一种基于机器学习的机器人RV减速器故障检测方法

本发明涉及rv减速器故障检测，具体为一种基于机器学习的机器人rv减速器故障检测方法。

背景技术：

1、随着制造业的快速发展，工业机器人已成为智能制造的核心执行单元，对提高产品质量与生产效率起着至关重要的作用。随着工业机器人应用的普及，其运行维护问题变得越来越重要。由于工业机器人的持续运行，各种部件发生故障，不仅影响生产率，还会增加停电风险，从而造成重大财务损失。减速器是工业机器人的核心部件，其健康状况决定了工业机器人的执行效率和精度，已经成为限制工业机器人长期稳定运行的主要原因。为此，如何通过无损、快速性能退化评估等方法，在减速器出现故障前做出及时诊断，提前预警，提前维护，进而提高生产线的平均无故障工作时间，受到人们的广泛关注。

2、为了避免这些损失，研究人员提出了各种健康监测和诊断技术，称为故障预测与健康管理技术(phm)。

3、故障预测与健康管理技术(phm)强调资产设备管理中的状态感知，监控设备健康状况、故障频发区域与周期，通过数据监控与分析，预测故障的发生，从而大幅度提高运维效率。

4、rv(旋转矢量)减速器是工业系统中广泛使用的机械部件之一。rv减速器以其小尺寸、高效速度传输和高扭矩的独特特性而闻名。由于rv减速器在工业机器人中长时间连续运行，因此容易出现多种故障。为了保持操作平稳，rv减速器的及时故障预测与健康管理(phm)变得至关重要。

5、目前广泛使用三种不同的技术监测rv减速器的健康状况，包括铁谱分析、振动分析和声发射分析。

6、铁谱分析是通过磨损颗粒与润滑油混合，然后研究润滑剂特性以诊断故障。然而，这种方法属于非实时监测，而且只能诊断rv减速器内部结构故障，对于其表面结构的故障无法监测。

7、振动分析是指在减速器表面连接振动传感器，检测其振动信号，分析时域波形和频谱进而判断受损情况。然而，振动分析的一个关键问题是很难在早期诊断故障。

8、声发射分析是指将传感器安装在机器人系统上，通过分析声发射信号传播机理，来分析其在rv减速器内部的产生、传播及衰减模型，得到rv减速器在不同旋转角度下声发射信号衰减的理论模型，利用小波包技术对信号的不同频域特征进行了分析，以检测rv减速器故障。然而其具有一些局限性，例如声发射技术对检测对象的材料性质非常敏感，同时受到外界各种因素的影响，如果检测对象组分较复杂，且所处外加条件较多，检测到的声发射信号就会与平时有较大差别，此时需要丰富的现场检测经验和信号数据库进行比对，这样就使声发射定位缺陷的难度提升。

9、此外，针对振动分析和声发射分析技术除上述提出的缺点外还易受噪声或外部振动影响，检测误差较大，而且需要在rv减速器上安装额外的传感器，一方面会增加经济成本，另一方面会增加故障预测与健康管理系统(phm)的复杂程度，对传感器的安装位置以及维护也需要投入额外的成本；此外由于多数行业工作环境较为拥挤，安装传感器会进一步挤占工作空间，造成设备拥堵，影响生产效率。最后，在机器人的不同位置安装多个传感器需要拥挤的数据采集系统，这使故障预测与健康管理(phm)系统的设计复杂化，并使其在计算和经济上更加昂贵。

10、其次针对铁谱分析技术，由于其通过研究磨损颗粒与润滑油混合后研究润滑剂特性来诊断内部结构故障，无法诊断rv减速器外部故障，且实时性很差，因此具有局限性。

技术实现思路

1、针对上述技术问题，本发明提出了一种基于机器学习的机器人rv减速器故障检测方法。通过首先提取rv减速器电机三相电压信号，经计算将电压值转换为电流值，对电流信号进行特征域分类并提取特征，采用了卡方检验的特征选择方案减少特征数量，避免过度拟合并去除冗余信息，利用机器学习(ml)的分类算法依照特征训练样本模型并应用于故障诊断，经过参数评估后证明了机器学习(ml)应用于rv减速器故障检测的能力，大大提高了故障检测精度且降低了检测成本与系统复杂度。

2、本发明所要解决的技术问题采用以下技术方案来实现：

3、一种基于机器学习的机器人rv减速器故障检测方法，包括以下步骤：

4、步骤(s1)实验设置：

5、搭建实验平台，实验平台包括六轴工业机器人、三种不同类型的rv减速器、霍尔传感器、数据收集卡、信号校准函数发生器以及pc电脑，霍尔传感器设置在六轴工业机器人上且与信号校准函数发生器连接，数据收集卡分别与信号校准函数发生器、pc电脑连接，霍尔传感器连接六轴工业机器人上的控制器盒并通过tcp/ip协议与另一台pc电脑连接；

6、步骤(s2)数据采集：

7、基于对rv减速器的电机电流特征分析，通过霍尔传感器检测出三种不同类型的rv减速器每一相位的电压值，并通过公式：i＝u/r换算成电流值；

8、步骤(s3)数据预处理：

9、通过信号校准函数发生器对电流信号进行滤波和降噪处理，数据收集卡将处理后的电流信号存储在pc电脑中；

10、步骤(s4)特征提取：

11、对步骤(s3)中得到的不同rv减速器不同相位的电流信号从基于正弦波形状的特征、基于数据统计的特征和基于动能的特征三个方面进行特征提取，共计45组特征值；

12、步骤(s5)特征选择：

13、采样卡方检验算法对步骤(s4)中得到的45组特征值进行特征排除，选择15组特征值；

14、步骤(s6)分类器模型训练：

15、根据步骤(s5)得到的15组特征值通过四种不同的机器学习的算法进行模型训练，从而得到四种可靠的分类器模型；

16、步骤(s7)性能评估：

17、对步骤(s6)中得到的四种分类器模型进行准确性、敏感性和差异性的性能评估，从而验证模型的可靠。

18、优选地，步骤(s1)中三种不同类型的rv减速器包括：正常rv减速器、故障rv减速器、和故障老化rv减速器。

19、优选地，步骤(s4)中基于正弦波形状的特征包括电流的形状因子、脉冲因子、间隙因子和波峰因子。

20、优选地，步骤(s4)中基于数据统计的特征包括电流的峰度和偏度。

21、优选地，步骤(s4)中基于动能的特征包括电流的均方根、均值、最大值、标准差、峰值、峰峰值。

22、优选地，步骤(s5)中采用卡方检验算法进行特征排除的具体步骤如下：

23、步骤(s51)建立假设：建立零假设和备择假设，零假设是指两个变量之间不存在关联，备择假设是指两个变量之间存在关联；

24、步骤(s52)确定显著性水平：设定显著性水平为0.05或0.01，表示在这个水平下，拒绝零假设的概率；

25、步骤(s53)收集数据：收集与两个变量相关的数据，将数据整理成一个列联表，其中行表示一个变量的不同分类，列表示另一个变量的不同分类；

26、步骤(s54)计算期望频数：根据步骤(s51)建立的假设，计算每个分类的期望频数，期望频数可以通过总体频数和各个分类的边际频数计算得出；

27、步骤(s55)计算卡方值：根据观察到的频数和期望频数，计算卡方值；

28、步骤(s56)查找卡方分布表：使用卡方分布表查找在计算得到的自由度和选定的显著性水平下，对应的临界值；

29、步骤(s57)进行推断：如果计算得到的卡方值大于临界值，则拒绝零假设，认为两个变量之间存在关联；否则接受零假设，认为两个变量之间不存在关联。

30、优选地，步骤(s54)中对于一个r行c列的列联表，期望频数e(i,j)为：

31、e(i,j)＝(ri*cj)/n，其中ri表示第i行的行总频数，cj表示第j列的列总频数，n表示总样本数。

32、优选地，步骤(s55)中卡方值的计算公式为：

33、卡方值＝σ[(观察频数-期望频数)^2/期望频数]，其中σ表示对所有分类的求和。

34、优选地，步骤(s6)中四种不同的机器学习的算法包括朴素贝叶斯、支持向量机、k近邻和集合子空间。

35、优选地，步骤(s7)中准确性是指在分类问题中，模型对于所有样本分类的正确率，即模型预测正确的样本数占总样本数的比例；

36、敏感性是指在二分类问题中，所有实际为正例的样本中，被模型正确预测为正例的样本所占的比例；

37、特异性是指在二分类问题中，所有实际为负例的样本中，被模型正确预测为负例的样本所占的比例。

38、本发明的有益效果是：

39、本发明通过提供一种基于机器学习的机器人rv减速器故障检测方法，从电机电流特征分析获得的信息进行特征提取、特征选择，创建具有可区分的突出特征的基于机器学习的故障分类系统，通过检测机器学习分类器的准确性、特异性和灵敏度等评估参数的值，证明所提出方法的真实性及高效性，节省了空间、成本与系统复杂度，且提高了实时监测性以及故障诊断率，同时电机电流特征分析的使用降低了声发射分析和振动分析中受噪声或外部振动影响带来的故障误差。