CN110398362B - 一种机器人rv减速器故障诊断和定位方法 - Google Patents

Abstract

本发明涉及一种机器人RV减速器故障诊断和定位方法，具体的说是基于信号自适应拆分的机器人RV减速器故障诊断与定位方法。本发明包括以下步骤：获取声发射信号；自适应拆分声发射信号；对信号进行初始的频域变换；采用递归神经网络作为训练模型，对拆分及处理后的信号进行训练；对新获取的信号进行判断，并结合角度数据对故障点进行定位。本发明在充分考虑机器人用RV减速器运行机理的基础上提出的，能够准确快速的诊断相应的故障，提高机器人维护效率，降低运营成本。

Description

一种机器人RV减速器故障诊断和定位方法

技术领域

本发明设计RV减速器故障诊断领域，特别地，涉及针对RV减速器剩余寿命估计方法及其磨损程度检测方法。

背景技术

RV减速器广泛的应用于机器人、精密仪器等的动力传动单元中，当RV减速器出现磨损或性能下降时，会严重影响机器人或者精密设备所生产或加工的产品质量，在医疗设备领域甚至会影响患者的健康。因此，针对RV减速器的故障诊断和剩余寿命估计具有十分重要的工程意义和实用价值。

声发射作为一种检测材料内部或表面微弱应力信号的检测方法，能够检测RV减速器内部旋转部件由于磨损而产生的表面光滑程度及磨损程度的变化。与传统的使用振动信号检测旋转机械零部件的故障相比，振动信号往往是在磨损程度较大时才能够检测出来，而这时对于精密度要求较高的RV减速器及其应用场景，已经不能及时有效的避免损失的产生。而声发射信号由于处于高频，信号采样率高，数据量大，且信号特征不明显，制约了声发射检测在机械设备磨损程度检测领域的发展，不能够有效的快速的得出检测结果。

这些方法的主要缺点与检测时效及信号处理速度相关，直接影响了声发射检测技术在RV减速器检测领域的发展。

发明内容

本发明要解决的技术问题是针对上述现有问题的不足，提出了一种基于深度神经网络和声发射信号的自适应机器人RV减速器磨损程度测量方法，将声发射信号通过自适应分割方法，经过傅里叶变换，得到相应的傅里叶变换结果，然后将傅里叶变换结果组合为一维训练样本，采用深度神经网络进行训练，得到深度神经网络相关训练结果。然后将正常的信号检测后经切割、变换及组合后作为测试样本输入已经训练完成的深度神经网络，得到相应的磨损程度分析结果，从而能够知道RV减速器的磨损程度，进而推算出在现有运转情况下的剩余使用寿命，实现对RV减速器剩余使用寿命估计，预防因RV减速器故障引起的机械设备故障和精度下降问题，防止影响正常的生产，避免综合经济损失。

本发明解决其技术问题所采用的技术方案是：一种机器人RV减速器故障诊断和定位方法，包括以下步骤：

1)采集设于RV减速器上传感器的声发射信号；

2)将采集到的不同工况下的声发射信号进行自适应拆分，得到基础分析信号片段；

3)将拆分后的每个信号片段分别进行傅里叶变换，得到每个信号片段的频域特征，将频域特征转化为一维信号，输入至深度神经网络，得到信号的故障状态。

所述声发射信号为减速器在不同磨损状态下、不同转速及不同负载的声发射信号。

所述自适应拆分具体为：

根据减速器的减速比N、输入转速I及声发射信号采样率ω确定所截取信号的长度l：

其中N为减速比；

将采集到的声发射信号截断为连续长度为l的信号。

所述减速比具体为：

当传感器设于减速器外壳时，减速比N＝n₁*n₂+1；

其中，n₁为RV减速器第一级行星减速机构的减速比，n₂为RV减速器第二级减速机构的减速比。

所述减速比具体为：

当传感器设于旋转的减速器外壳时，N＝n₁*n₂；

其中，n₁为RV减速器第一级行星减速机构的减速比，n₂为RV减速器第二级减速机构的减速比。

所述深度神经网络预先进行训练，包括以下步骤：

D1、将各个信号片段经过频域变换的信号作为深度学习训练样本，样本长度为信号片段的长度，样本宽度为减速比；

D2、将同一转速、同一负载、同一磨损程度下截取所得到的一维信号归为同一类样本，作为神经网络的输入样本；将不同转速、不同负载、不同磨损程度下截取所得到的一维信号输入神经网络，神经网络输出采集该一维信号对应的声发射信号时的减速器状态；

D3、确定神经网络参数，包括层数、距离函数、初始邻域大小、缩小步长、拓扑喊数；

D4、训练神经网络；

D5、将训练好的神经网络参数保存。

所述训练样本与采集的声发射信号为相同转速且相同转矩。

所述得到信号的故障状态后，根据曲轴的旋转角度及相应的截取顺序，确定故障的具体位置：

其中，α为故障角度，n为故障信号编号，N₁为减速器第一级减速机构的减速比，N为减速比。

所述减速比为输出轴旋转一周时曲轴的旋转计数，即总减速比除以减速器第一级减速机构的减速比。

本发明具有以下有益效果及优点：

1.本发明在充分考虑机器人用RV减速器运行机理的基础上提出的，能够准确快速的诊断相应的故障，提高机器人维护效率，降低运营成本。

2.本发明通过神经网络得到相应的磨损程度分析结果，从而能够知道RV减速器的磨损程度，进而推算出在现有运转情况下的剩余使用寿命，实现对RV减速器剩余使用寿命估计，预防因RV减速器故障引起的机械设备故障和精度下降问题，防止影响正常的生产，避免综合经济损失。

3.本发明的自适应拆分根据RV减速器第一级(行星减速机构)与第二级(摆线针轮)减速机构特征，以及所需分析的声发射信号主要为第二级曲轴产生的声发射信号，将所采集的信号根据曲轴旋转一周的时间进行自适应拆分。

附图说明

图1是本发明流程图。

具体实施方式

下面结合实施例对本发明做进一步的详细说明。

基于深度神经网络的声发射信号自适应磨损程度检测方法将声发射检测与深度学习有机结合在了一起，利用深度学习的无监督学习特性，将数据量大的声发射信号拆分为若干可组合的信号片段，进而使用这些片段进行训练，得到深度学习网络，最终实现快速的检测RV减速器磨损程度，为工程应用提供了一个较好的解决方案。

本发明提供了一种基于深度神经网络和声发射信号的自适应机器人RV减速器磨损程度测量方法，包括步骤：

A.采集声发射信号；

B.将采集到的不同工况下的声发射信号进行自适应拆分，得到基础分析信号片段；

C.将拆分后的信号进行傅里叶变换，得到每一段信号的频域特征，将信号特征转化为一维信号，作为深度学习训练样本进行训练；

D.输入训练样本，采用递归神经网络并训练神经网络的相应于RV减速器故障诊断的各层节点相应权重值；神经网络输出为设定的减速器的磨损状态结果，比如：1～n类磨损。

E.使用训练完成的深度神经网络，将新截取的信号作为深度学习结果的输入，判断信号的故障状态。深度神经网络的输出为某种磨损程度下，减速器的磨损状态结果。

信号的故障状态包括减速器不同的磨损程度(根据减速器出厂指标与实际生产精度而定，比如正常出厂标准为30角秒，生产精度要求小于60角秒，此情况下可以10角秒为单位划分不同状态)。

步骤A为首先采集减速器在同一磨损状态下多个转速、负载情况下的声发射信号，然后采集多种磨损状态下的的多个转速及负载情况下的声发射信号。

步骤B包括：

B1、根据减速器的减速比N、输入转速I及声发射信号采样率ω来确定所截取信号的长度l：

B2、其中，减速比N与减速器的固定方式有关，即：

N＝n₁*n₂+1(外壳固定) (2)

或

N＝n₁*n₂(外壳旋转) (3)

其中，n₁为RV减速器第一级行星减速机构的减速比，n₂为RV减速器第二级减速机构的减速比。

B3、将采集到的声发射信号截断为连续的长度为l的信号，以备后续分析使用。

步骤C包括：

C1、将B3截取的信号根据截取长度进行傅里叶变换，得到信号的频率特征数值；

C2、将频率特征信号作为深度神经网络的输入，作为神经网络的训练样本，信号长度l由公式(1)确定。

步骤D包括：

D1、将一维处理后的信号，样本长度为截取长度，样本宽度为减速比(将输出一周作为一个周期并形成一个样本)；

D2、将同一转速、同一负载、同一磨损程度下截取的数据归为同一类样本，作为神经网络的输入样本；

D3、确定神经网络的层数、距离函数、初始邻域大小、缩小步长、拓扑喊数等；

D4、训练神经网络；

D5、将训练好的神经网络相关参数保存。

步骤E中，新的测试样本与训练样本必须具有相同转速、相同转矩。

如图1所示，本发明方法包括以下步骤：

A.采集声发射信号；

B.将采集到的不同工况下的声发射信号进行自适应拆分，得到基础分析信号片段；

C.将拆分后的信号进行傅里叶变换，得到每一段信号的频域特征，将信号特征转化为一维信号，作为深度学习训练样本进行训练

D.输入训练样本，采用递归神经网络并训练神经网络的相应于RV减速器故障诊断的权重值；

E.使用训练完成的深度神经网络，将新截取的信号作为深度学习结果的输入，判断信号的故障状态。

本发明中的声发射信号采用声发射数据采集设备连接声发射传感器采集数据，声发射传感器放置在RV减速器外壳表面。传感器与RV减速器外壳紧密接触(传感器采用高强力磁吸外壳)。考虑到声发射信号特征及处理速度，本发明声发射信号采样率设置为为2M/秒或5M/秒，信号存储为索引+数据模式，降低磁盘占用空间。

RV减速器的声发射信号采集转速以输出转速作为检测标准，分别为8转/分钟、10转/分钟、12转/分钟和14转/分钟(不考虑因为失速产生的故障信号)。信号根据不同的转速，以曲轴旋转一周为标准截取信号，信号长度l的计算公式为：

其中，减速比N与减速器的固定方式有关，即：

N＝n₁*n₂+1(外壳固定)

或

N＝n₁*n₂(外壳旋转)

分别根据不同的转速、负载及磨损情况进行旋转并采集数据，采集后的数据根据计算所得的信号截取长度进行信号截取，将截取的信号根据不同的转速及负载进行相应的标记，作为后续训练数据的样本数据。

分别将截取及标记好的信号进行傅里叶变换，得到信号的频域特征，将信号的频域和时域特征作为深度神经网络的训练样本，进行训练，将不同磨损程度及不同转速和负载下的声发射信号分别作为不同类别的样本进行训练。

将频域变换后的信号作为深度神经网络的训练样本，同样以曲轴旋转一周作为样本信号的信号长度，深度神经网络训练后可得信号的信号特征及分类根据。

确定神经网络的层数、距离函数、初始邻域大小、缩小训练步长、拓扑函数，得到适应的神经网络模型及相关参数，并保存神经网络参数。

确定神经网络参数后对新采集的数据进行分析判断，得出故障分析结果，同时，结合曲轴旋转角度等数据，确定故障具体位置。具体计算公式为：

其中α为故障角度(初始角度为设定值)，n为故障信号编号，N₁为减速器第一级减速机构的减速比，N为减速器的整体减速比(输出轴旋转一周时曲轴的旋转次数为减速器总减速比除以减速器第一级减速机构(行星减速级)的减速比)。

Claims (8)

1.一种机器人RV减速器故障诊断和定位方法，其特征在于包括以下步骤：

1)采集设于RV减速器上传感器的声发射信号；

2)将采集到的不同工况下的声发射信号进行自适应拆分，得到基础分析信号片段；

3)将拆分后的每个信号片段分别进行傅里叶变换，得到每个信号片段的频域特征，将频域特征转化为一维信号，输入至深度神经网络，得到信号的故障状态；

所述自适应拆分具体为：

根据减速器的减速比N、输入转速I及声发射信号采样率ω确定所截取信号的长度l：

其中N为减速比；

将采集到的声发射信号截断为连续长度为l的信号。

2.根据权利要求1所述的一种机器人RV减速器故障诊断和定位方法，其特征在于所述声发射信号为减速器在不同磨损状态下、不同转速及不同负载的声发射信号。

3.根据权利要求1所述的一种机器人RV减速器故障诊断和定位方法，其特征在于所述减速比具体为：

当传感器设于固定的减速器外壳时，减速比N＝n₁*n₂+1；

其中，n₁为RV减速器第一级行星减速机构的减速比，n₂为RV减速器第二级减速机构的减速比。

4.根据权利要求1所述的一种机器人RV减速器故障诊断和定位方法，其特征在于所述减速比具体为：

当传感器设于旋转的减速器外壳时，N＝n₁*n₂；

其中，n₁为RV减速器第一级行星减速机构的减速比，n₂为RV减速器第二级减速机构的减速比。

5.根据权利要求1所述的一种机器人RV减速器故障诊断和定位方法，其特征在于所述深度神经网络预先进行训练，包括以下步骤：

D1、将各个信号片段经过频域变换的信号作为深度学习训练样本，样本长度为信号片段的长度，样本宽度为减速比；

D2、将同一转速、同一负载、同一磨损程度下截取所得到的一维信号归为同一类样本，作为神经网络的输入样本；将不同转速、不同负载、不同磨损程度下截取所得到的一维信号输入神经网络，神经网络输出采集该一维信号对应的声发射信号时的减速器状态；

D3、确定神经网络参数，包括层数、距离函数、初始邻域大小、缩小步长、拓扑喊数；

D4、训练神经网络；

D5、将训练好的神经网络参数保存。

6.根据权利要求5所述的一种机器人RV减速器故障诊断和定位方法，其特征在于所述训练样本与采集的声发射信号为相同转速且相同转矩。

7.根据权利要求1所述的一种机器人RV减速器故障诊断和定位方法，其特征在于所述得到信号的故障状态后，根据曲轴的旋转角度及相应的截取顺序，确定故障的具体位置：

其中，α为故障角度，n为故障信号编号，n₁为RV减速器第一级行星减速机构的减速比，N为减速比。

8.根据权利要求7所述的一种机器人RV减速器故障诊断和定位方法，其特征在于所述减速比为输出轴旋转一周时曲轴的旋转计数，即总减速比除以减速器第一级减速机构的减速比。

Images