基于动作周期退化相似性度量的机械轴健康指标构建与剩余寿命预测

doi:10.11772/j.issn.1001-9081.2021010046

《计算机应用》唯一官方网站 ›› 2021, Vol. 41 ›› Issue (11): 3192-3199.DOI: 10.11772/j.issn.1001-9081.2021010046

基于动作周期退化相似性度量的机械轴健康指标构建与剩余寿命预测

周玉彬¹, 肖红¹, 王涛², 姜文超¹^,³(), 熊梦³, 贺忠堂³

^1.广东工业大学计算机学院，广州 510006
^2.广东工业大学自动化学院，广州 510006
^3.中国科学院云计算产业技术创新与育成中心，广东东莞 523808

收稿日期:2021-01-11 修回日期:2021-05-14 接受日期:2021-05-18 发布日期:2021-11-29 出版日期:2021-11-10
通讯作者: 姜文超
作者简介:周玉彬（1997—），女，湖南常德人，硕士研究生，主要研究方向：工业设备的故障诊断与预测
肖红（1972—），女，湖北咸宁人，副教授，博士，主要研究方向：智能制造与工业大数据、机器人与人工智能
王涛（1983—），男，湖北荆州人，副教授，博士，主要研究方向：物联网、大数据
姜文超（1977—），男，山东潍坊人，副教授，博士，CCF会员，主要研究方向：云计算、大数据、复杂网络、图数据处理
熊梦（1985—），男，湖北咸宁人，高级工程师，主要研究方向：云计算、大数据、工业互联网
贺忠堂（1971—），男，江苏徐州人，高级工程师，博士，主要研究方向：云计算、大数据、政府云服务平台、城市公共安全云管理。
基金资助:
国家重点研发计划项目(2018YFB1004202);国家自然科学基金委员会-广东省人民政府联合基金资助项目(U2001201);广东省自然科学基金面上项目(2020A1515010890);广东省科技计划项目(2019B010139001);广州市科技计划项目(201902020016);2019年佛山市核心技术攻关项目(1920001001367)

Health index construction and remaining useful life prediction of mechanical axis based on action cycle degradation similarity measurement

Yubin ZHOU¹, Hong XIAO¹, Tao WANG², Wenchao JIANG¹^,³(), Meng XIONG³, Zhongtang HE³

^1.School of Computer Science，Guangdong University of technology，Guangzhou Guangdong 510006，China
^2.School of Automation，Guangdong University of technology，Guangzhou Guangdong 510006，China
^3.Cloud Computing Center，Chinese Academy of Sciences，Dongguan Guangdong 523808，China

Received:2021-01-11 Revised:2021-05-14 Accepted:2021-05-18 Online:2021-11-29 Published:2021-11-10
Contact: Wenchao JIANG
About author:ZHOU Yubin， born in 1997， M. S. candidate. Her research interests include fault diagnosis and prediction of industrial equipment
XIAO Hong，born in 1972，Ph. D.，associate professor. Her research interests include intelligent manufacturing and industrial big data，robot and artificial intelligence
WANG Tao，born in 1983，Ph. D.，associate professor. His research interests include internet of things，big data
JIANG Wenchao，born in 1977，Ph. D.，associate professor. His research interests include cloud computing，big data，complex network， graph data processing
XIONG Meng， born in 1985， senior engineer. His research interests include cloud computing，big data，industrial internet
HE Zhongtang， born in 1971， Ph. D.， senior engineer. His research interests include cloud computing，big data，government
Supported by:
the National Key Research and Development Program of China(2018YFB1004202);the National Natural Science Foundation of China-People’s Government of Guangdong Province Joint Fund(U2001201);the Surface Program of Natural Science Foundation of Guangdong Province(2020A1515010890);the Science and Technology Program of Guangdong Province(2019B010139001);the Science and Technology Program of Guangzhou(201902020016);the Key Technology Project of Foshan in 2019(1920001001367)

摘要/Abstract

摘要：

针对工业机器人机械轴健康管理中检测效率和精准度较低的问题，提出了一种机械轴运行监控大数据背景下的基于动作周期退化相似性度量的健康指标（HI）构建方法，并结合长短时记忆（LSTM）网络进行机器人剩余寿命（RUL）的自动预测。首先，利用MPdist关注机械轴不同动作周期之间子周期序列相似性的特点，并计算正常周期数据与退化周期数据之间的偏离程度，进而构建HI；然后，利用HI集训练LSTM网络模型并建立HI与RUL之间的映射关系；最后，通过MPdist-LSTM混合模型自动计算RUL并适时预警。使用某公司六轴工业机器人进行实验，采集了加速老化数据约1 500万条，对HI单调性、鲁棒性和趋势性以及RUL预测的平均绝对误差（MAE）、均方根误差（RMSE）、决定系数（ $R 2$ ）、误差区间（ER）、早预测（EP）和晚预测（LP）等指标进行了实验测试，将该方法分别与动态时间规整（DTW）、欧氏距离（ED）、时域特征值（TDE）结合LSTM的方法，MPdist结合循环神经网络（RNN）和LSTM等方法进行比较。实验结果表明，相较于其他对比方法，所提方法所构建HI的单调性和趋势性分别至少提高了0.07和0.13，RUL预测准确率更高，ER更小，验证了所提方法的有效性。

关键词: MPdist, 长短时记忆网络, 相似性度量, 健康指标构建, 剩余寿命预测

Abstract:

Aiming at the problems of low detection efficiency and accuracy in the health management process of industrial robot axis， a new Health Index （HI） construction method based on action cycle degradation similarity measurement under the background of mechanical axis operation monitoring big data was proposed， and the robot Remaining Useful Life （RUL） prediction was carried out by combining Long Short-Term Memory （LSTM） network. Firstly， MPdist was used to focus on the similarity features of sub-cycle sequences between different action cycles of mechanical axis， and the deviation distance between normal cycle data and degradation cycle data was calculated， so that the HI was constructed. Then， the LSTM network model was trained by HI set， and the mapping relationship between HI and RUL was established. Finally， the MPdist-LSTM hybrid model was used to automatically calculate the RUL and give early warning in time. The six-axis industrial robot of a company was used to carry the experiments， and about 15 million pieces of data were collected. The monotonicity， robustness and trend of HI and Mean Absolute Error （MAE）， Root Mean Square Error （RMSE）， R-Square （ $R 2$ ）， Error Range （ER）， Early Prediction （EP） and Late Prediction （LP） of RUL were tested. The proposed method were compared with the methods such as Dynamic Time Warping （DTW）， Euclidean Distance （ED）， Time Domain Eigenvalue （TDE） combined with LSTM， MPdist combined with RNN and LSTM. The experimental results show that， compared with other comparison methods， the proposed method has the HI monotonicity and trend higher by at least 0.07 and 0.13 respectively， the higher RUL prediction accuracy， and the smaller ER， which verifies the effectiveness of the proposed method.

Key words: MPdist, Long Short-Term Memory (LSTM) network, similarity measurement, Health Index (HI) construction, Remaining Useful Life (RUL) prediction

中图分类号:

TP206.3

周玉彬, 肖红, 王涛, 姜文超, 熊梦, 贺忠堂. 基于动作周期退化相似性度量的机械轴健康指标构建与剩余寿命预测[J]. 计算机应用, 2021, 41(11): 3192-3199.

Yubin ZHOU, Hong XIAO, Tao WANG, Wenchao JIANG, Meng XIONG, Zhongtang HE. Health index construction and remaining useful life prediction of mechanical axis based on action cycle degradation similarity measurement[J]. Journal of Computer Applications, 2021, 41(11): 3192-3199.

图/表 18

图1 动作周期未对齐示意图

Fig. 1 Schematic diagram of misaligned action cycle

表1 不同方法动作周期未对齐距离对比

Tab. 1 Misaligned distance comparison of action cycle of different methods

方法	周期未对齐距离
MPdist	0
DTW	10 709
ED	43 559

图2 相似性比对示意图

Fig. 2 Schematic diagram of similarity comparison

图3 基于MPdist-LSTM的剩余寿命预测框架

Fig. 3 Framework of remaining useful life prediction based on MPdist-LSTM

图4 健康指标构建与剩余寿命预测流程

Fig. 4 Flow chart of health index construction and remaining useful life prediction

图5 早预测和晚预测示意图

Fig. 5 Schematic diagram of early prediction and late prediction

图6 某公司六轴工业机器人

Fig. 6 Six-axis industrial robot of a company

表2 变量名说明

Tab. 2 Description of variable name

参数	符号	参数	符号
指令位置	pcmd	反馈加速度	afb
反馈位置	pfb	指令速度	vcmd
指令力矩	tcmd	反馈速度	vfb
反馈力矩	tfb	位置误差	pe
指令加速度	acmd

表3 不同比率的MP距离曲线评价结果对比

Tab. 3 Comparison of evaluation results of MP distance curves with different ratios

$T 1$ 和 $T 2$ 与 $L$ 比率	单调性	鲁棒性	趋势性
2∶1	0.237 0	0.835 0	0.678 4
3∶1	0.468 2	0.961 5	0.864 7
4∶1	0.537 6	0.966 5	0.887 0
5∶1	0.560 7	0.968 4	0.906 5
6∶1	0.546 0	0.967 9	0.895 2
7∶1	0.560 7	0.967 9	0.906 5
8∶1	0.551 7	0.966 5	0.880 6

表3 不同比率的MP距离曲线评价结果对比

Tab. 3 Comparison of evaluation results of MP distance curves with different ratios

$T 1$ 和 $T 2$ 与 $L$ 比率	单调性	鲁棒性	趋势性
2∶1	0.237 0	0.835 0	0.678 4
3∶1	0.468 2	0.961 5	0.864 7
4∶1	0.537 6	0.966 5	0.887 0
5∶1	0.560 7	0.968 4	0.906 5
6∶1	0.546 0	0.967 9	0.895 2
7∶1	0.560 7	0.967 9	0.906 5
8∶1	0.551 7	0.966 5	0.880 6

图7 反馈力矩的MPdist相似性度量示意图

Fig. 7 Schematic diagram of MPdist similarity measurement of feedback torque

图8 平滑后多变量MP距离曲线

Fig. 8 Smoothed multivariable MP distance curve

图9 三台机器人4轴反馈力矩的HI曲线

Fig. 9 HI curves of four-axis feedback torque for three robots

表4 健康指标评价

Tab. 4 Health index evaluation

方法	单调性	鲁棒性	趋势性
MPdist	0.560 7	0.968 4	0.906 5
DTW	0.491 3	0.969 6	0.770 6
ED	0.058 0	0.950 2	0.203 7
TDE	0.132 9	0.952 4	0.310 6

图10 剩余寿命标注示意图

Fig. 10 Schematic diagram of remaining useful life marking

图11 神经网络输入输出结构

Fig. 11 Structure of input and output of neural network

表5 LSTM网络时间步调整评价

Tab. 5 Evaluation of LSTM network time step adjustment

时间步	MAE	RMSE	$R 2$
3	0.036 6	0.065 2	0.957 5
6	0.028 9	0.056 9	0.966 9
10	0.036 6	0.070 5	0.947 2
20	0.032 4	0.076 3	0.928 5

表5 LSTM网络时间步调整评价

Tab. 5 Evaluation of LSTM network time step adjustment

时间步	MAE	RMSE	$R 2$
3	0.036 6	0.065 2	0.957 5
6	0.028 9	0.056 9	0.966 9
10	0.036 6	0.070 5	0.947 2
20	0.032 4	0.076 3	0.928 5

表6 剩余寿命预测评价

Tab. 6 Evaluation of remaining useful life prediction

方法	MAE	RMSE	$R 2$	ER	EP	LP
MPdist-LSTM	0.028 9	0.056 9	0.966 9	［8，12］	19	13
MPdist-RNN	0.030 5	0.067 1	0.943 7	$[- 16,15]$	15	18
DTW-LSTM	0.033 8	0.072 1	0.935 8	$[- 48,20]$	14	20
TDE-LSTM	0.104 7	0.134 6	0.781 8	$[- 32,48]$	16	18
LSTM	0.106 4	0.210 4	0.501 9	$[- 60,60]$	15	19

表6 剩余寿命预测评价

Tab. 6 Evaluation of remaining useful life prediction

方法	MAE	RMSE	$R 2$	ER	EP	LP
MPdist-LSTM	0.028 9	0.056 9	0.966 9	［8，12］	19	13
MPdist-RNN	0.030 5	0.067 1	0.943 7	$[- 16,15]$	15	18
DTW-LSTM	0.033 8	0.072 1	0.935 8	$[- 48,20]$	14	20
TDE-LSTM	0.104 7	0.134 6	0.781 8	$[- 32,48]$	16	18
LSTM	0.106 4	0.210 4	0.501 9	$[- 60,60]$	15	19

图12 MPdist-LSTM预测结果

Fig. 12 Prediction results of MPdist-LSTM

参考文献 26

1	王桃章，王宇，王宇斐，等.深度学习在机器人加工颤振辨识中的应用［J］.机械科学与技术，2021，40（2）：188-192. 10.1016/j.ast.2020.106435
	WANG T Z， WANG Y， WANG Y F， et al. Application of deep learning in robot chatter identification ［J］. Mechanical Science and Technology for Aerospace Engineering， 2021， 40（2）： 188-192. 10.1016/j.ast.2020.106435
2	周济.智能制造是“中国制造2025”主攻方向［J］.企业观察家，2019（11）：54-55. 10.3969/j.issn.1004-132X.2015.17.001
	ZHOU J. Intelligent manufacturing is the main direction of “made in China 2025” ［J］. Enterprise Observer， 2019（11）： 54-55. 10.3969/j.issn.1004-132X.2015.17.001
3	赵威，王锴，徐皑冬，等.面向智能制造的工业机器人健康评估方法［J］.机器人，2020，42（4）：460-468. 10.13973/j.cnki.robot.190438
	ZHAO W， WANG K， XU A D， et al. An industrial robot health assessment method for intelligent manufacturing ［J］. Robot， 2020， 42（4）： 460-468. 10.13973/j.cnki.robot.190438
4	彭宇，刘大同.数据驱动故障预测和健康管理综述［J］.仪器仪表学报，2014，35（3）：481-495. 10.3969/j.issn.0254-3087.2014.03.001
	PENG Y， LIU D T. Data-driven prognostics and health management： a review of recent advances ［J］. Chinese Journal of Scientific Instrument， 2014， 35（3）： 481-495. 10.3969/j.issn.0254-3087.2014.03.001
5	KUMAR H S， PAI S P， SRIRAM N S， et al. Rolling element bearing fault diagnostics： development of health index ［J］. Proceedings of the Institution of Mechanical Engineers， Part C： Journal of Mechanical Engineering Science， 2017， 231（21）： 3923-3939. 10.1177/0954406216656214
6	彭开香，皮彦婷，焦瑞华，等.航空发动机的健康指标构建与剩余寿命预测［J］.控制理论与应用，2020，37（4）：713-720. 10.7641/CTA.2019.90039
	PENG K X， PI Y T， JIAO R H， et al. Health indicator construction and remaining useful life prediction for aircraft engine ［J］. Control Theory and Applications， 2020， 37（4）：713-720. 10.7641/CTA.2019.90039
7	GUO L， LEI Y G， LI N P， et al. Deep convolution feature learning for health indicator construction of bearings ［C］// Proceedings of the 2017 Prognostics and System Health Management Conference. Piscataway： IEEE， 2017： 1-6. 10.1109/phm.2017.8079167
8	GUO L， LEI Y G， LI N P， et al. Machinery health indicator construction based on convolutional neural networks considering trend burr ［J］. Neurocomputing， 2018， 292： 142-150. 10.1016/j.neucom.2018.02.083
9	CHEN L T， XU G H， ZHANG S C， et al. Health indicator construction of machinery based on end-to-end trainable convolution recurrent neural networks ［J］. Journal of Manufacturing Systems， 2020， 54： 1-11. 10.1016/j.jmsy.2019.11.008
10	MAO W T， LIU Y M， DING L， et al. A new structured domain adversarial neural network for transfer fault diagnosis of rolling bearings under different working conditions ［J］. IEEE Transactions on Instrumentation and Measurement， 2021， 70： Article No.3509013. 10.1109/tim.2020.3038596
11	赵浩铭.基于信号分析的工业机器人故障诊断研究［D］.沈阳：沈阳建筑大学，2014：1-27. 10.18057/ijasc.2015.11.1.4
	ZHAO H M. The fault diagnostic studies of industrial robot based on signal analysis ［D］. Shenyang： Shenyang Jianzhu University， 2014： 1-27. 10.18057/ijasc.2015.11.1.4
12	JABER A A， BICKER R. Development of a condition monitoring algorithm for industrial robots based on artificial intelligence and signal processing techniques ［J］. International Journal of Electrical and Computer Engineering， 2018， 8（2）： 996-1009. 10.11591/ijece.v8i2.pp996-1009
13	FINK O， WANG Q， SVENSÉN M， et al. Potential， challenges and future directions for deep learning in prognostics and health management applications ［J］. Engineering Applications of Artificial Intelligence， 2020， 92： Article No.103678. 10.1016/j.engappai.2020.103678
14	CHEN Y H， WANG H L， ZHANG J， et al. Automated recognition of robotic manipulation failures in high-throughput biodosimetry tool ［J］. Expert Systems with Applications， 2012， 39（10）： 9602-9611. 10.1016/j.eswa.2012.02.145
15	ALGBURI R N A， GAO H L. Health assessment and fault detection system for an industrial robot using the rotary encoder signal ［J］. Energies， 2019， 12（14）： Article No.2816. 10.3390/en12142816
16	JABER A A， BICKER R. Fault diagnosis of industrial robot gears based on discrete wavelet transform and artificial neural network ［J］. Insight： Non-Destructive Testing and Condition Monitoring， 2016， 58（4）： 179-186. 10.1784/insi.2016.58.4.179
17	GHARGHABI S， IMANI S， BAGNALL A， et al. Matrix Profile XII： MPdist： a novel time series distance measure to allow data mining in more challenging scenarios ［C］// Proceedings of the 2018 IEEE International Conference on Data Mining. Piscataway： IEEE， 2018： 965-970. 10.1109/icdm.2018.00119
18	YEH C C M， ZHU Y， ULANOVA L， et al. Matrix profile I： all pairs similarity joins for time series： a unifying view that includes motifs， discords and shapelets ［C］// Proceedings of the 2016 IEEE 16th International Conference on Data Mining. Piscataway： IEEE， 2016： 1317-1322. 10.1109/icdm.2016.0179
19	SENIN P. Dynamic time warping algorithm review ［EB/OL］. ［2020-12-22］..
20	JEONG Y S， JEONG M K， OMITAOMU O A. Weighted dynamic time warping for time series classification ［J］. Pattern Recognition， 2011， 44（9）： 2231-2240. 10.1016/j.patcog.2010.09.022
21	ZHANG B， ZHANG L J， XU J W. Degradation feature selection for remaining useful life prediction of rolling element bearings ［J］. Quality and Reliability Engineering International， 2016， 32（2）： 547-554. 10.1002/qre.1771
22	GERS F A， SCHMIDHUBER J， CUMMINS F. Learning to forget： Continual prediction with LSTM ［J］. Neural Computation， 2000， 12（10）： 2451-2471. 10.1162/089976600300015015
23	ELSHEIKH A， YACOUT S， OUALI M S. Bidirectional handshaking LSTM for remaining useful life prediction ［J］. Neurocomputing， 2019， 323： 148-156. 10.1016/j.neucom.2018.09.076
24	ZHANG C， LIM P， QIN A K， et al. Multiobjective deep belief networks ensemble for remaining useful life estimation in prognostics ［J］. IEEE Transactions on Neural Networks and Learning Systems， 2016， 28（10）： 2306-2318. 10.1109/tnnls.2016.2582798
25	LI X， DING Q， SUN J Q. Remaining useful life estimation in prognostics using deep convolution neural networks ［J］. Reliability Engineering and System Safety， 2018， 172： 1-11. 10.1016/j.ress.2017.11.021
26	ZHANG J J， WANG P， YAN R Q， et al. Long short-term memory for machine remaining life prediction ［J］. Journal of Manufacturing Systems， 2018， 48（Pt C）： 78-86. 10.1016/j.jmsy.2018.05.011

[1]	张永斌, 常文欣, 孙连山, 张航. 基于字典的域名生成算法生成域名的检测方法[J]. 计算机应用, 2021, 41(9): 2609-2614.
[2]	丁尹, 桑楠, 李晓瑜, 吴飞舟. 基于循环神经网络的电信行业容量数据预测方法[J]. 计算机应用, 2021, 41(8): 2373-2378.
[3]	赵小虎, 李晓. 基于多特征提取的图像语义描述算法[J]. 计算机应用, 2021, 41(6): 1640-1646.
[4]	杨蒙蒙, 张爱华. 基于灰度共生矩阵和同步正交匹配追踪的分形图像压缩[J]. 计算机应用, 2021, 41(5): 1445-1449.
[5]	胡立华, 左威健, 聂瑶瑶. 基于加权相似性度量的特征匹配方法[J]. 计算机应用, 2021, 41(2): 511-516.
[6]	邱宁佳, 王晓霞, 王鹏, 王艳春. 融合语法规则的双通道中文情感模型分析[J]. 计算机应用, 2021, 41(2): 318-323.
[7]	董永峰, 刘超, 王利琴, 李英双. 融合多跳关系路径信息的关系推理方法[J]. 计算机应用, 2021, 41(10): 2799-2805.
[8]	马停停, 冀天娇, 杨冠羽, 陈阳, 许文波, 刘宏图. 基于长短时记忆神经网络的手足口病发病趋势预测[J]. 计算机应用, 2021, 41(1): 265-269.
[9]	戎炜, 蒋哲远, 谢昭, 吴克伟. 基于聚类关联网络的群组行为识别[J]. 计算机应用, 2020, 40(9): 2507-2513.
[10]	傅洪亮, 雷沛之. 基于去噪自编码器和长短时记忆网络的语音测谎算法[J]. 计算机应用, 2020, 40(2): 589-594.
[11]	朱霖, 宁芊, 雷印杰, 陈炳才. 基于遗传算法选优的集成手段与时序卷积网络的涡扇发动机剩余寿命预测[J]. 计算机应用, 2020, 40(12): 3534-3540.
[12]	马伟苹, 李文新, 孙晋川, 曹鹏霞. 基于粗精立体匹配的双目视觉目标定位方法[J]. 计算机应用, 2020, 40(1): 227-232.
[13]	章永来, 周耀鉴. 聚类算法综述[J]. 计算机应用, 2019, 39(7): 1869-1882.
[14]	闻畅, 刘宇, 顾进广. 基于注意力机制的双向长短时记忆网络模型突发事件演化关系抽取[J]. 计算机应用, 2019, 39(6): 1646-1651.
[15]	姜逸凡, 叶青. 基于孪生神经网络的时间序列相似性度量[J]. 计算机应用, 2019, 39(4): 1041-1045.

基于动作周期退化相似性度量的机械轴健康指标构建与剩余寿命预测

Health index construction and remaining useful life prediction of mechanical axis based on action cycle degradation similarity measurement

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 18

参考文献 26

相关文章 15

编辑推荐

Metrics