一种基于机器学习的机器人RV减速器故障检测方法与流程

一种基于机器学习的机器人rv减速器故障检测方法
技术领域
1.本发明涉及rv减速器故障检测技术领域，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：

2.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。
3.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)。
4.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。
5.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。
6.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。
7.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。
8.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。
9.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。
10.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。
11.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。


技术实现要素：

12.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。
13.本发明所要解决的技术问题采用以下技术方案来实现：
14.一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：
15.步骤(s1)实验设置：
16.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；
17.步骤(s2)数据采集：
18.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；
19.步骤(s3)数据预处理：
20.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；
21.步骤(s4)特征提取：
22.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；
23.步骤(s5)特征选择：
24.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；
25.步骤(s6)分类器模型训练：
26.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；
27.步骤(s7)性能评估：
28.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。
29.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。
30.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。
31.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。
32.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。
33.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：
34.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；
35.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；
36.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；
37.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；
38.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；
39.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；
40.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。
41.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：
42.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。
43.优选地，步骤(s55)中卡方值的计算公式为：
44.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。
[0045]
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。
[0046]
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；
[0047]
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；
[0048]
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。
[0049]
本发明的有益效果是：
[0050]
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。
附图说明
[0051]
下面结合附图和实施例对本发明进一步说明：
[0052]
图1为本发明的方法流程图；
[0053]
图2为本发明数据采集、预处理流程图；
[0054]
图3为本发明特征提取流程图；
[0055]
图4为本发明基于卡方检验的特征选择流程图；
[0056]
图5为本发明ml模型及性能评估的结构框图。
具体实施方式
[0057]
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合附图以及实施例对本发明进一步阐述。
[0058]
如图1所示，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：
[0059]
步骤(s1)实验设置：
[0060]
搭建实验平台，以六轴工业机器人为研究对象，选取其第四轴rv减速器进行实验。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。
[0061]
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。其中，正常rv减速器是没有任何故障的新型rv减速器，故障rv减速器属于自然诱发的低严重性故障rv减速器，故障老化rv减速器属于严重性故障rv减速器。
[0062]
霍尔传感器设置在六轴工业机器人上，由于六轴工业机器人使用三相交流电，每两相之间需要安装一个传感器，即一个电机需要三个传感器，因此共需要18个霍尔传感器。
[0063]
霍尔传感器与信号校准函数发生器连接，进行滤波处理。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。信号校准函数发生器与数据收集卡连接，收集电流数据。数据收集卡与pc电脑连接，将电流数据传输值pc进行分析。
[0064]
步骤(s2)数据采集：如图2所示。
[0065]
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。
[0066]
步骤(s3)数据预处理：如图2所示。
[0067]
由于检测过程中可能会遇到干扰，即检测值不精确出现较大幅度波动，混入了噪声(无用数据)，因此需要将采集的电流值经由信号校准函数发生器来进行滤波处理。
[0068]
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，为后端电路提供一个理想信号，数据收集卡将处理后的电流信号存储在pc电脑中；另一边通过霍尔传感器与控制盒连接用来控制机器人运动，并通过tcp/ip通讯协议将数据发送至存储控制信号pc中，
记录的数据存储在pc中，用于显示当前机器人状态。
[0069]
步骤(s4)特征提取：如图3所示。
[0070]
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。其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等；基于数据统计的特征包括电流的峰度和偏度；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、峰峰值等。(此处分析的只有第四轴rv减速器电流信号，已经排除了其他轴运动对第四轴的电流干扰，且在实验时仅有第四周运动，其他轴静止)共计15组特征值，由于工业机器人所用的是三相电，电流有三个相位，所以总特征值为45组。
[0071]
步骤(s5)特征选择：如图4所示。
[0072]
数据通常由许多特征组成，其中很少与目标相关，这导致了不相关和冗余的问题。不相关和冗余的特征会增大量数据集的计算复杂性和增加无用信息的预测能力，影响ml(机器学习)分类器的学习能力。此外，过多的特征导致学习过程的过度拟合，预测输出结果可靠性难以保障。因此排除无关和冗余信息对于克服低预测性和高计算成本相关的问题是非常必要的。
[0073]
本实施例中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。卡方检验算法是一种统计学方法，用于确定两个分类变量之间是否存在显著的关联；具体步骤如下：
[0074]
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；在本实施例中，零假设为：假设特征值与期望值无关。
[0075]
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；在本实施例中，设定显著性水平为0.05。
[0076]
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；在本实施例中，行为电流特性列为特征值。
[0077]
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；对于一个r行c列的列联表，期望频数e(i,j)为：
[0078]
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。
[0079]
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；卡方值的计算公式为：
[0080]
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。
[0081]
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。
[0082]
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。即卡方值小于临界
值时去除该特征值，卡方值大于临界值时保留该特征值，并按照二者差值大小排序，取前15个特征值进行下一步分析。
[0083]
步骤(s6)分类器模型训练：如图5所示。
[0084]
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。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。训练模型是为了区分减速器处于何种故障状态。
[0085]
步骤(s7)性能评估：
[0086]
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。其中，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；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；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。经检验四种模型都具有可靠的分类能力，适用于rv减速器的故障检测。
[0087]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

技术特征：
1.一种基于机器学习的机器人rv减速器故障检测方法，其特征在于：包括以下步骤：步骤(s1)实验设置：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；步骤(s2)数据采集：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；步骤(s3)数据预处理：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；步骤(s4)特征提取：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；步骤(s5)特征选择：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；步骤(s6)分类器模型训练：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；步骤(s7)性能评估：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。2.根据权利要求1所述的一种基于机器学习的机器人rv减速器故障检测方法，其特征在于：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。3.根据权利要求1所述的一种基于机器学习的机器人rv减速器故障检测方法，其特征在于：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。4.根据权利要求1所述的一种基于机器学习的机器人rv减速器故障检测方法，其特征在于：步骤(s4)中基于数据统计的特征包括电流的峰度和偏度。5.根据权利要求1所述的一种基于机器学习的机器人rv减速器故障检测方法，其特征在于：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。6.根据权利要求1所述的一种基于机器学习的机器人rv减速器故障检测方法，其特征在于：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：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；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；
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；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；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；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；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。7.根据权利要求6所述的一种基于机器学习的机器人rv减速器故障检测方法，其特征在于：步骤(s54)中对于一个r行c列的列联表，期望频数e(i,j)为：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。8.根据权利要求6所述的一种基于机器学习的机器人rv减速器故障检测方法，其特征在于：步骤(s55)中卡方值的计算公式为：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。9.根据权利要求1所述的一种基于机器学习的机器人rv减速器故障检测方法，其特征在于：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。10.根据权利要求1所述的一种基于机器学习的机器人rv减速器故障检测方法，其特征在于：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；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；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。

技术总结
本发明涉及RV减速器故障检测技术领域，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，包括以下步骤：步骤(S1)实验设置搭建实验平台，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；步骤(S2)数据采集；步骤(S3)数据预处理；步骤(S4)特征提取；步骤(S5)特征选择；步骤(S6)分类器模型训练；步骤(S7)性能评估。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，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。或外部振动影响带来的故障误差。或外部振动影响带来的故障误差。


技术研发人员：许德章 赵剑飞 肖永强 朱孟 李公文 邓启超 江本赤 梁利东 方明
受保护的技术使用者：芜湖安普机器人产业技术研究院有限公司
技术研发日：2023.04.13
技术公布日：2023/8/14