一种基于图结构信息的重载机器人减速器故障诊断方法

1.本发明涉及工业机器人的故障诊断技术领域，具体涉及一种基于图结构信息的重载机器人减速器故障诊断方法。


背景技术：

2.近年来，随着机械工业的快速发展，重载机器人减速器在各种机械设备中得到了广泛应用。重载机器人减速器作为机械传动系统的重要组成部分，具有转矩传递、减速变速、改变转向等功能。然而，由于重载机器人减速器长期工作在高负荷、高速、高温等恶劣环境下，加之使用年限的增加，会出现各种故障，如齿轮磨损、轴承磨损、油液污染等。这些故障会导致设备损坏、生产事故和生产成本增加等问题，给企业带来严重的损失。
3.重载机器人减速器故障诊断一直是机械领域研究的热点之一。传统的重载机器人减速器故障诊断方法主要是基于振动信号、声音信号等物理量的变化来诊断故障。这种方法依赖于专业的检测设备和检测人员，且需要停机检测，影响生产效率。同时，传统的故障诊断方法无法准确识别故障类型和位置，容易误诊和漏诊。
4.近年来，随着数据挖掘和机器学习技术的快速发展，基于数据驱动的重载机器人减速器故障诊断方法得到了广泛关注。这种方法通过采集重载机器人减速器工作状态下的振动、声音、电流等信号，并通过分析这些信号的特征参数，使用机器学习算法进行模型训练，以实现准确、快速、自动化的故障诊断。
5.然而，目前大多数的基于数据驱动的重载机器人减速器故障诊断方法仍然存在一些问题。首先，这些方法依赖于先验知识或者模型假设，难以适应多样化、复杂化的重载机器人减速器故障模式。其次，这些方法通常仅仅关注某些信号特征，无法全面、准确地描述重载机器人减速器的工作状态。因此，为了提高重载机器人减速器故障诊断的准确性和可靠性，需要研究一种基于图结构信息的重载机器人减速器故障诊断方法。


技术实现要素：

6.为解决上述技术问题，本发明的目的是提供一种基于图结构信息的重载机器人减速器故障诊断方法，通过马尔可夫场图信息法将输入的振动信号转换为图结构可保留原始时间序列中的大部分信息，并可更清晰、更全面地显示被诊断对象的状态特征，同时本发明通过对减速机整机采集振动信号的方式，对整机做故障诊断。
7.本发明提供一种基于图结构信息的重载机器人减速器故障诊断方法，包括如下步骤：
8.步骤1：采集重载机器人减速器正常运行时以及发生单一故障时的整机振动数据构建成振动数据集，并对所有数据进行标注标签和降采样预处理；
9.步骤2：将预处理后的数据通过马尔可夫场图信息法转换为图结构数据；
10.步骤3：将图结构数据集随机打乱，按照7:3的比例将图结构数据集划分为训练集和测试集；
11.步骤4：构建具有残差连接的图基数保持注意网络，该网络是基于基数保持注意力机制的图神经网络，基于基数保持的注意力机制将根据邻居节点的数量确定注意力权重的总和，以反映节点之间的连接关系；
12.步骤5：使用训练集对具有残差连接的图基数保持注意网络进行训练直到loss收敛，使用测试集进行测试，得到最终的模型；
13.步骤6：实时采集重载机器人减速器的振动数据，并使用马尔可夫场图信息法转换成图结构信息并输入最终的模型对重载机器人减速器状态进行诊断。
14.在本发明的基于图结构信息的重载机器人减速器故障诊断方法中，步骤1中的单一故障包括：波发生器轴承断裂故障、输入轴不对中故障、柔轮齿根点蚀故障和柔轮齿尖点蚀故障。
15.在本发明的基于图结构信息的重载机器人减速器故障诊断方法中，步骤1具体为：
16.步骤1.1：将正常运行时以及发生单一故障时的振动数据data分别使用onehot编码打上不同的标签；
17.步骤1.2：初始化一个长度为l1的全零向量data1，根据振动数据data的长度l填充data1使处理后的振动数据长度为l1；即当l≥l1，截取振动数据的前l1个元素填充data1；当l＜l1，将振动数据的l个元素填充data1，其余位置为零；
18.步骤1.3：定义降采样输出矩阵bn×k，以步长为m对振动数据进行采样，使采样数据依次填充矩阵bn×k的每行，每行包含k个采样数据，完成振动数据的降采样处理。
19.在本发明的基于图结构信息的重载机器人减速器故障诊断方法中，步骤2具体为：
20.步骤2.1：量化振动数据,设预处理后的振动数据为包括n个时间点的时间序列振动信号x
t
＝{x
1t
,x
2t
,
…
x
it
…
,x
nt
}，将振动时间序列按照振幅离散化为b个区间，将每个时间点的数据x
it
映射到其所属的区间编号qj，根据下式计算区间编号qj：
[0021][0022]
其中，x
tmax
，x
tmin
分别是振动数据的最大振幅和最小振幅，j＝[1,2,3
…
,b]；
[0023]
步骤2.2：计算区间概率，即计算每个区间的出现次数和其在整个时间序列中的概率：
[0024][0025]
其中，n是时间序列中的时间点数，nj表示第j个区间的出现次数，pj表示第j区间在整个时间序列中的概率，反映了时间序列振动数据在这个区间内出现的频率；
[0026]
步骤2.3：计算转移概率，统计每个区间编号qj在整个时间序列中出现的次数nj，根据下式计算从qj转移到qk的转移概率w
jk
：
[0027][0028]
其中，n
jk
为qj转移到qk的转移次数n
jk
，即从区间j转移到区间k的次数，每当数据的一对连续元素分别位于两个不同的区间时，从区间j转移到区间k的次数就会增加1；w
jk
表示
从qj转移到qk的概率，反映了时间序列振动信号在这两个区间之间的相似性，k＝[1,2,3
…
,b]；
[0029]
步骤2.4：根据下式获得整个时序振动数据的马尔可夫转移矩阵w：
[0030][0031]
步骤2.5：使用区间概率和转移概率构建马尔可夫场图，将每个区间编号qj对应到一个节点，节点的属性为该区间编号的概率pj；使用转移概率构建节点之间的边，边的权重为转移概率w
jk
；得到了一个马尔可夫场图g
t
＝[v
t
，e
t
]，由一组节点v
t
和边e
t
组成；其中每个节点表示一个区间编号qj，每条边表示两个相邻区间之间的转移概率w
jk
。
[0032]
在本发明的基于图结构信息的重载机器人减速器故障诊断方法中，步骤4中的具有残差连接的图基数保持注意网络具体为包括：输入层、cpaconv、池化层和全连接层；
[0033]
(1)输入层：将步骤2到的马尔可夫场图g
t
＝[v
t
，e
t
]作为输入；
[0034]
(2)cpaconv层：每个cpaconv层有h个注意力头，用于计算不同的注意力权重，对于每一对相邻节点u和v，计算注意力系数α
uv
作为节点u和v特征的加权和的leaky relu非线性函数，计算公式如下：
[0035][0036]
其中，是一个可学习参数，是l-1层节点u和v的隐藏表示的连接，leakyrelu是泄漏修正线性单元激活函数；使用加和聚合方法对邻接节点的消息进行聚合，得到第l层节点u的新特征表示
[0037][0038]
其中,f
l
()和ψ
l
()是非线性激活函数；nu是一个包含节点u的所有邻居节点的节点集，|nu|表示节点u的所有基数信息；表示节点u在l-1层中的隐藏状态；表示l-1层中节点u与其相邻节点v之间的注意权重，
⊙
表示元素乘法；对于l个cpaconv层，每层都按顺序对输入特征矩阵进行处理，产生新的节点特征表示；
[0039]
(3)池化层：使用全局池化操作从每个cpaconv层的输出中提取图级表示；
[0040]
(4)全连接层：将所有cpaconv层的图级表示通过一个全连接层处理，并将它们相加，得到最终的图表示；将最终的图表示通过一个全连接层和log-softmax函数，得到类别概率。
[0041]
在本发明的基于图结构信息的重载机器人减速器故障诊断方法中，残差连接被添加到每个cpaconv层之间用于改善反向传播过程中的梯度消失，残差连接定义为：
[0042]
[0043][0044]
其中，和分别是第l-1层、第l层和第l+1层中节点u的隐藏表示；残差连接将第l-1层中节点u的隐藏表示添加到第l层节点u的隐藏表示中作为输入，计算第l+1层中节点u的隐藏表达式。
[0045]
本发明的一种基于图结构信息的重载机器人减速器故障诊断方法，至少具有以下有益效果：
[0046]
(1)克服目前深度学习方法缺乏可解释性问题。通过马尔可夫场图信息法将输入的振动信号转换为图结构可以保留原始时间序列中的大部分信息，并可以更清晰、更全面地显示被诊断对象的状态特征。
[0047]
(2)克服目前无法针对完整重载机器人减速器进行故障诊断的问题。基于图结构信息的重载机器人减速器故障诊断方法通过将重载机器人减速器的各个部件和其相互关系构建成图结构，并基于这个图结构对重载机器人减速器的工作状态进行建模和分析。这种方法可以有效地描述重载机器人减速器各个部件之间的关联关系，从而全面、准确地描述重载机器人减速器的工作状态。同时，这种方法还可以自适应地学习重载机器人减速器故障的模式，具有更好的适应性和可扩展性，该故障诊断方法具有通用性和较高的准确率，能够用于重载机器人减速器整体的故障诊断。
附图说明
[0048]
图1是本发明的一种基于图结构信息的重载机器人减速器故障诊断方法的流程图；
[0049]
图2是本发明中马尔可夫场图信息法振动数据转换图数据的流程图；
[0050]
图3是本发明中具有残差连接的图基数保持注意网络(gcpar网络)的模型结构图。
具体实施方式
[0051]
如图1所示，本发明的一种基于图结构信息的重载机器人减速器故障诊断方法，包括如下步骤：
[0052]
步骤1：采集重载机器人减速器正常运行时以及发生单一故障时的整机振动数据构建成振动数据集，并对所有数据进行标注标签和降采样预处理；其中，单一故障包括：波发生器轴承断裂故障、输入轴不对中故障、柔轮齿根点蚀故障和柔轮齿尖点蚀故障，步骤1具体为：
[0053]
步骤1.1：将正常运行时以及发生单一故障时的振动数据data分别使用onehot编码打上不同的标签；
[0054]
将收集到的5种不同状态下的故障信号分别使用onehot编码打上不同的标签，如：正常状态：[1,0,0,0,0]；波发生器轴承断裂故障：[0,1,0,0,0]；输入轴不对中故障：[0,0,1,0,0]；柔轮齿根点蚀故障：
[0055]
[0,0,0,1,0]；柔轮齿尖点蚀：[0,0,0,0,1]。
[0056]
进行标注标签后，然后将这些信号统一进行降采样处理，该步骤的作用是对原始
数据进行了降噪处理，以便更好地提取信号特征，具体步骤如下：
[0057]
步骤1.2：初始化一个长度为l1的全零向量data1，根据振动数据data的长度l填充data1使处理后的振动数据长度为l1；即当l≥l1，截取振动数据的前l1个元素填充data1；当l＜l1，将振动数据的l个元素填充data1，其余位置为零；
[0058]
步骤1.3：定义降采样输出矩阵bn×k，以步长为m对振动数据进行采样，使采样数据依次填充矩阵bn×k的每行，每行包含k个采样数据，完成振动数据的降采样处理。
[0059]
具体实施时，如每隔47513个采样点取一个点，得到新的数据序列。相当于将原始数据的采样率降低了约47513倍。由于这个降采样频率非常低，因此可以认为该函数的作用是对原始数据进行了降噪处理，以便更好地提取信号特征。
[0060]
步骤2：将预处理后的数据通过马尔可夫场图信息法转换为图结构数据，如图2所示，具体包括如下步骤：
[0061]
步骤2.1：量化振动数据，设预处理后的振动数据为包括n个时间点的时间序列振动信号x
t
＝{x
1t
,x
2t
,
…
x
it
…
,x
nt
}，将振动时间序列按照振幅离散化为b个区间，将每个时间点的数据x
it
映射到其所属的区间编号qj，根据下式计算区间编号qj：
[0062][0063]
其中，x
tmax
，x
tmin
分别是振动数据的最大振幅和最小振幅，j＝[1,2,3
…
,b]；＝
[0064]
举个例子，假设将时间序列离散化为3个区间(b＝3)，并且x
tmin
＝0，x
tmax
＝10。那么区间宽度为x
tma-x
tmin
＝10。如果某个时间点x
it
的值为5.5，由于因为1/3《5.5/10《2/3那么它将被映射到第2个区间。
[0065]
步骤2.2：计算区间概率，即计算每个区间的出现次数和其在整个时间序列中的概率：
[0066][0067]
其中，n是时间序列中的时间点数，nj表示第j个区间的出现次数，pj表示第j区间在整个时间序列中的概率，反映了时间序列振动数据在这个区间内出现的频率；
[0068]
继续上面的例子，如果有一个长度为10的时间序列振动信号x＝[2,3,5,7,6,8,9,10,7,3]，并将其离散化为3个区间，那么第1个区间中有1个时间点，第2个区间中有5个时间点，第3个区间中有4个时间点。因此，第1个区间的概率为p1＝1/10＝0.1，第2个区间的概率为p2＝5/10＝0.5，第3个区间的概率为p3＝4/10＝0.4。
[0069]
步骤2.3：计算转移概率矩阵，统计每个区间编号qj在整个时间序列中出现的次数nj，根据下式计算从qj转移到qk的转移概率w
jk
：
[0070][0071]
其中，n
jk
为qj转移到qk的转移次数n
jk
，即从区间j转移到区间k的次数，每当数据的一对连续元素分别位于两个不同的区间时，从区间j转移到区间k的次数就会增加1；w
jk
表示从qj转移到qk的概率，反映了时间序列振动信号在这两个区间之间的相似性，k＝[1,2,3
…
,
b]；
[0072]
步骤2.4：根据下式获得整个时序振动数据的马尔可夫转移矩阵w：
[0073][0074]
其中，w
1b
表示一对连续元素x
t
和x
t-1
分别位于两个不同的区间q1和qb时，从区间1转移到区间b的次数。
[0075]
步骤2.5：使用区间概率和转移概率构建马尔可夫场图，将每个区间编号qj对应到一个节点，节点的属性为该区间编号的概率pj；使用转移概率构建节点之间的边，边的权重为转移概率w
jk
；得到了一个马尔可夫场图g
t
＝[v
t
，e
t
]，由一组节点v
t
和边e
t
组成；其中每个节点表示一个区间编号qj，每条边表示两个相邻区间之间的转移概率w
jk
。通过这样的马尔可夫场图，我们可以更好地理解振动时间序列的特征和结构，并且可以使用图结构的方法进行进一步的分析和处理。
[0076]
步骤3：将图结构数据集随机打乱，按照7:3的比例将图结构数据集划分为训练集和测试集；
[0077]
步骤4：构建具有残差连接的图基数保持注意网络(gcpar网络)，该网络是基于基数保持注意力机制的图神经网络，基于基数保持的注意力机制将根据邻居节点的数量确定注意力权重的总和，以反映节点之间的连接关系，网络结构图如图3所示；
[0078]
具体实施时，具有残差连接的图基数保持注意网络具体为包括：输入层、cpaconv、池化层和全连接层；
[0079]
(1)输入层：将步骤2到的马尔可夫场图g
t
＝[v
t
，e
t
]作为输入；
[0080]
(2)cpaconv层：每个cpaconv层有h个注意力头，用于计算不同的注意力权重，对于每一对相邻节点u和v，计算注意力系数α
uv
作为节点u和v特征的加权和的leaky relu非线性函数，计算公式如下：
[0081][0082]
其中，是一个可学习参数，是l-1层节点u和v的隐藏表示的连接，leakyrelu是泄漏修正线性单元激活函数；使用加和聚合方法对邻接节点的消息进行聚合，得到第l层节点u的新特征表示
[0083][0084]
其中,f
l
()和ψ
l
()是非线性激活函数；nu是一个包含节点u的所有邻居节点的节点集，|nu|表示节点u的所有基数信息；表示节点u在l-1层中的隐藏状态；表示l-1层中节点u与其相邻节点v之间的注意权重，
⊙
表示元素乘法；对于l个cpaconv层，每层都按顺序对输入特征矩阵进行处理，产生新的节点特征表示；
[0085]
(3)池化层：使用全局池化操作从每个cpaconv层的输出中提取图级表示；
[0086]
(4)全连接层：将所有cpaconv层的图级表示通过一个全连接层处理，并将它们相加，得到最终的图表示；将最终的图表示通过一个全连接层和log-softmax函数，得到类别概率。
[0087]
残差连接被添加到每个cpaconv层之间用于改善反向传播过程中的梯度消失，残差连接定义为：
[0088][0089][0090]
其中，和分别是第l-1层、第l层和第l+1层中节点u的隐藏表示；残差连接将第l-1层中节点u的隐藏表示添加到第l层节点u的隐藏表示中作为输入，计算第l+1层中节点u的隐藏表达式。
[0091]
步骤5：使用训练集对具有残差连接的图基数保持注意网络进行训练直到loss收敛，使用测试集进行测试，得到最终的模型；
[0092]
训练过程如下：
[0093]
步骤5.1：根据公式(6)计算第l层的节点u的隐式表示
[0094]
步骤5.2：根据公式(7)(8)将l-1层节点u和l层节点u进行残差连接，得到新的l层节点u隐藏表示
[0095]
步骤5.3：循环执行步骤5.1和5.2，不停通过邻居节点更新节点u，直到经过最后一层；
[0096]
步骤5.4：将每一层的输出依次经过池化层、批量归一化层、全连接层、relu函数，之后将所有的输出相加并通过全连接层得到分类结果；
[0097]
步骤5.5：将所有训练集数据都使用过一次记为一个epoch，所有epoch完成后获得训练好的最终模型。
[0098]
步骤6：实时重载机器人减速器的振动数据，并使用马尔可夫场图信息法转换成图结构信息并输入最终的模型对重载机器人减速器状态进行诊断。
[0099]
本发明提出的具有残差连接的图基数保持注意网络gcpar是基于gnn的cpa模型开发的，使用了保持基数的注意力机制。它能够在节点信息聚合期间为不同的节点分配不同的权重，使得网络能够在训练过程中自我聚焦于最相关的节点。为了验证其优越性，将gcpar模型与其他五种gnn相关算法进行了比较，即gcn模型、基于注意力的sagpool模型、diffpool模型、dgcnn模型和gin模型。
[0100]
我们使用了降采样方法来降低数据的采集频率，使得网络能够获得更多的输入。同时，该方法可以过滤掉数据中混杂的高频噪声信号并减少干扰。所选的降采样倍数为10，在降采样后从1000个原始数据样本中获得了10000个数据样本。在使用基于马尔可夫场图信息法对这10000个数据样本进行转换后，获得了10000个马尔可夫场图，并将其分成a、b、c、d四个数据集，对应转速为500rpm、1000rpm、1500rpm和2000rpm，每个数据集包含2500个马尔可夫场图。将四个速度的10000个图形组合在一起形成数据集e，以验证所提出模型的稳健性。将这五个数据集分别划分为训练集和测试集。
[0101]
五个数据集的平均测试准确性显示在表1中。六个模型的平均测试准确性表明，在单速度数据集a、b、c、d或混合速度数据集e中，gcn模型是最差的。对于单速度数据集a，六个模型的平均测试准确性低于其他单速度数据集b、c和d。这可能是因为低频故障信号受到基频干扰，故障信号的特征不明显。实验结果表明，当在所有五个数据集上进行测试时，gcpar模型相对于其他五种方法具有优越的准确性。同时，gin模型和dgcnn模型也取得了相对较好的分类结果，验证了在重载机器人减速器故障诊断中使用马尔可夫场图信息法的有效性。
[0102]
表1
[0103][0104][0105]
本发明的方法中采用马尔可夫场图信息法可以将振动信号转换成图的形式，即将一维的振动数据升维转换成二维的图信息，此过程中可分离出部分噪声。将振动数据的区间编号的概率pj转换为马尔可夫场图中的节点特征，使用转移概率构建节点之间的边，通过马尔可夫转移矩阵w代表图结构数据中节点的连通性和边的特征。节点和边的特征决定了图形的特征，节点的连接性(边)决定了图形拓扑结构。转换的过程提取出了原始振动数据的空间结构特征，通过图的拓扑结构的差异可以直观的反映出原始振动数据空间结构的差异。而不同故障状态的振动数据具有不同的空间结构，那么重载机器人减速器的状态就可以显式的表现出来。这也使得本发明的方法相对于现有的深度学习诊断算法具有更好的可解释性。本发明的方法是针对重载机器人减速器整机做故障诊断，相比于其他方法对重载机器人减速器各个部件进行诊断，该方法的适用性更加广。该方法可以直接部署在实际工作的重载机器人减速器上，并对重载机器人减速器上所有部件进行故障诊断。
[0106]
以上所述仅为本发明的较佳实施例，并不用以限制本发明的思想，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于图结构信息的重载机器人减速器故障诊断方法，其特征在于，包括如下步骤：步骤1：采集重载机器人减速器正常运行时以及发生单一故障时的整机振动数据构建成振动数据集，并对所有数据进行标注标签和降采样预处理；步骤2：将预处理后的数据通过马尔可夫场图信息法转换为图结构数据；步骤3：将图结构数据集随机打乱，按照7:3的比例将图结构数据集划分为训练集和测试集；步骤4：构建具有残差连接的图基数保持注意网络，该网络是基于基数保持注意力机制的图神经网络，基于基数保持的注意力机制将根据邻居节点的数量确定注意力权重的总和，以反映节点之间的连接关系；步骤5：使用训练集对具有残差连接的图基数保持注意网络进行训练直到loss收敛，使用测试集进行测试，得到最终的模型；步骤6：实时采集重载机器人减速器的振动数据，并使用马尔可夫场图信息法转换成图结构信息并输入最终的模型对重载机器人减速器状态进行诊断。2.如权利要求1所述的基于图结构信息的重载机器人减速器故障诊断方法，其特征在于，步骤1中的单一故障包括：波发生器轴承断裂故障、输入轴不对中故障、柔轮齿根点蚀故障和柔轮齿尖点蚀故障。3.如权利要求1所述的基于图结构信息的重载机器人减速器故障诊断方法，其特征在于，步骤1具体为：步骤1.1：将正常运行时以及发生单一故障时的振动数据data分别使用onehot编码打上不同的标签；步骤1.2：初始化一个长度为l1的全零向量data1，根据振动数据data的长度l填充data1使处理后的振动数据长度为l1；即当l≥l1，截取振动数据的前l1个元素填充data1；当l＜l1，将振动数据的l个元素填充data1，其余位置为零；步骤1.3：定义降采样输出矩阵b
n
×
k
，以步长为m对振动数据进行采样，使采样数据依次填充矩阵b
n
×
k
的每行，每行包含k个采样数据，完成振动数据的降采样处理。4.如权利要求1所述的基于图结构信息的重载机器人减速器故障诊断方法，其特征在于，步骤2具体为：步骤2.1：量化振动数据,设预处理后的振动数据为包括n个时间点的时间序列振动信号x
t
＝{x
1t
,x
2t
,
…
x
it
…
,x
nt
}，将振动时间序列按照振幅离散化为b个区间，将每个时间点的数据x
it
映射到其所属的区间编号q
j
，根据下式计算区间编号q
j
：其中，x
tmax
，x
tmin
分别是振动数据的最大振幅和最小振幅，j＝[1,2,3
…
,b]；步骤2.2：计算区间概率，即计算每个区间的出现次数和其在整个时间序列中的概率：
其中，n是时间序列中的时间点数，n
j
表示第j个区间的出现次数，p
j
表示第j区间在整个时间序列中的概率，反映了时间序列振动数据在这个区间内出现的频率；步骤2.3：计算转移概率，统计每个区间编号q
j
在整个时间序列中出现的次数n
j
，根据下式计算从q
j
转移到q
k
的转移概率w
jk
：其中，n
jk
为q
j
转移到q
k
的转移次数n
jk
，即从区间j转移到区间k的次数，每当数据的一对连续元素分别位于两个不同的区间时，从区间j转移到区间k的次数就会增加1；w
jk
表示从q
j
转移到q
k
的概率，反映了时间序列振动信号在这两个区间之间的相似性，k＝[1,2,3
…
,b]；步骤2.4：根据下式获得整个时序振动数据的马尔可夫转移矩阵w：步骤2.5：使用区间概率和转移概率构建马尔可夫场图，将每个区间编号q
j
对应到一个节点，节点的属性为该区间编号的概率p
j
；使用转移概率构建节点之间的边，边的权重为转移概率w
jk
；得到了一个马尔可夫场图g
t
＝[v
t
，e
t
]，由一组节点v
t
和边e
t
组成；其中每个节点表示一个区间编号q
j
，每条边表示两个相邻区间之间的转移概率w
jk
。5.如权利要求1所述的基于图结构信息的重载机器人减速器故障诊断方法，其特征在于，步骤4中的具有残差连接的图基数保持注意网络具体为包括：输入层、cpaconv、池化层和全连接层；(1)输入层：将步骤2到的马尔可夫场图g
t
＝[v
t
，e
t
]作为输入；(2)cpaconv层：每个cpaconv层有h个注意力头，用于计算不同的注意力权重，对于每一对相邻节点u和v，计算注意力系数α
uv
作为节点u和v特征的加权和的leaky relu非线性函数，计算公式如下：其中，是一个可学习参数，是l-1层节点u和v的隐藏表示的连接，leakyrelu是泄漏修正线性单元激活函数；使用加和聚合方法对邻接节点的消息进行聚合，得到第l层节点u的新特征表示得到第l层节点u的新特征表示其中,f
l
()和ψ
l
()是非线性激活函数；n
u
是一个包含节点u的所有邻居节点的节点集，|n
u
|表示节点u的所有基数信息；表示节点u在l-1层中的隐藏状态；表示l-1层中节点u与其相邻节点v之间的注意权重，
⊙
表示元素乘法；对于l个cpaconv层，每层都按顺序对
输入特征矩阵进行处理，产生新的节点特征表示；(3)池化层：使用全局池化操作从每个cpaconv层的输出中提取图级表示；(4)全连接层：将所有cpaconv层的图级表示通过一个全连接层处理，并将它们相加，得到最终的图表示；将最终的图表示通过一个全连接层和log-softmax函数，得到类别概率。6.如权利要求5所述的基于图结构信息的重载机器人减速器故障诊断方法，其特征在于，残差连接被添加到每个cpaconv层之间用于改善反向传播过程中的梯度消失，残差连接定义为：定义为：其中，和分别是第l-1层、第l层和第l+1层中节点u的隐藏表示；残差连接将第l-1层中节点u的隐藏表示添加到第l层节点u的隐藏表示中作为输入，计算第l+1层中节点u的隐藏表达式。

技术总结
本发明的一种基于图结构信息的重载机器人减速器故障诊断方法，包括：采集重载机器人减速器正常运行时及发生单一故障时的整机振动数据，对所有数据进行标注标签和降采样预处理；将预处理后的数据通过马尔可夫场图信息法转换为图结构数据；将图结构数据集按照7:3的比例将图结构数据集划分为训练集和测试集；构建具有残差连接的图基数保持注意网络，该网络是基于基数保持注意力机制的图神经网络；使用训练集对具有残差连接的图基数保持注意网络进行训练直到loss收敛，使用测试集进行测试，得到最终的模型；实时采集重载机器人减速器的振动数据，并使用马尔可夫场图信息法转换成图结构信息并输入最终的模型对重载机器人减速器状态进行诊断。器状态进行诊断。器状态进行诊断。


技术研发人员：马晓光 龙卓 黄书磊 郭欣豪
受保护的技术使用者：东北大学佛山研究生创新学院
技术研发日：2023.03.30
技术公布日：2023/7/20