一种模型与数据混合驱动的机器人柔性关节振动分离方法

工业机器人关节具有柔性,会产生较大的工作振动。针对机器人关节发生故障时,如何从测量得到的混合振动信号中分离出故障分量的问题,提出一种模型与数据混合驱动的关节振动分离方法。首先,建立多物理量信号和系统动力学相结合的执行器动力学响应模型,并以该响应信号作为振动分离时的参考。其次,考虑噪声影响构造了幅值谱百分位序列,利用变点分析确定最优噪声阈值,并设计带通滤波器分离噪声。针对测量和滤波带来的参考振动和混合振动间相位误差问题,提出可调节因子动态时间规整相位校正方法。最后,由去噪和相位校正后的混合振动减去参考振动实现故障分量分离。在机器人关节试验台上的试验结果表明,所提方法能从关节振动中有效地分离出故障分量。

基于信息融合的稀疏自编码故障诊断

针对目前大多数机械故障诊断中单一振动加速度信号特征提取对先验知识要求高和对时域、频域信息利用不充分等问题,提出了一种基于信息融合的稀疏自编码故障诊断方法。首先,对振动加速度信号进行频域积分得到速度和位移信号,同时计算加速度信号的频谱;其次,将频谱、速度、位移三种信号融合成一个复合信号;最后,将复合信号作为稀疏自编码网络的输入进行深度特征提取,利用SoftMax分类器进行状态识别。通过调整不同比例的输入信息来调整模型,并与传统的稀疏自编码故障诊断模型相比,结果表明,所提方法能有效识别滚动轴承故障和RV行星轮故障,且在减少网络层数的同时能够提高识别准确率。