基于设备心电图的智能制造装备故障诊断方法研究

【摘要】：智能制造装备是智能制造的主要体现载体,已成为当今工业国家的竞争目标。然而当前智能制造装备的定时监测和事后维修等常规运维方法不能满足实时监控的目的。本文以设备心电图为中心,针对糖果包装产线上的下料机器人的故障预测及诊断等方面展开研究,结合最新的堆叠降噪自编码网络,提出了基于设备心电图的智能制造装备实时故障诊断新方法,并将设备心电图应用到机器人故障诊断中,实验结果证明了提出方法的有效性。本文的主要工作如下:(1)分析研究了实现智能制造设备心电图的关键技术问题。将心电图技术应用到了机械装备上,并对实现设备心电图的关键技术:装备状态定义、数据预处理、基线建模等展开了研究。在分析大量数据的基础上,分别定义了智能制造装备运行过程中的四种状态,即:Good、Watch、Warning以及Abnormal value。提出改进的莱茵达准则对采集的数据进行预处理。改进之处在于每组数据以2.1*Abnormal value为上限,这样就能去除数据中较为明显的粗大误差。智能制造装备运行过程中,每个子动作的时长是否符合时间要求需要一个度量标准,基线值的作用就在于此。通过大量的数据分析,本文中建立了心电图的基线模型。(2)通过Python实现设备心电图的可视化。基于Python易读性,可扩展性好、拥有丰富的第三方库等特点,通过Pyserial库连接串口,读取传感器采集到的数据,再通过Numpy对采集到的数据进行处理,数据预处理方法采用第二章中提出的改进的莱茵达准则,最后采用Mayplotlib库对目标参数进行设备心电图的实时可视化显示。(3)将设备心电图与改进的SDAE算法结合起来对装备进行故障诊断。将设备心电图与深度神经网络相结合,利用堆叠降噪自编码网络可以从高维的原始数据中逐层提取特征的特点,将基于设备心电图与深度神经网络的方法应用到机器人故障诊断中。然而,原始时域信号输入时,网络节点数较多,结构复杂,为了防止网络出现过拟合现象,利用Dropout对SDAE的输入节点随机置零,提高网络的泛化性能。利用Robot Execution Failure数据集,将LP1数据集通过时、频域分析,保留贡献率0.95的特征向量,采用KPCA对多源特征进行加权融合,将融合的特征输入到改进的SDAE网络对机器人的故障状态进行判断。(4)将所提出的故障诊断方法在小批量的糖果包装产线上进行了验证,实验结果表明了文中所提方法的有效性。