本發(fā)明屬于諧波減速器故障診斷，涉及一種基于人工智能的機器人核心零部件故障診斷方法。

背景技術(shù)：

1、諧波減速器作為機器人的核心零部件之一，在機器人關(guān)節(jié)臂的傳動過程中起著至關(guān)重要的作用。傳統(tǒng)的旋轉(zhuǎn)機械故障診斷方法需要對運行過程中采集到的振動信號進行分析，然而這些振動信號往往是非平穩(wěn)的，并且含有復(fù)雜的噪聲，這給信號處理過程中有效提取故障特征帶來了困難。最近的研究表明，利用圖形建?？梢蕴崛‰[藏在狀態(tài)信號中的潛在結(jié)構(gòu)和拓?fù)湫畔?，其中在捕捉非靜態(tài)信號的長期相關(guān)性方面表現(xiàn)出顯著的效率。其中，圖卷積網(wǎng)絡(luò)(gcns)可以有效地傳播和吸收圖結(jié)構(gòu)邊緣的信息，通過迭代聚合和變換相鄰節(jié)點的特征來獲得節(jié)點的特征表示；由于gcns在空間信息建模方面的強大能力，研究人員開始將其應(yīng)用于故障診斷領(lǐng)域。在文獻xiaoxia?yu,baoping?tang,and?kai?zhang.faultdiagnosis?of?wind?turbine?gearbox?using?anovel?method?of?fast?deep?graphconvolutional?networks.ieee?transactions?on?instrumentation?and?measurement,70:1–14,2021中將風(fēng)電齒輪箱的振動信號分解并構(gòu)造為圖形數(shù)據(jù)，其中g(shù)cn模型用于故障診斷。在文獻xiangqu?xiao,chaoshun?li,jie?huang,tian?yu,and?pak?kin?wong.animproved?graph?convolutional?networks?for?fault?diagnosis?of?rolling?bearingwith?limited?labeled?data.measurement?science?and?technology,34(12):125109,2023.中提出了一種改進的gcn用于有限標(biāo)簽數(shù)據(jù)下的軸承故障診斷。雖然gcn在圖形數(shù)據(jù)的機械故障診斷中表現(xiàn)出很好的性能，但在gcns的訓(xùn)練過程中容易出現(xiàn)過度平滑，導(dǎo)致梯度消失，影響最終判斷的準(zhǔn)確率。

技術(shù)實現(xiàn)思路

1、為解決上述技術(shù)問題，本發(fā)明的目的是提供一種基于人工智能的機器人核心零部件故障診斷方法。

2、本發(fā)明提供一種基于人工智能的機器人核心零部件故障診斷方法，包括：

3、步驟1：采集諧波減速器的振動信號并進行預(yù)處理，獲得圖結(jié)構(gòu)數(shù)據(jù)；

4、步驟2：將70％的圖結(jié)構(gòu)數(shù)據(jù)做為訓(xùn)練樣本集，30％的圖結(jié)構(gòu)數(shù)據(jù)做為測試樣本集；

5、步驟3：建立切比雪夫圖卷積網(wǎng)絡(luò)；

6、步驟4：將訓(xùn)練樣本集輸入到切比雪夫圖卷積網(wǎng)絡(luò)，通過強化學(xué)習(xí)方法對網(wǎng)絡(luò)進行訓(xùn)練，使用測試集進行測試，得到最終的網(wǎng)絡(luò)模型；

7、步驟5：實時采集的諧波減速器的振動信號，輸入到訓(xùn)練好的切比雪夫圖卷積網(wǎng)絡(luò)中進行故障診斷。

8、本發(fā)明的一種基于人工智能的機器人核心零部件故障診斷方法，具有如下有益效果：

9、本發(fā)明的診斷方法中使用短時傅里葉變換加圖論的方法對一維振動信號進行特征提取，有效的避免了噪音的干擾，同時提取的信號中的拓?fù)浣Y(jié)構(gòu)。將強化學(xué)習(xí)和切比雪夫圖神經(jīng)網(wǎng)絡(luò)相結(jié)合，能夠自適應(yīng)的調(diào)整網(wǎng)絡(luò)層，保證了檢測結(jié)果的準(zhǔn)確率。

技術(shù)特征：

1.一種基于人工智能的機器人核心零部件故障診斷方法，其特征在于，包括：

2.如權(quán)利要求1所述的基于人工智能的機器人核心零部件故障診斷方法，其特征在于，所述步驟1具體為：

3.如權(quán)利要求1所述的基于人工智能的機器人核心零部件故障診斷方法，其特征在于，所述步驟1.1中故障包括：柔性軸承的斷裂故障、長期運行導(dǎo)致的輸入軸疲勞故障、齒根處的點腐蝕故障和柔性車輪尖端故障。

4.如權(quán)利要求2所述的基于人工智能的機器人核心零部件故障診斷方法，其特征在于，所述步驟3具體為：

5.如權(quán)利要求4所述的基于人工智能的機器人核心零部件故障診斷方法，其特征在于，所述步驟4具體為：

技術(shù)總結(jié)
本發(fā)明的一種基于人工智能的機器人核心零部件故障診斷方法，包括：步驟1：采集諧波減速器的振動信號并進行預(yù)處理，獲得圖結(jié)構(gòu)數(shù)據(jù)；步驟2：將70％的圖結(jié)構(gòu)數(shù)據(jù)做為訓(xùn)練樣本集，30％的圖結(jié)構(gòu)數(shù)據(jù)做為測試樣本集；步驟3：建立切比雪夫圖卷積網(wǎng)絡(luò)；步驟4：將訓(xùn)練樣本集輸入到切比雪夫圖卷積網(wǎng)絡(luò)，通過強化學(xué)習(xí)方法對網(wǎng)絡(luò)進行訓(xùn)練，使用測試集進行測試，得到最終的網(wǎng)絡(luò)模型；步驟5：實時采集的諧波減速器的振動信號，輸入到訓(xùn)練好的切比雪夫圖卷積網(wǎng)絡(luò)中進行故障診斷。本發(fā)明方法基于圖論構(gòu)造圖形數(shù)據(jù)，增強了模型的特征學(xué)習(xí)能力。通過綜合深度強化學(xué)習(xí)網(wǎng)絡(luò)和切比雪夫圖卷積網(wǎng)絡(luò)的優(yōu)點，在更深的層次上提取諧波減速器的故障特征。

技術(shù)研發(fā)人員：馬曉光,伍真瑞,龍卓
受保護的技術(shù)使用者：東北大學(xué)佛山研究生創(chuàng)新學(xué)院
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/10