CN119283048B 工业机器人安全监测方法及系统 （天津赛威工业技术有限公司）

本发明提供工业机器人安全监测方法及系程度的固有模态函数;对温度信号进行小波变换,得到反映机器人散热情况的温度特征集;通2布置多模态传感器阵列采集机器人的状态信息,所述状态信息包括振动信号和温度信号，所述多模态传感器阵列包括振动传感器和温度传感器,所述振动传感器布置在机器人的关节和执行机构处,所述温度传感器布置在机器人的散热部件处；对所述振动信号进行经验模态分解,得到反映机器人传动系统磨损程度的固有模态函数;对所述温度信号进行基于所述固有模态函数以及所述温度特征集，结合所述机器人基于路径排序的规则挖掘算法对所述管理知识图谱进行推理挖基于路径排序的规则挖掘算法对所述管理知识图谱进行推理挖针对所述管理知识图谱,采用基于随机游走的路径采样策略生成候选推理路径,从所述管理知识图谱中随机选择初始实体节点,根据当前实体节点的出边关系以均匀概率随机选择下一跳实体节点,重复该过程直至达到预设的路径长度,通过多次随机游走覆盖所述管理知识图谱的不同区域和语义关联,所述候选推理路径包括刻画机器人部件与对应退化特征关联的第一推理路径和刻画退化特征与潜在退化模式关联的第二对所述候选推理路径进行排序筛选,采用综合支持度和置信度的路径排序准则对所述候选推理路径进行评分,所述综合支持度衡量所述候选推理路径在所述管理知识图谱中出推理路径的综合支持度与置信度计算排序得分,按照得分从高到低对候选推理路径进行排对机器人传动系统的振动信号进行经验模态分解,通过所述振动信号自适应地分解为一系列本征模态函数,提取反映传动系统固有震荡模式的敏感固有模态函数分量;所述经验模态分解通过循环筛选构造局部包络线,计算局部包络均值作为本征模态函数候选,并基于互信息准则评估所提取的固有模态函数与机器人传动系统磨损程度之间的相关性,通过计算固有模态函数与机器人传动系统磨损程度的联合概率分布和边缘概率分布,选取互信息值最大的前k个固有模态函数作为磨损退化的对所述温度信号进行小波变换,通过对温度信号进行多尺度和多分辨率分解,得到低3基于小波能量谱和小波奇异值谱从高频细节系数中提取温度退化特征,计算各层高频细节系数的能量值,构造反映局部温升程度的高频分量能量特征;对各层高频细节系数进根据所述高频分量能量特征和所述奇异值特征构建表征机器人散热情况的温度特征所述知识抽取采用基于BERT的命名实体识别模型和基于BiLSTM_CRF的关系抽取模型,所述知识表示采用基于TransE的知识表示学习模型,将本体中的概念和关系映射到低所述知识融合采用基于本体匹配的知识图谱链接方法,通过计算本体之间的语义相似综合支持度和置信度的路径排序准则对所述候选推理路;;接实体ei+1的频次，count(ei)表示实体以长短期记忆网络LSTM为基础构建块,通过堆叠多个LSTM层构建深度LSTM网络作为时序预测模型,在时序预测模型的最后添加全连接层和激活机器人的各个部件对应的退化特征输出预测的健康第一单元，用于布置多模态传感器阵列采集机器人的状态信息,所述状态信息包括振动信号和温度信号，所述多模态传感器阵列包括振动传感器和温度传感器,所述振动传感器布置在机器人的关节和执行机构处,所述温度传感器布置在机器人的散热部件处；对所述振动信号进行经验模态分解,得到反映机器人传动系统磨损程度的固有模态函数;对所4第二单元，用于基于所述固有模态函数以及所述温度特第三单元，用于基于路径排序的规则挖掘算法对所述管理其中，所述处理器被配置为调用所述存储器存储的指令，以执行序指令被处理器执行时实现权利要求1至65[0002]随着机器人技术的快速发展和广泛应用,机器人的健康管理和性能下降和故障风险增加。为了保障机器人的可靠运行和延长其使用寿命,亟需发展有效[0003]传统的机器人健康管理主要依赖[0004]尽管现有的数据驱动方法取得了一定进展,但仍存在以下不足:一是大多数方法仅利用单一类型的传感器数据,缺乏对多源异构信息的综合利用;二是现有方法主要针对单个关键部件或子系统,缺乏对机器人整体健康状况的评估;三是对于机器人剩余寿命的[0005]本发明实施例提供工业机器人安全监测方法及系统，能够解决现有技术中的问[0008]布置多模态传感器阵列采集机器人的状态信度信号，所述多模态传感器阵列包括振动传感器和温度传感器,所述振动传感器布置在机器人的关节和执行机构处,所述温度传感器布置在机器人的散热部件处；对所述振动信号进行经验模态分解,得到反映机器人传动系统磨损程度的固有模态函数;对所述温度信号[0009]基于所述固有模态函数以及所述温度特征集，结合所述[0012]对所述振动信号进行经验模态分解,得到反映机器人6[0013]对机器人传动系统的振动信号进行经验模态分解,通解为一系列本征模态函数,提取反映传动系统固有震荡模式的敏感固有模态函数分量;所述经验模态分解通过循环筛选构造局部包络线,计算局部包络均值作为本征模态函数候[0014]基于互信息准则评估所提取的固有模态函数与机器人传动系统磨损程度之间的相关性,通过计算固有模态函数与机器人传动系统磨损程度的联合概率分布和边缘概率分[0017]对所述温度信号进行小波变换,通过对温度信号进行多尺度和多分辨率分解,得[0018]基于小波能量谱和小波奇异值谱从高频细节系高频细节系数的能量值,构造反映局部温升程度的高频分量能量特征;对各层高频细节系[0019]根据所述高频分量能量特征和所述奇异值特征构建表征机器人散热情况的温度[0021]基于所述固有模态函数以及所述温度特征集，结合所述[0022]所述知识抽取采用基于BERT的命名实体识别模型和基于BiLSTM_CRF的关系抽取[0023]所述知识表示采用基于TransE的知识表示学习模型[0024]所述知识融合采用基于本体匹配的知识图谱[0027]针对所述管理知识图谱,采用基于随机游走的路径采样策略生成候选推理路径,从所述管理知识图谱中随机选择初始实体节点,根据当前实体节点的出边关系以均匀概率随机选择下一跳实体节点,重复该过程直至达到预设的路径长度,通过多次随机游走覆盖所述管理知识图谱的不同区域和语义关联,所述候选推理路径包括刻画机器人部件与对应退化特征关联的第一推理路径和刻画退化特征与潜在退化模式关联的第二[0028]对所述候选推理路径进行排序筛选,采用综合支所述候选推理路径进行评分,所述综合支持度衡量所述候选推理路径在所述管理知识图谱7候选推理路径的综合支持度与置信度计算排序得分,按照得分从高到低对候选推理路径进[0031]对所述候选推理路径进行排序筛选,采用综合支ri连接实体ei+1的频次，count(ei)表示实体e[0038]以长短期记忆网络LSTM为基础构建块,通过堆叠多个为时序预测模型,在时序预测模型的最后添加全连谱中机器人的各个部件对应的退化特征输出预测的[0041]第一单元，用于布置多模态传感括振动信号和温度信号，所述多模态传感器阵列包括振动传感器和温度传感器,所述振动传感器布置在机器人的关节和执行机构处,所述温度传感器布置在机器人的散热部件处；对所述振动信号进行经验模态分解,得到反映机器人传动系统磨损程度的固有模态函数;[0043]第三单元，用于基于路径排序的规则挖掘算法对所述管理知识图谱进行推理挖8[0051]通过布置多模态传感器阵列采集机器人的振动信号[0052]采用经验模态分解对振动信号进行处理,得到示和链接,构建了机器人管理知识图谱。知识图谱的构建实现了机器人健康管理领域知识[0053]提出了基于路径排序的规则挖掘算法,和关系组成的推理路径,自动提取了机器人各个部件对应的退化特征。该方法克服了传统方法依赖专家经验和手工特征构建的局限,实现了退化特征的自动发现和提取。结合预先构建的时序预测模型,实现了对机器人健康状态趋势的预测。通过挖掘历史运行数据中的时序模式,构建健康状态的时序预测模型,可以动态预测机器人未来一段时间内的健康状9号和温度信号，所述多模态传感器阵列包括振动传感器和温度传感器,所述振动传感器布置在机器人的关节和执行机构处,所述温度传感器布置在机器人的散热部件处；对所述振动信号进行经验模态分解,得到反映机器人传动系统磨损程度的固有模态函数;对所述温[0062]对所述振动信号进行经验模态分解,得到反映机器人[0063]对机器人传动系统的振动信号进行经验模态分解,通解为一系列本征模态函数,提取反映传动系统固有震荡模式的敏感固有模态函数分量;所述经验模态分解通过循环筛选构造局部包络线,计算局部包络均值作为本征模态函数候[0064]基于互信息准则评估所提取的固有模态函数与机器人传动系统磨损程度之间的相关性,通过计算固有模态函数与机器人传动系统磨损程度的联合概率分布和边缘概率分[0065]示例性地，为了从机器人传动系统的振动信号中提取反映磨损程度的敏感特征,本发明采用经验模态分解(EmpiricalModeDecomposition,EMD)方法对振动信号进行自适应分解,得到一系列反映传动系统固有震荡模式的本征模态函数(IntrinsicMode[0068]通过三次样条插值,分别连接所有极大值点和极小值点[0069]在整个数据段内,极值点的数目和过零点的数目相等或最多相差一个;在任意时ci(t)作为新的输入信号,提取下一个信号,继续筛选,直到残差信号变为单调函数或其极值点数目少于某一预设阈值,EMD分解[0071]通过EMD分解得到的IMF分量反映了机器人传动系统在不同尺度上的固有震荡模[0074]计算每个IMF分量与磨损程度指标的互信息值,按照互信息值从大到小的顺序对[0075]通过以上步骤,实现了机器人传动系统振动信号的自适应分解和敏感IMF分量的[0078]对所述温度信号进行小波变换,通过对温度信号进行多尺度和多分辨率分解,得[0079]基于小波能量谱和小波奇异值谱从高频细节系高频细节系数的能量值,构造反映局部温升程度的高频分量能量特征;对各层高频细节系[0080]根据所述高频分量能量特征和所述奇异值特征构建表征机器人散热情况的温度[0081]示例性地，为了从机器人的温度信号用小波变换(WaveletTransform,WT)对温度信号进行多尺度和多分辨率分解,得到不同频率范围内的近似系数和细节系数,并从高频细节系数中提取温度退化特征,构建表征机[0082]设机器人散热部件采集到的温度信号为T(t),选择合适的母小波函数v(t)和尺度[0085]在实际应用中,通常采用离散小波变换(DiscreteWaveletTransform,DWT)对信号进行分解。对温度信号T(t)进行J层小波分解,得到第J层低频近似系数AJ和各层高频[0088]从小波分解得到的高频细节系数中,提取两类温度退化特征:高频分量能量特征[0089]第一类特征基于小波能量谱,计算各层高频细节系数的能量值,构造反映局部温[0092]其中,N_j为第j层高频细节系数的长度。[0093]第二类特征基于小波奇异值谱,对各层高频细节系数进行奇异值分解,提取反映系数的奇异值特征向量拼接形成第二类温度[0096]综合第一类高频分量能量特征和第二类奇异况的奇异值特征,能够全面刻画机器人的散热退化情况,为后续的健康状况评估提供信息[0097]通过以上步骤,实现了机器人温度信号的小波变换和敏感温度特征的提取,所构建的温度特征集能够有效反映机器人的散热退化情况,为健康状况评估和剩余寿命预测提[0100]基于所述固有模态函数以及所述温度特征集，结合所述[0101]所述知识抽取采用基于BERT的命名实体识别模型和基于BiLSTM_CRF的关系抽取[0102]所述知识表示采用基于TransE的知识表示学习模型[0103]所述知识融合采用基于本体匹配的知识图谱[0104]示例性地，为了实现机器人健康状况评估[0105]知识抽取旨在从非结构化文本数据中自动[0106]命名实体识别采用基于BERT(BidirectionalEncoderRepresentationsfromTransformers)的深度学习模型。BERT是一种预训练的双向Transformer编码器,能够生成[0107]关系抽取采用基于BiLSTM_CRF(BidirectionalLongShort_TermMemory_ConditionalRandomField)的序列标注模型。BiLSTM能够捕捉文本的上下文信息,CRF能够考虑标签之间的依赖关系。将实体对和其上下文词语输入到BiLSTM_CRF模型中,预测实[0108]知识表示旨在将抽取出的实体和关系转化为计算[0109]知识融合旨在将多源异构的知识进行整用基于本体匹配的知识图谱链接方法,通过计算不同本体之间的语义相似度,建立链接映本体中,通过本体匹配的方法计算子图中概念与顶层本体中概念的语义相似度,建立链接于词向量的余弦相似度、基于同义词词林的语义距离等方法;结构相似度计算采用基的邻居节点相似度、基于路径的最短路径相似度等方法;上下文相似度计算采用[0112]通过本体匹配和链接映射,将多源异构的知识融合到统一的知识图谱中,形成机[0116]针对所述管理知识图谱,采用基于随机游走的路径采样策略生成候选推理路径,从所述管理知识图谱中随机选择初始实体节点,根据当前实体节点的出边关系以均匀概率随机选择下一跳实体节点,重复该过程直至达到预设的路径长度,通过多次随机游走覆盖所述管理知识图谱的不同区域和语义关联,所述候选推理路径包括刻画机器人部件与对应退化特征关联的第一推理路径和刻画退化特征与潜在退化模式关联的第二[0117]对所述候选推理路径进行排序筛选,采用综合支所述候选推理路径进行评分,所述综合支持度衡量所述候选推理路径在所述管理知识图谱候选推理路径的综合支持度与置信度计算排序得分,按照得分从高到低对候选推理路径进[0120]对所述候选推理路径进行排序筛选,采用综合支ri连接实体ei+1的频次，count(ei)表示实体e[0125]示例性地，为了从管理知识图谱中挖明提出了基于路径排序的规则挖掘算法。该算法通过随机游走生成候选推理路径,并采用综合支持度和置信度的路径排序准则对候选推理路径进行评分筛选,最终生成各个部件对[0126]针对构建的管理知识图谱,采用基于随机游走的路径采样策略生成候选推理路[0128]候选推理路径包括两类:第一类是刻画[0129]对生成的候选推理路径进行排序筛选,采用综合支持度对候选推理路径进行评分。按照排序得分从高到低对候选推理路径进行排序,筛选出得分[0130]根据筛选出的频繁路径,生成机器人各个部表示该部件具有相应的退化特征。对于刻画退化特征与潜在退化模式关联的频繁路径,提[0132]