【环球网科技综合报道】6月27日消息，记者从中科院官网了解到，近日，中国科学院沈阳自动化研究所研究团队在工业机器人故障诊断领域取得研究进展，提出了基于生成对抗网络的工业机器人变工况故障诊断方法，有效提升了传统数据驱动工业机器人故障诊断算方法的泛化能力。

据悉，相关研究成果发表在《IEEE Transactions onInstrumentation and Measurement》上。

当前，随着工业物联网和工业大数据技术的进步，以机器学习特别是深度学习为代表的数据驱动方法已经成为工业机器人故障诊断研究的热点。然而，工业机器人实际运行过程中，转速和负载处于持续改变过程中，严重影响了数据驱动方法的诊断性能。

针对上述问题，研究人员提出了基于深度感知对抗域自适应的工业机器人变工况故障诊断方法。该方法借助感知损失最小化技术，有效缓解了工业机器人工况变化带来的对抗训练不稳定问题；在模型性能评价过程中，首次引入迁移任务难度这一关键维度信息，进一步完善了迁移学习模型性能评价体系。该研究还搭建了工业机器人健康监测平台，对工业机器人三种典型迁移场景（仅负载改变、仅转速改变以及负载、转速同时改变）的迁移难度进行了量化评估，并在三种迁移场景下对比了所提出方法与深度学习网络和生成对抗网络的性能，结果表明，所提出方法在迁移难度大的场景下体现出明显优势。

据介绍，考虑到故障诊断过程中需要同时采集来自机器人本体和控制器的数据，为了提高工业机器人数据预处理效率，研究提出了基于时间戳映射的工业机器人数据筛选策略。研究成果有效提升了数据驱动装备故障诊断方法的泛化能力，对于提升工业机器人平均故障间隔时间、缩短单台机器人维修工期、降低装备全寿命周期运维成本具有现实意义。