变初位数据增强和深度特征提取的工业机器人末端抖动状态识别

作     者：陈仁祥 谢文举 杨宝军 胡小林 潘升 CHEN Renxiang;XIE Wenju;YANG Baojun;HU Xiaolin;PAN Sheng

作者机构：重庆交通大学交通工程应用机器人重庆市工程实验室重庆400074 重庆华数机器人有限公司重庆400714 重庆工业大数据创新中心有限公司重庆400056 

出 版 物：《振动与冲击》 (Journal of Vibration and Shock)

年 卷 期：2023年第42卷第11期

页      面：199-206,251页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080202[工学-机械电子工程] 08[工学] 081104[工学-模式识别与智能系统] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(51975079) 国家重点研发项目(2018YFB1306601) 重庆市教委科学技术研究项目(KJZD-M202200701) 重庆交通大学硕士研究生科研创新项目(2021S0037) 

主　　题：工业机器人 抖动状态识别 数据增强 连续小波变换 卷积神经网络 

摘      要：针对实际工程中工业机器人末端抖动程度难以通过简单指标进行有效区分,且识别过程存在外部干扰大、抖动位置分布不均的问题,提出了变初位数据增强和深度特征提取的工业机器人末端抖动状态识别方法。利用陷波滤波器滤除工业机器人末端振动信号中的工频干扰,并通过均方根阈值搜索抖动位置及改变搜索初始位置数据增强的方式,获取充足且能展现工业机器人运动状态的末端抖动数据;采用连续小波变换对末端抖动数据进行分解以获得可充分保留末端抖动冲击与震荡特征的时频图;为缓解特征降维及工况变化的影响,运用去除池化层和添加批归一化的卷积神经网络,对时频图进行深度特征提取和分类,从而实现工业机器人末端抖动状态识别。试验结果表明,所提方法在不同传感器采集方向识别准确率均达到90%以上,证明了该方法能够有效识别工业机器人末端抖动状态,并具有较好的泛化性和稳定性。