基于深度學(xué)習(xí)的機器人電氣故障檢測與診斷研究

陳公興

（廣東科貿(mào)職業(yè)學(xué)院 信息與自動化學(xué)院，廣州510430）

隨著機器人應(yīng)用領(lǐng)域的不斷擴大以及電氣控制技術(shù)的發(fā)展，對機器人電氣設(shè)備的可靠性和穩(wěn)定性提出了更高要求。機器人電氣設(shè)備長期在極端工況下工作，導(dǎo)致電氣設(shè)備的故障差異性較大，檢測難度較高，因此相關(guān)的機器人電氣故障診斷方法研究受到人們的極大關(guān)注[1]。

對機器人電氣故障的檢測與診斷，是建立在對電氣設(shè)備的故障樣本信息分析和特征融合的基礎(chǔ)之上，以此提高機器人電氣設(shè)備的故障分析和診斷能力[2]。到目前為止，已經(jīng)有很多相關(guān)領(lǐng)域的專家對機器人電氣故障診斷與檢測方法進行了深入研究，也取得了較好的研究成果。例如，文獻[3]中提出基于神經(jīng)網(wǎng)絡(luò)觀測器的機器人電氣故障檢測及診斷方法，但是采用該方法進行機器人電氣故障檢測的準(zhǔn)確率低；文獻[4]提出基于專家系統(tǒng)的機器人電氣故障在線檢測方法，但該方法進行機器人故障檢測的時間較長，難以達到理想的應(yīng)用效果。針對上述問題，在此提出了基于深度學(xué)習(xí)的機器人電氣故障檢測及診斷方法。

1 機器人電氣故障樣本數(shù)據(jù)采集和故障特征分析

1.1 樣本數(shù)據(jù)采集

為了實現(xiàn)基于深度學(xué)習(xí)的機器人電氣故障檢測與診斷，首先需要分析機器人電氣設(shè)備的諧振回路，以回流功率和有功功率為約束因素，對機器人電氣設(shè)備的異常數(shù)據(jù)進行采樣[5]。

假設(shè)，機器人電氣設(shè)備的高頻變壓特征分布序列｛x（n）｝為零均值的k階正態(tài)隨機序列，構(gòu)建機器人電氣故障診斷的自適應(yīng)學(xué)習(xí)模型，通過串聯(lián)諧振阻抗分析方法[6]，求得機器人電氣故障數(shù)據(jù)樣本序列為d（s），通過高頻變壓振蕩控制方法輸出機器人電氣故障的自相關(guān)函數(shù)為

式中：N為高頻變壓振蕩控制稀疏系數(shù)；C（r）為自適應(yīng)學(xué)習(xí)模型。

在穩(wěn)態(tài)條件下，結(jié)合機器人電氣故障的自相關(guān)函數(shù)，得到機器人電氣設(shè)備的諧振回路如圖1 所示。

圖1 機器人電氣設(shè)備的諧振回路Fig.1 Resonance circuit of robot electrical equipment

在開關(guān)弧度周期內(nèi)，機器人電氣故障參數(shù)的矢量模型為s（t）＝［s1（t），s2（t），…，sq（t）］T，以及干擾矢量為n（t），采用諧振回路振蕩控制方法，得到機器人電氣故障的跳變序列[7]，即

式中：uji為諧振回路振蕩系數(shù)；wi為跳變參量；si為開關(guān)弧度周期。

假設(shè)，機器人電氣設(shè)備雙向諧振類變換特征樣本集為dk，則機器人電氣設(shè)備的故障節(jié)點的負載范圍Ψ（ω）為

以回流功率和有功功率為約束因素，在故障節(jié)點的負載范圍內(nèi)結(jié)合深度學(xué)習(xí)分析方法，得到機器人電氣故障信息數(shù)據(jù)采集輸出為

根據(jù)上述分析，完成機器人電氣故障樣本數(shù)據(jù)采集，得到故障樣本信息，以便后續(xù)故障特征分析。

1.2 故障特征分析

根據(jù)上述諧振回路分析和數(shù)據(jù)采樣結(jié)果，將機器人電氣設(shè)備的諧振電感和諧振電容作為辨識參數(shù)進行機器人電氣故障差異性特征挖掘，提取能夠反映機器人電氣故障屬性的特征量[8]。

采用自適應(yīng)濾波方法進行機器人電氣故障數(shù)據(jù)分析[9]，在此基礎(chǔ)上，利用比例-重復(fù)控制方法得到的諧振電感為supt（D），諧振電容為numt（D）非線性負荷工況下的機器人電氣故障的差異性特征分布為

式中：δ 為電壓和頻率下垂系數(shù)。

對機器人電氣設(shè)備的輸出電壓和負載差異性故障特征進行融合處理[10]，結(jié)果為

式中：u（t）為電流；ωc為諧振電流極性。

在此基礎(chǔ)上，對一個開關(guān)周期內(nèi)的電壓和電流進行分析。假設(shè)，輸出的機器人電氣故障特征的譜序列為hi（t），機器人電氣故障畸變序列為zi（t），在穩(wěn)態(tài)條件下電壓和電流的波束振蕩序列為

式中：φi（t），oi（t）分別為機器人電氣設(shè)備諧振回路所承受的電壓、電流。

采用開關(guān)頻率諧振分析方法再次對機器人電氣故障數(shù)據(jù)進行融合處理后，得到故障樣本的波束震蕩序列的模糊度特征分量為

采用諧振電流極性不變性理論[11]，得到機器人電氣設(shè)備輸出的振蕩特征分量為

式中：mk為輸出機器人電氣故障的統(tǒng)計特征量；εk為標(biāo)準(zhǔn)差。當(dāng)Xα（m）＝x（m）時，對開關(guān)周期內(nèi)的電壓進行融合處理。

在此基礎(chǔ)上，通過模糊度特征匹配的方法進行機器人電氣設(shè)備統(tǒng)計特征序列的分析結(jié)果，從而提高機器人電氣設(shè)備的電氣故障檢測及診斷的質(zhì)量。

2 電氣故障檢測與診斷

2.1 故障特征提取

利用PI 調(diào)節(jié)器進行機器人電氣故障信息反饋調(diào)節(jié)，結(jié)合故障信息融合分析方法進行機器人電氣故障特征提取和自適應(yīng)尋優(yōu)控制。

以機器人電氣設(shè)備的開關(guān)頻率諧振頻率比為基礎(chǔ)，計算故障樣本序列檢測的標(biāo)準(zhǔn)差和均值函數(shù)分別為

式中：xk為開關(guān)頻率諧振頻率比；η 為故障樣本序列變化系數(shù)；f（x）為故障樣本序列檢測函數(shù)；E為故障情況下開關(guān)頻率諧振頻率。

根據(jù)諧振回路所承受電壓的邊界條件進行尋優(yōu)控制，得到機器人電氣故障信息聚類輸出為

式中：Mk為諧振回路所承受電壓的邊界條件；Ei為電氣故障信息聚類模型。

采用傅里葉分析方法進行機器人電氣故障信息融合，輸出為

式中：nj為非線性負荷變化特征參量；Aj為故障信息特征融合度[12]。

初始化電流和電壓相位[13]，結(jié)合機器人電氣故障特征數(shù)據(jù)的時滯分布序列提取機器人電氣故障特征，其中時滯分布序列如圖2 所示。

根據(jù)機器人電氣故障特征融合與時滯分布序列，構(gòu)建特征提取模型。即

圖2 機器人電氣故障數(shù)據(jù)的時滯分布序列Fig.2 Time delay distribution sequence of robot electrical fault data

2.2 基于深度學(xué)習(xí)的故障檢測與診斷

在完成以上分析的基礎(chǔ)上，結(jié)合深度學(xué)習(xí)函數(shù)對機器人電氣故障進行檢測與診斷。在時間窗口t內(nèi)進行機器人電氣設(shè)備的魯棒性檢測，結(jié)合故障檢測輸出的有功和無功功率，得到輸出電壓的穩(wěn)定誤差為

式中：Pi為第i個機器人電氣故障工況下的電壓和頻率下垂系數(shù)；Pti，j為逆變器等效增益。

在功率-頻率有差的調(diào)節(jié)下[14]，根據(jù)穩(wěn)定誤差分析方法，得到機器人故障檢測函數(shù)為

式中：xj（t）為機器人電氣故障狀態(tài)下的深度學(xué)習(xí)迭代函數(shù)；lj（t）為在機器人電壓下垂控制參數(shù)。

在得到機器人故障檢測函數(shù)的基礎(chǔ)上，用ΔM′mn表示為第m種故障的第n個樣本，得到用于機器人電氣故障診斷的深度學(xué)習(xí)函數(shù)為

綜上所述，通過對機器人電氣故障樣本數(shù)據(jù)采集、故障特征分析和提取，從而得到故障檢測模型以及機器人電氣故障診斷的深度學(xué)習(xí)函數(shù)，實現(xiàn)機器人電氣故障檢測及診斷[15]，提升機器人電氣故障檢測及診斷結(jié)果的可靠性。

3 仿真測試分析

為了驗證所提出的基于深度學(xué)習(xí)的機器人電氣故障檢測及診斷方法在實現(xiàn)機器人電氣故障檢測中的應(yīng)用性能，進行仿真實驗測試。

設(shè)定輸出諧波阻抗為50 Ω，開關(guān)頻率為120 kHz，機器人電氣故障采集的樣本數(shù)為5000 個，故障特征采樣的訓(xùn)練樣本集為1500 個，測試樣本集為3500個，電氣設(shè)備的回流功率為250 W，根據(jù)上述參數(shù)設(shè)定，進行機器人電氣故障檢測與診斷。

機器人電氣故障樣本數(shù)據(jù)采集流程如圖3 所示。

由圖5 分析可見，本文方法進行機器人電氣故障檢測及診斷，機器人電氣輸出的相位和幅值具有相對穩(wěn)定性。

測試本文方法、文獻[3]方法、文獻[4]方法的故障檢測準(zhǔn)確率，得到對比結(jié)果見表1。

圖3 故障樣本數(shù)據(jù)采集流程Fig.3 Flow chart of fault sample data acquisition

表1 故障檢測準(zhǔn)確率的對比Tab.1 Comparison of fault detection accuracy

其中，機器人電氣設(shè)備的回流功率采樣如圖4所示。

圖4 機器人電氣設(shè)備的回流功率采樣Fig.4 Return power sampling of robot electrical equipment

分析表1 可知，本文方法進行機器人電氣故障診斷的準(zhǔn)確概率較高。

在上述試驗的基礎(chǔ)上，進行機器人電氣故障診斷準(zhǔn)確率對比，結(jié)果見表2。

以圖4 的回流功率為測試序列，通過深度學(xué)習(xí)補償，得到機器人電氣輸出的相位和幅值分布，如圖5 所示。

圖5 機器人電氣輸出相位和幅值的分布Fig.5 Phase and amplitude distribution of robot electrical output

表2 故障診斷準(zhǔn)確率的對比Tab.2 Comparison of fault diagnosis accuracy

分析表2 可知，采用本文方法進行機器人電氣故障診斷的準(zhǔn)確率高。

為進一步比較3 種方法的綜合性能，進行了機器人電氣故障檢測時間與診斷時間比較，結(jié)果如圖6 所示。

分析圖6 可知，本文方法無論是機器人電氣故障檢測時間還是診斷時間均低于文獻[3]方法、文獻[4]方法，說明該方法可實現(xiàn)對于機器人電氣故障的快速檢測與診斷。

圖6 不同方法的檢測時間、診斷時間比較Fig.6 Comparison of detection time and diagnosis time of different methods

4 結(jié)語

為提升機器人電氣故障檢測及診斷結(jié)果的可靠性，提出了基于深度學(xué)習(xí)的機器人電氣故障檢測及診斷方法。構(gòu)建機器人電氣故障診斷的自適應(yīng)學(xué)習(xí)模型，通過采用傅里葉分析方法進行機器人電氣故障信息融合，提取機器人電氣故障特征，從而得到故障檢測模型以及機器人電氣故障診斷的深度學(xué)習(xí)函數(shù)，以此實現(xiàn)機器人電氣故障檢測與診斷。分析得知，本文方法進行機器人電氣故障檢測和診斷的準(zhǔn)確性較高，時間較短，可靠性較好，可以在實際中得到進一步推廣與使用。