CN112580169A - 一种基于机器学习的谐波减速器健康评估方法 - Google Patents
一种基于机器学习的谐波减速器健康评估方法 Download PDFInfo
- Publication number
- CN112580169A CN112580169A CN202011549063.4A CN202011549063A CN112580169A CN 112580169 A CN112580169 A CN 112580169A CN 202011549063 A CN202011549063 A CN 202011549063A CN 112580169 A CN112580169 A CN 112580169A
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- harmonic reducer
- model
- test
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000003638 chemical reducing agent Substances 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000036541 health Effects 0.000 title claims abstract description 20
- 238000010801 machine learning Methods 0.000 title claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 238000013210 evaluation model Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 238000009434 installation Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种基于机器学习的谐波减速器健康评估方法，包括如下步骤：S1、搭建试验台和检验台，对谐波减速器进行全生命周期的寿命试验，通过传感器采集全生命周期数据；S2、定义试验过程中出现的故障，并对采集到的数据进行数据处理；S3、通过人工神经网络对上述数据进行拟合，构建网络模型并训练；S4、生成模型，测试并迭代模型；S5、对待检测设备安装同样类型的传感器并获取同样类型数据，将获取的实时数据输入评估模型中，获得待检测谐波减速器的运行状态及剩余寿命数据。本发明通过全生命周期数据，建立寿命曲线模型，可实现对谐波减速器进行健康管理，评估其工作状态，保障设备的正常运行。
Description
技术领域
本发明属于谐波减速器健康管理与故障预测技术领域，具体涉及一种基于机器学习的谐波减速器健康评估建模方法。
背景技术
谐波减速器是利用行星齿轮传动原理发展起来的一种新型减速器，具有体积小、减速比大、精度高、效率高等优点，已在机器人、航空航天、机床、电子设备等领域广泛应用。健康管理技术是指借助电子、计算机、信号处理、人工智能等学科方面的技术对机械设备进行故障诊断和寿命预测，能有效地保证设备稳定运行，降低设备运维费用。
对于谐波减速器的健康管理，在故障诊断领域已有较多研究。主要是通过故障机理和实际运行过程中的传感数据之间的关联关系，得到设备是否存在故障，以及存在什么类型的故障，是一种基于失效的可靠性研究。但是，仅仅使用失效时刻的信息，过于简单化和片面化，不利于真实完整地把握设备的渐变失效规律，不利于正确全面评估设备的运行状态和可靠性。
在模型驱动的机械故障预测领域，目前已经进行了大量的研究工作来构建有效的系统模型。这类工作的模型构建方法主要是基于仿真建模分析和物理实验的手动特征提取；这类方案通常针对特定对象设计，需要消耗大量的人力和时间成本。
发明内容
本发明的目的在于克服上述存在的问题，提供一种基于机器学习的谐波减速器健康评估方法，是一种基于数据驱动的模型，通过实验数据，自动构建健康指标，旨在建立全生命周期的模型，能对设备的运行状态提供评价和预测。
为实现上述发明目的，通过以下技术方案实现：一种基于机器学习的谐波减速器健康评估方法，其特征在于：包括如下步骤：S1、搭建试验台和检验台，对谐波减速器进行全生命周期的寿命试验，通过传感器采集全生命周期数据；S2、定义试验过程中出现的故障，并对采集到的数据进行数据处理；S3、通过人工神经网络对上述数据进行拟合，构建网络模型并训练：S4、生成模型，测试并迭代模型；S5、对待检测谐波减速器安装同样类型的传感器并获取一组与步骤S1中相同维度的数据，将获取的实时数据输入评估模型中，获得待检测谐波减速器的运行状态及剩余寿命数据。
进一步地，所述步骤S2中的数据包括输入扭矩T1，输入转速n1，输出扭矩T2，输出转速n2，温度T，x方向振动X[]，y方向振动Y[]，z方向振动Z[]；数据处理包括数据整理、数据扩增和数据拼接。
进一步地，所述步骤S3中所述神经网络模型结构共由10层网络组成，第一层为输入层；第二层为一维卷积层，由320个卷积核组成，卷积核大小为10；第三层为最大池化层，池化核大小为2；第四层为一维卷积层，由180个卷积核组成，卷积核大小为15；第五层为最大池化层，池化核大小为4；第六层为一维卷积层，由64个卷积核组成，卷积核大小为10；第七层为最大池化层，池化核大小为2；第八层全连接层，包含64个节点；第九层为扁平化层，将上层二维结构的张量重构为一维的结构；第十层为全连接层，包含96个节点；第十一层为全连接层，包含1个节点；第十二层为输出层，用于计算损失函数损失值进行反向传播梯度下降运算；整个网络中所用到的激活函数都为线性整流函数，所用损失函数为均方误差。
进一步地，所述步骤S3中数据拟合的过程是：将组织好的数据，取其中70％用于训练，30％用于测试；训练过程先将训练数据分批次从输入层输入，然后经过计算达到输出端，通过输出端的输出与训练数据对应的真值进行对比，使用计算值和真值计算损失函数，利用损失函数值作为反向传播中梯度下降计算的判断依据，经过多次迭代优化，整个网络的参数将逐步得到优化，网络的输出值将与真值逐渐接近；直到输出值与真值的损失函数计算结果小于阈值，则停止更新并输出作为完成拟合的网络模型。
进一步地，所述步骤S4中测试并迭代模型是指把测试集输入给已经训练好的模型，得到的结果与测试集的实际标签进行比对；如果成功率符合要求，则确认模型为正确模型；如果成功率不符合要求，则修改上述S3模型。
进一步地，所述试验台为两电机对拖测试系统，被测谐波减速器以同轴的方式安装在驱动电机与负载电机中间，在驱动电机与谐波减速器之间装有输入端的扭矩及转速传感器；在谐波减速器与负载电机之间装有输出端的扭矩及转速传感器；在负载电机前还安装有用于将转速提升的升速箱；在被测谐波减速器上安装有温度传感器，在被测谐波减速器的安装支架上安装有三向加速度传感器。
进一步地，所述检验台为两电机对拖测试系统，被测谐波减速器以同轴的方式安装在驱动电机与负载电机中间，在驱动电机与谐波减速器之间装有输入端的编码器；在谐波减速器与负载电机之间装有输出端的编码器；在负载电机前还安装有用于将转速提升的升速箱。
本发明与现有技术相比具有以下有益效果：
通过本发明的方法，建立全生命周期的模型，从而揭示谐波减速器渐变失效的规律。用户能利用设备运行过程中提取到的传感器数值，对设备进行健康评估和故障预测，从而以最小的代价制定维护、维修计划，降低运维成本。
通过本发明的方法，自动构建健康指标，大大减少了事前对对象建模、试验、经验总结等的需求，提高开发效率。
附图说明
图1本发明中进行寿命试验的试验台的部件连接示意图。
图2本发明中进行精度试验的检验台的部件连接示意图。
图3本发明中神经网络模型结构图。
图4本发明中神经网络模型参数图。
图5为本发明的流程框图。
具体实施方式
为了使本领域的技术人员很好地理解本发明的技术方案，下面结合实施例和附图对本发明作进一步描述，但本发明的实施方式不仅限于此。
为实现上述发明目次，通过以下技术方案实现。
S1、搭建试验台和检验台，对谐波减速器进行全生命周期的寿命试验，通过传感器采集全生命周期数据。
S2、定义试验过程中出现的故障，并对采集到的数据进行数据处理。
S3、通过人工神经网络对上述数据进行拟合，构建网络模型并训练。
S4、生成模型，测试并迭代模型。
S5、对待检测谐波减速器安装同样类型的传感器并获取一组与步骤S1中相同维度的数据，将获取的实时数据输入评估模型中，获得待检测谐波减速器的运行状态及剩余寿命数据。
所述试验台如图1所示，为两电机对拖测试系统，被测谐波减速器以同轴的方式安装在驱动电机与负载电机中间。其中，所述驱动电机提供动力，负载电机提供阻力模拟负载。负载电机在产生负载的同时产生电能，电能可供驱动电机使用，以实现节能的效果。在驱动电机与谐波减速器之间装有输入端的扭矩、转速传感器；在谐波减速器与负载电机之间装有输出端的扭矩、转速传感器。所述升速箱安装在负载电机前，用于将转速提升。在谐波减速器端，装有温度传感器；在谐波减速器安装支架上安装有三方向振动加速度传感器。
所述传感器采集的数据有输入扭矩T1，输入转速n1，输出扭矩T2，输出转速n2，温度T，x方向振动X[]，y方向振动Y[]，z方向振动Z[]。
所述全生命周期的寿命试验，是指将被测谐波减速器安装在上述测试台上，按照相关设定进行测试，从全新开始运行直至其出现故障。在测试过程中，电脑通过传感器采集并记录上述数据信息。通过设定模拟不同的工况进行若干组寿命实验并获取实验数据，以作为寿命模型的基础数据，所做的实验设定如表1，
在全生命周期的寿命试验过程中，需要在一定间隔时间内对传动精度进行测试，以此判定产品是否出现故障。即是将寿命试验试验台的扭矩及转速传感器拆除，更换高精度编码器，具体连接后如图2所示。在设备运行时，采集输入输出编码，确定传动误差。
表1
采集的数据类型如表2所示。
表2
所述的定义故障如表3所示，
表3
所述数据处理是指对采集到的数据进行整理、数据扩增、数据拼接，以供下一步训练使用。
所述数据整理指将采集到的原始数据进行加工处理，具体数据格式和来源见表4。
表4
所述数据扩增，是一种增加样本数量的手段。上述振动数据，采样时间2s，采样频率6kHz，一次采样的数据为1.2万个。采用overlapping sub-sampling(有覆盖的重采样)的手段，对每组振动数据进行数据增值，增加样本数量。拆分的方式使用有覆盖的重采样，则表示两组分段数据间可以存在重叠的部分。最终用于训练的振动数据X[]、Y[]、Z[]均为1000或者更多数量的数组，每条采集数据增值出12条或者更多的数量。
所述数据拼接，是将多组不齐次数据拼接成一维数据。本专利中，最终拼接后的数据P为{T1，n1，T2，n2，η，T，X1[]，X2[]...Xn[]，Y1[]，Y2[]...Yn[]，Z1[]，Z2[]...Zn[]}。
上述网络模型构建并训练是指用针对本发明目标优化改进的卷积神经网络对上述数据进行拟合，所使用神经网络模型结构如图3、模型参数如图4所示。神经网络构建的代码可以使用Python基于TensorFlow工具包开发。
具体的，如图3、4所示，Input为上述拼接后的数据P。Output为剩余寿命r＝t/△t。
所述神经网络模型结构共由10层网络组成，第一层为输入层；第二层为一维卷积层，由320个卷积核组成，卷积核大小为10；第三层为最大池化层，池化核大小为2；第四层为一维卷积层，由180个卷积核组成，卷积核大小为15；第五层为最大池化层，池化核大小为4；第六层为一维卷积层，由64个卷积核组成，卷积核大小为10；第七层为最大池化层，池化核大小为2；第八层全连接层，包含64个节点；第九层为扁平化层，将上层二维结构的张量重构为一维的结构；第十层为全连接层，包含96个节点；第十一层为全连接层，包含1个节点；第十二层为输出层，用于计算损失函数损失值进行反向传播梯度下降运算。整个网络中所用到的激活函数都为线性整流函数(Relu)，所用损失函数为均方误差(Mean SquaredError)。
上述网络中的卷积层用于提取前一层数据并部分抽象该数据的特征；网络中的池化层做更深层的抽象并提取信号影响度最大的特征；全连接层用于连接重构数据；扁平化层用于将二维张量重构为一维的数据。
所述拟合过程描述如下：将组织好的数据，取其中70％用于训练，30％用于预测。训练过程先将训练数据分批次从输入层输入，然后经过计算达到输出端，通过输出端的输出与训练数据对应的真值进行对比，使用计算值和真值计算损失函数，利用损失函数值作为反向传播中梯度下降计算的判断依据，经过多次迭代优化，整个网络的参数将逐步得到优化，网络的输出值将与真值逐渐接近。直到输出值与真值的损失函数计算结果小于阈值，则停止更新并输出作为完成拟合的网络模型。
所述测试迭代是指把测试集输入给已经训练好的模型，得到的结果与测试集的实际标签进行比对。如果成功率符合要求，则确认模型为正确模型；如果成功率不符合要求，则修改上述S3模型。
当得到稳定的拟合模型后，此模型可以用于新的数据的预测。将预处理完成后的新数据输入模型，计算得到的输出值，就是轴承寿命的预测值。
所述剩余寿命预测是指对待检测设备安装与本专利相同类型的传感器并获取相同维度的数据，然后将数据进行上述数据处理后生成上述输入所需数据类型P作为输入数据。最后将数据代入上述拟合后的模型进行计算，得到剩余寿命值。
上述为本发明较佳的实施方式，但本发明的实施方式并不受上述内容的限制，其他的任何未背离本发明的精神实质与原理下所做的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (7)
1.一种基于机器学习的谐波减速器健康评估方法，其特征在于：包括如下步骤：
S1、搭建试验台和检验台，对谐波减速器进行全生命周期的寿命试验，通过传感器采集全生命周期数据；
S2、定义试验过程中出现的故障，并对采集到的数据进行数据处理；
S3、通过人工神经网络对上述数据进行拟合，构建网络模型并训练：
S4、生成模型，测试并迭代模型；
S5、对待检测谐波减速器安装同样类型的传感器并获取一组与步骤S1中相同维度的数据，将获取的实时数据输入评估模型中，获得待检测谐波减速器的运行状态及剩余寿命数据。
2.根据权利要求1所述的基于机器学习的谐波减速器健康评估方法，其特征在于：所述步骤S2中的数据包括输入扭矩T1，输入转速n1，输出扭矩T2，输出转速n2，温度T，x方向振动X[]，y方向振动Y[]，z方向振动Z[]；数据处理包括数据整理、数据扩增和数据拼接。
3.根据权利要求1所述的基于机器学习的谐波减速器健康评估方法，其特征在于：所述步骤S3中所述神经网络模型结构共由10层网络组成，第一层为输入层；第二层为一维卷积层，由320个卷积核组成，卷积核大小为10；第三层为最大池化层，池化核大小为2；第四层为一维卷积层，由180个卷积核组成，卷积核大小为15；第五层为最大池化层，池化核大小为4；第六层为一维卷积层，由64个卷积核组成，卷积核大小为10；第七层为最大池化层，池化核大小为2；第八层全连接层，包含64个节点；第九层为扁平化层，将上层二维结构的张量重构为一维的结构；第十层为全连接层，包含96个节点；第十一层为全连接层，包含1个节点；第十二层为输出层，用于计算损失函数损失值进行反向传播梯度下降运算；整个网络中所用到的激活函数都为线性整流函数，所用损失函数为均方误差。
4.根据权利要求1所述的基于机器学习的谐波减速器健康评估方法，其特征在于：所述步骤S3中数据拟合的过程是：将组织好的数据，取其中70％用于训练，30％用于测试；训练过程先将训练数据分批次从输入层输入，然后经过计算达到输出端，通过输出端的输出与训练数据对应的真值进行对比，使用计算值和真值计算损失函数，利用损失函数值作为反向传播中梯度下降计算的判断依据，经过多次迭代优化，整个网络的参数将逐步得到优化，网络的输出值将与真值逐渐接近；直到输出值与真值的损失函数计算结果小于阈值，则停止更新并输出作为完成拟合的网络模型。
5.根据权利要求1所述的基于机器学习的谐波减速器健康评估方法，其特征在于：所述步骤S4中测试并迭代模型是指把测试集输入给已经训练好的模型，得到的结果与测试集的实际标签进行比对；如果成功率符合要求，则确认模型为正确模型；如果成功率不符合要求，则修改上述S3模型。
6.根据权利要求1-5任一项权利要求所述的基于机器学习的谐波减速器健康评估方法，其特征在于：所述试验台为两电机对拖测试系统，被测谐波减速器以同轴的方式安装在驱动电机与负载电机中间，在驱动电机与谐波减速器之间装有输入端的扭矩及转速传感器；在谐波减速器与负载电机之间装有输出端的扭矩及转速传感器；在负载电机前还安装有用于将转速提升的升速箱；在被测谐波减速器上安装有温度传感器，在被测谐波减速器的安装支架上安装有三向加速度传感器。
7.根据权利要求1-5任一项权利要求所述的基于机器学习的谐波减速器健康评估方法，其特征在于：所述检验台为两电机对拖测试系统，被测谐波减速器以同轴的方式安装在驱动电机与负载电机中间，在驱动电机与谐波减速器之间装有输入端的编码器；在谐波减速器与负载电机之间装有输出端的编码器；在负载电机前还安装有用于将转速提升的升速箱。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011549063.4A CN112580169A (zh) | 2020-12-24 | 2020-12-24 | 一种基于机器学习的谐波减速器健康评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011549063.4A CN112580169A (zh) | 2020-12-24 | 2020-12-24 | 一种基于机器学习的谐波减速器健康评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112580169A true CN112580169A (zh) | 2021-03-30 |
Family
ID=75139511
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011549063.4A Pending CN112580169A (zh) | 2020-12-24 | 2020-12-24 | 一种基于机器学习的谐波减速器健康评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112580169A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113743461A (zh) * | 2021-07-29 | 2021-12-03 | 中国人民解放军军事科学院国防科技创新研究院 | 无人机集群健康度评估方法及装置 |
| CN113759713A (zh) * | 2021-08-02 | 2021-12-07 | 桂林电子科技大学 | 忆阻模型与神经网络混合的谐波减速器误差补偿控制方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2626231C1 (ru) * | 2016-11-10 | 2017-07-24 | федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет" | Способ диагностики технического состояния и оценки остаточного ресурса электромеханического агрегата с асинхронным двигателем |
| KR20190061430A (ko) * | 2017-11-28 | 2019-06-05 | 한국생산기술연구원 | 회전체의 열화 상태 진단 및 잔존 유효 수명 예측 시스템 |
| CN110175369A (zh) * | 2019-04-30 | 2019-08-27 | 南京邮电大学 | 一种基于二维卷积神经网络的齿轮剩余寿命预测方法 |
| CN110398362A (zh) * | 2018-04-19 | 2019-11-01 | 中国科学院沈阳自动化研究所 | 一种机器人rv减速器故障诊断和定位方法 |
| CN110457842A (zh) * | 2019-08-16 | 2019-11-15 | 电子科技大学 | 考虑谐波减速器不确定性的接触载荷比代理模型构建方法 |
| CN110889178A (zh) * | 2019-11-26 | 2020-03-17 | 北京工业大学 | 一种预测谐波减速器柔轮寿命的方法 |
| CN111024389A (zh) * | 2019-12-26 | 2020-04-17 | 广东省智能制造研究所 | 一种带电能回馈的谐波减速器负载测试设备及方法 |
| TWM603957U (zh) * | 2020-07-13 | 2020-11-11 | 財團法人精密機械研究發展中心 | 諧波減速機的診斷機構 |
-
2020
- 2020-12-24 CN CN202011549063.4A patent/CN112580169A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2626231C1 (ru) * | 2016-11-10 | 2017-07-24 | федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет" | Способ диагностики технического состояния и оценки остаточного ресурса электромеханического агрегата с асинхронным двигателем |
| KR20190061430A (ko) * | 2017-11-28 | 2019-06-05 | 한국생산기술연구원 | 회전체의 열화 상태 진단 및 잔존 유효 수명 예측 시스템 |
| CN110398362A (zh) * | 2018-04-19 | 2019-11-01 | 中国科学院沈阳自动化研究所 | 一种机器人rv减速器故障诊断和定位方法 |
| CN110175369A (zh) * | 2019-04-30 | 2019-08-27 | 南京邮电大学 | 一种基于二维卷积神经网络的齿轮剩余寿命预测方法 |
| CN110457842A (zh) * | 2019-08-16 | 2019-11-15 | 电子科技大学 | 考虑谐波减速器不确定性的接触载荷比代理模型构建方法 |
| CN110889178A (zh) * | 2019-11-26 | 2020-03-17 | 北京工业大学 | 一种预测谐波减速器柔轮寿命的方法 |
| CN111024389A (zh) * | 2019-12-26 | 2020-04-17 | 广东省智能制造研究所 | 一种带电能回馈的谐波减速器负载测试设备及方法 |
| TWM603957U (zh) * | 2020-07-13 | 2020-11-11 | 財團法人精密機械研究發展中心 | 諧波減速機的診斷機構 |
Non-Patent Citations (2)
| Title |
|---|
| 张继冬等: "基于全卷积层神经网络的轴承剩余寿命预测", 《中国机械工程》, vol. 30, no. 18, pages 2231 - 2235 * |
| 陶孟仑;陈阳鹏;陈定方;吴俊峰;陈芳;李波;梅杰;: "谐波减速器测试技术研究现状及展望", 机械传动, no. 07 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113743461A (zh) * | 2021-07-29 | 2021-12-03 | 中国人民解放军军事科学院国防科技创新研究院 | 无人机集群健康度评估方法及装置 |
| CN113743461B (zh) * | 2021-07-29 | 2024-04-09 | 中国人民解放军军事科学院国防科技创新研究院 | 无人机集群健康度评估方法及装置 |
| CN113759713A (zh) * | 2021-08-02 | 2021-12-07 | 桂林电子科技大学 | 忆阻模型与神经网络混合的谐波减速器误差补偿控制方法 |
| CN113759713B (zh) * | 2021-08-02 | 2023-12-12 | 桂林电子科技大学 | 忆阻模型与神经网络混合的谐波减速器误差补偿控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110866314B (zh) | 多层双向门控循环单元网络的旋转机械剩余寿命预测方法 | |
| WO2022037068A1 (zh) | 一种机床轴承故障诊断方法 | |
| CN108255649B (zh) | 一种基于建模仿真协同分析的诊断策略设计方法 | |
| CN102520697B (zh) | 一种远程协同诊断的现场信息预处理方法 | |
| CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及系统 | |
| CN112684379A (zh) | 一种基于数字孪生的变压器故障诊断系统及其方法 | |
| Chen et al. | Application of generalized frequency response functions and improved convolutional neural network to fault diagnosis of heavy-duty industrial robot | |
| Jin et al. | A Bayesian network approach for fixture fault diagnosis in launch of the assembly process | |
| CN112580169A (zh) | 一种基于机器学习的谐波减速器健康评估方法 | |
| CN113902242A (zh) | 一种基于数字孪生的电网设备的综合状态评价方法及系统 | |
| CN106199174A (zh) | 基于迁移学习的挤压机能耗异常预测方法 | |
| CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
| CN113420465B (zh) | 一种基于数字孪生模型的液压支架全寿命周期管理方法 | |
| Guo et al. | Real-time prediction of remaining useful life and preventive maintenance strategy based on digital twin | |
| CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
| CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
| CN111860839A (zh) | 基于多信号融合及Adam优化算法的岸桥故障监测方法 | |
| CN114565038A (zh) | 一种基于改进胶囊网络的智能电表故障诊断方法 | |
| CN115115000A (zh) | 一种多尺度特征关注的机电设备故障诊断方法 | |
| Weikun et al. | Physics-informed machine learning in prognostics and health management: State of the art and challenges | |
| CN112763215B (zh) | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 | |
| CN115600695A (zh) | 一种计量设备的故障诊断方法 | |
| Zhou et al. | A fatigue life prediction method for the drive system of wind turbine using internet of things | |
| CN109946069B (zh) | 一种基于载荷谱的数控装备拖链可靠性加速试验方法 | |
| CN110674923A (zh) | 一种多神经网络框架间的快速模型验证方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |