CN115683235B - 一种工业机器人伺服电机振动故障检测方法及装置 - Google Patents
一种工业机器人伺服电机振动故障检测方法及装置 Download PDFInfo
- Publication number
- CN115683235B CN115683235B CN202211688317.XA CN202211688317A CN115683235B CN 115683235 B CN115683235 B CN 115683235B CN 202211688317 A CN202211688317 A CN 202211688317A CN 115683235 B CN115683235 B CN 115683235B
- Authority
- CN
- China
- Prior art keywords
- dimensional signal
- servo motor
- signal sample
- sensor
- dimensional
- 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.)
- Active
Links
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种工业机器人伺服电机振动故障检测方法及装置,方法包括:分别在仿真环境和实验室环境下对伺服电机在不同工况、不同故障原因下的振动故障进行模拟和实验,获取对应的多传感器测量信号;建立SAE神经网络模型;利用仿真环境获取的多传感器测量信号形成无标签的第一多维信号样本集,对SAE神经网络模型进行初始化训练;利用实验室环境获取的多传感器测量信号形成有标签的第二多维信号样本集,对SAE神经网络模型进行微调;控制待检测伺服电机按照不同工况对应的测试例进行工作,将采集的多维信号样本输入至SAE神经网络模型进行振动异常检测。本发明能够实现对伺服电机振动故障的自动精确检测及故障原因分析。
Description
技术领域
本发明属于振动检测领域,更具体地,涉及一种工业机器人伺服电机振动故障检测方法及装置。
背景技术
工业机器人的控制系统和自动化产品主要涉及伺服电机、减速机、控制器和传感器等。伺服电机是工业机器人的动力系统,一般安装在机器人的“关节”处,是机器人运动的“心脏”。
目前,机器人的关节驱动离不开伺服系统,关节越多,机器人的柔性和精准度越高,所要使用的伺服电机的数量就越多。机器人对伺服系统的要求较高,必须满足快速响应、高起动转矩、动转矩惯量比大、调速范围宽,要适应机器人的形体做到体积小、重量轻、加减速运行等条件,且需要高可靠性和稳定性。目前,工业机器人使用的较多的是交流伺服系统。
伺服电机随着使用时间的增加会出现性能衰减、机械故障、电气故障等各种原因导致的振动异常故障,进而影响伺服电机的正常工作。
目前在工业故障检测领域,常用的主元分析(Principal component analysis,简称PCA)是目前化工过程监控系统中最为应用广泛的多元统计分析方法。主元分析方法的基本思想就是对原过程变量进行线性变换,在最大程度地携带原变量的有用信息的前提下,提取互不相关且维度很小的主元成分。但是主元分析方法是一种高斯的、静态的、单阶段的方法,无法处理工业过程中的非高斯、动态、多阶段等特性。而由于伺服电机的故障原因较多且复杂,故障与原因的关系不明确,故障原因相互交织,因此伺服电机的振动故障分析是一个复杂的问题,因此主元分析方法并不适用于对伺服电机的振动故障检测。
此外,随着人工智能的发展,在工业故障检测领域也较为广泛的采用神经网络对故障进行分析,例如现有技术一采用BP神经网络进行多传感器信号融合对汽轮机故障进行诊断的方法,但该方法中的BP神经网络属于有监督学习的神经网络,需要对传感器故障信号样本的特征提取阈值进行经验判断和不断的调整,还需要通过人工调整神经网络内部的连接权值使网络输出误差最小,这对模型设计和数据处理的要求较高,模型无法做到完全的自学习,神经网络的参数调整对故障分析结果影响较大。
发明内容
本发明的目的是提出一种工业机器人伺服电机振动故障检测方法及装置,实现对伺服电机振动故障的自动精确检测及故障原因分析。
本发明第一方面提出了一种工业机器人伺服电机振动故障检测方法,包括:
分别在仿真环境和实验室环境下对伺服电机在不同工况、不同故障原因下的振动故障进行模拟和实验,获取在仿真虚拟环境和实验室环境中不同工况、不同故障原因下对应的多传感器测量信号;所述多传感器测量信号包括:伺服电机工作时的温度信号、噪音信号、电压信号、电流信号以及分别在X、Y、Z方向的频率、振动加速度及频率信号;
建立SAE神经网络模型;
利用仿真环境获取的多传感器测量信号形成无标签的第一多维信号样本集,利用无标签的第一多维信号样本集对所述SAE神经网络模型进行初始化训练;
利用实验室环境获取的多传感器测量信号形成有标签的第二多维信号样本集,利用有标签的第二多维信号样本集对所述SAE神经网络模型进行微调,完成所述SAE神经网络模型的训练,完成训练的所述SAE神经网络模型能够根据输入的多传感器测量信号的多维信号样本输出对应的振动故障原因;
控制待检测伺服电机按照不同工况对应的测试例进行工作,采集所述待检测伺服电机在每种工况下的多传感器测量信号,利用采集的多传感器测量信号形成多维信号样本,将多维信号样本输入至完成训练的所述SAE神经网络模型,对所述待检测伺服电机的振动故障原因进行检测。
可选地,所述利用仿真环境获取的多传感器测量信号形成无标签的第一多维信号样本集,包括:
对仿真环境获取的多传感器测量信号中每个设定周期内的所有传感器测量信号进行拼接处理,形成包括多源测量信号的第一多维信号样本;
对所述多维信号信道图进行特征提取处理,得到第一多维特征张量,将无标签的所有第一多维特征张量作为所述第一多维信号样本集。
可选地,所述利用无标签的第一多维信号样本集对所述SAE神经网络模型进行初始化训练,包括:
采用无标签的所述第一多维信号样本集对所述SAE神经网络模型进行初始化训练,所述SAE神经网络模型通过自学习能够准确的识别出所述第一多维信号样本中的特征并确定模型中各层的初始化参数。
可选地,所述利用实验室环境获取的多传感器测量信号形成有标签的第二多维信号样本集,包括:
对实验室环境获取的多传感器测量信号中每个设定周期内的所有传感器测量信号进行拼接处理,形成包括多源信号的第二多维信号样本;
对所述第二多维信号样本进行特征提取处理,得到第二多维特征张量;
分别标记每个所述第二多维特征张量对应的故障原因,将有标签的所有第二多维特征张量作为所述第二多维信号样本集。
可选地,所述利用有标签的第二多维信号样本集对所述SAE神经网络模型进行微调,包括:
采用有标签的所述第二多维信号样本集对所述SAE神经网络模型再次训练,以对所述SAE神经网络模型中各层初始化参数的微调。
可选地,所述拼接处理的方法包括:
提取多传感器测量信号中单个设定周期内的各测量信号的曲线,将各测量信号转换为频域信号并拼接在同一信道图中,多个测量信号分别位于不同的信道,形成多维信号信道图。
可选地,所述特征提取处理的方法包括:
对所述多维信号信道图中的各个测量信号进行去直流处理,形成去直流多维信号信道图;
将所述去直流多维信号信道图转换为小波时频图;
对所述小波时频图进行灰度图像素提取,得到多维特征张量图,将多维特征张量图作为多维信号样本。
可选地,所述伺服电机的工况包括:伺服电机分别在位置模式、速度模式和转矩模式下的空载运行工况,以及伺服电机分别在位置模式、速度模式和转矩模式下加不同负载下的运行工况。
可选地,所述振动故障原因包括:机械结构故障引起的空载振动、传动机构故障引起的加负载后振动、速度环参数设置不当引起振动、伺服系统的补偿板和伺服放大器故障引起的振动、负载惯量增大引起的振动以及电气部分的制动未开或电网缺相引起的振动。
第二方面,本发明提出一种工业机器人伺服电机振动故障检测装置,包括:测试平台、温度振动一体传感器、噪声传感器、电压电流传感器和故障检测单元;
所述温度振动一体传感器、所述噪声传感器、电压电流传感器以及待测的伺服电机分别与所述故障检测单元连接;
所述测试平台上还设有伺服电机安装机构和负载机构;
所述温度振动一体传感器安装在待测试的伺服电机上,用于测量伺服电机工作时的温度以及伺服电机分别在X、Y、Z方向的频率、振动加速度及频率信号,并将测量的温度信号、X、Y、Z方向的频率、振动加速度及频率信号输出至所述故障检测单元;
所述噪声传感器、所述电压电流传感器均设置在所述测试平台上,所述噪声传感器用于测试伺服电机工作时的噪声并将噪声信号输出至所述故障检测单元,所述电压电流传感器与伺服电机连接,用于测量伺服电机工作时的电压和电流信号并输出至所述故障检测单元;
所述故障检测单元包括电机控制模块、多维信号融合模块和振动故障分析模块;所述电机控制模块用于根据控制待检测伺服电机按照不同工况对应的测试例进行工作;所述多维信号融合模块用于采集所述待检测伺服电机在每种工况下的多传感器测量信号,并利用采集的多传感器测量信号形成多维信号样本;所述振动故障分析模块用于采用SAE神经网络模型根据所述多维信号样本对所述待检测伺服电机的振动故障原因进行检测;
其中,所述SAE神经网络模型的训练过程包括:
分别在仿真环境和实验室环境下对伺服电机在不同工况、不同故障原因下的振动故障进行模拟和实验,获取在仿真虚拟环境和实验室环境中不同工况、不同故障原因下对应的多传感器测量信号;
利用仿真环境获取的多传感器测量信号形成无标签的第一多维信号样本集,利用无标签的第一多维信号样本集对所述SAE神经网络模型进行初始化训练;
利用实验室环境获取的多传感器测量信号形成有标签的第二多维信号样本集,利用有标签的第二多维信号样本集对所述SAE神经网络模型进行微调,完成所述SAE神经网络模型的训练,完成训练的所述SAE神经网络模型能够根据输入的多传感器测量信号的多维信号样本输出对应的振动故障原因。
本发明的有益效果在于:
本发明的伺服电机振动故障检测方法采用了SAE神经网络模型,SAE神经网络模型属于一种无监督学习的神经网络,其可以根据输入的无标签样本数据自主学习,完成对样本特征的自动识别和提取,且本发明采用的SAE神经网络结构属于端到端神经网络,神经网络的隐藏层属于黑盒的状态,SAE神经网络模型可以自主的优化各神经层的参数,同时本发明首先通过仿真环境对伺服电机进行振动故障模拟,可以获取非常多的高质量的振动故障传感器信号样本数据,利用获取的多传感器信号融合的无标签多维信号样本数据对神经网络模型进行初始化训练,之后再利用通过实验环境获取的伺服电机振动故障实验的多传感器信号,可以获取更加真实的振动故障传感器信号数据样本,利用实验数据融合的有标签多维信号样本数据再次对神经网络模型进行训练,完成对模型各层初始化参数的微调,使神经网络模型对真实样本数据的特征识别更加准确,输出的故障原因的精度更高,本方法无需收集伺服电机振动故障的历史数据,仅采用仿真模拟和作为训练样本即可完成对模型的训练,而且神经网络模型完全通过自助学习无需人工监督及人为参数调整即可完成对传感器多维故障信号特征的精确识别提取,并自动输出准确的故障原因分类。
进一步地,本发明在制作多传感器信号样本时采用了将多传感器信号拼接在同一频率信道图中,然后通过特制提取处理得到同时包括多传感器信号的多维特征张量图,SAE神经网络模型在自学习的过程中对多维特征张量图中的整体特征进行识别,相较于对每个传感器信号的特征进行分别识别再进行特征融合或决策融合的方式运算量更小,因此本方法中的SAE神经网络模型可以仅用一个模型、一个目标函数完成对伺服电机故障原因的识别检测,以及采用其他神经网络模型的多模块误差累计、目标函数不一致等导致的预测结果收敛不佳的问题。
本发明的系统具有其它的特性和优点,这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的,或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述,这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,在本发明示例性实施例中,相同的参考标号通常代表相同部件。
图1示出了根据本发明的一种工业机器人伺服电机振动故障检测方法的步骤图。
图2-图4示出了本发明实施例1的一种工业机器人伺服电机振动故障检测方法中SAE神经网络模型的原理图。
图5示出了本发明实施例1的一种工业机器人伺服电机振动故障检测方法中对多传感器信号进行拼接及特征提取处理的原理图。
图6示出了本发明实施例2的一种工业机器人伺服电机振动故障检测装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明。虽然附图中显示了本发明的优选实施例,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了使本发明更加透彻和完整,并且能够将本发明的范围完整地传达给本领域的技术人员。
实施例1
如图1所示,本实施例提供一种工业机器人伺服电机振动故障检测方法,包括:
S1:分别在仿真环境和实验室环境下对伺服电机在不同工况、不同故障原因下的振动故障进行模拟和实验,获取在仿真虚拟环境和实验室环境中不同工况、不同故障原因下对应的多传感器测量信号;多传感器测量信号包括:伺服电机工作时的温度信号、噪音信号、电压信号、电流信号以及分别在X、Y、Z方向的频率、振动加速度及频率信号;
具体地,首先可以通过Simulink仿真软件对伺服电机进行仿真,建立伺服电机的仿真模型,同时在仿真环境中建立与真实振动故障检测平台所对应的振动传感器、温度传感器、噪声传感器、电流电压等传感器,通过各种传感器对伺服电机模型工作时的温度信号、噪音信号、电压信号、电流信号以及分别在X、Y、Z方向的频率、振动加速度及频率信号进行采集。
具体实施过程中,伺服电机的仿真模型可以基于伺服电机厂家提供的伺服电机CAD模型建立,保证仿真的伺服电机模型与实际的伺服电极的各种运行模式完全一致。在建立各种传感器模型时,尽量保证各传感器与实际振动故障检测平台的传感器安装布置及连接关系一致。之后在仿真环境下模拟伺服电机不同工况、不同故障原因下的振动故障,可以参考厂家提供的伺服电机全寿命周期测试的数据,采用出现振动异常故障时的参数,对伺服电机能产生异常振动的机械结构、运行参数等相关变量进行调整,分别设置伺服电机在不同工况、不同原因下的各种故障,并同时采集每种工况下各种故障原因对应的各个传感器信号。
然后,再在实验室环境中布置真实的伺服电机和真实的各种传感器,保证实验条件下伺服电机及各传感器的安装、连接等设置与振动故障测试时的情况一致。之后可以对伺服电机的机械结构及运行参数进行对应的调整设置,使伺服电机在各种不同的故障因素下产生异常振动,同时记录伺服电机在不同工况、不同故障原因下出现振动异常时对应的各种传感器信号。
本实施例中,伺服电机的工况包括:伺服电机分别在位置模式、速度模式和转矩模式下的空载运行工况,以及伺服电机分别在位置模式、速度模式和转矩模式下加不同负载下的运行工况。振动故障原因包括:机械结构故障引起的空载振动、传动机构故障引起的加负载后振动、速度环参数设置不当引起振动、伺服系统的补偿板和伺服放大器故障引起的振动、负载惯量增大引起的振动以及电气部分的制动未开或电网缺相引起的振动。可以采用上述故障原因对伺服电机进行振动故障仿真和实验室振动故障模拟实验。
现实中对于伺服电机真实的异常振动故障的相关历史数据往往较少,尤其对于监测伺服电机的多传感器信号数据更加难以获取,因此从稀缺的伺服电机异常振动故障历史数据中获取数据样本是非常困难的,因此本方法通过仿真环境对伺服电机进行振动故障模拟,可以获取非常多高质量的振动故障传感器信号样本数据,可以利用高质量的仿真数据对神经网络模型进行初始化训练,神经网络模型通过海量高质量的训练样本数据的学习,能够获得较佳的模型初始化参数,提高初始化参数的精确性,而后利用通过实验环境获取的伺服电机振动故障实验的多传感器信号,可以获取更加贴近真实的振动故障传感器信号数据样本,利用少量的实验室数据对模型进行微调即可完成模型的训练,因此解决了无法收集伺服电机振动故障的真实历史振动故障数据的难题。
S2:建立SAE神经网络模型;
具体地,本步骤可以通过MATLAB中的神经网络工具箱建立SAE神经网络模型,SAE神经网络模型属于一种无监督自学习的端到端神经网络模型,训练过程中其可以在无人为调整的状态下自动提取数据样本中的特征,实现对样本中特征的自动识别,完成训练后可以自动输出需要的分类结果。
更具体地,Stacked Autoencoder(SAE)模型是一个由多层Spase AutoEncoder(稀疏自编码器)组成的深度神经网络模型,其前一层自编码器的输出作为其后一层自编码器的输入,最后一层是个分类器(logistic分类器或者softmax分类器,其中logistic回归模型适用于二分类,softmax回归模型适用于多分类)
Spase AutoEncoder(稀疏自编码器)是一种非监督学习算法,需要满足以下两种约束:
a、autoencoder:自编码器要求输出尽可能等于输入,即:
单个Spase AutoEncoder的结构如图2所示,图2中LayerL1为输入层、LayerL2为隐藏层, LayerL3为输出层,其编解码的过程为:
编码:输入映射-隐藏层
解码:隐藏层-输出
栈式自编码神经网络作为由多层稀疏自编码器组成的神经网络,前一层自编码器的输出作为后一层的输入。栈式自编码神经网络参数是通过逐层贪婪训练获得的。以一个包含2个隐藏层,输出层为softmax的神经网络为例,其训练过程可以表示为:
a、用原始输入x训练第一个自编码器,学习原始输入的一阶特征h(1),如图3中a所示。
b、将所有得到的一阶特征h(1)作为第二个自编码器的输入,学习原始输入的二阶特征h(2),如图3中b所示。
c、得到所有的二阶特征得到所有的二阶特征h(2),作为softmax分类器的输入,训练分类器的参数。如图3中c所示。
在上述预训练结束之后,将上面三层结合起来得到包含两个隐藏层和一个softmax输出层的栈式自编码网络,如图4所示。
然后采用反向传播算法调整所有层的参数,这个过程称为微调。微调过程中,网络所有层的全部参数都被优化,经过微调后,可以大幅提高神经网络的分类性能。
S3:利用仿真环境获取的多传感器测量信号形成无标签的第一多维信号样本集,利用无标签的第一多维信号样本集对SAE神经网络模型进行初始化训练;
具体地,本步骤需要对通过仿真的采集的多传感器测量信号进行处理,制备包括多个无标签的多维特征张量的多维信号样本数据集,然后利用无标签的多维信号样本数据集完成对SAE模型的初始化训练。
其中,利用仿真环境获取的多传感器测量信号形成无标签的第一多维信号样本集的方法为:
首先,对仿真环境获取的多传感器测量信号中每个设定周期内的所有传感器测量信号进行拼接处理,形成包括多源测量信号的第一多维信号样本;
其中,拼接处理的方法包括:
参考图5,提取多传感器测量信号中单个设定周期内的各测量信号的曲线,将各测量信号通过FFT转换为频域信号并拼接在同一信道图中,多个测量信号分别位于不同的信道,形成多维信号信道图。
然后,对多维信号信道图进行特征提取处理,得到第一多维特征张量,将无标签的所有第一多维特征张量作为第一多维信号样本集。
其中,特征提取处理的方法包括:
继续参考图5,对多维信号信道图中的各个测量信号进行去直流处理,形成去直流多维信号信道图;
将去直流多维信号信道图转换为小波时频图;
对小波时频图进行灰度图像素提取,得到多维特征张量图,将多维特征张量图作为多维信号样本。
之后,采用无标签的第一多维信号样本集对SAE神经网络模型进行初始化训练,将无标签的第一多维信号样本集输入至SAE神经网络模型中,SAE神经网络模型通过自学习能够准确的识别出第一多维信号样本中的特征并确定模型中各层的初始化参数。
S4:利用实验室环境获取的多传感器测量信号形成有标签的第二多维信号样本集,利用有标签的第二多维信号样本集对SAE神经网络模型进行微调,完成SAE神经网络模型的训练,完成训练的SAE神经网络模型能够根据输入的多传感器测量信号的多维信号样本输出对应的振动故障原因;
具体地,本步骤需要对通过仿真的采集的多传感器测量信号进行处理,制备包括多个有标签的多维特征张量的多维信号样本数据集,然后利用有标签的多维信号样本数据集完成对SAE模型的微调。制备多维特征张量的方法与步骤S3一致,即图5所示的方法,区别在于最后需要在多维特征张量中标记上相应的故障原因。
本步骤的具体方法为:
首先,对实验室环境获取的多传感器测量信号中每个设定周期内的所有传感器测量信号进行拼接处理,形成包括多源信号的第二多维信号样本;
对第二多维信号样本进行特征提取处理,得到第二多维特征张量;
分别标记每个第二多维特征张量对应的故障原因,将有标签的所有第二多维特征张量作为第二多维信号样本集。
然后,采用有标签的第二多维信号样本集对完成初始化训练的SAE神经网络模型再次训练,以对SAE神经网络模型中各层初始化参数的微调,最终完成SAE神经网络模型的训练。
在步骤S3和S4中,本方法在制作多传感器信号样本时采用了将多传感器信号拼接在同一频率信道图中,然后通过特制提取处理得到同时包括多传感器信号的多维特征张量图,SAE神经网络模型在自学习的过程中是对多维特征张量图中的整体特征进行识别,而不是对每种传感器信号单独的特征进行识别,因此可以通过对多维特征张量图整体特征的识别自动输出相对应的故障原因分类结果(结果可以为多个),实现了端到端的直接输出,相较于现有的对每个传感器信号的特征分别提取再进行特征融合或决策融合的方式运算量更小,也因此本方法中的SAE神经网络模型可以仅用一个模型、一个目标函数完成对伺服电机故障原因的识别检测,以及采用其他神经网络模型的多模块误差累计、目标函数不一致等导致的预测结果收敛不佳的问题。同时模型得益于采用仿真获取的大量高质量的振动异常多传感器信号数据样本完成的初始化训练,有效保证了模型参数的准确性,再采用实验室真实环境获取的多传感器信号数据完成模型参数的微调,模型参数准确,进而有效保证模型对输入数据特征提取和振动故障原因分类的准确性。
S5:控制待检测伺服电机按照不同工况对应的测试例进行工作,采集待检测伺服电机在每种工况下的多传感器测量信号,利用采集的多传感器测量信号形成多维信号样本,将多维信号样本输入至完成训练的SAE神经网络模型,对待检测伺服电机的振动故障原因进行检测。
具体地,本步骤为利用完成训练的SAE神经网络模型和真实的多个传感器对待检测伺服电机进行故障异常原因的分析检测。可以预先建立对应伺服电机各种工况的测试例程序,检测时控制待检测伺服电机按照不同的测试例依次执行各种工况,测试时需要保证伺服电机、各传感器等测量装置与之前仿真环境和实验室环境模拟时的安装、位置等设置情况一致,通过多种传感器采集待测试伺服电机在执行测试例时的多传感器信号,然后采用步骤S3中(图5所示)方法对采集的多传感器信号进行拼接和特征提取处理形成多维信号样本,将多维信号样本输入至SAE神经网络模型中,SAE神经网络模型自动完成对输入的多维信号样本的特征识别并输出至少一个振动故障异常的原因,完成对伺服电机振动异常原因的分析和检测。
需要说明的是,本步骤中采集多信号传感器信号、对采集的多传感器信号进行拼接和特征提取处理形成多维信号样本以及通过SAE神经网络模型进行振动异常检测的过程可以是一个实时连续的过程,也可以是不连续的分步过程。
此外,本实施例中可以在步骤S3、S4中加入伺服电机各种工况下振动正常的多传感器信号训练数据,使SAE神经网络模型可以输出振动检测无异常的结果。
实施例2
如图6所示,本实施例提供一种工业机器人伺服电机振动故障检测装置,包括:测试平台1、温度振动一体传感器2、噪声传感器3、电压电流传感器4和故障检测单元5;
温度振动一体传感器2、噪声传感器3、电压电流传感器4以及待测的伺服电机8分别与故障检测单元5连接;
测试平台1上还设有伺服电机安装机构6和负载机构7;
温度振动一体传感器2安装在待测试的伺服电机8上,用于测量伺服电机8工作时的温度以及伺服电机分别在X、Y、Z方向的频率、振动加速度及频率信号,并将测量的温度信号、X、Y、Z方向的频率、振动加速度及频率信号输出至故障检测单元5;
噪声传感器3、电压电流传感器4均设置在测试平台1上,噪声传感器3用于测试伺服电机8工作时的噪声并将噪声信号输出至故障检测单元5,电压电流传感器4与伺服电机8连接,用于测量伺服电机8工作时的电压和电流信号并输出至故障检测单元5;
故障检测单元5包括电机控制模块51、多维信号融合模块52和振动故障分析模块53;电机控制模块51用于根据控制待检测伺服电机8按照不同工况对应的测试例进行工作;多维信号融合模块52用于采集待检测伺服电机8在每种工况下的多传感器测量信号,并利用采集的多传感器测量信号形成多维信号样本;振动故障分析模块53用于采用SAE神经网络模型根据多维信号样本对待检测伺服电机的振动故障原因进行检测;
其中,振动故障分析模块中的SAE神经网络模型的训练过程包括:
分别在仿真环境和实验室环境下对伺服电机在不同工况、不同故障原因下的振动故障进行模拟和实验,获取在仿真虚拟环境和实验室环境中不同工况、不同故障原因下对应的多传感器测量信号;
利用仿真环境获取的多传感器测量信号形成无标签的第一多维信号样本集,利用无标签的第一多维信号样本集对SAE神经网络模型进行初始化训练;
利用实验室环境获取的多传感器测量信号形成有标签的第二多维信号样本集,利用有标签的第二多维信号样本集对SAE神经网络模型进行微调,完成SAE神经网络模型的训练,完成训练的SAE神经网络模型能够根据输入的多传感器测量信号的多维信号样本输出对应的振动故障原因。
本实施例中,负载机构7可以为电机扭力测试仪等。优选地,本实施例的测试平台1底部设有多个滑轮,便于特定环境下的对伺服电机振动异常的巡检,本实施例的温度振动一体传感器2优选为磁吸式温度振动一体传感器,在检测时可以直接吸附到待测试的伺服电机8上的设定位置,安装方便。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (6)
1.一种工业机器人伺服电机振动故障检测方法,其特征在于,包括:
分别在仿真环境和实验室环境下对伺服电机在不同工况、不同故障原因下的振动故障进行模拟和实验,获取在仿真虚拟环境和实验室环境中不同工况、不同故障原因下对应的多传感器测量信号;所述多传感器测量信号包括:伺服电机工作时的温度信号、噪音信号、电压信号、电流信号以及分别在X、Y、Z方向的频率、振动加速度及频率信号;
建立SAE神经网络模型;
利用仿真环境获取的多传感器测量信号形成无标签的第一多维信号样本集,利用无标签的第一多维信号样本集对所述SAE神经网络模型进行初始化训练;
利用实验室环境获取的多传感器测量信号形成有标签的第二多维信号样本集,利用有标签的第二多维信号样本集对所述SAE神经网络模型进行微调,完成所述SAE神经网络模型的训练,完成训练的所述SAE神经网络模型能够根据输入的多传感器测量信号的多维信号样本输出对应的振动故障原因;
控制待检测伺服电机按照不同工况对应的测试例进行工作,采集所述待检测伺服电机在每种工况下的多传感器测量信号,利用采集的多传感器测量信号形成多维信号样本,将多维信号样本输入至完成训练的所述SAE神经网络模型,对所述待检测伺服电机的振动故障原因进行检测;
其中,所述利用仿真环境获取的多传感器测量信号形成无标签的第一多维信号样本集,包括:
对仿真环境获取的多传感器测量信号中每个设定周期内的所有传感器测量信号进行拼接处理,形成包括多源测量信号的第一多维信号样本;
对所述第一多维信号样本进行特征提取处理,得到第一多维特征张量,将无标签的所有第一多维特征张量作为所述第一多维信号样本集;
所述利用实验室环境获取的多传感器测量信号形成有标签的第二多维信号样本集,包括:
对实验室环境获取的多传感器测量信号中每个设定周期内的所有传感器测量信号进行拼接处理,形成包括多源信号的第二多维信号样本;
对所述第二多维信号样本进行特征提取处理,得到第二多维特征张量;
分别标记每个所述第二多维特征张量对应的故障原因,将有标签的所有第二多维特征张量作为所述第二多维信号样本集;
所述拼接处理的方法包括:
提取多传感器测量信号中单个设定周期内的各测量信号的曲线,将各测量信号转换为频域信号并拼接在同一信道图中,多个测量信号分别位于不同的信道,形成多维信号信道图;
所述特征提取处理的方法包括:
对所述多维信号信道图中的各个测量信号进行去直流处理,形成去直流多维信号信道图;
将所述去直流多维信号信道图转换为小波时频图;
对所述小波时频图进行灰度图像素提取,得到多维特征张量图,将多维特征张量图作为多维信号样本。
2.根据权利要求1所述的方法,其特征在于,所述利用无标签的第一多维信号样本集对所述SAE神经网络模型进行初始化训练,包括:
采用无标签的所述第一多维信号样本集对所述SAE神经网络模型进行初始化训练,所述SAE神经网络模型通过自学习能够准确的识别出所述第一多维信号样本中的特征并确定模型中各层的初始化参数。
3.根据权利要求1所述的方法,其特征在于,所述利用有标签的第二多维信号样本集对所述SAE神经网络模型进行微调,包括:
采用有标签的所述第二多维信号样本集对所述SAE神经网络模型再次训练,以对所述SAE神经网络模型中各层初始化参数的微调。
4.根据权利要求1所述的方法,其特征在于,所述伺服电机的工况包括:伺服电机分别在位置模式、速度模式和转矩模式下的空载运行工况,以及伺服电机分别在位置模式、速度模式和转矩模式下加不同负载下的运行工况。
5.根据权利要求1所述的方法,其特征在于,所述振动故障原因包括:机械结构故障引起的空载振动、传动机构故障引起的加负载后振动、速度环参数设置不当引起振动、伺服系统的补偿板和伺服放大器故障引起的振动、负载惯量增大引起的振动以及电气部分的制动未开或电网缺相引起的振动。
6.一种工业机器人伺服电机振动故障检测装置,其特征在于,包括:测试平台、温度振动一体传感器、噪声传感器、电压电流传感器和故障检测单元;
所述温度振动一体传感器、所述噪声传感器、电压电流传感器以及待测的伺服电机分别与所述故障检测单元连接;
所述测试平台上还设有伺服电机安装机构和负载机构;
所述温度振动一体传感器安装在待测试的伺服电机上,用于测量伺服电机工作时的温度以及伺服电机分别在X、Y、Z方向的频率、振动加速度及频率信号,并将测量的温度信号、X、Y、Z方向的频率、振动加速度及频率信号输出至所述故障检测单元;
所述噪声传感器、所述电压电流传感器均设置在所述测试平台上,所述噪声传感器用于测试伺服电机工作时的噪声并将噪声信号输出至所述故障检测单元,所述电压电流传感器与伺服电机连接,用于测量伺服电机工作时的电压和电流信号并输出至所述故障检测单元;
所述故障检测单元包括电机控制模块、多维信号融合模块和振动故障分析模块;所述电机控制模块用于根据控制待检测伺服电机按照不同工况对应的测试例进行工作;所述多维信号融合模块用于采集所述待检测伺服电机在每种工况下的多传感器测量信号,并利用采集的多传感器测量信号形成多维信号样本;所述振动故障分析模块用于采用SAE神经网络模型根据所述多维信号样本对所述待检测伺服电机的振动故障原因进行检测;
其中,所述SAE神经网络模型的训练过程包括:
分别在仿真环境和实验室环境下对伺服电机在不同工况、不同故障原因下的振动故障进行模拟和实验,获取在仿真虚拟环境和实验室环境中不同工况、不同故障原因下对应的多传感器测量信号;
利用仿真环境获取的多传感器测量信号形成无标签的第一多维信号样本集,利用无标签的第一多维信号样本集对所述SAE神经网络模型进行初始化训练;
利用实验室环境获取的多传感器测量信号形成有标签的第二多维信号样本集,利用有标签的第二多维信号样本集对所述SAE神经网络模型进行微调,完成所述SAE神经网络模型的训练,完成训练的所述SAE神经网络模型能够根据输入的多传感器测量信号的多维信号样本输出对应的振动故障原因;
其中,所述利用仿真环境获取的多传感器测量信号形成无标签的第一多维信号样本集,包括:
对仿真环境获取的多传感器测量信号中每个设定周期内的所有传感器测量信号进行拼接处理,形成包括多源测量信号的第一多维信号样本;
对所述第一多维信号样本进行特征提取处理,得到第一多维特征张量,将无标签的所有第一多维特征张量作为所述第一多维信号样本集;
所述利用实验室环境获取的多传感器测量信号形成有标签的第二多维信号样本集,包括:
对实验室环境获取的多传感器测量信号中每个设定周期内的所有传感器测量信号进行拼接处理,形成包括多源信号的第二多维信号样本;
对所述第二多维信号样本进行特征提取处理,得到第二多维特征张量;
分别标记每个所述第二多维特征张量对应的故障原因,将有标签的所有第二多维特征张量作为所述第二多维信号样本集;
所述拼接处理的方法包括:
提取多传感器测量信号中单个设定周期内的各测量信号的曲线,将各测量信号转换为频域信号并拼接在同一信道图中,多个测量信号分别位于不同的信道,形成多维信号信道图;
所述特征提取处理的方法包括:
对所述多维信号信道图中的各个测量信号进行去直流处理,形成去直流多维信号信道图;
将所述去直流多维信号信道图转换为小波时频图;
对所述小波时频图进行灰度图像素提取,得到多维特征张量图,将多维特征张量图作为多维信号样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211688317.XA CN115683235B (zh) | 2022-12-28 | 2022-12-28 | 一种工业机器人伺服电机振动故障检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211688317.XA CN115683235B (zh) | 2022-12-28 | 2022-12-28 | 一种工业机器人伺服电机振动故障检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115683235A CN115683235A (zh) | 2023-02-03 |
CN115683235B true CN115683235B (zh) | 2023-03-28 |
Family
ID=85056094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211688317.XA Active CN115683235B (zh) | 2022-12-28 | 2022-12-28 | 一种工业机器人伺服电机振动故障检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115683235B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116699390B (zh) * | 2023-04-20 | 2024-04-26 | 上海宇佑船舶科技有限公司 | 柴油机组故障检测方法和系统 |
CN117232638B (zh) * | 2023-11-15 | 2024-02-20 | 常州检验检测标准认证研究院 | 机器人振动检测方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145886A (zh) * | 2018-10-12 | 2019-01-04 | 西安交通大学 | 一种多源信息融合的异步电机故障诊断方法 |
CN110346141B (zh) * | 2019-06-20 | 2020-11-27 | 燕山大学 | 稀疏自编码滚动轴承故障诊断方法 |
CN111967486A (zh) * | 2020-06-02 | 2020-11-20 | 安徽三禾一信息科技有限公司 | 一种基于多传感器融合的复杂装备故障诊断方法 |
CN112699965B (zh) * | 2021-01-14 | 2022-08-30 | 中国人民解放军海军航空大学 | 基于卷积自编码的雷达hrrp目标类别标注方法 |
CN115308593A (zh) * | 2022-07-11 | 2022-11-08 | 浙江联宜电机有限公司 | 多维度数据融合电机故障预检装置、系统及其预检方法 |
-
2022
- 2022-12-28 CN CN202211688317.XA patent/CN115683235B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115683235A (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115683235B (zh) | 一种工业机器人伺服电机振动故障检测方法及装置 | |
KR102189269B1 (ko) | 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템 | |
CN111695598B (zh) | 一种基于生成对抗网络的监测数据异常诊断方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN113128561A (zh) | 一种机床轴承故障诊断方法 | |
CN111504676A (zh) | 基于多源监控数据融合的设备故障诊断方法、装置及系统 | |
CN113988202B (zh) | 一种基于深度学习的机械臂异常振动检测方法 | |
USRE45815E1 (en) | Method for simplified real-time diagnoses using adaptive modeling | |
CN114821852B (zh) | 基于特征金字塔的电网缺陷深度识别巡查机器人控制系统 | |
CN111860839A (zh) | 基于多信号融合及Adam优化算法的岸桥故障监测方法 | |
WO2021044418A1 (en) | Sensor-agnostic mechanical machine fault identification | |
CN115712873A (zh) | 一种基于数据分析和红外图像信息融合的光伏并网运行异常检测系统及方法 | |
Wanner et al. | Quality modelling in battery cell manufacturing using soft sensoring and sensor fusion-A review | |
CN116380445A (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
CN116012681A (zh) | 基于声振信号融合的管道机器人电机故障诊断方法及系统 | |
Yao et al. | Fault identification of lithium-ion battery pack for electric vehicle based on ga optimized ELM neural network | |
Meiners et al. | Towards an inline quality monitoring for crimping processes utilizing machine learning techniques | |
Xiao et al. | Integrated system-level prognosis for hybrid systems subjected to multiple intermittent faults | |
CN117192369A (zh) | 基于数字孪生技术的曳引电机监测与诊断方法 | |
US20180087489A1 (en) | Method for windmill farm monitoring | |
CN114299338A (zh) | 用于系统管理的故障预测与健康管理系统与相关方法 | |
Przepióra et al. | Smart IoT platform for Big Data analysis in predictive maintenance | |
CN117723782B (zh) | 用于桥梁结构健康监测的传感器故障识别定位方法及系统 | |
RU2546993C1 (ru) | Способ диагностики технического состояния электропривода по оценке динамики его параметров |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |