基于视觉的工业机器人异常动作检测方法研究

工业机器人的突发故障引发的安全问题时有发生。传统的基于数据分析的故障诊断方法存在传感器数据易受干扰,机器人通讯协议不统一,监测系统嵌入在执行系统内部相互影响等问题。提出一种基于机器视觉的工业机器人故障动作检测方法。对工业机器人作业视频进行实时分析,采用图像分割技术分离工业机器人本体并采用图像哈希技术生成工业机器人姿态编码,结合序列模式分析技术检测工业机器人异常动作并进行预警。不依赖于工业机器人通讯协议,以非接触式的方式对工业机器人进行实时监控,具有易于部署和成本低的特点。基于自主构建的工业机器人仿真视频数据集进行了实验研究,结果表明提出的方法可准确识别工业机器人异常动作,精确率和召回率均为100%。     

卷积神经网络多变量过程特征学习与故障诊断

为提取复杂多变量过程的有效特征,提高故障诊断性能,提出一种基于卷积神经网络（convolutional neural network,CNN）特征学习的多变量过程故障诊断模型. 将高维过程信号归一化处理转为图像信号,多层卷积滤波器与子采样滤波器交替构成的轻量级CNN网络通过多个卷积核与图像进行卷积,采用本地连接和权重共享,滤除过程噪声和干扰信息,从而获得过程数据的高层抽象化表达. 通过Softmax层有监督的微调方式学习故障特征完成故障诊断. 利用以田纳西过程为代表的多变量非线性过程验证了模型的有效性,与经典分类器和近几年流行的深度神经网络进行对比, 结果表明:将高维过程信号转为图像信号输入CNN提高了多变量过程的故障诊断精度;通过t-SNE方法对模型提取的特征进行可视化分析,说明模型强大的特征提取能力;将模型提取的特征作为传统分类器的输入时,故障识别准确率显著提升,进一步说明有效的特征提取有利于提高故障诊断的准确度和可靠性;与无监督学习方式相比,模型通过标签能获取更有效、稳定和抽象化的数据特征.     

基于DRSN-CW和LSTM的轴承故障诊断

利用深度残差网络中逐通道不同阈值的残差收缩模块(DRSN-CW)的降噪能力和特征提取能力,结合长短时记忆网络(LSTM)和注意力机制,设计了一个端到端的基于振动信号的轴承故障诊断模型DRSNCW-LSTM。其中,LSTM模块很好地利用了信号的时序特点,充分提取振动信号的内部时域特征。同时,注意力机制的引入可以使得模型自动提取出重要的时域特征用于后续的故障类型识别。在凯斯西储大学(CWRU)数据集上对提出的模型进行了测试,实验表明提出的方法在无降噪处理的情况下,相比于最新的MCNN-LSTM模型能更准确地诊断轴承故障。在训练数据不足的情况下,提出的方法依旧能较好地实现轴承故障诊断,平均准确率能达到98.16%,比MCNN-LSTM平均提升了2.62%。     

基于模糊聚类的移动机器人并发故障诊断

移动机器人并发故障诊断技术大多将并发的多故障作为多种单故障组合状态处理,这样不仅需要为每种故障设计滤波器,且只能诊断特定的多故障组合.为了克服这些缺点,提出一种移动机器人多故障并发的故障诊断技术.根据移动机器人的运动模型,为每一种单故障状态设计一个对应的卡尔曼滤波器,用这些滤波器对移动机器人并发故障数据进行滤波.利用模糊聚类方法对滤波结果进行分类,根据移动机器人运行数据对不同单故障集合的隶属度诊断任意组合的并发故障.在三轮移动机器人Pioneer3上进行仿真实验,对14种常见的单故障和多故障并发的情况进行诊断,证明了该方法对轮式移动机器人并发故障诊断的有效性.     

RV减速器高应力加速退化试验及可靠性分析

针对工业机器人上使用的RV减速器寿命长且性能退化缓慢的特点,提出一种基于RV减速器高应力加速退化试验与传动精度退化模型建模的方法,对RV减速器可靠性进行评估。对RV减速器薄弱环节的强度进行校核,确定加速试验最大加载值;在该加载值下对3台RV减速器开展加速退化试验,获得加速条件下RV减速器传动精度退化量;根据RV减速器传动精度退化特性,使用样本数据分离的极大似然估计法,对每台减速器的传动精度展开退化轨迹建模;将Wiener退化模型中的初始性能退化量和漂移系数设为定值,获得扩散系数的变异系数,假设扩散系数服从正态分布,求得RV减速器可靠性。结果表明：高应力加速退化试验可为RV减速器可靠性分析提供切实可信的试验数据,节约试验时间及成本。基于加速退化试验和传动精度退化模型建模的求解RV减速器可靠性的方法,在体现个体差异的同时,实现了小样本条件下RV减速器的可靠性分析,并且能够准确计算出RV减速器的失效概率,对于提升工业机器人的工作性能具有重要意义。     

基于改进FCEM的工业机器人可靠性分配与预测

针对工业机器人在缺乏故障信息的研发初期开展可靠性分配和预测时存在的不确定性问题,基于模糊数学理论,采用考虑多影响因素的模糊综合评价法(FCEM)对工业机器人进行可靠性分配与预测。为提高FCEM的评估效率,建立了基于最优最劣法(BWM)的FCEM,以增加判断结果的一致性和减小主观错误发生的可能性。根据工业机器人的工作原理和结构组成,确定工业机器人的单元集以及影响工业机器人可靠性分配和预测的因素集。将BWM运用到FCEM的比较过程中,以确定影响工业机器人可靠性分配和预测的因素权重。通过模糊综合运算求得工业机器人各子系统可靠性分配权重和可靠性预测修正因子,以此对工业机器人进行可靠性分配和预测。     

基于孪生网络的协作机器人目标追踪

利用自身高速高精度的特点,协作机器人通过模仿人的创造性复杂动作来提高生产效率。当前协作机器人对人动作的模仿主要来自部署人员的长期调试,缺少通用的解决方案,无法快速部署。基于此,提出了一种无锚的基于RepVGG网络的孪生网络协作机器人目标跟踪算法。该算法由孪生网络模块、分类回归模块和机器人执行模块组成。孪生网络模块使用改进的RepVGG网络代替主流的ResNet作为骨干网络用于图片特征的提取,在不损失精度的前提下提高整个网络的运行速度,降低算法对硬件的要求,对专用深度学习芯片更加友好;分类回归模块通过引入中心度分支来提高跟踪框的中心点预测精度;机器人执行模块采用尺度惩罚和宽高比惩罚以平滑跟踪框,保证协作机器人的动作流畅。实验结果表明,平均速率相比替代ResNet骨干网络前提高了14 FPS,实现了实时跟踪的效果。     

基于小波理论的故障特征提取

在对齿轮进行故障诊断时,采样信号不可避免地受到各种噪声和干扰的污染,所测信号属于典型的非平稳信号.信号的降噪和特征提取是齿轮状态监测和故障诊断的关键环节.小波理论对于非平稳信号的处理非常有效.在MATLAB环境下,利用小波理论对减速器齿轮箱的采样数据进行去噪实验和分析,提取齿轮大周期故障的特征指标,为进一步进行故障诊断奠定基础.     

基于数值特征识别的汽车故障诊断方法及应用

基于数值特征识别的方法在汽车故障诊断领域中得到广泛的应用,对该方法的特点以及应用研究状况进行系统分析,主要包括时间序列分析方法,如时域分析法和频域分析法;小波分析法;模式识别法,如时域模型法、灰色模型关联度分析法、混沌识别法、模糊识别法以及神经网络识别方法等。并根据目前的研究状况提出优化现有方法、研究新理论新技术、发展远程故障监测以及智能化模式识别方法是未来汽车故障诊断方法研究的主要发展方向。     

基于解析小波变换的奇异性检测和特征提取

为提高信号奇异性检测的精度和故障特征提取的有效性，利用信号和噪声的小波变换模极大值沿尺度方向的不同传播特性，提出了一种通过解析小波极大模重构进行信号奇异性检测和滤噪的方法，并将解析小波分析引入机械故障诊断中.分别采用实小波极大模和解析小波极大模分析汽车主减速器性能试验机上采集的几种故障振动信号，并进行主减速器故障诊断.试验结果表明，解析小波极大模相比实小波极大模具有更好的奇异性检测效果，能够突出故障特征，从而有效提高故障诊断的准确性.     

基于WiFi的机器人应用设计技术解决方案

结合工业机器人的研究进展,以组太网为基础,突出上位机的作用,着重分析了基于WiFi的机器人的利用方法和界定,进行了WiFi接口设计及机器人终端控制研究,探讨了网络模式下多机器人系统的研究方法和关键技术.     

Fault tolerant control for a robot collaborative system

A new fault-tolerant control scheme is proposed for a nonlinear collaborative system that contains two robot subsystems. When fault occurs in one subsystem, the fault-free subsystem is used to compensate the fault influence of the faulty one on the whole collaborative system. When the faulty subsystem could not repair itself or the repair process needs a long time, the controller of the fault-free subsystem is reconfigured using the fault diagnosis information and other measured information, leading to the fault tolerant control of the robot collaborative system. Simulations of fault tolerant control for the robot collaborative system show the effectiveness of the proposed method.     

基于二型模糊大脑情感学习控制器的双足机器人容错控制研究

为提高双足机器人行走的控制精度,提出利用二型模糊大脑情感学习控制器对双足机器人进行容错控制.该方法利用控制器的非线性估计模块估计双足机器人的系统故障和建模误差信息,并由计算转矩控制器和鲁棒控制器实现容错控制以解决外部扰动引起的系统不稳定问题.利用Matlab对两个案例进行仿真结果表明,该方法在双足机器人出现系统故障和外部出现扰动的情况下,仍能良好地估计出控制器的输入值,使双足机器人正常运行.因此,该方法对提高双足机器人的容错控制精度及轨迹跟踪的可靠性具有很好的参考价值.     

基于ADAMS的四足机器人运动仿真研究

作为工业机器人的一个主要研究分支,多足机器人具有很强的环境适应性和运动灵活性,正在日益受到重视。应用三维建模软件UG建立了四足机器人的模型,导入到虚拟样机分析软件ADAMS中生成虚拟样机模型,并对四足机器人进行了步态规划,利用MATLAB计算得到机器人关节运动轨迹,导入到ADAMS中,模拟了机器人的实际运动状态,得到其爬行轨迹。利用虚拟样机进行仿真为多足机器人步态规划的研究提供了一种良好的试验方法。     

基于EEMD的ICNN故障诊断方法

针对轴承微弱故障特征提取困难和故障诊断准确率低等问题,提出一种基于集合经验模态分解的改进卷积神经网络的故障诊断方法。首先,利用集合经验模态分解(EEMD)对信号进行降噪等预处理,并将预处理后的信号转换为二维信号;其次,为了解决数据特征不确定性和卷积神经网络(CNN)内部参数爆炸的问题,在CNN的卷积层和池化层之间增加批量归一化层进行标准化处理,得到改进的卷积神经网络(ICNN);最后,以风电机组轴承微弱故障数据集为例,验证了所提方法相较于其他诊断方法更具有优越性,能够有效提取故障特征,具有较高的准确率和诊断效率。     

应用基于运动螺旋的机器人正解映射求解搬运机器人的逆运动学问题

应用基于旋量理论的指数积公式建立了搬运机器人的正解映射,并基于矩阵变换了求解该机器人逆运动学问题的方法,该方法为求解一般机器人的逆运动学问题提供了参考.     

面向电力变压器油中溶解气体的卷积神经网络诊断方法

油中溶解气体分析法（Dissolved Gas Analysis,DGA）是判断变压器内部故障的重要方法之一。针对传统基于浅层的机器学习方法在变压器故障诊断中存在的特征提取和泛化能力方面的不足,提出了一种基于卷积神经网络的变压器故障诊断方法。利用网络中的卷积层对油中溶解气体进行特征转换,结合池化层强化重要特征的能力,对故障敏感特征进行提取。通过实验研究了卷积核数目、卷积核大小、池化层、网络深度对模型诊断性能的影响。通过混淆矩阵、ROC曲线和PR曲线对比分析了卷积神经网络模型、支持向量机(Support Vector Machine,SVM) 模型、BP神经网络(Back Propagation Neural Network,BPNN)模型。实验结果表明,卷积神经网络模型的诊断性能更为优秀。     

基于虚拟运动神经网络的六足机器人行为控制

为了使腿足机器人适应性和行为能力提高,提出基于虚拟运动神经网络的六足机器人行为控制策略. 通过模拟生物神经?肌肉控制机制构建的腿足机器人行为运动神经控制架构,能够处理外部环境信息,调节神经信号强度,获得类似动物的信号处理和行为反应机制,实现机器人对环境的快速响应、机身与腿部的自适应调节. 实验结果表明,所提架构能够随环境变化自动调节神经信号强度,验证了机器人极强的环境自适应性和行为多样性.     

基于阶次倒双谱分析的滚动轴承故障诊断方法

针对齿轮箱升降速过程中振动信号非平稳的特点,将常规的阶次分析与倒双谱技术相结合,提出了基于阶次倒双谱的轴承故障诊断方法.首先对齿轮箱升降速瞬态信号进行时域采样,再对时域非平稳信号进行等角度重采样,转化为角域平稳信号,最后对角域重采样信号进行倒双谱分析,就可提取滚动轴承振动信号的故障特征.通过对滚动轴承内圈、外圈故障实验信号的分析.表明阶次倒双谱分析能有效地诊断滚动轴承故障.