每周文章分享

2022.08.08-2022.08.14

01

研究背景

谐波驱动是工业机器人的关键部件。由于其减速比大，动载荷过大，可能会发生各种故障。特别是由于机器人是一个集成系统，因此同时出现多个谐波驱动故障并不罕见，这很难诊断。在实践中，这些类型的复合故障经常被错误地标记为单个故障，从而导致缺少维修。谐波驱动的故障诊断主要依靠简单的振动测量仪器和熟练工人的成熟经验，导致诊断结果不可靠，效率低下。

近年来，旋转机械设备（谐波驱动除外）的单一故障诊断已经进行了广泛的研究。然而对于复合故障，其特征复杂，识别困难，逐渐进入我们的研究视野。目前谐波驱动复合故障诊断的挑战如下：1）谐波驱动中存在各种复合故障组合。然而，我们通常只能收集各种单标签故障的数据，而缺乏各种类型的复合故障数据。2）谐波传动的物理结构相当复杂，在工业机器人的每个轴上都不同，故障特征也不同。3）与固定在静态物体上的传统齿轮箱不同，安装在工业机器人上的谐波驱动具有动态空间运动，其复合故障信号由单个故障分量的高度非线性组合形成。因此，对于谐波驱动的复合故障，仍然缺乏有效的故障诊断方法。

02

关键技术

本文提出了一种称为深胶囊图卷积网络（DCGCN）的智能方法来实现谐波驱动的复合故障诊断。首先构建了具有两个子网络的智能诊断模型，一种是采用胶囊网络获取多个单一故障的特征向量，另一种是使用图卷积网络学习各种单一故障之间的拓扑。然后，使用生成的分类器对两个子网络获得的特征矩阵进行点积，并输出复合故障中各种单个故障分量的预测概率。接下来使用动态路由算法和边际损失函数优化DCGCN。实验结果表明，该方法能够有效地识别和诊断复合故障中的各个故障分量。

该方法的创新和贡献如下：

1）针对不同组合的复合故障样本难以采集的问题，提出的DCGCN网络只需要各种类型的单标签故障样本即可实现谐波传动的复合故障诊断。

2）构建的智能诊断模型DCGCN包含两个子网络，一个子网络使用胶囊网络捕捉单标签故障样本的向量特征，另一个子网络使用图卷积神经网络学习各种单标签故障类型之间的关系。

3）首次实现了谐波传动的复合故障诊断，取得了比现有方法更好的诊断结果，具有十分重要的工程意义。

03

算法介绍

1. DCGCN架构

图1 DCGCN整体架构

本文提出的DCGCN由四个模块组成，如图1所示，包括多信号融合模块、表示学习模块、图学习模块和生成分类器模块。每个模块的介绍如下：

1）多信号融合模块：该模块用于多路信号处理和数据融合，以获得更多的机械设备健康状态信息。

2）表示学习模块：该模块使用胶囊网络来学习数据预处理后的故障信号的代表性特征。它包括以下三个模块：卷积运算、初级胶囊和数字胶囊。

3）图学习模块：该模块使用GCNs识别复合故障的各个组成部分，可以学习每个单标签故障信号的标签特征。图是一种用于对各种对象之间的关系进行编码的结构，图卷积层通过特定图节点的邻居进行卷积操作。GCN 以特征矩阵为输入，每个节点都有一个特征向量。然后，标签矢量化（Glove）用于表示字典中的特定单词并计算该空间以找到标签之间的关系。

4）生成分类器模块：该模块生成的分类器对两个学习模块的输出特征矩阵进行点积，以获得每个标签的输出可能性结果。

2. 边际损失函数和评估指标

本文设计的神经网络希望通过适当的损失函数在一个数据样本中检测多个数字，边际损失函数用于增加不同类型故障的特征识别，并可以优化网络模型的分类性能。对于每个c类数字，它采用了新的单独损失函数Lc，计算如下：

如c类目标出现，则Kc=1，并且K'c=1-Kc。此外，b+=0.9和b-=0.1表示||vc||的上下边界。下加权参数λ(λ=0.5) 用于阻止初始学习收缩所有类的活动向量。

此外，使用精度、召回率和F1-分数评估指标来衡量网络的性能。具体公式如下：

其中TP表示预测为正类的正样本， TN表示预测为正类的负样本，FP表示预测为负类的正样本， FN表示预测为负类的负样本。

3. DCGCN的输出原理

机械设备复合故障诊断是一个多标签分类问题。传统的智能故障诊断方法通常将复合故障识别为单个故障，或仅适用于识别双标签复合故障。由于复合故障包含更多的故障分量，因此准确识别所有类型的故障将变得更加困难。本文提出的方法可以诊断谐波驱动的三标签复合故障，如图2所示。该方法的最大优点是，它可以成功识别具有更多故障分量的复合故障，并且没有漏检或误检，更适合于真实和复杂的机电系统场景。

图2 不同诊断模型的比较

此外，我们的复合诊断模型输出每个测试样本中各种单独标签的可能性，然后使用阈值（ψ=0.5）过滤每个标签的输出。当某个标签的预测概率值大于ψ时，认为复合故障包含该类故障。

04

实验结果

工业机器人振动测试台包括一个六轴工业机器人、一个伺服控制器、一个SKF振动分析仪、三个振动加速度传感器和一台个人计算机，如图3所示。

图3 工业机器人振动试验台

1. 电机参数

实验中四种不同的工作速度，正常信号和各种单标签故障信号用于构建网络的训练数据集。然后，使用各种单标签样本和复合故障样本组成测试数据集。此外，第4轴、第5轴和第6轴的谐波驱动上分别出现异常振动的故障1、故障2和故障3。这三种类型的故障都是异常抖动，故障2是伴随着=刺耳噪声的严重抖动。数据集的描述如表1所示。

表1 用于DCGCN网络的数据集描述

采集的振动加速度数据经过预处理后分为训练数据集和测试数据集。训练数据集样本均为单标签样本，测试数据集样本包含单标签和多标签复合故障样本。训练数据集中有四种类型的健康状态数据，测试数据集中有八种类型的健康状态数据。

2. FFT分析结果

图4显示了在传感器2的H工况下，在谐波传动的每个单标签故障和复合故障上采集的振动加速度信号，对齐进行FFT变换而获得的频谱如图6所示。

图4 振动信号波形（）a）故障1（b）故障2（c）故障3（d）复合故障（故障1&故障2&故障3）

图5 振动信号频谱（a）故障1（b）故障（c）故障3（d）复合故障（故障1&故障2&故障3）

从图4和图5可以看出，每种类型故障的振动加速度和频谱非常不同。传统的各种故障诊断方法很难直接对谐波传动复合故障信号中的各个分量进行分离和诊断。然而，本文提出模型对各种单标签故障的振动加速度信号的频谱直接用于后续网络模型学习，这可以成功实现复合故障诊断。

3. 网络参数设置

为了充分发挥网络模型的性能，所提出的DCGCN网络的详细结构参数如表2所示。

表2 DCGCN模型的网络结构

4. 复合故障诊断结果

数据融合实验结果：DCGCN模型用于评估每个传感器和多传感器数据融合的性能，使用复合故障中每个故障的可能性识别值来验证该方法在S速工况下的复合故障诊断性能。从五个重复实验中获得的平均输出概率如表3所示：

表3 不同故障类型的诊断结果

从表3可以看出，用于测试的复合故障样本中包含的三种类型的单一故障已被准确识别，DCGCN方法在每个通道和数据融合中表现良好，且使用传感器2的数据获得了最佳结果。

复合故障诊断的输出概率：使用四种不同速度条件（L、M、H和S）的故障样本来验证DCGCN模型的复合故障诊断性能。在S速度条件下，最后一个测试阶段的每个复合故障样本的预测输出概率如图6所示。

图6 在S速度下复合故障样本的输出概率

此外，L/M/H/S工况下复合故障样本的评估指标精度、召回率、F1-分数根据公式计算的结果如表4所示。可以看出，所提出的模型可以在不同的工作条件下获得理想的评价指标值，这也表明该模型具有良好的复合故障诊断能力。

表4 不同工况下复合故障的评价指标结果

5. 不同方法的比较结果

复合故障诊断方法主要有三类。（1）传统诊断方法：IMFs和PBR；（2） 端到端机器学习模型：FFT-DNN、CNN多标签分类器（CNN-MLC）、深度CNN（DCNN）、接收V3（ICN）和胶囊网络（CapsNet）。（3）基于图的神经网络：GCN和GAT。为了进行公平比较，使用相同的S速度工况数据集进行实验，并重复五次以获得平均概率，表5给出了通过各种方法获得的结果。

表5 复合故障诊断的平均输出概率

从表5可以看出：

1）各种传统分析方法和机器学习方法在单标签故障（故障3）的故障诊断中可以获得优异的性能。

2）在识别双标签复合故障（故障1和2、故障1和3、故障2和3）时，许多智能方法只能识别复合故障组合样本的部分故障分量。

3）DCGCN可以准确地诊断三标签复合故障（故障1、2和3）的每个故障分量，这优于仅使用CapsNet或GCN。

因此，DCGCN方法在各种复合故障诊断场景中获得了最高的输出可能性值，这也表明特征向量和关系图有助于识别多标签复合故障，从而提高了我们提出的模型的性能。

05

总结

本文提出了一种新的智能故障诊断架构DCGCN，该架构只需要各种单标签故障样本即可实现复合故障的故障诊断。在该方法中，胶囊网络用于有效捕获故障样本的向量特征，而图卷积网络用于学习各种单标签故障的关系。利用这两个子网络获得的特征矩阵，通过点积输出每个复合故障样本中各种单个故障分量的预测概率。动态路由算法和边际损失函数用于优化DCGCN的性能。通过实验和与其他算法进行对比，证明了该模型具有良好的诊断性能，并且具有在实际工厂场景中应用的潜力。

扫描二维码关注我们