《Actuators》：Research on Fault Diagnosis Method of Joint Bearing of Industrial Robot Based on Digital Twin and ResTLN Fusion
编辑推荐：
工业机器人为自动化生产线中不可或缺的装备，在推进智能制造发展过程中发挥着至关重要的作用。轴承作为机器人关节内部的关键部件，为保障作业任务的精确执行并及时防范潜在安全事故，有必要对机器人关节轴承进行故障诊断。然而，基于深度学习的故障诊断方法通常需要大量的故障测量
工业机器人为自动化生产线中不可或缺的装备，在推进智能制造发展过程中发挥着至关重要的作用。轴承作为机器人关节内部的关键部件，为保障作业任务的精确执行并及时防范潜在安全事故，有必要对机器人关节轴承进行故障诊断。然而，基于深度学习的故障诊断方法通常需要大量的故障测量数据，而受多种条件限制，这类数据往往难以获取。针对数据不足的问题，本文提出了一种基于数字孪生技术与马尔可夫转移场-残差迁移学习网络（MTF-ResTLN）融合的故障诊断方法。首先，建立了工业机器人的数字孪生模型，并向孪生模型的不同节点注入故障激励以生成不同节点工况下的故障数据；随后将实测数据与模拟故障数据相结合以构成训练数据集。此外，通过将马尔可夫转移场（Markov Transition Field）与残差迁移学习网络（Residual Transfer Learning Network）相结合，开发了一种新型分类器，实现了跨域故障诊断并提升了故障诊断能力。
工业机器人在现代制造业中承担着焊接、抛光、装配、喷涂及物料搬运等关键任务，其关节轴承的运行状态直接影响末端执行器的定位精度与动态响应能力。与传统旋转机械相比，工业机器人轴承频繁启停、变速运行及多轴耦合负载的复杂工况使其退化过程更为隐蔽，难以建立精确退化模型。此外，出于安全与成本考虑，实际生产环境中设备往往在严重故障发生前即进行维护，导致真实故障数据匮乏，难以覆盖各类失效模式，这严重制约了数据驱动故障诊断方法的实际应用。尽管从定期维护向预测性维护转变已成为制造企业的共识，但现有深度学习方法对大量标注故障样本的依赖使其在工程实践中面临瓶颈。
针对工业机器人关节轴承故障诊断中故障样本稀缺与数据分布差异的双重挑战，研究人员提出了一种融合数字孪生技术与MTF-ResTLN的新型诊断范式。该研究以ABB IRB6700六轴工业机器人为对象，构建了高保真数字孪生模型，通过向模型关节注入基于物理机制的故障激励信号，生成覆盖单轴至六轴故障状态的模拟振动数据；同时结合实测健康状态数据，构建了虚拟-真实融合的多源训练数据集。在特征表示层面，采用马尔可夫转移场（MTF）将一维振动信号编码为具有时间相关性的二维特征图像；继而设计残差迁移学习网络（ResTLN），通过残差结构深化特征提取能力，并引入最大均值差异（MMD）域适应机制对齐模拟数据与真实数据的特征分布，实现有限样本及跨工况条件下的高精故障诊断。该研究发表于《Actuators》期刊。
研究所采用的关键技术方法主要包括以下方面：基于Unity与ADAMS 2024的多体动力学软件构建面向对象的数字孪生模型，并以关节扭矩信号为验证指标确保模型保真度；基于赫兹接触理论与轴承故障机理分析，计算外圈单点故障的附加接触变形与特征频率，将故障激励以样条函数形式注入数字孪生模型关节；采用马尔可夫转移场（MTF）对一维时序信号进行分位数编码与转移概率矩阵构建，生成二维时频特征图像；设计融合残差网络（ResNet）、域适应模块（基于MMD）与注意力机制的残差迁移学习网络（ResTLN），通过Adam优化器进行端到端训练。
研究结果部分按实验内容逐节阐述。
数字孪生模型构建与验证。研究人员采用面向对象方法，按平台、机械臂、焊接夹具等层级分解构建六轴工业机器人的三维几何模型，在ADAMS中定义材料属性与运动约束，确保孪生模型在尺寸、材料与运行条件上与实际ABB IRB6700机器人一致。模型以20 s为运动周期执行典型任务轨迹，通过拉格朗日方程建立动力学模型并计算各关节驱动扭矩。将数字孪生模型预测的关节扭矩信号与实验平台实测扭矩信号进行对比，结果表明两者具有高度一致性，关键运行特征相关系数（R
2）超过0.95，验证了模型的准确性及双模型方法的可行性。
故障激励分析与注入。针对关节轴承外圈故障，研究人员基于赫兹接触理论建立了椭圆形接触区域的压力分布方程，分析了滚动体经过缺陷时的附加接触变形。以GCr15轴承钢为材料，设定外圈直径114.3 mm、滚动体直径4.575 mm、滚动体数量29、弹性模量207 GPa、泊松比0.29、缺陷直径0.5 mm、轴频50 Hz的参数条件下，计算出外圈故障特征频率为278.4 Hz，对应故障载荷为1.12 N。在ADAMS环境中，将故障激励信号以样条函数形式输入数据模块，作为载荷施加于关节，通过定义y向或z向广义力分量实现故障注入，模拟不同位置外圈缺陷引发的周期性径向振动。
故障数据集获取。通过向数字孪生模型各关节施加故障激励，获取了不同关节在故障条件下的振动信号。数据集涵盖健康状态（标签0）及六种单轴故障状态（标签1-6，分别对应一至六轴故障），每类状态750个数据段，每段10,000个采样点，经滑动窗口处理后总计33,750个样本，按70%、20%、10%比例划分为训练集、验证集与测试集。MTF编码将原始信号转换为反映分位数转移概率的二维彩色图像，有效保留了时域依赖关系并降低噪声干扰。
模型训练与架构。MTF-ResTLN模型整体架构包含MTF特征提取与ResTLN深度网络两大部分。MTF阶段通过分位数划分与一阶马尔可夫链构建邻接权重矩阵，扩展时间维度以捕捉时步间依赖关系；ResTLN阶段采用残差网络进行层级特征提取，通过卷积、池化及全局平均池化降低维度，引入L2正则化（系数1×10
?4）与Dropout（比率0.5）防止过拟合，以He初始化方法设置网络权重，采用Adam优化器、初始学习率1×10
?3、批量大小32、最大训练轮次100进行训练，并设置10轮耐心的早停策略。
测试集预测与评估。采用精确率（Precision）、召回率（Recall）、准确率（Accuracy）及F分数（F-score）作为评价指标。MTF-ResTLN模型在正常工况下达98%的分类准确率，单轴、双轴、三轴故障预测准确率分别为97%、96%、96%，四轴至六轴故障预测准确率依次为95%、93%、92%，表明该方法有效缓解了故障数据不足问题，实现了对新数据的有效预测。
消融实验设计与分析。为验证各组件有效性，研究人员设计了五组消融实验：完整模型（M1，MTF-Attention+ResTLN）、去除注意力机制（M2）、去除迁移学习（M3）、同时去除注意力与迁移学习（M4）、以浅层CNN替代残差网络（M5）。结果显示，完整模型在所有指标上表现最优；去除注意力机制导致分类准确率下降，表明该机制能增强噪声环境下的特征表征；去除迁移学习引起测试集性能显著下降且稳定性降低，证实数字孪生数据与真实数据间存在分布差异，迁移学习可有效缓解该问题；同时去除两模块使性能进一步下降，说明注意力机制与迁移学习分别承担"特征选择"与"分布对齐"的互补功能；以浅层CNN替代ResNet后性能显著恶化，表明残差结构对深度特征提取至关重要，但需与其他模块协同方可发挥最优效果。
与其他算法比较。将MTF-ResTLN与ResTLN、CNN、RNN、SVM（RBF核，C=100，γ=0.01）及KNN（曼哈顿距离，K=5）进行对比实验，所有模型在相同数据集、相同优化器（Adam）、学习率（1×10
?5）及损失函数条件下训练测试。结果显示，传统机器学习方法SVM与KNN因处理高维长时序数据能力有限而准确率较低；CNN虽能自动提取特征，但受噪声与数据量限制；RNN表现亦不及所提方法。MTF-ResTLN凭借MTF对时序依赖的有效编码及ResTLN的残差学习与域适应机制，在所有故障类别上均达到最高准确率，展现出优异的跨工况与有限数据条件下的泛化能力。
研究结论部分指出，本文针对工业机器人关节轴承故障诊断中故障数据匮乏与数据不平衡问题，提出了融合数字孪生技术与MTF-ResTLN的完整诊断框架。通过构建工业机器人数字孪生模型并注入故障激励，动态模拟不同关节故障工况生成故障振动数据；将模拟数据与实测健康数据融合构建多源训练集，有效缓解了实际工业场景中故障样本不足的困境。在特征表示方面，马尔科夫迁移场（MTF）将一维振动信号转换为具有时间依赖性的二维特征图像，增强了时序特征的表征能力并降低噪声影响。在此基础上，残差迁移学习网络（ResTLN）通过残差结构提升深度特征提取能力，同时引入域适应机制降低源域与目标域间的分布差异，增强了模型在跨域条件下的故障诊断能力。实验结果表明，所提方法在构建的数据集上针对不同关节故障诊断任务均取得了较高的分类性能；其中正常与故障状态的识别精度保持在较高水平，各故障类别的总体预测准确率处于92%至98%之间，验证了该方法在复杂工况下的有效性与稳定性。
从实验角度而言，数字孪生模型诊断结果与实际机器人故障诊断结果的相关系数达到0.97，准确率范围为92%~98%。这表明即使不依赖大量真实故障数据，所提方法仍能提供准确可靠的诊断结论，为工业机器人的故障监测与预测性维护提供了有效工具。尽管所提模型因结构庞大、参数众多而需要较长的训练时间，但一旦训练完成即可满足现场实时诊断的时间要求。未来研究将致力于降低方法复杂度，并针对多轴同时复合故障这一更具挑战性的问题进行深入探究。
