基于PCA-ELM算法的工业机器人RV齿轮箱故障诊断

以RV齿轮箱为对象,设计了一种基于主成分分析(PCA)和极限学习机(ELM)组合的故障诊断方法:利用PCA良好稳定性的优势来实现对ELM鲁棒性的优化,并开展故障诊断测试。研究结果表明,PCA-ELM能够检测故障种类,可以达到较高准确率,同样处理时可以大幅缩短时间。该研究在RV齿轮箱早期故障排出方面具有很好的价值,高效率地节约工业机器人成本。

工业机器人RV齿轮箱早期故障改进OSF方法识别

为了进一步提高工业机器人用RV齿轮箱的故障诊断能力,设计了一种基于自适应Autogram改进顺序统计滤波(OSF)的振动信号识别方法。对振动信号实施OSF计算后,采用移动平均法实现数据的平滑处理,获得更优的包络数组。研究结果表明:与自适应Autogram方法相比,并未观察到显著的故障特征频率,表明采用本方法测试佳解调频带的效果比滤波器快速谱峭度方法的性能更优。相对所提方法,对应二倍与三倍频没有形成明显特征频率,受到其他分量干扰,综合分析可知所提自适应Autogram方法具备明显优越性。该研究有助于提高工业机器人RV齿轮箱排除隐藏故障的能力,也可拓展到其他的机械传动机构上。

基于DAL的工业机器人RV齿轮箱故障识别分析

工业机器人的传动效率直接影响到工业节能效果。针对齿轮箱故障诊断能力,设计了一种基于深度主动学习(Deep Active Learning,DAL)的工业机器人RV齿轮箱故障识别方法,并开展测试分析。研究结果表明,边缘抽样、深度学习、深度主动学习、随机抽样分别达到77.23%、94.35%、97.18%和84.26%的准确率,表明该方法可以有效地过滤出较难鉴别的样品。分析混淆矩阵表明,在只利用小样本进行训练的情况下,DAL算法取得了比传统学习算法更优的处理结果。该研究有助于提高工业机器人控制效率,具有广泛的应用价值。