一种机器人健康状态评估方法、装置、设备及存储介质与流程

1.本发明涉及机器人故障预测和健康管理领域，尤其涉及一种机器人健康状态评估方法、装置、设备及存储介质。


背景技术：

2.随着工业机器人的广泛应用，所涉及的作业任务也复杂多样，工业机器人的运行状态直接关系到可靠生产，因此对工业机器人进行健康状态评估变得尤为重要。然而，机器人应用领域广泛，所涉及的作业任务也复杂多样，导致其往往是工作在复杂多变的工况环境下。变化的工况如作业类型、运行速度、负载等信息会耦合在机器人的运行状态参数中，掩盖其真实的性能状态和变化规律。
3.现有的机器人健康状态评估方法大多没有考虑机器人的实际运行工况或者通过量化建模表述实际工况，难以准确反映机器人自身的真实健康状态，因此得到的评估结果与实际情况相差较大。同时，建立机器人状态参数与工况关联模型较为复杂，同时对于工况的量化建模，难以准确全面的描述复杂的实际工况，并且通过平均值确定健康状态参数参考值的方式，仍存在计算评估结果不准确的情况。
4.因此，本领域技术人员有动机开发一种能够无需建立状态参数与工况模型的机器人健康评估方法。


技术实现要素：

5.本发明提供了一种机器人健康状态评估方法装置、设备及存储介质，以解决现有技术中状态参数与工况关联模型检测过程复杂的技术问题。
6.为了解决上述技术问题，本发明实施例提供了一种机器人健康状态评估方法，包括：
7.根据处于预设健康状态的机器人在各预设位置的工况数据，分别生成各预设位置所对应的参考序列；
8.实时获取目标机器人在各预设位置的工况数据，分别生成各预设位置所对应的工况序列；
9.计算所述参考序列和所述工况序列之间在各预设位置所对应的欧氏距离，并根据所述欧氏距离，构成特征序列；
10.将所述特征序列输入至bp神经网络，获得所述目标机器人的健康状态评估结果。
11.作为优选方案，所述根据处于预设健康状态的机器人在各预设位置的工况数据，分别生成各预设位置所对应的参考序列，具体为：
12.根据若干个周期内处于预设健康状态的机器人各预设位置的工况数据，分别计算出所述处于预设健康状态的机器人中任一预设位置的工况数据所对应的所有周期的离差平方和，从而生成各预设位置所对应的参考序列；其中，所述处于预设健康状态的机器人运行一次完整操作流程为一个周期。
13.作为优选方案，所述计算所述参考序列和所述工况序列之间在各预设位置所对应的欧氏距离，并根据所述欧氏距离，构成特征序列，具体为：
14.分别将所述参考序列的参数和所述工况序列的参数进行归一化处理，并将归一化处理后的所述参考序列的参数和归一化处理后的所述工况序列的参数进行特征计算，得到所述参考序列和所述工况序列之间在各预设位置所对应的欧氏距离，并根据所述欧氏距离，构成特征序列。
15.作为优选方案，在所述将所述特征序列输入至bp神经网络，获得所述目标机器人的健康状态评估结果之前，还包括：
16.根据混合粒子群算法，对bp神经网络的权值与阈值参数进行优化操作。
17.作为优选方案，所述根据混合粒子群算法，对bp神经网络的权值与阈值参数进行优化操作，具体为：
18.对bp神经网络的权值与阈值参数进行初始化编码，并将初始化编码后的权值与阈值参数作为初始粒子；
19.根据预设的混合粒子群算法的参量，对所有初始粒子进行迭代计算，以使在每次迭代计算中，通过预测值和期望值的欧氏距离之和，来更新当前的适应度函数，继而根据更新后的适应度函数，对所有初始粒子进行进化操作，直至迭代次数达到预设值，获得迭代粒子；其中，所述期望值的欧氏距离通过预设训练样本得出，所述预测值的欧氏距离通过预设训练样本输入bp神经网络而得出；
20.根据所述迭代粒子，输出迭代后的权值与阈值参数，从而实现对bp神经网络的优化操作。
21.相应地，本发明还提供一种机器人健康状态评估装置，包括：参考序列模块、工况序列模块、特征序列模块和评估结果模块；
22.所述参考序列模块，用于根据处于预设健康状态的机器人在各预设位置的工况数据，分别生成各预设位置所对应的参考序列；
23.所述工况序列模块，用于实时获取目标机器人在各预设位置的工况数据，分别生成各预设位置所对应的工况序列；
24.所述特征序列模块，用于计算所述参考序列和所述工况序列之间在各预设位置所对应的欧氏距离，并根据所述欧氏距离，构成特征序列；
25.所述评估结果模块，用于将所述特征序列输入至所述优化后的bp神经网络，获得所述目标机器人的健康状态评估结果。
26.作为优选方案，还包括：网络优化模块；
27.所述网络优化模块，用于根据混合粒子群算法，对bp神经网络的权值与阈值参数进行优化操作。
28.作为优选方案，所述参考序列模块，用于根据处于预设健康状态的机器人在各预设位置的工况数据，分别生成各预设位置所对应的参考序列，具体为：
29.根据若干个周期内处于预设健康状态的机器人各预设位置的工况数据，分别计算出所述处于预设健康状态的机器人中任一预设位置的工况数据所对应的所有周期的离差平方和，从而生成各预设位置所对应的参考序列；其中，所述处于预设健康状态的机器人运行一次完整操作流程为一个周期。
30.作为优选方案，所述特征序列模块，用于计算所述参考序列和所述工况序列之间在各预设位置所对应的欧氏距离，并根据所述欧氏距离，构成特征序列，具体为：
31.分别将所述参考序列的参数和所述工况序列的参数进行归一化处理，并将归一化处理后的所述参考序列的参数和归一化处理后的所述工况序列的参数进行特征计算，得到所述参考序列和所述工况序列之间在各预设位置所对应的欧氏距离，并根据所述欧氏距离，构成特征序列。
32.作为优选方案，所述网络优化模块，用于根据混合粒子群算法，对bp神经网络的权值与阈值参数进行优化操作，具体为：
33.对bp神经网络的权值与阈值参数进行初始化编码，并将初始化编码后的权值与阈值参数作为初始粒子；
34.根据预设的混合粒子群算法的参量，对所有初始粒子进行迭代计算，以使在每次迭代计算中，通过预测值和期望值的欧氏距离之和，来更新当前的适应度函数，继而根据更新后的适应度函数，对所有初始粒子进行进化操作，直至迭代次数达到预设值，获得迭代粒子；其中，所述期望值的欧氏距离通过预设训练样本得出，所述预测值的欧氏距离通过预设训练样本输入bp神经网络而得出；
35.根据所述迭代粒子，输出迭代后的权值与阈值参数，从而实现对bp神经网络的优化操作。
36.相应地，本发明还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上任一所述的机器人健康状态评估方法。
37.相应地，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上任一所述的机器人健康状态评估方法。
38.相比于现有技术，本发明实施例具有如下有益效果：
39.本发明的技术方案能够通过对预设健康状态的机器人在各预设位置的工况数据，作为参考序列，并通过实时采集目标机器人在各预设位置处健康状态的工况序列，分别计算与对应预设位置的健康状态参考序列的欧式距离，以此得到健康状态的特征序列，能够准确获得目标机器人在各预设位置的健康状态数据，通过将特征序列作为训练优化后的bp神经网络的输入，能够避免建立复杂的状态参数与工况关联模型，同时也避免了工况的量化建模难以准确全面的描述复杂的实际工况。
附图说明
40.图1：为本发明实施例所提供的一种机器人健康状态评估方法的步骤流程图；
41.图2：为本发明实施例所提供的一种机器人健康状态评估方法中bp神经网络结构参数优化的示意图；
42.图3：为本发明实施例所提供的一种机器人健康状态评估装置的结构示意图。
具体实施方式
43.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
44.实施例一
45.请参照图1，为本发明实施例提供的一种机器人健康状态评估方法，包括一下步骤s101-s104：
46.s101：根据处于预设健康状态的机器人在各预设位置的工况数据，分别生成各预设位置所对应的参考序列。
47.具体地，根据若干个周期内处于预设健康状态的机器人各预设位置的工况数据，分别计算出所述处于预设健康状态的机器人中任一预设位置的工况数据所对应的所有周期的离差平方和，从而生成各预设位置所对应的参考序列；其中，所述处于预设健康状态的机器人运行一次完整操作流程为一个周期。
48.需要说明的是，处于预设健康状态的机器人即为设备健康状态良好的机器人，其在实际工况下在实际工作控制程序下运行；其中，机器人健康状态等级可分为临界健康、正常、良好和健康，共四个等级。
49.在本实施例中，以处于预设健康状态的机器人运行一次完整操作流程为一个周期，根据实际需求选择一个周期内机器人运动的k个关键位置点，即为各预设位置，在每个关键位置点采集m种设备参数，则任一关键位置i对应的健康状态参数序列为{p
i1
，p
i2，
…
，p
im
}。令机器人运行n个完整周期，重复n次上述对设备参数采集的过程，则任一关键位置i对应的第j个设备参数p
ij
的离差平方和计算：
[0050][0051]
在公式(1)中，取s
′
ij
最小时对应的均值作为参数p
ij
的健康状态参考值，机器人健康参考矩阵其中，在任一关键位置i对应的健康状态的参考序列为{p
′
i1
，p
′
i2
，
…
，p
′
im
}。
[0052]
在本实施例中，采用代替贝塞尔公式中的算数平均数估算标准差σ，具体如下：
[0053][0054]
其中，n为参数数据样本数量，在大量参数检测数据样本的条件下，一般可近似地认为检测数据服从正态分布规律，因此可依据3σ准则估算参数阈值，具体方法如下：
[0055]
[0056]
其中，p
iju
为任一关键位置i对应的第j个设备参数p
ij
的取值上限，p
ijl
为任一关键位置i对应的第j个设备参数p
ij
的取值下限。
[0057]
s102：实时获取目标机器人在各预设位置的工况数据，分别生成各预设位置所对应的工况序列。
[0058]
在本实施例中，对于目标机器人健康状态评估过程，在任一预设位置i处实时获取的工况序列为{p
i1
，p
i2
，
…
，p
im
}，其中各预设位置为目标机器人健康状态评估过程中的关键位置。
[0059]
s103：计算所述参考序列和所述工况序列之间在各预设位置所对应的欧氏距离，并根据所述欧氏距离，构成特征序列。
[0060]
具体地，分别将所述参考序列的参数和所述工况序列的参数进行归一化处理，并将归一化处理后的所述参考序列的参数和归一化处理后的所述工况序列的参数进行特征计算，得到所述参考序列和所述工况序列之间在各预设位置所对应的欧氏距离，并根据所述欧氏距离，构成特征序列。
[0061]
需要说明的是，在目标机器人监控状态评估过程中，在任一预设位置i处实时获取的工况序列为{p
i1
，p
i2
，
…
，p
im
}，健康状态的参考序列为{p
′
i1
，p
′
i2
，
…
，p
′
im
}，分别将工况序列和参考序列进行归一化处理。
[0062]
对于工况序列为{p
i1
，p
i2
，
…
，p
im
}，任一参数p
ij
的归一化方法如下：
[0063][0064]
对于参考序列{p
′
i1
，p
′
i2
，
…
，p
′
im
}，任一参数的p
′
ij
的归一化方法如下：
[0065][0066]
在任一预设位置i处对应的健康状态参数的特征计算如下：
[0067][0068]
依次计算在k个预设位置处的健康状态参数特征，构成健康状态参数的特征序列
[0069]
作为本实施例的优选方案，在所述将所述特征序列输入至bp神经网络，获得所述目标机器人的健康状态评估结果之前，还包括：
[0070]
根据混合粒子群算法，对bp神经网络的权值与阈值参数进行优化操作。
[0071]
具体地，请参阅图2，对bp神经网络的权值与阈值参数进行初始化编码，并将初始化编码后的权值与阈值参数作为初始粒子；根据预设的混合粒子群算法的参量，对所有初始粒子进行迭代计算，以使在每次迭代计算中，通过预测值和期望值的欧氏距离之和，来更新当前的适应度函数，继而根据更新后的适应度函数，对所有初始粒子进行进化操作，直至迭代次数达到预设值，获得迭代粒子；其中，所述期望值的欧氏距离通过预设训练样本得出，所述预测值的欧氏距离通过预设训练样本输入bp神经网络而得出；根据所述迭代粒子，
输出迭代后的权值与阈值参数，从而实现对bp神经网络的优化操作。
[0072]
需要说明的是，bp神经网络的优化操作需要四个等级的健康状态数据的训练样本，通过训练样本对bp神经网络进行训练后，bp神经网络才具备健康状态评估的能力，但由于使用训练样本直接对bp神经网络进行训练会存在陷入局部最小值的情况，因此在对bp神经网络进行训练过程中会采用混合粒子群算法对bp神经网络的最优参数进行估计，输出当前最优神经网络参数解。训练完成后的bp神经网络具有4个输出，每个输出对应一种健康状态评估结果，例如bp神经网络输出“1000”可以表示健康状态为临界健康，输出“0100”则为正常，输出“0010”则为良好，输出“0001”则为健康。
[0073]
作为本实施例的优选方案，粒子个体编码采用实数编码的方式，编码长度根据bp神经网络结构设置为60，每个初始粒子都通过随机的方式生成。
[0074]
需要说明的是，为了使bp神经网络预测值和期望值的残差尽可能小，选择训练样本的预测值与期望值的欧氏距离之和作为适应度函数。
[0075]
需要说明的是，对所有初始粒子进行进化操作包括个体和群体更新、交叉操作和变异操作。对于交叉操作，粒子个体通过和个体极值、群体极值交叉进行更新，极值即为最优解。在个体长度范围内随机产生一个区间，个体将区间内的编码与极值对应区间内的编码执行交叉操作，对于交叉操作得到的新个体采用优秀个体保留策略，即当新粒子的适应度优于旧粒子时才更新粒子个体。对于第x个粒子个体a
x
，极值粒子为a0，则两个粒子个体在第y位编码的交叉操作如下所示：
[0076]a′
xy
＝a
xy
(1-b)+a
0y
b，#(7)
[0077]
其中，a
′
xy
为新个体在第y位编码的值，b为[0，1]区间内的随机数。
[0078]
在粒子个体的长度范围内随机生成4个位置，然后分别针对这4个位置执行变异操作，在变异操作中仍然采用优秀个体保留策略，第x个粒子个体中第y位编码的具体变异操作如下所示：
[0079][0080]
其中，a
max
和a
min
分别是a
xy
的取值上限和取值下限，g为当前迭代次数，g为最大迭代次数，c和r为[0，1]区间内的随机数；其中，取值上限a
max
和取值下限a
min
的具体数值根据bp神经网络的实际需求情况来确定。
[0081]
s104：将所述特征序列输入至bp神经网络，获得所述目标机器人的健康状态评估结果。
[0082]
需要说明的是，将特征序列输入至bp神经网络后，即可得到所述目标机器人的健康状态评估结果，健康状态评估结果包括临界健康、正常、良好和健康。
[0083]
实施本发明实施例，具有如下的效果：
[0084]
本实施例通过对预设健康状态的机器人在各预设位置的工况数据，通过离差平方和的计算方式得到健康状态参考矩阵，从而得到参考序列，并通过实时采集目标机器人在各预设位置处健康状态的工况序列，分别计算与对应预设位置的健康状态参考序列的欧式距离，以此得到健康状态的特征序列，同时通过混合粒子群算法对bp神经网络的参数进行优化训练，提高了bp神经网络收敛速度，避免陷入局部最小值，使得能够对机器人健康状态
进行准确的评估，避免了现有技术的建模过程，同时也避免了工况的量化建模难以准确全面的描述复杂的实际工况。
[0085]
实施例二
[0086]
相应地，请参阅图3，本发明实施例还提供一种机器人健康状态评估装置，包括：参考序列模块201、工况序列模块202、特征序列模块203、网络优化模块204和评估结果模块205。
[0087]
所述参考序列模块201，用于根据处于预设健康状态的机器人在各预设位置的工况数据，分别生成各预设位置所对应的参考序列。
[0088]
作为本实施例的优选方案，所述参考序列模块201，用于根据处于预设健康状态的机器人在各预设位置的工况数据，分别生成各预设位置所对应的参考序列，具体为：
[0089]
根据若干个周期内处于预设健康状态的机器人各预设位置的工况数据，分别计算出所述处于预设健康状态的机器人中任一预设位置的工况数据所对应的所有周期的离差平方和，从而生成各预设位置所对应的参考序列；其中，所述处于预设健康状态的机器人运行一次完整操作流程为一个周期。
[0090]
所述工况序列模块202，用于实时获取目标机器人在各预设位置的工况数据，分别生成各预设位置所对应的工况序列。
[0091]
所述特征序列模块203，用于计算所述参考序列和所述工况序列之间在各预设位置所对应的欧氏距离，并根据所述欧氏距离，构成特征序列。
[0092]
作为本实施例的优选方案，所述特征序列模块203，用于计算所述参考序列和所述工况序列之间在各预设位置所对应的欧氏距离，并根据所述欧氏距离，构成特征序列，具体为：
[0093]
分别将所述参考序列的参数和所述工况序列的参数进行归一化处理，并将归一化处理后的所述参考序列的参数和归一化处理后的所述工况序列的参数进行特征计算，得到所述参考序列和所述工况序列之间在各预设位置所对应的欧氏距离，并根据所述欧氏距离，构成特征序列。
[0094]
所述网络优化模块204，用于根据混合粒子群算法，对bp神经网络的权值与阈值参数进行优化操作。
[0095]
作为本实施例的优选方案，所述网络优化模块204，用于根据混合粒子群算法，对bp神经网络的权值与阈值参数进行优化操作，具体为：
[0096]
对bp神经网络的权值与阈值参数进行初始化编码，并将初始化编码后的权值与阈值参数作为初始粒子；根据预设的混合粒子群算法的参量，对所有初始粒子进行迭代计算，以使在每次迭代计算中，通过预测值和期望值的欧氏距离之和，来更新当前的适应度函数，继而根据更新后的适应度函数，对所有初始粒子进行进化操作，直至迭代次数达到预设值，获得迭代粒子；其中，所述期望值的欧氏距离通过预设训练样本得出，所述预测值的欧氏距离通过预设训练样本输入bp神经网络而得出；根据所述迭代粒子，输出迭代后的权值与阈值参数，从而实现对bp神经网络的优化操作。
[0097]
所述评估结果模块205，用于将所述特征序列输入至所述优化后的bp神经网络，获得所述目标机器人的健康状态评估结果。
[0098]
实施本发明实施例，具有如下效果：
[0099]
本实施例通过对预设健康状态的机器人在各预设位置的工况数据，并通过离差平方和的计算方式，来得到参考序列，使得更加符合参数分布特性，实时采集目标机器人在各预设位置处健康状态的工况序列，从而分别计算与对应预设位置的健康状态参考序列的欧式距离，以此得到健康状态的特征序列，能够准确获得目标机器人在各预设位置的健康状态数据，同时通过混合粒子群算法对bp神经网络的参数进行优化训练，提高了bp神经网络收敛速度，避免陷入局部最小值，通过将特征序列作为训练优化后的bp神经网络的输入，能够避免建立复杂的状态参数与工况关联模型，同时也避免了工况的量化建模难以准确全面的描述复杂的实际工况，使得评估方法更加简洁。
[0100]
实施例三
[0101]
本发明实施例还提供了一种终端设备，所述终端设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述任一实施例所述的机器人健康状态评估方法。
[0102]
优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序)，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
[0103]
所述处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
[0104]
所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡和闪存卡(flash card)等，或所述存储器也可以是其他易失性固态存储器件。
[0105]
需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，上述终端设备仅仅是示例，并不构成对终端设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件。
[0106]
实施例四
[0107]
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的机器人健康状态评估方法。
[0108]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。