基于DS-DBN多测点的工业机器人RV减速器故障诊断
基于DS-DBN多测点的工业机器人RV减速器故障诊断
储晓静，张文婷
江苏省连云港工贸高等职业技术学校，机电工程系，江苏连云港 222061
摘要：RV减速器在工业机器人得到广泛应用，直接影响到工业机器人运行效率和成本预算。为了提高减速器故障识别能力，融合DS证据理论和深度信念网络(DBN)设计了一种基于DS-DBN多测点的故障诊断方法，并开展实验测试验证。研究结果表明：经过30代训练后达到收敛状态，训练四个测点的DS-DBN故障诊断模型分类误差均小于5%，表明采用本文方法能够快速获得全局最优参数。相比较单点测试，通过DS证据理论完成测点故障诊断融合处理后，可以将故障诊断准确率提升至接近100%的程度。该研究有助于排斥工业机器人RV减速器隐藏的问题，提高使用寿命和经济成本。
关键词：工业机器人；RV减速器；故障诊断；多测点；深度信念网络；DS证据理论
中图分类号：TH16 文献标识码：A 文章编号：
Fault diagnosis of RV reducer for industrial robot based on DS-DBN multi-point measurement
Chu Xiaojing, Zhang Wenting
Department of Mechanical and Electrical Engineering, Lianyungang Higher Vocational and Technical School of Industry and Trade, Lianyungang 222061, China
Abstract: RV reducer is widely used in industrial robots, which directly affects the operating efficiency and cost budget of industrial robots. In order to improve the fault identification ability of reducer, a fault diagnosis method based on DS-DBN was designed by integrating DS evidence theory and deep belief network (DBN). The results show that the classification error of the DS-DBN fault diagnosis model is less than 5% after 30 generations of training, indicating that the proposed method can quickly obtain the global optimal parameters. Compared with the single point test, the fault diagnosis accuracy can be improved to nearly 100% after the fusion processing of the detection point fault diagnosis by DS evidence theory. The research helps to exclude hidden problems of industrial robot RV reducer, improve service life and economic cost.
Key words: Industrial robot; RV reducer; Fault diagnosis; Multiple measuring points; Deep belief network; DS evidence theory
0 引言
RV减速器在工业机器人得到广泛应用，其运行稳定性直接影响到动作效率[1]。随着信息处理技术的进步，机电控制设备的运行自动化水平也获得了明显提升，要求工业机器人运行检测和故障诊断满足更高的标准[2-3]。针对上述情况，需引入深度学习算法，从而更加准确诊断具有减速器的设备故障信号[4]。
深度信念网络（DBN）具有时变特性，可以实现故障诊断准确率的显著提升[8]。相关方面的研究吸引了很多的学者，取得了一定的研究成果。张智禹等[5]提出融合注意力机制的改进深度置信网络故障诊断方法，引进余弦损失函数降低网络拟合负担，有效提高变工况下齿轮箱故障诊断精度。陈仁祥等[6]提出基于深度置信网络迁移学习的齿轮箱故障诊断方法，利用少量目标标记样本微调DBN来体征网络权重,提高目标域样本故障识别准确率。魏乐等[7]将改进深度信念网络)引入故障诊断中提高算法泛化能力，并采用Adam优化器解决反向微调阶段随机梯度下降，提出模型收敛速度更快、分类效果更好。
本文针对工业机器人RV减速器展故障测试，设计了一种DS-DBN多测点方法，综合分析了该减速器运行过程产生的多种故障类型和作用形式，采用以上方法完成故障诊断。
1 本文算法
图1给出了以上方法对故障进行诊断的过程[8]。
图1 DS-DBN流程
采用DS证据理论进行融合诊断流程[9]：
（1）为故障识别设置系统架构
通过分析测试设备运行过程可能存在的故障类型建立对应的识别系统，在模型中的各项参数，计算混淆矩阵：
(1)
其中：cij表示实际故障种类i被误认为j的样本占i样本的比值，rij表示实际为i故障的样本被误认为j类故障的样本个数。
按照上述条件建立k维混淆矩阵Q。行向量ci表示在诊断故障类型i样本时对应的各类故障概率。列向量cj是各类故障样本被预测为j故障比例。
(2)
（2）以下是对测点实施可信度评价的函数表达式：
(3)
式中，Zδ表示具体测点的诊断准确率，τ表示测点总数，σ是在(0, 1)区间中的随机值。
（3）为测点概率分配函数进行初始赋值
建立式(4)的基本概率分配函数：
(4)
（4）模型融合诊断
考虑到算法存在证据冲突的情况，因此需要利用式5对各测点概率分配函数实施融合，再将经过融合处理的概率函数计算得到最终诊断参数[10]。
(5)
把处理结果输入DS-DBN故障诊断模型，计算得到初始故障诊断参数。
2 实验设计
为了验证本文方法的正确性，开展实验测试。工业机器人RV减速器试验台测试现场见图2所示，对减速器处于在不同状态下振动信号采集。选取Y160M2-8型减速器，共配备了4个测试点位，利用振动传感器采集齿振动信号，将测点依次设置在减速器连轴部、头部位置、尾部和底座。
图2 减速器试验台测试现场照片
测试周期为0.0001，采样频率为10kHz。故障振动频域信号测试结果见图3所示，可以明显发现减速器在不同状态下振动信号。齿轮箱处于不同运行工况下时得到的振动信号峰值和活跃范围内的频率存在明显区别。
图3 故障振动频域信号
3 减速器故障诊断性能测试
采用DS-DBN故障诊断模型经过不同次数训练分类结果，DS-DBN算法参数优化过程见图4所示。
由图4可以发现，训练测点分类误差的显著减小，到达后期阶段时，误差下降速率变的缓慢，最终达到收敛，经过30代训练后都达到了收敛状态。经训练后四个测点的DS-DBN故障诊断模型分类误差为2.07%、3.78%、3.96%、3.41%，均小于5%，表明采用本文改进DS证据理论能够快速获得全局最优参数。
图4 DS-DBN算法参数优化过程
本研究依次选择诊断准确率作为诊断性能判断指标，计算故障诊断准确率：
(6)
式中，n11表示正常运行下对故障识别的占比，fii表示正确识别状态的第i种故障状态占比，T1表示正常状态下样本总数，Ti表示第i种故障样本个数。
不同测点故障诊断结果见表1所示。由表1可以知道，相比较单点测试，通过DS证据理论完成测点故障诊断融合处理后，可以将正常状态、转子故障、定子故障的诊断准确率提升至接近100%的程度，对轴承故障的诊断准确率提高至99.5%以上。
表1 不同测点故障诊断结果
4 结论
本文开展基于DS-DBN多测点的工业机器人RV减速器故障诊断，取得如下有益结果：
1）经过30代训练达到收敛状态，训练四个测点的DS-DBN故障诊断模型分类误差均小于5%，表明采用本文方法能够快速获得全局最优参数。
2）相比较单点测试，通过DS证据理论完成测点故障诊断融合处理后，可以将故障诊断准确率提升至接近100%的程度。
参考文献
[1]刘志强, 龚廷恺, 陈萍, 等. 多尺度形态滤波在行星轮轴承故障诊断的应用[J]. 振动与冲击, 2023, 42(10): 103-111+187.
[2]于松鹤, 王亚楠, 路泽永, 等. 基于KPCA和PSO-SVM方法的齿轮裂纹故障信号诊断[J]. 机械设计与研究, 2023, 39(02): 95-98.
[3]周浩轩, 温广瑞, 黄鑫, 等. 多尺度复合稀疏的齿轮器复合故障诊断研究[J]. 振动.测试与诊断, 2023, 43(02): 215-222+404.
[4]王慧慧, 李超, 陈杰. 基于SSO优化VMD算法的齿轮器状态监测及故障诊断[J]. 机械设计与研究, 2022, 38(06): 90-93.
[5]张智禹, 尹爱军, 谭建. 融合注意力机制的改进DBN变工况齿轮箱故障诊断方法[J]. 振动与冲击, 2021, 40(14): 47-52.
[6]陈仁祥, 杨星, 胡小林, 等. 深度置信网络迁移学习的行星齿轮箱故障诊断方法[J]. 振动与冲击, 2021, 40(01): 127-133+150.
[7]魏乐, 张云娟. 基于改进深度信念网络的旋转机械故障诊断研究[J]. 华北电力大学学报(自然科学版), 2020, 47(06): 99-106.
[8] 吴小龙, 雷文平, 陈宏, 等. 具有多核结构的稀疏化DNN在轴承诊断中的应用[J]. 机械设计与制造, 2020(02): 248-251+255.
[9]杨涛, 袁荷伟, 宋丹丹, 等. DS-DBN多测点融合故障诊断及在电机上应用[J]. 机械设计与制造, 2023, 386(04): 101-104+109.
[10]夏飞, 孟娟, 杨平, 等. 改进D-S证据理论在振动故障诊断中的应用[J]. 电子测量与仪器学报, 2018, 32(07): 171-179.
作者简介：储晓静，女， 1983-，江苏连云港人，本科，讲师，主要从事机械制造方面研究。
基于DS-DBN多测点的工业机器人RV减速器故障诊断.doc
