基于改进NSGA-Ⅱ算法的RV减速器参数多目标优化研究

旋转矢量(RV)减速器是工业机器人核心部件,对于机器人的性能起到关键作用。针对提升RV减速器综合性能的问题,从优化传动压力角的相关参数出发,对其结构参数(摆线轮齿数、短幅系数、针径系数、摆线轮宽度等)的多目标优化设计进行了研究。首先,研究了摆线轮平均压力角、传动效率和传动机构体积三者的相关参数之间的关系;然后,以此为优化目标,在摆线轮标准齿廓方程的基础上建立了多目标优化数学模型(该模型采用了基于非支配占优排序遗传学算法(NSGA-Ⅱ)改进了交叉算子系数生成的改进NSGA-Ⅱ算法);通过模型求解得到了帕累托最优解集,根据模糊集合理论的相关方法选取了最优解;最后,以某公司220-BX型RV减速器为例,进行了优化设计,建立了3D模型后进行了有限元分析,并加工出实验样机,进行了传动效率对比实验。实验结果表明:摆线轮平均压力角减小了7.19%,体积减小了11.1%,传动效率提高了4.9%。研究结果表明:该模型交互性强,能提高设计效率并节省设计开销,可为实际RV减速器工程优化设计提供参考。

一种未知转速下的RV减速器故障诊断方法

随着制造业的快速发展,工业机器人已经成为智能制造的核心执行单元。针对旋转矢量(Rotary vector,RV)减速器在运行过程中转速时变、瞬时转速不易被读取的问题,提出一种基于电流信号和振动信号的RV减速器健康状态评估方法。基于电流信号的瞬时频率获取输入转频信息,计算得出减速器组成部件的故障特征频率;同步截取平稳振动信号,再利用粒子寻优的变分模态分解算法对提取出来的振动特征进行分解,并基于多维评价函数选取故障敏感分量进行包络分析,以挖掘故障信息进而评估其健康状态。最后,通过实验数据集验证该方法的有效性。结果表明,本文所提方法可以获得工业机器人在作业时的关节输入转速,同时,多维评价函数可以从RV减速器信号中提取富含冲击信息的故障敏感分量。

RV减速器摆线轮齿廓多目标修形的优化与研究

在RV减速器的修形过程中,存在难以保证RV减速器承载能力和传动精度能够综合提升的问题,且以往关于修形的研究大多数都是单目标修形,为此,提出了一种以RV减速器承载能力和回差为目标的优化方法,并使用RV减速器综合性能检测台对修形后的RV减速器进行了回差动态实验。首先,考虑了摆线轮修形后的齿廓方程以及修形所需要RV减速器的具体参数,并对标准摆线轮产生的接触力进行了分析;然后,确定了摆线轮和针齿最大接触力的位置,得出了摆线轮齿作用力的计算方法;比较了摆线轮与针齿之间的初始啮合间隙以及摆线轮与针轮变形量的大小,对同时啮合的齿数进行了判断,采用MATLAB迭代计算的办法,计算了准确的最大接触力,并使用赫兹公式算出了最大接触力;最后,分析了不同的修形方式对回差的影响,并建立了多目标优化模型,采用改进后的NSGA-Ⅱ算法gamultiobj遗传算法进行了寻优,求解得到了最小适应度下的较优修形量;为验证该修形方法的准确性,使用RV减速器综合性能检测台对修形后的RV减速器进行了回差动态实验。研究结果表明:经过优化后摆线轮齿间最大接触应力相较于等距修形和移距修形分别降低了11%和13%,优化后的回差为0.013′,回差相较于等距修形和移距修形均得到了提高;以承载能力和回差为优化目标的多目标修形能够较好地解决RV减速器综合性能提升的问题。

基于EEMD-PSO-ELM的RV减速器故障诊断模型

为了准确评估旋转矢量(RV)减速器的工作状态,针对RV减速器故障不明显、样本数据少、难诊断的问题,首先从理论上证明RV减速器正常运行时扭矩传递时具有周期性,利用旋转机械测试信号周期演变特征和集成经验模态分解(EEMD)可以有效反映数据周期性的特点,提出一种基于EEMD的粒子群优化(PSO)算法的极限学习机(ELM)故障诊断模型,同时采用西安交通大学轴承实验数据集验证了模型性能。在此基础上,将RV减速机测试平台所测得的数据代入所提模型,最后与其他模型进行对比,结果显示所提模型能够更有效地判断出RV减速机的工作状态。

基于Kriging模型的RV减速器回转误差预测方法研究

通过旋转矢量(RV)减速器零部件选配,可以弥补制造设备精度不高或生产过程能力不足等企业生产短板。但实施选配需要使用虚拟样机预测RV减速器回转误差,预测操作时间较长,不能满足RV减速器零部件选配需要,为此提出基于Kriging模型的RV减速器回转误差预测方法。选取5个关键影响因素进行最优拉丁超立方抽样,构建RV-40E型减速器虚拟样机获得回转误差值,进行数值拟合得到初始Kriging模型参数值,采用最大期望改善和最优预测点进行双加点循环改进Kriging模型参数值,并利用粒子群算法加速寻优过程。经过54次加点最终获得可供实际装配使用的RV-40E型减速器回转误差预测模型。通过与实际样机和虚拟样机对比分析,验证了Kriging模型在RV减速器回转误差预测上的可行性和有效性。

基于平稳工况数据截取的RV减速器故障诊断方法

旋转矢量(Rotary Vector,RV)减速器广泛应用在工业机器人重载关节处,直接影响着工业机器人的工作精度和稳定性。与一般旋转机械设备不同,工业机器人完成各项工作任务时,关节处RV减速器做往复变转速转动,转速的变化会使特征频率、统计指标等产生时变效应,导致故障信息难以提取,为故障诊断带来挑战。文中结合工业机器人RV减速器的运动特点,提出基于平稳工况数据截取的RV减速器故障诊断方法。首先通过引入压缩范围限制因子获取清晰的时频谱图;然后进行基于快速路径优化的脊线提取,并利用构建的滑动窗峰–峰值和均值指标截取脊线平稳段,获取所需的平稳工况数据;最后通过对平稳工况数据进行包络谱分析实现故障诊断。利用RV减速器往复运动振动数据对提出的诊断方法进行验证。结果表明,该方法可实现对平稳工况数据的准确截取,克服了转速变化的影响,成功提取了故障信息。

基于瞬时角速度信号增强的RV减速器行星齿轮局部故障检测

针对旋转矢量(rotary vector, RV)减速器多源耦合严重,行星齿轮局部故障所引起的冲击易被其他干扰分量所淹没,故障特征提取困难的问题,结合编码器信号的优势提出了一种基于自适应最大二阶循环平稳盲解卷积(adaptive maximum second order cyclostationarity blind deconvolution, ACYCBD)的RV减速器行星齿轮局部故障检测方法。首先,拾取伺服电机内置光编码器信号,并利用向前差分计算获得瞬时角速度(instantaneous angular speed, IAS)信号;然后,依据特征评价指标(characteristic evaluation indicator, CEI)最大化原则自适应确定ACYCBD优化滤波器长度,并对IAS信号进行增强;最后,通过识别时域中与故障冲击周期相匹配的理论齿数实现RV减速器故障检测。通过试验数据分析,并将所提方法与现有的稀疏低秩分解算法和增强CYCBD算法对比,验证了所提方法的有效性。