【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及諧波減速器故障診斷，具體涉及一種基于數(shù)字孿生的不同工況下工業(yè)機器人諧波減速器故障診斷方法及系統(tǒng)。
技術(shù)介紹
1、隨著制造業(yè)水平的不斷提高，工業(yè)機器人由于具有工作穩(wěn)定可靠、工作效率高等優(yōu)勢，被廣泛應用于傳統(tǒng)制造業(yè)中[1]。諧波減速器是一種結(jié)構(gòu)緊湊、質(zhì)量輕而減速比大、傳動精確的高性能減速器，作為工業(yè)機器人的“關(guān)節(jié)”，其正常運行對工業(yè)機器人安全、精準、可靠地工作具有至關(guān)重要的作用[2]。諧波減速器的典型結(jié)構(gòu)包括剛輪、柔輪和波發(fā)生器。由于諧波減速器的核心部件為柔性結(jié)構(gòu)，使得諧波減速器的故障風險高于常規(guī)減速器，諧波減速器的異常可能導致生產(chǎn)效率下降和意外停機[3]。因此，精確高效的諧波減速器故障診斷對于評估工業(yè)機器人的整體健康狀況，提高其可靠性和魯棒性具有重要意義[4]。
2、目前，學術(shù)界對諧波減速器在傳動特性、力學分析等方面研究較多，但在故障診斷方面研究較少。文獻[5]結(jié)合稀疏自編碼器與支持向量機方法，構(gòu)建故障診斷模型，實現(xiàn)對工業(yè)機器人減速器各種故障的可靠識別與診斷。文獻[6]利用小波區(qū)域相關(guān)閾值法對諧波減速器原始聲信號去噪，將運行模態(tài)分析與變分模態(tài)分解相結(jié)合實現(xiàn)故障檢測，取得良好效果。隨著人工智能技術(shù)的不斷發(fā)展，深度學習故障診斷方法逐漸成為主流。文獻[7]通過聯(lián)合小波區(qū)域相關(guān)閾值去噪算法抑制諧波減速器傳感器數(shù)據(jù)中的噪聲，結(jié)合卷積長短時記憶網(wǎng)絡(luò)挖掘數(shù)據(jù)隱藏特征以提高故障檢測率。文獻[8]針對連續(xù)時域振動信號，將一維卷積神經(jīng)網(wǎng)絡(luò)與矩陣核自適應模型相結(jié)合，實現(xiàn)諧波減速器的現(xiàn)場故障診斷。文獻[9]利用多尺度混合卷積神經(jīng)
3、上述基于深度學習的方法雖然能夠?qū)崿F(xiàn)設(shè)備的有效診斷，但均基于訓練數(shù)據(jù)與測試數(shù)據(jù)服從相同分布的情況。然而，在實際工業(yè)生產(chǎn)中諧波減速器工況復雜多變，不同工況下數(shù)據(jù)分布存在差異，且部分工況下帶標簽數(shù)據(jù)稀缺或難以獲取，難以滿足訓練深度學習模型所需的數(shù)據(jù)量，從而導致建立的診斷模型準確率和泛化性較差[10]。因此，域適應遷移學習被引入到旋轉(zhuǎn)機械故障診斷中，以利用某一個工況下學習到的知識和特征，提高其他工況下的診斷性能[11]。文獻[12]提出一種深度域適應架構(gòu)，并使用最大均值差異(maximummean?discrepancy,mmd)測量分布差異，實現(xiàn)滾動軸承故障診斷任務。文獻[13]利用最小化局部最大平均差異和分類器損失函數(shù)進行相關(guān)子域分布對齊，在目標域無標簽情況下提高識別準確率。文獻[14]在域適應模塊中使用多核最大均值差異減少分布差異，在跨域軸承故障診斷表現(xiàn)優(yōu)異。
4、然而，大型機械設(shè)備的實際運行存在動態(tài)工況變化以及極端工況數(shù)據(jù)缺失等挑戰(zhàn)，難以完全覆蓋所有故障場景，這使得遷移學習的故障診斷成為一個重大挑戰(zhàn)，迫切需要一種方法來獲取更多的故障數(shù)據(jù)[15]。隨著科技發(fā)展，數(shù)字孿生技術(shù)的出現(xiàn)為解決數(shù)據(jù)獲取困難問題打開了新思路。2003年grieves教授首次提出“鏡像空間模型”并定義“數(shù)字孿生”概念。數(shù)字孿生是虛擬的、物理產(chǎn)品的數(shù)字化等價物。隨著工業(yè)互聯(lián)網(wǎng)、大數(shù)據(jù)、云計算等新一代信息技術(shù)的發(fā)展，數(shù)字孿生是實現(xiàn)制造信息世界與物理世界交互融合的有效手段。目前，已有眾多學者將數(shù)字孿生應用于故障診斷。文獻[16]結(jié)合solidworks和simulink建立軸承精確數(shù)字孿生模型，得到孿生數(shù)據(jù)結(jié)合遷移學習實現(xiàn)故障診斷。文獻[17]構(gòu)建機械裝備虛擬模型，對故障孿生數(shù)據(jù)進行特征增強再訓練網(wǎng)絡(luò)，最終用于故障診斷解決了小樣本問題。文獻[18]針對數(shù)據(jù)采集不足、成本高等問題，采用有限元分析法建立軸承虛擬仿真模型，注入故障并生成豐富的故障數(shù)據(jù)，以實現(xiàn)故障診斷。文獻[19]利用simscape建立三缸泵dt模型并生成仿真數(shù)據(jù)作為源域，結(jié)合遷移學習模型解決了故障信號不足時故障診斷問題。
5、同時，考慮到諧波減速器實際工作環(huán)境復雜，背景噪聲大，如何對信號進行故障特征準確提取面臨考驗。文獻[20]提出一種深度殘差收縮網(wǎng)絡(luò)，網(wǎng)絡(luò)將軟閾值作為收縮層引入resnet的殘差單元中，證實了軟閾值在濾除信號中與噪聲相關(guān)特征方面的優(yōu)越性。文獻[21]構(gòu)建深度殘差收縮網(wǎng)絡(luò)用于軸承故障診斷，網(wǎng)絡(luò)能提取更準確的故障特征，并減少了噪聲對模型訓練的影響。
6、上述通過構(gòu)建數(shù)字孿生模型獲取故障數(shù)據(jù)，再利用深度殘差收縮網(wǎng)絡(luò)提取特征，并結(jié)合域適應的方法在不同工況設(shè)備的故障診斷上取得了較好的效果，但上述數(shù)字孿生方法，主要思想是構(gòu)建虛擬實體，通過提供故障數(shù)據(jù)、應力數(shù)據(jù)或其他物理數(shù)據(jù)來幫助實現(xiàn)故障診斷。這一過程往往會忽視物理世界與虛擬世界的交互連接，不能充分實現(xiàn)信息的交流。而借助unity?3d等有限元仿真軟件實現(xiàn)數(shù)字孿生方法時，盡管可以實現(xiàn)交互，但計算量很大，往往對計算機硬件要求較高，特別是對于高復雜度模型的模擬也會限制交互功能，增加了開發(fā)成本與時間。同時，深度殘差收縮網(wǎng)絡(luò)結(jié)構(gòu)中的軟閾值函數(shù)在去噪過程中會出現(xiàn)一個恒定的偏差，致使信號中的故障相關(guān)信息在降噪時被濾掉，引起信號失真，降低故障診斷準確率。
技術(shù)實現(xiàn)思路
1、鑒于以上問題，本專利技術(shù)提出一種基于數(shù)字孿生的不同工況下工業(yè)機器人諧波減速器故障診斷方法及系統(tǒng)。
2、根據(jù)本專利技術(shù)的一方面，提出一種基于數(shù)字孿生的不同工況下工業(yè)機器人諧波減速器故障診斷方法，該方法包括以下步驟：
3、步驟1、數(shù)據(jù)采集及預處理
4、搭建諧波減速器振動信號實驗平臺并作為物理實體，利用振動加速度傳感器采集不同工況所有狀態(tài)的一維振動信號數(shù)據(jù)，并對其作小波變換轉(zhuǎn)換為二維時頻圖像得到實測數(shù)據(jù)集，為后續(xù)虛實映射做準備；
5、步驟2、諧波減速虛擬實體構(gòu)建
6、依據(jù)諧波減速器物理實體相關(guān)參數(shù)信息、運動機理，分別建立柔輪、剛輪和柔性軸承各部分動力學方程，進而通過注入故障和相關(guān)轉(zhuǎn)速信息得到諧波減速器故障數(shù)字孿生模型，求解得到不同故障類型仿真數(shù)據(jù)；
7、步驟3、數(shù)字孿生虛實映射
8、構(gòu)建并訓練cyclegan虛實映射網(wǎng)絡(luò)，將仿真數(shù)據(jù)作為x域數(shù)據(jù)，實測數(shù)據(jù)作為y域數(shù)據(jù)分別輸入網(wǎng)絡(luò)，通過循環(huán)一致性損失不斷迭代獲取映射后圖像數(shù)據(jù)并作為源域樣本集；
9、步驟4、無監(jiān)督域適應網(wǎng)絡(luò)模型構(gòu)建
10、引入改進的半軟閾值函數(shù)構(gòu)建深度殘差收縮網(wǎng)絡(luò)，提取某工況已知標簽源域和其他工況未知標簽目標域數(shù)據(jù)特征，同時抑制噪聲干擾；結(jié)合mmd域適應方法，通過計算源域與目標域的最大均值差異，最小化分類損失與域損失以減小不同工況間的分布差異和標簽差異，不斷訓練網(wǎng)絡(luò)；
11、步驟5、諧波減速器多狀態(tài)識別
12、將目標域測試樣本輸入訓練好的網(wǎng)絡(luò)模型中，最終得到不同工況下工業(yè)機器人諧波減速器健康狀態(tài)診斷結(jié)果。
13、進一步地，步驟2中所述依據(jù)諧波減速器物理實體相關(guān)參數(shù)信息、運動機理，分別建立柔輪、剛輪和柔性軸承各部分動力學方程包括：
14、柔輪動力學方程表示為：
15、fm＝km(youtcosθi+xout?sinθi)
16、其中，km本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.基于數(shù)字孿生的不同工況下工業(yè)機器人諧波減速器故障診斷方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于數(shù)字孿生的不同工況下工業(yè)機器人諧波減速器故障診斷方法，其特征在于，步驟2中所述依據(jù)諧波減速器物理實體相關(guān)參數(shù)信息、運動機理，分別建立柔輪、剛輪和柔性軸承各部分動力學方程包括：
3.根據(jù)權(quán)利要求2所述的基于數(shù)字孿生的不同工況下工業(yè)機器人諧波減速器故障診斷方法，其特征在于，步驟3中所述CycleGAN虛實映射網(wǎng)絡(luò)構(gòu)建如下：
4.根據(jù)權(quán)利要求3所述的基于數(shù)字孿生的不同工況下工業(yè)機器人諧波減速器故障診斷方法，其特征在于，GAN的對抗損失函數(shù)如下所示：
5.根據(jù)權(quán)利要求4所述的基于數(shù)字孿生的不同工況下工業(yè)機器人諧波減速器故障診斷方法，其特征在于，步驟4中所述深度殘差收縮網(wǎng)絡(luò)以深度殘差網(wǎng)絡(luò)為基礎(chǔ)，引入注意力機制和半軟閾值；其中，注意力機制通過小型子網(wǎng)絡(luò)，自動學習得到一組權(quán)重，對特征的各通道進行加權(quán)；半軟閾值函數(shù)用于信號降噪。
6.根據(jù)權(quán)利要求5所述的基于數(shù)字孿生的不同工況下工業(yè)機器人諧波減速器故障診斷方法，其特征在于
7.根據(jù)權(quán)利要求6所述的基于數(shù)字孿生的不同工況下工業(yè)機器人諧波減速器故障診斷方法，其特征在于，步驟4中所述結(jié)合MMD域適應方法，通過計算源域與目標域的最大均值差異，最小化分類損失與域損失以減小不同工況間的分布差異和標簽差異，不斷訓練網(wǎng)絡(luò)包括：通過最小化源域與目標域之間MMD距離來實現(xiàn)特征的跨域自適應，MMD計算公式表示為
8.根據(jù)權(quán)利要求7所述的基于數(shù)字孿生的不同工況下工業(yè)機器人諧波減速器故障診斷方法，其特征在于，步驟4中所述分類損失的計算公式表示為：
9.根據(jù)權(quán)利要求1所述的基于數(shù)字孿生的不同工況下工業(yè)機器人諧波減速器故障診斷方法，其特征在于，步驟1中所述不同工況所有狀態(tài)包括：柔性軸承內(nèi)圈輕度、中度、重度故障；柔性軸承外圈輕度、中度、重度故障；滾動體重度故障；剛輪缺齒故障；柔輪缺齒故障；正常狀態(tài)。
10.基于數(shù)字孿生的不同工況下工業(yè)機器人諧波減速器故障診斷系統(tǒng)，其特征在于，包括：
...【技術(shù)特征摘要】
1.基于數(shù)字孿生的不同工況下工業(yè)機器人諧波減速器故障診斷方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于數(shù)字孿生的不同工況下工業(yè)機器人諧波減速器故障診斷方法，其特征在于，步驟2中所述依據(jù)諧波減速器物理實體相關(guān)參數(shù)信息、運動機理，分別建立柔輪、剛輪和柔性軸承各部分動力學方程包括：
3.根據(jù)權(quán)利要求2所述的基于數(shù)字孿生的不同工況下工業(yè)機器人諧波減速器故障診斷方法，其特征在于，步驟3中所述cyclegan虛實映射網(wǎng)絡(luò)構(gòu)建如下：
4.根據(jù)權(quán)利要求3所述的基于數(shù)字孿生的不同工況下工業(yè)機器人諧波減速器故障診斷方法，其特征在于，gan的對抗損失函數(shù)如下所示：
5.根據(jù)權(quán)利要求4所述的基于數(shù)字孿生的不同工況下工業(yè)機器人諧波減速器故障診斷方法，其特征在于，步驟4中所述深度殘差收縮網(wǎng)絡(luò)以深度殘差網(wǎng)絡(luò)為基礎(chǔ)，引入注意力機制和半軟閾值；其中，注意力機制通過小型子網(wǎng)絡(luò)，自動學習得到一組權(quán)重，對特征的各通道進行加權(quán)；半軟閾值函數(shù)用于信號降噪。
6.根據(jù)權(quán)利要求5所述的基于數(shù)字...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王玉靜，李祎然，孫宇林，康守強，劉連勝，王慶巖，沈濤，
申請(專利權(quán))人：哈爾濱理工大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。