一种工业机器人轴承故障边缘检测方法及系统

1.本发明涉及工业机器人技术领域，尤其涉及一种工业机器人轴承故障边缘检测方法及系统。


背景技术：

2.在工业互联网中，工业机器人是底层非常常见的工业控制设备。工业机器人是广泛用于工业领域的多关节机械手或多自由度的机器装置，具有一定的自动性，可依靠自身的动力能源和控制能力实现各种工业加工制造功能。同时，滚动轴承是现代机械设备中广泛应用的零部件之一，它依靠主要元件间的滚动接触来支撑机械设备的运行，在工业机器人中应用广泛。当工业机器人在某些不利条件下运行时，一个微小的故障就可能导致一连串的电机损坏，具有维护成本高、经济损失严重和安全隐患重大等问题。
3.随着工业机器人的大量运用，工业机器人的轴承故障也层出不穷。特别地，在高速、重载、极端工作温度和污染等严酷环境下，工业机器人的轴承很容易发生故障。因此，轴承的故障诊断在系统运行过程中至关重要。
4.然而，在现有的工业机器人轴承故障检测方法中，由于无法在边缘端直接进行轴承故障的检测，故存在着时效性差和故障检测准确率低的问题。
5.因此，有必要提出一种工业机器人轴承故障边缘检测方法，用以提高工业机器人故障检测的准确性和快速响应能力。


技术实现要素：

6.本发明实施例所要解决的技术问题在于，提供一种工业机器人轴承故障边缘检测方法及系统，能提高工业机器人故障检测的准确性和快速响应能力。
7.为了解决上述技术问题，本发明实施例提供了一种工业机器人轴承故障边缘检测方法，其在互连的边缘端及云端上实现，所述方法包括以下步骤：
8.所述边缘端获取工业机器人的各种轴承故障类型的信号并上传给所述云端；其中，各种轴承故障类型包括正常、内圈损伤、外圈损伤和滚动体损伤；每一种轴承故障类型信号均为一维数据；
9.所述云端对各种轴承故障类型的信号均进行预处理后，划分出训练集和测试集，且进一步结合预设的滚动轴承数据集，对基于深度收缩残差网络所构建的轴承故障诊断模型采用迁移学习的方法进行训练，以得到已训练好的轴承故障诊断模型，并下发给所述边缘端；
10.所述边缘端获取工业机器人的待测轴承振动信号，并将所获取的待测轴承振动信号导入已训练好的轴承故障诊断模型中，得到相应的轴承故障类型。
11.其中，所述云端对各种轴承故障类型的信号进行预处理后，划分出训练集和测试集的具体步骤包括：
12.采用滑动窗口的形式，将每一种轴承故障类型的信号均以n个采样点为一组样本
进行划分；其中，各样本之间有重叠部分；
13.通过连续小波变换将每一组样本均转换成二维时频图像；其中，所述连续小波变换的公式如下：
[0014][0015]
式中，a为尺度参数；b为平移参数；x(t)为原始时域信号；为小波函数；为的复共轭；
[0016]
将所有二维时频图像的频率范围均设置在0～10k，且进一步将所有二维时频图像灰度化并均转换为模型可输入的三通道灰度图；
[0017]
对所有三通道灰度图标签根据各自对应的轴承故障类型进行one－hot标签编码，以形成数据集；
[0018]
根据预设比例，将所形成的数据集划分出训练集和测试集。
[0019]
其中，所述云端结合预设的滚动轴承数据集，对基于深度收缩残差网络所构建的轴承故障诊断模型采用迁移学习的方法进行训练，以得到已训练好的轴承故障诊断模型的步骤具体包括：
[0020]
基于深度收缩残差网络，构建出轴承故障诊断模型；
[0021]
将所述滚动轴承数据集作为源域数据送入所述轴承故障诊断模型进行预训练，并使用交叉熵函数作为损失函数，以及使用adam优化算法做为优化器；
[0022]
保存预训练后的轴承故障诊断模型的权重并冻结部分层权重，且待对权重冻结后的轴承故障诊断模型的网络结构进行修改迁移后，通过输入所述训练集和所述测试集进行微调训练，以得到已训练好的轴承故障诊断模型；其中，所述对权重冻结后的轴承故障诊断模型的网络结构进行修改迁移的具体步骤包括：将平均池化层替换为最大池化层，在bn,rulu层之前和fc层之前添加dropout层，在损失函数中添加l2正则化来抑制目标域小样本数据集出现的过拟合现象。
[0023]
其中，所述边缘端与所述云端之间通过mqtt协议进行数据传输；所述边缘端与所述工业机器人之间通过tcp/ip协议进行数据传输。
[0024]
本发明实施例还提供了一种工业机器人轴承故障边缘检测系统，包括互连的边缘端及云端；其中，
[0025]
所述边缘端，用于获取工业机器人的各种轴承故障类型的信号并上传给所述云端；以及，获取工业机器人的待测轴承振动信号，并将所获取的待测轴承振动信号导入已训练好的轴承故障诊断模型中，得到相应的轴承故障类型；其中，各种轴承故障类型包括正常、内圈损伤、外圈损伤和滚动体损伤；每一种轴承故障类型信号均为一维数据；
[0026]
所述云端，用于对各种轴承故障类型的信号均进行预处理后，划分出训练集和测试集，且进一步结合预设的滚动轴承数据集，对基于深度收缩残差网络所构建的轴承故障诊断模型采用迁移学习的方法进行训练，以得到已训练好的轴承故障诊断模型，并下发给所述边缘端。
[0027]
其中，所述云端包括数据接收单元、数据预处理单元、模型训练单元和数据下发单
元；其中，
[0028]
所述数据接收单元，用于接收所述边缘端上传的各种轴承故障类型的信号；
[0029]
所述数据预处理单元，用于对各种轴承故障类型的信号均进行预处理后，划分出训练集和测试集；
[0030]
所述模型训练单元，用于结合预设的滚动轴承数据集，对基于深度收缩残差网络所构建的轴承故障诊断模型采用迁移学习的方法进行训练，以得到已训练好的轴承故障诊断模型；
[0031]
所述数据下发单元，用于将已训练好的轴承故障诊断模型下发给所述边缘端。
[0032]
其中，所述数据预处理单元包括：
[0033]
故障样本信号处理模块，用于采用滑动窗口的形式，将每一种轴承故障类型的信号均以n个采样点为一组样本进行划分；其中，各样本之间有重叠部分；
[0034]
故障样本信号变换模块，用于通过连续小波变换将每一组样本均转换成二维时频图像；其中，所述连续小波变换的公式如下：
[0035][0036]
式中，a为尺度参数；b为平移参数；x(t)为原始时域信号；为小波函数；为的复共轭；
[0037]
故障样本信号图形化模块，用于将所有二维时频图像的频率范围均设置在0～10k，且进一步将所有二维时频图像灰度化并均转换为模型可输入的三通道灰度图；
[0038]
故障样本数据化模块，用于对所有三通道灰度图标签根据各自对应的轴承故障类型进行one－hot标签编码，以形成数据集；
[0039]
故障样本划分模块，用于根据预设比例，将所形成的数据集划分出训练集和测试集。
[0040]
其中，所述模型训练单元包括：
[0041]
模型构建模块，用于基于深度收缩残差网络，构建出轴承故障诊断模型；
[0042]
模型预训练模块，用于将所述滚动轴承数据集作为源域数据送入所述轴承故障诊断模型进行预训练，并使用交叉熵函数作为损失函数，以及使用adam优化算法做为优化器；
[0043]
模型微调训练模块，用于保存预训练后的轴承故障诊断模型的权重并冻结部分层权重，且待对权重冻结后的轴承故障诊断模型的网络结构进行修改迁移后，通过输入所述训练集和所述测试集进行微调训练，以得到已训练好的轴承故障诊断模型。
[0044]
其中，所述边缘端与所述云端之间通过mqtt协议进行数据传输；所述边缘端与所述工业机器人之间通过tcp/ip协议进行数据传输。
[0045]
实施本发明实施例，具有如下有益效果：
[0046]
本发明通过云端在模型训练中引入迁移学习来提升模型的泛化能力以适应小样本情况，在数据预处理中引入小波变换来增强对数据的提取能力，并实现边缘端直接获取云端已训练好的轴承故障诊断模型进行轴承故障检测，从而提高了工业机器人故障检测的准确性和快速响应能力。
附图说明
[0047]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
[0048]
图1为本发明实施例提供的一种工业机器人轴承故障边缘检测系统的结构示意图；
[0049]
图2为本发明实施例提供的一种工业机器人轴承故障边缘检测系统中深度收缩残差网络结构图；
[0050]
图3为图2深度收缩残差网络中收缩残差模块的结构图；
[0051]
图4为图3收缩残差模块所引入软阈值函数及其导数的结构图；
[0052]
图5为图2深度收缩残差网络的微调迁移策略的工作原理图；
[0053]
图6为本发明实施例提供的一种工业机器人轴承故障边缘检测方法的流程图。
具体实施方式
[0054]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
[0055]
如图1所示，为本发明实施例中，提供的一种工业机器人轴承故障边缘检测系统，包括互连的边缘端1及云端2；其中，
[0056]
边缘端1，用于通过tcp/ip协议获取工业机器人的各种轴承故障类型的信号并通过mqtt协议上传给云端2；以及，通过tcp/ip协议获取工业机器人的待测轴承振动信号，并将所获取的待测轴承振动信号导入已训练好的轴承故障诊断模型中，得到相应的轴承故障类型；其中，各种轴承故障类型包括正常、内圈损伤、外圈损伤和滚动体损伤；每一种轴承故障类型信号均为一维数据；
[0057]
云端2，用于对各种轴承故障类型的信号均进行预处理后，划分出训练集和测试集，且进一步结合预设的滚动轴承数据集，对基于深度收缩残差网络所构建的轴承故障诊断模型采用迁移学习的方法进行训练，以得到已训练好的轴承故障诊断模型，并通过mqtt协议下发给边缘端1。
[0058]
应当说明的是，mqtt(message queuing telemetry transport，消息队列遥测传输协议)，是一种基于发布/订阅(publish/subscribe)模式的轻量级通讯协议，该协议构建于tcp/ip协议上，由ibm在1999年发布。mqtt最大的优点在于可以以极少的代码和有限的带宽，为远程设备提供实时可靠的消息服务。做为一种低开销、低带宽占用的即时通讯协议，mqtt在物联网、小型设备、移动应用等方面有广泛的应用。mqtt协议工作在低带宽、不可靠的网络的远程传感器和控制设备通讯而设计的协议，它具有以下主要的几项特性：(1)开放消息协议，简单易实现；(2)使用发布/订阅消息模式，提供一对多的消息发布，解除应用程序耦合；(3)对负载(协议携带的应用数据)内容屏蔽的消息传输；(4)基于tcp/ip网络连接,提供有序，无损，双向连接。
[0059]
在本发明实施例中，云端2包括数据接收单元21、数据预处理单元22、模型训练单元23和数据下发单元24；其中，
[0060]
数据接收单元21，用于接收边缘端1上传的各种轴承故障类型的信号；
[0061]
数据预处理单元22，用于对各种轴承故障类型的信号均进行预处理后，划分出训练集和测试集；此时，该数据预处理单元22包括故障样本信号处理模块、故障样本信号变换模块、故障样本信号图形化模块、故障样本数据化模块和故障样本划分模块；其中，故障样本信号处理模块，用于采用滑动窗口的形式，将每一种轴承故障类型的信号均以n个采样点为一组样本进行划分；其中，各样本之间有重叠部分；故障样本信号变换模块，用于通过连续小波变换将每一组样本均转换成二维时频图像；其中，所述连续小波变换的公式如下：式中，a为尺度参数；b为平移参数；x(t)为原始时域信号；为小波函数；为的复共轭；故障样本信号图形化模块，用于将所有二维时频图像的频率范围均设置在0～10k，且进一步将所有二维时频图像灰度化并均转换为模型可输入的三通道灰度图；故障样本数据化模块，用于对所有三通道灰度图标签根据各自对应的轴承故障类型进行one－hot标签编码，以形成数据集；故障样本划分模块，用于根据预设比例，将所形成的数据集划分出训练集和测试集。
[0062]
模型训练单元23，用于结合预设的滚动轴承数据集，对基于深度收缩残差网络所构建的轴承故障诊断模型采用迁移学习的方法进行训练，以得到已训练好的轴承故障诊断模型；此时，该模型训练单元23包括模型构建模块、模型预训练模块和模型微调训练模块；其中，模型构建模块，用于基于深度收缩残差网络，构建出轴承故障诊断模型；模型预训练模块，用于将滚动轴承数据集作为源域数据送入所述轴承故障诊断模型进行预训练，并使用交叉熵函数作为损失函数，以及使用adam优化算法做为优化器；模型微调训练模块，用于保存预训练后的轴承故障诊断模型的权重并冻结部分层权重，且待对权重冻结后的轴承故障诊断模型的网络结构进行修改迁移后，通过输入训练集和所述测试集进行微调训练，以得到已训练好的轴承故障诊断模型；
[0063]
数据下发单元24，用于将已训练好的轴承故障诊断模型下发给边缘端1。
[0064]
在本发明实施例中，云端2中所采用的深度收缩残差网络的网络模型如图2所示；其中收缩残差模块如图3所示。此时，收缩残差模块的特点是在网络中引入软阈值函数，并通过添加注意力机制学习阈值，从而减少噪声对于故障诊断的影响，提高故障诊断的准确性。其中软阈值函数的公式如下：
[0065][0066]
其中，x表示输入特征，y表示输出特征，τ表示阈值。在这里，阈值需要是一个正数，并且不能太大。如果阈值比所有的输入特征的绝对值都大，那么输出特征y就只能为零。软阈值化函数的导数要么为零，要么为一。这个性质是和relu激活函数相同的，因此软阈值化函数也有利于防止“梯度消失”和“梯度爆炸”。软化阈函数图如图4所示。
[0067]
注意力机制(senet)是一种较新的注意力机制下的深度学习方法。在不同的样本中，不同的特征通道，在分类任务中的贡献大小，往往是不同的。senet采用一个小型的子网络，获得一组权重，进而将这组权重与各个通道的特征分别相乘，以调整各个通道特征的大小。这个过程，就可以认为是在施加不同大小的注意力在各个特征通道上。通过在网络中添
加注意力机制可以学习出一组软阈值以适应。
[0068]
应当说明的是，由于初始时从工业机器人上能够获取的轴承故障样本太少，无法拟合出准确的深度网络模型。故将采取迁移学习的方法对模型进行训练及调整。此时，迁移学习就是利用数据之间的关联性，将知识迁移到新领域中，达到提高准确性或减少训练时间的目的。领域(domain)和任务(task)是迁移学习的两个基础性概念。依据数据的不同来源和作用，领域被分为源域和目标域。源域中存在许多标注数据，用于训练分类器，但是源域中的数据和目标域中的数据之间存在着差异。目标域包含少量带有标注的训练数据，可用于微调分类器来提高分类精度，完成分类任务。因此，采用迁移学习来解决工业机器人轴承故障标签数据少的问题。迁移学习致力于将在源域获得的知识迁移到目标域中，以实现模型在目标域中的高效训练。由于模型在源域中得到了充分的训练，因此，在目标中利用少量样本就可得到理想的训练结果，解决了深度学习依赖大数据的问题。
[0069]
云端2中使用凯斯西储大学的滚动轴承数据集(cwru)来作为源域对基于深度残差收缩网络所构建的轴承故障诊断模型进行预训练。该滚动轴承数据集包含健康轴承和具有内圈、外圈以及滚动体故障的轴承。试验台由电机、轴承、传感器、功率测试计等组成。数据选用试验台驱动端轴承数据，轴承型号为skf6205，采样频率为12khz。故障类型分别为正常、内圈损伤、外圈损伤和滚动体损伤。
[0070]
首先，将滚动轴承数据集作为源域数据送入基于深度残差收缩网络所构建的轴承故障诊断模型进行预训练，并使用交叉熵函数作为损失函数，以及使用adam优化算法做为优化器。其中，交叉熵函数的公式为：
[0071][0072]
它主要刻画的是实际输出(概率)与期望输出(概率)的距离，也就是交叉熵的值越小，两个概率分布就越接近。假设概率分布p为期望输出，概率分布q为实际输出。
[0073]
adam优化算法一种计算每个参数或权重的自适应学习率的方法，其在传统的梯度下降的优化算法下添加了动量的思想和对权重w和偏置b的梯度使用了微分平方加权平均数。
[0074]
此时，动量的公式如下：
[0075]mt
＝β1m
t-1
+(1-β1)g
t
；
[0076]
其中，m为动量，g为梯度，β是动量参数，动量综合考虑了梯度下降的方向和上次更新的方向，用β来决定了惯性的大小。
[0077]
此时，微分平方加权平1均数的公式如下：
[0078]sdw
＝βs
dw
+(1-β)dw2[0079]sdb
＝βs
db
+(1-β)db2[0080][0081]
[0082]
其中，w为权重，b为偏置。这种做法有利于消除了摆动幅度大的方向，用来修正摆动幅度，使得各个维度的摆动幅度都较小。另一方面也使得网络函数收敛更快。为了防止分母为零，使用了一个很小的数值ε来进行平滑。
[0083]
其次，进行预训练后，保存预训练模型的权重，冻结预训练模型的大部分层，将平均池化层替换为最大池化层，在bn,rulu层之前和fc层之前添加dropout层，在损失函数中添加l2正则化来抑制目标域小样本数据集出现的过拟合现象。
[0084]
此时，l2正则化的公式如下：
[0085]
l2＝λ*(||w||)2[0086]
其中，w表示模型参数的集合，||w||2表示l2范数，λ为超参数，用于调整正则化强度。l2正则化会惩罚模型参数的平方和，使得模型在优化的过程中更倾向于选择权重比较小的参数，从而降低模型的复杂度和过拟合的程度。
[0087]
调整fc的输出为目标域的故障类型数量，用adam优化器作为微调优化器对模型参数进行微调，从而达到故障诊断的目的。其微调迁移策略如图5所示。
[0088]
应当说明的是，dropout是一种常用于深度神经网络中的正则化方法，旨在减少模型的过拟合风险和提高模型泛化能力。它是在神经网络的隐藏层上应用的一种技术，通过在神经网络层中随机丢掉一些神经元(即将其的权重设为0)，来减少神经网络的过拟合现象，使得神经元的输出更具有随机性。在dropout层中，每个神经元在每次训练时都有一定的概率被随机地“丢弃”，即被强制输出为0。这意味着每个训练样本会对模型的权重产生不同的影响，从而实现了多种不同的神经网络结构，避免了神经元间的过度依赖。在实际应用中，dropout可以被应用于神经网络的任何层，并且通常最常用于卷积层和全连接层。使用dropout时需要注意设置正确的丢失率，一般来说，较小的丢失率可以得到更好的性能，但同时也需要确保不会引起欠拟合。而在测试时，应该关闭dropout，在得到测试结果时取所有dropout模式的平均值。
[0089]
如图6所示，为本发明实施例中，提出的一种工业机器人轴承故障边缘检测方法，其在前述互连的边缘端及云端上实现，所述方法包括以下步骤：
[0090]
步骤s1、所述边缘端获取工业机器人的各种轴承故障类型的信号并上传给所述云端；其中，各种轴承故障类型包括正常、内圈损伤、外圈损伤和滚动体损伤；每一种轴承故障类型信号均为一维数据；
[0091]
具体过程为，边缘端通过tcp/ip协议获取工业机器人的各种轴承故障类型的信号并通过mqtt协议上传给云端。此时，各种轴承故障类型的信号用于后续轴承故障诊断模型的训练及测试。
[0092]
步骤s2、所述云端对各种轴承故障类型的信号均进行预处理后，划分出训练集和测试集，且进一步结合预设的滚动轴承数据集，对基于深度收缩残差网络所构建的轴承故障诊断模型采用迁移学习的方法进行训练，以得到已训练好的轴承故障诊断模型，并下发给所述边缘端；
[0093]
具体过程为，首先，云端对各种轴承故障类型的信号进行预处理后，划分出训练集和测试集，具体为：
[0094]
采用滑动窗口的形式，将每一种轴承故障类型的信号均以n个采样点为一组样本进行划分；其中，各样本之间有重叠部分；
[0095]
通过连续小波变换将每一组样本均转换成二维时频图像；其中，所述连续小波变换的公式如下：
[0096][0097]
式中，a为尺度参数；b为平移参数；x(t)为原始时域信号；为小波函数；为的复共轭；
[0098]
将所有二维时频图像的频率范围均设置在0～10k，且进一步将所有二维时频图像灰度化并均转换为模型可输入的三通道灰度图；
[0099]
对所有三通道灰度图标签根据各自对应的轴承故障类型进行one－hot标签编码，以形成数据集；
[0100]
根据预设比例，将所形成的数据集划分出训练集和测试集。
[0101]
其次，结合预设的滚动轴承数据集，对基于深度收缩残差网络所构建的轴承故障诊断模型采用迁移学习的方法进行训练，以得到已训练好的轴承故障诊断模型，具体为：
[0102]
基于深度收缩残差网络，构建出轴承故障诊断模型；
[0103]
将滚动轴承数据集作为源域数据送入所述轴承故障诊断模型进行预训练，并使用交叉熵函数作为损失函数，以及使用adam优化算法做为优化器；
[0104]
保存预训练后的轴承故障诊断模型的权重并冻结部分层权重，且待对权重冻结后的轴承故障诊断模型的网络结构进行修改迁移后，通过输入所述训练集和所述测试集进行微调训练，以得到已训练好的轴承故障诊断模型；其中，对权重冻结后的轴承故障诊断模型的网络结构进行修改迁移的具体步骤包括：将平均池化层替换为最大池化层，在bn,rulu层之前和fc层之前添加dropout层，在损失函数中添加l2正则化来抑制目标域小样本数据集出现的过拟合现象。
[0105]
最后，云端通过mqtt协议将给已训练好的轴承故障诊断模型下发给边缘端，以便边缘端直接进行轴承故障检测。
[0106]
步骤s3、所述边缘端获取工业机器人的待测轴承振动信号，并将所获取的待测轴承振动信号导入已训练好的轴承故障诊断模型中，得到相应的轴承故障类型。
[0107]
具体过程为，边缘端获取工业机器人的待测轴承振动信号并导入已训练好的轴承故障诊断模型中，就可直接得到相应的轴承故障类型。
[0108]
其中，所述边缘端与所述云端之间通过mqtt协议进行数据传输；所述边缘端与所述工业机器人之间通过tcp/ip协议进行数据传输。
[0109]
实施本发明实施例，具有如下有益效果：
[0110]
本发明通过云端在模型训练中引入迁移学习来提升模型的泛化能力以适应小样本情况，在数据预处理中引入小波变换来增强对数据的提取能力，并实现边缘端直接获取云端已训练好的轴承故障诊断模型进行轴承故障检测，从而提高了工业机器人故障检测的准确性和快速响应能力。
[0111]
值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体
名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
[0112]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如rom/ram、磁盘、光盘等。
[0113]
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

技术特征：
1.一种工业机器人轴承故障边缘检测方法，其特征在于，其在互连的边缘端及云端上实现，所述方法包括以下步骤：所述边缘端获取工业机器人的各种轴承故障类型的信号并上传给所述云端；其中，各种轴承故障类型包括正常、内圈损伤、外圈损伤和滚动体损伤；每一种轴承故障类型信号均为一维数据；所述云端对各种轴承故障类型的信号均进行预处理后，划分出训练集和测试集，且进一步结合预设的滚动轴承数据集，对基于深度收缩残差网络所构建的轴承故障诊断模型采用迁移学习的方法进行训练，以得到已训练好的轴承故障诊断模型，并下发给所述边缘端；所述边缘端获取工业机器人的待测轴承振动信号，并将所获取的待测轴承振动信号导入已训练好的轴承故障诊断模型中，得到相应的轴承故障类型。2.如权利要求1所述的工业机器人轴承故障边缘检测方法，其特征在于，所述云端对各种轴承故障类型的信号进行预处理后，划分出训练集和测试集的具体步骤包括：采用滑动窗口的形式，将每一种轴承故障类型的信号均以n个采样点为一组样本进行划分；其中，各样本之间有重叠部分；通过连续小波变换将每一组样本均转换成二维时频图像；其中，所述连续小波变换的公式如下：式中，a为尺度参数；b为平移参数；x(t)为原始时域信号；为小波函数；为的复共轭；将所有二维时频图像的频率范围均设置在0～10k，且进一步将所有二维时频图像灰度化并均转换为模型可输入的三通道灰度图；对所有三通道灰度图标签根据各自对应的轴承故障类型进行one－hot标签编码，以形成数据集；根据预设比例，将所形成的数据集划分出训练集和测试集。3.如权利要求2所述的工业机器人轴承故障边缘检测方法，其特征在于，所述云端结合预设的滚动轴承数据集，对基于深度收缩残差网络所构建的轴承故障诊断模型采用迁移学习的方法进行训练，以得到已训练好的轴承故障诊断模型的步骤具体包括：基于深度收缩残差网络，构建出轴承故障诊断模型；将所述滚动轴承数据集作为源域数据送入所述轴承故障诊断模型进行预训练，并使用交叉熵函数作为损失函数，以及使用adam优化算法做为优化器；保存预训练后的轴承故障诊断模型的权重并冻结部分层权重，且待对权重冻结后的轴承故障诊断模型的网络结构进行修改迁移后，通过输入所述训练集和所述测试集进行微调训练，以得到已训练好的轴承故障诊断模型；其中，所述对权重冻结后的轴承故障诊断模型的网络结构进行修改迁移的具体步骤包括：将平均池化层替换为最大池化层，在bn,rulu层之前和fc层之前添加dropout层，在损失函数中添加l2正则化来抑制目标域小样本数据集出现的过拟合现象。
4.如权利要求1所述的工业机器人轴承故障边缘检测方法，其特征在于，所述边缘端与所述云端之间通过mqtt协议进行数据传输；所述边缘端与所述工业机器人之间通过tcp/ip协议进行数据传输。5.一种工业机器人轴承故障边缘检测系统，其特征在于，包括互连的边缘端及云端；其中，所述边缘端，用于获取工业机器人的各种轴承故障类型的信号并上传给所述云端；以及，获取工业机器人的待测轴承振动信号，并将所获取的待测轴承振动信号导入已训练好的轴承故障诊断模型中，得到相应的轴承故障类型；其中，各种轴承故障类型包括正常、内圈损伤、外圈损伤和滚动体损伤；每一种轴承故障类型信号均为一维数据；所述云端，用于对各种轴承故障类型的信号均进行预处理后，划分出训练集和测试集，且进一步结合预设的滚动轴承数据集，对基于深度收缩残差网络所构建的轴承故障诊断模型采用迁移学习的方法进行训练，以得到已训练好的轴承故障诊断模型，并下发给所述边缘端。6.如权利要求5所述的工业机器人轴承故障边缘检测系统，其特征在于，所述云端包括数据接收单元、数据预处理单元、模型训练单元和数据下发单元；其中，所述数据接收单元，用于接收所述边缘端上传的各种轴承故障类型的信号；所述数据预处理单元，用于对各种轴承故障类型的信号均进行预处理后，划分出训练集和测试集；所述模型训练单元，用于结合预设的滚动轴承数据集，对基于深度收缩残差网络所构建的轴承故障诊断模型采用迁移学习的方法进行训练，以得到已训练好的轴承故障诊断模型；所述数据下发单元，用于将已训练好的轴承故障诊断模型下发给所述边缘端。7.如权利要求6所述的工业机器人轴承故障边缘检测系统，其特征在于，所述数据预处理单元包括：故障样本信号处理模块，用于采用滑动窗口的形式，将每一种轴承故障类型的信号均以n个采样点为一组样本进行划分；其中，各样本之间有重叠部分；故障样本信号变换模块，用于通过连续小波变换将每一组样本均转换成二维时频图像；其中，所述连续小波变换的公式如下：式中，a为尺度参数；b为平移参数；x(t)为原始时域信号；为小波函数；为的复共轭；故障样本信号图形化模块，用于将所有二维时频图像的频率范围均设置在0～10k，且进一步将所有二维时频图像灰度化并均转换为模型可输入的三通道灰度图；故障样本数据化模块，用于对所有三通道灰度图标签根据各自对应的轴承故障类型进行one－hot标签编码，以形成数据集；故障样本划分模块，用于根据预设比例，将所形成的数据集划分出训练集和测试集。8.如权利要求7所述的工业机器人轴承故障边缘检测系统，其特征在于，所述模型训练
单元包括：模型构建模块，用于基于深度收缩残差网络，构建出轴承故障诊断模型；模型预训练模块，用于将所述滚动轴承数据集作为源域数据送入所述轴承故障诊断模型进行预训练，并使用交叉熵函数作为损失函数，以及使用adam优化算法做为优化器；模型微调训练模块，用于保存预训练后的轴承故障诊断模型的权重并冻结部分层权重，且待对权重冻结后的轴承故障诊断模型的网络结构进行修改迁移后，通过输入所述训练集和所述测试集进行微调训练，以得到已训练好的轴承故障诊断模型。9.如权利要求5所述的工业机器人轴承故障边缘检测系统，其特征在于，所述边缘端与所述云端之间通过mqtt协议进行数据传输；所述边缘端与所述工业机器人之间通过tcp/ip协议进行数据传输。

技术总结
本发明提供一种工业机器人轴承故障边缘检测方法，包括边缘端获取工业机器人的各种轴承故障类型的信号并上传给云端；其中，各种轴承故障类型包括正常、内圈损伤、外圈损伤和滚动体损伤；云端对各种轴承故障类型的信号均进行预处理后，划分出训练集和测试集，且进一步结合滚动轴承数据集，对基于深度收缩残差网络所构建的轴承故障诊断模型采用迁移学习的方法进行训练，以得到已训练好的轴承故障诊断模型，并下发给边缘端；边缘端获取工业机器人的待测轴承振动信号，并将待测轴承振动信号导入已训练好的轴承故障诊断模型中，得到相应的轴承故障类型。实施本发明，能提高工业机器人故障检测的准确性和快速响应能力。障检测的准确性和快速响应能力。障检测的准确性和快速响应能力。


技术研发人员：朱志亮 张维通 闫正兵 王军
受保护的技术使用者：温州大学
技术研发日：2023.07.04
技术公布日：2023/10/15