System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种工业机器人旋转部件剩余使用寿命预测方法技术_技高网

一种工业机器人旋转部件剩余使用寿命预测方法技术

技术编号:41348514 阅读:2 留言:0更新日期:2024-05-20 10:03
本发明专利技术涉及工业机器诊断技术领域,具体涉及一种工业机器人旋转部件剩余使用寿命预测方法,卷积自编码器基于训练集构建健康指标;通过Wiener过程对健康指标进行退化建模,得到预测结果;基于测试集和预测结果得到卷积自编码器的最优参数和所提取健康指标的故障阈值。本发明专利技术将海量数据下的使用深度学习的方法实现HI提取和使用统计模型实现退化建模以及RUL预测视为一个交互联动的过程,设计出了一种数模交互联动的闭环反馈机制。结合了深度学习处理海量数据的优势和随机退化模型量化不确定性的优势,从而有效提升工业机器人旋转部件RUL预测的准确率,从而解决了现有的使用寿命预测方法预测精度较低的问题。

【技术实现步骤摘要】

本专利技术涉及工业机器诊断,尤其涉及一种工业机器人旋转部件剩余使用寿命预测方法


技术介绍

1、工业机器人旋转部件具有结构复杂、运行环境随机化等特点,不可避免地会增加其运行时的故障风险,从而可能导致重大的安全问题和经济损失。

2、近年来,故障预测与健康管理(prognosis and health management,phm)已成为提高工业机器人旋转部件运行可靠性和避免事故发生的有效途径,而剩余使用寿命(remaining useful life,rul)的预测便是其核心环节。从广义上讲,现有的rul预测数据驱动方法可分为两类:统计数据驱动方法和基于机器学习的方法。前者主要是利用统计模型拟合系统性能退化演化过程,并推导出rul的概率分布,以wiener过程尤为常用。后者中尤其是深度学习的方法,能从海量数据中自动提取深度特征,在rul预测领域受到了广泛关注。因此,利用深度学习的方法构建健康指标(health indicator,hi),利用统计模型来进行退化建模实现rul预测便成为当今工业机器人旋转部件rul预测领域内的主流方法。胡昌华等提出一种基于dbn和扩散过程的rul预测模型,首次将大数据处理和不确定性反映同时考虑来进行rul预测,同时也是将深度学习构建hi以及使用统计模型实现退化建模并进行rul预测的典型案例。(hu ch,pei h,si xs,du db,pang zn,wang x.a prognostic modelbased on dbn and diffusion process for degrading bearing.ieee trans indelectron 2020;67(10):8767–77.)。

3、然而,该研究对于深度学习hi构建和统计模型退化建模预测两个阶段是分别独立的过程。这种不交互的策略不能保证所提取的hi与所采用的退化模型相匹配,而且会降低预测精度。


技术实现思路

1、本专利技术的目的在于提供一种工业机器人旋转部件剩余使用寿命预测方法,旨在解决现有的使用寿命预测方法预测精度较低的问题。

2、为实现上述目的,本专利技术提供了一种工业机器人旋转部件剩余使用寿命预测方法,包括以下步骤:

3、对原始数据进行预处理,得到训练集和测试集;

4、卷积自编码器基于所述训练集构建健康指标;

5、通过wiener过程对所述健康指标进行退化建模,得到预测结果;

6、基于所述测试集和所述预测结果得到卷积自编码器的最优参数和所提取健康指标的故障阈值。

7、其中,所述对原始数据进行预处理,得到训练接和测试集,包括:

8、对原始数据进行特诊选择,并构建特诊序列;

9、对所述特诊序列进行标准化和归一化处理后划分训练接和测试集。

10、其中,所述卷积自编码器基于所述训练集构建健康指标,包括:

11、构建卷积自编码器网络,并初始化所述卷积自编码器参数;

12、初始化后的所述初始化所述卷积自编码器参数基于所述训练集输出健康指标。

13、其中,所述通过wiener过程对所述健康指标进行退化建模,得到预测结果,包括:

14、使用wiener过程对所述健康指标进行建模,得到退化模型;

15、通过所述退化模型进行参数估计,得到预测结果。

16、其中,所述基于所述测试集和所述预测结果得到卷积自编码器的最优参数和所提取健康指标的故障阈值,包括:

17、基于所述预测结果建立数模交互联动模型;

18、将所述测试集输入所述数模交互联动模型,得到卷积自编码器的最优参数和所提取健康指标的故障阈值。

19、本专利技术的一种工业机器人旋转部件剩余使用寿命预测方法,对原始数据进行预处理,得到训练集和测试集;卷积自编码器基于所述训练集构建健康指标;通过wiener过程对所述健康指标进行退化建模,得到预测结果;基于所述测试集和所述预测结果得到卷积自编码器的最优参数和所提取健康指标的故障阈值。本专利技术将海量数据下的使用深度学习的方法实现hi提取和使用统计模型实现退化建模以及rul预测视为一个交互联动的过程,设计出了一种数模交互联动的闭环反馈机制。结合了深度学习处理海量数据的优势和随机退化模型量化不确定性的优势,从而有效提升工业机器人旋转部件rul预测的准确率,从而解决了现有的使用寿命预测方法预测精度较低的问题。

本文档来自技高网...

【技术保护点】

1.一种工业机器人旋转部件剩余使用寿命预测方法,其特征在于,包括以下步骤:

2.如权利要求1所述的一种工业机器人旋转部件剩余使用寿命预测方法,其特征在于,

3.如权利要求2所述的一种工业机器人旋转部件剩余使用寿命预测方法,其特征在于,

4.如权利要求3所述的一种工业机器人旋转部件剩余使用寿命预测方法,其特征在于,

5.如权利要求4所述的一种工业机器人旋转部件剩余使用寿命预测方法,其特征在于,

【技术特征摘要】

1.一种工业机器人旋转部件剩余使用寿命预测方法,其特征在于,包括以下步骤:

2.如权利要求1所述的一种工业机器人旋转部件剩余使用寿命预测方法,其特征在于,

3.如权利要求2所述的一种工业机器人旋转部...

【专利技术属性】
技术研发人员:汪友唯莫朝凤刘桠汪诗皓范秋垒罗荣庹奎韩堃
申请(专利权)人:重庆智能机器人研究院
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1