[发明专利]一种基于中值神经网络的工业机器人故障模式识别方法

权利要求书

1.一种基于中值神经网络的工业机器人故障模式识别方法，其特征在于，包括如下步骤：

S1、获取各种故障模式对应的振动信号，建立故障模式训练数据集；

S2、利用中值神经元与粒子群算法构建模式识别网络模型；

S3、根据所述故障模式训练数据集对所述模式识别网络模型进行训练；

S4、采集重载机器人的实时振动信号，根据所述实时振动信号及训练完备后的模式识别网络模型，判断重载机器人是否发生故障及发生的故障类型。

2.根据权利要求1所述的基于中值神经网络的工业机器人故障模式识别方法，其特征在于，所述步骤S1中，获取各种故障模式对应的振动信号，建立故障模式训练数据集，具体包括：

S11、获取各种故障模式下，重载机器人关键部位的原始振动信号；

S12、对各个所述原始振动信号进行降噪处理；

S13、对各个降噪后的振动信号进行归一化处理得到若干个输入向量，若干个输入向量构成训练数据集。

3.根据权利要求2所述的基于中值神经网络的工业机器人故障模式识别方法，其特征在于，所述步骤S12中，对各个所述原始振动信号进行降噪处理具体为：配置陷波滤波器的中心频率，将各个所述原始振动信号通过配置后的陷波滤波器进行降噪处理。

4.根据权利要求3所述的基于中值神经网络的工业机器人故障模式识别方法，其特征在于，配置陷波滤波器的中心频率的步骤具体包括：

S121、获取重载机器人各个轴的轴惯量，根据各个轴的轴惯量计算出各关节等效惯量J_arm；

S122、通过扭转刚度测量装置测定重载机器人细分组合关节角下的不同扭转刚度值k；

S123、根据公式计算可得各关节的共振频率，根据各关节的共振频率配置陷波滤波器的中心频率。

5.根据权利要求1所述的基于中值神经网络的工业机器人故障模式识别方法，其特征在于，所述步骤S2中，构建模式识别网络模型具体为：

用中位数和乘法函数用作聚合函数，在网络输入模式中含有异常或故障特征值的前提下，与粒子群反向传播算法结合，构建模式识别网络模型。

6.根据权利要求1所述的基于中值神经网络的工业机器人故障模式识别方法，其特征在于，所述步骤S3中，根据所述故障模式训练数据集对所述模式识别网络模型进行训练，具体包括如下步骤：

S31、将输入向量导入模式识别网络模型的输入层；

S32、根据隐含层与输出层间神经元的权重以及所述输入向量，得到隐含层中各个神经元的净输入值；

S33、根据输入向量，获取隐含层的节点输出；

S34、根据隐含层中各个神经元的净输入值以及隐含层的节点输出，得到输出层的节点输出；

S35、将输出层的节点输出与期望输出进行比较，若不符合，则进入误差的反向传播阶段，反向传播阶段采用粒子群算法进行反向求导，进行梯度下降更新参数；

S36、重复步骤S31-S35，直到输出层的节点输出与期望输出符合，模型训练完成。

7.根据权利要求6所述的基于中值神经网络的工业机器人故障模式识别方法，其特征在于，所述步骤S32中，根据隐含层与输出层间神经元的权重以及所述输入向量，得到隐含层中各个神经元的净输入值，具体公式为：

X＝[x₁x₂…x_i…x_n]^T

W_j＝[w_j1w_j2…w_ji…w_jn]

其中，X为输入向量，x_i为输入向量的第i个数据，i为大于0的自然数，n为输入向量的数据个数，W_j为隐含层与输出层间第j个神经元的权重，w_ji为第i个数据在第j个神经元中对应的权重值，S_j为隐含层中第j个神经元的净输入值。