基于过采样与迁移学习的谐波减速器故障诊断法方法研究

作     者：池海东 

作者单位：吉林大学 

学位级别：硕士

导师姓名：罗巍

授予年度：2023年

学科分类：08[工学] 080401[工学-精密仪器及机械] 080203[工学-机械设计及理论] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0838[工学-公安技术] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

主      题：谐波减速器 故障诊断 过采样 迁移学习 

摘      要：工业机器人是一种可自动控制的多关节机械装置,被广泛应用于机械加工、焊接、涂装等领域。谐波减速器是工业机器人机械结构的重要组成部分,负责工业机器人的运动传递,其精度退化或出现故障将会给企业的安全生产和经济效益造成巨大负面影响。因此开展谐波减速器的故障诊断对于提高工业机器人的可靠性与安全性具有重要意义。近年来,智能故障诊断方法因为其端到端的故障诊断模式受到了研究者们的广泛关注。但是,智能故障诊断模型取得良好诊断效果的前提是需要大量的标记数据训练。在实际工程中,设备通常以健康状态运行,很难获取大量满足训练要求的数据。因此开展依靠少量故障数据训练智能故障诊断模型,并使其获得较高的诊断精度的研究具有重要的生产实践意义。本文以谐波减速器为研究对象,结合过采样方法与迁移学习对谐波减速器进行故障诊断。围绕谐波减速器的故障机理、过采样方法以及迁移学习等方面开展研究,提升了诊断模型在数据不平衡条件下的诊断精度。本文开展的主要工作如下:1.开展了谐波减速器的故障机理分析。首先分析了谐波减速器的结构与工作原理。其次对谐波减速器的柔性轴承、刚轮与柔轮进行有限元仿真分析。通过有限元分析得出谐波减速器最易产生的故障模式为柔轮疲劳断裂、柔性轴承外圈疲劳断裂与刚轮轮齿折断。2.提出了一种自适应合成少数类的过采样方法(OTASMM)。首先,分析了原始振动信号在时域与时域-频域特征上的特点,从算法层面分析了现有过采样方法处理高维振动信号能力不足的底层逻辑。其次,提出了一种自适应合成少数类的过采样方法,相比于现有的过采样方法,可以更有效的生成高维振动数据。最后,以多层感知机(MLP)作为诊断模型,采用凯斯西楚大学轴承数据对OTASMM进行有效性验证。验证结果表明,相比于现有过采样方法,在不平衡率分别为300:10、300:20时,OTASMM生成的数据包含更多的有效特征,同时生成的数据质量更加稳定。3.提出了一种结合OTASMM与迁移学习的故障诊断方法。首先,基于卷积神经网络(CNN)和卷积注意力模块(CBAM)构建迁移学习的基本模型CBAM-CNN。其次,针对迁移学习的源域数据难以获取的问题,以OTASMM生成的合成数据作为迁移学习的源域数据诊断机器故障。最后,采用凯斯西楚大学轴承数据构建4组不同不平衡率的数据集验证所提故障诊断方法的有效性。诊断结果表明,相比于对照组,本文提出的结合OTASMM与迁移学习的故障诊断方法对不同数据集都具有最高的诊断精度。4.开展了基于过采样与迁移学习的谐波减速器故障诊断试验研究。首先,以仿真结果得出的谐波减速器故障模式为指导,制定了谐波减速器故障模拟试验方案,搭建了谐波减速器故障模拟试验台。然后,基于采集的原始振动数据构建4组不同不平衡率的数据集对基于OTASMM与迁移学习的故障诊断方法进行验证。验证结果表明,相比于对照组,结合OTASMM与迁移学习的诊断方法具有最高的诊断精度。