申请/专利权人：青岛哈尔滨工程大学创新发展中心

申请日：2024-02-05

公开（公告）日：2024-04-30

公开（公告）号：CN117697764B

主分类号：B25J9/16

分类号：B25J9/16;B25J19/00;B25J13/06;B25J19/02

优先权：

专利状态码：有效-授权

法律状态：2024.04.30#授权;2024.04.02#实质审查的生效;2024.03.15#公开

摘要：本发明属于潜器作业用柔性机械臂技术领域，具体公开一种潜器作业用柔性机械臂的故障诊断系统及方法。有效解决深海作业环境给当前潜器作业用柔性机械臂系统带来的技术问题。用于潜器作业用柔性机械臂的故障诊断。所述故障诊断系统包括硬件系统和软件系统，硬件系统包括柔性机械臂、传感器、舰载故障监测子系统、岸端故障诊断子系统等。软件系统包括数据管理软件、故障诊断软件、安全管理软件等。所述故障诊断系统利用反向传播神经网络，通过对柔性机械臂关节运动数据的特征融合，建立精确的故障诊断模型。本发明可广泛应用于工业柔性机械臂的维护和监控，能够准确、实时地诊断关节故障，提高生产效率和降低维修成本。

主权项：1.一种潜器作业用柔性机械臂的故障诊断方法，应用于潜器作业用柔性机械臂的故障诊断系统，包括硬件系统和软件系统；所述硬件系统包括但不限于柔性机械臂、用于实时收集柔性机械臂运动数据的传感器、用于连接传感器从而获取柔性机械臂实时运行数据的数据采集卡、用于数据传输的水声通讯系统、用于实现柔性机械臂和故障诊断系统通信的通讯网络接口、用于将实时收集的柔性机械臂关节的状态信息传递至母船上的智能运维部门的浮标、用于预测柔性机械臂可能出现的故障和问题并采取相应的预防措施的舰载故障监测子系统、用于柔性机械臂故障诊断的岸端故障诊断子系统、用于为舰载故障监测子系统和岸端故障诊断子系统建立稳定的通讯通道的基站、用于验证和测试系统故障诊断能力的故障注入设备、应急切断系统、供电系统、数据处理系统和报警系统；所述软件系统包括数据管理软件、故障诊断软件、通讯管理软件、人机交互界面、控制系统软件、安全管理软件、日志和报告生成软件及更新和维护软件；所述传感器包括用于测量柔性机械臂末端执行器位置的位置传感器、用于测量柔性机械臂末端执行器的姿态或朝向的姿态传感器、用于测量柔性机械臂在运动过程中的加速度和惯性力的加速度传感器以及用于测量柔性机械臂所处水压环境的压力传感器；所述诊断方法包括以下步骤：S1、通过柔性机械臂搭载的传感器采集柔性机械臂末端的特征数据，包括但不限于柔性机械臂末端的位置和运动轨迹；S2、对步骤S1中采集到的数据进行预处理，包括滤波去噪、范围缩放和归一化处理，以提高后续反向传播神经网络处理的准确性及效率；S3、建立数据库，将预处理后的数据存储在数据库中，对数据库中的数据进行分类，形成训练集、验证集和测试集，用于反向传播神经网络模型的训练、验证和测试；S4、设计一个基于反向传播的多分类的反向传播神经网络模型，使用数据库中的训练集来训练反向传播神经网络模型，利用验证集对反向传播神经网络模型进行调优，以避免过拟合；首先，反向传播神经网络模型的构建方法包括：S41、确定反向传播神经网络模型结构，神经元的数量与特征的维度相匹配；先开始测试一个隐藏层，然后增加更多的层来提高反向传播神经网络模型的复杂度；隐藏层的神经元数量是一个超参数，通过交叉验证来确定，神经元数量与类别的数量相同；再使用softmax激活函数得到分类概率，softmax激活函数为：，式中，为向量中第个分量，是向量的维数，也是分类问题中的类别数目，是向量经过softmax激活函数变换后第个分量的值；S42、权重和偏置初始化为最小的随机值；S43、使用修正线性单元作为softmax激活函数的隐藏层，使用softmax激活函数，输出每个类别的预测概率；S44、使用categorical_crossentropy作为损失函数，并选用随机梯度下降、自适应学习率的优化算法和基于帝都的优化算法组成优化器；其次，训练反向传播神经网络模型的方法包括：S45、首先向前传播，在前向传播过程中，输入数据通过反向传播神经网络的每一层，每一层的输出成为下一层的输入，直到最终输出层；输出层给出了反向传播神经网络模型对每个类别的预测概率；其中输入层到隐藏层的加权输入表示为：，式中为隐藏层神经元的加权输入，为输入层神经元到隐藏层神经元的连接权重，为输入层神经元的输入，为隐藏层神经元的偏置；隐藏层神经元激活函数为：，式中为隐藏层神经元的输出，为激活函数；隐藏层到输出层的加权输入表示为：，式中为输出层神经元的加权输入，为隐藏层神经元到输出层神经元的连接权重，为隐藏层神经元的输出，为输出层神经元的偏置；输入层激活函数为：，式中，为输出层神经元的输出，为激活函数；S46、接着进行计算损失，计算模型预测与真实标签之间的差异，使用categorical_crossentropy来计算每个输出类别的预测概率与实际标签之间的差异，其中，输出层误差为：，式中，为输出层神经元的误差，为期望输出，为实际输出；隐藏层误差为：，式中，为隐藏层神经元的误差，为隐藏层神经元到输出层神经元的连接权重，为输出层神经元的误差信号；输出层误差信号为：，式中，为输出层神经元的误差信号，为期望输出，为实际输出，为激活函数的导数；隐藏层误差信号为：，式中，为隐藏层神经元的误差信号，为隐藏层神经元的误差；S47、接着进行反向传播，然后，根据每个权重对损失的影响和学习率，使用优化器对权重进行更新；S48、接着进行数据迭代，在多个迭代周期中重复，一个迭代周期表示整个训练集已经被前向和反向传播了一次，直到损失收敛到模型的验证性能不再提高；S5、使用训练好的反向传播神经网络模型对收集到的故障数据进行分析，输出故障诊断的结果，识别故障类型；S6、通过测试集评估反向传播神经网络模型的诊断性能，包括但不限于准确率和召回率，根据评估结果对反向传播神经网络模型进行进一步优化；S7、将诊断结果反馈给操作员，采取相应措施进行故障修复或关节调整。

全文数据：

权利要求：

百度查询： 青岛哈尔滨工程大学创新发展中心 潜器作业用柔性机械臂的故障诊断系统及方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD