基于RNN模型的工業機器人故障可跟蹤預測方法

李丹婷

摘要：針對工業機器人故障導致的生產浪費和安全問題，提出了一種基于遞歸神經網絡（RNN）的工業機器人故障可跟蹤預測方法。結合RNN模型的時間序列自適應學習能力，設計了基于聚類分析的關鍵影響因子提取方法，提升了預測的召回率和準確率，借助于專家系統的解釋器機制，實現了故障定位功能。實驗表明，相對于無關鍵影響因子提取的RNN模型，此方法將故障預測能力提升了1倍以上，且最多能夠提前20 min給出故障告警，解釋器故障定位的平均準確率為87.11%，為維護人員發現和解決故障提供了有力的保障。

關鍵詞：故障預測；關鍵影響因子提取；RNN；解釋器；工業機器人

中圖分類號：TP242文獻標志碼：A文章編號：1008-1739（2018）02-68-4

Traceable Fault Prediction Method for Industrial Robot Based on RNN Model

LI Danting

（Nanjing ESTUN Automation Corp.， Ltd， Nanjing Jiangsu 210000， China）

0引言

隨著智能制造的快速發展，工業機器人應用也越來越廣泛，發生故障不但會導致生產停滯，甚至將威脅人們的生命，如何有效預測工業機器人的故障，是保障工業機器人安全穩定運行的重要手段。

機器學習是人工智能領域最受關注的研究課題之一，如SVM[1-2]、CNN[3-4]及RNN[5-7]等，已經成功應用于垃圾郵件過濾、圖像識別、語音處理、文本分析、OCR及網絡入侵檢測等多個領域，極大地推動了現代社會智能化進程。RNN是機器學習中應用廣泛的一個模型，它的隱藏層具有記憶功能，能夠按時間順序將前后影響因素綜合起來分析，從而可以綜合工業機器的歷史情況分析系統，為故障預測提供全面支撐。但RNN并不具備解釋機制，當檢測到可能出現故障時難以追溯原因。

本文將以RNN技術為基礎，結合解釋器機制，提出了一種面向工業機器人故障的可跟蹤預測方法。該方法基于聚類分析對工業機器人故障的關鍵因子進行提取，提升了工業機器人故障預測的效率和準確性，同時利用解釋器機制，實現了故障預測的可跟蹤性。

1遞歸神經網絡

2基于RNN模型的故障可跟蹤預測方法

由于工業機器人操作精細化程度高，故障預測實時性要求強，因此，本文對故障的影響因子進行了篩選，剔除了影響較弱的因素，減少了RNN需要的參數，以提升模型的構建、更新及預測性能。同時，便于維護人員定位故障，在RNN正向計算的過程中，保留了最近2次的中間計算結果，以便于在故障出現時通過解釋器的對比分析，將可能的故障點反饋給維護人員。基于RNN模型的故障可跟蹤預測方法的基本框圖如圖1所示，包括模型訓練和故障預測2個部分。

（1）模型訓練主要通過訓練數據實現預測模型的構建與更新。在系統運行前，它以歷史記錄的工業機器人系統故障和正常狀態數據為初始訓練數據，通過關鍵影響因子提取處理后，選取與故障發生最緊密的影響因子作為特征向量，使用RNN進行模型訓練。當系統運行后，系統的狀態信息和實際的故障預測結果將傳輸到訓練數據庫，以便于模型的重新訓練與更新，提升預測模型的魯棒性。

（2）故障預測主要通過故障預測模型對系統出現故障的可能性進行預測，并將預測的依據通知給維護人員，主要包括以下2個步驟：

①根據關鍵影響因子提取過程獲得的因子，對系統狀態信息進行預處理，提取其中的關鍵因子進行序列化，轉換為故障預測模型可以接受的數據格式；

②故障預測模型對序列化后的數據進行處理，并保留最近2次計算的中間計算結果；如果預測到系統故障，則由解釋器分析最近2次的中間計算結果，根據故障前后激活點的不同，形成故障點預測報告，傳遞給維護人員核實。

在該方法中，關鍵影響因子的提取和解釋器的增加是保障故障預測性能、提升預測模型魯棒性和實現故障可跟蹤的重要手段。

2.1基于聚類分析的關鍵影響因子提取方法

影響因子主要用來表征系統狀況的正常情況，為獲得準確有效的關鍵影響因子，采用基于聚類分析的提取方法。

定義1：2個聚類的邊緣點：如果一個點到聚類中心1的距離與到聚類中心2的距離的比值小于2并且大于0.5，則認為該點是這2個聚類的邊緣點。

定義2：聚類離散率：聚類邊緣點數與總點數的比例。關鍵影響因子提取方法包括以下步驟：

①根據工業機器人的功能特性和工作環境，構建故障預測的影響因子初始集合，主要包括環境因素（如溫度、濕度及海拔等）、電氣特征（如電壓、電流及時鐘頻率等）、物理特性（壓力和力矩等）以及其他關鍵信號等；對于訓練數據集中的每個數據，計算其影響因子相對于運行狀態的信息熵[8]，進而根據式（1）計算每個因子的權值；

2.2基于隱藏節點時間序列狀態差異的故障點提取方法

解釋器最主要的工作是找出故障點。由于本文修改了RNN的計算過程，保存了連續2次RNN計算的中間結果-1和，因此可以知道每次結果產生時哪些狀態是激活的，哪些狀態是未激活的，而2次中間結果正好能夠記錄故障產生前后的2個狀態。通過對比這2個狀態下激活因子的差異，解釋器就可以確定故障是因為哪些因子發生變化引起的，從而可以給出相應的故障點，為維護人員提供支撐。

提取故障點的具體算法如下：輸入：

其中和分別為和故障前后各隱藏節點的激活狀態，

為從隱藏節點到影響因子的映射關系，的每一個元素0表示影響隱藏節點0取值的輸入因子集合（忽略權值小于閾值的輸入因子，實驗中該閾值取值為0.01）。

3實驗結果及分析

以TensorFlow[10]為RNN計算的基本框架，以某機器人公司6個類別工業機器人系統的運行狀態信息庫為基礎，抽取了前10天的運行數據作為初始訓練數據（其中故障記錄52條），初始的影響因子為全部的318個影響因子。設置關鍵影響因子提取方法中最大迭代次數為100，候選集提取的聚類離散度閾值設置為0.1，按照本文方法構建相應的預測模型。

本文方法與未進行關鍵影響因子提取的RNN模型對剩余的71個故障的預測時間曲線如圖3所示，由于通用RNN未對關鍵影響因子進行過濾，分析的影響因子多，噪聲也多，50%以上的節點未達到故障預測的目的（提前發現時間為0的節點），即使能夠對故障進行預測，但由于處理無關影響因子多、模型更新處理速度慢的原因，最快的提前發現時間不足10 min，而本文方法對剩余的71個故障都進行了準確預測，剛開始的故障節點，故障預測與故障實際出現的時間相差不大，約為3 min左右。隨著時間的增加，訓練數據的積累，模型的快速調整，故障預測的速度有了明顯的提升，最長的甚至可以提前20min，為預防故障的發生提供了充足的時間。

本文方法故障定位的精度如圖4所示，6類工業機器人故障定位的平均準確率約為87.11%，最高可達93.33%，為維護人員定位故障點提供了有力的支撐。

4結束語

工業機器人的廣泛應用，一方面大幅度節約了人力成本、保證了產品的質量和提升了生產效率，但另一方面，由于人們對工業機器人的過度依賴，一旦發生故障將產生嚴重的后果。針對工業機器人可能發生的故障，設計了一種基于RNN模型的工業機器人故障可跟蹤預測方法，通過關鍵因子提取和解釋器的結合，有效地提升了故障預測的準確率，為及早定位并解決工業機器人故障，保障生產經營的順利進行提供了有力的支持。

參考文獻

[1] Zhang Y，Li B，Lu H，et al.Sample-Specific SVM Learning for Person Re-identification[C]// IEEE Conference on Computer Vision and Pattern Recognition，Las Vegas：USA，July 5，2016： 1278-1287.

[2] Kumar M， Gromiha M M， Raghava G P. SVM based Prediction of RNA-Binding Proteins Using Binding Residues and Evolutionary Information[J].Journal of Molecular Recognition，2015，24（2）：303-313.

[3]李彥冬，郝宗波，雷航.卷積神經網絡研究綜述[J].計算機應用，2016，36（9）：2508-2515.

[4] Tajbakhsh N， Suzuki K. Comparing Two Classes of End-to-End Machine-Learning Models in Lung Nodule Detection and Classification： MTANNs vs.CNNs[J]. Pattern Recognition，2016.

[5] Jain A， Zamir A R， Savarese S， et al.Structural-RNN： Deep Learning on Spatio-Temporal Graphs[C]//IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society， 2016：5308-5317.

[6] Wang J， Yang Y， Mao J， et al. CNN-RNN： A Unified Framework for Multi-label Image Classification[C]// IEEE Conference on Computer Vision and Pattern Recognition，Las Vegas：USA，July 5，2016：2285-2294.

[7]張舸，張鵬遠，潘接林，等.基于遞歸神經網絡的語音識別快速解碼算法[J].電子與信息學報，2017，39（4）：930-937.

[8] Núnez J A，Cincotta P M，Wachlin F C.Information entropy[J].Celestial Mechanics & Dynamical Astronomy，1996，64（1-2）：43-53.

[9] Deng Z，Zhu X，Cheng D，et al.Efficient kNN Classification Algorithm for Big Data[J].Neurocomputing，2016，195（C）： 143-148.

[10] Abadi M，Barham P，Chen J，et al.TensorFlow： A System for Large-Scale Machine Learning[C]//Usenix Conference on Operating Systems Design and Implementation，USENIX Association，San Jose，USA，May 26，2016：265-283.