匹配压缩脊线提取在齿轮箱故障诊断中的应用

匹配解调技术是一种新的时频分析方法,在处理非平稳信号的时频特性方面,具有较高的时频分辨率。基于此技术,提出了匹配压缩脊线提取技术用于旋转机械非平稳工况下的故障检测。结合匹配解调技术与同步压缩技术,从多分量信号频谱中提取基频;同时提出旋转算子滤波技术与包络线滤波技术,移除强能量分量信号,得到弱能量分量信号的脊线。运用此方法,当基频能量非最大且故障信号能量较小时,能同时提取基频与故障特征信号。仿真分析和实例分析表明,该方法优于一般的脊线提取方法。将该方法应用于行星齿轮箱上,可有效提取故障特征分量,并与基频进行较为直观的比较。此方法可用于变转速工况下行星齿轮箱的故障诊断。     

融合多传感器的工业机器人故障信息采集系统

由于工业机器人在频繁的运行中受到各种摩擦、振动、温度变化以及负载作用的影响,从而使设备出现故障的概率大大提升。为了更加全面掌握工业机器人的运行状态,采用ZigBee无线传输技术设计了融合多传感器的工业机器人故障信息采集系统。采集节点读取振动传感器、电机转速传感器和温度传感器采集的数据获取工业机器人不同部位的工况信息,然后通过ZigBee无线模块发送到接收装置。接收装置将工业机器人的运行状态信息进行解析,并将提取出来的特征信息与故障特征进行比对,从而对工业机器人进行故障诊断和预测。     

RV减速器协同可靠性试验信息系统开发

RV减速器是机器人关节驱动装置,其精度和可靠性决定了工业机器人的运动精度及可靠性。为获取RV减速器可靠性分析数据,并保障原始信息及数据本身的可信性,结合网络及数据库技术,构建面向厂校协同可靠性现场试验平台,开发出数据采集的信息系统。系统中,多方用户实现从故障信息采集到信息分析处理再到改进的协同过程,进而为实施建立减速机功能实现的可靠性模型和可靠性保障措施提供分析基础,为提高国产RV减速机的性能及可靠性提供科学依据。     

RV减速器故障诊断方法研究现状

RV减速器作为机器人及高精密传动系统等领域的核心部件,得到了广泛的应用。然而由于其内部复杂的结构组成、严峻的工作环境和复杂多变的工况,导致RV减速器出现故障的形式呈现多样性。为防止减速器的故障扩大化和避免经济损失,健康监测和故障诊断为RV减速器的运行提供了保障。对RV减速器的故障诊断方法进行了综述,详细介绍了国内外学者利用动力学模型分析、信号分析及其他分析对RV减速器进行故障诊断的方法,并整理了不同方法的差异。最后总结了RV减速器故障诊断方法的优缺点,并展望了需要进一步开展的研究方向。     

旋转机械转速波动检测及故障诊断

针对旋转机械运行转速波动导致信息获取及诊断决策困难问题,以非平稳信号的瞬时频率估计为切入点,结合快速路径优化算法进行非平稳信号的瞬时频率估计,以实现转速波动信息的准确获取。基于参数化时频分析理论的短时阶比原理,依据估计的振动信号瞬时频率变化函数构造匹配旋转算子,将转速波动信号的时频特征进行旋转,获得各时频窗内的短时阶次谱,进而完整保留转速波动信号的瞬态信息。仿真及实验结果表明,该方法可以准确提取出旋转机械转速波动工况下的状态信息及故障特征,为后续故障精密诊断奠定基础。     

轴承故障智能诊断专家系统的研究CSCD

为满足RV减速器轴承故障分析的需要,实现对轴承故障的智能诊断,提出了一种基于专家系统的轴承故障智能诊断方法。针对RV减速器轴承的特点,通过模拟实际工况进行试验,提取不同故障类型的特征数据,结合轴承故障判别依据以及先验知识,采用Visual Studio软件建立RV减速器轴承故障智能诊断专家系统,提高轴承故障类型的识别率以及故障位置、程度的诊断精度。通过试验对故障诊断推理模块、知识更新模块、知识库管理模块等功能模块进行了验证,保证了专家系统的可靠性。     

轴承故障智能诊断专家系统的研究

为满足RV减速器轴承故障分析的需要,实现对轴承故障的智能诊断,提出了一种基于专家系统的轴承故障智能诊断方法。针对RV减速器轴承的特点,通过模拟实际工况进行试验,提取不同故障类型的特征数据,结合轴承故障判别依据以及先验知识,采用Visual Studio软件建立RV减速器轴承故障智能诊断专家系统,提高轴承故障类型的识别率以及故障位置、程度的诊断精度。通过试验对故障诊断推理模块、知识更新模块、知识库管理模块等功能模块进行了验证,保证了专家系统的可靠性。     

阶次跟踪与改进小波阈值降噪的RV减速器故障诊断

针对RV减速器在进行摆动疲劳试验时采集到的振动信号存在振动源复杂,噪声影响强,非线性变换等特点,利用传统的傅里叶变换(fast fourier transform,FFT)分析时存在“频率模糊”现象,不能准确地提取故障磨损点。针对上述问题,提出了一种阶次跟踪分析结合改进小波阈值降噪方法对RV减速器在疲劳实验时采集到的振动信号进行故障特征提取。首先利用阶次跟踪方法对采集到的非平稳时域振动信号进行等角度域转化;再利用改进小波阈值降噪法对等角度域信号进行阈值降噪;对得到的降噪后的等角度域信号进行FFT变换,得到阶次图。对比传统的小波降噪分析结果,该方法可以有效地提取出RV减速器在摆动疲劳实验中内部零部件发生的故障信息,为变转速旋转机械的故障诊断提供了基础。     

基于MCSA和Fisher-SAE的RV减速器故障特征提取研究

针对RV减速器实际监测中振动传感器的安装空间和信号采集容易受到限制和干扰等问题,提出了一种基于电机电流信号分析,稀疏自编码和Fisher准则相结合的RV减速器故障特征提取方法。首先,将采集的驱动电机电流数据转换到频域,研究了不同超参数对稀疏自编码的特征提取能力的影响,利用优化参数后的稀疏自编码对频域信号自动提取故障特征;然后,利用Fisher准则对提取的特征的判别能力进行了降序排名,取排名前n个特征,得到了最优故障特征集;最后,结合SoftMax分类层,实现了对RV减速器的故障诊断;搭建了RV减速器故障实验台,采集了电机电流数据,对基于Fisher-SAE的方法进行了验证,并将其与其他典型机器学习故障诊断方法进行了对比。研究结果表明：该方法能够从RV减速器电机电流信号中提取出故障特征,并选择最有效的故障特征集,解决了振动信号的局限性以及运用电流信号进行故障诊断难以提取有效特征的问题;相比于其他典型机器学习故障诊断方法,该方法的诊断准确率提高了10%～20%,具有更好的诊断效率和准确性。     

基于信息融合子域适应的不同工况下谐波减速器故障诊断方法

针对工业机器人谐波减速器不同工况数据分布差异大,部分工况数据标签缺失以及单一传感器获取信息不全面,导致 诊断准确率不高的问题,提出一种信息融合子域适应的不同工况下谐波减速器故障诊断方法。 该方法将源域和目标域一维振 动数据利用小波变换构建时频图;使用基于小波变换的图像融合方法整合多个传感器的时频信息并构建融合图像;提出多表示 特征提取结构的改进残差网络以充分挖掘融合样本多表示特征,同时,在无监督场景下将源域和目标域融合样本的多表示特征 进行子域适应处理,减小两域的各个子域间的分布差异,从而将知识从标签丰富的源域迁移到标签缺失的目标域,最终实现不 同工况下谐波减速器的故障诊断。 通过搭建工业机器人谐波减速器故障实验台并进行实测,所提方法在所有迁移任务中平均 准确率可达 98. 8% ,能够有效实现无监督场景中不同工况下谐波减速器的故障诊断。     

The Development of gearless reducers with rolling balls

To satisfy the various demands such as no-backlash characteristic and so on, we have newly developed three types of no-backlash reducers: the cycloid ball reducer, the precession ball reducer and the reciprocating motion input type ball reducer. Especially, these reducers are developed for the robot joints. Also, these reducers are a kind of the constant velocity cam mechanisms with rolling balls; their inputs use eccentric motion, precession motion and reciprocating motion. The motion principle and the profile calculation method of each reducer are proposed, using the vector analysis.     

基于巡检机器人的电缆卷筒减速器故障诊断技术

针对传统电缆卷筒减速器故障诊断技术存在不同状态下的电缆卷筒减速器故障诊断误判率高的问题,提出基于巡检机器人的电缆卷筒减速器故障诊断技术。基于巡检机器人构建一个数据采集系统,利用该系统采集电缆卷筒减速器发出的振动信号数据;采用 KPCA 方法提取采集数据的特征,获得电缆卷筒减速器特征向量;将特征向量用作输入量输入到故障诊断模型中进行训练,训练期间对特征向量数据进行简化,以此提升故障诊断效率,依据输出的故障类型实现电缆卷筒减速器的故障诊断。实验结果表明,通过对该方法进行不同状态下的故障诊断误判率测试,验证了该方法的准确率高、实用性强。     

POVMD与包络阶次谱的变工况滚动轴承故障诊断

针对变转速滚动轴承故障特征提取较难的问题,提出一种基于参数优化变分模态分解(parameter optimized variational mode decomposition,简称POVMD)与包络阶次谱的变工况滚动轴承故障诊断方法。首先,采用POVMD对变转速滚动轴承振动信号进行分解,得到若干个本征模态函数之和;其次,对各个分量的时域信号进行角域重采样,将时变信号转化为平稳信号处理,再利用Hilbert变换估计重采样后的平稳信号的包络;最后,对得到的包络信号进行阶比分析,从谱图中读取故障特征信息。将POVMD方法与经验模态分解进行了对比,仿真信号分析结果表明了POVMD方法的优越性。将提出的变转速滚动轴承故障诊断方法应用于试验数据分析,分析结果表明,所提出的方法能够实现变转速滚动轴承的故障诊断,而且诊断效果优于现有方法。     

基于优化承载能力的RV减速器摆线齿轮齿廓的等距-移距修形

结合传统等距修形方法和移距修形方法,提出了一种基于优化承载能力的摆线轮齿廓的新型等距-移距组合修形方法。以工业机器人RV-40E减速器的摆线针轮为例,对其传动进行了力学分析,以最优承载能力为目标建立了摆线轮修形量搜寻数学模型,并采用格点法进行了优化,最终通过数值求解获得了等距-移距修形的摆线轮齿廓曲线。设计了摆线轮加工工艺,分别加工制造了等距-移距修形的摆线轮和作为对比验证的传统拟合转角修形摆线轮,并分别组装出RV减速器样机进行性能测试。试验结果表明:装有该等距-移距修形摆线轮的RV减速器的传动效率高达85%,相比于装有传统拟合转角修形摆线轮的RV减速器,该新型RV减速器在重载情况下的噪声和温升均显著降低,承载能力得到了明显提高。     

基于多源信息融合的往复式压缩机故障诊断方法

往复式压缩机结构复杂,振动激励源多,故障关联性较强,需要依靠多种类型的传感器所采集的信息来对往复式压缩机故障进行诊断。在融合往复式压缩机多种类型传感器采集的特征信息基础上,提出一种基于多源信息融合的往复式压缩机故障诊断方法,构建信息融合诊断框架。利用往复式压缩机多种类型传感器所采集的数据信息构建特征证据体,使用径向基神经网络对每个证据体进行初步诊断,根据加权证据融合理论融合各个证据体初步诊断结果,得到最终诊断结果。使用提出的方法对往复式压缩机3种工况的试验数据进行融合诊断,诊断结果表明：使用加权证据融合理论融合多源传感器信息的诊断结果可信度高,不确定性小,能够准确对往复式压缩机故障状态进行诊断识别。     

RV减速器传动系统动力学特性分析

为深入研究工业机器人用RV减速器动力学特性,采用集中参数法,综合考虑啮合阻尼、时变啮合刚度以及综合啮合误差,建立了RV传动耦合扭转动力学模型,通过数值解法对建立的动力学方程进行求解,得到其振动位移、振动角速度响应及各齿轮副动态啮合力。基于UG与ADAMS建立RV减速器动力学模型,进行仿真分析实验,验证动力学模型的正确性。通过改变啮合刚度分析了啮合力的变化,随着啮合刚度的增加,在一定范围内,传动过程中的啮合力更加稳定,为RV减速器的故障诊断和优化设计奠定基础。     

基于二次数据增强和深度卷积的滚动轴承故障诊断研究

滚动轴承是旋转机械的重要组成部件之一,及时准确地故障诊断在现代工业系统的可靠性和安全性中起着重要作用。然而现有故障诊断方法多是面向平衡数据集进行研究。针对实际工况下,正常样本丰富、故障样本少的类别失衡情形所导致的轴承故障诊断能力和泛化能力较差等问题,提出一种基于二次数据增强和深度卷积的故障诊断模型。该方法首先构造不同的数据集,研究类别不平衡情形对故障诊断性能的影响;其次,基于重采样方法将数据集重构为平衡数据集,并对其进行二次数据增强,提高样本点的利用率;然后,利用改进的深度一维卷积网络提取信号特征,对滚动轴承故障信息进行充分表征;最后结合集成学习投票分类思想进行故障分类与诊断。试验通过t-SNE及多种指标进行评估,同时与其他方法进行对比,结果表明,所提模型具有更高的诊断精度与诊断速度,鲁棒性与通用性较好,能够很好地适用于类不平衡情形下的滚动轴承故障诊断。     

运用小波包变换与能量算子的气阀故障特征提取

针对目前往复压缩机气阀故障诊断中存在的问题,提出了基于小波包变换与能量算子相结合的包络解调技术对其振动信号进行包络分析,解决了对信号包络解调前需要人为确定载波带对信号进行带通滤波的问题.并将其用于往复压缩机气阀的故障诊断,实例数据的分析表明,把包络信号的歪度值和峭度值作为特征指标较好地区分了气阀的不同故障,并且表现出抑噪特性.     

基于电压信号深度特征学习的谐波减速器健康状态识别

目前工业机器人谐波减速器健康状态识别多以振动信号为载体,需要外加测试系统,增加了数据获取难度及成本,且其准确性和有效性受传感器安装位置影响。基于此,提出基于电压信号深度特征学习的谐波减速器健康状态识别方法。利用工业机器人电机电压信号对谐波减速器健康状态进行表征,使用连续小波变换将电压信号转换成时频图以获得谐波减速器不同健康状态下电压信号的时频信息,构建出数据样本集。利用卷积神经网络对电压信号时频信息进行自学习,并有监督调整网络参数,在获得谐波减速器不同健康状态下电压信号深度特征的同时实现对其健康状态的识别。实验结果显示,所提方法识别准确率达到了90%以上,证明了该方法能够有效识别谐波减速器健康状态,并具有较好的泛化能力和稳健性。