CN118244110B - 一种工业机器人电机故障预警方法及系统 - Google Patents

Abstract

本申请涉及电机故障预警技术领域，提供一种工业机器人电机故障预警方法及系统。所述方法包括：获取电压时序，即动态监测目标永磁电机的实时电压序列；通过特征分析模型进行多域特征分析，得目标特征集；输入至智能预测模型，得预测结果；符合条件时，激活环轭线圈，获取感应电势信号；提取目标周期内的目标感应电势信号与预定信号对比，得感应电势残差；根据残差定位退磁永磁体并预警处理。本申请解决了现有技术中工业机器人电机退磁故障预警存在的对退磁故障发生位置和程度的判断不准确，导致退磁故障预警不准确的技术问题，实现了准确预警工业机器人电机退磁故障，提高预警效率和精度，降低电机故障风险的效果。

Description

一种工业机器人电机故障预警方法及系统

技术领域

本申请涉及电机状态监测技术领域，具体涉及电机故障预警技术领域，尤其涉及一种工业机器人电机故障预警方法及系统。

背景技术

随着工业自动化水平的不断提升，工业机器人已经成为现代生产线上的关键设备，其电机的稳定运行对于保障生产效率和产品质量至关重要。然而，在实际应用中，工业机器人电机退磁故障频发，给生产带来了严重的影响。电机退磁不仅会导致机器人性能下降，还可能引发更严重的生产事故，如生产线中断、产品质量下降甚至设备损坏等。传统的电机退磁故障预警方法存在着预警准确性低、反应速度慢等问题。由于无法准确判断退磁故障的发生位置和程度，预警往往不够精准，难以及时有效地应对故障，导致故障进一步扩大，增加了维修成本和生产风险。

发明内容

本申请通过提供了一种工业机器人电机故障预警方法及系统，旨在解决现有技术中工业机器人电机退磁故障预警存在的对退磁故障发生位置和程度的判断不准确，导致退磁故障预警不准确的技术问题。

鉴于上述问题，本申请提供了一种工业机器人电机故障预警方法及系统。

本申请公开的第一个方面，提供了一种工业机器人电机故障预警方法，所述方法包括：获取电压时序，所述电压时序是指动态监测到的目标永磁电机的实时电压序列；通过特征分析模型对所述实时电压序列进行多域特征分析，得到目标特征集；将所述目标特征集输入至智能预测模型，得到目标预测结果，其中，所述智能预测模型为有监督学习电机退磁故障数据库中的数据并融合得到集成预测模型；当所述目标预测结果符合预定条件约束时，激活所述目标永磁电机上的环轭线圈，并通过所述环轭线圈获取感应电势信号；将基于目标周期提取到的所述感应电势信号中的目标感应电势信号与预定感应电势信号进行对比，得到感应电势残差；根据所述感应电势残差定位退磁永磁体得到目标退磁永磁体，并对所述目标退磁永磁体进行预警处理。

本申请公开的另一个方面，提供了一种工业机器人电机故障预警系统，所述系统包括：动态监测模块，所述动态监测模块用于获取电压时序，所述电压时序是指动态监测到的目标永磁电机的实时电压序列；特征分析模块，所述特征分析模块用于通过特征分析模型对所述实时电压序列进行多域特征分析，得到目标特征集；预测结果获取模块，所述预测结果获取模块用于将所述目标特征集输入至智能预测模型，得到目标预测结果，其中，所述智能预测模型为有监督学习电机退磁故障数据库中的数据并融合得到集成预测模型；线圈激活模块，所述线圈激活模块用于当所述目标预测结果符合预定条件约束时，激活所述目标永磁电机上的环轭线圈，并通过所述环轭线圈获取感应电势信号；信号对比模块，所述信号对比模块用于将基于目标周期提取到的所述感应电势信号中的目标感应电势信号与预定感应电势信号进行对比，得到感应电势残差；预警处理模块，所述预警处理模块用于根据所述感应电势残差定位退磁永磁体得到目标退磁永磁体，并对所述目标退磁永磁体进行预警处理。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

上述一种工业机器人电机故障预警方法，该方法实时获取电机的电压时序数据，这些数据反映了电机的运行状态。随后，通过特征分析模型对这些电压数据进行深入处理，提取出关键的特征信息。之后，将这些特征数据输入智能预测模型中，这个模型能够基于融合的电机退磁故障数据库进行预测，判断出电机存在退磁故障的可能性。当预测结果达到预设的警戒条件时，会激活电机上的环轭线圈，用来捕获感应电势信号。通过对比捕获的信号与预定的标准信号，计算出感应电势残差。然后，根据这些残差，可以精准地定位到发生退磁的永磁体，并对其进行预警处理，从而及时防范可能出现的故障，保障电机的正常运行。该方法通过实时监测、特征分析、智能预测和信号对比等步骤，实现了对工业机器人永磁电机退磁故障的精准预警和处理，提升了电机的可靠性和稳定性。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为一个实施例中一种工业机器人电机故障预警方法的流程示意图；

图2为一个实施例中一种工业机器人电机故障预警系统架构图。

附图标记说明：动态监测模块1，特征分析模块2，预测结果获取模块3，线圈激活模块4，信号对比模块5，预警处理模块6。

具体实施方式

本申请实施例通过提供一种工业机器人电机故障预警方法及系统，解决现有技术中工业机器人电机退磁故障预警存在的对退磁故障发生位置和程度的判断不准确，导致退磁故障预警不准确的技术问题。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。

实施例一

如图1所示，本申请提供了一种工业机器人电机故障预警方法，所述方法包括：

获取电压时序，所述电压时序是指动态监测到的目标永磁电机的实时电压序列；

电机是工业机器人的核心部件，其运行状态直接影响到整个生产线的效率和稳定性。一旦电机出现故障，不仅可能导致生产线的停滞，还可能对设备造成进一步的损害。因此，通过预警方法及时发现电机故障，可以迅速采取措施，避免故障扩大，减少停机时间，提高生产效率。

在本申请实施例中，系统终端获取电压时序是工业机器人电机故障预警过程中的一个关键步骤。这一步骤是通过实时监测目标永磁电机的运行状态，动态地收集并记录电机的实时电压数据，形成实时电压序列。这些数据序列能够反映出电机在不同工作状态下的电压变化情况，为后续的故障预警提供重要依据。通过获取这些电压时序数据，可以更准确地了解电机的运行状况，及时发现潜在故障，并采取相应措施进行预警和处理，从而确保工业机器人的稳定运行和生产效率。

通过特征分析模型对所述实时电压序列进行多域特征分析，得到目标特征集；

在一个实施例中，在工业机器人电机故障预警过程中，对实时电压序列进行多域特征分析是至关重要的一步。具体来说，系统终端利用预先构建的特征分析模型对收集到的电压时序数据进行深入处理，通过提取多个领域的特征信息，如电压时域特征、电压频域特征等，来全面反映电机的运行状态。这个过程能够帮助系统终端更准确地识别电机可能存在的故障模式，从而得到一组具有代表性和区分度的目标特征集。这些特征集为后续的智能预测和故障定位提供了重要的输入信息，使得系统终端能够更精准地判断电机的健康状况，并及时发出预警信号，确保工业机器人的安全和稳定运行。

进一步，本申请提供了通过特征分析模型对所述实时电压序列进行多域特征分析，得到目标特征集，包括：

所述特征分析模型包括单域分析器和融合域分析器，其中，所述单域分析器包括时域分析层和频域分析层；

优选的，特征分析模型在电机故障预警中具有重要意义。这个模型由单域分析器和融合域分析器构成。单域分析器又进一步细分为时域分析层和频域分析层。时域分析层主要关注电压时序数据随时间的变化情况，提取如电压峰值、波动率等电压时域特征集；而频域分析层则关注电压数据的频率特性，从傅里叶变换后的实时电压序列中提取频率成分、频谱分布等电压频域特征集。融合域分析器则负责将实时电压序列进行分解，得到多个模态分量。在时域分析层中，系统终端提取电压时序数据的时域特征。这包括平均值、方差、偏度、方根幅值等为有量纲时域特征指标，以及峰值指标、脉冲指标、裕度指标等无量纲时域特征指标。在频域分析层中，系统终端从傅里叶变换后的结果中提取频域特征。这包括重心频率、均值频率、均方根频率等频域特征指标。在融合域分析器中，系统终端对实时电压序列进行分解处理，以获得多个模态分量，并计算各分量的能量比及样本熵特征。总结来说，通过上述的模型设计，可以使特征分析模型能够从多个角度对电机状态进行刻画，提高故障预警的准确性和可靠性。

通过所述时域分析层对所述实时电压序列进行特征提取分析，得到电压时域特征集；

通过所述频域分析层对傅里叶变换后的所述实时电压序列进行特征提取分析，得到电压频域特征集；

优选的，系统终端通过时域分析层对实时电压序列进行特征提取分析，从时间的维度上观察电压数据的变化情况。这个过程会提取出多种有量纲时域特征和无量纲时域特征，这些特征反映出电机运行时的电压稳定性、变化趋势等关键信息。具体来说，系统终端首先对实时电压序列进行预处理，去除其中异常值，并填充缺失值，以确保数据的准确性和连续性。随后，根据处理后的实时电压序列计算电压时序数据的算术平均值，反映电压的整体水平。再计算电压时序数据中的最大值与最小值的差，反映电压波动的范围。之后，计算电压时序数据的标准差，衡量电压值的离散程度。再计算电压时序数据的方差，也是衡量电压值离散程度的一个指标。然后，计算电压时序数据的偏度系数，描述电压分布的不对称性。再对电压时序数据取方根后求平均值，反映电压的某种能量分布特性。进一步，系统终端通过计算电压峰值与平均值的比值，衡量电压波动的极值情况。再基于电压时序数据的峰值和方根幅值计算，反映电压中的脉冲成分。随后，通过比较电压峰值和方根幅值，描述电压分布的宽裕程度。通过上述计算，系统终端得到用于描述有量纲时域特征的平均值、峰峰值、标准差、方差、偏度、方根幅值，以及用于描述无量纲时域特征的峰值指标、脉冲指标、裕度指标。之后，将提取到的有量纲和无量纲时域特征整合在一起，形成电压时域特征集。这个特征集将全面描述电压时序数据的统计特性和动态变化，为后续的电机故障预警提供了重要的时域视角。

在进行时域特征提取分析时，系统终端同时在频域分析层中进行了频域特征提取分析。首先，系统终端对处理后的实时电压序列数据进行傅里叶变换，将其从时域转换到频域。傅里叶变换是一种将时间域函数转换为频率域函数的方法，它可以将复杂的时域信号分解为一系列正弦波和余弦波的叠加。随后，根据电机故障预警的需求和领域知识，选择一系列与电压频域特性相关的特征。这些特征包括重心频率、均值频率、均方根频率等。其中，重心频率也称为频谱质心，它反映了频谱能量的集中位置，是通过计算频谱幅度谱的加权平均频率得到的。均值频率是频谱幅度谱中所有频率成分的平均值，它描述了频谱的中心趋势。均方根频率是频谱幅度谱的均方根值对应的频率，它反映了频谱的分散程度。之后，将提取到的频域特征整合在一起，形成电压频域特征集。这个特征集将全面描述电压在频域上的统计特性和分布规律为电机故障预警提供了频域视角的补充。总结来说，时域分析层主要从时间的维度提取电压特征，而频域分析层则从频率的维度提取特征。两者共同构成了对电机实时电压序列的全面分析，为后续的故障预警提供了丰富的特征信息。

所述融合域分析器对所述实时电压序列进行分解处理得到模态分解结果，所述模态分解结果包括多个模态分量；

优选的，融合域分析器对实时电压序列进行分解处理的过程，主要是将复杂的电压信号分解成多个模态分量。这些模态分量代表了电压信号中不同频率、不同特性的组成部分。通过模态分解，可以更深入地了解实时电压序列的内部结构和特性，从而更准确地识别电机故障或其他异常情况。具体来说，系统终端根据历史经验选择适当的白噪声幅值和添加次数。白噪声的添加是为了解决经验模态分解（EMD）方法中的模态混叠问题，提高分解的稳定性。再确定总体平均次数，即多次添加白噪声并进行经验模态分解后，对得到的模态分量进行平均的次数，以减少白噪声对最终结果的影响。随后，在原始电压时序数据中多次添加不同实现的白噪声。并对每次添加白噪声后的数据进行经验模态分解，得到一系列包含噪声的模态分量。之后，将多次EMD分解得到的模态分量进行总体平均，以消除白噪声的影响。通过平均，可以得到更加稳定、准确的模态分解结果。然后，从总体平均后的结果中提取出最终的模态分量。这些模态分量代表了原始电压时序数据中不同时间尺度和频率成分的特性，且已经消除了白噪声的影响。最后，将提取出的模态分量作为集合经验模态分解（EEMD）的分解结果输出。这些模态分量将进一步用于后续的故障预警，提高电机故障预警的准确性和可靠性。总结来说，融合域分析器通过模态分解技术，将实时电压序列分解为多个模态分量，为后续的故障预警和模式识别提供了重要的信息基础。

引入预定模态分量权重评估函数对所述多个模态分量进行评估筛选，得到目标模态分量；

所述电压时域特征集、所述电压频域特征集与所述目标模态分量的目标分量特征集共同组成所述目标特征集。

优选的，系统终端引入一个预定的模态分量权重评估函数，该函数用于评估多个模态分量的重要性。通过这个函数，系统终端可以对多个模态分量进行降序排列，并从中选择出权重最大的一个模态分量作为目标模态分量。随后，将获取的电压时域特征集和电压频域特征集与目标模态分量的特征集合并，共同构成了一个综合的目标特征集。这个特征集能够更全面、准确地反映输电线路的状态和行为，为后续的分析和预警提供了有力的数据支持。

进一步，本申请提供了引入预定模态分量权重评估函数对所述多个模态分量进行评估筛选，得到目标模态分量，方法还包括：

提取所述多个模态分量中的第一模态分量；

根据所述预定模态分量权重评估函数分析得到所述第一模态分量的第一权重，其中，所述预定模态分量权重评估函数的表达式如下：

；

可选的，从众多模态分量中随机提取出一个模态分量作为第一模态分量。随后，为了评估这个第一模态分量的重要性，系统终端使用了预定的模态分量权重评估函数。这个函数基于两个主要指标进行计算，分别是第一模态分量的特征信息量以及它与实时电压序列的相关系数值。具体来说，函数中的代表第一模态分量的权重。表示这个模态分量的特征信息量，它反映了模态分量包含的信息丰富程度。而则是实时电压序列的总特征信息量，用于作为比较的基准。表示第一模态分量与实时电压序列之间的相关系数值。这个值越高，说明模态分量与实时电压序列之间的关联性越强。在函数中，和是两个系数，它们的和等于1。这两个系数用于调整特征信息量和相关系数值在权重计算中的相对重要性。系统终端通过计算第一模态分量的特征信息量与实时电压序列总特征信息量的比值，得到模态分量特征信息量的相对贡献。这个比值反映了第一模态分量在整个实时电压序列中的信息占比，即它包含了多少相对于整体的信息。这个比值越高，说明第一模态分量包含的信息越多，对整体时序的贡献也就越大。随后，加上模态分量与实时电压序列的相关系数值，通过和的加权，最终得到第一模态分量的权重。这个过程综合考虑了模态分量的信息丰富程度以及它与实时电压序列的关联性，从而能够更准确地评估模态分量的重要性，为后续的分析和预警提供有力支持。

基于所述第一权重对所述多个模态分量进行降序，得到模态分量降序列表；

基于所述模态分量降序列表确定所述目标模态分量。

可选的，在模态分解的结果中，系统终端得到了多个模态分量，每个模态分量都基于预定模态分量权重评估函数获得了一个对应的权重值，这些权重值反映了各模态分量在整体信号中的重要程度。为了确定哪个模态分量是系统终端需要关注的目标模态分量，系统终端首先基于第一权重对这些模态分量进行降序排列。降序排列代表着权重越大的模态分量在列表中的位置越靠前。经过降序排列后，系统终端得到了一个模态分量降序列表。随后，利用预定分量指标对这个模态分量降序列表进行校验。如果校验正确，那么在这个列表中，第一位的模态分量对应的权重是最大的，即它在整个信号中占据了最重要的地位。因此，系统终端直接将列表第一位的模态分量作为目标模态分量。通过这种方式，可以快速而准确地从众多模态分量中识别出目标模态分量，为后续的分析和处理提供了重要的依据。

进一步，本申请提供了，得到所述目标分量特征集，方法还包括：

读取预定分量指标，并基于所述预定分量指标分析得到所述目标分量特征集，其中，所述预定分量指标包括能量比和样本熵。

可选的，为了深入了解目标模态分量的特性，系统终端读取了一系列预定分量指标，这些指标包括能量比和样本熵等。能量比可以反映模态分量在整体信号中的能量占比，从而帮助了解该分量在信号中的重要程度。而样本熵则是一种衡量信号复杂性和不规则性的指标，有助于分析模态分量的动态变化特性。在读取了这些预定分量指标之后，系统终端用每个模态分量的能量与实时电压序列的能量，即所有模态分量的总能量进行比值运算，得到每个模态分量的能量比。随后，系统终端对每个模态分量设定一个嵌入维度和一个相似度阈值。再重构长度为确定的嵌入维度的模板向量。之后，对于每个模板向量，计算它与后续模板向量之间的距离。统计距离小于相似度阈值的数量，再计算小于相似度阈值的数量与重构模板向量总个数的比值及其均值，最终计算出信号的样本熵值。然后，通过将计算出的能量比与样本熵值与预定分量指标中的能量比和样本熵进行比较，判断出当前的模态分量降序列表的准确性，进而确定出准确的目标分量特征集。这些特征集将包含关于目标模态分量的关键信息，例如其能量分布、动态变化特性等。通过这样的分析过程，可以更加全面地了解目标模态分量的特性，为后续的故障预警等工作提供有力支持。

将所述目标特征集输入至智能预测模型，得到目标预测结果，其中，所述智能预测模型为有监督学习电机退磁故障数据库中的数据并融合得到集成预测模型；

在一个实施例中，目标特征集，作为包含目标模态分量关键信息的集合，将被输入到一个智能预测模型中进行预测。这个智能预测模型是基于有监督学习的方法，对电机退磁故障数据库中的数据和预定永磁电机的预定电压时序进行学习和训练得到的。在训练过程中，为了提升预测的准确性和稳定性，系统终端利用多种预测方法，形成了一个集成预测模型。当目标特征集输入到这个集成预测模型后，模型会利用其内部学习到的规律和模式，对电机的状态进行预测。这种预测能够反映电机是否可能发生退磁故障，从而为电机的维护和故障预警提供重要依据。

进一步，本申请提供了所述智能预测模型为有监督学习电机退磁故障数据库中的数据并融合得到集成预测模型，方法还包括：

提取所述电机退磁故障数据库中的第一退磁故障数据，所述第一退磁故障数据包括第一退磁电压特征集和第一标识；

获取预定永磁电机的预定电压时序，所述预定永磁电机具备第二标识；

优选的，系统终端从电机退磁故障数据库中提取了第一退磁故障数据，这些数据包含了与退磁故障相关的电压特征集，并且这些数据具有故障标识，即第一标识。随后，获取了一台预定永磁电机的电压时序数据。这台预定永磁电机是没有发生退磁故障的永磁电机，具有优良无退磁故障标识，即第二标识。通过对第一退磁故障数据和预定永磁电机的电压时序数据的获取，可以为后续智能预测模型的训练提供丰富的数据来源。

通过所述特征分析模型获取所述预定电压时序的预定特征集；

将基于所述第一退磁电压特征集和所述第一标识组建的第一数据组，与所述预定特征集和所述第二标识组建的第二数据组合并，得到目标数据组；

优选的，系统终端利用特征分析模型对预定永磁电机的预定电压时序进行了处理，提取出了与该电机相关的预定特征集。这些特征集包含了电机的电压变化、波动等重要信息，有助于了解预定永磁电机的运行状态。随后，将第一数据组和第二数据组进行合并，即将第一数据组中的第一退磁电压特征集和第一标识组与第二数据组中的预定特征集和第二标识进行合并，形成一个新的目标数据组。这个数据组包含了退磁故障数据和正常电机的数据，为后续进行模型的训练提供了丰富的数据源。

根据所述目标数据组训练得到所述智能预测模型。

优选的，系统终端基于构建的目标数据组，划分出多个数据组，每个数据组既包含了退磁故障的特征和标识，也包含了正常电机的特征和标识，因此非常全面和具有代表性，并且每个数据组对应一个预测模型，用于对这个模型进行训练。经过训练后，系统终端能够获得三个故障预测模型，并基于这三个预测模型搭建出智能预测模型。这个智能预测模型就能够根据输入的电机数据，预测电机是否存在退磁故障的风险。这样，就能够通过这个模型，提前发现潜在的退磁故障，为电机的维护和保养提供重要的参考依据。

进一步，本申请提供了根据所述目标数据组训练得到所述智能预测模型，方法还包括：

对所述目标数据组进行划分得到划分结果；

基于支持向量机原理对所述划分结果中的第一划分数据组进行有监督学习得到故障预测支持向量机；

可选的，系统终端对目标数据组进行了划分，将其分为三个不同的数据子集，这有助于系统终端更有效地利用这些数据进行模型的训练。随后，系统终端将径向基函数（RBF）作为支持向量机的核函数。RBF核函数可以将输入数据映射到无穷维的特征空间，使其适用于处理非线性可分的问题。之后，根据具体数据和任务特性设置支持向量机的惩罚参数，以避免过拟合或欠拟合，惩罚参数决定了对误分类样本的惩罚程度。再设置核函数的宽度参数（gamma）。gamma控制了RBF核的局部性，较小的gamma值使得决策边界更加平滑，而较大的gamma值则使决策边界更加复杂。然后，使用第一划分数据组中的特征集作为输入，对应的标识作为输出，利用选择的RBF核函数进行支持向量机的训练。支持向量机会利用RBF核函数将数据映射到高维空间，并寻找一个超平面来最大化不同类别之间的间隔，从而得到一个分类决策边界。最后，使用交叉验证对模型进行评估，通过调整参数C和gamma，找到最优的模型参数组合。经过上述步骤的训练和优化后，系统终端得到一个使用RBF核函数的故障预测支持向量机模型，用于退磁故障预测。该模型能够根据输入的特征集，利用RBF核函数进行映射和分类，预测电机是否可能发生退磁故障。

基于极限学习机原理对所述划分结果中的第二划分数据组进行有监督学习得到故障预测极限学习机；

可选的，系统终端首先对极限学习机进行初始化，随机设置输入权重和偏置。随后，使用第二划分数据组的特征集作为输入，通过随机初始化的输入权重和偏置，将输入数据映射到隐含层的神经元上。之后，将隐含层的结果映射到输出层，即计算预测输出。通过比较预测输出与标识，计算误差。再利用这些误差信息，通过最小二乘法计算输出权重，使得预测输出尽可能接近真实输出。经过上述步骤，完成极限学习机模型训练。此时，极限学习机模型已经学会了从输入特征中识别出与退磁故障相关的模式。然后，同样使用交叉验证对训练好的极限学习机模型进行评估，查看其在未见过的数据上的预测准确性。根据评估结果，对模型进行进一步的调整，以提高其预测性能。最终，系统终端得到一个训练和优化好的故障预测极限学习机模型，用于退磁故障预测。该模型能够根据输入的特征集，快速并准确地预测电机是否可能发生退磁故障。

基于神经网络原理对所述划分结果中的第三划分数据组进行有监督学习得到故障预测神经网络；

可选的，系统终端根据问题的复杂性和数据的特性，设计神经网络的结构，包括确定输入层、隐藏层和输出层的神经元数量，并设置相应的超参数。再选择Sigmoid作为隐藏层的激活函数。Sigmoid函数可以将任意输入值映射到0到1之间的输出值，适用于二分类问题的输出层。随后，系统终端随机初始化神经网络的权重和偏置，并在后续的训练过程中进行更新。之后，将第三划分数据组的特征集作为输入，通过神经网络进行前向传播。在前向传播过程中，输入数据经过每一层的计算，并使用Sigmoid激活函数对隐藏层的输出进行非线性变换，最终得到输出层的预测结果。然后，使用交叉熵损失函数来计算模型预测与标识之间的差异。并根据计算得到的损失，使用反向传播算法计算梯度，并通过梯度下降更新神经网络的权重和偏置。最后，使用预留的验证集对训练好的神经网络进行评估，查看其在未见过的数据上的预测准确性。根据评估结果，对神经网络的结构、超参数进一步优化，以提高模型的性能。经过上述步骤的训练和优化后，得到一个使用Sigmoid激活函数的故障预测神经网络模型。该模型能够根据输入的特征集，通过学习和识别与退磁故障相关的模式，进行准确的故障预测。

将所述故障预测极限学习机和所述故障预测神经网络作为初级预测器，将所述故障预测支持向量机作为元预测器；

基于所述初级预测器与所述元预测器搭建所述智能预测模型。

可选的，智能预测模型的构建过程涉及多个预测器的组合与协同工作。首先，系统终端将极限学习机和神经网络分别作为初级预测器，即故障预测极限学习机和故障预测神经网络。这两种方法都有各自的优势，极限学习机训练速度快且泛化能力强，而神经网络则具有强大的非线性映射能力。它们基于不同的原理对同一组数据进行学习，并输出各自的预测结果。随后，将支持向量机作为元预测器，即故障预测支持向量机。支持向量机在分类任务中具有较大的优势，特别是在处理高维数据和复杂分类边界时。它的作用是对初级预测器的输出结果进行进一步的融合与优化，以提高整体预测的准确性。之后，系统终端基于这些初级预测器和元预测器搭建智能预测模型。智能预测模型将目标特征集输入到故障预测极限学习机和故障预测神经网络中，得到各自的预测结果。然后，将这些预测结果作为新的特征输入到故障预测支持向量机中，进行最终的预测。通过这种方式，智能预测模型能够充分利用不同预测器的优势，提高预测的准确性和稳定性。总的来说，智能预测模型的构建是一个集成学习的过程，通过组合多个预测器并发挥它们各自的优点，实现更精确、更稳定的预测效果。

当所述目标预测结果符合预定条件约束时，激活所述目标永磁电机上的环轭线圈，并通过所述环轭线圈获取感应电势信号；

在一个实施例中，当智能预测模型给出的目标预测结果满足预定的条件约束，即模型预测目标永磁电机存在退磁故障时，系统终端会立即激活电机上的环轭线圈。这一激活动作是为了通过环轭线圈进一步获取感应电势信号。感应电势信号是反映电机内部电磁状态的重要参数，通过分析这些信号，可以进一步确认退磁故障的存在与否，从而为后续的故障处理提供准确依据。因此，这一步骤是故障预警过程中的关键环节，能够确保及时发现并处理潜在的退磁故障，保障电机的正常运行。

将基于目标周期提取到的所述感应电势信号中的目标感应电势信号与预定感应电势信号进行对比，得到感应电势残差；

在一个实施例中，在提取目标周期内的感应电势信号后，系统终端对这些信号进行进一步的分析。这个目标周期是指对目标永磁电机中所有永磁体依次感应一遍的完整周期。具体地说，系统终端提取目标感应电势信号与预先设定的感应电势信号，并进行对比。这一对比过程旨在找出两者之间的差异，即感应电势残差。感应电势残差反映了目标感应电势信号与正常状态下的感应电势信号之间的偏差。如果这个残差很小，说明目标感应电势信号与预定信号非常接近，这代表目标永磁电机处于正常工作状态。相反，如果残差较大，那么代表存在异常或故障。因此，感应电势残差的计算不仅是对信号的一种量化分析，也是诊断目标永磁电机状态的重要依据。通过对比目标感应电势信号与预定感应电势信号，可以更加准确地了解目标永磁电机的实际工作情况。

进一步，本申请提供了将基于目标周期提取到的所述感应电势信号中的目标感应电势信号与预定感应电势信号进行对比，得到感应电势残差，方法还包括：

获取第一永磁体；

基于所述第一永磁体分别提取所述目标感应电势信号中的第一目标感应电势和所述预定感应电势信号中的第一预定感应电势，其中，所述预定感应电势信号是所述预定永磁电机的感应电势信号；

根据对比所述第一目标感应电势与所述第一预定感应电势得到的第一感应电势残差生成所述感应电势残差。

优选的，系统终端获取第一永磁体作为分析的起点。随后，基于这个第一永磁体，分别提取了目标感应电势信号中的第一目标感应电势和预定感应电势信号中的第一预定感应电势。这里，预定感应电势信号是指预定永磁电机的感应电势信号，它代表了一种正常的电机状态。之后，系统终端对第一目标感应电势和第一预定感应电势进行比对，通过计算它们之间的差异得到了第一感应电势残差。这个残差能够反映实际感应电势与预期感应电势之间的偏差，从而帮助系统终端了解电机的实际工作状态。然后，基于这些对比和计算，系统终端生成了感应电势残差，这个残差是后续确定电机状态的重要依据。总结来说，这个过程就是通过对比实际和预定的感应电势信号，来量化和分析电机的工作状态偏差，从而为后续的故障预测提供了重要数据。

进一步，本申请提供了进行退磁预警处理，方法还包括：

判断所述第一感应电势残差是否为0，若否，获取所述第一永磁体的第一位置，并对所述第一位置进行退磁预警处理。

可选的，在获取了第一感应电势残差之后，系统终端首先判断这个残差是否为0。如果残差不是0，那么代表实际的第一目标感应电势与预期的第一预定感应电势之间存在偏差，即电机的实际工作状态与预期状态不一致。在这种情况下，系统终端进一步获取第一永磁体的位置信息，即第一位置。这个位置信息对于后续的故障定位和维护至关重要。随后，对这个位置进行退磁预警处理。退磁预警处理是一种预防措施，旨在提前警示用户注意该位置可能出现的退磁问题，以便及时采取维护措施，防止故障的发生或扩大。

根据所述感应电势残差定位退磁永磁体得到目标退磁永磁体，并对所述目标退磁永磁体进行预警处理。

在一个实施例中，系统终端根据分析计算得到的感应电势残差，进一步定位到具体哪个永磁体出现了退磁现象，并将这个永磁体定义为目标退磁永磁体。感应电势残差反映了电机中各个永磁体的工作状态与预期状态之间的差异，因此，通过分析这些残差，系统终端能够精确地找出问题所在。一旦确定了目标退磁永磁体，系统终端会立即对其进行预警处理。预警处理是一种及时响应机制，旨在提醒用户注意该永磁体的退磁问题，以便能够及时采取措施进行修复或更换，防止故障进一步扩大或影响整个电机的正常运行。总结来说，通过分析感应电势残差，能够精准地定位到退磁的永磁体，并通过预警处理来及时应对潜在的安全隐患，确保电机的稳定运行。

综上所述，本申请实施例至少具有如下技术效果：

本申请实施例通过动态监测获取目标永磁电机的实时电压序列，并使用特征分析模型对时序进行多域特征分析，从而得到目标特征集。这一特征集包括电压的时域和频域特征，以及经过模态分解和筛选的目标模态分量特征。随后，将目标特征集输入到智能预测模型中，该模型是通过有监督学习电机退磁故障数据库中的数据并融合得到的集成预测模型。模型训练过程涉及数据的提取、特征集的获取以及数据组的合并，然后基于不同的学习原理进行有监督学习，最终搭建集成预测模型。当智能预测模型的结果符合预定条件时，激活目标永磁电机上的环轭线圈，获取感应电势信号。之后，通过对比目标感应电势信号与预定感应电势信号，得到感应电势残差。这一步涉及特定永磁体的感应电势提取和对比，从而判断是否存在退磁现象。然后，根据感应电势残差定位退磁永磁体，并对目标退磁永磁体进行预警处理。如果感应电势残差不为零，则代表存在退磁风险，会获取退磁永磁体的位置信息并进行预警处理。这些技术效果共同解决了现有技术中工业机器人电机退磁故障预警存在的对退磁故障发生位置和程度的判断不准确，导致退磁故障预警不准确的技术问题，实现了准确预警工业机器人电机退磁故障，提高预警效率和精度，降低电机故障风险的效果。

实施例二

基于与前述实施例中一种工业机器人电机故障预警方法相同的发明构思，如图2所示，本申请提供了一种工业机器人电机故障预警系统，所述系统包括：

动态监测模块1：所述动态监测模块1用于获取电压时序，所述电压时序是指动态监测到的目标永磁电机的实时电压序列；

特征分析模块2：所述特征分析模块2用于通过特征分析模型对所述实时电压序列进行多域特征分析，得到目标特征集；

预测结果获取模块3：所述预测结果获取模块3用于将所述目标特征集输入至智能预测模型，得到目标预测结果，其中，所述智能预测模型为有监督学习电机退磁故障数据库中的数据并融合得到集成预测模型；

线圈激活模块4：所述线圈激活模块4用于当所述目标预测结果符合预定条件约束时，激活所述目标永磁电机上的环轭线圈，并通过所述环轭线圈获取感应电势信号；

信号对比模块5：所述信号对比模块5用于将基于目标周期提取到的所述感应电势信号中的目标感应电势信号与预定感应电势信号进行对比，得到感应电势残差；

预警处理模块6：所述预警处理模块6用于根据所述感应电势残差定位退磁永磁体得到目标退磁永磁体，并对所述目标退磁永磁体进行预警处理。

进一步地，所述特征分析模块2还用于执行如下方法：

所述特征分析模型包括单域分析器和融合域分析器，其中，所述单域分析器包括时域分析层和频域分析层；

通过所述时域分析层对所述实时电压序列进行特征提取分析，得到电压时域特征集；

通过所述频域分析层对傅里叶变换后的所述实时电压序列进行特征提取分析，得到电压频域特征集；

所述融合域分析器对所述实时电压序列进行分解处理得到模态分解结果，所述模态分解结果包括多个模态分量；

引入预定模态分量权重评估函数对所述多个模态分量进行评估筛选，得到目标模态分量；

所述电压时域特征集、所述电压频域特征集与所述目标模态分量的目标分量特征集共同组成所述目标特征集。

进一步地，所述特征分析模块2还用于执行如下方法：

提取所述多个模态分量中的第一模态分量；

根据所述预定模态分量权重评估函数分析得到所述第一模态分量的第一权重，其中，所述预定模态分量权重评估函数的表达式如下：

；

其中，表征所述第一模态分量的所述第一权重，表征所述第一模态分量的特征信息量，表征所述实时电压序列的总特征信息量，征所述第一模态分量与所述实时电压序列的相关系数值，和分别为第一系数和第二系数，；

基于所述第一权重对所述多个模态分量进行降序，得到模态分量降序列表；

基于所述模态分量降序列表确定所述目标模态分量。

进一步地，所述特征分析模块2还用于执行如下方法：

读取预定分量指标，并基于所述预定分量指标分析得到所述目标分量特征集，其中，所述预定分量指标包括能量比和样本熵。

进一步地，所述预测结果获取模块3还用于执行如下方法：

提取所述电机退磁故障数据库中的第一退磁故障数据，所述第一退磁故障数据包括第一退磁电压特征集和第一标识；

获取预定永磁电机的预定电压时序，所述预定永磁电机具备第二标识；

通过所述特征分析模型获取所述预定电压时序的预定特征集；

将基于所述第一退磁电压特征集和所述第一标识组建的第一数据组，与所述预定特征集和所述第二标识组建的第二数据组合并，得到目标数据组；

根据所述目标数据组训练得到所述智能预测模型。

进一步地，所述预测结果获取模块3还用于执行如下方法：

对所述目标数据组进行划分得到划分结果；

基于支持向量机原理对所述划分结果中的第一划分数据组进行有监督学习得到故障预测支持向量机；

基于极限学习机原理对所述划分结果中的第二划分数据组进行有监督学习得到故障预测极限学习机；

基于神经网络原理对所述划分结果中的第三划分数据组进行有监督学习得到故障预测神经网络；

将所述故障预测极限学习机和所述故障预测神经网络作为初级预测器，将所述故障预测支持向量机作为元预测器；

基于所述初级预测器与所述元预测器搭建所述智能预测模型。

进一步地，所述信号对比模块5还用于执行如下方法：

获取第一永磁体；

基于所述第一永磁体分别提取所述目标感应电势信号中的第一目标感应电势和所述预定感应电势信号中的第一预定感应电势，其中，所述预定感应电势信号是所述预定永磁电机的感应电势信号；

根据对比所述第一目标感应电势与所述第一预定感应电势得到的第一感应电势残差生成所述感应电势残差。

进一步地，所述信号对比模块5还用于执行如下方法：

判断所述第一感应电势残差是否为0，若否，获取所述第一永磁体的第一位置，并对所述第一位置进行退磁预警处理。

需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。在附图中描绘的过程不一定要求示出的特定顺序和连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (8)

1.一种工业机器人电机故障预警方法，其特征在于，包括：

获取电压时序，所述电压时序是指动态监测到的目标永磁电机的实时电压序列；

通过特征分析模型对所述实时电压序列进行多域特征分析，得到目标特征集；

将所述目标特征集输入至智能预测模型，得到目标预测结果，其中，所述智能预测模型为有监督学习电机退磁故障数据库中的数据并融合得到集成预测模型，包括：

提取所述电机退磁故障数据库中的第一退磁故障数据，所述第一退磁故障数据包括第一退磁电压特征集和第一标识；

获取预定永磁电机的预定电压时序，所述预定永磁电机具备第二标识；

通过所述特征分析模型获取所述预定电压时序的预定特征集；

将基于所述第一退磁电压特征集和所述第一标识组建的第一数据组，与所述预定特征集和所述第二标识组建的第二数据组合并，得到目标数据组；

根据所述目标数据组训练得到所述智能预测模型；

当所述目标预测结果符合预定条件约束时，激活所述目标永磁电机上的环轭线圈，并通过所述环轭线圈获取感应电势信号；

将基于目标周期提取到的所述感应电势信号中的目标感应电势信号与预定感应电势信号进行对比，得到感应电势残差；

根据所述感应电势残差定位退磁永磁体得到目标退磁永磁体，并对所述目标退磁永磁体进行预警处理。

2.如权利要求1所述的方法，其特征在于，通过特征分析模型对所述实时电压序列进行多域特征分析，得到目标特征集，包括：

所述特征分析模型包括单域分析器和融合域分析器，其中，所述单域分析器包括时域分析层和频域分析层；

通过所述时域分析层对所述实时电压序列进行特征提取分析，得到电压时域特征集；

通过所述频域分析层对傅里叶变换后的所述实时电压序列进行特征提取分析，得到电压频域特征集；

所述融合域分析器对所述实时电压序列进行分解处理得到模态分解结果，所述模态分解结果包括多个模态分量；

引入预定模态分量权重评估函数对所述多个模态分量进行评估筛选，得到目标模态分量；

所述电压时域特征集、所述电压频域特征集与所述目标模态分量的目标分量特征集共同组成所述目标特征集。

3.如权利要求2所述的方法，其特征在于，引入预定模态分量权重评估函数对所述多个模态分量进行评估筛选，得到目标模态分量，包括：

提取所述多个模态分量中的第一模态分量；

根据所述预定模态分量权重评估函数分析得到所述第一模态分量的第一权重，其中，所述预定模态分量权重评估函数的表达式如下：

；

其中，表征所述第一模态分量的所述第一权重，表征所述第一模态分量的特征信息量，表征所述实时电压序列的总特征信息量，表征所述第一模态分量与所述实时电压序列的相关系数值，和分别为第一系数和第二系数，且；

基于所述第一权重对所述多个模态分量进行降序，得到模态分量降序列表；

基于所述模态分量降序列表确定所述目标模态分量。

4.如权利要求2所述的方法，其特征在于，读取预定分量指标，并基于所述预定分量指标分析得到所述目标分量特征集，其中，所述预定分量指标包括能量比和样本熵。

5.如权利要求1所述的方法，其特征在于，根据所述目标数据组训练得到所述智能预测模型，包括：

对所述目标数据组进行划分得到划分结果；

基于支持向量机原理对所述划分结果中的第一划分数据组进行有监督学习得到故障预测支持向量机；

基于极限学习机原理对所述划分结果中的第二划分数据组进行有监督学习得到故障预测极限学习机；

基于神经网络原理对所述划分结果中的第三划分数据组进行有监督学习得到故障预测神经网络；

将所述故障预测极限学习机和所述故障预测神经网络作为初级预测器，将所述故障预测支持向量机作为元预测器；

基于所述初级预测器与所述元预测器搭建所述智能预测模型。

6.如权利要求1所述的方法，其特征在于，将基于目标周期提取到的所述感应电势信号中的目标感应电势信号与预定感应电势信号进行对比，得到感应电势残差，包括：

获取第一永磁体；

基于所述第一永磁体分别提取所述目标感应电势信号中的第一目标感应电势和所述预定感应电势信号中的第一预定感应电势，其中，所述预定感应电势信号是预定永磁电机的感应电势信号；

根据对比所述第一目标感应电势与所述第一预定感应电势得到的第一感应电势残差生成所述感应电势残差。

7.如权利要求6所述的方法，其特征在于，判断所述第一感应电势残差是否为0，若否，获取所述第一永磁体的第一位置，并对所述第一位置进行退磁预警处理。

8.一种工业机器人电机故障预警系统，其特征在于，用于实施权利要求1至7中任意一项所述一种工业机器人电机故障预警方法的步骤，包括：

动态监测模块：获取电压时序，所述电压时序是指动态监测到的目标永磁电机的实时电压序列；

特征分析模块：通过特征分析模型对所述实时电压序列进行多域特征分析，得到目标特征集；

预测结果获取模块：将所述目标特征集输入至智能预测模型，得到目标预测结果，其中，所述智能预测模型为有监督学习电机退磁故障数据库中的数据并融合得到集成预测模型；

线圈激活模块：当所述目标预测结果符合预定条件约束时，激活所述目标永磁电机上的环轭线圈，并通过所述环轭线圈获取感应电势信号；

信号对比模块：将基于目标周期提取到的所述感应电势信号中的目标感应电势信号与预定感应电势信号进行对比，得到感应电势残差；

预警处理模块：根据所述感应电势残差定位退磁永磁体得到目标退磁永磁体，并对所述目标退磁永磁体进行预警处理。