本发明涉及减速器故障诊断，具体涉及一种基于信息融合的不同工况下谐波减速器故障诊断方法及系统。
背景技术：
1、工业机器人作为工业自动化领域的重要组成部分，其需求量正逐年增多，应用领域也越来越广泛[1]。谐波减速器是一种结构紧凑、质量轻而减速比大、传动精确的高性能减速器，作为工业机器人的“关节”，其正常运行对于工业机器人安全、精准、可靠地工作具有至关重要的作用[2]。在实际的使用场景中，谐波减速器一般处于大负载和高扭矩的工作条件，易发生失效或者性能退化等问题，若其发生故障，将使工业机器人处于无法预知的运动状态，造成企业生产停滞，严重时甚至危及生产线工人的生命安全[3]。同时，谐波减速器现实运行工况复杂多变，仅依靠单一传感器获取的运行信息往往有限且不同工况振动数据的分布存在较大差异，给谐波减速器的故障诊断带来困难。因此，避免单一传感器难以获取全面运行信息易造成“误诊”问题以及实现不同工况下谐波减速器的有效诊断，对于保证工业机器人的精准、健康运行，具有重要的现实意义[4-5]。
2、近年来，随着人工智能的不断发展，深度学习方法凭借强大的自适应特征提取能力已经被广泛应用于谐波减速器等旋转机械诊断领域[6]。文献[7]提出一种相位差频谱校正-互相关法，将获取的整周期数据用于谐波减速器故障诊断，取得了较好的诊断效果。文献[8]将电机电压信号用于卷积神经网络的训练，实现了对谐波减速器的故障诊断。文献[9]提出使用一维卷积神经网络提取时域信号特征进行故障诊断，利用工业机器人实际运行数据验证了所提方法的有效性。文献[10]将多尺度混合卷积神经网络用于工业机器人谐波减速器的故障诊断，准确率达到了97.08％。文献[11]先利用生成对抗网络生成数据，再结合多尺度卷积神经网络解决了谐波减速器不平衡数据的故障诊断问题。
3、深度学习方法为有效实现谐波减速器的故障诊断提供了思路，但在实际工业场景中，单一传感器获得的信息有限且容易受到传感器自身性能的影响，往往难以体现设备运行时的全部特征[12]。同时，用于检测谐波减速器的传感器通常会随工业机器人关节运动而运动，这可能进一步造成单一传感器获得的数据不全面或不稳定[13]。针对单个传感器无法提供较为全面的运行信息，容易造成错误诊断的问题，安装在不同位置的传感器可以获取到更完整全面的运行信息，因此利用多个传感器的数据进行故障诊断理论上能够有效降低“误诊”概率，提高诊断准确率[14]。近年来，国内外众多学者将多传感器信息融合技术应用到机械设备的故障诊断领域[15]。文献[16]提出一种多传感器融合卷积神经网络的故障诊断方法，并利用航空发动机轴承数据集进行验证，证明了该方法的有效性。文献[17]通过对行星齿轮箱多通道多征兆域信息进行深度特征提取，利用随机森林实现信息融合后进行故障诊断，得到较好的诊断效果。文献[18]利用多粒度级联森林模型综合压力、温度、流量等多种信号，实现了对液压泵的健康状态评估。
4、上述基于多传感器信息融合与深度学习的方法虽然能够实现设备的有效诊断，但都是基于训练数据和测试数据服从同一分布的场景。然而，实际工业生产中的谐波减速器运行工况复杂多变，不同工况下数据分布存在差异，且部分工况高质量带标签的数据稀缺或无法获取，难以满足训练深度学习模型所需的数据量，从而导致建立的故障诊断模型准确率和泛化性较差[19]。迁移学习则可以利用已知知识实现对相似领域中的问题求解。无监督领域自适应(unsupervised domain adaptation，uda)作为迁移学习的分支，可以通过挖掘源域与目标域的内部关联知识，弥合领域间的分布差异，借助源域知识帮助目标域网络完成学习，近年来被广泛应用于机械设备故障诊断中[20]。文献[21]针对不同负载滚动轴承的故障诊断问题，提出将深度置信网络与联合分布适配结合的方法，取得较好效果。文献[22]针对轴承跨域故障诊断问题，提出以最小化最大均值差异(maximum meandiscrepancy，mmd)作为目标函数进行优化，成功减小了源域和目标域的全局分布差异。文献[23]提出一种深度卷积对抗网络方法，通过wasserstein距离定义域适应损失，结合方差约束，实现了不同工况下轴承的故障诊断。文献[24]利用联合最大均值差异改进域适应损失，实现了滚动轴承由仿真数据到真实数据的无监督跨域迁移。
5、上述利用单一表示结构的网络提取样本特征，再结合数据分布全局对齐的方法在不同工况设备的故障诊断上取得了较好的效果，但是单一表示结构的网络可能只提取图像的亮度、色调和对比度等部分信息，从而获得扭曲或错误的图像信息，使诊断准确率不高[25]。同时，仅仅采用源域和目标域全局对齐的方式，忽视了源域和目标域子域间的关系，易造成每个类别中的细粒度信息丢失，同样会导致迁移效果不佳[26]。
技术实现思路
1、针对单一传感器信息获取有限、不同工况数据分布差异大，无监督跨域故障诊断准确率低的问题，本发明提出一种基于信息融合的不同工况下谐波减速器故障诊断方法及系统。
2、根据本发明的一方明，提出一种基于信息融合的不同工况下谐波减速器故障诊断方法，该方法包括以下步骤：
3、步骤一、采集不同状态的谐波减速器在不同位置的加速度信号；
4、步骤二、利用多个加速度信号构建样本集，所述样本集包括已知标签的某工况源域数据样本集和未知标签的另一工况目标域数据样本集；并将所述样本集分为训练样本和测试样本；
5、步骤三、对所述加速度信号进行预处理，获取二维时频图像；
6、步骤四、将预处理后的二维时频图像进行小波分解，得到其高频分量与低频分量，以预设的融合规则进行图像融合，得到融合图像；
7、步骤五、将训练样本对应的融合图像输入基于迁移学习的谐波减速器故障诊断模型中进行训练，获取训练好的谐波减速器故障诊断模型；其中所述训练样本包括源域训练样本和目标域训练样本；
8、步骤六、将目标域测试样本对应的融合图像本输入训练好的谐波减速器故障诊断模型，获取诊断结果。
9、进一步地，所述预处理包括对采集的一维加速度信号做小波变换，将原始的一维信号转换为二维时频图像。
10、进一步地，所述预设的融合规则为以高频分量取极大值、低频分量取均值的融合规则进行图像融合。
11、进一步地，所述基于迁移学习的谐波减速器故障诊断模型中引入多表示特征提取结构，并对残差网络进行改进；利用多表示特征计算源域和目标域的局部最大均值差异，将源域分类损失与子域适应损失共同作为网络训练损失，经过一定轮次迭代训练获得不同工况下谐波减速器的故障诊断模型。
12、进一步地，所述多表示特征提取结构包括多个互不相同的子结构，利用多表示特征提取结构替换残差网络中全局平均池化层以对残差网络进行改进。
13、进一步地，所述网络训练损失的表达式为：
14、
15、其中，f表示网络对样本的分类预测；ns表示源域的样本数量；j(·)代表交叉熵损失函数，即分类损失；表示第i个源域样本的标签；表示第i个源域样本的预测结果；λ表示域适应衰减项；dh表示源域和目标域特征分布之间差异的估计量；n表示网络的子结构数量；表示第i个子结构进行特征提取的复合运算；xs表示源域；xt表示目标域。
16、根据本发明的另一方面，提出一种基于信息融合的不同工况下谐波减速器故障诊断系统，该系统包括：
17、信号采集模块，其配置成采集不同状态的谐波减速器在不同位置的加速度信号；
18、数据预处理模块，其配置成利用多个加速度信号构建样本集，所述样本集包括已知标签的某工况源域数据样本集和未知标签的另一工况目标域数据样本集；并将所述样本集分为训练样本和测试样本；对所述加速度信号进行预处理，获取二维时频图像；
19、数据融合模块，其配置成将预处理后的二维时频图像进行小波分解，得到其高频分量与低频分量，以预设的融合规则进行图像融合，得到融合图像；所述预设的融合规则为以高频分量取极大值、低频分量取均值的融合规则进行图像融合；
20、模型训练模块，其配置成将训练样本对应的融合图像输入基于迁移学习的谐波减速器故障诊断模型中进行训练，获取训练好的谐波减速器故障诊断模型；其中所述训练样本包括源域训练样本和目标域训练样本；
21、检测模块，其配置成将目标域测试样本对应的融合图像本输入训练好的谐波减速器故障诊断模型，获取诊断结果。
22、进一步地，所述数据预处理模块中所述预处理包括对采集的一维加速度信号做小波变换，将原始的一维信号转换为二维时频图像。
23、进一步地，所述模型训练模块中所述基于迁移学习的谐波减速器故障诊断模型中引入多表示特征提取结构，并对残差网络进行改进；利用多表示特征计算源域和目标域的局部最大均值差异，将源域分类损失与子域适应损失共同作为网络训练损失，经过一定轮次迭代训练获得不同工况下谐波减速器的故障诊断模型。
24、进一步地，所述模型训练模块中所述多表示特征提取结构包括多个互不相同的子结构，利用多表示特征提取结构替换残差网络中全局平均池化层以对残差网络进行改进；所述网络训练损失的表达式为：
25、
26、其中，f表示网络对样本的分类预测；ns表示源域的样本数量；j(·)代表交叉熵损失函数，即分类损失；表示第i个源域样本的标签；表示第i个源域样本的预测结果；λ表示域适应衰减项；dh表示源域和目标域特征分布之间差异的估计量；n表示网络的子结构数量；表示第i个子结构进行特征提取的复合运算；xs表示源域；xt表示目标域。
27、本发明的有益技术效果是：
28、针对工业机器人谐波减速器不同工况数据分布差异大，部分工况数据标签缺失以及单一传感器获取信息不全面导致诊断准确率不高的问题，本发明提出一种基于信息融合的不同工况下谐波减速器故障诊断方法及系统。该方法将源域和目标域一维振动数据利用小波变换构建时频图；使用基于小波变换的图像融合方法整合多个传感器的时频信息并构建融合图像；提出多表示特征提取结构的改进残差网络以充分挖掘融合样本多表示特征，同时，在无监督场景下将源域和目标域融合样本的多表示特征进行子域适应处理，减小两域的各个子域间的分布差异，从而将知识从标签丰富的源域迁移到标签缺失的目标域，最终实现不同工况下谐波减速器的故障诊断。本发明综合利用多个传感器的运行信息，构建包含谐波减速器更全面运行信息的融合样本，并引入能覆盖融合样本更充分信息的多表示特征提取结构以改进残差网络；同时，结合局部最大均值差异(local maximum meandiscrepancy，lmmd)减小源域和目标域多表示特征的子域分布差异，最终实现无监督场景中不同工况下谐波减速器的有效诊断。
29、通过搭建工业机器人谐波减速器故障实验台并进行实测，本发明在所有迁移任务中平均准确率可达98.8％，能够有效实现无监督场景中不同工况下谐波减速器的故障诊断。
1.一种基于信息融合的不同工况下谐波减速器故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于信息融合的不同工况下谐波减速器故障诊断方法，其特征在于，所述预处理包括对采集的一维加速度信号做小波变换，将原始的一维信号转换为二维时频图像。
3.根据权利要求1所述的一种基于信息融合的不同工况下谐波减速器故障诊断方法，其特征在于，所述预设的融合规则为以高频分量取极大值、低频分量取均值的融合规则进行图像融合。
4.根据权利要求1所述的一种基于信息融合的不同工况下谐波减速器故障诊断方法，其特征在于，所述基于迁移学习的谐波减速器故障诊断模型中引入多表示特征提取结构，并对残差网络进行改进；利用多表示特征计算源域和目标域的局部最大均值差异，将源域分类损失与子域适应损失共同作为网络训练损失，经过一定轮次迭代训练获得不同工况下谐波减速器的故障诊断模型。
5.根据权利要求4所述的一种基于信息融合的不同工况下谐波减速器故障诊断方法，其特征在于，所述多表示特征提取结构包括多个互不相同的子结构，利用多表示特征提取结构替换残差网络中全局平均池化层以对残差网络进行改进。
6.根据权利要求5所述的一种基于信息融合的不同工况下谐波减速器故障诊断方法，其特征在于，所述网络训练损失的表达式为：
7.一种基于信息融合的不同工况下谐波减速器故障诊断系统，其特征在于，包括：
8.根据权利要求7所述的一种基于信息融合的不同工况下谐波减速器故障诊断系统，其特征在于，所述数据预处理模块中所述预处理包括对采集的一维加速度信号做小波变换，将原始的一维信号转换为二维时频图像。
9.根据权利要求7所述的一种基于信息融合的不同工况下谐波减速器故障诊断系统，其特征在于，所述模型训练模块中所述基于迁移学习的谐波减速器故障诊断模型中引入多表示特征提取结构，并对残差网络进行改进；利用多表示特征计算源域和目标域的局部最大均值差异，将源域分类损失与子域适应损失共同作为网络训练损失，经过一定轮次迭代训练获得不同工况下谐波减速器的故障诊断模型。
10.根据权利要求9所述的一种基于信息融合的不同工况下谐波减速器故障诊断系统，其特征在于，所述模型训练模块中所述多表示特征提取结构包括多个互不相同的子结构，利用多表示特征提取结构替换残差网络中全局平均池化层以对残差网络进行改进；所述网络训练损失的表达式为：
