基于多源信息融合的工业机器人减速器传动精度预测方法技术

本发明专利技术涉及基于多源信息融合的工业机器人减速器传动精度预测方法，属于工业机器人技术领域，谐波减速器作为工业机器人关节的核心部件，其传动性能的好坏直接影响着末端执行器的运动精度和位姿精度。本发明专利技术公开了一种基于多源信息融合的工业机器人减速器传动精度预测方法，该方法首先通过数据采集系统采集机械臂声发射、速度、加速度、位移、温度等信号，然后计算各类信号的时频特征，并将其作为输入参数进行深度神经网络训练，将训练好的传动精度预测模型结果采用D

【技术实现步骤摘要】
基于多源信息融合的工业机器人减速器传动精度预测方法


[0001]本专利技术属于工业机器人
，具体涉及基于多源信息融合的工业机器人减速器传动精度预测方法。

技术介绍

[0002]工业机器人因其工作效率高，稳定性强，可控性好，定位精确等优势在制造业等领域发挥重大作用，而减速器作为工业机器人的核心部件，其传动精度则直接影响到整台机器定位精度与作业精度。受装配间隙、材料性能、磨损故障等随机因素的影响，工业机器人减速器的传动精度不可避免地存在误差，严重影响工业机器人的工作性能并限制其在高精度领域的应用。因此，对工业机器人减速器的传动精度进行预测，方便及时调整修正，对保证产品质量和加工精度具有重要意义。
[0003]工业机器人传动系统在运动过程中，由于制造误差、关节老化、控制器误差等因素，工业机器人定位精度具有较大的不确定性。
[0004]因此，现阶段需设计基于多源信息融合的工业机器人减速器传动精度预测方法，来解决以上问题。

技术实现思路

[0005]本专利技术目的在于提供基于多源信息融合的工业机器人减速器传动精度预测方法，用于解决上述现有技术中存在的技术问题，工业机器人传动系统在运动过程中，由于制造误差、关节老化、控制器误差等因素，工业机器人定位精度具有较大的不确定性。
[0006]为实现上述目的，本专利技术的技术方案是：
[0007]基于多源信息融合的工业机器人减速器传动精度预测方法，包括以下步骤：
[0008]S1、通过加速度传感器和位移传感器实时监测机械臂的振动信号、速度信号、加速度信号、和位移信号，通过控制器内的传感器监测机械臂的转矩信号；
[0009]S2、提取振动信号、速度信号、加速度信号、位移信号、转矩信号的时频特征；
[0010]S3、根据工业机器人工作时的位置精度、传动精度建立基于深度神经网络的传动精度预测模型；
[0011]S4、通过深度神经网络的传动精度预测模型进行精度预测，将每种信号得到的结果作为D
‑
S证据理论的基本概率分配，对上述每种信号进行信息融合得到综合结果；
[0012]S5、通过训练好的传动精度预测模型进行预测，得到相应的预测结果；
[0013]S6、根据历史数据对传动精度预测模型进行修正和优化。
[0014]进一步的，步骤S2中，所述时频特征包括时域特征参数和频域特征参数；时域特征参数包括绝对平均值、均方根值和峰值，频域特征参数包括平均频率、重心频率和均方根频率。
[0015]进一步的，步骤S2中，
[0016]绝对平均值为
[0017]均方根值为
[0018]峰值为t3＝max(x
n
)；
[0019]平均频率为
[0020]重心频率为
[0021]均方根频率为
[0022]其中，x(n)为时域信号，f(n)为频域信号，p
n
(f)表示信号的功率谱，n＝1,2,...,N，N为样本点数。
[0023]进一步的，步骤S3中，将工业机器人工作时的目标位置按照不同的精度值进行划分，划分等级分别为高精度、中精度、低精度、不达标四个等级，其中精度值通过位移传感器测得实际值与目标值之间的差值得到；将上述步骤S2中的时频特征参数作为输入，精度等级作为输出，输出层选用Sigmoid函数；分别对每类信号的深度神经网络进行训练，将上述分类误差平方和作为衡量网络性能的指标，直至误差的平方和小于0.001时，完成深度神经网络的训练，得到基于深度神经网络的传动精度预测模型。
[0024]进一步的，步骤S4中，计算公式如下所示：
[0025][0026][0027]式中：m1(A1)、m2(A2、)
…
、m5(A5表示信任函数，表示对命题的信任程度。A1、A2、...、A5表示个证据中包含精度A的集合，K表示冲突因子，反映各证据之间的冲突大小。
[0028]基于多源信息融合的工业机器人减速器传动精度预测装置，所述工业机器人减速器传动精度预测装置采用如上述的基于多源信息融合的工业机器人减速器传动精度预测方法进行工业机器人减速器传动精度预测。
[0029]一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被运行时执行如上述的基于多源信息融合的工业机器人减速器传动精度预测方法。
[0030]与现有技术相比，本专利技术所具有的有益效果为：
[0031]本方案其中一个有益效果在于，本专利技术通过建立传动精度预测模型，将传动精度分为四个等级，提取不同类型信号数据的时频特征并作为输入，进行深度神经网络模型的训练，获取传动精度预测神经网络，将每种信号的预测结果进行D
‑
S证据理论决策融合，以
提升预测的可靠性，实现高精度、高效率、高可靠的精度预测。
附图说明
[0032]图1为基于多源信息融合的工业机器人减速器传动精度预测方法示意图。
具体实施方式
[0033]下面结合本专利技术的附图1，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0034]实施例：
[0035]工业机器人传动系统在运动过程中，由于制造误差、关节老化、控制器误差等因素，工业机器人定位精度具有较大的不确定性。
[0036]如图1所示，提出一种基于多源信息融合的工业机器人减速器传动精度预测方法，具体步骤如下：
[0037]步骤一：通过加速度传感器和位移传感器实时监测机械臂的振动信号、速度信号、加速度信号、和位移信号，通过控制器内的传感器监测机械臂的转矩信号。
[0038]步骤二：提取各类不同信号的时频特征，其中时域参数包括绝对平均值、均方根值和峰值，频域特征参数包括平均频率、重心频率和均方根频率，计算公式如表1所示。
[0039]表1时频特征参数计算公式
[0040][0041]表中x(n)为时域信号(如：声发射、加速度、速度信号等)，f(n)为频域信号，p
n
(f)表示信号的功率谱，n＝1,2,...,N，N为样本点数。
[0042]步骤三：正常情况下，工业机器人工作时的位置精度可以间接反映减速器的传动精度，因此，将工业机器人工作时的目标位置按照不同的精度值进行划分，划分等级分别为高精度(0.1～1mm)、中精度(1mm～5mm)、低精度(5mm～10mm)、不达标(>10mm)四个等级，其中精度值通过位移传感器测得实际值与目标值之间的差值得到。将上述步骤二中的时频参数作为输入，精度等级作为输出，输出层选用Sigmoid函数。分别对每类信号的深度神经网络进行训练，将上述分类误差平方和作为衡量网络性能的指标，直至误差的平方和小于
0.001时，完成深度神经网络的训练，得到基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多源信息融合的工业机器人减速器传动精度预测方法，其特征在于，包括以下步骤：S1、通过加速度传感器和位移传感器实时监测机械臂的振动信号、速度信号、加速度信号、和位移信号，通过控制器内的传感器监测机械臂的转矩信号；S2、提取振动信号、速度信号、加速度信号、位移信号、转矩信号的时频特征；S3、根据工业机器人工作时的位置精度、传动精度建立基于深度神经网络的传动精度预测模型；S4、通过深度神经网络的传动精度预测模型进行精度预测，将每种信号得到的结果作为D
‑
S证据理论的基本概率分配，对上述每种信号进行信息融合得到综合结果；S5、通过训练好的传动精度预测模型进行预测，得到相应的预测结果；S6、根据历史数据对传动精度预测模型进行修正和优化。2.如权利要求1所述的基于多源信息融合的工业机器人减速器传动精度预测方法，其特征在于，步骤S2中，所述时频特征包括时域特征参数和频域特征参数；时域特征参数包括绝对平均值、均方根值和峰值，频域特征参数包括平均频率、重心频率和均方根频率。3.如权利要求2所述的基于多源信息融合的工业机器人减速器传动精度预测方法，其特征在于，步骤S2中，绝对平均值为均方根值为峰值为t3＝max(x
n
)；平均频率为重心频率为均方根频率为其中，x(n)为时域信号，f(n)为频域信号，p
n
(f)表示信号的功率谱，n＝1,2,...,N，N为样本点数。4.如权利要求3所述的基于多源信息融合的工业机器人减速器传...

【专利技术属性】
技术研发人员：王家序，张新，张忠强，孟凡善，吴磊，何劲峰，赵艺珂，孙舰凯，杨涛，夏恒，
申请(专利权)人：重庆科技学院重庆奔腾科技发展有限公司，
类型：发明
国别省市：