智能機器人在機電設備維修中的應用研究

季小剛JI Xiao-gang

（新疆明基能源有限公司，昌吉 831100）

0 引言

機電設備的維修一直是一項復雜而費時的任務，對維修人員的技能和經驗要求較高[1]。然而，隨著科技的進步和智能化技術的發展，智能機器人正在被越來越多地應用于機電設備維修中。智能機器人是一種具有自主決策、自主學習和自主執行任務能力的機器人。它可以通過傳感器獲取環境信息，通過處理算法實現智能化的決策和操作。與傳統機器人相比，智能機器人更加適應復雜和變化多端的維修任務，具備更高的靈活性和自主性[2]。如圖1 所示，智能機器人可以通過搭載各種傳感器和執行器，實現對機電設備的自動檢測、診斷和維修。例如，智能機器人可以通過視覺傳感器對設備進行圖像識別和故障檢測，通過機械臂和夾具進行零部件的更換和維修。

圖1 智能機器人在機電設備維修中的應用

通過對智能機器人和機電設備維修的相關文獻進行綜述，分析了智能機器人在機電設備維修方面的研究現狀。接著，對智能機器人在機電設備維修中的關鍵技術進行了探討，包括路徑規劃和智能診斷關鍵技術，使智能機器人能夠識別和修復機電設備的故障[3]。同時，未來的研究方向還可以進一步探索智能機器人在其他領域的應用，并針對不同場景下的機電設備維修提出更加精細化的解決方案。

1 智能機器人在機電設備維修中的應用研究

1.1 智能機器人在機電設備維修中的研究現狀

智能機器人是一種具備感知、決策和執行能力的機器，可以根據環境變化和任務要求自主進行工作。在機電設備維修中，主要應用的是工業機器人和服務機器人[4]。智能機器人在機電設備維修中的具體應用方式是智能機器人可以通過搭載各種傳感器和執行器，實現對機電設備的自動檢測、診斷和維修。例如，智能機器人可以通過視覺傳感器對設備進行圖像識別和故障檢測，通過機械臂和夾具進行零部件的更換和維修。智能機器人還可以通過語音交互和人機界面與操作人員進行溝通和指導[5]。

1.2 機電設備維修的研究現狀

機電設備的維修主要是針對機電設備進行故障診斷和故障預測。大多數研究人員以設備故障針對為主。隨著機械設備結構愈加復雜，在實際生產過程中，零部件故障的發生也將會導致巨大損失，因此國內外對于機械設備的故障診斷開展了廣泛研究。目前針對于機械故障診斷研究大多集中在以下方向：基于解析模型的故障診斷方法和數據驅動的故障診斷方法[6]。由于可用的訓練數據不平衡，利用傳統的故障診斷方法進行故障診斷時，會出現多數類樣本對于少數類樣本的撤銷作用，表現為多數類樣本的故障準確率較高而少數類樣本的故障準確率極低，影響傳統故障診斷方法的可靠性和有效性。

1.3 智能機器人在機電設備維修中的應用需求和潛在優勢

智能機器人具有較強的感知和判斷能力，能夠根據環境和任務要求做出合理的決策。同時，智能機器人還能夠通過云計算和大數據分析等技術實現智能化學習和知識共享。這些特點使得智能機器人在機電設備維修中具有更高的靈活性、可靠性和適應性[7]。

智能機器人在機電設備維修中的應用需求主要是：首先，智能機器人可以通過預測性維護來提高設備的可靠性和可用性。它可以通過分析設備的工作狀態和維修記錄，準確預測設備的故障和維修需求，提前進行維修，避免設備停機造成的損失。其次，智能機器人可以執行一些復雜和危險的維修任務。例如，在高溫環境下進行設備維修或到達人類難以接觸的狹小空間。智能機器人具備強大的適應能力和操作能力，能夠高效地完成這些任務。此外，智能機器人可以通過圖像識別和模式識別等技術，識別設備故障的根本原因，提供準確的故障診斷和修復方案。

智能機器人在機電設備維修中的潛在優勢是：首先，智能機器人可以減少人為因素對維修過程的影響，提高維修的準確性和穩定性。其次，智能機器人能夠實現對設備的實時監測和遠程控制，提高維修效率和響應速度。最后，智能機器人可以減少勞動強度和工作負荷，提高維修人員的工作環境和安全性。

2 智能機器人在機電設備維修中的關鍵技術

2.1 視覺識別技術

作為機器視覺領域的重要研究方向之一的目標識別算法是一個涉及多學科的交叉研究領域，同時也是工業機器人視覺輔助分揀系統的重要組成部分。目標檢測主要是利用計算機視覺技術，對圖像進行分析和處理，從而實現對物體的定位、識別、分類等功能。目前，目標檢測方法主要有兩種，即傳統的及基于深度學習的目標識別方法[8]。

傳統目標檢測算法通常是人為尋找一個或有限多個目標物體特征，根據實際問題的不同應用條件或場景對特征進行分析，并根據分析結果進一步得到目標物體的類別及位姿信息。基于深度學習的目標檢測算法：近年來，隨著卷積神經網絡逐漸興起，各種基于卷積神經網絡的目標檢測算法方興未艾，相較于傳統方法，基于深度學習的目標檢測算法的檢測性能得到顯著提升，魯棒性更強，應用領域更廣。

2.2 智能診斷技術

生成對抗網絡作為深度學習中較為熱點的研究方法之一，已經廣泛應用在計算機視覺、情感語音和超分辨率圖像等領域。GAN 由于其特殊的基于對抗的訓練機制，使得模型泛化能力得到增強，生成樣本質量得以提高。這對于解決機械故障診斷的難點，如故障樣本少等問題，提供了一種可靠的解決方案。

首先研究了基于多指標評價生成對抗網絡的故障診斷方法。該方法在GAN 原始優化目標的基礎上，利用樣本標簽、隱層特征以及真實樣本和生成樣本，分別構建重構標簽損失函數、重構特征損失函數與重構樣本損失函數，對生成樣本與真實樣本之間進行多指標度量，最大程度減小故障信息丟失，使生成器盡可能從多方面捕捉到故障樣本特征，提高生成樣本質量。

其次，研究了基于循環卷積生成對抗網絡的故障診斷方法。該方法主要對生成器架構進行改進，針對于旋轉機械信號特點，引入卷積網絡、循環網絡以及注意力模塊，并以此構建生成器。所設計的生成器結合卷積神經網絡和循環神經網絡的優勢，能夠有效分析采樣數據中內在聯系和規律獲得主要特征，并引入注意力模塊賦予循環網絡輸出值不同權重，有選擇地增強各個位置的特征，以使生成器能夠減少歷史信息丟失的同時加強重要信息的影響，更適合機械一類序列數據的數據擴充。

3 實驗與分析

3.1 實驗環境與設置

所有實驗的環境配置如表1 所示，使用Tensorflow 框架與Python 模擬一個二維的路徑研究環境，并將機器人的環境分解為小的網格，機器人的導航空間S 為小正方形區域，每一個網格代表一種狀態。網格地圖的規模設置為兩個，最小移動單元為40，狀態空間分別為11*11、15*15。環境設置為有邊界的狀態空間，地圖外圍為智能體不可達區域，智能體由灰色圓圈表示，黑色正方形是障礙物。

表1 實驗環境設置

3.2 結果分析

使用Tensorflow 模擬一個二維的路徑研究環境，并將機器人的環境分解為小的網格，機器人的導航空間S 為小正方形區域，每一個網格代表一種狀態。網格地圖的規模設置為兩個，分別440*440、600*600 像素，最小移動單元為40，狀態空間分別為11*11、15*15。環境設置為有邊界的狀態空間，地圖外圍為智能體不可達區域，智能體由灰色圓圈表示，黑色正方形是障礙物。圖2 展示了算法在兩種地圖中規劃的最優路徑。

圖2 基于視覺的智能機器人運動仿真結果

表2 中，所提方法的5 次驗證結果均優于其他方法，即使在訓練集數據極不平衡的情況下，所提方法仍能生成高質量的樣本，有效擴充原始數據集，并最終獲得0.9868的平均指標值。另外，在5 次驗證結果中，最低一次F1指標大小為0.9203，最高為0.9940，最大值與最小值相差較小，整體上模型性能較為穩定。不同訓練集下的方法對比具體指標值如表2 所示。

表2 5 次測試集驗證指標值

4 結論

針對智能機器人在機電設備維修中的應用進行了研究，通過對關鍵技術的探討和實驗驗證，證明了智能機器人在機電設備維修中的潛力和優勢。智能機器人技術的不斷進步和智能化程度的提高，將進一步推動智能機器人在機電設備維修中的應用。同時，面臨的挑戰和問題也需要進一步研究和解決，以促進智能機器人在機電設備維修中的更廣泛應用。