【技术实现步骤摘要】
基于混合深度神经网络的谐波减速器功率实时预测方法及系统
本专利技术涉及谐波减速器的
，具体地，涉及一种基于混合深度神经网络的谐波减速器功率实时预测方法及系统。
技术介绍
谐波减速器作为工业机器人的核心部件之一，具有传动效率高、传动精度高、单机传动比大、体积小、承载能力强等显著优点，广泛的应用于工业机器人领域。由于谐波减速器主要起着降低输出转速、增大输出扭矩的作用，其性能的好坏直接关系到工业机器人的定位精度和健康状态。谐波减速器的功率信号是表征谐波减速器运行状态的重要参数之一。在长时间的负载工作下，谐波减速器的性能出现退化，因此，实时准确的预测谐波减速器功率，对于降低其突然失效造成的损失、提高工业机器人性能及使用寿命有着指导性意义。目前，针对谐波减速器故障检测与性能预测的研究中，大多数都是通过理论公式来计算谐波减速器的性能衰退过程，但这些理论公式往往依赖于预设的条件，其准确性和实用性仍有待提升。同时，工业机械臂大多数作循环往复式动作，各关节负载分布及参数变化呈非线性，如何有效利用谐波减速器衰退数据对其进行...
【技术保护点】
1.一种基于混合深度神经网络的谐波减速器功率实时预测方法，其特征在于，包括：/n步骤S1：搭建谐波减速器加速寿命试验平台，采集谐波减速器处于正常运行状态下的运行及监测参数；/n步骤S2：基于采集到的谐波减速器运行及监测参数构造数据集，并对数据集进行预处理，得到预处理后的数据集；/n步骤S3：将预处理后的数据集按照预设比例划分为训练集、验证集和测试集；/n步骤S4：利用训练集训练混合深度神经网络并得到对应的权重与偏置，得到训练好的混合深度神经网络；/n步骤S5：利用训练好的混合深度神经网络预测验证集的功率信号，计算验证集数据的预测误差，当预测误差未满足预设要求时，调整训练好的...
【技术特征摘要】 【专利技术属性】
1.一种基于混合深度神经网络的谐波减速器功率实时预测方法，其特征在于，包括：
步骤S1：搭建谐波减速器加速寿命试验平台，采集谐波减速器处于正常运行状态下的运行及监测参数；
步骤S2：基于采集到的谐波减速器运行及监测参数构造数据集，并对数据集进行预处理，得到预处理后的数据集；
步骤S3：将预处理后的数据集按照预设比例划分为训练集、验证集和测试集；
步骤S4：利用训练集训练混合深度神经网络并得到对应的权重与偏置，得到训练好的混合深度神经网络；
步骤S5：利用训练好的混合深度神经网络预测验证集的功率信号，计算验证集数据的预测误差，当预测误差未满足预设要求时，调整训练好的混合深度神经网络的超参数，直至预测误差满足预设要求，保存当前调整后训练好的混合深度神经网络；
步骤S6：将对应测试集数据输入调整后训练好的混合深度神经网络，对下一时刻功率信号进行预测。
2.根据权利要求1所述的基于混合深度神经网络的谐波减速器功率实时预测方法，其特征在于，所述采集谐波减速器处于正常运行状态下的运行及监测参数包括：变频电机、磁粉制动器以及传感器的运行及监测参数；
所述运行及监测参数包括：输入扭矩转速、温度、X轴、Y轴以及Z轴三个方向加速度、输出扭矩转速以及功率信号。
3.根据权利要求1所述的基于混合深度神经网络的谐波减速器功率实时预测方法，其特征在于，所述步骤S2中对数据集进行预处理包括：使用最大最小规范化方法对数据集进行归一化处理，得到预处理后的数据集。
4.根据权利要求1所述的基于混合深度神经网络的谐波减速器功率实时预测方法，其特征在于，所述混合深度神经网络包括：利用卷积神经网络分支和双向长短期记忆神经网络分支分别提取状态监测数据的空间特征和双向时序依赖特征，并将卷积神经网络和双向长短期记忆神经网络的输出连接起来，经过预设层的全连接层网络，得到混合深度神经网络的输出结果；
所述卷积神经网络分支包括预设层CNN卷积层、预设层最大池化操作层以及预设层扁平化操作层；所述卷积神经网络用来过滤输入数据的噪声和提取监测数据的空间特征；
所述双向长短期记忆神经网络分支包括预设层BiLSTM层堆叠，所述BiLSTM层在训练混合深度神经网络时避免梯度消失和梯度爆炸，同时提取监测数据的时序特征。
5.根据权利要求4所述的基于混合深度神经网络的谐波减速器功率实时预测方法，其特征在于，所述步骤S4包括：初始化混合深度神经网络中包括CNN卷积层、BiLSTM层以及全连接层的参数，使用随机梯度下降Adam算法优化混合深度神经网络权重参数以及偏置，直至损失函数最小。
技术研发人员：陶建峰，李彬，覃程锦，刘成良，丁浩伦，余宏淦，
申请(专利权)人：上海交通大学，上海智能制造功能平台有限公司，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。