[发明专利]一种基于联邦学习的工业机器人故障诊断方法及系统

说明书

本发明公开了一种基于联邦学习的工业机器人故障诊断方法及系统，属于联邦学习及信息安全技术领域，针对不同厂商工业机器人的振动信号，在本地使用多尺度卷积融合算法提取不同尺度下的故障特征并融合，各厂商在本地使用处理后的特征变量通过基于一维卷积神经网络和正则化相结合的方法训练工业机器人本地故障诊断模型；在不泄露数据隐私的情况下进行联邦学习训练，所有厂商工业机器人的本地故障诊断模型通过第三方聚合，使用自适应梯度剪裁策略和高斯噪声差分隐私算法更新全局模型参数，最终实现多方联合训练工业机器人全局故障诊断模型。本发明解决了多厂商工业机器人模型训练涉及的数据安全问题，提高了故障诊断的适应性和准确性。

技术领域

本发明涉及联邦学习及信息安全技术领域，具体地说是一种基于联邦学习的工业机器人故障诊断方法及系统。

背景技术

工业机器人在工业应用中发挥着重要的作用，可以提高生产效率和产品质量。然而，由于工业机器人的复杂性和工作环境的严苛性，工业机器人常常会出现各种问题和故障。为了减少故障对生产的影响，提高工业机器人的可靠性，故障预测技术成为了很多企业和研究机构关注的焦点之一。现有的故障预测技术主要采用传统的机器学习方法或深度学习方法，但这些方法存在着数据隐私安全问题、数据集中问题、模型可解释性差等问题，对于工业机器人故障预测还存在一定的局限性。

发明内容

本发明的技术任务是针对以上不足之处，提供一种基于联邦学习的工业机器人故障诊断方法及系统，解决了多厂商工业机器人模型训练涉及的数据安全问题，提高了故障诊断的适应性和准确性，有效解决工业机器人故障诊断中单一厂商特征有限的难题。

本发明解决其技术问题所采用的技术方案是：

一种基于联邦学习的工业机器人故障诊断方法，针对不同厂商工业机器人的振动信号，在本地使用多尺度卷积融合算法提取不同尺度下的故障特征并融合，各厂商在本地使用处理后的特征变量通过基于一维卷积神经网络和正则化相结合的方法训练工业机器人本地故障诊断模型；

在不泄露数据隐私的情况下进行联邦学习训练，所有厂商工业机器人的本地故障诊断模型通过第三方聚合，使用自适应梯度剪裁策略和高斯噪声差分隐私算法更新全局模型参数，最终实现多方联合训练工业机器人全局故障诊断模型。

本方法使用基于改进一维卷积神经网络算法对工业机器人故障进行诊断，通过联邦学习，保证各机器人厂商数据在不泄露的前提下，对各厂商工业机器人的本地故障模型进行加权聚合，融合多厂商工业机器人故障特征，并通过不断迭代最终训练出可诊断不同品牌和型号工业机器人故障的全局诊断模型，提升故障诊断模型的泛化能力。

进一步的，所述本地故障诊断模型的训练，包括以下步骤：

步骤101、各厂商根据工业机器人的不同品牌和型号，收集机器人各种运行状态下的数据，数据包括机器人各个关节的传感器数据和相关的运行日志；

步骤102、数据收集后，进行清洗和预处理：首先对数据进行去噪处理，排除因传感器误差或异常运行出现的噪声干扰，然后对数据进行归一化处理，使得各个参数之间具有可比性，并缩小数据范围；

步骤103、利用随机森林算法对数据特征进行重要性排序，选择与故障相关的重要性特征，排除相关性不高的特征，实现数据的降维；

步骤104、对随机森林算法选择出的重要性数据特征使用数据增强方法对数据进行处理，构建虚拟训练样本，提升模型的泛化能力；

步骤105、建立基于一维卷积神经网络(CNN-1D)和正交正则化(SRIP)相结合的工业机器人故障诊断模型(SPIPCNN-1D)，使用正交初始化避免梯度爆炸/消失现象；

步骤106、使用网格搜索算法优化模型的超参数，采用Softmax分类器实现对目标类别的分类输出；

步骤107、将验证数据输入训练好的模型，验证机器人故障诊断模型效果。