一种零故障样本下的工业机器人自主故障诊断方法
技术特征:
1.一种零故障样本下的工业机器人自主故障诊断方法,其特征在于,包括:
2.根据权利要求1所述的一种零故障样本下的工业机器人自主故障诊断方法,其特征在于,所述多种母小波函数包括墨西哥草帽母小波函数mexh、复高斯b样条小波函数fbsp、morlet小波函数、harr小波函数、gaus小波函数。
3.根据权利要求1所述的一种零故障样本下的工业机器人自主故障诊断方法,其特征在于,所述针对工业机器人正常状态监测数据进行多维度时频分析,并构建工业机器人正常状态监测数据的多模态特征集的具体实现方式为:
4.根据权利要求3所述的一种零故障样本下的工业机器人自主故障诊断方法,其特征在于,所述利用状态表征提取器对工业机器人正常状态监测数据的模态特征进行状态表征的具体表示形式为:
5.根据权利要求4所述的一种零故障样本下的工业机器人自主故障诊断方法,其特征在于,所述利用多模态特征集构建对比矩阵的表示形式为:
6.根据权利要求5所述的一种零故障样本下的工业机器人自主故障诊断方法,其特征在于,所述构建能够确定网络模型优化方向的对比损失函数的具体实现方式为:
7.根据权利要求6所述的一种零故障样本下的工业机器人自主故障诊断方法,其特征在于,所述利用训练获得的深度网络模型对工业机器人实时监测数据的多模态特征进行状态表征,并将工业机器人正常状态监测数据的多模态特征作为基准,通过对比分析实时监测数据的状态表征变化,进行故障状态判别的具体实现方式为:
技术总结
本发明涉及一种零故障样本下的工业机器人自主故障诊断方法,属于机械装备智能异常检测领域。包括:(1)构建连续小波变换知识库,针对工业机器人正常状态监测数据进行多维度的时频分析,并构建工业机器人监测数据的多模态特征集;(2)建立基于深度网络模型的监测数据状态表征提取器;(3)利用多模态特征集构建多模态特征对比矩阵,基于上述两个角度构建可确定网络模型优化方向的对比学习损失函数,并利用其对深度网络模型参数进行优化;(4)利用训练获得的深度网络模型对工业机器人实时监测数据的多模态特征进行状态表征,并将正常状态监测数据的多模态特征作为基准,通过对比分析实时监测数据的状态表征变化,进行故障状态判别。
技术研发人员:黎国强,吴德烽,陈作懿,游政,武东杰,王永坚,吴军
受保护的技术使用者:集美大学
技术研发日:
技术公布日:2024/11/26
文档序号 :
【 40124366 】
技术研发人员:黎国强,吴德烽,陈作懿,游政,武东杰,王永坚,吴军
技术所有人:集美大学
备 注:该技术已申请专利,仅供学习研究,如用于商业用途,请联系技术所有人。
声 明 :此信息收集于网络,如果你是此专利的发明人不想本网站收录此信息请联系我们,我们会在第一时间删除
技术研发人员:黎国强,吴德烽,陈作懿,游政,武东杰,王永坚,吴军
技术所有人:集美大学
备 注:该技术已申请专利,仅供学习研究,如用于商业用途,请联系技术所有人。
声 明 :此信息收集于网络,如果你是此专利的发明人不想本网站收录此信息请联系我们,我们会在第一时间删除
