An improved prototypical network-based method for diagnosing gamma radiation faults in optical encoders

光电编码器作为核环境作业机器人和智能装备的核心感知系统, 可为其高精度作业提供关键位置信息. 然而, 由于强穿透性γ辐射总剂量效应影响, 光电编码器电路系统故障多发且失效模式复杂, 同时由于测试困难导致故障数据匮乏, 致使其故障定位与诊断尤为困难. 基于此, 本文提出了一种基于改进原型网络的故障诊断方法, 实现小样本条件下光电编码器电路γ辐射故障的准确定位与诊断. 首先, 提出了一种一维混合拼接数据增强方法, 可优化网络原型点的初始空间位置并提高数据的特征维度. 其次, 发展了一种针对γ辐射损伤特征的多头空间卷积注意力模块(Multi-Head Spatial Convolutional Block Attention Module, MHSCBAM), 将该模块引入TimesNet特征提取器, 建立了一种改进TimesNet模型以提升γ辐射故障特征的提取能力及收敛速度. 随后, 将改进TimesNet与一维混合拼接数据增强方法结合, 替换原型网络中的特征提取模块, 建立了一种基于改进原型网络的光电编码器电路γ辐射故障诊断方法. 最后, 设计了光电编码器电路系统并开展钴60源γ辐照测试, 验证算法的有效性. 结果表明, 所提出的故障诊断方法具有优越的诊断性能, 可有效提高光电编码器电路γ辐射故障诊断的准确率.