基于人工智能的機(jī)器人網(wǎng)絡(luò)故障診斷算法分析

摘要：針對(duì)機(jī)器人網(wǎng)絡(luò)故障影響系統(tǒng)穩(wěn)定性與可靠性的問(wèn)題，探討了基于人工智能的機(jī)器人網(wǎng)絡(luò)故障診斷算法。首先，詳細(xì)分析了智能機(jī)器人人機(jī)協(xié)作設(shè)計(jì)，建立了機(jī)器人網(wǎng)絡(luò)數(shù)據(jù)安全模型，設(shè)計(jì)了機(jī)器人網(wǎng)絡(luò)數(shù)據(jù)保護(hù)策略；其次，提出了結(jié)合門(mén)控循環(huán)神經(jīng)網(wǎng)絡(luò)的機(jī)器人網(wǎng)絡(luò)故障診斷算法；最后，通過(guò)收集機(jī)器人網(wǎng)絡(luò)數(shù)據(jù)并建立相關(guān)數(shù)據(jù)集，得出了在故障檢測(cè)方面具有較高準(zhǔn)確性和可靠性的實(shí)驗(yàn)結(jié)果。結(jié)果表明，基于門(mén)控循環(huán)單元（gated recurrent unit，GRU）模型的故障診斷算法具有更高的準(zhǔn)確性和穩(wěn)定性。

關(guān)鍵詞：機(jī)器人網(wǎng)絡(luò)；故障診斷算法；門(mén)控循環(huán)神經(jīng)網(wǎng)絡(luò)；無(wú)跡卡爾曼狀態(tài)估計(jì)算法

中圖分類(lèi)號(hào)：TP242；TP183 文獻(xiàn)標(biāo)識(shí)碼：A

0 引言

隨著科技的不斷進(jìn)步，機(jī)器人在各個(gè)領(lǐng)域的應(yīng)用日益廣泛，包括制造業(yè)、醫(yī)療、農(nóng)業(yè)以及服務(wù)行業(yè)等。機(jī)器人網(wǎng)絡(luò)通常由大量互聯(lián)的機(jī)器人組成，面對(duì)大規(guī)模、動(dòng)態(tài)變化的環(huán)境，如何有效地監(jiān)測(cè)和診斷故障，確保系統(tǒng)的高效運(yùn)行，已經(jīng)成為研究的重點(diǎn)。傳統(tǒng)的故障診斷方法在面對(duì)復(fù)雜的機(jī)器人網(wǎng)絡(luò)時(shí)往往顯得力不從心，特別是在大規(guī)模機(jī)器人群體中，故障的發(fā)生頻率和復(fù)雜性往往使得傳統(tǒng)算法難以發(fā)揮有效作用。因此，不能僅依靠傳統(tǒng)算法來(lái)解決這一問(wèn)題，亟須引入更為先進(jìn)的技術(shù)手段。

1 機(jī)器人網(wǎng)絡(luò)數(shù)據(jù)安全模型

1.1 智能機(jī)器人人機(jī)協(xié)作設(shè)計(jì)

本文主要針對(duì)人機(jī)協(xié)作系統(tǒng)進(jìn)行研究設(shè)計(jì)，首先，分析系統(tǒng)需要完成的功能和精度要求；其次，完成各零件的識(shí)別和裝配設(shè)計(jì)。針對(duì)機(jī)器人進(jìn)行人機(jī)協(xié)作的設(shè)計(jì)，要實(shí)現(xiàn)目標(biāo)工件的識(shí)別與定位、機(jī)器人抓取裝配零件任務(wù)，必須實(shí)現(xiàn)以下功能：①圖像采集與預(yù)處理。利用相機(jī)拍攝工作環(huán)境，保存并讀取圖像，對(duì)圖像進(jìn)行預(yù)處理，方便后續(xù)的識(shí)別工作。②目標(biāo)識(shí)別。采用合適的算法對(duì)目標(biāo)圖像進(jìn)行圖像處理，檢測(cè)其中是否存在目標(biāo)工件，并對(duì)其進(jìn)行識(shí)別和標(biāo)注。③目標(biāo)定位。定位目標(biāo)工件的像素坐標(biāo)，采用三維重建技術(shù)將其轉(zhuǎn)換成三維坐標(biāo)。④機(jī)器人運(yùn)動(dòng)分析與軌跡規(guī)劃。將目標(biāo)工件的始末三維空間坐標(biāo)轉(zhuǎn)換為機(jī)器人關(guān)節(jié)的運(yùn)動(dòng)角度和位移，根據(jù)末端執(zhí)行器的始末坐標(biāo)規(guī)劃?rùn)C(jī)器人的運(yùn)動(dòng)軌跡。

1.2 安全模型設(shè)計(jì)

根據(jù)網(wǎng)絡(luò)數(shù)據(jù)在機(jī)器人網(wǎng)絡(luò)中涉及的機(jī)器人網(wǎng)絡(luò)場(chǎng)景，嘗試建立綜合聯(lián)邦學(xué)習(xí)和機(jī)器人網(wǎng)絡(luò)分布式架構(gòu)的通用模型，以便在機(jī)器人網(wǎng)絡(luò)場(chǎng)景中得到更好的應(yīng)用[1]。對(duì)物聯(lián)網(wǎng)中不同組織結(jié)構(gòu)的數(shù)據(jù)模型進(jìn)行私有化訓(xùn)練，對(duì)訓(xùn)練完成后的模型參數(shù)進(jìn)行機(jī)器人網(wǎng)絡(luò)上鏈操作，然后通過(guò)聯(lián)邦學(xué)習(xí)對(duì)機(jī)器人網(wǎng)絡(luò)模型進(jìn)行重組聚合學(xué)習(xí)，最終將面向機(jī)器人網(wǎng)絡(luò)的聯(lián)邦學(xué)習(xí)模型重新投入物聯(lián)網(wǎng)應(yīng)用，從而在保護(hù)用戶私有數(shù)據(jù)的基礎(chǔ)上實(shí)現(xiàn)了模型的訓(xùn)練與互通。機(jī)器人網(wǎng)絡(luò)場(chǎng)景分為4 層，即服務(wù)模式層、數(shù)據(jù)應(yīng)用層、通信連接層和感知控制層。服務(wù)模式層包含智能交通、智能物流、智能制造、智慧醫(yī)療等行業(yè)應(yīng)用，依靠通用中間件技術(shù)提供功能，實(shí)現(xiàn)服務(wù)與數(shù)據(jù)應(yīng)用的無(wú)縫集成。數(shù)據(jù)應(yīng)用層中的云計(jì)算平臺(tái)包括信息協(xié)同平臺(tái)和業(yè)務(wù)支撐平臺(tái)，信息協(xié)同平臺(tái)指的是物聯(lián)網(wǎng)信息中心，業(yè)務(wù)支撐平臺(tái)是指物聯(lián)網(wǎng)管理中心[2-3]。

1.3 數(shù)據(jù)保護(hù)策略

傳統(tǒng)機(jī)器學(xué)習(xí)中模型效率和準(zhǔn)確率依賴于集中性服務(wù)器，分布式聯(lián)邦學(xué)習(xí)針對(duì)傳統(tǒng)模型計(jì)算能力和訓(xùn)練數(shù)據(jù)集的缺點(diǎn)提出了一種改進(jìn)方案。根據(jù)數(shù)據(jù)特征和樣本身份文檔空間中數(shù)據(jù)在各方之間的分布情況，將聯(lián)邦學(xué)習(xí)分為橫向聯(lián)邦學(xué)習(xí)、縱向聯(lián)邦學(xué)習(xí)和聯(lián)邦遷移學(xué)習(xí)。橫向聯(lián)邦學(xué)習(xí)的數(shù)據(jù)集擁有特征空間，但樣本身份文檔（identity document，ID）不同。橫向聯(lián)邦學(xué)習(xí)模型的數(shù)學(xué)表達(dá)式[4]：

2 基于GRU神經(jīng)網(wǎng)絡(luò)的機(jī)器人網(wǎng)絡(luò)故障診斷算法

2.1 GRU 神經(jīng)網(wǎng)絡(luò)原理

門(mén)控循環(huán)單元（gated recurrent unit，GRU）神經(jīng)網(wǎng)絡(luò)是一種處理時(shí)間序列的循環(huán)神經(jīng)網(wǎng)絡(luò)[6]，該算法通過(guò)減少門(mén)函數(shù)的方式簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)，大幅提升運(yùn)算效率，可以解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在處理長(zhǎng)序列數(shù)據(jù)時(shí)出現(xiàn)的記憶丟失和梯度爆炸等問(wèn)題，并通過(guò)對(duì)輸入數(shù)據(jù)進(jìn)行權(quán)值提升或降低以控制當(dāng)前細(xì)胞單元的狀態(tài)[7]。在GRU 模型中只有兩個(gè)門(mén)函數(shù)，分別為更新門(mén)與重置門(mén)。

GRU 由多個(gè)門(mén)控循環(huán)單元鏈接而成，首先在t時(shí)刻進(jìn)行更新門(mén)ut 的計(jì)算，該過(guò)程可表示為：

將輸入與輸出信息經(jīng)過(guò)與權(quán)重矩陣W u 相乘進(jìn)行線性變換。更新門(mén)將權(quán)重矩陣處理后的輸入信息與上一時(shí)刻輸出信息傳遞至激活函數(shù)σ u 中保存，更新門(mén)ut 的取值與保留信息的程度正相關(guān)，以便舍棄一些與預(yù)測(cè)時(shí)刻無(wú)關(guān)的數(shù)據(jù)，進(jìn)而降低了模型發(fā)生梯度爆炸的風(fēng)險(xiǎn)[8]。

重置門(mén)與更新門(mén)的函數(shù)表達(dá)式結(jié)構(gòu)相同，決定了低權(quán)重信息的遺忘程度。當(dāng)重置門(mén)輸出為0 時(shí)，代表?xiàng)売蒙弦婚T(mén)控循環(huán)單元的全部輸出結(jié)果，權(quán)重全部偏置到當(dāng)前門(mén)控循環(huán)單元的輸入，同樣可以對(duì)上一單元的無(wú)用數(shù)據(jù)進(jìn)行篩選。重置門(mén)rt 計(jì)算公式：

ht 利用重置門(mén)儲(chǔ)存過(guò)去相關(guān)的信息，計(jì)算重置門(mén)rt 與（ht-1，zt）的哈達(dá)瑪乘積。該哈達(dá)瑪乘積可以確定所要保留與遺忘的歷史信息，將其運(yùn)算結(jié)果相加并傳遞至雙曲正切激活函數(shù)tanh 中；ht 保留了歷史數(shù)據(jù)對(duì)當(dāng)前預(yù)測(cè)結(jié)果的影響，以門(mén)控的形式控制了輸入數(shù)據(jù)的流入并傳遞至下一單元，避免了梯度消失問(wèn)題[9]。

為解決GRU 梯度消失問(wèn)題，提出了基于GRU和無(wú)跡卡爾曼濾波（unscented Kalman filter，UKF）狀態(tài)估計(jì)（GRU-UKF）的模型，式（4）可改寫(xiě)為：

當(dāng)Xt-1 符合高斯分布時(shí)，經(jīng)過(guò)非線性函數(shù)G 傳遞狀態(tài)后的估計(jì)值不再服從高斯分布，為了有效地使用卡爾曼濾波進(jìn)行后驗(yàn)概率估計(jì)，可通過(guò)無(wú)跡變換方法來(lái)模擬真實(shí)分布。

2.2 機(jī)器人網(wǎng)絡(luò)故障診斷流程

GRU-UKF 通過(guò)GRU 時(shí)序模型訓(xùn)練機(jī)器人網(wǎng)絡(luò)運(yùn)行環(huán)境下的狀態(tài)信息模型，在UKF 過(guò)程中使用GRU 預(yù)測(cè)下一時(shí)刻的狀態(tài)信息值，通過(guò)數(shù)據(jù)驅(qū)動(dòng)的方式對(duì)狀態(tài)轉(zhuǎn)移過(guò)程進(jìn)行優(yōu)化，提升了狀態(tài)轉(zhuǎn)移模型的精度。將GRU 預(yù)測(cè)的狀態(tài)信息通過(guò)無(wú)跡采樣變換得到采樣點(diǎn)，以此為基礎(chǔ)進(jìn)行量測(cè)信息的預(yù)測(cè)與濾波。GRU-UKF 算法主要步驟如下[10]。

步驟1：歷史數(shù)據(jù)訓(xùn)練。使用GRU 模型學(xué)習(xí)歷史狀態(tài)信息的時(shí)序變化規(guī)律，建立并保存狀態(tài)轉(zhuǎn)移模型。

步驟2：狀態(tài)轉(zhuǎn)移相關(guān)信息計(jì)算。使用步驟1得出的GRU 模型對(duì)下一時(shí)刻狀態(tài)信息進(jìn)行計(jì)算，并使用無(wú)跡采樣計(jì)算sigma 點(diǎn)。

步驟3：量測(cè)預(yù)測(cè)與濾波求解。使用量測(cè)方程對(duì)步驟2 得到的狀態(tài)信息進(jìn)行計(jì)算并預(yù)測(cè)量測(cè)信息，求解濾波結(jié)果，并使用濾波結(jié)果實(shí)時(shí)更新GRU模型。

3 實(shí)驗(yàn)結(jié)果分析

在驗(yàn)證GRU 訓(xùn)練模型的可行性后，使用GRUUKF進(jìn)行狀態(tài)估計(jì)，為模擬量測(cè)環(huán)境中的未知噪聲，向量測(cè)數(shù)據(jù)中添加均值為0、標(biāo)準(zhǔn)差為10-3 的拉普拉斯噪聲，使用UKF 算法與GRU-UKF 算法進(jìn)行步長(zhǎng)為100 的狀態(tài)估計(jì)， GRU-UKF 電壓幅值濾波效果如表1 所示。

由表1 可以看出，GRU-UKF 在多個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)均有較好表現(xiàn)，平均絕對(duì)百分比誤差均小于0.5%，說(shuō)明濾波結(jié)果與真實(shí)值相近；標(biāo)準(zhǔn)誤差均保持在10-3 數(shù)量級(jí)，表明該模型擁有較高的訓(xùn)練模型穩(wěn)定性。因此，GRU-UKF 在實(shí)際網(wǎng)絡(luò)節(jié)點(diǎn)中也可達(dá)到較好的訓(xùn)練效果。

為了驗(yàn)證本文所提GRU-UKF 算法的時(shí)效性，與UKF 算法在運(yùn)行時(shí)間與誤差方面進(jìn)行比較，結(jié)果如表2 所示。

由表2 可以看出，GRU-UKF 與UKF 擁有相似的時(shí)效性能，而在網(wǎng)絡(luò)節(jié)點(diǎn)中使用GRU 進(jìn)行100次時(shí)間斷面的狀態(tài)轉(zhuǎn)移預(yù)測(cè)僅需要0.23 s，可以滿足預(yù)測(cè)的時(shí)效性要求；GRU 狀態(tài)轉(zhuǎn)移模型提升了訓(xùn)練模型的可靠性，精度方面優(yōu)于UKF 算法，訓(xùn)練模型準(zhǔn)確性進(jìn)一步提升。因此綜合時(shí)效性和估計(jì)精度，本文所提GRU-UKF算法具有一定的優(yōu)越性。

4 結(jié)論

本文為機(jī)器人網(wǎng)絡(luò)故障診斷提供了一種新的思路，通過(guò)人工智能技術(shù)的深度融合，推動(dòng)了故障診斷算法的創(chuàng)新發(fā)展。未來(lái)，隨著算法的不斷優(yōu)化與應(yīng)用場(chǎng)景的擴(kuò)展，期望能夠形成更加智能和高效的網(wǎng)絡(luò)故障診斷解決方案，以應(yīng)對(duì)日益復(fù)雜的技術(shù)挑戰(zhàn)和市場(chǎng)需求。

參考文獻(xiàn)

[1] 毛棟，陳翀，王濤，等. 用于工業(yè)機(jī)器人的增強(qiáng)圖注意力網(wǎng)絡(luò)故障診斷算法[J]. 制造業(yè)自動(dòng)化，2024，46（3）：115-119.

[2] 劉佳. 基于機(jī)器學(xué)習(xí)的英語(yǔ)翻譯機(jī)器人異常智能診斷模型構(gòu)建及仿真[J]. 自動(dòng)化與儀器儀表，2023（1）：241-245.

[3] 邵建浩，張婷. 基于BP 神經(jīng)網(wǎng)絡(luò)的SCARA 機(jī)器人故障診斷[J]. 機(jī)床與液壓，2022，50（14）：166-170.

[4] 汪佳宇. 基于混合樣本的服務(wù)機(jī)器人云端故障診斷方法研究[D]. 濟(jì)南：山東大學(xué)，2020.

[5] 陳洪鈞. 基于新一代低代碼平臺(tái)的核心網(wǎng)故障場(chǎng)景化自動(dòng)處置系統(tǒng)實(shí)現(xiàn)研究[J]. 江蘇通信，2024，40（2）：45-47.

[6] 潘京輝. 多關(guān)節(jié)協(xié)作機(jī)器人故障診斷及容錯(cuò)控制研究[D]. 北京：北京科技大學(xué)，2023.

[7] 李銘涵. 孿生神經(jīng)網(wǎng)絡(luò)在目標(biāo)跟蹤中的算法研究[J]. 人工智能與機(jī)器人研究，2022，11（3）：278-287.

[8] 翟睿. 基于人工智能算法的采摘機(jī)器人最優(yōu)路徑規(guī)劃研究[J]. 成都工業(yè)學(xué)院學(xué)報(bào)， 2022，25（1）：52-54.

[9] 王國(guó)安. 基于深度學(xué)習(xí)的自動(dòng)化裝配線智能機(jī)器人優(yōu)化控制方法分析[J]. 集成電路應(yīng)用， 2024， 41（1）：326-328.

[10] 尹勝利. 基于人工智能的變電站巡檢機(jī)器人研究[J].自動(dòng)化應(yīng)用，2024，65（15）：42-44.