[發明專利]基于生成式對抗網絡的諧波減速器故障診斷方法及系統

有效

• 申請號: 202110520115.3
• 申請日: 2021-05-13
• 公開（公告）號: CN113408578B
• 公開（公告）日: 2022-10-25
• 發明（設計）人: 楊國;鐘勇;杜如虛
• 申請（專利權）人: 華南理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00;G06N3/04;G01M13/028
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 黃衛萍

本發明涉及基于生成式對抗網絡的諧波減速器故障診斷方法及系統，其方法包括步驟：S1、進行數據預處理，收集諧波減速器的振動加速度信號，提取原始信號特征，使用歸一化的數據構建原始數據集；S2、進行數據生成，通過利用多個生成式對抗網絡，生成多類故障數據；S3、進行數據選擇，利用數據選擇模塊過濾和純化生成數據，并進行篩選；S4、進行故障分類，組成新的平衡數據集，將多尺度卷積神經網絡作為分類器進行諧波減速器故障的多分類。本發明通過生成式對抗網絡生成諧波減速器的高質量故障數據，跟真實數據一起構建平衡數據集，使用多尺度卷積神經網絡進行故障診斷，從而實現數據不平衡條件下提升諧波減速器的多分類精度。

技術領域

本發明涉及工業機器人的故障診斷、在線監控技術領域，尤其涉及基于生成式對抗網絡的諧波減速器故障診斷方法及系統。

背景技術

諧波減速器由于具有高傳動比，無間隙，高緊湊性和輕巧性，良好的分辨率和出色的可重復性等優點而廣泛用于工業機器人中，以增加傳遞至一個軸端或從一個軸端傳遞的扭矩量。諧波減速器的復雜設計對制造和組裝誤差敏感，并且異常振動跟運行工況有關，即使很小的誤差也可能導致過度振動，從而損害機器人的性能。此外，諧波減速器是一個高度非線性的系統，通常與其他外部的機電系統耦合，因此振動信號通常表現出多尺度特性。最重要的是，諧波減速器的故障類型復雜多樣，故障信號難以收集，導致不同類型的健康狀態數據不平衡，從而對諧波減速器的診斷性能產生不利影響。

現有的諧波驅動器的故障診斷主要是由車間技術人員使用簡單的儀器來完成的，并且依賴于技術經驗，導致該決策是主觀的并且常常是不準確的。目前有關于諧波減速器狀態監測和故障診斷的相關研究很少，而且令人滿意的結果也很少。現有的文獻也只是研究諧波減速器的組成部件，例如減速齒輪和軸承，并非是針對整體的諧波減速器成品，因此難以反映整個諧波減速器的真實運行情況，且使用的是現有的時頻域分析方法，診斷效果有待提升。基于數據平衡的各類機器學習方法，雖然在滾子軸承等機械設備的故障診斷上能獲得較高的分類精度，但是必須擁有大量且均衡的各類型數據，因此，這并不適用于諧波減速器。

發明內容

為解決現有技術所存在的技術問題，本發明提供基于生成式對抗網絡的諧波減速器故障診斷方法及系統，通過生成式對抗網絡GAN生成大量各種類型的諧波減速器的高質量故障數據，生成的故障數據跟真實的數據一起構建平衡數據集，再使用多尺度卷積神經網絡MSCNN進行故障診斷，從而實現數據不平衡條件下提升諧波減速器的多分類精度。

本發明方法采用以下技術方案來實現：基于生成式對抗網絡的諧波減速器故障診斷方法，主要包括以下步驟：

S1、進行數據預處理，通過三個振動加速度傳感器收集諧波減速器的振動加速度信號，利用快速傅里葉變換FFT處理數據以提取原始信號的特征，使用歸一化的數據構建原始數據集；

S2、進行數據生成，利用卷積層和全連接層組成的生成式對抗網絡GAN增強故障數據，通過利用多個生成式對抗網絡GAN，生成多類故障數據；

S3、進行數據選擇，利用由數據過濾和數據純化組成的數據選擇模塊過濾和純化生成的數據，并對生成的數據進行篩選；

S4、進行故障分類，利用真實數據和生成的各種故障數據組成新的平衡數據集，將多尺度分解和卷積神經網絡CNN組成的多尺度卷積神經網絡MSCNN作為分類器進行諧波減速器故障的多分類。

本發明系統采用以下技術方案來實現：基于生成式對抗網絡的諧波減速器故障診斷系統，包括生成式對抗網絡GAN模型、生成故障數據模塊、工業場景模塊、收集真實數據模塊、本地數據庫模塊、遠程服務器、平衡數據集模塊、多尺度卷積神經網絡MSCNN模型以及故障診斷結果模塊；

離線診斷，生成式對抗網絡GAN模型與生成故障數據模塊連接，生成式對抗網絡GAN模型將生成的故障數據傳輸進入生成故障數據模塊；