基于长短期记忆的机器人健康监测系统

针对工业机器人运行过程中存在着的非计划停机、维修反应慢等问题,构建了基于深度学习框架长短期记忆(LSTM)网络模型的机器人健康状态监测系统.首先,通过方差分析(ANOVA)确定了反映机器人状态变化的传感器信号;其次,通过主成分分析(PCA)融合多维传感器数据,并与机器人健康运行模式库中的特征数据分布进行相似度计算,获得能够表征机器人运行状态的健康指数;最后,根据LSTM网络的输入和输出节点,自适应确定网络隐藏层结构,最终实现机器人运行状态的健康度预测.理论分析和实际效果表明,基于LSTM模型预测的机器人健康状态的均方根误差为0.92％,说明该系统能够有效对机器人健康状态进行监测,并能对机器人运行状态趋势进行一定的预判,有助于企业在生产过程中对机器人进行维护.