间序列X＝[X1，X2，X3，
…
，X
N
]，按样本长度进行划分后格式如下：步骤1.4、对各时间单元的数据，采用MinMaxScaler()函数进行标准化处理，然后转换为张量的形式，得到模型的训练数据集Tr_D的、验证数据集Va_D和测试数据集Te_D，训练数据集Tr_D的样本长度为N1，验证数据集Va_D的样本长度为N2，测试数据集Te_D的样本长度为N3，格式如下：
其中tensor(
·
)表示张量，表示一个样本数据，表示训练数据集，表示验证数据集，表示测试数据集，i、j表示验证数据集和测试数据集起始点，数据集是互斥关系，且N1+N2+N3＝N。3.根据权利要求1所述的工业移动机器人周期特征信号异常检测方法，其特征在于，步骤2所述的利用LSTM深度模型具有提取时间序列特性的能力，并依据自编码器AE重构原理，构建LSTM
‑
AE异常检测模型，具体如下：利用LSTM单元作为组成编码和解码过程的神经元，利用LSTM单元中的控制门和记忆门，并依据自编码器AE重构原理，构建LSTM
‑
AE异常检测模型，对时间周期序列特性进行学习。4.根据权利要求3所述的工业移动机器人周期特征信号异常检测方法，其特征在于，步骤2中所述的LSTM深度模型，具体如下：LSTM深度模型是一种RNN网络，引入了门的概念来更新状态量，由3个门来控制，分别是输入门、遗忘门和输出门，输入门控制网络的输入，遗忘门控制记忆单元使得LSTM具有长时记忆的功能，输出门控制网络的输出，LSTM单元计算公式如下：i
t
＝σ(W
i
*[h
t
‑1，x
t
]+b
i
)f
t
＝σ(W
f
*[h
t
‑1，x
t
]+b
f
)o
t
＝σ(W
o
*[h
t
‑1，x
t
]+b
o
)
C
t
＝tan h(W
g
*[h
t
‑1，x
t
]+b
g
)C
t+1
＝σ(f
t
*C
t
‑1+i
t
*C
t
)h
...

【专利技术属性】
技术研发人员：李骏，胡梦茹，夏鹏程，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：