潘屹豪，肖 红，周玉彬，黎 萍，姜文超,，熊 梦，贺忠堂

(1.广东工业大学计算机学院，广州 510006；2.东莞中国科学院云计算产业技术创新与育成中心，广东 东莞 523808)

0 引言

工业机器人故障自动诊断与预警是自动化生产过程顺利开展的关键和难点，目前少有基于工业机器人运行大数据的深度学习故障诊断方法。当工业机器人发生故障时，其定位精度、产品质量都会发生较大幅度下降，意外停机时会带来巨大经济损失。因此，开发有效的故障诊断方法来监测多轴工业机器人工作状态显得尤为重要。

Brambilla D等[1]提出一种基于模型的机器人故障诊断方法，该方法通过广义观测器(GOS)方案来检测传感器故障。然而，现实中机器人状态在实践中难以估计，因此基于模型的机器人故障诊断通常较难使用。

近年来，在故障诊断领域出现了越来越多数据驱动的故障检测方法。Kim Y等[2]提出一种基于相位的时域平均(PTDA)方法，然而该方法仅限于恒定速度范围并且在实际工业领域中获取振动数据并不容易。

基于浅层学习的神经网络故障诊断技术的诊断性能很大程度上取决于提取的故障特征是否准确。此外，故障诊断过程中，数据处理、特征提取、特征选择和模型训练4个阶段无法同时进行优化。因此，使用原始信号数据进行故障诊断更具有可用性。随着机器人故障诊断的重要性被逐渐认识，陆续出现许多基于卷积神经网络(CNN)的故障诊断模型[3-8]。但是这些模型很少使用机器人控制器原始数据进行分析，也缺乏针对工业机器人故障特点的优化及实际验证。……