基于数字孪生与MTF-ResTLN集成的工业机器人关节轴承故障诊断方法

《Atmosphere》：Evaluation of PBL Schemes in Weather Research and Forecasting Model Simulations of Downslope Windstorm over Modest Terrain in Southern Brazil

　　

工业机器人是自动化生产线中不可或缺的设备，对推进智能制造发展具有关键作用。轴承是机器人关节内的关键部件，为确保作业任务的精确执行并及时预防潜在安全事故，有必要对机器人关节内轴承进行故障诊断。然而，基于深度学习(Deep Learning, DL)的故障诊断方法通常需要大量故障实测数据，而受各种条件限制难以获取。为解决数据不足问题，研究人员提出了一种基于数字孪生(Digital Twin, DT)技术与MTF-ResTLN集成的故障诊断方法。首先建立工业机器人的数字孪生模型，在不同节点注入故障激励以生成各节点工况下的故障数据，将实测数据与仿真故障数据融合构成训练数据集。此外，通过融合马尔可夫转移场(Markov Transition Field, MTF)与残差迁移学习网络(Residual Transfer Learning Network, ResTLN)构建新型分类器，实现跨域故障诊断并提升故障诊断能力。

基于数字孪生与MTF-ResTLN集成的工业机器人关节轴承故障诊断方法论文解读

本文研究对象为六轴工业机器人关节滚动轴承的外圈单点故障诊断。当前工业机器人维护常采用定期检修，存在过修与停机损失问题，行业正向视情维护(Condition-Based Maintenance, CBM)及预测性维护(Predictive Maintenance, PdM)转型，其核心依赖可靠的故障诊断技术。工业机器人关节轴承运行于频繁启停、变速及多轴耦合载荷等复杂工况下，退化过程隐蔽且难建模；更重要的是出于安全与成本考虑，设备常在严重故障前即被维护，导致真实故障样本极度稀缺，传统数据驱动深度学习方法难以训练。现有基于精确动力学模型的故障诊断方法对模型精度要求过高且适应性差，而仅靠理想化仿真或简单数据增强又存在仿真与实测信号间的域偏移(Domain Shift)问题。为突破"缺故障样本"瓶颈并利用虚拟仿真弥补实测数据不足，研究人员开展本研究，将物理机理约束的数字孪生仿真数据与少量实测健康数据融合，结合马尔可夫转移场(MTF)编码与带域适应的残差迁移学习网络(ResTLN)，构建适用于跨工况小样本的工业机器人关节轴承故障诊断框架。实验验证该方法在正常及各关节外圈故障状态下整体诊断准确率可达92%～98%，证实其在无大量真实故障样本时仍可实现高精度可靠诊断，对工业机器人智能运维具有重要意义。本文发表于《Actuators》（MDPI）。

研究人员采用的主要关键技术方法如下：建立ABB IRB 6700六轴工业机器人的ADAMS多体动力学数字孪生(Digital Twin)模型，基于赫兹接触理论计算轴承外圈故障附加力与BPFO（外圈故障特征频率），以样条函数形式注入关节作为故障激励并在仿真中提取振动信号，与末端单轴加速度传感器采集的实测健康振动信号融合构建七类状态数据集；将一维振动信号经马尔可夫转移场(MTF)量化为二维时序特征图像；以残差神经网络(ResNet)为骨干构建含故障识别模块与最大均值差异(Maximum Mean Discrepancy, MMD)域适应模块的残差迁移学习网络(ResTLN)，以数字孪生仿真数据为源域、实测（含健康及少量真实）数据为目标域进行分布对齐与分类训练；采用留出法与消融实验及对照算法比较验证模型性能。

2. Methodology（研究方法）

2.1节研究人员提出由数字孪生建模、故障工况动力学仿真、故障数据集获取及故障诊断四部分构成的框架。在ADAMS中建立与实物尺寸材料一致的机器人对象导向数字孪生模型并校验动力学扭矩；依据外圈故障力学分析计算故障激励力注入各关节仿真提取振动信号；融合仿真故障数据与实测健康数据制数据集；以MTF编码振动信号输入ResTLN进行诊断。结论：该框架可在无足量真实故障样本条件下通过机理驱动仿真获得有效训练数据。

2.2节研究人员采用马尔可夫转移场(MTF)将原始振动时序列分位数化后构建一阶马尔可夫链邻接加权矩阵W，再扩展为保留时间点间分位数转移概率的MTF二维图像。结论：MTF保留信号时域依赖关系并将一维信号映射为具时变特征的二维图像，利于后续图像分类并抑制噪声干扰。

2.3节研究人员提出残差迁移学习网络(ResTLN)。2.3.1故障识别模块以2D-CNN卷积层、池化层及含快捷连接的残差块（输出y=F(x)+W_shortx，ReLU激活）提取深层特征，经全局平均池化、全连接层及Softmax多分类输出。2.3.2域适应模块以全连接层与二分类Logistic回归判别域，采用最大均值差异(MMD)度量源域（仿真）与目标域（实测）特征分布距离并最小化之。结论：ResTLN通过残差结构缓解梯度消失增强特征抽取，通过MMD域适应缩小虚实数据分布差异，实现跨域泛化。

3. Fault State Analysis of the Digital Twin Model（数字孪生模型的故障状态分析）

3.1节研究人员基于Hertz接触理论推导轴承外圈局部缺陷引起的附加接触变形δ_add及椭圆接触区压力分布，建立外圈故障角度范围数学表达式。结论：外圈单点故障会在滚子经过缺陷处产生周期性冲击载荷，可通过运动学参数计算其特征频率BPFO。

3.2节研究人员给出外圈故障(Outer race Fault, OF)激励表达式，代入GCr15轴承参数（节圆直径D_pw=114.3 mm、滚动体直径d_b=4.575 mm、滚子数Z=29、接触角α=0°、弹性模量E=207 GPa、泊松比ν=0.29），当缺陷宽b=0.5 mm、轴频f_r=50 Hz时，BPFO=f_BPFO=278.4 Hz，对应附加载荷F_fault=1.12 N。结论：可据此生成符合物理机理的周期性故障激励信号。

3.3节研究人员在ADAMS中将故障激励以样条函数定义为关节广义力中径向分量（y向或z向），按外圈缺陷位置设定激励方向注入各关节。结论：通过动力学分析在关节施加周期性径向附加力可有效模拟轴承外圈故障对系统振动的影响。

4. Experiment（实验）

4.1节研究人员搭建ABB IRB 6700六轴机器人实验平台，末端装三轴加速度传感器（310A-20 CTC）采集振动信号，通过RobotStudio同步采集六关节扭矩校验数字孪生模型，仅模拟单关节故障。数据集含0（健康）～6（各轴关节外圈故障）共七类状态。结论：串联结构下末端振动可耦合反映各关节运动状态，单传感器方案在保留信息完整性下降低复杂度。

4.2节研究人员用面向对象法在ADAMS建立数字孪生模型并赋予实际材料属性与运动约束。4.2.1数字孪生模型构建完成。4.2.2以Lagrange方程忽略科氏与离心力项计算关节理论驱动力矩，对比相同20 s周期循环轨迹下ADAMS仿真关节扭矩与控制器实测扭矩，关键特征相关系数R²>0.95，波形趋势与峰值吻合良好。结论：数字孪生模型可高精度复现工业机器人实际动力学行为，为故障仿真提供可靠虚拟环境。

4.3节研究人员对各关节注入故障激励提取振动信号，经MTF转换为图像；每类状态750段每段10000点，滑动窗口后共33750样本，按7:2:1划分为训练、验证与测试集。结论：获得涵盖健康与各关节外圈故障的虚实融合同源数据集。

4.4节与4.5节研究人员将MTF图像输入ResTLN，以ReLU激活、He正态初始化、Adam优化器（学习率1×10^?3）、批次32、最大100轮、验证损失早停（耐心10轮）、L2正则化（1×10^?4）及全连接层Dropout(0.5)，五次不同随机种子取均值。结论：上述配置确保模型稳定收敛并具有可重复性。

4.6节测试集评估显示正常状态准确率98%，一～三轴故障分别为97%、96%、96%，四～六轴故障分别为95%、93%、92%。结论：所提方法在缺真实故障大样本下仍对各关节外圈故障保持较高识别率。

4.7节消融实验表明去除注意力机制、去除迁移学习模块（MMD域适应）、同时去除二者仅留ResNet、以浅层CNN替换ResNet均致性能下降，全模型最优且模块间具协同效应——注意力增强关键特征权重，域适应缩小数孪与实测分布差距，残差结构支撑深层特征抽取。结论：三机制协同是方法高性能的重要基础。

4.8节对照实验显示SVM、KNN等传统机器学习方法因难处理高维长时序列准确率低；CNN因自动特征抽取有所改善但仍受噪声与小样本影响；RNN次之；完整MTF-ResTLN准确率最高。结论：MTF二维编码保留时序相关性降噪，ResTLN残差学习与域适应增强跨工况小样本泛化能力，优于典型对照算法。

5. Conclusions（结论）

研究人员得出结论：针对工业机器人关节轴承故障诊断中真实故障样本稀缺与数据不平衡问题，所提出的数字孪生与MTF-ResTLN集成方法通过机理约束虚拟故障仿真生成多工况故障数据并与实测健康数据融合构建训练集，以MTF将一维振动信号转为具时序依赖的二维特征图像以增强表征并抑噪，以含MMD域适应的ResTLN进行深层特征抽取与跨域分布对齐，实现了小样本跨工况下的高精度关节轴承故障诊断。数字孪生模型经关节扭矩校验与实测相关系数R²>0.95，验证其保真度；所建诊断模型在正常及六类关节外圈故障状态下整体预测准确率介于92%～98%，证实方法的有效性与稳定性。相较CNN、RNN、SVM及KNN等典型方法，MTF-ResTLN在同类数据集上取得更优分类精度，为工业机器人故障监测与预测性维护提供了不依赖大量真实故障数据的可行方案。未来将致力于降低模型复杂度并拓展至多轴复合故障诊断。