[发明专利]基于混合深度神经网络的谐波减速器功率实时预测方法及系统

说明书

本发明提供了一种基于混合深度神经网络的谐波减速器功率实时预测方法及系统，包括：搭建谐波减速器加速寿命试验平台，采集谐波减速器的运行及监测参数；基于采集到的运行及监测参数构造数据集，并对数据集进行预处理；将预处理后的数据集按照预设比例划分为训练集、验证集和测试集；利用训练集训练混合深度神经网络，得到训练后的混合深度神经网络；利用训练后的混合深度神经网络预测验证集的功率信号，计算验证集数据的预测误差，当预测误差未满足预设要求时，调整训练后的混合深度神经网络的超参数，直至预测误差满足预设要求；将对应测试集数据输入调整后训练好的混合深度神经网络，对下一时刻功率信号进行预测。

技术领域

本发明涉及谐波减速器的技术领域，具体地，涉及一种基于混合深度神经网络的谐波减速器功率实时预测方法及系统。

背景技术

谐波减速器作为工业机器人的核心部件之一，具有传动效率高、传动精度高、单机传动比大、体积小、承载能力强等显著优点，广泛的应用于工业机器人领域。由于谐波减速器主要起着降低输出转速、增大输出扭矩的作用，其性能的好坏直接关系到工业机器人的定位精度和健康状态。谐波减速器的功率信号是表征谐波减速器运行状态的重要参数之一。在长时间的负载工作下，谐波减速器的性能出现退化，因此，实时准确的预测谐波减速器功率，对于降低其突然失效造成的损失、提高工业机器人性能及使用寿命有着指导性意义。

目前，针对谐波减速器故障检测与性能预测的研究中，大多数都是通过理论公式来计算谐波减速器的性能衰退过程，但这些理论公式往往依赖于预设的条件，其准确性和实用性仍有待提升。同时，工业机械臂大多数作循环往复式动作，各关节负载分布及参数变化呈非线性，如何有效利用谐波减速器衰退数据对其进行准确可靠的故障检测与性能预测，已经成为亟待解决的问题。针对上述问题以及谐波减速器性能预测相关研究工作的不足，提出了基于CNN和BiLSTM的混合深层神经网络(DCBNN)，利用加速寿命实验采集到的谐波减速器运行和状态参数来准确预测谐波减速器的运行功率。首先，该模型第一分支利用卷积神经网络对状态监测数据的空间特征进行提取，同时另一分支利用两层BiLSTM来有效提取状态监测数据的时序特征，CNN和BiLSTM的组合可以有效提取状态监测数据的深度时空变化特征且缓解梯度消失的问题，从而提高功率预测准确性和稳定性。最后利用谐波减速器加速寿命实验数据集验证了所提方法的有效性。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于混合深度神经网络的谐波减速器功率实时预测方法及系统。

根据本发明提供的一种基于混合深度神经网络的谐波减速器功率实时预测方法，包括：

步骤S1：搭建谐波减速器加速寿命试验平台，采集谐波减速器处于正常运行状态下的运行及监测参数；

步骤S2：基于采集到的谐波减速器运行及监测参数构造数据集，并对数据集进行预处理，得到预处理后的数据集；

步骤S3：将预处理后的数据集按照预设比例划分为训练集、验证集和测试集；

步骤S4：利用训练集训练混合深度神经网络并得到对应的权重与偏置，得到训练好的混合深度神经网络；

步骤S5：利用训练好的混合深度神经网络预测验证集的功率信号，计算验证集数据的预测误差，当预测误差未满足预设要求时，调整训练后的混合深度神经网络的超参数，直至预测误差满足预设要求，保存当前调整后训练好的混合深度神经网络；

步骤S6：将对应测试集数据输入调整后训练好的混合深度神经网络，对下一时刻功率信号进行预测。

优选地，所述采集谐波减速器处于正常运行状态下的运行及监测参数包括：变频电机、磁粉制动器以及传感器的运行及监测参数；

所述运行及监测参数包括：输入扭矩转速、温度、X轴、Y轴以及Z轴三个方向加速度、输出扭矩转速以及功率信号。