基于深度学习的工业机器人故障诊断技术探讨范文

论文价格:150元/篇 论文用途:硕士毕业论文 Master Thesis 编辑:vicky 点击次数:
论文字数:36566 论文编号:sb2021092116545338270 日期:2021-10-11 来源:硕博论文网
本文主要工作总结如下:(1)针对本文中所建立的故障诊断模型的需要,设计并搭建实验台,主要包括 KR-3-R540 机器人、数据采集与存储系统、激振器和数据分析系统等部分。通过随机设定机器人闭环运动轨迹,利用加速度传感器采集机器人在工作状态下的各个关节与末端执行器的振动信号。由于机器人的运动频率和共振频率的存在,需要设置滤波器对这一部分频率信号进行滤波。利用机器人模态分析实验,分析模态实验结果得出机器人的运动频率为[0,100Hz]、共振频率为[2200Hz,8000Hz],并以此作为依据设计高通(低通)滤波器。

第 1 章  绪论

1.1  课题研究背景及意义
机器人的概念在 1920 年首次被来自捷克的作家提出,随后,在 1950 年,工业机器人的概念被正式提出,直到 1959 年,世界上第一台工业机器人问世。工业机器人可以实现大部分人工的工作,包括材料搬运、切削、焊接和零部件安装等等[1,2]。随着工业机器人概念的正式提出与传播,工业机器人的设计研究得到了国内外学者的广泛关注并取得了巨大发展。到 2010 年以来,工业机器人的发展已经正式进入到第三阶段,朝着高度拟人化与智能化方向发展[3,4]。如图 1-1 所示为工业机器人的发展阶段示意图,在第一阶段,工业机器人概念被提出,它的主要功能和结构获得正式定义;在第二阶段,工业机器人获得飞速发展,运用于各行各业,其结构与性能得到大幅度提升;在第三阶段,工业机器人在神经网络、机器视觉等技术的加持下,朝着高度拟人化与智能化方向发展。
图 1-1  工业机器人发展阶段
图 1-1  工业机器人发展阶段
由于工业机器人可以昼夜不停的高效率的生产,保证企业整个产品生产系统的安全、使工业机器人保持高效工作状态也得到了企业与研究人员的普遍重视。对于企业来说,一旦工业机器人的系统发生故障,会导致整条生产线的生产停滞。如果故障机器人得不到及时的维修处理,机器人故障可能会演变成巨大的生产事故,甚至对企业工作人员的生命安全造成威胁[5,6]。在工业机器人投入使用之后,它的应用都是处于严格规定下的人为检查维护机制下。企业需要投入大量的人力资源来完成对工业机器人的每天、每周和每月的检查维护,并根据检查维护记录行程最终的设备工作状态巡回检查表,并以此为依据形成工业机器人设备维修维护手册,总结工业机器人在故障状态下的设备参数。在进行数据分析后,得到每一台设备的故障发生频率,以及故障的规律和故障原因,为之后处理故障情况积累实际经验。这种传统的工业机器人故障诊断存在明显的弊端,它需要消耗企业大量的人力、物力资源来完成,这对于一般的小型企业来说是无法承受的,他们由于没有专业的企业维修维护团队来保障生产安全,最终导致他们在激烈的市场竞争中被取缔。而且随着生产的继续进行和工业机器人故障本身的不确定性与随机性也行,对于未出现的故障依然无法做到及时预警和故障隔离,难以满足工业生产的高效安全要求。
..........................

1.2  故障诊断技术研究背景
故障诊断技术是识别机器或机组运行状态的科学,它研究的是机器或机组运行状态的变化在诊断信息中的反应[7]。可以对机器的故障状态进行预警和对重大故障发生前对机器进行停机,保障现场工作人员的生命安全和避免造成企业的巨大经济损失。对于机械设备来说,故障诊断由三个主要环节:故障检测;故障识别;故障分类[8-10]。故障诊断技术可以给工程师提供设备维护维修依据,尽可能的节约维护维修成本。故障诊断技术起源于 19 世纪末至 20 世纪初,最初的故障诊断技术是由专家根据工作实践经验对设备运行状态的分析做出判断,并实际运用在一些简单设备的故障诊断中。自 20 世纪 60 年代美国机械故障预防小组和英国机器保健中心成立以来,故障诊断技术开始在世界范围内广泛传播。到 20 世纪末,通过全球工程和科研领域工作者在机械设备的故障机理与表征形式、故障信号与特征提取、故障识别与分类方面的积极探索,形成了一系列的机械设备故障诊断方法与理论。21 世纪以来,故障诊断技术相对成熟,得益于神经网络技术的飞速发展,故障诊断技术的运用领域也更为广泛[11]。
如图 1-2 所示为故障诊断技术的发展阶段大致可分为四个阶段:起源阶段(19世纪末 20 世纪初);积极推广阶段(20 世纪 60 年代左右);积极探索阶段(20 世纪末);智能化故障诊断阶段(21 世纪以来)。
图 1-2  故障诊断技术发展历程
图 1-2  故障诊断技术发展历程
...............................

第 2 章  工业机器人故障诊断相关技术

2.1  引言
在进行工业机器人故障诊断时,由于工业机器人的故障形式与种类的多样性,通常需要借助多种方法和理论共同完成。基于深度学习的故障识别方法是数据驱动智能诊断方法中常用到的能够对数据信号进行特征识别与提取的一种典型的数据处理方法。目前国内外学者对于深度学习算法的研究已经数不胜数,运用于故障诊断方面较为广泛的神经网络框架主要有卷积神经网络、堆叠自编码网络、循环神经网络和深度置信网络[44-46]。在故障特征识别、提取并完成神经网络模型诊断之后,利用多源信息融合技术进行决策层融合,完成工业机器人的故障诊断。多源信息融合技术中常用的融合理论包括 DS 证据理论、DST 理论和 DSmT 理论等,可以实现对数据信号的数据层融合、特征层融合以及决策层融合。
本章旨在对建立工业机器人故障诊断所采用的主要算法和理论进行介绍。首先对工业机器人的常见故障形式、故障表征以及故障原因进行分析;然后,对本文所采用的深度学习算法当中的深度置信网络模型进行介绍;最后,对多源信息融合技术在故障诊断技术中的应用进行介绍。
........................

2.2  工业机器人故障分析
工业机器人的故障形式通常表现为控制系统故障和驱动系统故障,因此工业机器人故障可分为逻辑故障和物理故障两大类。逻辑故障主要是因为工业机器人控制系统发生故障所导致的机器人无法按照指令要求完成任务,主要表现为性能指标下降;物理故障主要是因为工业机器人硬件故障导致的机器人停机,其中包括电路老化或损坏、电机故障、轴承磨损和减速器故障等等。表 2-1 所示为工业机器人的几种常见故障形式、故障表征以及故障原因。由表 2-1 可知,工业机器人的故障形式与故障表征和故障原因之间并不是简单的一一对应关系,一些较为复杂的故障形式和故障表征对应多个故障原因;而且某些故障原因也会产生多个不同形式的故障表征。由于工业机器人故障会伴随有振动信号的变化,所以工业机器人振动信号可作为研究对象来评估机器人的工作状态,检测机器人是否存在故障,本文以工业机器人振动信号为研究对象,展开工业机器人故障诊断技术研究。
表 2-1  工业机器人的几种常见故障形式、故障表征以及故障原因
表 2-1  工业机器人的几种常见故障形式、故障表征以及故障原因
.................................

第 3 章  工业机器人故障诊断实验平台 ............................... 21
3.1  引言....................................................... 21
3.2  实验平台介绍...................................... 21
第 4 章  基于深度置信网络的工业机器人故障诊断 ............................................ 31
4.1  引言............................. 31
4.2  工业机器人振动信号预处理.................... 31
第 5 章  基于多源信息融合的工业机器人故障诊断 .................. 41
5.1  引言................................................... 41
5.2 DSmT 基本概念 ........................................ 41
5.3 DSmT 模型组合规则 ....................................... 42

第 5 章  基于多源信息融合的工业机器人故障诊断

5.1  引言
工业机器人在工业生产中的地位越来越高,它的正常运行直接关系到生产安全,对于工业机器人的故障诊断也显得尤为重要。在第四章内容中建立了基于DBN 网络的工业机器人故障诊断模型,并通过实验验证这一模型的故障识别准确率。实验结果证明:基于 DBN 网络的故障诊断模型在处理工业机器人多故障状态时,故障识别准确率偏低,还需要进一步改进。 为了提升工业机器人故障诊断模型的故障识别准确率,本章中 DSmT 理论对 DBN 网络模型诊断结果进行决策层融合,达到提高模型故障识别准确率的目的。将基于 DBN 网络的故障诊断模型输出层作为故障证据,进行证据间冲突分析,选定 DSmT 的融合规则和决策规则,建立基于 DBN 和 DSmT 的故障诊断模型。
20 世纪 60 年代,哈佛大学的美国数学家 A.P.Dempster 提出了 Dempstr-Shafer理论(DST)。而后由 ClennShafer 在这里理论基础上加以补充,从而形成了更为广泛的理论。到 20 世纪末,由于 DST 理论的局限性,法国航空航天实验室的 Jean Dezert 博士和美国新墨西哥大学的 Florentin Smarandache 教授在 DST 基础上建立了 Dezert-Smarandache 理论(DSmT),运用信度赋值的方法来描述数据信息的不完整性,可以弥补 DST 理论在算法上的缺陷[65-67]。
由于 DSmT 建立在 D-S 证据理论之上,它在很大程度上沿用了 D-S 证据理论和 DST 理论所用的一些的研究方法。其中涉及到几个关键的概念:广义辨识框架、超幂集、广义基本概率赋值函数、广义信度函数和广义似真函数。
............................

第 6 章  总结与展望

总结
本文针对工业机器人的故障诊断问题,基于深度学习相关理论建立适用于工业机器人的故障诊断模型。主要创新点在于利用小波变换和信息能量熵构建归一化特征向量,并分为训练集和测试集建立深度置信网络(DBN)模型,然后利用多源信息融合技术中的 DSmT 理论进行决策层融合,建立工业机器人故障诊断模型。通过在 KR-3-R540 机器人上进行故障诊断实验,验证本文中所采用的故障诊断模型的有效性。本文主要工作总结如下:
(1)针对本文中所建立的故障诊断模型的需要,设计并搭建实验台,主要包括 KR-3-R540 机器人、数据采集与存储系统、激振器和数据分析系统等部分。通过随机设定机器人闭环运动轨迹,利用加速度传感器采集机器人在工作状态下的各个关节与末端执行器的振动信号。由于机器人的运动频率和共振频率的存在,需要设置滤波器对这一部分频率信号进行滤波。利用机器人模态分析实验,分析模态实验结果得出机器人的运动频率为[0,100Hz]、共振频率为[2200Hz,8000Hz],并以此作为依据设计高通(低通)滤波器。
(2)利用小波变换和信息能量熵相关理论方法对滤波之后的振动信号进行数据处理。通过对振动信号进行不同等级小波变换的结果对比,确定小波变换的最佳分解层数为 7、最佳小波基数量为 db1,使之满足小波变换的二尺度方程,然后利用信息能量熵的方法构建小波重构信号的能量熵归一化特征向量。
(3)将小波重构信号的能量熵归一化向量作为实验样本,以 4:1 的比例分为训练集和测试集,完成对 DBN 网络参数的正向非监督训练与反向优化微调,最终确定 DBN 网络参数,建立基于 DBN 网络的工业机器人故障诊断模型。通过测试集验证结果表明:该故障诊断模型的处理单一故障状态时故障识别准确率表现良好,但在处理复杂故障状态时,故障识别准确率只有 85%,有待于进一步提高。
参考文献(略)