CN116296377A - 工业机器人的rv减速器故障预测方法及装置 - Google Patents

工业机器人的rv减速器故障预测方法及装置 Download PDF

Info

Publication number
CN116296377A
CN116296377A CN202310521545.6A CN202310521545A CN116296377A CN 116296377 A CN116296377 A CN 116296377A CN 202310521545 A CN202310521545 A CN 202310521545A CN 116296377 A CN116296377 A CN 116296377A
Authority
CN
China
Prior art keywords
vibration signal
time
frequency domain
data
industrial robot
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.)
Granted
Application number
CN202310521545.6A
Other languages
English (en)
Other versions
CN116296377B (zh
Inventor
郭东栋
张妍
彭浩
姜宗睿
马海涛
杜文博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Benz Automotive Co Ltd
Original Assignee
Beijing Benz Automotive Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Benz Automotive Co Ltd filed Critical Beijing Benz Automotive Co Ltd
Priority to CN202310521545.6A priority Critical patent/CN116296377B/zh
Publication of CN116296377A publication Critical patent/CN116296377A/zh
Application granted granted Critical
Publication of CN116296377B publication Critical patent/CN116296377B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明提供一种工业机器人的RV减速器故障预测方法及装置，所述方法包括：获取第一时间段内RV减速器在预设转速下的振动信号数据，基于所述振动信号数据提取时域特征，基于时频域分析方法确定第一时间段内的匀速段，提取所述匀速段的频域特征，基于所述时域特征和所述频域特征的相关性确定最终特征；将所述最终特征输入至训练好的神经网络模型中，得到所述RV减速器的故障预测结果。该工业机器人的RV减速器故障预测方法及装置可准确的预测RV减速器是否出现故障。

Description

工业机器人的RV减速器故障预测方法及装置
技术领域
本发明涉及工业机器人技术领域，尤其涉及一种工业机器人的RV减速器故障预测方法及装置。
背景技术
工业机器人广泛应用于产业制造、汽车制造、电器、食品行业等，能替代人工进行反复操作，是靠本身动力和控制来实现各种功用的一种机器；它能够承受人类指挥，也能够按照事先编排的程序运转。在工业机器人运行过程中，能够引发工业机器人停机故障原因得到较大关注，这与工业机器人所采用的零部件的可靠性具有较强的相关性。工业机器人主要组成部分包括控制系统和驱动系统，其中在驱动系统中，RV减速器作为决定机器人是否能够灵活操作的重要基础部件，其也是工业机器人的核心部件。
RV减速器具有体积小、重量轻、传动比范围大、效率高等优点，在工业机器人中，RV减速器由于啮合磨损、润滑不当或材料发生疲劳等原因可能会引起诸如RV减速器内传动齿轮磨损、传动轴断裂或轴承破损等故障；如在一实验过程中发现，RV减速器停机的故障原因集中在其内部位于曲柄轴上的轴承上，而其内部的传动齿轮以及传动轴未出现故障；并且其轴承故障表现形式具体的为轴承挡圈磨损断裂、滚针破碎等问题造成了传动机构卡死。
RV减速器若出现上述任一故障均会造成工业机器人末端执行器传动误差、机器人停机等问题，因此在工业机器人的运行状态下，能够准确的判断RV减速器是否出现故障是必不可少的。而在现有技术中，虽然存在一些方法可判断工业机器人中平衡缸轴承以及伺服电机是否发生故障，但是还未存在一种专门实现工业机器人RV减速器故障预测的方法或装置。因此，如何准确的预测RV减速器是否出现故障是亟待解决的技术问题。
发明内容
有鉴于此，本发明提供了一种工业机器人的RV减速器故障预测方法及装置，以解决现有技术中存在的一个或多个问题。
根据本发明的一个方面，本发明公开了一种工业机器人的RV减速器故障预测方法，所述方法包括：
获取第一时间段内RV减速器在预设转速下的振动信号数据，基于所述振动信号数据提取时域特征，基于时频域分析方法确定第一时间段内的匀速段，提取所述匀速段的频域特征，基于所述时域特征和所述频域特征的相关性确定最终特征；
将所述最终特征输入至训练好的神经网络模型中，得到所述RV减速器的故障预测结果。
在本发明的一些实施例中，基于时频域分析方法确定第一时间段内的匀速段，包括：
将所述第一时间段内的振动信号数据转换进行时频域分析；
基于时频域分析后的时频域数据生成时频域数据矩阵，将所述时频域数据矩阵进行矩阵二值化得到二值化矩阵；
对所述二值化矩阵中的各行数据进行求和，并确定和的最大值所对应的最大行；
在所述最大行中确定起始行坐标和终止行坐标；其中，所述起始行坐标为第一个满足如下条件的位置所对应的坐标：其元素值为第一元素，且其后的连续多个位置中的元素值为第一元素的数量大于元素值为第二元素的数量；
所述终止行坐标为所述起始行坐标后的第一个满足如下条件的位置所对应的坐标：其元素值为第一元素，其后的第一个位置的元素值为第二元素，且其后的连续多个位置中的元素值为第二元素的数量大于元素值为第一元素的数量；
基于所述起始行坐标和所述终止行坐标确定第一时间段内的匀速段。
在本发明的一些实施例中，将所述第一时间段内的振动信号数据进行时频域分，包括：
将所述第一时间段内的振动信号数据通过短时傅里叶变换转换方法进行时频域分析；或，
将所述第一时间段内的振动信号数据通过连续小波变换换方法进行时频域分析；或，
将所述第一时间段内的振动信号数据通过变模态分解和希尔伯特黄变换方法进行时频域分析。
在本发明的一些实施例中，
所述时域特征包括振动信号平均值、振动信号最大值、振动信号最小值、振动信号方差、振动信号标准差、振动信号峰峰值、振动信号均方根、振动信号偏度、振动信号峰度、振动信号波形指标、振动信号脉冲指标、振动信号峰值指标以及振动信号裕度指标；
所述频域特征包括频谱均值、频谱均方根、频率重心、均方根频率；
所述最终特征包括振动信号峰峰值、振动信号均方根、振动信号偏度、振动信号波形指标、振动信号脉冲指标以及频率重心。
在本发明的一些实施例中，所述方法还包括：
构建初始网络模型和损失函数，生成样本数据集；所述样本数据集中的样本数据包括特征样本以及所述特征样本对应的样本标签；
基于所述样本数据集和损失函数对所述初始网络模型进行预训练得到训练好的神经网络模型。
在本发明的一些实施例中，所述神经网络模型包括一个输入层、三个隐藏层和一个输出层，所述输入层的神经元个数与所述最终特征的数量相等，所述隐藏层的神经元个数分别为8、8和5；和/或，所述损失函数为ReLU损失函数。
在本发明的一些实施例中，生成样本数据集，包括：
分别获取第一转速、第二转速和/或第三转速对应的样本数据；
对所述样本数据进行归一化处理，以消除量纲的影响。
在本发明的一些实施例中，对所述样本数据进行归一化处理，包括：通过极差标准法对所述样本数据进行归一化处理，且计算公式为：
Figure SMS_1
；
其中，
Figure SMS_2
为归一化处理后的特征样本数据，/>
Figure SMS_3
为最小特征样本数据，X为特征样本数据，/>
Figure SMS_4
为最大特征样本数据；和/或
所述工业机器人为六轴机器人。
根据本发明的另一方面，还公开了一种工业机器人的RV减速器故障预测系统，该系统包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现如上任一实施例所述方法的步骤。
根据本发明的再一方面，还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上任一实施例所述方法的步骤。
本发明上述实施例所公开的工业机器人的RV减速器故障预测方法及装置，首先提取振动信号数据中的时域特征，然后再提取匀速段的频域特征，并将频域特征和时域特征中较相关的特征作为最终特征，最后通过训练好的神经网络模型基于最终特征预测该RV减速器的故障状态，该方法及装置可准确的预测RV减速器是否出现故障。另外，该方法基于时域特征和频域特征的相关特征进行故障预测，还进一步的减少了故障预测过程中的计算量。
本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在书面说明及其权利要求书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。附图中的部件不是成比例绘制的，而只是为了示出本发明的原理。为了便于示出和描述本发明的一些部分，附图中对应部分可能被放大，即，相对于依据本发明实际制造的示例性装置中的其它部件可能变得更大。在附图中：
图1为本发明一实施例的工业机器人的RV减速器故障预测方法的流程示意图。
图2为本发明另一实施例的工业机器人的RV减速器故障预测方法的流程示意图。
图3a、3b和3c分别为三台RV减速器在50%转速下对应的振动信号时域图。
图4为本发明一实施例的匀速段提取的流程示意图。
图5为三台RV减速器的各特征与速度之间关系的曲线对比图。
图6为本发明一实施例的神经网络模型的架构示意图。
图7a、7b和7c分别为神经网络模型分别在RV减速器的50%、75%和100%转速下的损失曲线示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
在此，需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
应该强调，术语“包括/包含/具有”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。
图1为本发明一实施例的工业机器人的RV减速器故障预测方法的流程示意图，参考图1，该工业机器人的RV减速器故障预测方法至少包括步骤S10至S20。
步骤S10：获取第一时间段内RV减速器在预设转速下的振动信号数据，基于所述振动信号数据提取时域特征，基于时频域分析方法确定第一时间段内的匀速段，提取所述匀速段的频域特征，基于所述时域特征和所述频域特征的相关性确定最终特征。
在该步骤中，第一时间段例如可为工业机器人正反往复转动一个周期或多个周期对应的时间区间，预设转速在该实施例中可根据实际需求进行设定，如预设转速可为50%转速、75%转速以及100%转速等，其中第一时间段包含了加速-匀速-减速的过程。参考图3a、3b和3c，图3a、3b和3c分别为三台RV减速器在50%转速下对应的振动信号时域图，图3a、3b和3c中所展示的为在工业机器人正反往复旋转两次所对应的时间段内采集到的相应转速下的振动信号数据，并且为了进一步便于获取上述的振动信号时域图，则在具体实验时可对50%转速下的三台RV减速器同时进行数据的采集，此时三台RV减速器可为型号一致的减速器。从各振动信号时域图中可以看出，对于同一个RV减速器来说，其正转和反转的波形不同，这一现象可能是由于控制速度的差异所导致的；另外根据图3a、3b和3c可以得知，不同的RV减速器所采集到的波形差异很大，该波形差异反映了RV减速器的工况环境的差异。
在具体的进行振动信号数据的采集时，可采用CMS-ONE DAQ（Data Acquisition）数据采集设备进行数据采集。其中传感器安装在工业机器人的RV减速器外围，并且传感器的数量可设为四个，则此时四个传感器通过磁力分别垂直吸附于RV减速器的端面，并采集垂直转动轴方向的振动分量，四个传感器在RV减速器周向上互相间隔90度，以尽可能覆盖单轴转动的全部范围，从而保证在RV减速器特定角度出现轻微失效时仍然能被采集到。在采集过程中，所采用的采样率可为25600HZ；而工业机器人具体的可为六轴工业机器人。可以理解的，在具体采集振动信号数据时，也可以在 RV减速器外围设置更多个传感器，如传感器的数量也可设为六个，且六个传感器在在RV减速器周向上互相间隔60度。
由于RV 减速器的结构及其所包含部件较复杂，其由多个行星齿轮等零件构成；因此，探寻其基本振动信号在不同样本之间的差异更加具有挑战性。该步骤为了提取不同类型的特征而选择两个特征域：时域和频域。分析频域特征需要提取机器人轴匀速转动数据信息，然而机器人轴运动会经历加速、匀速和减速过程，如果单轴的单次行程小于一定范围时便只有加速和减速过程；因此在提取频域特征之前，需要尽可能扩展匀速运动段的数据，即确定第一时间段内的匀速段。
步骤S20：将所述最终特征输入至训练好的神经网络模型中，得到所述RV减速器的故障预测结果。
在该步骤中，通过训练好的神经网络模型基于RV减速器的最终特征预测该RV减速器是否出现故障。
图2为本发明另一实施例的工业机器人的RV减速器故障预测方法的流程示意图，参考图2，该RV减速器故障预测方法首先进行振动信号的数据获取，然后将获取到的数据进行拆分，对拆分后的振动信号直接进行时域特征的提取；而为了提取到频域特征，则首先提取匀速运行段的数据，进而对匀速运行段的数据进行频域特征的提取；提取到时域特征和频域特征之后，进一步的进行最终特征的筛选，即使得时域特征与频域特征中较相关的特征仅保留一个；确定了最终特征之后，则进一步的完成模型的训练和RV减速器故障结果的预测。
在本发明的一些实施例中，基于时频域分析方法确定第一时间段内的匀速段，具体可包括如下步骤：将所述第一时间段内的振动信号数据进行时频域分析；基于时频域分析后的时频域数据生成时频域数据矩阵，将所述时频域数据矩阵进行矩阵二值化得到二值化矩阵；对所述二值化矩阵中的各行数据进行求和，并确定和的最大值所对应的最大行；在所述最大行中确定起始行坐标和终止行坐标；其中，所述起始行坐标为第一个满足如下条件的位置所对应的坐标：其元素值为第一元素，且其后的连续多个位置中的元素值为第一元素的数量大于元素值为第二元素的数量；所述终止行坐标为所述起始行坐标后的第一个满足如下条件的位置所对应的坐标：其元素值为第一元素，其后的第一个位置的元素值为第二元素，且其后的连续多个位置中的元素值为第二元素的数量大于元素值为第一元素的数量；基于所述起始行坐标和所述终止行坐标确定第一时间段内的匀速段。
其中，采用时频域分析方法对时域图进行分析，可直观的体现数据时间维度和频率维度的信息，即采用时频域分析方法可将第一时间段内的振动信号数据转换为时频域数据。示例性的，在第一时间段内截取匀速段时，可采用短时傅里叶变换方法（STFT）、连续小波变换方法(CWT)或变模态分解-希尔伯特黄变换方法(VMD+HHT)对振动信号数据进行时频域分析。即将所述第一时间段内的振动信号数据进行时频域分析，包括：将所述第一时间段内的振动信号数据通过短时傅里叶变换方法进行时频域分析；或，将所述第一时间段内的振动信号数据通过连续小波变换方法进行时频域分析；或，将所述第一时间段内的振动信号数据通过变模态分解-希尔伯特黄变换转方法进行时频域分析。
对于上述的多种时频域分析方法，通过实验分析发现，短时傅里叶变换方法（STFT）、连续小波变换方法(CWT)和变模态分解-希尔伯特黄变换方法(VMD+HHT)均能有效识别机器人转轴的匀速阶段；但是在运算过程中，STFT的运算量小于CWT的运算量，且CWT的运算量小于VMD+HHT的运算量；即在实际预测过程中，可优选的选用STFT方法或CWT方法将第一时间段内的振动信号数据进行时频域分析。另外，CWT作为一种变分辨率的分析方法，可以有效识别信号的低频成分，但需要选择合适的小波，且若需要达到一定的分辨率，需要选择合适的尺度，其运算速度也会受到较大影响；而STFT方法运算速度快，且能够准确识别机器人轴运动的匀速段，因而在一实施例中优选的选用短时傅里叶变换方法将第一时间段内的振动信号数据进行时频域分析。在一实施例中，对匀速段内的信号数据进行频域分析时所采用的分方法为离散傅里叶变换方法，示例性的，转化为频谱数据的公式可为:
Figure SMS_5
。其中，x(n)为振动信号的采样值，/>
Figure SMS_6
为复指数函数,N为采样点数,k为时域离散值的序号，j表示虚数单位，n=0,1,2…N-1。
图4为本发明一实施例的匀速段提取的流程示意图，在该实施例中，如图4所示，在第一时间段内提取匀速段时，则首先通过短时傅里叶变换方法将第一时间段内的振动信号数据进行时频域分析得到时频域数据矩阵A∈Rm×n，横坐标T∈Rm，纵坐标F∈Rn。在得到时频域数据矩阵A之后，进一步的进行矩阵数据二值化得到二值化矩阵，此时二值化矩阵内的元素为第一元素或第二元素，第一元素为1，第二元素为0；即二值化矩阵B∈Rm×n，
Figure SMS_7
，其中，lim为A i,j 的第98个百分位。进一步的，对B i,j 做逐行求和，找到最大行I,即Sum∈Rm，
Figure SMS_8
，Max（Sum）= SumI；其中，Rm表示m个元素的实数集，Rn表示n个元素的实数集，Rm×n表示m行n列的实数矩阵，A i,j 表示时频域数据矩阵A中第i行第j列的元素，B i,j 表示二值化矩阵B中第i行第j列的元素。进一步的，识别匀速段的起点和终点；示例性的，在确定起点时，在矩阵B第I行中找到第一个满足如下条件的位置：该位置的元素为1，且该位置后面连续九个位置中有七个位置的元素同为1，找到该位置后并将其行坐标T JO 作为匀速段的起始坐标；在确定终点时，在矩阵B第I行中找到起点后的第一个满足如下条件的位置：该位置的元素为0，且该位置后面连续九个位置中有七个位置的元素同为0，找到该位置后并将该位置的前一个位置的行坐标T J1 -1作为匀速段的终止坐标。进一步的基于上述起始坐标和终止坐标确定匀速段，匀速段的起点为T JO *Fs数据点处，匀速段的终点为T J1 -1*Fs数据点处。其中Fs表示采样频率。
在基于振动信号数据提取时域特征时，根据信号统计学特征，选取其中的十三个特征作为时域特征，如时域特征可为振动信号平均值、振动信号最大值、振动信号最小值、振动信号方差、振动信号标准差、振动信号峰峰值、振动信号均方根、振动信号偏度、振动信号峰度、振动信号波形指标、振动信号脉冲指标、振动信号峰值指标以及振动信号裕度指标。其中，振动信号平均值表示信号的平均值，振动信号最大值表示整个信号的最大值，振动信号最小值表示整个信号的最小值，振动信号方差描述了信号在其平均值周围的分布，振动信号标准差描述了基于信号的平均值测量信号的波动，振动信号峰峰值描述了信号在最大值和最小值之间的最大变化，振动信号均方根描述了信号的幅度和能量，振动信号偏度描述了表示给定信号围绕其概率密度函数的不对称趋势，振动信号峰度通过给定信号的四阶归一化矩阵描述信号的尖峰，振动信号波形指标描述了数据波形的形状影响波形指标，但与其尺寸无关，振动信号脉冲指标描述了数据集的均方根绝对值上的信号峰值，振动信号峰值指标描述了信号的尖峰特性和峰值在周期之间变化的显著性，振动信号裕度指标描述了信号峰值在平均值上的变化。具体的，振动信号平均值
Figure SMS_10
，振动信号最大值
Figure SMS_16
, 振动信号最小值/>
Figure SMS_19
，振动信号方差/>
Figure SMS_12
,振动信号标准差/>
Figure SMS_15
,振动信号峰峰值/>
Figure SMS_18
,振动信号均方根
Figure SMS_21
,振动信号偏度/>
Figure SMS_9
,振动信号峰度/>
Figure SMS_14
,振动信号波形指标/>
Figure SMS_17
,振动信号脉冲指标/>
Figure SMS_20
,振动信号峰值指标
Figure SMS_11
,振动信号裕度指标/>
Figure SMS_13
。在上述公式中，N表示振动信号的采样点数，x(n)表示第n个采样点对应的振动信号采样值。
在一实施例中，当提取到第一时间段内的匀速段之后，则进一步的将该匀速段内的振动信号进行离散傅里叶变换，从而转化为频谱信息。频谱信息
Figure SMS_27
。其中，x(n)为振动信号的采样值，N为采样点数，k为时域离散值的序号。进一步的，通过对频谱信息进行统计学信息提取，则可提取多种频域特征；示例性的，频域特征包括频谱均值、频谱均方根、频率重心、均方根频率。频谱均值
Figure SMS_22
，频谱均方根/>
Figure SMS_31
，频率重心/>
Figure SMS_25
，均方根频率
Figure SMS_30
。在上述公式中，s(m)为振动信号采样值x(n)的频谱，m=1,2…M-1，M为谱线数，/>
Figure SMS_35
为第m条谱线的频率值。在另一实施例中，频域特征除了包括频谱均值P 1 、频谱均方根P 2 、频率重心P 5 和均方根频率P 7 之外，还可以包括P 3 、P 4 、P 6 、P 8 、P 9 、P 10 、P 11 、P 12 、P 13 和P 14 ；具体的，/>
Figure SMS_38
，/>
Figure SMS_36
，/>
Figure SMS_37
，/>
Figure SMS_23
，/>
Figure SMS_33
，
Figure SMS_24
，/>
Figure SMS_32
，/>
Figure SMS_28
，/>
Figure SMS_34
，/>
Figure SMS_26
。与上述的P 1 、P 2 、P 5 和P 7 公式类似的，P 3 、P 4 、P 6 、P 8 、P 9 、P 10 、P 11 、P 12 、P 13 和P 14 公式中的s(m)为振动信号采样值x(n)的频谱，m=1,2…M-1，M为谱线数，/>
Figure SMS_29
为第m条谱线的频率值。
在提取到时域特征和频域特之后，进一步的采用相关分析方法分析各时域特征与各频域特征的相关性，并筛除相关性较高的特征，以在相关性较高的两个或多个特征中仅保留一个特征，从而减少过拟合和计算量。示例性的，当频域特征仅包括频谱均值、频谱均方根、频率重心、均方根频率时，则筛选出的最终特征（相关特征）为峰峰值、均方根、偏度、波形指标、脉冲指标以及频率重心。而在另一实施例中，当频域特征包括P 1 、P 2 、P 3 、P 4 、P 5 、P 6 、P 7 、P 8 、P 9 、P 10 、P 11 、P 12 、P 13 和P 14 时，则最终筛选出的12个相关特征为PP、RMS、SK、SH、IM、P 3 、P 6 、P 9 、P 10 、P 11 、P 14 。
图5为三台RV减速器的各特征与速度之间关系的曲线对比图，从图5中可以明显看出，在75%转速下，则各台RV减速器的各特征之间的区别最大，因此在实际的RV减速器故障预测过程中，所设定的预设转速优选的为75%。而可以理解的，在其他实施例中，也可以采集50%转速或100%转速下的振动信号数据以预测RV减速器是否故障，也可同时采集50%、75%以及100%转速下的振动信号数据以预测RV减速器是否故障。
在本发明一些实施例中，工业机器人的RV减速器故障预测方法还可以包括如下步骤：构建初始网络模型和损失函数，生成样本数据集；所述样本数据集中的样本数据包括特征样本以及所述特征样本对应的样本标签；基于所述样本数据集和损失函数对所述初始网络模型进行预训练得到训练好的神经网络模型。
在该实施例中，样本数据集中具有多个样本数据，各样本数据包括特征样本以及特征样本对应的样本标签，该样本标签可为用于表示特征样本是否属于故障RV减速器的标签。并且特征样本具体的可为50%转速、75%转速以及100%转速对应的特征样本。下表所示为本发明一实施例所设置的样本数据的数量：
Figure SMS_39
在该实施例中，采用三种转速下对应的样本数据对初始网络模型进行预训练，并且在实际训练过程中，可将上述表格中的其中100个样本数据作为验证数据集，而将剩余的样本数据作为训练数据集；例如，对于50%转速下的444个样本数据来说，其中100个为验证数据集，而其余的344个为训练数据集。可以理解的是，在该实施例中所列举的各转速对应的样本数据的数量仅是一种较佳示例，在其他实施例中，也可以根据实际需要将各转速下的样本数据数量设置为其他。
进一步的，在生成样本数据集时具体的包括如下步骤：分别获取第一转速、第二转速和/或第三转速对应的样本数据；对所述样本数据进行归一化处理，以消除量纲的影响。
在该实施例中，第一转速、第二转速和第三转速具体的可分别为50%转速、75%转速以及100%转速，则此时分别获取50%转速、75%转速以及100%下的样本数据，并对获取到的各转速下的样本数据进行归一化处理。可以理解的，在一实施例中，可根据50%转速、75%转速以及100%下的样本数据对网络模型进行训练；而在其他实施例中，也可仅根据50%转速下的样本数据对网络模型进行训练，或仅根据75%转速下的样本数据对网络模型进行训练，或仅根据100%转速下的样本数据对网络模型进行训练；除上述之外，也可根据50%转速和75%转速下的样本数据对网络模型进行训练，或根据75%转速和100转速下的样本数据对网络模型进行训练。
示例性的，对所述样本数据进行归一化处理，包括：通过极差标准法对所述样本数据进行归一化处理，且计算公式为：
Figure SMS_40
；其中，/>
Figure SMS_41
为归一化处理后的特征样本数据，
Figure SMS_42
为最小特征样本数据，X为特征样本数据，/>
Figure SMS_43
为最大特征样本数据。
进一步的，在故障预测过程中，最终特征基于DNN网络模型完成故障的预测。可以理解的，除了基于DNN网络模型完成故障的预测之外，也可以采用其他方法完成故障的预测，如其他方法可为支持向量机、逻辑回归算法、朴素贝叶斯算法和随机森林算法等。下表为采用各算法对RV减速器进行故障预测的结果对比；其中，在该表中，DNN为深度神经网络模型，SVM为支持向量机，LR为逻辑回归算法,NB为朴素贝叶斯算法,RF为随机森林算法，TP（真阳性）表示实际为正样本且被判定为正样本的样本数量，TN（真阴性）表示实际为负样本且被判定为负样本的样本数量，FP（假阳性）表示实际为负样本且被判定为正样本的样本数量，而FN（假阴性）表示实际为正样本且被判定为负样本的样本数量。
Figure SMS_44
在上述示例中，可仅通过综合准确率评判各算法的性能，综合准确率的计算公式为：
Figure SMS_45
。可以理解的，在其他实施例中，除了通过综合准确率评价各算法的性能之外，还可以进一步的通过灵敏度和精度辅助评价各算法的性能，灵敏度用于表示在所有阳性样本中预测出真阳性样本的能力，精度用于表示在真阳性和假阴性样本之间预测出真阳性样本的能力；示例性的，灵敏度的计算公式可为/>
Figure SMS_46
，精度的计算公式为
Figure SMS_47
。
通过上述表格可以看出，在工作速度为50%时，DNN和SVM均正确识别出了所有的样本，此时LR、NB算法的综合准确率稍低于DNN和SVM，而DNN和SVM的灵敏度大于LR算法和NB算法的灵敏度，DNN、SVM和NB算法的精度大于LR算法的精度。而当工作速度为75%时，则各算法的性能相差不大，且均能准确的识别各样本。而当工作速度为100%时，DNN准确识别出了各样本，且DNN的综合准确率高于SVM、LR、NB算法的综合准确率，DNN、SVM和LR算法的灵敏度大于NB算法的灵敏度，DNN的精度大于其他三种算法的精度。因此在一实施例中优选的选用深度神经网络模型DNN预测RV减速器是否出现故障。
示例性的，神经网络模型包括一个输入层、三个隐藏层和一个输出层，所述输入层的神经元个数与所述最终特征的数量相等，所述隐藏层的神经元个数分别为8、8和5；和/或，所述损失函数为ReLU损失函数。
图6为本发明一实施例的神经网络模型的架构示意图，如图6所示，该神经网络模型由一个输入层、三个隐藏层和一个输出层构成，输入层由12个神经元组成，输入层的神经元的数量与输入的最终特征的数量相等。在一实施例中，模型参数初始化可采用Xavier正态分布初始化方法实现，并且将二元交叉熵损失函数作为模型的损失函数，损失函数如
Figure SMS_48
；其中，/>
Figure SMS_49
表示模型输出，/>
Figure SMS_50
表示真实标签。在实际训练过程中，DNN采用Adam优化器完成模型参数的更新，在该实施例中，选用Adam优化器对模型参数进行更新，则可使模型快速的收敛以及减少波动幅度。
另外，图7a、7b和7c分别为神经网络模型分别在RV减速器的50%、75%和100%转速下的损失曲线示意图，其中通过Elbow方法可选取最佳的迭代次数以对模型进行训练，从而使得预测模型尽可能避免过拟合。根据7a、7b和7c可以看出，在75%转速下，模型收敛速度较快。
根据本发明的另一方面，还公开了一种工业机器人的RV减速器故障预测系统，该系统包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现如上任一实施例所述方法的步骤。
通过上述实施例可以发现，本发明上述实施例所公开的工业机器人的RV减速器故障预测方法及装置，首先提取振动信号数据中的时域特征，然后再提取匀速段的频域特征，并将频域特征和时域特征中较相关的特征作为最终特征，最后通过训练好的神经网络模型基于最终特征预测该RV减速器是否出现故障，该方法及装置可准确的预测RV减速器的故障状态。另外，该方法基于时域特征和频域特征的相关特征进行故障预测，还进一步的减少了故障预测过程中的计算量。
另外，该发明还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上任一实施例所述方法的步骤。
本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路（ASIC）、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM（EROM）、软盘、CD-ROM、光盘、硬盘、光纤介质、射频（RF）链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种工业机器人的RV减速器故障预测方法，其特征在于，所述方法包括：
获取第一时间段内RV减速器在预设转速下的振动信号数据，基于所述振动信号数据提取时域特征，基于时频域分析方法确定第一时间段内的匀速段，提取所述匀速段的频域特征，基于所述时域特征和所述频域特征的相关性确定最终特征；
将所述最终特征输入至训练好的神经网络模型中，得到所述RV减速器的故障预测结果。
2.根据权利要求1所述的工业机器人的RV减速器故障预测方法，其特征在于，基于时频域分析方法确定第一时间段内的匀速段，包括：
将所述第一时间段内的振动信号数据进行时频域分析；
基于时频域分析后的时频域数据生成时频域数据矩阵，将所述时频域数据矩阵进行矩阵二值化得到二值化矩阵；
对所述二值化矩阵中的各行数据进行求和，并确定和的最大值所对应的最大行；
在所述最大行中确定起始行坐标和终止行坐标；其中，所述起始行坐标为第一个满足如下条件的位置所对应的坐标：其元素值为第一元素，且其后的连续多个位置中的元素值为第一元素的数量大于元素值为第二元素的数量；
所述终止行坐标为所述起始行坐标后的第一个满足如下条件的位置所对应的坐标：其元素值为第一元素，其后的第一个位置的元素值为第二元素，且其后的连续多个位置中的元素值为第二元素的数量大于元素值为第一元素的数量；
基于所述起始行坐标和所述终止行坐标确定第一时间段内的匀速段。
3.根据权利要求2所述的工业机器人的RV减速器故障预测方法，其特征在于，将所述第一时间段内的振动信号数据进行时频域分析，包括：
将所述第一时间段内的振动信号数据通过短时傅里叶变换方法进行时频域分析；或，
将所述第一时间段内的振动信号数据通过连续小波变换方法进行时频域分析；或，
将所述第一时间段内的振动信号数据通过变模态分解和希尔伯特黄变换方法进行时频域分析。
4.根据权利要求1所述的工业机器人的RV减速器故障预测方法，其特征在于，所述时域特征包括振动信号平均值、振动信号最大值、振动信号最小值、振动信号方差、振动信号标准差、振动信号峰峰值、振动信号均方根、振动信号偏度、振动信号峰度、振动信号波形指标、振动信号脉冲指标、振动信号峰值指标以及振动信号裕度指标；
所述频域特征包括频谱均值、频谱均方根、频率重心、均方根频率；
所述最终特征包括振动信号峰峰值、振动信号均方根、振动信号偏度、振动信号波形指标、振动信号脉冲指标以及频率重心。
5.根据权利要求1所述的工业机器人的RV减速器故障预测方法，其特征在于，所述方法还包括：
构建初始网络模型和损失函数，生成样本数据集；所述样本数据集中的样本数据包括特征样本以及所述特征样本对应的样本标签；
基于所述样本数据集和损失函数对所述初始网络模型进行预训练得到训练好的神经网络模型。
6.根据权利要求5所述的工业机器人的RV减速器故障预测方法，其特征在于，所述神经网络模型包括一个输入层、三个隐藏层和一个输出层，所述输入层的神经元个数与所述最终特征的数量相等，所述隐藏层的神经元个数分别为8、8和5；和/或，所述损失函数为ReLU损失函数。
7.根据权利要求5所述的工业机器人的RV减速器故障预测方法，其特征在于，生成样本数据集，包括：
分别获取第一转速、第二转速和/或第三转速对应的样本数据；
对所述样本数据进行归一化处理，以消除量纲的影响。
8.根据权利要求7所述的工业机器人的RV减速器故障预测方法，其特征在于，对所述样本数据进行归一化处理，包括：通过极差标准法对所述样本数据进行归一化处理，且计算公式为：
Figure QLYQS_1
；
其中，
Figure QLYQS_2
为归一化处理后的特征样本数据，/>
Figure QLYQS_3
为最小特征样本数据，/>
Figure QLYQS_4
为特征样本数据，/>
Figure QLYQS_5
为最大特征样本数据；和/或
所述工业机器人为六轴机器人。
9.一种工业机器人的RV减速器故障预测系统，该系统包括处理器和存储器，其特征在于，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现如权利要求1至8中任意一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至8中任意一项所述方法的步骤。
CN202310521545.6A 2023-05-10 2023-05-10 工业机器人的rv减速器故障预测方法及装置 Active CN116296377B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310521545.6A CN116296377B (zh) 2023-05-10 2023-05-10 工业机器人的rv减速器故障预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310521545.6A CN116296377B (zh) 2023-05-10 2023-05-10 工业机器人的rv减速器故障预测方法及装置

Publications (2)

Publication Number Publication Date
CN116296377A true CN116296377A (zh) 2023-06-23
CN116296377B CN116296377B (zh) 2023-08-01

Family

ID=86836274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310521545.6A Active CN116296377B (zh) 2023-05-10 2023-05-10 工业机器人的rv减速器故障预测方法及装置

Country Status (1)

Country Link
CN (1) CN116296377B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116911176A (zh) * 2023-07-08 2023-10-20 哈尔滨理工大学 一种基于轮式移动机器人速度和振动状态的地形可通过性预测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106092565A (zh) * 2016-06-08 2016-11-09 成都阜特科技股份有限公司 一种振动故障分析方法及其系统
CN108106830A (zh) * 2017-12-13 2018-06-01 武汉科技大学 一种基于时频谱分割的变速旋转机械故障诊断方法
WO2019061006A1 (en) * 2017-09-26 2019-04-04 Schaeffler Technologies AG & Co. KG METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE
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
CN110836783A (zh) * 2019-10-29 2020-02-25 杭州电子科技大学 基于阈值判断的ga-bp的磁悬浮列车故障检测方法
CN111189624A (zh) * 2020-01-08 2020-05-22 中国工程物理研究院总体工程研究所 基于振动信号时频特征的螺栓连接结构松动状态识别方法
CN111680661A (zh) * 2020-06-19 2020-09-18 哈尔滨工业大学 一种基于多特征融合的机械旋转部件性能退化跟踪方法
WO2021169742A1 (zh) * 2020-02-26 2021-09-02 Oppo广东移动通信有限公司 交通工具运行状态的预测方法、装置、终端及存储介质
CN113361372A (zh) * 2021-06-02 2021-09-07 长江大学 基于多通道数据深度挖掘的主减速器多故障智能诊断方法
CN116010863A (zh) * 2022-12-28 2023-04-25 江西师范大学 一种齿轮减速箱的故障混合预测分析方法及系统
CN116090140A (zh) * 2021-11-04 2023-05-09 中国航天科工飞航技术研究院（中国航天海鹰机电技术研究院） 真空管道磁浮交通系统故障诊断方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106092565A (zh) * 2016-06-08 2016-11-09 成都阜特科技股份有限公司 一种振动故障分析方法及其系统
WO2019061006A1 (en) * 2017-09-26 2019-04-04 Schaeffler Technologies AG & Co. KG METHOD AND DEVICE FOR DIAGNOSING BEARING FAULT, READABLE STORAGE MEDIUM, AND ELECTRONIC DEVICE
CN108106830A (zh) * 2017-12-13 2018-06-01 武汉科技大学 一种基于时频谱分割的变速旋转机械故障诊断方法
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
CN110836783A (zh) * 2019-10-29 2020-02-25 杭州电子科技大学 基于阈值判断的ga-bp的磁悬浮列车故障检测方法
CN111189624A (zh) * 2020-01-08 2020-05-22 中国工程物理研究院总体工程研究所 基于振动信号时频特征的螺栓连接结构松动状态识别方法
WO2021169742A1 (zh) * 2020-02-26 2021-09-02 Oppo广东移动通信有限公司 交通工具运行状态的预测方法、装置、终端及存储介质
CN111680661A (zh) * 2020-06-19 2020-09-18 哈尔滨工业大学 一种基于多特征融合的机械旋转部件性能退化跟踪方法
CN113361372A (zh) * 2021-06-02 2021-09-07 长江大学 基于多通道数据深度挖掘的主减速器多故障智能诊断方法
CN116090140A (zh) * 2021-11-04 2023-05-09 中国航天科工飞航技术研究院（中国航天海鹰机电技术研究院） 真空管道磁浮交通系统故障诊断方法及系统
CN116010863A (zh) * 2022-12-28 2023-04-25 江西师范大学 一种齿轮减速箱的故障混合预测分析方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
尹勇: "工业机器人RV减速器传动精度在线监测与评级研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, no. 04, pages 029 - 213 *
朱振军 等: "声发射技术诊断机器人减速器故障研究", 中国设备工程, no. 14, pages 129 - 131 *
王岩松 等: "基于小波变换的四轮车辆非平稳振动时频研究", 汽车工程, no. 02, pages 64 - 69 *
郭东栋 等: "多算法融合的机械设备故障预测方法", 中国设备工程, no. 02, pages 164 - 167 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116911176A (zh) * 2023-07-08 2023-10-20 哈尔滨理工大学 一种基于轮式移动机器人速度和振动状态的地形可通过性预测方法
CN116911176B (zh) * 2023-07-08 2024-04-30 哈尔滨理工大学 一种基于轮式移动机器人速度和振动状态的地形可通过性预测方法

Also Published As

Publication number Publication date
CN116296377B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
Wu et al. A hybrid classification autoencoder for semi-supervised fault diagnosis in rotating machinery
CN111538947B (zh) 风力发电机轴承故障分类模型的构建方法
Xiang et al. Fault diagnosis of rolling bearing under fluctuating speed and variable load based on TCO spectrum and stacking auto-encoder
Pei et al. Rotating machinery fault diagnosis through a transformer convolution network subjected to transfer learning
CN112183581A (zh) 基于自适应迁移神经网络的半监督机械故障诊断方法
CN108304941A (zh) 一种基于机器学习的故障预测方法
CN111950200B (zh) 基于轴心轨迹融合的发电设备故障诊断方法
CN112418277A (zh) 旋转机械零部件剩余寿命预测方法、系统、介质、设备
CN116296377B (zh) 工业机器人的rv减速器故障预测方法及装置
CN113339204B (zh) 一种基于混合神经网络的风力发电机故障识别方法
CN111459144A (zh) 一种基于深度循环神经网络的飞机飞控系统故障预测方法
Alonso-González et al. Bearing fault diagnosis with envelope analysis and machine learning approaches using CWRU dataset
CN115859077A (zh) 一种变工况下多特征融合的电机小样本故障诊断方法
CN116910574A (zh) 基于元学习和时间卷积网络的机械设备诊断方法及装置
CN112945557A (zh) 一种回转支承故障诊断方法、装置及存储介质
CN114861349B (zh) 一种基于模型迁移和维纳过程的滚动轴承rul预测方法
Lu et al. Early fault warning and identification in condition monitoring of bearing via wavelet packet decomposition coupled with graph
Zhang et al. Compound Fault Diagnosis for Gearbox Based Using of Euclidean Matrix Sample Entropy and One‐Dimensional Convolutional Neural Network
Techane et al. Rotating machinery prognostics and application of machine learning algorithms: Use of deep learning with similarity index measure for health status prediction
Yang et al. Self-attention parallel fusion network for wind turbine gearboxes fault diagnosis
Lee et al. Condition monitoring of chain sprocket drive system based on iot device and convolutional neural network
Meckel et al. Generation of a diagnosis model for hybrid-electric vehicles using machine learning
Zhang et al. Intelligent fault diagnosis of rolling bearings based on continuous wavelet transform-multiscale feature fusion and improved channel attention mechanism
Wei et al. Few-shot bearing fault diagnosis using GAVMD–PWVD time–frequency image based on meta-transfer learning
Xu et al. Optimization of Deep Belief Network Based on Sparrow Search Algorithm for Rolling Bearing Fault Diagnosis

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