本发明属于机械臂故障诊断相关，尤其涉及基于知识图谱和神经网络的机械臂故障诊断方法及系统。
背景技术：
1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
2、机械臂由于其灵活性高，精度高，可承重能力强等优点，被广泛用于工业生产环境中。在实际生产中，机械臂系统的安全和稳定一直是工业界和学术界的焦点。随着机械臂的不断发展，机械臂的构造和功能变得越来越复杂，相应的故障诊断和维护也变得越来越具有挑战性。故障会导致机械臂失效，降低工作效率，造成重大经济损失，甚至危害人身安全。在过去的机械臂系统领域，故障诊断一直是一个具有挑战性的问题，传统的方法通常依赖于规则和经验，无法提供足够的准确性和效率，并且对设备大都有极高的要求。
3、现有的方法大多利用通过构建的知识图谱对神经网络进行训练，基于训练的好的神经网络进行机械臂故障的诊断，但是现有基于神经网络的方法，在推理过程中，存在对知识图谱中的知识没有充分挖掘其潜在联系，以及没有充分利用知识图谱丰富知识的问题。
技术实现思路
1、为克服上述现有技术的不足，本发明提供了一种基于知识图谱和神经网络的机械臂故障诊断方法及系统，利用机械臂知识图谱中的知识与机械臂故障诊断模型的输出进行余弦相似度计算，进而引导机械臂故障诊断模型的训练，使模型能够更好地学习到机械臂知识图谱的知识，提高后续机械臂诊断结果的准确性。
2、为实现上述目的，本发明的第一个方面提供一种基于知识图谱和神经网络的机械臂故障诊断方法，包括：
3、构建机械臂知识图谱，所述机械臂知识图谱中包括：机械臂、关节、数据采集装置、故障类型、数据采集装置类型和关节转动角度；
4、构建训练集，利用训练集对机械臂故障诊断模型进行训练，得到训练好的机械臂故障诊断模型；其中，所述训练集包括已获取的机械臂故障数据以及对应的故障类型；在所述机械臂故障诊断模型训练过程中，利用余弦相似度衡量所述机械臂知识图谱中机械臂故障数据对应的故障特征向量，与所述机械臂故障诊断模型输出的故障类型向量的相似度，作为余项损失对所述机械臂故障诊断模型进行训练；
5、获取待诊断机械臂故障数据，将待诊断机械臂故障数据输入至训练好的机械臂故障诊断模型，得到对应的故障类型结果。
6、本发明的第二个方面提供一种基于知识图谱和神经网络的机械臂故障诊断系统，包括：
7、构建模块，用于构建机械臂知识图谱，所述机械臂知识图谱中包括：机械臂、关节、数据采集装置、故障类型、数据采集装置类型和关节转动角度；
8、训练模块，用于构建训练集，利用训练集对机械臂故障诊断模型进行训练，得到训练好的机械臂故障诊断模型；其中，所述训练集包括已获取的机械臂故障数据以及对应的故障类型；在所述机械臂故障诊断模型训练过程中，利用余弦相似度衡量所述机械臂知识图谱中机械臂故障数据对应的故障特征向量，与所述机械臂故障诊断模型输出的故障类型向量的相似度，作为余项损失对所述机械臂故障诊断模型进行训练；
9、诊断模块，用于获取待诊断机械臂故障数据，将待诊断机械臂故障数据输入至训练好的机械臂故障诊断模型，得到对应的故障类型结果。
10、本发明的第三个方面提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行一种基于知识图谱和神经网络的机械臂故障诊断方法。
11、本发明的第四个方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行一种基于知识图谱和神经网络的机械臂故障诊断方法。
12、以上一个或多个技术方案存在以下有益效果：
13、在本发明中，构建机械臂知识图谱，在机械臂故障诊断模型训练时，利用机械臂知识图谱中的知识与机械臂故障诊断模型的输出进行余弦相似度计算，进而引导机械臂故障诊断模型的训练，使模型能够更好地学习到机械臂知识图谱的知识，以及能够使机械臂故障诊断模型充分挖掘机械臂知识图谱中丰富的语义及故障知识之间的潜在联系；在故障诊断时，通过将待诊断的故障数据输入到训练好的机械臂故障诊断模型中，得到故障诊断结果，结合了机械臂故障诊断模型的处理能力和机械臂知识图谱的专业知识，进一步提高了机械臂故障诊断结果。
14、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
1.一种基于知识图谱和神经网络的机械臂故障诊断方法，其特征在于，包括：
2.如权利要求1所述的一种基于知识图谱和神经网络的机械臂故障诊断方法，其特征在于，将所述机械臂知识图谱中每个实体、每种关系、每个属性及其值输入至训练好的word2vec模型，提取得到实体嵌入向量、关系嵌入向量、属性嵌入向量及其值的嵌入向量；将实体嵌入向量、关系嵌入向量、属性嵌入向量及其值的嵌入向量与机械臂故障数据相融合输入至所述机械臂故障诊断模型，对所述机械臂故障诊断模型进行训练。
3.如权利要求2所述的一种基于知识图谱和神经网络的机械臂故障诊断方法，其特征在于，将知识图谱得到的嵌入向量与机械臂故障数据分别赋予不同的权重后相加，将相加的结果输入至所述机械臂故障诊断模型，对所述机械臂故障诊断模型进行训练。
4.如权利要求2所述的一种基于知识图谱和神经网络的机械臂故障诊断方法，其特征在于，所述实体嵌入包括机械臂、关节、数据采集装置、故障类型；所述关系嵌入包括：包含、连接、导致、处理；所述属性嵌入包括数据采集装置类型、关节转动角度。
5.如权利要求2所述的一种基于知识图谱和神经网络的机械臂故障诊断方法，其特征在于，从知识图谱中提取三元数据，每个三元组由(头实体、关系、尾实体)组成，将三元组转换为所述word2vec模型的输入格式，具体为：将每个三元组转换为一个句子，将实体、关系、属性及其值作为单词。
6.如权利要求1所述的一种基于知识图谱和神经网络的机械臂故障诊断方法，其特征在于，将所述余项损失和交叉熵损失函数加权融合后，作为最终损失函数，对所述机械臂故障诊断模型进行训练。
7.一种基于知识图谱和神经网络的机械臂故障诊断系统，其特征在于，包括：
8.如权利要求7所述的一种基于知识图谱和神经网络的机械臂故障诊断系统，其特征在于，将所述机械臂知识图谱中每个实体、每种关系、每个属性及其值输入至训练好的word2vec模型，提取得到实体嵌入向量、关系嵌入向量、属性嵌入向量及其值的嵌入向量；将实体嵌入向量、关系嵌入向量、属性嵌入向量及其值的嵌入向量与机械臂故障数据相融合输入至所述机械臂故障诊断模型，对所述机械臂故障诊断模型进行训练。
9.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至6任一项所述的一种基于知识图谱和神经网络的机械臂故障诊断方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至7任一项所述的一种基于知识图谱和神经网络的机械臂故障诊断方法。
