[发明专利]一种工业机器人减速机智能故障识别方法

说明书

本发明公开了一种工业机器人减速机智能故障识别技术，基于Morlet小波函数和相关熵修正损失函数构建深度小波自编码器，自动挖掘非平稳、非线性、强耦合且含大量背景噪声的原始输入数据中隐含的特征，直接建立原始输入数据和多种运行状态间的高度非线性映射关系，从而准确识别工业机器人减速机的故障模式，该方法可以摆脱对人工特征提取的依赖，有效抑制采集信号中的噪声干扰，在工业机器人减速机智能故障识别中具有显著效果，优于现有技术。

技术领域

本发明属于故障识别领域，尤其涉及一种工业机器人减速机智能故障识别方法。

背景技术

目前，焊接机器人、装配机器人、喷涂机器人及搬运机器人等工业机器人已广泛应用于智能建造行业、机械加工行业、汽车零部件制造业、电子电气行业、橡胶及塑料工业、食品工业、木材与家具制造业等领域中，发挥着日益重要的作用。工业机器人运行环境恶劣，作业任务繁重，其重要部件减速机极易发生故障。研发先进的智能故障识别技术，准确可靠区分工业机器人减速机的各类故障模式，是加强工业机器人故障诊断和实现工业机器人安全运行的重要手段。然而，减速机结构组成复杂，运动往复非匀速，检测信号具有强烈的非平稳性且故障特性经常淹没于结构部件耦合振动和复杂的背景噪声中，其故障识别具有很大挑战性。

有人采用机器学习模型进行智能识别，但是传统的浅层机器学习模型，如人工神经网络、支持向量机和随机森林等，尽管已广发应用于工业设备智能故障识别研究，由于其输入必须为人工手动提起的特征数据，因此仍存在以下三个不足之处：(1)由于实际采集非平稳信号的复杂性，特征提取往往依赖于各种先进的信号处理技术；(2)从原始特征集中挑选最敏感的特征往往费时费力，且需要较丰富的工程实践经验；(3)特征提取与选择的可移植性不高，当解决不同的诊断任务时，往往需要重新提取特征。深度自动编码器(DeepAuto-encoder，简称DAE)是一种常用的无监督深度学习方法，旨在通过不断调整各层间的权值使得原始输入数据与重构输出数据间的误差最小，最终自动获取原始输入数据的隐层特征表示。

尽管DAE在很大程度上摆脱了对人工特征提取工作的依赖，为实现基于原始监测数据的智能故障识别提供了重要支撑，然而由于实际现场的工业机器人减速机振动信号具有强烈的非平稳性和高度非线性，且含大量背景噪声等干扰成分，需引入新技术进一步提升DAE的识别性能。

发明内容

为解决上述问题，本发明提供了一种工业机器人减速机智能故障识别方法。本发明克服了传统浅层机器学习方法识别效果严重依赖信号处理和人工特征提取的问题和现有深度自编码器在处理非平稳、非线性、强耦合且含大量背景噪声的原始输入数据时识别效果降低的问题，直接且准确地建立原始复杂输入数据和多变的运行状态间的高度非线性映射关系，实现可靠的工业机器人减速机的故障识别。

为达到上述技术效果，本发明的技术方案是：

一种工业机器人减速机智能故障识别方法，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。

进一步的改进，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：