[發明專利]基于混合深度神經網絡的諧波減速器功率實時預測方法及系統

在審

• 申請號: 202110672801.2
• 申請日: 2021-06-17
• 公開（公告）號: CN113297704A
• 公開（公告）日: 2021-08-24
• 發明（設計）人: 陶建峰;李彬;覃程錦;劉成良;丁浩倫;余宏淦
• 申請（專利權）人: 上海交通大學;上海智能制造功能平臺有限公司
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06N3/04;G06N3/063;G06N3/08
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 胡晶

本發明提供了一種基于混合深度神經網絡的諧波減速器功率實時預測方法及系統，包括：搭建諧波減速器加速壽命試驗平臺，采集諧波減速器的運行及監測參數；基于采集到的運行及監測參數構造數據集，并對數據集進行預處理；將預處理后的數據集按照預設比例劃分為訓練集、驗證集和測試集；利用訓練集訓練混合深度神經網絡，得到訓練后的混合深度神經網絡；利用訓練后的混合深度神經網絡預測驗證集的功率信號，計算驗證集數據的預測誤差，當預測誤差未滿足預設要求時，調整訓練后的混合深度神經網絡的超參數，直至預測誤差滿足預設要求；將對應測試集數據輸入調整后訓練好的混合深度神經網絡，對下一時刻功率信號進行預測。

技術領域

本發明涉及諧波減速器的技術領域，具體地，涉及一種基于混合深度神經網絡的諧波減速器功率實時預測方法及系統。

背景技術

諧波減速器作為工業機器人的核心部件之一，具有傳動效率高、傳動精度高、單機傳動比大、體積小、承載能力強等顯著優點，廣泛的應用于工業機器人領域。由于諧波減速器主要起著降低輸出轉速、增大輸出扭矩的作用，其性能的好壞直接關系到工業機器人的定位精度和健康狀態。諧波減速器的功率信號是表征諧波減速器運行狀態的重要參數之一。在長時間的負載工作下，諧波減速器的性能出現退化，因此，實時準確的預測諧波減速器功率，對于降低其突然失效造成的損失、提高工業機器人性能及使用壽命有著指導性意義。

目前，針對諧波減速器故障檢測與性能預測的研究中，大多數都是通過理論公式來計算諧波減速器的性能衰退過程，但這些理論公式往往依賴于預設的條件，其準確性和實用性仍有待提升。同時，工業機械臂大多數作循環往復式動作，各關節負載分布及參數變化呈非線性，如何有效利用諧波減速器衰退數據對其進行準確可靠的故障檢測與性能預測，已經成為亟待解決的問題。針對上述問題以及諧波減速器性能預測相關研究工作的不足，提出了基于CNN和BiLSTM的混合深層神經網絡(DCBNN)，利用加速壽命實驗采集到的諧波減速器運行和狀態參數來準確預測諧波減速器的運行功率。首先，該模型第一分支利用卷積神經網絡對狀態監測數據的空間特征進行提取，同時另一分支利用兩層BiLSTM來有效提取狀態監測數據的時序特征，CNN和BiLSTM的組合可以有效提取狀態監測數據的深度時空變化特征且緩解梯度消失的問題，從而提高功率預測準確性和穩定性。最后利用諧波減速器加速壽命實驗數據集驗證了所提方法的有效性。

發明內容

針對現有技術中的缺陷，本發明的目的是提供一種基于混合深度神經網絡的諧波減速器功率實時預測方法及系統。

根據本發明提供的一種基于混合深度神經網絡的諧波減速器功率實時預測方法，包括：

步驟S1：搭建諧波減速器加速壽命試驗平臺，采集諧波減速器處于正常運行狀態下的運行及監測參數；

步驟S2：基于采集到的諧波減速器運行及監測參數構造數據集，并對數據集進行預處理，得到預處理后的數據集；

步驟S3：將預處理后的數據集按照預設比例劃分為訓練集、驗證集和測試集；

步驟S4：利用訓練集訓練混合深度神經網絡并得到對應的權重與偏置，得到訓練好的混合深度神經網絡；

步驟S5：利用訓練好的混合深度神經網絡預測驗證集的功率信號，計算驗證集數據的預測誤差，當預測誤差未滿足預設要求時，調整訓練后的混合深度神經網絡的超參數，直至預測誤差滿足預設要求，保存當前調整后訓練好的混合深度神經網絡；

步驟S6：將對應測試集數據輸入調整后訓練好的混合深度神經網絡，對下一時刻功率信號進行預測。

優選地，所述采集諧波減速器處于正常運行狀態下的運行及監測參數包括：變頻電機、磁粉制動器以及傳感器的運行及監測參數；

所述運行及監測參數包括：輸入扭矩轉速、溫度、X軸、Y軸以及Z軸三個方向加速度、輸出扭矩轉速以及功率信號。