[发明专利]一种工业机器人减速机智能故障识别方法

权利要求书

1.一种工业机器人减速机智能故障识别方法，其特征在于，包括如下步骤：

步骤S1：收集工业机器人的减速机不同健康状态下的原始振动加速度时域信号，作去均值和归一化处理后划分为训练样本和测试样本；

步骤S2：采用Morlet小波函数作为自编码器隐层激活函数，采用相关熵修正自编码器的损失函数，设计小波自编码器；

步骤S3：堆叠多个小波自编码器和Softmax分类器，构建深度小波自编码器；

步骤S4：将训练样本输入深度小波自编码器，训练得到智能故障识别模型，并用测试样本检验智能故障识别模型故障识别效果，若达到故障识别效果则得到训练好的智能故障识别模型，否则增加训练样本重新训练，至得到训练好的智能故障识别模型；

步骤S5：采用训练好的智能故障识别模型识别工业机器人减速机的故障类型。

2.根据权利要求1所述的工业机器人减速机智能故障识别方法，其特征在于，所述步骤S2中对采用Morlet小波函数作为自编码器隐层激活函数的具体步骤为：

步骤S21：Morlet小波函数作为自编码器隐层激活函数用于输入层数据的非线性变换，变换后隐层节点的输出，即学习所得特征，为；

其中，h_j为自编码器隐层第j个节点的输出，j＝1,2,...,p，p为隐层节点数，m为自编码器输入层节点数，即输入样本的长度，为不含标签的m维输入样本，x_k表示输入样本x的第k维元素，即输入层节点k的数据，k＝1,2,...,m，表示m维实向量空间，w_jk表示输入层节点k和第j个隐层节点之间的连接权值，a_j和c_j分别是第j个隐层节点的小波激活函数的伸缩因子和平移因子；

步骤S22：采用双曲正切函数作为自编码器隐层激活函数用于隐层特征数据的非线性变换，变换后输出层节点的输出，即重构数据，重构数据构成重构样本：

其中，为自编码器输出层第i个节点的输出，即输入样本x的第i项x_i的重构数据，作为重构样本的第i维数据，w_ij表示输出层第i个节点和隐层第j个节点之间的连接权值，；tanh代表双曲正切函数。

3.根据权利要求2所述的工业机器人减速机智能故障识别方法，其特征在于，所述步骤S2中对采用相关熵修正自编码器的损失函数，具体步骤为：

步骤S23：采用相关熵函数度量自编码器输入样本和输出样本之间的重构误差；

其中，σ为高斯核宽度；x_i表示输入样本x的第i维元素；

步骤S24：在相关熵函数基础上，引入稀疏性约束项和权重衰减项，降低模型复杂度，避免过拟合：

其中，L表示损失函数，ρ表示稀疏系数，表示隐层中第j个节点的平均激活值，β表示稀疏惩罚项因子，λ表示权值衰减系数，s_l为自编码器第l层的神经元节点数，第一层神经元节点数s₁＝m，第二层神经元节点数s₂＝p，第三层神经元节点数s₃＝s₁＝m，为自编码器第l层与第l+1层之间的连接权值；

步骤S25：采用引入动量项的随机梯度下降算法迭代更新小波自编码器模型参数，最小化损失函数，得到W_ij，W_jk，a_j，c_j的值；

其中，θ＝{W_ij,W_jk,a_j,c_j}(θ(t+1)中的θ与这里的θ含义不同的话，不能用相同的字母)为小波自编码器模型参数，这4个参数迭代前均在[-1,1]内随机初始，t表示迭代次数，η∈(0,1)表示学习率，α为动量因子，取值为[0.8,1]，L(t)表示第t次迭代时模型的损失；θ(t)表示第t次迭代时小波自编码器模型参数，θ(t+1)表示第t+1次迭代时小波自编码器模型参数，t表示迭代次数，表示求偏导运算。