本发明属于机械装备智能异常检测领域，具体涉及一种零故障样本下的工业机器人自主故障诊断方法。
背景技术：
1、工业机器人由于其自动化程度高、运行时间长、动作完成质量高已成为生产制造不可或缺的重要组成部分。随着新能源汽车、电子半导体、锂电/光伏、航空航天、家电制造等产业的快速发展，对智能化的工业机器人提出了迫切需求。自主状态感知作为智能化的一项重要内容，是实现工业机器人高效健康管理的关键。然而，随着工业机器人组成结构与系统的复杂性日益增加，高准确率的故障状态检测变得越来越困难。现有故障状态检测方法包括两类，分别是模型驱动和数据驱动。由于模型驱动的方法需要依据结构动力学、运动学知识建模，实际中十分复杂，且适用范围较窄，因此近些年数据驱动的方法受到了广泛关注。这类方法的关键在于建立机械装备故障状态与监测数据之间的映射关系。
2、目前数据驱动的工业机器人异常检测方法面临的困难为难以构建大而全的故障样本集供深度智能模型训练，而工程实际中很难收集到足够工业机器人故障样本。相应地，本领域存在一种在零故障样本下构建工业机器人自主异常检测的技术需求。
技术实现思路
1、本发明的目的在于现有数据驱动的异常检测技术的限制，提供一种零故障样本下的工业机器人自主故障诊断方法，结合了多种连续小波分析和深度网络模型，在零故障样本实现工业机器人自主异常检测。
2、为实现上述目的，本发明的技术方案是：一种零故障样本下的工业机器人自主故障诊断方法，包括：
3、依据多种母小波函数构建连续小波变换知识库，针对工业机器人正常状态监测数据进行多维度时频分析，并构建工业机器人正常状态监测数据的多模态特征集；
4、建立基于深度网络模型的监测数据状态表征提取器，利用状态表征提取器对工业机器人正常状态监测数据的模态特征进行状态表征；
5、从工业机器人正常状态监测数据具有时序性与不同模态特征间互异角度，利用多模态特征集构建多模态特征对比矩阵，以及构建能够确定深度网络模型优化方向的对比学习损失函数，并利用对比学习损失函数对深度网络模型参数进行优化；
6、利用训练获得的深度网络模型对工业机器人实时监测数据的多模态特征进行状态表征，并将工业机器人正常状态监测数据的多模态特征作为基准，通过对比分析实时监测数据的状态表征变化，进行故障状态判别。
7、在本发明一实施例中，所述多种母小波函数包括墨西哥草帽母小波函数mexh、复高斯b样条小波函数fbsp、morlet小波函数、harr小波函数、gaus小波函数等。
8、在本发明一实施例中，所述针对工业机器人正常状态监测数据进行多维度时频分析，并构建工业机器人正常状态监测数据的多模态特征集的具体实现方式为：
9、从工业机器人正常状态监测数据选取相连数据样本、，利用连续小波变换知识库对两个样本分别构建多模态特征集：
10、
11、其中，与分别为模态特征，表示一共经过 n次不同的连续小波变换， m表示第 m个数据样本。
12、在本发明一实施例中，所述利用状态表征提取器对工业机器人正常状态监测数据的模态特征进行状态表征的具体表示形式为：
13、
14、其中， f()为特征提取操作，与分别为特征提取后的结果。
15、在本发明一实施例中，所述利用多模态特征集构建多模态特征对比矩阵的表示形式为：
16、
17、其中，m为对比矩阵。
18、在本发明一实施例中，所述构建能够确定网络模型优化方向的对比学习损失函数的具体实现方式为：
19、对、进行相关性计算，得到对比分析系数矩阵：
20、
21、其中， cc()为余弦相似度计算操作；
22、基于最大相似性假设构建损失函数1：
23、
24、基于最小相似性假设构建损失函数2：
25、
26、由对称关系可知，当时，矩阵第 i行中的应取到最大，表示为：
27、
28、通过与比较，构建交叉熵，得到损失函数3：
29、
30、其中，表示 t中第 r行元素，表示中第 r行元素， r为 t中行的数目；
31、构建对比学习损失函数：
32、。
33、在本发明一实施例中，所述利用训练获得的深度网络模型对工业机器人实时监测数据的多模态特征进行状态表征，并将工业机器人正常状态监测数据的多模态特征作为基准，通过对比分析实时监测数据的状态表征变化，进行故障状态判别的具体实现方式为：
34、选取工业机器人正常状态监测数据作为基准，构建多模态特征集并提取状态表征，获得状态表征；
35、提取工业机器人实时监测数据状态表征；
36、构建异常检测矩阵：
37、
38、将异常检测矩阵每行元素进行归一化处理，映射至[-0.5,0.5]区间，并利用argmax操作，取得每行元素中最大值的索引，用表示，最终获得检测标签：
39、
40、设计阈值 threshold，当满足时，则检测结果为故障，当，且时，则检测结果为正常；其中，abs()为取绝对值，sum()为求和。
41、相较于现有技术，本发明具有以下有益效果：
42、1.引入多种小波母函数构建连续小波变换知识库对工业机器人监测数据进行多模态特征提取，可以从不同角度揭示工业机器人监测数据的时频信息，为准确感知工业机器人运行状态提供了基础。
43、2.采用了深度网络模型强大的特征提取能力，使得能够获取工业机器人具有代表性的状态表征，为高精度的异常检测提供了支撑。
44、3.通过正常状态监测数据的状态表征构建对比学习损失函数，并用于优化深度网络参数，使得深度网络模型摆脱了对标注样本的依赖，突破了工程实际中真实故障样本稀缺对深度网络模型的限制，提高了深度网络模型的应用范围。
45、4.通过深度学习工业机器人正常状态监测数据的状态表征，能够通过基于网络模型的状态表征提取器对实时监测数据进行监测，若发现实时监测数据状态表征出现异常，则可对工业机器人运行状态进行判别，如此进行状态检测，既解决了无法提取到监测数据的深层状态表征，又使深度网络模型训练摆脱了对故障样本的依赖。
46、5.所提出的自主异常检测方法，广泛适用于多种机械装备，且可以在机械装备全寿命周期内的各个阶段快速建立异常检测模型，这表明该方法能够适应机械装备各种运行工况。
1.一种零故障样本下的工业机器人自主故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的一种零故障样本下的工业机器人自主故障诊断方法，其特征在于，所述多种母小波函数包括墨西哥草帽母小波函数mexh、复高斯b样条小波函数fbsp、morlet小波函数、harr小波函数、gaus小波函数。
3.根据权利要求1所述的一种零故障样本下的工业机器人自主故障诊断方法，其特征在于，所述针对工业机器人正常状态监测数据进行多维度时频分析，并构建工业机器人正常状态监测数据的多模态特征集的具体实现方式为：
4.根据权利要求3所述的一种零故障样本下的工业机器人自主故障诊断方法，其特征在于，所述利用状态表征提取器对工业机器人正常状态监测数据的模态特征进行状态表征的具体表示形式为：
5.根据权利要求4所述的一种零故障样本下的工业机器人自主故障诊断方法，其特征在于，所述利用多模态特征集构建对比矩阵的表示形式为：
6.根据权利要求5所述的一种零故障样本下的工业机器人自主故障诊断方法，其特征在于，所述构建能够确定网络模型优化方向的对比损失函数的具体实现方式为：
7.根据权利要求6所述的一种零故障样本下的工业机器人自主故障诊断方法，其特征在于，所述利用训练获得的深度网络模型对工业机器人实时监测数据的多模态特征进行状态表征，并将工业机器人正常状态监测数据的多模态特征作为基准，通过对比分析实时监测数据的状态表征变化，进行故障状态判别的具体实现方式为：
