[发明专利]一种机器人微机电系统故障诊断方法及系统

说明书

本发明公开了一种机器人微机电系统故障诊断方法及系统，该方法包括：采集MEMS在正常工况下的反馈数据，并对数据进行滤波；利用计算机模拟生成MEMS在各类故障下的反馈数据；将计算机模拟的数据与MEMS的反馈数据融合并对融合后的数据进行数据扩充，以构建训练样本数据集；采用训练样本数据集对故障诊断模型进行训练；实时获取待诊断的MEMS的反馈数据；将MEMS的实时反馈数据输入训练好的故障诊断模型，实现故障诊断及故障分类。本发明使得MEMS故障诊断问题变得更可靠，提高了MEMS故障识别率，增加了机器人系统的稳定性，推动了先进智能算法在MEMS故障诊断领域的应用。

技术领域

本发明涉及基于大数据的机器人故障诊断技术领域，特别涉及一种机器人微机电系统故障诊断方法及系统。

背景技术

随着智能机器人技术的发展和成熟，机器人和机器人技术不再局限于制造领域，而是在资源勘探、救灾、医疗、军事、航空航天等领域显示出优越的适用性。复杂环境下的应用机器人对机器人本身的结构设计要求较为严格，机器人从早期的单一结构模型逐步向模块化、复杂化的方向发展。机器人系统的核心部件为各类微机电系统（MEMS）传感器，由于在狭小的物理空间内可能集成了电子、机械等各类传感器，且机器人的应用环境复杂多样，MEMS传感器容易受到噪声、电磁干扰、温度、振动等因素的影响，随之而来的是传感器高故障率。一旦机器人发生某种传感器故障，不仅会使当前任务中断，轻则造成经济损失，重则可能危及人员的生命安全。因此，对机器人已经发生或者即将发生的传感器故障进行精准辨识、预判显得十分重要。

当前为了实现对机器人的故障进行诊断辨识，已有的研究方法主要分为三大类，基于模型的故障诊断方法、基于知识的故障诊断方法以及基于数据驱动的机器人故障诊断方法。

基于模型的方法通常使用分析冗余来检测和诊断故障。通过对机器人系统中各部件的正确行为进行分析建模，并将期望的输出与观测输出进行了比较，以便定性实施机器人系统故障诊断。基于模型的机器人故障诊断系统包括两个部分:残差信号生成，它是测量的过程变量与其基于过程模型做出的变量的估计之间的差值；残差评价和决策。由于对复杂结构的机器人建模困难、建模不精确等问题，导致基于模型的机器人故障诊断方法应用受限。

基于知识的机器人故障诊断方法通常将已识别的行为与预定义的已知故障和诊断相关联。基于知识的故障诊断是基于一个监控过程的先验知识的定性模型，通过运行成熟的搜索算法实现故障诊断。其核心是由知识库(知识库)、数据库(推理机)和解释组件组成的专家控制系统。缺点在于依赖于专家知识，且对于机器人系统出现的未知类型的故障无能为力。

基于数据驱动的机器人系统故障诊断方法是无模型的，通过对数据进行综合分析，区分潜在故障和正常行为。基于数据驱动的智能诊断方法仍然面临故障诊断精度不高，模型训练时间较长，精度与诊断时间互相冲突的缺点，仍需对诊断方法进行改进，提高机器人MEMS传感器故障识别率。

发明内容

本发明提供了一种机器人微机电系统故障诊断方法及系统，以解决基于模型的机器人故障诊断方法依赖建模精度，基于知识的机器人故障诊断方法依赖于专家知识，对未知故障类别无法有效识别的技术问题。

为解决上述技术问题，本发明提供了如下技术方案：

一方面，本发明提供了一种机器人微机电系统故障诊断方法，所述机器人微机电系统故障诊断方法包括模型训练阶段和故障诊断阶段；其中，

在所述模型训练阶段，所述机器人微机电系统故障诊断方法包括：

采集机器人微机电系统在正常工况下的反馈数据；

对获取的微机电系统在正常工况下的反馈数据进行滤波处理；

利用计算机模拟生成机器人微机电系统在预设类型故障下的反馈数据；

将计算机模拟的微机电系统在预设类型故障下的反馈数据与滤波后的微机电系统在正常工况下的反馈数据进行数据融合，得到融合后的反馈数据，并对融合后的反馈数据采用滑动采样方法进行数据扩充，以构建训练样本数据集；