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与流程

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
技术领域
1.本发明属于工业机器人领域，具体涉及一种基于wlctd与cnn
‑
lstm的工业机器人谐波减速器早期故障检测方法。


背景技术：

2.减速器是工业机器人的核心部件之一。减速器通过内部机械结构达到增大输出端扭矩、降低输入端转速的效果。由于工业机器人的任务特性和安装环境特性，对减速器的精度、耐磨损度和体积有较高要求。工业机器人减速器长期工作在高负载、大扭矩和高温的环境，其故障率居高不下。工业机器人常用减速器有谐波减速器、rv减速器与行星减速器。其中，谐波减速器的应用最为广泛，其独特的内部结构导致了复杂的故障模式，对谐波减速器进行早期故障检测可以在严重故障之前采取相应措施，有效避免因为停机带来的损失。
3.通过对谐波减速器振动试验信号的分析可以获取谐波减速器的状态信息。但是目前各代表性企业更多关注谐波减速器的基本性能指标，缺少对其早期故障检测方法的研究。


技术实现要素：

4.本发明提供一种基于wlctd与cnn
‑
lstm的工业机器人谐波减速器早期故障检测方法，用以解决谐波减速器发生故障带来的停机损失。
5.本发明通过以下技术方案实现：
6.一种基于wlctd与cnn
‑
lstm的工业机器人谐波减速器早期故障检测方法，所述早期故障检测方法包括以下步骤：
7.步骤1：获得谐波减速器振动状态的数据集；
8.步骤2：对步骤1的数据集使用wlctd算法去除其中的噪声；
9.步骤3：对去除噪声的数据集使用cnn
‑
lstm网络进行数据处理；
10.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；
11.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。
12.进一步的，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；
13.所述感知单元为不同位置的振动传感器。
14.进一步的，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：
[0015][0016]
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：
[0017][0018]
第j点的归一化局部相关系数表示为：
[0019][0020]
其中，
[0021]
最终的局部相关阈值准λ则表示为：
[0022][0023]
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。
[0024]
进一步的，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。
[0025]
进一步的，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。
[0026]
进一步的，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。
[0027]
进一步的，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。
[0028]
进一步的，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。
[0029]
进一步的，所述cnn
‑
lstm网络具体为，
[0030]
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:
[0031]
i
t
＝σ(x
t
w
xi
h
t
‑1w
hi
b
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0032]
f
t
＝σ(x
t
w
xf
h
t
‑1w
hf
b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0033]
o
t
＝σ(x
t
w
xo
h
t
‑1w
ho
b
o
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0034][0035][0036]
h
t
＝o
t
⊙
tanhc
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0037]
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。
[0038]
本发明的有益效果是：
[0039]
本发明利用谐波减速器现实工况数据进行验证，有效应用于工业机器人谐波减速器早期故障检测中并提升工业机器人运行可靠性。
附图说明
[0040]
图1本发明的方法流程图。
[0041]
图2现有的rnn结构示意图。
[0042]
图3现有的lstm记忆模块结构示意图。
[0043]
图4本发明的早期故障检测准确率对比图。
[0044]
图5本发明的早期故障检测准确率计算耗时对比图。
[0045]
图6本发明的早期故障检测准确率对比图。
[0046]
图7本发明的早期故障检测耗时对比图。
[0047]
图8本发明的系统配置图。
具体实施方式
[0048]
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0049]
小波局部相关阈值去噪(wavelet local correlation threshold denoising,wlctd)算法；卷积神经网络
‑
长短期记忆(convolutional neural network
‑
long short term memory, cnn
‑
lstm)模型。
[0050]
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，所述早期故障检测方法包括以下步骤：
[0051]
步骤1：获得谐波减速器振动状态的数据集；
[0052]
步骤2：对步骤1的数据集使用wlctd算法去除其中的噪声；
[0053]
步骤3：对去除噪声的数据集使用cnn
‑
lstm网络进行数据处理；
[0054]
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；
[0055]
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。
[0056]
进一步的，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；
[0057]
所述感知单元为不同位置的振动传感器。
[0058]
进一步的，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：
[0059][0060]
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：
[0061][0062]
第j点的归一化局部相关系数表示为：
[0063][0064]
其中，
[0065]
最终的局部相关阈值准λ则表示为：
[0066][0067]
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。
[0068]
进一步的，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。
[0069]
进一步的，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。
[0070]
进一步的，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。卷积层最主要的功能是通过对输入数据进行卷积运算从而提取出隐藏的特征信息。提升卷积层的层数可以增强其挖掘原始信号深层隐藏特征的能力。
[0071]
进一步的，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。增加池化层的目的是为了降低冗余信息，提升模型的尺度不变性和旋转不变性，同时也可以有效防止过拟合现象的发生。
[0072]
进一步的，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。
[0073]
进一步的，所述cnn
‑
lstm网络具体为，
[0074]
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:
[0075]
i
t
＝σ(x
t
w
xi
h
t
‑1w
hi
b
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0076]
f
t
＝σ(x
t
w
xf
h
t
‑1w
hf
b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0077]
o
t
＝σ(x
t
w
xo
h
t
‑1w
ho
b
o
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0078][0079][0080]
h
t
＝o
t
⊙
tanhc
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0081]
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。
[0082]
将cnn
‑
lstm方法与代表性的svm、cnn和lstm算法进行比较，评价指标为故障检测准确率和计算时间。使用的数据集设置如表1所示，共进行五次重复实验以避免偶然误差，实验结果分别如图6和图7所示。
[0083]
表1谐波减速器振动信号数据集说明
[0084][0085]
本发明提出的cnn
‑
lstm检测方法在五次实验中都达到了最高的检测准确率，保持在94％以上，较其他三种方法中最高的准确率分别提升了1.5％、2％、2％、1.9％和1.9％。结合计算耗时来看，lstm网络能够达到比cnn更高的检测准确率，但是耗时最多。而 cnn
‑
lstm网络的耗时处于cnn与lstm之间，比cnn增加了3.2％、
‑
0.62％、1.4％、 6.9％和2.8％的计算耗时，但是达到了最高的准确率。总的来看，本文提出的cnn
‑
lstm 早期故障检测方法具有优异的性能和不错的计算负担平衡。
[0086]
为了验证所提出的wlctd算法对早期故障检测方法性能的提升，将去噪的数据与未去噪的数据分别作为模型输入进行对比实验。使用了cnn
‑
lstm算法与lstm算法共同验证。共进行五次重复实验以避免偶然误差。评价指标为故障检测准确率和计算耗时。实验结果分别如图6和图7所示。
[0087]
wlctd算法明显提升了故障检测算法的准确率，具体来说，在五次实验中对 cnn
‑
lstm算法的准确率分别提升了9.8％、9.4％、9.8％、9.2％和9.2％；对lstm算法的准确率分别提升了12.0％、13.2％、11.8％、12.0％和12.1％。从计算耗时上，wlctd算法会占用一定的计算资源，具体来说，在五次实验中cnn
‑
lstm算法的计算耗时分别增加了 3.7％、1.9％、4.9％、3.2％和5.0％；lstm算法的计算耗时分别增加了4.8％、6.1％，6.0％， 7.3％和
6.8％，基本可以忽略不计。总的来看，本文提出的wlctd算法可以有效提升故障检测算法的性能，且具有较高的计算效率。
[0088]
本发明应用如图8所示，工业机器人中包含谐波减速器，通过振动传感器采集谐波减速器的信号形成振动信号数据集，将数据集中的数据进行wlctd算法和cnn
‑
lstm 模型训练，通过cnn
‑
lstm模型预测早期故障，并进行故障检测，最后进行维修决策支持。