《機(jī)器人基礎(chǔ)與數(shù)字孿生系統(tǒng)》 課件 第6-8章 數(shù)字孿生系統(tǒng)架構(gòu)及引擎、人機(jī)共融的數(shù)字孿生系統(tǒng)、數(shù)字孿生系統(tǒng)的故障診斷

第6章數(shù)字孿生系統(tǒng)架構(gòu)及引擎第6章數(shù)字孿生系統(tǒng)架構(gòu)及引擎章節(jié)內(nèi)容6.1系統(tǒng)框架及技術(shù)體系

分析了數(shù)字孿生系統(tǒng)主流架構(gòu)的發(fā)展現(xiàn)狀和其主要組成部分，并在此基礎(chǔ)上分析了構(gòu)建具有狀態(tài)監(jiān)測(cè)功能的數(shù)字孿生系統(tǒng)架構(gòu)的主要組成部分及其關(guān)鍵技術(shù)。6.2數(shù)字孿生引擎

介紹了數(shù)字孿生引擎的一般概念和內(nèi)容，具體分析了各組成部分的內(nèi)涵。設(shè)計(jì)并構(gòu)建了數(shù)字孿生的數(shù)據(jù)層，完成了數(shù)據(jù)的采集、數(shù)據(jù)的存儲(chǔ)。同時(shí)設(shè)計(jì)了健康評(píng)估功能，得出機(jī)器人的實(shí)時(shí)健康度水平。6.3可視化應(yīng)用

介紹了VR/AR/MR技術(shù)的概念和一些形式以及Unity軟件的應(yīng)用場(chǎng)景，提供了一個(gè)基礎(chǔ)的Unity練習(xí)題目，具體書寫了實(shí)現(xiàn)步驟，以幫助新手快速入門，并提供了一個(gè)可視化應(yīng)用的實(shí)例。6.1系統(tǒng)架構(gòu)及技術(shù)體系

在MichaelGrieves教授關(guān)于數(shù)字孿生的白皮書中，數(shù)字孿生的概念模型包括三部分：實(shí)體空間中的物理產(chǎn)品、虛擬空間中的虛擬產(chǎn)品以及將虛擬產(chǎn)品和物理產(chǎn)品聯(lián)系在一起的數(shù)據(jù)和信息的連接。五維數(shù)字孿生模型的概念如右圖所示：相較于傳統(tǒng)三維數(shù)字孿生模型增加了功能服務(wù)、數(shù)據(jù)兩個(gè)維度。五維模型主要是指：①物理實(shí)體②虛擬模型③連接④數(shù)據(jù)⑤功能服務(wù)物理實(shí)體虛擬模型數(shù)據(jù)功能服務(wù)映射反饋采集反饋供給存儲(chǔ)供給存儲(chǔ)服務(wù)呈現(xiàn)6.1系統(tǒng)架構(gòu)及技術(shù)體系

物理實(shí)體是現(xiàn)實(shí)世界中客觀存在的實(shí)體，是數(shù)字孿生系統(tǒng)的構(gòu)成基礎(chǔ)，按照物理實(shí)體的復(fù)雜程度不同，物理實(shí)體在構(gòu)成上可以向下細(xì)分為多級(jí)子系統(tǒng)，比如對(duì)于一個(gè)機(jī)器人來(lái)說(shuō)，低一級(jí)為組成機(jī)器人的各個(gè)部件如電機(jī)、減速器、連桿機(jī)構(gòu)等，這些部件組合在一起構(gòu)成了高一級(jí)的機(jī)器人，在構(gòu)建數(shù)字孿生系統(tǒng)時(shí)，需要根據(jù)需求以及管理粒度來(lái)劃分物理實(shí)體。物理實(shí)體虛擬模型數(shù)據(jù)功能服務(wù)映射反饋采集反饋供給存儲(chǔ)供給存儲(chǔ)服務(wù)呈現(xiàn)6.1系統(tǒng)架構(gòu)及技術(shù)體系

虛擬模型是針對(duì)物理實(shí)體所建立的數(shù)字模型，數(shù)字模型需要真實(shí)反映物理實(shí)體狀態(tài)，將物理實(shí)體的幾何外形、物理特性、行為及規(guī)則特性等真實(shí)呈現(xiàn)。

幾何外形的體現(xiàn)依賴于對(duì)物理實(shí)體的三維建模，一般在三維建模軟件中實(shí)現(xiàn)；物理特性是指物理實(shí)體的受力、材質(zhì)、約束、結(jié)構(gòu)等信息；行為特征是指物理實(shí)體在實(shí)際運(yùn)轉(zhuǎn)過(guò)程中，由外部環(huán)境和內(nèi)部因素等綜合作用下表現(xiàn)出來(lái)的行為；規(guī)則特征是指物理實(shí)體遵循的客觀規(guī)律。物理實(shí)體虛擬模型數(shù)據(jù)功能服務(wù)映射反饋采集反饋供給存儲(chǔ)供給存儲(chǔ)服務(wù)呈現(xiàn)6.1系統(tǒng)架構(gòu)及技術(shù)體系

數(shù)據(jù)是系統(tǒng)中傳輸?shù)臄?shù)據(jù)。數(shù)據(jù)不僅來(lái)源與物理實(shí)體上的各傳感器，還可能來(lái)自于系統(tǒng)服務(wù)功能對(duì)原始數(shù)據(jù)進(jìn)行加工、融合之后輸出的數(shù)據(jù)。數(shù)據(jù)是數(shù)字孿生系統(tǒng)的支撐，也是數(shù)字孿生架構(gòu)的核心。

連接是各個(gè)層次之間的連接，主要是數(shù)據(jù)的流通。系統(tǒng)中各個(gè)層次都需要獲取數(shù)據(jù)，數(shù)據(jù)的通訊需要依賴通訊協(xié)議和傳輸規(guī)范，以滿足系統(tǒng)對(duì)于數(shù)據(jù)實(shí)時(shí)性及可靠性的要求。物理實(shí)體虛擬模型數(shù)據(jù)功能服務(wù)映射反饋采集反饋供給存儲(chǔ)供給存儲(chǔ)服務(wù)呈現(xiàn)6.1系統(tǒng)架構(gòu)及技術(shù)體系

功能服務(wù)是系統(tǒng)所帶來(lái)的各種功能，按照服務(wù)范圍可以劃分為對(duì)內(nèi)服務(wù)和對(duì)外服務(wù)兩方面。對(duì)內(nèi)服務(wù)是指系統(tǒng)內(nèi)自用的，比如各層級(jí)之間連接的接口、數(shù)據(jù)傳輸與存儲(chǔ)服務(wù)等，對(duì)外服務(wù)是系統(tǒng)使用者能夠使用的功能，比如虛實(shí)隨動(dòng)、健康狀態(tài)評(píng)估、數(shù)據(jù)可視化呈現(xiàn)、虛擬員工培訓(xùn)、遠(yuǎn)程指導(dǎo)維修并進(jìn)行虛擬現(xiàn)實(shí)等沉浸式交互服務(wù)等。物理實(shí)體虛擬模型數(shù)據(jù)功能服務(wù)映射反饋采集反饋供給存儲(chǔ)供給存儲(chǔ)服務(wù)呈現(xiàn)6.1五維架構(gòu)模型示例仿真運(yùn)算數(shù)據(jù)服務(wù)設(shè)備數(shù)據(jù)監(jiān)控服務(wù)剩余壽命預(yù)測(cè)服務(wù)物理構(gòu)件虛擬模型物理數(shù)據(jù)虛擬數(shù)據(jù)特征提取及剔除融合數(shù)據(jù)算法模型訓(xùn)練計(jì)算VR交互服務(wù)Unity建模向預(yù)測(cè)算法模型發(fā)送網(wǎng)絡(luò)請(qǐng)求調(diào)用VRTK配置接口，VR交互呈現(xiàn)設(shè)備狀態(tài)預(yù)測(cè)結(jié)果算法模型服務(wù)器部署傳感器數(shù)據(jù)控制指令數(shù)據(jù)傳感器數(shù)據(jù)物理/虛擬/融合數(shù)據(jù)數(shù)據(jù)預(yù)處理物理/虛擬/融合數(shù)據(jù)仿真運(yùn)算數(shù)據(jù)特征處理物理/虛擬/融合數(shù)據(jù)服務(wù)數(shù)據(jù)仿真運(yùn)算數(shù)據(jù)校準(zhǔn)策略信息物理融合傳感器數(shù)據(jù)仿真運(yùn)算數(shù)據(jù)故障診斷服務(wù)6.1數(shù)字孿生技術(shù)體系對(duì)于實(shí)體數(shù)字孿生，它的功能是集成不同的信息，例如監(jiān)視信息、感測(cè)信息、服務(wù)信息以及有關(guān)物理的行為信息。物理實(shí)體將具有與其狀態(tài)、運(yùn)行軌跡和行為特征完全相同的虛擬雙胞胎。

對(duì)于場(chǎng)景數(shù)字孿生，物理場(chǎng)景在虛擬空間中用靜態(tài)和動(dòng)態(tài)信息表示。靜態(tài)信息包括空間布局、設(shè)備和地理位置；動(dòng)態(tài)信息涉及環(huán)境、能耗、設(shè)備運(yùn)行、動(dòng)態(tài)過(guò)程等。物理場(chǎng)景中的活動(dòng)可以由數(shù)字孿生模擬。6.1數(shù)字孿生技術(shù)體系物理世界、虛擬模型、數(shù)據(jù)和功能服務(wù)不是孤立的。數(shù)字孿生不是一種單一的技術(shù)，而是一系列技術(shù)的綜合應(yīng)用。6.1系統(tǒng)架構(gòu)實(shí)例根據(jù)數(shù)字孿生五維模型的概念，構(gòu)建協(xié)作臂數(shù)字孿生系統(tǒng)總體技術(shù)框架如下。數(shù)據(jù)持久化技術(shù)：mysql數(shù)據(jù)庫(kù)表設(shè)計(jì)索引設(shè)計(jì)數(shù)據(jù)與模型融合：定義模型父子關(guān)系數(shù)據(jù)與模型融合數(shù)據(jù)驅(qū)動(dòng)模型物理實(shí)體數(shù)據(jù)采集處理技術(shù)：多傳感器數(shù)據(jù)融合技術(shù)數(shù)據(jù)預(yù)處理數(shù)字模型建模技術(shù)：幾何模型建模LOD優(yōu)化算法（模型簡(jiǎn)化）模型紋理材質(zhì)添加物理實(shí)體層數(shù)據(jù)層虛擬實(shí)體層功能服務(wù)層數(shù)據(jù)可視化及VR呈現(xiàn)：儀表盤餅圖折線圖VR呈現(xiàn)技術(shù)健康度評(píng)估：建立評(píng)價(jià)因素集建立評(píng)價(jià)結(jié)果集確定評(píng)價(jià)因素權(quán)重建立模糊矩陣6.2數(shù)字孿生引擎一方面是實(shí)現(xiàn)物理系統(tǒng)和虛擬系統(tǒng)實(shí)時(shí)連接同步驅(qū)動(dòng)的引擎；另一方面是孿生系統(tǒng)中智能算法和智能計(jì)算的引擎核心。五個(gè)部分：交互驅(qū)動(dòng)模塊、數(shù)據(jù)儲(chǔ)存和管理模塊、模型管理模塊、模型/數(shù)據(jù)融合模塊以及智能計(jì)算模塊。6.2數(shù)字孿生引擎——數(shù)據(jù)層搭建實(shí)例數(shù)據(jù)中心/平臺(tái)：數(shù)據(jù)中心架構(gòu)數(shù)據(jù)流向6.2數(shù)字孿生引擎——數(shù)據(jù)層搭建實(shí)例數(shù)據(jù)分類：非時(shí)變數(shù)據(jù)：設(shè)備類型、設(shè)備編號(hào)、精度、負(fù)載等。時(shí)變數(shù)據(jù)：協(xié)作機(jī)器人控制系統(tǒng)主機(jī)、協(xié)作機(jī)器人驅(qū)動(dòng)電機(jī)兩大部分。6.2數(shù)字孿生引擎——數(shù)據(jù)層采集實(shí)例數(shù)據(jù)采集：機(jī)器人驅(qū)動(dòng)電機(jī)數(shù)據(jù)：主要包括驅(qū)動(dòng)電機(jī)的轉(zhuǎn)角、電壓、電流、溫度、轉(zhuǎn)速數(shù)據(jù)。機(jī)器人控制系統(tǒng)主機(jī)數(shù)據(jù)：主要包括控制系統(tǒng)主機(jī)的CPU使用率、內(nèi)存使用率、SSD使用率、SWAP使用率、網(wǎng)卡速率等數(shù)據(jù)。6.2數(shù)字孿生引擎——數(shù)據(jù)采集實(shí)例電機(jī)數(shù)據(jù)采集驅(qū)動(dòng)電機(jī)數(shù)據(jù)通過(guò)與ESP32開發(fā)板串口通信獲取;主機(jī)數(shù)據(jù)采集主機(jī)數(shù)據(jù)通過(guò)主機(jī)命令行代碼獲取外部傳感器通過(guò)傳感器上位機(jī)獲取6.2數(shù)字孿生引擎——數(shù)據(jù)存儲(chǔ)實(shí)例數(shù)據(jù)存儲(chǔ)：數(shù)據(jù)庫(kù)表的設(shè)計(jì)遵循面向?qū)ο蟮脑瓌t，大致分為兩個(gè)類，一類是控制系統(tǒng)主機(jī)表，對(duì)應(yīng)主機(jī)狀態(tài)各參數(shù)，主要包括CPU使用率、內(nèi)存使用率、SSD使用率、SWAP使用率、網(wǎng)卡狀態(tài)、網(wǎng)卡流量等字段，另一類是電機(jī)類，分為六個(gè)子類，分別對(duì)應(yīng)六個(gè)自由度的驅(qū)動(dòng)電機(jī)，每個(gè)子類包含轉(zhuǎn)角、電壓、電流、溫度、轉(zhuǎn)速等字段6.2數(shù)字孿生引擎——數(shù)據(jù)存儲(chǔ)實(shí)例數(shù)據(jù)存儲(chǔ)：索引添加數(shù)據(jù)庫(kù)添加索引，考慮系統(tǒng)長(zhǎng)時(shí)間運(yùn)行，數(shù)據(jù)庫(kù)中數(shù)據(jù)量會(huì)持續(xù)增加，導(dǎo)致數(shù)據(jù)查詢效率降低，數(shù)據(jù)庫(kù)索引就像一本書的目錄，可以顯著加快數(shù)據(jù)查詢速度，實(shí)測(cè)表明，在300萬(wàn)條數(shù)據(jù)的情況下，無(wú)索引查詢需要21.3秒，有索引查詢僅需要1.1秒，而且數(shù)據(jù)量越大，速度提升越明顯。6.2數(shù)字孿生引擎——健康監(jiān)測(cè)實(shí)例機(jī)器人健康度評(píng)估：①確定評(píng)價(jià)因素集②確定評(píng)價(jià)結(jié)果集③確定評(píng)價(jià)因素權(quán)重④確定模糊關(guān)系矩陣求解利用模糊綜合評(píng)價(jià)法進(jìn)行求解，根據(jù)最大隸屬度原則可以確定機(jī)器人健康狀態(tài)，式中H表示評(píng)價(jià)對(duì)象健康等級(jí)隸屬度矩陣，矩陣H中最大元素所代表的健康等級(jí)就是評(píng)價(jià)對(duì)象的最終健康水平：·為加權(quán)平均算子：權(quán)重：模糊關(guān)系矩陣：6.3可視化應(yīng)用——VR/AR/MR

虛擬現(xiàn)實(shí)（VR）是利用計(jì)算機(jī)圖形學(xué)技術(shù)生成一個(gè)三維空間的虛擬世界，用戶借助頭盔顯示器等必要設(shè)備，與數(shù)字化環(huán)境中的對(duì)象進(jìn)行交互，產(chǎn)生親臨環(huán)境的感受和體驗(yàn)。

增強(qiáng)現(xiàn)實(shí)（AR）是在VR技術(shù)的基礎(chǔ)上將真實(shí)世界信息和虛擬世界信息“無(wú)縫”集成的技術(shù)，目標(biāo)是虛擬世界套在現(xiàn)實(shí)世界并進(jìn)行互動(dòng)，是虛擬空間與物理空間之間的融合。

混合現(xiàn)實(shí)技術(shù)（MR）是通過(guò)在現(xiàn)實(shí)世界、虛擬世界和用戶之間搭起一個(gè)交互反饋的信息回路，增強(qiáng)用戶體驗(yàn)的真實(shí)感。6.3可視化應(yīng)用——Unity簡(jiǎn)介

Unity是一種優(yōu)秀的2D/3D游戲引擎，使用Unity開發(fā)的國(guó)內(nèi)外游戲大作層出不窮，例如王者榮耀、原神、爐石傳說(shuō)等。Unity是一款非常適合開發(fā)虛擬仿真應(yīng)用、虛擬現(xiàn)實(shí)作品、電子游戲、實(shí)時(shí)三維影片等多種可交互內(nèi)容的跨平臺(tái)、綜合型開發(fā)工具。6.3可視化應(yīng)用——Unity簡(jiǎn)介若想安裝并方便管理各種不同版本的Unity軟件，可以登陸官網(wǎng)，下載安裝UnityHub，支持多種系統(tǒng)。由于Unity屬于正版軟件，公司等單位使用需要購(gòu)買許可證來(lái)激活，使用個(gè)人版本許可證，只需獲取激活，無(wú)需購(gòu)買。6.3可視化應(yīng)用——Unity簡(jiǎn)介創(chuàng)建一個(gè)Unity工程，可以在Unity啟動(dòng)后出現(xiàn)的對(duì)話框中單擊“New”，輸入項(xiàng)目名稱和選擇保存位置，選擇項(xiàng)目類型。左上角“Hierarchy（層級(jí)）”窗口顯示的是當(dāng)前場(chǎng)景中所有游戲?qū)ο蟮牧斜?；“Scene（場(chǎng)景）”窗口為場(chǎng)景編輯界面，可以在這個(gè)窗口中觀察和編輯當(dāng)前場(chǎng)景中的所有游戲?qū)ο?；“Game（游戲）”窗口是預(yù)覽界面，可以在這個(gè)窗口中以玩家的視角觀察場(chǎng)景的實(shí)時(shí)畫面；“Inspector（檢視）”窗口用于展示場(chǎng)景中某個(gè)被選中的對(duì)象的所有組件及其屬性。6.3可視化應(yīng)用——Unity簡(jiǎn)介一個(gè)Unity項(xiàng)目離不開各種資源。對(duì)于Unity來(lái)說(shuō)，“資源”就是指可以運(yùn)用在游戲或者虛擬現(xiàn)實(shí)項(xiàng)目中的一切文件。資源可以是外部軟件創(chuàng)建的文件；也可以是Unity中創(chuàng)建的特有文件。由于需要對(duì)掛載在物品上的C#腳本進(jìn)行編輯以實(shí)現(xiàn)功能設(shè)計(jì)，需要安裝VisualStudio編輯器，建議版本2019以上。教材中提供了Rollaball項(xiàng)目的過(guò)程指導(dǎo)，是一個(gè)類似“HelloWorld”標(biāo)準(zhǔn)的小游戲，玩家控制小球在環(huán)境中拾取金幣。第6章小結(jié)在第一小節(jié)介紹了數(shù)字孿生體系的一般架構(gòu)，分析數(shù)字孿生相關(guān)的的技術(shù)體系；在第二小節(jié)講解了數(shù)字孿生引擎系統(tǒng)包含的內(nèi)容；在第三節(jié)設(shè)計(jì)了可視化應(yīng)用，安排了Unity的基礎(chǔ)項(xiàng)目練習(xí)；在各節(jié)都提供了實(shí)際項(xiàng)目案例，幫助讀者加深對(duì)相關(guān)概念的理解。第7章人機(jī)共融的數(shù)字孿生系統(tǒng)【7.1結(jié)構(gòu)化環(huán)境建?！俊?.1.1人-機(jī)孿生系統(tǒng)架構(gòu)】

基于數(shù)字孿生五維模型實(shí)現(xiàn)協(xié)作機(jī)器人狀態(tài)監(jiān)測(cè)系統(tǒng)的構(gòu)建?？梢詫?shí)現(xiàn)物理實(shí)體到虛擬實(shí)體的雙向通訊，將實(shí)時(shí)的人機(jī)最小安全距離對(duì)應(yīng)不同安全等級(jí)，給機(jī)器人實(shí)體發(fā)送控制信號(hào)從而實(shí)現(xiàn)不同的控制策略，以虛擬實(shí)體控制真實(shí)的物理實(shí)體。(1)數(shù)據(jù)層：機(jī)械臂的多源監(jiān)測(cè)數(shù)據(jù)均通過(guò)MySQL數(shù)據(jù)庫(kù)存儲(chǔ)至云端。引入Redis緩存數(shù)據(jù)庫(kù)，提高處理效率，為安全性保障提供數(shù)據(jù)基礎(chǔ)。(2)虛擬模型層：保持機(jī)械臂的物理實(shí)體與機(jī)械臂數(shù)字孿生模型的高度一致性。(3)連接層：在數(shù)據(jù)通訊技術(shù)方面，主要采用串口通訊和TCP/IP協(xié)議簇通訊。(4)功能服務(wù)層：主要實(shí)現(xiàn)數(shù)據(jù)可視化、安全狀態(tài)評(píng)估和虛擬模型的運(yùn)動(dòng)跟隨。【7.1結(jié)構(gòu)化環(huán)境建?！俊?.1.2機(jī)械臂虛擬模型制作與簡(jiǎn)化】

定義模型父子關(guān)系：為了讓數(shù)字模型滿足機(jī)器人運(yùn)動(dòng)學(xué)，實(shí)時(shí)呈現(xiàn)機(jī)器人實(shí)體的位姿，按照物理實(shí)體各自由度定義模型父子關(guān)系，按自由度劃分模型，通過(guò)對(duì)機(jī)器人各關(guān)節(jié)變量的輸入，對(duì)每一個(gè)自由度單獨(dú)控制。【7.1結(jié)構(gòu)化環(huán)境建?！俊?.1.2機(jī)械臂虛擬模型制作與簡(jiǎn)化】

模型簡(jiǎn)化優(yōu)化算法：按照一定的手段對(duì)模型中的邊折疊代價(jià)進(jìn)行衡量，折疊代價(jià)越小的邊簡(jiǎn)化后的模型越接近原模型。采用優(yōu)化的基于二次誤差矩陣的邊折疊算法對(duì)數(shù)字孿生模型進(jìn)行簡(jiǎn)化，算法步驟如右圖所示?！?.1結(jié)構(gòu)化環(huán)境建?！俊?.1.2機(jī)械臂虛擬模型制作與簡(jiǎn)化】

模型簡(jiǎn)化優(yōu)化算法：對(duì)兔子模型和機(jī)器人模型進(jìn)行簡(jiǎn)化，對(duì)比原算法和優(yōu)化算法：【7.1結(jié)構(gòu)化環(huán)境建模】【7.1.

3機(jī)械臂虛實(shí)模型的快速映射】

模型簡(jiǎn)化優(yōu)化算法：

DH坐標(biāo)系可視作機(jī)械臂的骨骼模型，在已知各連桿幾何尺寸的前提下，只需要實(shí)時(shí)測(cè)量機(jī)械臂實(shí)體6個(gè)關(guān)節(jié)角的位置和速度，即可實(shí)現(xiàn)機(jī)械臂虛實(shí)模型的快速映射。以右圖機(jī)械臂作為建模實(shí)例。建立如右圖所示的DH坐標(biāo)系。利用機(jī)械臂各關(guān)節(jié)內(nèi)置的碼盤，能實(shí)時(shí)測(cè)量各關(guān)節(jié)的位置和速度，由此更新機(jī)械臂數(shù)字孿生模型的空間位置和速度?！?.1結(jié)構(gòu)化環(huán)境建模】【7.1.4模型與數(shù)據(jù)融合的虛實(shí)運(yùn)動(dòng)跟隨】

模型與數(shù)據(jù)融合：控制模型運(yùn)動(dòng)有兩種實(shí)現(xiàn)方式，一種是使用菜單欄工具通過(guò)鼠標(biāo)控制模型運(yùn)動(dòng)，一般在調(diào)試時(shí)使用，可擴(kuò)展性低；另一種是使用腳本，通過(guò)運(yùn)行腳本控制模型，這種方式相對(duì)鼠標(biāo)控制較為復(fù)雜，需要手動(dòng)編寫腳本，但是優(yōu)點(diǎn)在于可擴(kuò)展性強(qiáng)，能夠?qū)崿F(xiàn)更復(fù)雜的運(yùn)行控制。【7.2非結(jié)構(gòu)化環(huán)境的視覺(jué)重建】【7.2.1人體骨骼模型的處理】

人體骨骼模型識(shí)別：使用Azure-Kinect深度相機(jī)，獲取關(guān)鍵點(diǎn)信息。將已有的SDK移植到Unity的C#腳本中，并進(jìn)行相應(yīng)的模型構(gòu)建，以三維形式來(lái)顯示獲得的骨骼模型數(shù)據(jù)?！?.2非結(jié)構(gòu)化環(huán)境的視覺(jué)重建】【7.2.1人體骨骼模型的處理】

骨骼關(guān)鍵點(diǎn)數(shù)據(jù)處理：采用了霍爾特雙參數(shù)指數(shù)平滑算法消除關(guān)鍵點(diǎn)抖動(dòng)，且以骨骼長(zhǎng)度為約束條件篩選人體骨骼關(guān)鍵點(diǎn)坐標(biāo)，極大提高了AzureKinect相機(jī)獲取關(guān)鍵點(diǎn)空間位置的準(zhǔn)確率，進(jìn)而提升了人機(jī)協(xié)作過(guò)程中的安全感知精度。平滑效果如圖所示。【7.2非結(jié)構(gòu)化環(huán)境的視覺(jué)重建】【7.2.1人體骨骼模型的處理】

實(shí)現(xiàn)動(dòng)作跟蹤效果【7.2非結(jié)構(gòu)化環(huán)境的視覺(jué)重建】【7.2.2虛擬現(xiàn)實(shí)交互系統(tǒng)】

VR場(chǎng)景：選用的虛擬現(xiàn)實(shí)設(shè)備是HTC廠家的HTCVIVECosmos系列，設(shè)備由一個(gè)頭戴式設(shè)備和兩個(gè)操作手柄組成。

瞬移功能是通過(guò)獲取瞬移點(diǎn)的坐標(biāo)，然后將角色的坐標(biāo)轉(zhuǎn)換為瞬移點(diǎn)的坐標(biāo)來(lái)實(shí)現(xiàn)的。未接觸到按鈕時(shí)按鈕呈現(xiàn)白色，當(dāng)接觸之后呈現(xiàn)黃色，按下的瞬間按鈕會(huì)呈現(xiàn)紅色?！?.3人-機(jī)安全交互關(guān)鍵技術(shù)】【7.3.1安全感知算法】

最小安全距離感知：針對(duì)數(shù)字孿生環(huán)境中的機(jī)器人孿生體和操作者孿生體，采用基于三維偏移量的最小安全距離實(shí)時(shí)感知算法，能實(shí)時(shí)快速地計(jì)算人機(jī)協(xié)作中的最小安全距離。機(jī)械臂關(guān)節(jié)段的定義關(guān)系人體骨骼關(guān)節(jié)的定義關(guān)系人機(jī)最小距離函數(shù)上式滿足條件其中和是當(dāng)前計(jì)算距離的兩段關(guān)節(jié)上滿足式(4)的條件參數(shù)式(4)式(5)【7.3人-機(jī)安全交互關(guān)鍵技術(shù)】【7.3.2人-機(jī)數(shù)字孿生系統(tǒng)的協(xié)同構(gòu)建】

信息物理集成子系統(tǒng)：連接著真實(shí)場(chǎng)景和虛擬場(chǎng)景且實(shí)現(xiàn)該兩者的數(shù)據(jù)交互，是實(shí)現(xiàn)以實(shí)促虛、以虛促實(shí)的基礎(chǔ)。通過(guò)RGB-D視覺(jué)相機(jī)采集人體骨骼信息，通過(guò)機(jī)械臂內(nèi)置傳感器采集關(guān)節(jié)角度信息，然后將采集的數(shù)據(jù)傳入服務(wù)器，由此實(shí)現(xiàn)人機(jī)協(xié)作數(shù)字孿生模型的重構(gòu)。【7.3人-機(jī)安全交互關(guān)鍵技術(shù)】【7.3.2人-機(jī)數(shù)字孿生系統(tǒng)的協(xié)同構(gòu)建】

數(shù)字孿生子系統(tǒng)：數(shù)字孿生子系統(tǒng)是將真實(shí)物理場(chǎng)景下的對(duì)象實(shí)體通過(guò)信息物理集成子系統(tǒng)的數(shù)據(jù)進(jìn)行渲染，并在仿真環(huán)境中展示。對(duì)機(jī)械臂和操作者的虛實(shí)映射數(shù)字孿生子系統(tǒng)架構(gòu)正常情況與發(fā)生碰撞【7.3人-機(jī)安全交互關(guān)鍵技術(shù)】【7.3.2人-機(jī)數(shù)字孿生系統(tǒng)的協(xié)同構(gòu)建】

虛擬現(xiàn)實(shí)子系統(tǒng)：操作者通過(guò)佩戴VR眼鏡，能對(duì)真實(shí)場(chǎng)景下不存在的機(jī)器人進(jìn)行模擬預(yù)覽。通過(guò)在虛擬環(huán)境中放置虛擬機(jī)器人，能對(duì)工作場(chǎng)景進(jìn)行預(yù)覽，并監(jiān)測(cè)人機(jī)協(xié)作的最小安全距離。虛擬現(xiàn)實(shí)子系統(tǒng)虛擬機(jī)械臂與人體協(xié)同作業(yè)模擬【7.3人-機(jī)安全交互關(guān)鍵技術(shù)】【7.3.2人-機(jī)數(shù)字孿生系統(tǒng)的協(xié)同構(gòu)建】

基于人機(jī)數(shù)字孿生協(xié)同的安全距離感知方法系統(tǒng)驗(yàn)證視頻：人機(jī)最小安全距離實(shí)時(shí)計(jì)算【7.3人-機(jī)安全交互關(guān)鍵技術(shù)】【7.3.2人-機(jī)數(shù)字孿生系統(tǒng)的協(xié)同構(gòu)建】

基于人機(jī)數(shù)字孿生協(xié)同的安全距離感知方法系統(tǒng)驗(yàn)證視頻：人體、機(jī)械臂孿生效果第八章數(shù)字孿生系統(tǒng)的故障診斷【8.1基于特征生成模型的故障診斷方法】

早期的故障診斷方法有振動(dòng)監(jiān)測(cè)技術(shù)、油液監(jiān)測(cè)技術(shù)、溫度趨勢(shì)分析和無(wú)損探傷技術(shù)等，上述的故障診斷方法主要針對(duì)于普通單一的機(jī)械設(shè)備，無(wú)法適用于當(dāng)下的復(fù)雜設(shè)備和復(fù)雜環(huán)境，已趨于淘汰。

而隨著計(jì)算機(jī)算力的提升和當(dāng)下深度學(xué)習(xí)理論基礎(chǔ)越來(lái)越完善，結(jié)合深度學(xué)習(xí)的軸承故障診斷方法相較于之前的方法能更準(zhǔn)確的提供故障診斷和分類效果。由于故障數(shù)據(jù)難采集且故障類別分布不均衡，導(dǎo)致故障診斷的準(zhǔn)確率和精確率受到影響。本節(jié)提出結(jié)合條件變分自編碼器(ConditionalVariationalAutoencoder,CVAE)與輔助分類生成式對(duì)抗網(wǎng)絡(luò)(AuxiliaryClassifierGenerativeAdversarialNetworks,ACGAN)進(jìn)行特征生成，以實(shí)現(xiàn)準(zhǔn)確故障診斷的新方法?！?.1基于特征生成模型的故障診斷方法】【8.1.1條件變分自編碼器】

條件變分自編碼器(CVAE)基于變分自編碼器(VAE)的基礎(chǔ)上對(duì)輸入數(shù)據(jù)集增加了類別C作為原始數(shù)據(jù)的約束條件，通過(guò)對(duì)原始數(shù)據(jù)和類別進(jìn)行編碼得到隱含特征Z。

通過(guò)引入均值μ、方差σ和噪聲ε對(duì)進(jìn)行重參數(shù)化，得到的重構(gòu)式

Z=μ+σ×ε，再用解碼的方式將隱含特征和類別重構(gòu)回原始數(shù)據(jù)的空間維度，得出重構(gòu)后的數(shù)據(jù)與原始數(shù)據(jù)不斷逼近，從而獲得原始數(shù)據(jù)X的隱含特征Z。【8.1基于特征生成模型的故障診斷方法】【8.1.2輔助分類生成式對(duì)抗網(wǎng)絡(luò)】

傳統(tǒng)的GAN模型主要是通過(guò)對(duì)生成器G輸入噪聲Z，生成器G的目標(biāo)是提取真實(shí)特征的分布并輸出生成特征，盡可能的讓生成特征在判別器D的判別中與真實(shí)特征一致。通過(guò)生成器G和判別器D的對(duì)抗過(guò)程完成對(duì)模型的訓(xùn)練過(guò)程，使得生成特征的分布不斷逼近真實(shí)特征的分布，最終達(dá)到Nash均衡。

通過(guò)CVAE網(wǎng)絡(luò)訓(xùn)練得到的類別條件約束下的隱含特征可以通過(guò)輔助分類生成式對(duì)抗網(wǎng)絡(luò)進(jìn)一步得到類條件特征?！?.1基于特征生成模型的故障診斷方法】

ACGAN在GAN的理論基礎(chǔ)上添加類別屬性C來(lái)約束對(duì)抗網(wǎng)絡(luò)。給生成器G輸入噪聲和類別，判別器D既需要對(duì)生成特征和真實(shí)特征進(jìn)行真?zhèn)闻袆e，又要基于給出的生成特征訓(xùn)練對(duì)應(yīng)的類別屬性，給出屬于類別的概率分布。

判別器和生成器通過(guò)動(dòng)態(tài)抗衡的學(xué)習(xí)方式，最終達(dá)到Nash均衡，ACGAN網(wǎng)絡(luò)可以借助訓(xùn)練好的生成器生成有效的類條件特征?！?.1基于特征生成模型的故障診斷方法】【8.1.3CVAE-ACGAN特征生成模型】故障判斷流程軸承振動(dòng)信號(hào)作為原始故障數(shù)據(jù)，自定義故障類別屬性，經(jīng)過(guò)數(shù)據(jù)清洗和切割劃分后分為訓(xùn)練集、測(cè)試集和驗(yàn)證集。訓(xùn)練集輸入CVAE網(wǎng)絡(luò)，通過(guò)編碼解碼的訓(xùn)練方式提取到類別條件約束下的隱含特征。將CVAE提取到的隱含特征作為判別器的真實(shí)數(shù)據(jù)輸入源，通過(guò)生成器和判別器動(dòng)態(tài)對(duì)抗的訓(xùn)練方式不斷優(yōu)化最終得到有效的類條件特征。結(jié)合ACGAN生成器輸出的類條件特征和訓(xùn)練集進(jìn)行拼接，把擴(kuò)增后的新數(shù)據(jù)集作為CNN網(wǎng)絡(luò)的訓(xùn)練集，結(jié)合分類器的監(jiān)督學(xué)期和梯度下降算法，最小化CNN模型的損失函數(shù)，完成對(duì)CNN故障診斷模型的訓(xùn)練。最后，給CNN故障診斷模型輸入測(cè)試集和驗(yàn)證集，使預(yù)測(cè)類別與真實(shí)類別盡可能一致，驗(yàn)證模型分類能力，得到軸承故障診斷結(jié)果進(jìn)行實(shí)驗(yàn)對(duì)比分析?！?.1基于特征生成模型的故障診斷方法】

CVAE-ACGAN模型訓(xùn)練主要分為兩部分：CVAE提取原始數(shù)據(jù)類別條件約束下的隱含特征和ACGAN生成有效的類條件特征?！?.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實(shí)驗(yàn)對(duì)比驗(yàn)證】

采用凱斯西儲(chǔ)大學(xué)(CWRU)軸承數(shù)據(jù)集和意大利都靈理工大學(xué)(PoliTO)軸承數(shù)據(jù)集作為數(shù)據(jù)源，在同種輸入輸出的條件下，與其他四種特征生成模型的故障診斷結(jié)果進(jìn)行對(duì)比。

凱斯西儲(chǔ)大學(xué)信號(hào)采集實(shí)驗(yàn)臺(tái)由一臺(tái)電動(dòng)機(jī)、一個(gè)功率測(cè)試計(jì)和傳感器組成。傳感器信號(hào)采集頻率主要分為12KHz和48Khz，通過(guò)電火花加工的方式為軸承構(gòu)造人為損傷，其中根據(jù)損失直徑的不同分為0.007英寸、0.014英寸、0.021英寸和0.028英寸。

取驅(qū)動(dòng)端加速度樣本數(shù)據(jù)，按照內(nèi)圈、外圈和滾動(dòng)球體三種故障位置，每種故障位置又按照損傷直徑0.007，0.014和0.021的順序排列，再加上設(shè)備健康的狀態(tài)，自定義10種故障類別，按照數(shù)字0-9的方式來(lái)標(biāo)記，將數(shù)據(jù)集按照7:2:1的比例劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集，取每個(gè)數(shù)據(jù)集長(zhǎng)度為1024?！?.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實(shí)驗(yàn)對(duì)比驗(yàn)證】

意大利都靈理工大學(xué)(PoliTO)軸承數(shù)據(jù)集采用的數(shù)據(jù)來(lái)自意大利都靈理工大學(xué)機(jī)械和航天工程系的航空發(fā)動(dòng)機(jī)高速軸承故障模擬試驗(yàn)臺(tái)，該試驗(yàn)臺(tái)可測(cè)量航空軸承在不同高轉(zhuǎn)速重載荷下的振動(dòng)加速度數(shù)據(jù)。

B1，B2，B3為三個(gè)軸承支座，A1和A2處各安裝一個(gè)三軸振動(dòng)加速度傳感器，分別用于測(cè)量損壞軸承支架B1處和受外載荷最大B2處的振動(dòng)數(shù)據(jù)。使用Rockwell工具在軸承內(nèi)圈或滾子上產(chǎn)生不同大小的錐形壓痕，模擬不同的故障類型，軸承不同健康狀態(tài)的測(cè)量過(guò)程相同：首先在空載下以100Hz轉(zhuǎn)頻(6000r/min)短暫運(yùn)行，檢查安裝是否正確，正確安裝后逐步改變外載荷的大小，并以100Hz為步長(zhǎng)提高。當(dāng)軸的轉(zhuǎn)速穩(wěn)定后就通過(guò)傳感器對(duì)振動(dòng)數(shù)據(jù)進(jìn)行測(cè)量。【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實(shí)驗(yàn)對(duì)比驗(yàn)證】在本次實(shí)驗(yàn)中選擇轉(zhuǎn)速為6000r/min、30000r/min和額定負(fù)載1000N的負(fù)載設(shè)置，以64kHz的采樣率測(cè)量了大約4秒的振動(dòng)信號(hào)，所選擇的故障編號(hào)、故障位置、轉(zhuǎn)速和額定負(fù)載如表所示，最終共計(jì)10種故障類型，數(shù)據(jù)集劃分與凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)集保持一致?！?.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實(shí)驗(yàn)對(duì)比驗(yàn)證】為了量化提出的方法在故障診斷中的效果，采取準(zhǔn)確率(Accuracy)，精確率(Precision)，召回率(Recall)和平均結(jié)果(Averageresult)。A為指定類別特征判斷正確的數(shù)量，B為非指定類別特征被錯(cuò)認(rèn)為指定類別特征的數(shù)量，C為指定類別特征判斷錯(cuò)誤數(shù)量，D為非指定類別特征判斷正確數(shù)量。

準(zhǔn)確率是衡量特征生成模型識(shí)別出故障的指標(biāo)。精確率和召回率是衡量模型正確分類的指標(biāo)，前者關(guān)注指定類別判斷正確的數(shù)量在整體預(yù)測(cè)結(jié)果中的比例，后者關(guān)注指定類別判斷正確的數(shù)量在判斷出的特定故障類別中的比重。平均結(jié)果是召回率和精確率的加權(quán)調(diào)和平均。【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實(shí)驗(yàn)對(duì)比驗(yàn)證】為驗(yàn)證模型在故障診斷中的實(shí)際應(yīng)用情況，以CNN卷積神經(jīng)網(wǎng)絡(luò)作為故障診斷模型。首先，向CNN故障診斷模型輸入故障特征生成模型處理后的故障數(shù)據(jù)集，然后經(jīng)過(guò)Softmax分類器進(jìn)行10種故障分類，最后，通過(guò)對(duì)10種故障類別的分類結(jié)果對(duì)故障特征生成模型的能力進(jìn)行驗(yàn)證和對(duì)比。CNN網(wǎng)絡(luò)參數(shù)設(shè)置【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實(shí)驗(yàn)對(duì)比驗(yàn)證】為驗(yàn)證提出的模型能夠提高故障診斷模型的準(zhǔn)確率和精確率，以PoliTO數(shù)據(jù)集作為數(shù)據(jù)源，分別選擇CNN故障診斷模型和經(jīng)過(guò)故障特征生成模型的CVAE-ACGAN-CNN故障診斷模型進(jìn)行對(duì)比。本次驗(yàn)證方法在測(cè)試集和驗(yàn)證集上各進(jìn)行十次訓(xùn)練，對(duì)10種故障類別的準(zhǔn)確性、精確性、召回率和加權(quán)調(diào)和平均值進(jìn)行求和取平均值。將故障數(shù)據(jù)集直接輸入CNN故障診斷模型時(shí)，平均準(zhǔn)確率在98.58%、平均精確率在96.44%、平均召回率在94.23%、加權(quán)調(diào)和平均值在95.32%。與經(jīng)過(guò)CVAE-ACGAN-CNN故障診斷模型相比較，后者平均準(zhǔn)確率提高0.31%、平均精確率提高2.06%、平均召回率提高3.19%、加權(quán)調(diào)和平均值提高2.64%?！?.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實(shí)驗(yàn)對(duì)比驗(yàn)證】選取最后一次故障預(yù)測(cè)結(jié)果繪制混淆矩陣來(lái)反映故障診斷模型實(shí)際診斷的情況。CNN混淆矩陣CVAE-ACGAN-CNN混淆矩陣對(duì)比二者的混淆矩陣可以發(fā)現(xiàn)：CVAE-ACGAN-CNN對(duì)于10種故障類別的預(yù)測(cè)結(jié)果均高于CNN，而且前者的誤判概率低且只出現(xiàn)誤判為另一類的情況。觀察后者則可以發(fā)現(xiàn)：CNN模型在針對(duì)某一類別的判斷誤差較大，而且對(duì)某一類別可能誤判成其他多種類別，對(duì)故障診斷的精確率和準(zhǔn)確率有著很大的影響。【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實(shí)驗(yàn)對(duì)比驗(yàn)證】為驗(yàn)證模型相較于其他特征生成模型在故障診斷中具有更好的泛化性能，選擇CWRU數(shù)據(jù)集和意大利都靈理工數(shù)據(jù)集做為CVAE-ACGAN特征生成模型的數(shù)據(jù)源，VAE、CVAE、GAN和ACGAN特征生成模型做為比較對(duì)象，選擇相同的輸入和訓(xùn)練步驟，輸入同一個(gè)CNN故障診斷模型記錄診斷結(jié)果，評(píng)估指標(biāo)保持一致。不同模型在CWRU數(shù)據(jù)集的故障診斷結(jié)果對(duì)比【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實(shí)驗(yàn)對(duì)比驗(yàn)證】為驗(yàn)證模型相較于其他特征生成模型在故障診斷中具有更好的泛化性能，選擇CWRU數(shù)據(jù)集和意大利都靈理工數(shù)據(jù)集做為CVAE-ACGAN特征生成模型的數(shù)據(jù)源，VAE、CVAE、GAN和ACGAN特征生成模型做為比較對(duì)象，選擇相同的輸入和訓(xùn)練步驟，輸入同一個(gè)CNN故障診斷模型記錄診斷結(jié)果，評(píng)估指標(biāo)保持一致。不同模型在PoliTO數(shù)據(jù)集的故障診斷結(jié)果對(duì)比【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實(shí)驗(yàn)對(duì)比驗(yàn)證】對(duì)比CVAE-ACGAN和ACGAN的損失函數(shù)曲線可以看出，前者的損失函數(shù)在第12輪的時(shí)候曲線已經(jīng)開始收斂，而且后續(xù)整體曲線處于平穩(wěn)的狀態(tài)；后者的損失函數(shù)曲線在將近28輪的時(shí)候才開始收斂，而且整個(gè)函數(shù)曲線抖動(dòng)較大處于十分不穩(wěn)定狀態(tài)。CVAE-ACGAN損失函數(shù)曲線ACGAN損失函數(shù)曲線【8.1基于特征生成模型的故障診斷方法】【8.1.4CVAE-ACGAN-CNN實(shí)驗(yàn)對(duì)比驗(yàn)證】進(jìn)一步驗(yàn)證CVAE-ACGAN特征生成模型的特征提取能力，利用t-SNE算法來(lái)進(jìn)行可視化分析。將特征層通過(guò)t-SNE投影到2維的平面中觀察數(shù)據(jù)特征分布，圖內(nèi)數(shù)字0-9代表提取到的不同故障特征類型。選擇CVAE和VAE的隱含特征值層，ACGAN和CVAE-ACGAN生成器的輸出層，CVAE-ACGAN模型中CNN的輸出層。【8.2性能退化評(píng)估模型】【8.2.1軸承性能退化評(píng)估方法】機(jī)械設(shè)備經(jīng)過(guò)長(zhǎng)期運(yùn)行后，許多零部件會(huì)面臨使用壽命退化的問(wèn)題，從而影響設(shè)備的運(yùn)行狀態(tài)。因此，對(duì)機(jī)械設(shè)備的運(yùn)行狀態(tài)進(jìn)行有效評(píng)估是保證生產(chǎn)可持續(xù)進(jìn)行的方法之一。在機(jī)械設(shè)備的運(yùn)行過(guò)程中，其零部件狀態(tài)具有時(shí)變性和不確定性特點(diǎn)。需研究合理的性能退化評(píng)估方法，對(duì)時(shí)序信號(hào)進(jìn)行分析處理并得出實(shí)際運(yùn)行模型與預(yù)測(cè)模型之間的實(shí)際映射，以實(shí)現(xiàn)高可靠運(yùn)行。討論一種基于堆棧去噪自編碼器(StackedDenoisedAutoencoder,SDAE)和支持向量數(shù)據(jù)描述(SupportVectorDataDescription,SVDD)的性能退化評(píng)估模型。SDAE具有良好的去噪和抗干擾能力，從原始數(shù)據(jù)集中挖掘出有效的退化特征并結(jié)合時(shí)序特征分析，劃分出正常狀態(tài)特征和全壽命特征，結(jié)合SVDD模型抗干擾的特點(diǎn)，對(duì)SVDD評(píng)估模型進(jìn)行離線訓(xùn)練來(lái)確定模型參數(shù)，通過(guò)在線評(píng)估的方法來(lái)預(yù)測(cè)軸承早期故障和其他退化狀態(tài)，進(jìn)一步對(duì)退化評(píng)估結(jié)果進(jìn)行驗(yàn)證和對(duì)比分析。【8.2性能退化評(píng)估模型】【8.2.2堆疊消噪自動(dòng)編碼】SDAE是在自動(dòng)編碼器(Autoencoder,AE)的基礎(chǔ)上延伸提出的模型，由于AE模型的泛化能力和抗噪能力弱，可以對(duì)輸入的數(shù)據(jù)進(jìn)行去噪，以形成去噪自編碼器(DenoisedAutoencoder,DAE)。DAE模型有較強(qiáng)的抗噪能力，但是在訓(xùn)練和學(xué)習(xí)的過(guò)程中存在收斂速度慢和計(jì)算量大的問(wèn)題，SDAE則在DAE的基礎(chǔ)上通過(guò)堆疊的方式進(jìn)行逐層訓(xùn)練，既保留了DAE模型的抗噪能力又加快了收斂和學(xué)習(xí)速度。AE是一種非監(jiān)督學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)為輸入層、隱含層和輸出層，在進(jìn)行訓(xùn)練的時(shí)候主要分為編碼解碼兩部分，并通過(guò)最小化重構(gòu)差來(lái)對(duì)原始數(shù)據(jù)進(jìn)行特征提取。DAE則是在AE中隨機(jī)加入噪聲進(jìn)行訓(xùn)練，來(lái)避免輸入信號(hào)因?yàn)槭艿皆肼曃廴径绊懫漪敯粜院头夯芰??！?.2性能退化評(píng)估模型】【8.2.2堆疊消噪自動(dòng)編碼】DAE在AE中隨機(jī)加入噪聲進(jìn)行訓(xùn)練，來(lái)避免輸入信號(hào)因?yàn)槭艿皆肼曃廴径绊懫漪敯粜院头夯芰Α?/p>

DAE模型首先對(duì)原始樣本，

加入噪聲，獲得含噪樣本

，含噪樣本經(jīng)過(guò)激活函數(shù)編碼的方式實(shí)現(xiàn)到隱含層的映射，輸入解碼層進(jìn)行重構(gòu)處理，最終得到輸出

。DAE模型通過(guò)編碼解碼的方式能提高魯棒性，但是在面對(duì)大量樣本時(shí)存在訓(xùn)練速度慢和提取特征精度欠缺的問(wèn)題。【8.2性能退化評(píng)估模型】【8.2.2堆疊消噪自動(dòng)編碼】SDAE模型通過(guò)堆疊的方式將結(jié)構(gòu)分成編碼解碼的單元，通過(guò)預(yù)訓(xùn)練的方式將上一單元的隱含層作為下一單元的輸入層，根據(jù)重構(gòu)誤差不斷進(jìn)行調(diào)整，可以提取更加深層次的有效特征

SDAE的基本結(jié)構(gòu)與DAE類似，但是相比于DAE可以通過(guò)逐層訓(xùn)練的方式提取更有效的特征。經(jīng)過(guò)隨機(jī)噪聲的原始樣本作為模型的輸入層，經(jīng)過(guò)第一隱含層時(shí)通過(guò)編碼解碼的方式得到隱含特征，當(dāng)進(jìn)入第二隱含層時(shí)選擇第一個(gè)隱含特征作為隱含層的輸入，再次經(jīng)過(guò)編碼解碼的方式得到另一個(gè)隱含特征，如此反復(fù)訓(xùn)練和調(diào)整，直到得到最終的隱含特征和每一層的權(quán)值，完成預(yù)訓(xùn)練的過(guò)程。

在確定每層的權(quán)值后，對(duì)原始樣本整體輸入SDAE模型，通過(guò)最小化重構(gòu)誤差函數(shù)和梯度下降算法最終完成全局調(diào)參的目標(biāo)?！?.2性能退化評(píng)估模型】【8.2.3支持向量數(shù)據(jù)描述】SVDD模型最早用來(lái)解決單分類問(wèn)題，將目標(biāo)樣本通過(guò)非線性函數(shù)映射在不同維度的空間，并在這個(gè)空間中通過(guò)確定球心和半徑兩個(gè)重要參數(shù)來(lái)構(gòu)建一個(gè)最小的超球體結(jié)構(gòu)。

樣本到球心的距離定義為退化指標(biāo)，選擇合適的性能退化閾值將樣本點(diǎn)劃分為目標(biāo)樣本點(diǎn)和非目標(biāo)樣本點(diǎn)。在進(jìn)行實(shí)際評(píng)估的過(guò)程中，選取每個(gè)樣本點(diǎn)到球心的距離與半徑進(jìn)行性能退化閾值比較，其中超球體模型應(yīng)盡可能將目標(biāo)樣本包含在球體內(nèi)，其余樣本都在超球體半徑范圍之外。此外，通過(guò)樣本點(diǎn)到球心的距離也可判斷樣本點(diǎn)的退化程度，離球心越近代表此時(shí)設(shè)備工作狀態(tài)越穩(wěn)定，而離球心越遠(yuǎn)則代表此時(shí)設(shè)備故障損壞程度越嚴(yán)重。根據(jù)這一特性可以將SVDD模型用于軸承性能退化評(píng)估方法中?！?.2性能退化評(píng)估模型】【8.2.4基于SDAE-SVDD的性能退化評(píng)估模型】軸承的性能退化過(guò)程主要分為正常狀態(tài)、退化狀態(tài)和失效狀態(tài)三種狀態(tài)。

1）正常狀態(tài)正常狀態(tài)是設(shè)備從剛開始運(yùn)行至發(fā)生輕微故障的時(shí)期，這一期間故障特征在前期沒(méi)有明顯的體現(xiàn)，表示此時(shí)的設(shè)備處于正常工作狀態(tài)。2）退化狀態(tài)退化狀態(tài)是從設(shè)備已經(jīng)發(fā)生故障的時(shí)刻開始記錄，主要分為輕微退化、中度退化和嚴(yán)重退化三種程度。此時(shí)的故障特征相比于正常狀態(tài)會(huì)有明顯的抖動(dòng)，該故障只是表明設(shè)備此時(shí)已經(jīng)進(jìn)入性能退化階段，隨著設(shè)備運(yùn)行時(shí)間的增加，故障特征會(huì)越來(lái)越明顯，設(shè)備性能退化也更加嚴(yán)重，但是并未導(dǎo)致設(shè)備發(fā)生停機(jī)等事故。3）失效狀態(tài)失效狀態(tài)是從設(shè)備的失效故障點(diǎn)開始記錄，此時(shí)故障特征達(dá)到峰值且發(fā)生劇烈的抖動(dòng)，表明設(shè)備的狀態(tài)已經(jīng)無(wú)法滿足基本的運(yùn)行要求，嚴(yán)重時(shí)會(huì)造成設(shè)備停機(jī)，導(dǎo)致生產(chǎn)無(wú)法繼續(xù)。。選取穩(wěn)定明顯的性能退化指標(biāo)對(duì)評(píng)估結(jié)果的準(zhǔn)確性有著重要的影響。【8.2性能退化評(píng)估模型】【8.2.4基于SDAE-SVDD的性能退化評(píng)估模型】原始振動(dòng)信號(hào)有著數(shù)據(jù)量大和噪聲強(qiáng)的特點(diǎn)，直接通過(guò)性能退化評(píng)估模型進(jìn)行評(píng)估會(huì)導(dǎo)致模型的訓(xùn)練過(guò)程緩慢、評(píng)估結(jié)果準(zhǔn)確率低。

SDAE網(wǎng)絡(luò)由多個(gè)自動(dòng)編碼器疊加建立，可以通過(guò)編碼的方式將原始數(shù)據(jù)的輸入特征映射為低維特征，再經(jīng)由解碼的方式對(duì)編碼提取的低維特征進(jìn)行重構(gòu)，通過(guò)梯度下降算法對(duì)編碼解碼網(wǎng)絡(luò)逐層訓(xùn)練，使得重構(gòu)誤差達(dá)到最小化，為性能退化評(píng)估模型提供有效的性能退化輸入特征，提高性能退化評(píng)估結(jié)果準(zhǔn)確性。軸承性能退化數(shù)據(jù)集反映軸承在某一時(shí)間段內(nèi)從正常到失效的過(guò)程，考慮到時(shí)間序列數(shù)據(jù)集的序列性和對(duì)離散點(diǎn)敏感性的特點(diǎn)，需要在進(jìn)行性能退化評(píng)估前對(duì)其進(jìn)行時(shí)域特征提取，經(jīng)過(guò)試驗(yàn)對(duì)比分別以均值、均方根、峰度、偏度、極差、方差、峰值指標(biāo)、脈沖指標(biāo)、裕度指標(biāo)和峭度為時(shí)域特征，其編號(hào)分布為T=[T1,T2,…,T10]，共計(jì)10維特征【8.2性能退化評(píng)估模型】【8.2.4基于SDAE-SVDD的性能退化評(píng)估模型】在對(duì)軸承的性能退化進(jìn)行評(píng)估的過(guò)程中，SVDD通過(guò)定義一個(gè)最小超球面，盡可能將正常運(yùn)行的樣本包含在球內(nèi)，選擇每個(gè)樣本與超球體球心之間的距離作為性能退化指標(biāo)DI，以反應(yīng)不同時(shí)期性能退化的程度。

在對(duì)SVDD性能退化評(píng)估模型訓(xùn)練和學(xué)習(xí)中，需要預(yù)先提前設(shè)置核參數(shù)和懲罰因子。懲罰因子衡量樣本中離散點(diǎn)對(duì)整個(gè)模型評(píng)估能力的影響程度，值越大代表模型越重視離散點(diǎn)的影響。核參數(shù)在SVDD中決定超球體半徑的大小，相較于懲罰因子，對(duì)模型的分類能力有著重要的影響。核參數(shù)的選擇受到核函數(shù)的影響，經(jīng)常應(yīng)用的核函數(shù)有以下三種。線性核函數(shù)多項(xiàng)式核函數(shù)高斯核函數(shù)高斯核函數(shù)也稱為RBF核函數(shù)，是在支持向量機(jī)分類中最常用的核函數(shù)，其本質(zhì)是通過(guò)衡量樣本之間的相似度來(lái)實(shí)現(xiàn)更加準(zhǔn)確的分類功能，可調(diào)參數(shù)只有δ，相較于之前兩種核函數(shù)，能夠針對(duì)非線性問(wèn)題提供計(jì)算量更小更加有效的解決方案，具有較強(qiáng)的實(shí)用性?！?.2性能退化評(píng)估模型】【8.2.4基于SDAE-SVDD的性能退化評(píng)估模型】為了更準(zhǔn)確地獲得軸承從正常運(yùn)行到完全失效這一完整的性能退化過(guò)程，提出基于SDAE-SVDD的滾動(dòng)軸承性能退化評(píng)估流程。

1）性能退化評(píng)估流程主要分為離線訓(xùn)練和在線評(píng)估兩部分。選擇均方根值（RMS）作為性能退化指標(biāo)對(duì)全壽命周期的原始振動(dòng)信號(hào)進(jìn)行預(yù)處理，劃分出軸承正常工作和早期軸承故障的開始時(shí)刻；2）SDAE從軸承全壽命數(shù)據(jù)中自適應(yīng)提取軸承性能退化特征，通過(guò)重構(gòu)誤差和梯度下降算法提取到有效特征，結(jié)合第一步得到的樣本劃分點(diǎn)，將提取到的特征劃分為正常狀態(tài)特征和全壽命特征；3）結(jié)合時(shí)序信號(hào)的特點(diǎn)對(duì)SDAE提取到的正常狀態(tài)特征和全壽命特征進(jìn)行時(shí)域特征提取，分別劃分為離線訓(xùn)練集和在線測(cè)試集；【8.2性能退化評(píng)估模型】【8.2.4基于SDAE-SVDD的性能退化評(píng)估模型】

4）利用訓(xùn)練集數(shù)據(jù)通過(guò)離線訓(xùn)練的方式構(gòu)建SVDD性能退化評(píng)估模型，選擇正常狀態(tài)樣本點(diǎn)到超球體球心的距離作為性能退化指標(biāo)DI，構(gòu)建SVDD性能退化評(píng)估模型，通過(guò)對(duì)比和實(shí)驗(yàn)最終確定SVDD模型的核參數(shù)和懲罰因子；5）最后，選擇全壽命測(cè)試集。經(jīng)過(guò)上述步驟的特征提取可得到性能退化特征，再輸入到已訓(xùn)練好的SVDD性能退化評(píng)估模型，通過(guò)在線評(píng)估和性能退化指標(biāo)DI繪制性能退化評(píng)估曲線，并對(duì)預(yù)測(cè)的退化結(jié)果進(jìn)行驗(yàn)證和對(duì)比分析，衡量實(shí)際的退化評(píng)估能力?！?.2性能退化評(píng)估模型】【8.2.5SDAE-SVDD實(shí)驗(yàn)對(duì)比驗(yàn)證】1)辛辛那提大學(xué)IMS軸承退化數(shù)據(jù)集為驗(yàn)證SDAE-SVDD性能退化評(píng)估模型的有效性，選擇辛辛那提大學(xué)智能維護(hù)中心滾動(dòng)軸承全壽命疲勞實(shí)驗(yàn)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)分析。整個(gè)數(shù)據(jù)采集平臺(tái)是在恒定負(fù)載的條件下進(jìn)行，主要由交流電機(jī)、四套軸承、加速度傳感器、潤(rùn)滑系統(tǒng)和測(cè)量系統(tǒng)等組成。實(shí)驗(yàn)采用的是4個(gè)雙列滾柱軸承，軸承節(jié)徑為7.150cm，滾柱直徑0.841cm，每個(gè)軸承的軸承座上都安裝了加速度傳感器來(lái)采集振動(dòng)信號(hào)，實(shí)驗(yàn)臺(tái)從軸承開始正常工作到其中某個(gè)軸承發(fā)生故障作為一個(gè)完整實(shí)驗(yàn)周期，根據(jù)不同軸承的損壞程度和損壞位置共計(jì)有三組不同數(shù)據(jù)?！?.2性能退化評(píng)估模型】【8.2.5SDAE-SVDD實(shí)驗(yàn)對(duì)比驗(yàn)證】1)辛辛那提大學(xué)IMS軸承退化數(shù)據(jù)集為驗(yàn)證SDAE-SVDD性能退化評(píng)估模型的有效性，選擇辛辛那提大學(xué)智能維護(hù)中心滾動(dòng)軸承全壽命疲勞實(shí)驗(yàn)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)分析。整個(gè)數(shù)據(jù)采集平臺(tái)是在恒定負(fù)載的條件下進(jìn)行，主要由交流電機(jī)、四套軸承、加速度傳感器、潤(rùn)滑系統(tǒng)和測(cè)量系統(tǒng)等組成。實(shí)驗(yàn)采用的是4個(gè)雙列滾柱軸承，軸承節(jié)徑為7.150cm，滾柱直徑0.841cm，每個(gè)軸承的軸承座上都安裝了加速度傳感器來(lái)采集振動(dòng)信號(hào)，實(shí)驗(yàn)臺(tái)從軸承開始正常工作到其中某個(gè)軸承發(fā)生故障作為一個(gè)完整實(shí)驗(yàn)周期，根據(jù)不同軸承的損壞程度和損壞位置共計(jì)有三組不同數(shù)據(jù)?！?.2性能退化評(píng)估模型】【8.2.5SDAE-SVDD實(shí)驗(yàn)對(duì)比驗(yàn)證】1)辛辛那提大學(xué)IMS軸承退化數(shù)據(jù)集第2組中實(shí)驗(yàn)臺(tái)電機(jī)轉(zhuǎn)速為2000r/min，四個(gè)軸承分別收到2700kg的徑向載荷，加速度傳感器位于軸承的豎直和垂直方向，采樣頻率為10分鐘進(jìn)行一次收集，從軸承正常工作到發(fā)生故障失效期間共計(jì)采集到984個(gè)樣本點(diǎn)，每個(gè)樣本點(diǎn)含有20480個(gè)數(shù)據(jù)點(diǎn)，由于后兩個(gè)樣本已經(jīng)發(fā)生嚴(yán)重失效對(duì)性能退化評(píng)估沒(méi)有太大參考價(jià)值，所以選擇前982個(gè)樣本點(diǎn)為驗(yàn)證性能退化評(píng)估模型的全壽命數(shù)據(jù)集?？紤]在外界工況的影響下，軸承早期故障振動(dòng)信號(hào)采集時(shí)容易被噪聲等因素所忽略，采用快速傅里葉變換（FFT）對(duì)全壽命振動(dòng)信號(hào)進(jìn)行降噪處理，并對(duì)982個(gè)樣本點(diǎn)都選擇均方根值（RMS）作為性能退化指標(biāo)，繪制軸承的實(shí)際性能退化曲線，其中橫軸代表樣本的數(shù)據(jù)組，縱軸代表各個(gè)樣本點(diǎn)RMS的平均值。【8.2性能退化評(píng)估模型】【8.2.5SDAE-SVDD實(shí)驗(yàn)對(duì)比驗(yàn)證】2)模型構(gòu)建SDAE-SVDD性能退化評(píng)估模型主要分為SDAE性能退化特征提取模型和SVDD性能退化評(píng)估兩部分。SDAE性能退化特征提取模型主要受到隱藏層數(shù)和隱藏層結(jié)構(gòu)影響，選擇SDAE網(wǎng)絡(luò)隱含層數(shù)為5層，網(wǎng)絡(luò)結(jié)構(gòu)為線性層，在SDAE進(jìn)行逐層訓(xùn)練,每層創(chuàng)建一個(gè)編碼解碼的單元層作為訓(xùn)練單元，同時(shí)選擇激活函數(shù)Relu、SGD優(yōu)化器和均方誤差作為損失函數(shù)。由于實(shí)際機(jī)械設(shè)備的工作環(huán)境具有不確定因素作為干擾項(xiàng)，為模擬這一情況，對(duì)每個(gè)隱含層的特征隨機(jī)設(shè)為Null值，避免模型在過(guò)于理想化條件下影響實(shí)際性退化評(píng)估結(jié)果的準(zhǔn)確性?！?.2性能退化評(píng)估模型】【8.2.5SDAE-SVDD實(shí)驗(yàn)對(duì)比驗(yàn)證】2)模型構(gòu)建SVDD模型性能退化評(píng)估的參數(shù)設(shè)定主要涉及核參數(shù)和懲罰因子，選擇正常狀態(tài)訓(xùn)練集作為SVDD模型的數(shù)據(jù)集，以正常樣本點(diǎn)到球心的距離作為性能退化指標(biāo)，理想狀態(tài)下超球體的半徑范圍內(nèi)應(yīng)包含所有正常樣本點(diǎn)，根據(jù)這一訓(xùn)練目標(biāo)，通過(guò)反復(fù)實(shí)驗(yàn)對(duì)比性能退化指標(biāo)的趨勢(shì)選擇最優(yōu)參數(shù)【8.2性能退化評(píng)估模型】【8.2.5SDAE-SVDD實(shí)驗(yàn)對(duì)比驗(yàn)證】3)實(shí)驗(yàn)結(jié)果對(duì)比分析根據(jù)離線訓(xùn)練確定SVDD的模型參數(shù)，對(duì)SDAE-SVDD模型輸入全壽命數(shù)據(jù)集進(jìn)行軸承性能退化評(píng)估實(shí)驗(yàn)，選擇上一小節(jié)提到的性能退化指標(biāo)DI，描繪出退化曲線。其中，橫軸表示經(jīng)過(guò)特征提取后的退化特征集，對(duì)應(yīng)全壽命數(shù)據(jù)中982個(gè)樣本點(diǎn)，縱軸表示各個(gè)退化特征到球心的距離。軸承整個(gè)性能退化過(guò)程中前500個(gè)樣本點(diǎn)退化指標(biāo)整體趨于平穩(wěn)，說(shuō)明軸承正常工作；位于第533個(gè)樣本點(diǎn)，性能退化指標(biāo)明顯有上升的趨勢(shì)，說(shuō)明此時(shí)軸承開始出現(xiàn)性能退化的趨勢(shì)并處于早期故障特征的狀態(tài)；第705個(gè)樣本點(diǎn)時(shí)，軸承隨著運(yùn)行時(shí)間增加造成軸承磨損更加嚴(yán)重，發(fā)生劇烈退化，在圖中反映為退化指標(biāo)發(fā)生劇烈上升到達(dá)第一個(gè)峰值；此后性能退化指標(biāo)發(fā)生先降后升的情況，在第845個(gè)樣本點(diǎn)到達(dá)第二次峰值；隨著軸承運(yùn)行的故障位置磨損加劇，在第921個(gè)樣本點(diǎn)后軸承達(dá)到退化指標(biāo)峰值，此時(shí)軸承已經(jīng)發(fā)生失效的狀況，無(wú)法進(jìn)行正常的工作，情況嚴(yán)重會(huì)導(dǎo)致機(jī)器發(fā)生停機(jī)等狀況?！?.2性能退化評(píng)估模型】【8.2.5SDAE-SVDD實(shí)驗(yàn)對(duì)比驗(yàn)證】為驗(yàn)證上述性能退化評(píng)估結(jié)果的準(zhǔn)確性，選擇全壽命數(shù)據(jù)的532、533、534和705樣本點(diǎn)進(jìn)行包絡(luò)譜分析。包絡(luò)譜分析相比較于傳統(tǒng)的頻譜分析，對(duì)軸承振動(dòng)信號(hào)中受到的沖擊信號(hào)更為敏感，對(duì)于量化沖擊頻率和強(qiáng)度的分析有很大幫助，選擇希爾伯特(Hilbert)變換得到以上樣本點(diǎn)的包絡(luò)譜分析圖，其中橫軸代表頻率，縱軸代表包絡(luò)譜幅值。【8.2性能退化評(píng)估模型】【8.2.5SDAE-SVDD實(shí)驗(yàn)對(duì)比驗(yàn)證】選擇未經(jīng)過(guò)SDAE特征提取的全壽命數(shù)據(jù)和主成分分析(PCA)分別輸入SVDD性能退化評(píng)估模型，對(duì)辛辛那提大學(xué)軸承數(shù)據(jù)集進(jìn)行性能退化評(píng)估評(píng)估流程與8.2.4節(jié)保持一致。全壽命數(shù)據(jù)SVDD性能退化評(píng)估曲線PCA-SVDD性能退化評(píng)估曲線

以上兩種模型雖然一定程度上都能反應(yīng)軸承的性能退化過(guò)程，但是在實(shí)際機(jī)械設(shè)備的生產(chǎn)環(huán)境中無(wú)法發(fā)現(xiàn)早期故障，對(duì)于軸承后續(xù)的幾個(gè)性能退化過(guò)程表現(xiàn)的并不明顯，SDAE-SVDD模型在發(fā)現(xiàn)早期故障特征和反映軸承性能退化過(guò)程中有著明顯的優(yōu)勢(shì)?！?.3融合工業(yè)云的數(shù)字孿生故障診斷系統(tǒng)】融合工業(yè)云和虛擬現(xiàn)實(shí)的數(shù)字孿生故障診斷系統(tǒng)架構(gòu)主要分為設(shè)備層、邊緣層、云服務(wù)層與應(yīng)用層。(1)設(shè)備層包含傳感器、通信設(shè)備和機(jī)械設(shè)備實(shí)體。(2)在邊緣層中，通用高效可擴(kuò)展網(wǎng)絡(luò)框架突破了網(wǎng)絡(luò)瓶頸，保障了系統(tǒng)的可靠性，對(duì)設(shè)備層的數(shù)據(jù)進(jìn)行協(xié)議轉(zhuǎn)換、函數(shù)計(jì)算和本地存儲(chǔ)等方式為數(shù)據(jù)高效融合和實(shí)時(shí)傳輸創(chuàng)造條件，同時(shí)通過(guò)設(shè)備管理來(lái)實(shí)時(shí)監(jiān)控設(shè)備和數(shù)據(jù)流的狀態(tài)，針對(duì)特定情況及時(shí)做出預(yù)警。【8.3融合工業(yè)云的數(shù)字孿生故障診斷系統(tǒng)】融合工業(yè)云和虛擬現(xiàn)實(shí)的數(shù)字孿生故障診斷系統(tǒng)架構(gòu)主要分為設(shè)備層、邊緣層、云服務(wù)層與應(yīng)用層。(3)云服務(wù)器層包含云計(jì)算模塊、網(wǎng)絡(luò)處理模塊及云存儲(chǔ)模塊。(4)應(yīng)用層為結(jié)合實(shí)際設(shè)備生產(chǎn)運(yùn)行環(huán)境搭建的虛擬模型和待維修設(shè)備的三維感知模型，再結(jié)合動(dòng)作編程指令在虛擬環(huán)境中帶來(lái)人機(jī)交互體驗(yàn)?！?.3融合工業(yè)云的數(shù)字孿生故障診斷系統(tǒng)】【8.3.1邊緣計(jì)算】邊緣計(jì)算靠近采集設(shè)備，現(xiàn)場(chǎng)提供分布式計(jì)算、存儲(chǔ)和應(yīng)用等服務(wù)，相較以云計(jì)算為中心的模式，可以緩解帶寬和計(jì)算壓力，有效提高數(shù)據(jù)處理穩(wěn)定性，具有更高