基于生成式对抗网络的谐波减速器故障诊断方法及系统技术方案

本发明专利技术涉及基于生成式对抗网络的谐波减速器故障诊断方法及系统，其方法包括步骤：S1、进行数据预处理，收集谐波减速器的振动加速度信号，提取原始信号特征，使用归一化的数据构建原始数据集；S2、进行数据生成，通过利用多个生成式对抗网络，生成多类故障数据；S3、进行数据选择，利用数据选择模块过滤和纯化生成数据，并进行筛选；S4、进行故障分类，组成新的平衡数据集，将多尺度卷积神经网络作为分类器进行谐波减速器故障的多分类。本发明专利技术通过生成式对抗网络生成谐波减速器的高质量故障数据，跟真实数据一起构建平衡数据集，使用多尺度卷积神经网络进行故障诊断，从而实现数据不平衡条件下提升谐波减速器的多分类精度。件下提升谐波减速器的多分类精度。件下提升谐波减速器的多分类精度。

【技术实现步骤摘要】
基于生成式对抗网络的谐波减速器故障诊断方法及系统


[0001]本专利技术涉及工业机器人的故障诊断、在线监控
，尤其涉及基于生成式对抗网络的谐波减速器故障诊断方法及系统。

技术介绍

[0002]谐波减速器由于具有高传动比，无间隙，高紧凑性和轻巧性，良好的分辨率和出色的可重复性等优点而广泛用于工业机器人中，以增加传递至一个轴端或从一个轴端传递的扭矩量。谐波减速器的复杂设计对制造和组装误差敏感，并且异常振动跟运行工况有关，即使很小的误差也可能导致过度振动，从而损害机器人的性能。此外，谐波减速器是一个高度非线性的系统，通常与其他外部的机电系统耦合，因此振动信号通常表现出多尺度特性。最重要的是，谐波减速器的故障类型复杂多样，故障信号难以收集，导致不同类型的健康状态数据不平衡，从而对谐波减速器的诊断性能产生不利影响。
[0003]现有的谐波驱动器的故障诊断主要是由车间技术人员使用简单的仪器来完成的，并且依赖于技术经验，导致该决策是主观的并且常常是不准确的。目前有关于谐波减速器状态监测和故障诊断的相关研究很少，而且令人满意的结果也很少。现有的文献也只是研究谐波减速器的组成部件，例如减速齿轮和轴承，并非是针对整体的谐波减速器成品，因此难以反映整个谐波减速器的真实运行情况，且使用的是现有的时频域分析方法，诊断效果有待提升。基于数据平衡的各类机器学习方法，虽然在滚子轴承等机械设备的故障诊断上能获得较高的分类精度，但是必须拥有大量且均衡的各类型数据，因此，这并不适用于谐波减速器。

技术实现思路

[0004]为解决现有技术所存在的技术问题，本专利技术提供基于生成式对抗网络的谐波减速器故障诊断方法及系统，通过生成式对抗网络GAN生成大量各种类型的谐波减速器的高质量故障数据，生成的故障数据跟真实的数据一起构建平衡数据集，再使用多尺度卷积神经网络MSCNN进行故障诊断，从而实现数据不平衡条件下提升谐波减速器的多分类精度。
[0005]本专利技术方法采用以下技术方案来实现：基于生成式对抗网络的谐波减速器故障诊断方法，主要包括以下步骤：
[0006]S1、进行数据预处理，通过三个振动加速度传感器收集谐波减速器的振动加速度信号，利用快速傅里叶变换FFT处理数据以提取原始信号的特征，使用归一化的数据构建原始数据集；
[0007]S2、进行数据生成，利用卷积层和全连接层组成的生成式对抗网络GAN增强故障数据，通过利用多个生成式对抗网络GAN，生成多类故障数据；
[0008]S3、进行数据选择，利用由数据过滤和数据纯化组成的数据选择模块过滤和纯化生成的数据，并对生成的数据进行筛选；
[0009]S4、进行故障分类，利用真实数据和生成的各种故障数据组成新的平衡数据集，将
多尺度分解和卷积神经网络CNN组成的多尺度卷积神经网络MSCNN作为分类器进行谐波减速器故障的多分类。
[0010]本专利技术系统采用以下技术方案来实现：基于生成式对抗网络的谐波减速器故障诊断系统，包括生成式对抗网络GAN模型、生成故障数据模块、工业场景模块、收集真实数据模块、本地数据库模块、远程服务器、平衡数据集模块、多尺度卷积神经网络MSCNN模型以及故障诊断结果模块；
[0011]离线诊断，生成式对抗网络GAN模型与生成故障数据模块连接，生成式对抗网络GAN模型将生成的故障数据传输进入生成故障数据模块；
[0012]工业场景模块与收集真实数据模块连接，通过工业场景收集的真实数据传输进入收集真实数据模块，收集真实数据模块再通过无线连接将真实数据传输到本地数据库，将生成的故障数据和本地数据库中的真实数据组成新的平衡数据集输入平衡数据集模块，再通过多尺度卷积神经网络MSCNN模型，获取故障诊断结果；
[0013]在线诊断，工业场景模块与收集真实数据模块连接，通过有线网络连接将真实数据上传到远程服务器进行存储，再通过多尺度卷积神经网络MSCNN模型，获取故障诊断结果。
[0014]本专利技术与现有技术相比，具有如下优点和有益效果：
[0015]1、本专利技术通过生成式对抗网络GAN生成大量各种类型的谐波减速器的高质量故障数据，生成的故障数据跟真实的数据一起构建平衡数据集，再使用多尺度卷积神经网络MSCNN进行故障诊断，从而实现数据不平衡条件下提升谐波减速器的多分类精度。
[0016]2、本专利技术可用于解决各类故障样本的不足的问题，提高故障诊断的准确性。
[0017]3、本专利技术可应用于并扩展到风机变速箱，掘进机回转支承，飞机发动机机电执行器等不同的机械传动装置上，从而解决稀缺故障数据条件下的故障诊断问题。
附图说明
[0018]图1是本专利技术的方法流程图；
[0019]图2是本专利技术方法快速傅里叶变换FFT处理数据示意图；
[0020]图3是本专利技术试验台结构示意图；
[0021]图4是本专利技术方法的数据生成过程示意图；
[0022]图5是本专利技术方法多个生成器的网络结构示意图；
[0023]图6是本专利技术方法的数据选择过程示意图；
[0024]图7是本专利技术方法的故障分类过程示意图；
[0025]图8是本专利技术多尺度信号到每个位图输入的数据融合转换示意图；
[0026]图9是本专利技术系统结构示意图。
具体实施方式
[0027]下面结合实施例及附图对本专利技术作进一步详细的描述，但本专利技术的实施方式不限于此。
[0028]实施例
[0029]如图1所示，本实施例基于生成式对抗网络的谐波减速器故障诊断方法，主要包括
以下步骤：
[0030]S1、进行数据预处理，通过三个振动加速度传感器收集谐波减速器的振动加速度信号，利用快速傅里叶变换FFT处理数据以提取原始信号的特征，使用归一化的数据构建原始数据集以用于后续数据生成；
[0031]S2、进行数据生成，利用卷积层和全连接层组成的生成式对抗网络GAN增强各种稀缺的故障数据，通过利用多个生成式对抗网络GAN，生成多类故障数据；
[0032]S3、进行数据选择，利用由数据过滤和数据纯化组成的数据选择模块过滤和纯化生成的数据，对生成数据进行筛选，提高生成的数据的质量；
[0033]S4、进行故障分类，利用真实数据和生成的各种故障数据组成新的平衡数据集，将多尺度分解和卷积神经网络CNN组成的多尺度卷积神经网络MSCNN作为分类器进行谐波减速器故障的多分类。
[0034]如图2所示，本实施例中，步骤S1的具体实现过程如下：
[0035]S11、通过三个振动加速度传感器收集谐波减速器的振动加速度信号，利用移动固定的采样窗口，将振动加速度信号重新采样到原始数量的N倍，其中，N>1，且N为整数；
[0036]S12、利用快速傅里叶变换FFT提取重新采样的振动加速度信号的特征信息，形成原始数据集，用于后续数据生成和故障诊断；
[0037]S13、根据公式(1)和(2)对每个数据样本进行归一化，并转换为0～1区间，以加本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于生成式对抗网络的谐波减速器故障诊断方法，其特征在于，包括以下步骤：S1、进行数据预处理，通过三个振动加速度传感器收集谐波减速器的振动加速度信号，利用快速傅里叶变换FFT处理数据以提取原始信号的特征，使用归一化的数据构建原始数据集；S2、进行数据生成，利用卷积层和全连接层组成的生成式对抗网络GAN增强故障数据，通过利用多个生成式对抗网络GAN，生成多类故障数据；S3、进行数据选择，利用由数据过滤和数据纯化组成的数据选择模块过滤和纯化生成的数据，并对生成的数据进行筛选；S4、进行故障分类，利用真实数据和生成的各种故障数据组成新的平衡数据集，将多尺度分解和卷积神经网络CNN组成的多尺度卷积神经网络MSCNN作为分类器进行谐波减速器故障的多分类。2.根据权利要求1所述的基于生成式对抗网络的谐波减速器故障诊断方法，其特征在于，步骤S1的具体实现过程如下：S11、通过三个振动加速度传感器收集谐波减速器的振动加速度信号，利用移动固定的采样窗口，将振动加速度信号重新采样到原始数量的N倍；S12、利用快速傅里叶变换FFT提取重新采样的振动加速度信号的特征信息，形成原始数据集；S13、根据公式(1)和(2)对每个数据样本进行归一化，并转换为0～1区间，以加快训练网络的收敛速度，具体公式如下：网络的收敛速度，具体公式如下：其中，Result是像素值，Value是信号上的每个数据值，Range是信号的最大范围值，scaled value归一化后的数值。3.根据权利要求2所述的基于生成式对抗网络的谐波减速器故障诊断方法，其特征在于，步骤S11中三个振动加速度传感器均安装在谐波减速器的末端，传感器之间两两正交，分别安装在X、Y、Z三个相互正交的方向上。4.根据权利要求1所述的基于生成式对抗网络的谐波减速器故障诊断方法，其特征在于，步骤S2中每个生成式对抗网络GAN包括一个生成器和一个鉴别器，通过各生成一种类型的一维故障数据进行后续数据选择，并利用数据滚动和平均操作调整各种故障类型和不同故障类型数量生成的故障数据。5.根据权利要求1所述的基于生成式对抗网络的谐波减速器故障诊断方法，其特征在于，步骤S3的具体实现过程如下：S31、通过马氏距离过滤真实数据分布之外的原始数据，设真实数据中第γ小类别的样本为：S
γ
＝(S
γ_1
，S
γ_2
，
…
，S
γ_m
)γ＝(1,2，
…
，N)
其中，m为样本数；样本S
γ_i
(i＝(1,2，
…
，m))与数据集S
γ
之间的马氏距离可计算如下：...

【专利技术属性】
技术研发人员：杨国，钟勇，杜如虚，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：