[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

说明书

本发明公开了一种基于中值神经网络的工业机器人故障模式识别方法，包括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；利用中值神经元与粒子群算法构建模式识别网络模型；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；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。本发明提出的技术方案的有益效果是：针对恶劣工况下重载机器人的故障特点，构建一种新的中值神经网络模型，该模型采用了不受异常值影响的中值神经元，采用中位数和乘法函数用作聚合函数作为聚合函数，提高故障模式识别的速度与精度。

技术领域

本发明涉及工业机器人故障检测技术领域，尤其是涉及一种基于中值神经网络的工业机器人故障模式识别方法。

背景技术

重载工业机器人具有重复精度高，运行速度快，负载能力大，通用性高的显著特征。目前，重载工业器人已广泛应用于重型机械制造业，汽车制造业，码垛物流，能源行业，冶金行业等多个重要行业领域。

随着中国智能制造2025的开展建设，中国已经成为世界装备制造业的中心，劳动力需求日益增长，众多制造类企业出现了用工荒现象，人力成本不断上升。且随着新劳动法的颁布，国家越来越关注人员的安全生产和安全防护问题，一些生产作业环境恶劣的场所，开始大规模应用工业机器人替代人工操作。工业机器人是一种多学科综合技术融为一体的先进智能装备，其具有的喷涂、焊接、搬运等功能，可在汽车喷涂、焊接等恶劣环境下连续工作，对提高制造业的智能化程度具有非常重要的意义。当前应用了机器人的企业自动化程度特别高，保证工业生产不停止是智能化企业生存及保持经济增长的最基本要求，目前工业机器人的故障诊断与维修主要依赖外部服务商的技术支持，这个过程需要大量的等待时间，即使外部服务商指派的技术人员到达企业现场，由于对机器人运行状态的数据不能全面详尽的掌握导致诊断速度和正确性降低，从而影响产品生产的速度，加剧了停工企业的损失。

由于重载机器人长时间重载工况下连续运行，关节等部位很容易因振动导致的机械疲劳故障而产生抖动的症状，再加上应用环境恶劣，现场噪声较大等特点，因此如何实现重载作业机器人平稳高精度运行是当前机器人研究的热点问题之一。此外，国产机器人本体面临“高速不抖、重载不趴”的严峻挑战，提升国产工业机器人的负载和精度是机器人适应大尺度构件加工所必须解决的技术难点。因此，以恶劣工况下典型大负载机器人为对象，从振源与振动频率分析入手，开展重载工业机器人可靠性提升基础理论和关键技术研究，具有十分重要的意义。

当前对重载工业机器人的故障诊断技术还不够成熟，诊断精度也不够高。由于工业机器人故障频谱伴随较强噪声，因此，通过传统人工神经网络模式对重载工业机器的故障类型识别率不高。

发明内容

有鉴于此，有必要提供一种基于中值神经网络的工业机器人故障模式识别方法，用以解决通过传统人工神经网络模式对重载工业机器的故障类型识别率不高的技术问题。

为了实现上述目的，本发明提供了一种基于中值神经网络的工业机器人故障模式识别方法，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。

在一些实施例中，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；