[發明專利]一種基于深度學習的工業機器人可靠性建模方法

在審

• 申請號: 201710315323.3
• 申請日: 2017-05-08
• 公開（公告）號: CN107121926A
• 公開（公告）日: 2017-09-01
• 發明（設計）人: 陳錦漢;余榮斌
• 申請（專利權）人: 廣東產品質量監督檢驗研究院
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 廣州市越秀區海心聯合專利代理事務所(普通合伙)44295
• 代理人: 王洪娟

1.一種基于深度學習的工業機器人可靠性建模方法，其特征是包括以下步驟：通過限制玻爾茲曼機RBM構建深度神經網絡DNN；利用對比散度快速學習算法訓練RBM、DNN，并對訓練結果進行評估；輸入評估對象工業機器人的加速退化原始數據，構建加速退化模型，預測正常工作條件下其預期工作壽命及可靠性。

2.根據權利要求1所述的基于深度學習的工業機器人可靠性建模方法，其特征是進一步包括以下步驟：

(1)基于深度學習方法，建立具有多輸入多輸出結構的深度神經網絡回歸模型；

(2)采用逐層貪心方法，結合加速退化條件下的工業機器人的原始壽命數據對步驟(1)建立的深度神經網絡回歸模型進行訓練，通過所述模型的非線性映射功能，學習得到所述模型的序列之間的映射關系，來確定深度神經網絡回歸模型；

(3)根據步驟(2)確定的深度神經網絡回歸模型，對工業機器人在正常工作條件下的工作壽命進行多步預測，得到工業機器人正常工作條件下的預期工作壽命的預測結果。

3.根據權利要求2所述的基于深度學習的工業機器人可靠性建模方法，其特征是步驟(1)中所述的基于深度學習方法，建立具有多輸入多輸出結構的深度神經網絡回歸模型的方法為：通過受限的玻爾茲曼機RBM的疊置構建具有多輸入多輸出結構的深度神經網絡回歸模型，所述具有多輸入多輸出結構的深度神經網絡回歸模型是為l層神經網絡，向量x＝h⁰表示原始輸入，(h¹,……，h^I-1)表示相應隱含層的輸入，h¹表示輸出層的輸入；其1:I-1的隱含層是使用sigmoid函數并由受限的玻爾茲曼機構成，頂層激活函數使用純線性函數；

對于原始輸入x、l-1層隱含層和輸出層的聯合概率分布：

p(x,h1,......,hl)=(Πi=1l-1p(hi-1|hi))p(hl-1,hl)]]>

其中，I為正整數。

4.根據權利要求2所述的基于深度學習的工業機器人可靠性建模方法，其特征是步驟(2)中采用逐層貪心方法的具體過程為：

步驟(2)中采用逐層貪心方法的具體過程優選為：

(a)：對步驟(1)建立的深度神經網絡回歸模型分層，由下至上，再利用加速退化條件下的工業機器人的原始壽命數據對輸入x的那一層進行無監督的訓練；

(b)：所述無監督的訓練結束后，使用有監督的學習對所述深度神經網絡回歸模型進行精調：

除了原始輸入x的隱含層，以深度神經網絡回歸模型輸出作為監督信號，構造損失函數，采用梯度上升法對所述深度神經網絡回歸模型的其他隱含層進行有監督的訓練，得到所述模型的序列之間的映射關系，最終確定深度神經網絡回歸模型。