一种基于中值神经网络的工业机器人故障模式识别方法技术

本发明专利技术公开了一种基于中值神经网络的工业机器人故障模式识别方法，包括获取各种故障模式对应的振动信号，建立故障模式训练数据集；利用中值神经元与粒子群算法构建模式识别网络模型；根据所述故障模式训练数据集对所述模式识别网络模型进行训练；采集重载机器人的实时振动信号，根据所述实时振动信号及训练完备后的模式识别网络模型，判断重载机器人是否发生故障及发生的故障类型。本发明专利技术提出的技术方案的有益效果是：针对恶劣工况下重载机器人的故障特点，构建一种新的中值神经网络模型，该模型采用了不受异常值影响的中值神经元，采用中位数和乘法函数用作聚合函数作为聚合函数，提高故障模式识别的速度与精度。提高故障模式识别的速度与精度。提高故障模式识别的速度与精度。

【技术实现步骤摘要】
一种基于中值神经网络的工业机器人故障模式识别方法


[0001]本专利技术涉及工业机器人故障检测
，尤其是涉及一种基于中值神经网络的工业机器人故障模式识别方法。

技术介绍

[0002]重载工业机器人具有重复精度高，运行速度快，负载能力大，通用性高的显著特征。目前，重载工业器人已广泛应用于重型机械制造业，汽车制造业，码垛物流，能源行业，冶金行业等多个重要行业领域。
[0003]随着中国智能制造2025的开展建设，中国已经成为世界装备制造业的中心，劳动力需求日益增长，众多制造类企业出现了用工荒现象，人力成本不断上升。且随着新劳动法的颁布，国家越来越关注人员的安全生产和安全防护问题，一些生产作业环境恶劣的场所，开始大规模应用工业机器人替代人工操作。工业机器人是一种多学科综合技术融为一体的先进智能装备，其具有的喷涂、焊接、搬运等功能，可在汽车喷涂、焊接等恶劣环境下连续工作，对提高制造业的智能化程度具有非常重要的意义。当前应用了机器人的企业自动化程度特别高，保证工业生产不停止是智能化企业生存及保持经济增长的最基本要求，目前工业机器人的故障诊断本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于中值神经网络的工业机器人故障模式识别方法，其特征在于，包括如下步骤：S1、获取各种故障模式对应的振动信号，建立故障模式训练数据集；S2、利用中值神经元与粒子群算法构建模式识别网络模型；S3、根据所述故障模式训练数据集对所述模式识别网络模型进行训练；S4、采集重载机器人的实时振动信号，根据所述实时振动信号及训练完备后的模式识别网络模型，判断重载机器人是否发生故障及发生的故障类型。2.根据权利要求1所述的基于中值神经网络的工业机器人故障模式识别方法，其特征在于，所述步骤S1中，获取各种故障模式对应的振动信号，建立故障模式训练数据集，具体包括：S11、获取各种故障模式下，重载机器人关键部位的原始振动信号；S12、对各个所述原始振动信号进行降噪处理；S13、对各个降噪后的振动信号进行归一化处理得到若干个输入向量，若干个输入向量构成训练数据集。3.根据权利要求2所述的基于中值神经网络的工业机器人故障模式识别方法，其特征在于，所述步骤S12中，对各个所述原始振动信号进行降噪处理具体为：配置陷波滤波器的中心频率，将各个所述原始振动信号通过配置后的陷波滤波器进行降噪处理。4.根据权利要求3所述的基于中值神经网络的工业机器人故障模式识别方法，其特征在于，配置陷波滤波器的中心频率的步骤具体包括：S121、获取重载机器人各个轴的轴惯量，根据各个轴的轴惯量计算出各关节等效惯量J
arm
；S122、通过扭转刚度测量装置测定重载机器人细分组合关节角下的不同扭转刚度值k；S123、根据公式计算可得各关节的共振频率，根据各关节的共振频率配置陷波滤波器的中心频率。5.根据权利要求1所述的基于中值神经网络的工业机器人故障模式识别方法，其特征在于，所述步骤S2中，构建模式识别网络模型具体为：用中位数和乘法函数用作聚合函数，在网络输入模式中含有异常或故障特征值的前提下，与粒子群反向传播算法结合，构建模式识别网络模型。6.根据权利要求1所述的基于中值神经网络的工业机器人故障模式识别方法，其特征在于，所述步骤S3中，根据所述故障模式训练数据集对所述模式识别网络模型进行训练，具体包括如下步骤：S31、将输入向量导入模式识别网络模型的输入层；S32、根据隐含层与输出层间神经元的权重以及所述输入向量，得到隐含层中各个神经元的净输入值；S33、根据输入向量，获取隐含层的节点输出；S34、根据隐含层中各个神经元的净输入值以及隐含层的节点输出，得到输出层的节点输出；S35、将输出层的节点输出与期望输出...

【专利技术属性】
技术研发人员：谢长贵，王重阳，马琼，郭彬路，何鑫，庹鹏程，
申请(专利权)人：重庆工程职业技术学院，
类型：发明
国别省市：