[发明专利]基于WLCTD与CNN-LSTM的工业机器人谐波减速器早期故障检测方法

权利要求书

1.一种基于WLCTD与CNN-LSTM的工业机器人谐波减速器早期故障检测方法，其特征在于，所述早期故障检测方法包括以下步骤：

步骤1：获得谐波减速器振动状态的数据集；

步骤2：对步骤1的数据集使用WLCTD算法去除其中的噪声；

步骤3：对去除噪声的数据集使用CNN-LSTM网络进行数据处理；

步骤4：对步骤3进行CNN-LSTM网络数据处理后的数据集进行约束优化；

步骤5：对步骤4的约束优化后的数据集进行分类与故障检测。

2.根据权利要求1所述基于WLCTD与CNN-LSTM的工业机器人谐波减速器早期故障检测方法，其特征在于，所述步骤1具体为，通过谐波减速器试验平台中的感知单元以获得谐波减速器在多种现实工况下的振动状态数据集；所述振动状态数据集包括谐波减速器在不同故障类型、转速和负载下的振动信号；

所述感知单元为不同位置的振动传感器。

3.根据权利要求1所述基于WLCTD与CNN-LSTM的工业机器人谐波减速器早期故障检测方法，其特征在于，所述步骤2WLCTD算法去除的噪声具体为，对待处理信号进行某一尺度下的小波分解，得到分量i中第j点的局部小波系数为：

其中，w_i,l是分量i的小波分解系数，m是第j点的区域相关点数量；第j点的局部相关系数为：

第j点的归一化局部相关系数表示为：

其中，

最终的局部相关阈值准λ则表示为：

其中，M是经验系数，根据去噪程度的需求进行调整；σi是小波系数的标准差；在进行WLCTD时，小波分解系数与λ进行比较，如果大于λ则认为是真实信号的分解系数，反之则是噪声信号的分解系数并予以消除。

4.根据权利要求1所述基于WLCTD与CNN-LSTM的工业机器人谐波减速器早期故障检测方法，其特征在于，所述步骤3CNN-LSTM网络包括CNN模块与LSTM模块，所述CNN模块包括卷积层1、池化层1、卷积层2和池化层2，所述步骤2的去除噪声的数据经过卷积层1、池化层1、卷积层2和池化层2进入LSTM模块。

5.根据权利要求4所述基于WLCTD与CNN-LSTM的工业机器人谐波减速器早期故障检测方法，其特征在于，所述LSTM模块包括Lstm神经单元、Dropout层、全连接层和Softmax输出，所述池化层2输出的数据经过Lstm神经单元、Dropout层、全连接层和Softmax输出至步骤4进行约束优化。

6.根据权利要求4所述基于WLCTD与CNN-LSTM的工业机器人谐波减速器早期故障检测方法，其特征在于，所述卷积层1和卷积层2，由许多卷积单元构成，卷积单元由反向传播算法计算得到。

7.根据权利要求4所述基于WLCTD与CNN-LSTM的工业机器人谐波减速器早期故障检测方法，其特征在于，所述池化层1和池化层2通过池化操作对数据进行降维，用更高层次的特征来表示原始信息。

8.根据权利要求5所述基于WLCTD与CNN-LSTM的工业机器人谐波减速器早期故障检测方法，其特征在于，所述全连接层对前面步骤计算的结果进行分类，全连接层中每一个神经单元都与前一层所有的Lstm神经单元全部连接，进行线性的加权求和的过程。

9.根据权利要求4或5所述基于WLCTD与CNN-LSTM的工业机器人谐波减速器早期故障检测方法，其特征在于，所述CNN-LSTM网络具体为，

将提取的特征向量x_t与状态记忆单元c_t-1，中间输出h_t-1和输入门共同决定状态记忆单元中需要被遗忘的部分；输入门中的x_t经过σ和tanh激活函数共同决定状态记忆单元中需要保留的向量；更新后的状态记忆单元c_t和输出门o_t共同决定中间输出h_t；具体的计算公式如下所示:

i_t＝σ(x_tW_xi+h_t-1W_hi+b_i) (5)

f_t＝σ(x_tW_xf+h_t-1W_hf+b_f) (6)

o_t＝σ(x_tW_xo+h_t-1W_ho+b_o) (7)

h_t＝o_t⊙tanhc_t (10)

其中是指预备的状态记忆单元；W_xi，W_hi和b_i是指输入门的权重和偏差；W_xf，W_hf和b_f是指遗忘门的权重和偏差；W_xc，W_hc和b_c是预备状态记忆单元的权重和偏差；⊙是指按照元素相乘。