【技术实现步骤摘要】
本专利技术涉及一种基于递归特征消除与自编码器的工业机器人异常检测方法，属于基于末端振动信号的工业机器人异常检测领域。
技术介绍
1、机器人在运行过程中出现异常，可能会导致产品质量下降。因此，进行机器人异常状态检测是保障机器人使用寿命和产品质量的必要措施。及时发现和排除异常状态对于确保工业机器人的持续运行至关重要，有助于管理人员根据其运行状态的变化来确定维护时机，制定合理的维护策略，从而提高机器人的可靠性和安全性。
2、在工业机器人异常检测领域，目前，异常检测的研究方法主要分为三类：基于深度学习的方法、基于数据分布的方法、基于距离的方法。深度学习方法异常检测精度高，但是存在需要大量数据和对参数敏感问题；基于数据分布的方法速度快，但是检测精度低；基于距离的方法计算简单，但是对距离度量的选择过于敏感。在几种异常检测方法的对比中，深度学习方法中的自编码器重构法在自动特征提取、非线性关系处理和大规模数据适应等方面具有显著优势。chen t等人针对于数据驱动技术缺乏足够的工业机器人异常数据问题，提出一种用于工业机器人的无监督异常检测方法——滑动窗口卷积变分自编码器，该方法通过处理多变量时间序列数据，在空间和时间上实现实时异常检测。zhong z d等人针对工业机器人异常检测中面临的数据稀缺，限制了数据驱动的异常检测精度问题，提出了一种滑动窗口一维卷积自动编码器，以确定工业机器人的运行状态是否正常。
3、在基于重构方法的机器人异常检测中，目标是将正常信号和异常信号进行区分。因此准确提取原始信号和重构信号的特征，对实现异
技术实现思路
1、本专利技术提供了一种基于递归特征消除与自编码器的工业机器人异常检测方法，在存在异常情况下，可以检测机器人运动过程中是否出现异常。
2、本专利技术的技术方案是：
3、根据本专利技术的第一方面，提供了一种基于递归特征消除与自编码器的工业机器人异常检测方法，所述方法步骤如下：
4、步骤1：依据选择的运动方式，通过工业机器人末端装配的姿态传感器采集工业机器人正常运动下的末端加速度信号，并根据运动的周期将加速度信号进行分割，获得第一预设数量的正常样本信号，并划分训练集和验证集；
5、步骤2：构建一维卷积自编码器模型，用于将正常样本信号的训练集和验证集输入一维卷积自编码器模型进行训练和验证，获得机器人运动轨迹的重构信号；
6、步骤3：对第二预设数量的正常样本信号提取m个时域特征；依据提取的m个时域特征，构建特征集1；引入递归特征消除法进行有效特征筛选，获得第三预设数量为n的有效特征；
7、步骤4：依据获得的有效特征所对应的权重，获得有效特征权重的百分比；
8、步骤5：依据待检测加速度信号的有效特征及有效特征权重的百分比，计算待检测加速度信号的权重特征；依据步骤2获得的重构信号的有效特征及有效特征权重的百分比，计算重构信号的权重特征；将待检测加速度信号的权重特征与重构信号的权重特征作差，获得待检测加速度信号的特征误差；
9、步骤6：依据待检测加速度信号的特征误差，对工业机器人状态进行判断，以实现工业机器人的异常检测。
10、进一步地，所述一维卷积自编码器模型分成编码器和解码器两个部分，编码器包含一个卷积层、一个relu激活函数层、一个dropout层和一个池化层；解码器包含一个转置卷积层、一个relu激活函数层、一个dropout层和一个池化层。
11、进一步地，所述递归特征消除法，具体为：将特征集1作为支持向量机模型初次输入，通过支持向量机模型进行m-n次迭代，每次迭代通过支持向量机模型提供的权重信息来移除权重最小的时域特征，则对于第s次迭代后保留的时域特征，构建特征集s+1以作为第s+1次迭代的支持向量机模型的输入，直至达到所需要的迭代次数，将第m-n次迭代下通过支持向量机模型提供的权重信息进行排序，保留前n个权重信息代表的时域特征作为有效特征。
12、进一步地，所述有效特征权重的百分比公式为：其中，|ωj|是第j个有效特征的权重的绝对值，是所有有效特征权重的绝对值之和。
13、进一步地，所述待检测加速度信号的权重特征、重构信号的权重特征、待检测加速度信号的特征误差，表达式如下：
14、
15、其中，wj表示第j个有效特征权重，fj为待检测加速度信号的第j个有效特征，fj为重构信号的第j个有效特征；hf为待检测加速度信号的特征误差，ho为待检测加速度信号的权重特征，hr为重构信号的权重特征。
16、进一步地，所述依据待检测加速度信号的特征误差，对工业机器人状态进行判断，具体表达式为：
17、
18、其中，ul为上边界，hf为待检测加速度信号的特征误差。
19、根据本专利技术的第二方面，提供了一种基于递归特征消除与自编码器的工业机器人异常检测装置，包括用于执行上述中任一项所述的基于递归特征消除与自编码器的工业机器人异常检测方法的模块。
20、根据本专利技术的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器上并可被所述处理器运行的程序，所述处理器执行所述程序时实现如上述中任意一项所述的基于递归特征消除与自编码器的工业机器人异常检测方法。
21、本专利技术的有益效果是：本专利技术无需操作者掌握大量的工业机器人专业知识，也不需要建立复杂的动力学模型，能够直接基于传感器采集的原始加速度信号进行检测，简化了工业机器人异常检测的过程；具体地：本专利技术通过设计的一维卷积自编码器模型可以对样本信号进行重构，依递归特征消除法进行有效特征筛选，能降低计算复杂度和噪声对检测的干扰；进一步地，依据待检测加速度信号的特征误差及阈值，就可有效分辨待检测信号的状态，从而提高对工业机器人异常情况的检测效果。与其它方法相比，本专利技术不仅在理论上提供了新的视角，还在实际应用中具有显著的优势，为工业机器人关节的健康监测和异常检测提供了一种更为有效和经济的解决方案，具有重要的研究意义和应用价值。
本文档来自技高网...【技术保护点】
1.一种基于递归特征消除与自编码器的工业机器人异常检测方法，其特征在于，所述方法步骤如下：
2.根据权利要求1所述的基于递归特征消除与自编码器的工业机器人异常检测方法，其特征在于，所述一维卷积自编码器模型分成编码器和解码器两个部分，编码器包含一个卷积层、一个ReLU激活函数层、一个dropout层和一个池化层；解码器包含一个转置卷积层、一个ReLU激活函数层、一个dropout层和一个池化层。
3.根据权利要求1所述的基于递归特征消除与自编码器的工业机器人异常检测方法，其特征在于，所述递归特征消除法，具体为：
4.根据权利要求1所述的基于递归特征消除与自编码器的工业机器人异常检测方法，其特征在于，所述有效特征权重的百分比公式为：其中，|ωj|是第j个有效特征的权重的绝对值，是所有有效特征权重的绝对值之和。
5.根据权利要求1所述的基于递归特征消除与自编码器的工业机器人异常检测方法，其特征在于，所述待检测加速度信号的权重特征、重构信号的权重特征、待检测加速度信号的特征误差，表达式如下：
6.根据权利要求1所述的基于递归特征
7.一种基于递归特征消除与自编码器的工业机器人异常检测装置，其特征在于，包括用于执行如权利要求1-6中任一项所述的基于递归特征消除与自编码器的工业机器人异常检测方法的模块。
8.一种终端设备，其特征在于：包括存储器、处理器以及存储在所述存储器上并可被所述处理器运行的程序，所述处理器执行所述程序时实现如权利要求1-6中任意一项所述的基于递归特征消除与自编码器的工业机器人异常检测方法。
...【技术特征摘要】
1.一种基于递归特征消除与自编码器的工业机器人异常检测方法，其特征在于，所述方法步骤如下：
2.根据权利要求1所述的基于递归特征消除与自编码器的工业机器人异常检测方法，其特征在于，所述一维卷积自编码器模型分成编码器和解码器两个部分，编码器包含一个卷积层、一个relu激活函数层、一个dropout层和一个池化层；解码器包含一个转置卷积层、一个relu激活函数层、一个dropout层和一个池化层。
3.根据权利要求1所述的基于递归特征消除与自编码器的工业机器人异常检测方法，其特征在于，所述递归特征消除法，具体为：
4.根据权利要求1所述的基于递归特征消除与自编码器的工业机器人异常检测方法，其特征在于，所述有效特征权重的百分比公式为：其中，|ωj|是第j个有效特征的权重的绝对值，是所有有效特征权重的绝对值之和。
5...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。