机器人伺服电机轴承性能退化评估及寿命预测

摘要

人工智能，物联网和大数据的突破性进展正在将传统制造业向智能制造转变。机器人伺服电机作为工业机器人的重要组成部分，在智能制造中起着至关重要的作用。据统计，电机故障中电机轴承故障占比最大。一旦电机轴承发生故障，会影响电机其他部件的正常运转，有可能会导致整个伺服电机故障甚至波及使用伺服电机的整个工业机器人无法使用。为了避免机器人伺服电机的致命故障，应对电机轴承开展性能退化评估及剩余使用寿命预测方面的研究。本文以机器人伺服电机轴承(以下简称轴承)为研究对象，主要的研究内容有以下三个方面：　　针对轴承退化特征空间构建中难以提取对轴承故障最敏感的特征以及难以进行有效的特征压缩的问题，提出了一种基于堆叠稀疏自编码器(Stacked Sparse Autoencoder，SSAE)的轴承退化特征空间构建方法。该算法首先以轴承振动信号的时域特征和时频域特征作为原始特征集，然后采用SSAE对原始特征集进行深层次的特征提取和特征压缩以构建最终的退化特征空间，该特征空间中的特征向量是原始特征更加抽象的表征。最后，在轴承数据集上进行了实验验证，实验结果表明该算法构建的特征空间能够全面有效的表征轴承的退化过程，可用于后续的轴承性能退化评估及剩余使用寿命预测中。　　针对传统的SVM算法参数往往根据经验设定，难以建立最优性能退化评估模型以准确地检测出轴承早期故障的问题，提出了一种基于多目标和声搜索(Multi-Objective Harmony Search，MOHS)优化SVM的轴承性能退化评估方法。该算法首先采用SSAE提取轴承振动信号的退化特征向量，之后以轴承退化指标曲线的趋势性和单调性作为适应度函数，采用MOHS算法对SVM的惩罚参数和高斯核函数参数进行优化，建立最优的性能退化评估模型，得到轴承的性能退化指标。最后，在轴承数据集上进行了实验验证，实验结果表明该算法能准确地检测出轴承的早期故障，得到的退化指标曲线具备良好的趋势性和单调性。　　针对现有轴承寿命预测模型往往独立地考虑每个时间点，丢弃历史数据中的大量有用信息从而导致预测误差较大的问题，提出了一种基于深层门控循环单元(Deep Gated Recurrent Unit, DGRU)网络的轴承剩余使用寿命预测算法。首先采用SSAE提取轴承振动信号的退化特征向量，之后采用DGRU网络建立剩余使用寿命预测模型，该模型直接将轴承特征向量映射到轴承的剩余使用寿命。最后，在轴承数据集上进行了实验验证，实验结果表明该算法能够有效地预测轴承的剩余使用寿命，相比传统的轴承寿命预测算法有着更高的精度。

目录

声明

第1章绪论

1.1 论文研究背景与意义

1.2 国内外研究现状

1.2.1 轴承性能退化特征空间构建

1.2.2 轴承性能退化评估

1.2.3 轴承剩余使用寿命预测

1.3 研究内容与论文章节安排

1.3.1 本文研究内容

1.3.2 本文章节安排

第2章伺服电机轴承振动信号退化特征空间构建

2.1 引言

2.2 伺服电机轴承振动信号数据

2.2.1 FEMTO 轴承数据集

2.2.2 IMS 轴承数据集

2.3 轴承时域特征提取

2.4 基于 EMD 的轴承时频域特征提取

2.4.1 EMD 分解原理

2.4.2 基于 EMD 的时频域特征值计算

2.5 基于 SSAE 的轴承退化特征空间构建

2.5.1 自编码器

2.5.2 稀疏自编码器

2.5.3 堆叠稀疏自编码器 SSAE

2.5.4 轴承退化特征空间构建

2.6 轴承退化特征评价指标

2.7 实验验证与分析

2.8 本章小结

第3章基于 MOHS-SVM 的伺服电机轴承性能退化评估

3.1 引言

3.2 单值分类 SVM

3.2.1 传统二值分类 SVM

3.2.2 单值分类 SVM

3.3 多目标和声搜索算法 MOHS

3.4 基于 MOHS-SVM 的轴承性能退化评估

3.4.1 退化指标构建

3.4.2 早期故障阈值设定及退化指标平滑

3.5 实验验证与分析

3.6 本章小结

第4章基于 DGRU 的伺服电机轴承 RUL 预测

4.1 引言

4.2 轴承 RUL 预测算法原理

4.2.1 循环神经网络概述

4.2.2 门控循环单元网络

4.2.3 深层门控循环单元网络 DGRU

4.2.4 模型优化技术

4.3 基于 DGRU 的轴承 RUL 预测方法研究

4.4 轴承 RUL 预测评价指标

4.5 实验验证与分析

4.6 本章小结

总结与展望

参考文献

致谢

附录A 攻读学位期间所发表的学术论文目录

附录 B 攻读学位期间参加的科研项目目录