CN113405795A - 一种关节rv减速器弱故障识别的方法 - Google Patents
一种关节rv减速器弱故障识别的方法 Download PDFInfo
- Publication number
- CN113405795A CN113405795A CN202110691783.2A CN202110691783A CN113405795A CN 113405795 A CN113405795 A CN 113405795A CN 202110691783 A CN202110691783 A CN 202110691783A CN 113405795 A CN113405795 A CN 113405795A
- Authority
- CN
- China
- Prior art keywords
- frequency
- joint
- reducer
- signal
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000003638 chemical reducing agent Substances 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000010586 diagram Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 230000003595 spectral effect Effects 0.000 claims abstract description 9
- 230000033001 locomotion Effects 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 13
- 230000001174 ascending effect Effects 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000000630 rising effect Effects 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000010835 comparative analysis Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 230000009466 transformation Effects 0.000 abstract 1
- 239000000306 component Substances 0.000 description 9
- 238000002474 experimental method Methods 0.000 description 7
- 230000005526 G1 to G0 transition Effects 0.000 description 4
- 208000032369 Primary transmission Diseases 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000008358 core component Substances 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种关节RV减速器弱故障识别的方法，该方法不同步采集机器人关节的伺服电机电流信号和关节RV减速器运行状态的振动信号；以关节电流信号的时频图中的最大回转频率对应的时间点作为时间起点，在滤波后的振动信号中找到并截取峰值平稳阶段的振动信号，通过倒谱分析，当倒频谱中出现幅值激增的谱线时，则判断关节RV减速器存在故障，进行有无故障判别后，再对存在故障的振动信号进行变分模态分解分析，得到振动信号的分量信号，以信息熵作为选择指标，从分量信号中选择重构信号，对重构信号进行傅里叶变换，获得故障信号频谱图，从图中提取故障特征并对弱故障进行故障类型识别；本发明方法简单有效；适用于设备的早期故障诊断。
Description
技术领域
本发明涉及一种倒谱分析和变分模态分解在关节RV减速器中弱故障识别中的应用，属工业机器人智故障诊断及健康评估技术领域。
背景技术
工业机器人研究正朝着高精度、高速度、多轴化和轻型化方向发展。减速器是工业机器人的核心部件，其健康状况决定了工业机器人的执行效率和精度。高精密RV减速器(rotate vector reducer)以其体积小、传动比大、效率高等特点成为目前工业机器人最常用的减速器。在长时间运行过程中，由于零部件的自然磨损及疲劳寿命甚至是突发制动都会导致关节RV减速器出现弱故障，因为弱故障不影响其关节运行且无明显故障判别，所以对关节RV减速器出现严重故障前表现出来的反馈信息提前做出应对，可以避免出现严重的设备故障，即对工业机器人智能故障诊断及健康评估显得尤为重要。机器人工作时，姿态运动的监测常规方式以噪声、振动、电流等作为监测数据源。RV减速器作高精密核心部件密封于关节内部，关节RV减速器故障诊断作为早期故障识别技术，是需要研究和分析弱信号的特征提取和识别。因此将电流信号与振动信号相结合进行故障分析是一种融合的故障处理方法。电流信号是一种作为是机器人整体运动的运动表征最终反馈的信号，电流信号采集方式相对简单，且外部干扰较小，而非振动和噪声需要特定的环境，排除较多的外部干扰。振动信号是通过对关节臂上放置加速度传感器采集得到，采集方式相对便捷，且对故障信号更为精准及敏感。
机器人关节运行过程中关节RV减速器受力是变化的，因此是非平稳振动，且非完整周期圆周运动。常规方式获取伺服电机转速是以编码器的键相脉冲信号进行分析，但对于机器人而言，其键相脉冲不易获取，且无法精准反馈出关节真实运行状态。通过伺服电机的电流信号提取转速更加便捷稳定，且电流信号干扰较少。由于电流信号与振动信号的采集方式不同，同步采集由于振动信号的采样频率远高于电流信号的采样频率，会导致后续信号处理变得复杂，不同步采集有利于实验的便捷，以不同的采样频率进行实验。
发明内容
针对现有技术存在的问题，本发明提供了一种基于倒谱分析和变分模态分解的关节RV减速器弱故障识别的方法，该方法的电流信号与振动信号采集不需要同步采集，不需要脉冲信号提取转速，本发明方法尽可能地减少分析参数步骤，以关节运动峰值稳定阶段进行分析，避免了加速阶段与减速阶段的截断误差，根据关节上升或下降运动阶段电流信号的时频图的最大回转频率作为时间基准同步截取振动信号，通过倒谱分析，进行有无故障判别后，再对存在故障的非平稳振动信号进行变分模态分解分析，得到故障特征，并对弱故障进行故障类型识别，做到对故障特征精准分析。
对于关节RV减速器而言，发生弱故障时，由于振动信号会表现出幅值调制特性，因此存在特征频率由于受弱故障调幅影响而导致幅值激增，基于关节RV减速器伺服电机的电流信号对关节RV减速器运行状态的振动信号进行分析，能够精准地对在关节RV减速器中的弱故障进行识别诊断。
本发明基于倒谱分析和变分模态分解的关节RV减速器弱故障识别的方法步骤如下：
(1)采集机器人关节上升或下降运动过程中的伺服电机电流信号I(t1)和关节RV减速器运行状态的振动信号S(t2)，其中t1为电流信号I(t1)的采样时刻和t2为振动信号S(t2)的采样时刻；
(2)采用小波分解低频重构的方法对电流信号I(t1)进行滤波，除去启动阶段与减速停滞阶段的微量波动，得到重构后的电流信号I1(t1)；
(3)通过公式
其中P为柯西主分量，从电流信号I1(t1)得到希尔伯特变换结果Y(t1)，通过公式
和
计算电流信号I1(t1)的瞬时频率f(t1)，得到关节上升或下降运动过程的电流信号I1的时频图；
(4)通过傅里叶变换得到重构后的电流信号I1(t1)的频谱图，将幅值最高处所对应的频率作为伺服电机在时频图中峰值平稳阶段的瞬时频率f，通过公式n＝60f/p，计算得到伺服电机在时频图中峰值平稳阶段的转速n，其中p为伺服电机磁极对数；通过公式f1＝n/60计算得到关节RV减速器太阳轮在峰值平稳阶段的回转频率f1；
(5)通过公式
和f1c＝Z1f1＝Z2f2，计算关节RV减速器行星轮自转频率f2和一级传动啮合频率f1c，即太阳轮与行星轮啮合频率，其中Z1和Z2分别为RV减速器太阳轮的齿数和行星轮的齿数；
(6)对步骤(1)采集的振动信号S(t2)采用形态滤波方法进行去噪处理，得到滤波后的振动信号S1(t2)；
(7)以步骤(3)关节上升或下降运动阶段电流信号I1，的时频图中的最大回转频率对应的时间点作为时间起点，在滤波后的振动信号S1(t2)中找到峰值平稳阶段并截取峰值平稳阶段的振动信号S2(t)；
(8)通过对振动信号S2(t)进行倒谱分析，得到倒频谱，当倒频谱中出现幅值激增的谱线时，则判断关节RV减速器存在故障，取幅值激增谱线最高处的倒频率的倒数，得到故障点频率fp；
(9)将故障点频率fp与关节RV减速器的特征频率进行对比分析，所述关节RV减速器的特征频率为太阳轮回转频率f1、行星轮自转频率f2、一级传动啮合频率f1c；
当故障点频率fp与RV减速器的特征频率中的某一个特征频率近似时，则诊断故障位于该特征频率对应的特征位置；
(10)对振动信号S2(t)进行变分模态分解，得到振动信号S2(t)的分量信号，以信息熵作为选择指标，将分量信号的信息熵与原始信号的信息熵最接近的分量信号作为重构信号，对重构信号进行傅里叶变换，获得故障信号频谱图，从图中提取故障特征。
上述方法中通过电流互感器获取伺服电机电流信号I(t1)；通过加速度传感器获取关节RV减速器运转状态的振动信号S(t2)。
本发明的有益效果是：
1、从电流信号中获取伺服电机转速的获取途径优于通过编码器的键相脉冲再计算转速；
2、本发明方法能够有效精确提取RV减速器在关节运行过程中平稳阶段的振动信号，避免盲提取时混入加速或减速阶段，只需保证机器人关节运行中有达到峰值转速平稳阶段即可；
3、本方法中对提取非平稳振动的故障特征目标明确，由倒谱分析得到的故障点频率与关节RV减速器的特征频率对应，只需在故障频率附近找到由于受弱故障调幅影响而导致幅值激增的特征频率进行分析即可，再确定其弱故障的类型，进而实现在关节RV减速器弱故障中的识别应用。
附图说明
图1为模拟关节运动RV减速器实验台示意图；
图2为关节上升RV减速器伺服电机故障电流信号I(t1)原始波形示意图；
图3为关节上升RV减速器运行状态故障振动信号S(t2)原始波形示意图；
图4为重构后的关节上升RV减速器伺服电机故障电流信号I1(t1)的时域波形示意图；
图5为伺服电机故障电流信号时频谱示意图；
图6为伺服电机故障电流信号频谱示意图
图7为滤波后的关节上升RV减速器运转状态故障振动信号S1(t2)的时域波形示意图
图8为提取峰值平稳阶段的故障振动信号S2(t)的时域波形示意图；
图9为故障振动信号S2(t)倒谱分析的倒频谱示意图；
图10为故障振动信号S2(t)包络谱示意图；
图11为重构故障振动信号包络谱的示意图；
图12为重构故障振动信号频谱的示意图；
图13为关节上升RV减速器伺服电机无故障电流信号I(t1)原始波形示意图；
图14为关节上升RV减速器运行状态无故障振动信号S(t2)原始波形示意图；
图15为重构后的关节上升RV减速器伺服电机无故障电流信号I1(t1)的时域波形示意图；
图16为伺服电机无故障电流信号时频谱示意图；
图17为伺服电机无故障电流信号频谱示意图
图18为滤波后的关节上升RV减速器运转状态无故障振动信号S1(t2)的时域波形示意图
图19为提取峰值平稳阶段的无故障振动信号S2(t)的时域波形示意图；
图20为无故障振动信号S2(t)倒谱分析的倒频谱示意图；
图1中：1-关节臂、2-伺服电机、3-加速器传感器、4-RV减速器、5-实验台基座、6-电流互感器、7-电柜。
具体实施方式
下面通过实施例对本发明作进一步详细说明，但本发明保护范围不局限于所述内容。
实施例1：关节RV减速器行星轮齿根裂纹故障分析
采用RV-40E减速器，图1为模拟关节运动RV减速器实验台示意图，其包括1-摆臂、2-伺服电机、3-加速器传感器、4-RV减速器、5-实验台基座、6-电流互感器、7-电柜；实验预设：摆臂的运动范围为100°～180°(单次80°，上升和下降为单一周期共160°)，摆臂运行速度为32°/s，具体的操作流程如下：
1、在摆臂上升过程中，采用电流互感器6获取伺服电机2的电流信号I(t1)，如图2所示；采用加速度传感器3获取关节RV减速器运行状态振动信号S(t2)，如图3所示；t1为电流信号I(t1)的采样时刻和t2为振动信号S(t2)的采样时刻；电流信号采集为驱动器输出端U相电流信号，采样频率为25.6KHz；振动信号采集为放置在伺服电机顶端的位置，采样频率为1MHz；
2、利用MATLAB分析软件通过小波6层分解低频重构方法对电流信号I(t1)进行滤波，除去启动阶段与减速停滞阶段的微量波动，得到滤波后的电流信号I1(t1)，重构电流信号如图4所示；
以下计算过程及输出的结果均在分析软件中完成；
3、通过公式
其中P为柯西主分量，从电流信号I1(t1)得到希尔伯特变换结果Y(t1)，通过公式
和
计算电流信号I1(t1)的瞬时频率f(t1)，得到关节上升运动过程的电流信号I1的时频图，时频谱图如图5所示；
4、通过傅里叶变换得到重构后的电流信号I1(t1)的频谱图，如图6所示；将频谱图中幅值最高处所对应的频率作为伺服电机在时频图中峰值平稳阶段的瞬时频率f，f为62.7Hz，通过公式n＝60f/p，计算得到伺服电机在峰值平稳阶段的转速n，n＝752.4r/min，其中p为伺服电机磁极对数，p＝5；通过公式f1＝n/60，计算得到关节RV减速器太阳轮在稳定阶段的回转频率f1，f1＝12.54Hz；
5、通过公式
和f1c＝z1f1＝z2f2，其中Z1＝12和Z2＝42，计算关节RV减速器行星轮自转频率f2和一级传动啮合频率(即太阳轮与行星轮啮合)f1c，行星轮自转频率f2为3.58Hz，一级传动啮合频率f1c为150.48Hz；
6、通过形态滤波方法对采集的振动信号S(t2)去噪处理，得到滤波后的信号S1(t2)，结果如图7所示；
7、在步骤3关节上升运动过程的电流信号I1的时频图(图5)中获得最大回转频率对应的时间点是0.3s，为了增加精确度缩小选取范围，可以看到0.5s至2.5s是峰值平稳阶段，因此在同样时刻图7滤波后的振动信号S1(t2)图中可以精准判定0.5s至2.5s是振动信号S1(t2)的峰值平稳阶段，在滤波后的振动信号S1(t2)中截取0.5s至2.5s中任意1s的信号作为振动信号S2(t)，避免加速和减速阶段信号的混入，本实施例选取的1s至2s的信号，如图8所示；
8、对振动信号S2(t)进行倒谱分析，得到倒频谱，如图9所示，从图中可以看到出现幅值激增的谱线，则判断关节RV减速器存在故障；取幅值激增谱线最高处的倒频率的倒数，得到故障点频率fp，fp＝1000/6.68＝149.7Hz；
9、将故障点频率fp与关节RV减速器的特征频率进行对比分析，可知故障点频率fp与一级传动啮合频率f1c(150.48Hz)接近，则诊断为故障位于一级传动啮合处，即太阳轮与行星轮啮合处；同时采用包络谱分析来验证本步骤方法的有效性，对振动信号S2(t)进行包络分析得到包络谱，如图10所示，结果显示一级传动啮合f1c及其倍频存在边频谱线，也说明故障位于一级传动啮合处；
10、对振动信号S2(t)进行变分模态分解分析，变分模态分解中分解尺度K设置为3，其他参数为常规默认值，得到振动信号S2(t)的分量信号；根据太阳轮与行星轮的齿数，计算出单位时间内行星轮运行完整周期数为3，将每个分量信号分为3段进行信息熵求取，然后以信息熵作为选择指标，将分量信号的信息熵与原始信号的信息熵最接近的分量信号作为重构信号，见表1，表1中IMF1的信息熵与原始信号信息熵最为接近，因此将IMF1作为重构信号，对重构信号进行傅里叶变换，获得故障信号频谱图，如图12所示，从图中可以观测到频谱图中啮合频率的边频带f1c±f1及其倍频的幅值由于齿根裂纹故障而激增，超过其一级传动啮合频率及其倍频，且△＝f1的间隔符合齿轮裂纹故障的规律，因此推断为行星轮裂纹故障；
表1原始信号及各分量信号的信息熵
同时采用包络谱分析来验证本步骤方法的有效性，对重构信号IMF1进行包络分析，得到包络谱，如图11所示，从图中可以看到包络谱凸显特征频率，重构振动信号包络谱滤去其他无关频率，明显观测到一级啮合频率f1c及其倍频，证明了本发明信息熵选择指标的精准性。
实施例2：本关节RV减速器弱故障识别的方法如下：
采用RV-40E减速器，本实施例关节运动RV减速器实验台示意图同实施例1，不同在于关节RV减速器无故障，且运行速度不同，采样率不同，摆臂运行速度为45°/s；
1、在摆臂上升过程中，采用电流互感器6获取伺服电机2的电流信号I(t1)，如图13所示；采用加速度传感器3获取关节RV减速器运行状态振动信号S(t2)，如图14所示；t1为电流信号I(t1)的采样时刻和t2为振动信号S(t2)的采样时刻；电流信号采集为驱动器输出端U相电流信号，采样频率为8192Hz；振动信号采集为放置在伺服电机顶端的位置，采样频率为50kHz；
2、利用MATLAB分析软件通过小波6层分解低频重构方法对电流信号I(t1)进行滤波，除去启动阶段与减速停滞阶段的微量波动，得到滤波后的电流信号I1(t1)，重构电流信号如图15所示；
以下计算过程及输出的结果均在分析软件中完成；
3、通过公式
其中P为柯西主分量，从电流信号I1(t1)得到希尔伯特变换结果Y(t1)，通过公式
和
计算电流信号I1(t1)的瞬时频率f(t1)，得到关节上升运动过程的电流信号I1的时频图，时频谱图如图16所示；
4、通过傅里叶变换得到重构后的电流信号I1(t1)的频谱图，如图17所示；将频谱图中幅值最高处所对应的频率作为伺服电机在时频图中峰值平稳阶段的瞬时频率f，f为88Hz，通过公式n＝60/p，计算得到伺服电机在峰值平稳阶段的转速n，n＝1056r/min，其中p为伺服电机磁极对数，p＝5；通过公式f1＝n/60，计算得到关节RV减速器太阳轮在稳定阶段的回转频率f1，f1＝17.6Hz；
5、通过公式
和f1c＝z1f1＝z2f2，其中Z1＝12和Z2＝42，计算关节RV减速器行星轮自转频率f2和一级传动啮合频率(即太阳轮与行星轮啮合)f1c，行星轮自转频率f2为5.03Hz，一级传动啮合频率f1c为211.2Hz；
6、通过形态滤波方法对采集的振动信号S(t2)去噪处理，得到滤波后的信号S1(t2)，结果如图18所示；
7、在步骤3关节上升运动过程的电流信号I1的时频图(图16)中获得最大回转频率对应的时间点是0.35s，为了增加精确度缩小选取范围，可以看到0.5s至1.7s是峰值平稳阶段，因此在同样时刻图18滤波后的振动信号S1(t2)图中可以精准判定0.5s至1.7s是振动信号S1(t2)的峰值平稳阶段，在滤波后的振动信号S1(t2)中截取0.5s至1.7s中任意1s的信号作为振动信号S2(t)，避免加速和减速阶段信号的混入，本实施例选取的0.6s至1.6s的信号，如图19所示；
8、对振动信号S2(t)进行倒谱分析，得到倒频谱，如图20所示，从图中可以看到倒频谱中无明显幅值激增的谱线，则判断关节RV减速器无故障；
总之，采用本方法能有效识别诊断关节RV减速器的弱故障，本发明方法可以用于设备的早期故障诊断，预防由于弱故障未能及时处理造成的设备损坏。
Claims (3)
1.一种关节RV减速器弱故障识别的方法，其特征在于，具体步骤如下：
(1)采集机器人关节上升或下降运动过程中的伺服电机电流信号I(t1)和关节RV减速器运行状态的振动信号S(t2)，其中t1为电流信号I(t1)的采样时刻和t2为振动信号S(t2)的采样时刻；
(2)采用小波分解低频重构的方法对电流信号I(t1)进行滤波，除去启动阶段与减速停滞阶段的微量波动，得到重构后的电流信号I1(t1)；
(3)通过公式
其中P为柯西主分量，从电流信号I1(t1)得到希尔伯特变换结果Y(t1)，通过公式
和
计算电流信号I1(t1)的瞬时频率f(t1)，得到关节上升或下降运动过程的电流信号I1的时频图；
(4)通过傅里叶变换得到重构后的电流信号I1(t1)的频谱图，将幅值最高处所对应的频率作为伺服电机在时频图中峰值平稳阶段的瞬时频率f，通过公式n＝60f/p，计算得到伺服电机在时频图中峰值平稳阶段的转速n，其中p为伺服电机磁极对数；通过公式f1＝n/60，计算得到关节RV减速器太阳轮在峰值平稳阶段的回转频率f1；
(5)通过公式
和f1c＝Z1f1＝Z2f2，计算关节RV减速器行星轮自转频率f2和一级传动啮合频率f1c，即太阳轮与行星轮啮合频率，其中Z1和Z2分别为RV减速器太阳轮的齿数和行星轮的齿数；
(6)对步骤(1)采集的振动信号S(t2)采用形态滤波方法进行去噪处理，得到滤波后的振动信号S1(t2)；
(7)以步骤(3)关节上升或下降运动过程的电流信号I1的时频图中的最大回转频率对应的时间点作为时间起点，在滤波后的振动信号S1(t2)中找到峰值平稳阶段并截取峰值平稳阶段的振动信号S2(t)；
(8)对振动信号S2(t)进行倒谱分析，得到倒频谱，当倒频谱中出现幅值激增的谱线时，则判断关节RV减速器存在故障，取幅值激增谱线最高处的倒频率的倒数，得到故障点频率fp；
(9)将故障点频率fp与关节RV减速器的特征频率进行对比分析，所述关节RV减速器的特征频率为太阳轮回转频率f1、行星轮自转频率f2、一级传动啮合频率f1c；
当故障点频率fp与RV减速器的特征频率中的某一个特征频率近似时，则诊断故障位于该特征频率对应的特征位置；
(10)对振动信号S2(t)进行变分模态分解，得到振动信号S2(t)的分量信号，以信息熵作为选择指标，将分量信号的信息熵与原始信号的信息熵最接近的分量信号作为重构信号，对重构信号进行傅里叶变换，获得故障信号频谱图，从图中提取故障特征。
2.根据权利要求1所述的关节RV减速器弱故障识别的方法，其特征在于：通过电流互感器获取伺服电机电流信号I(t1)。
3.根据权利要求1所述的关节RV减速器弱故障识别的方法，其特征在于：通过加速度传感器获取关节RV减速器运转状态的振动信号S(t2)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110691783.2A CN113405795B (zh) | 2021-06-22 | 2021-06-22 | 一种关节rv减速器弱故障识别的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110691783.2A CN113405795B (zh) | 2021-06-22 | 2021-06-22 | 一种关节rv减速器弱故障识别的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113405795A true CN113405795A (zh) | 2021-09-17 |
| CN113405795B CN113405795B (zh) | 2023-12-12 |
Family
ID=77682508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110691783.2A Active CN113405795B (zh) | 2021-06-22 | 2021-06-22 | 一种关节rv减速器弱故障识别的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113405795B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114571459A (zh) * | 2022-03-22 | 2022-06-03 | 浙江钱江机器人有限公司 | 一种工业机器人故障诊断方法及*** |
| CN114813117A (zh) * | 2022-04-13 | 2022-07-29 | 昆明理工大学 | 一种用于rv减速器的故障诊断方法、装置 |
| CN116533253A (zh) * | 2023-07-03 | 2023-08-04 | 佛山智能装备技术研究院 | 一种基于反馈电流频谱分析的工业机器人故障诊断方法 |
| CN116992254A (zh) * | 2023-09-25 | 2023-11-03 | 北京博华信智科技股份有限公司 | 变频电机的壳振信号的重构方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107478417A (zh) * | 2017-06-23 | 2017-12-15 | 昆明理工大学 | 一种基于频率校正和互相关原理的往复运动周期提取方法 |
| CN108015797A (zh) * | 2017-12-01 | 2018-05-11 | 湖北工业大学 | 一种rv减速机传动误差在线监测方法 |
| CN108036938A (zh) * | 2017-12-20 | 2018-05-15 | 成都育芽科技有限公司 | 一种工业机器人用减速机振动试验台及试验方法 |
| CN111337250A (zh) * | 2020-03-17 | 2020-06-26 | 广州大学 | 基于虚拟仪器的机床状态故障诊断***和方法 |
| CN111975784A (zh) * | 2020-09-03 | 2020-11-24 | 昆明理工大学 | 一种基于电流和振动信号的关节机器人故障诊断方法 |
-
2021
- 2021-06-22 CN CN202110691783.2A patent/CN113405795B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107478417A (zh) * | 2017-06-23 | 2017-12-15 | 昆明理工大学 | 一种基于频率校正和互相关原理的往复运动周期提取方法 |
| CN108015797A (zh) * | 2017-12-01 | 2018-05-11 | 湖北工业大学 | 一种rv减速机传动误差在线监测方法 |
| CN108036938A (zh) * | 2017-12-20 | 2018-05-15 | 成都育芽科技有限公司 | 一种工业机器人用减速机振动试验台及试验方法 |
| CN111337250A (zh) * | 2020-03-17 | 2020-06-26 | 广州大学 | 基于虚拟仪器的机床状态故障诊断***和方法 |
| CN111975784A (zh) * | 2020-09-03 | 2020-11-24 | 昆明理工大学 | 一种基于电流和振动信号的关节机器人故障诊断方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114571459A (zh) * | 2022-03-22 | 2022-06-03 | 浙江钱江机器人有限公司 | 一种工业机器人故障诊断方法及*** |
| CN114571459B (zh) * | 2022-03-22 | 2023-07-21 | 浙江钱江机器人有限公司 | 一种工业机器人故障诊断方法及*** |
| CN114813117A (zh) * | 2022-04-13 | 2022-07-29 | 昆明理工大学 | 一种用于rv减速器的故障诊断方法、装置 |
| CN116533253A (zh) * | 2023-07-03 | 2023-08-04 | 佛山智能装备技术研究院 | 一种基于反馈电流频谱分析的工业机器人故障诊断方法 |
| CN116992254A (zh) * | 2023-09-25 | 2023-11-03 | 北京博华信智科技股份有限公司 | 变频电机的壳振信号的重构方法、装置、设备及存储介质 |
| CN116992254B (zh) * | 2023-09-25 | 2024-01-19 | 北京博华信智科技股份有限公司 | 变频电机的壳振信号的重构方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113405795B (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113405795B (zh) | 一种关节rv减速器弱故障识别的方法 | |
| Wang et al. | Multi-scale enveloping order spectrogram for rotating machine health diagnosis | |
| CN103884502B (zh) | 一种变转速下风力发电机行星齿轮***故障诊断方法 | |
| CN111975784B (zh) | 一种基于电流和振动信号的关节机器人故障诊断方法 | |
| CN106769033A (zh) | 基于阶次包络时频能量谱的变转速滚动轴承故障识别方法 | |
| CN104819841B (zh) | 基于内置编码信息的单传感柔性角度域平均方法 | |
| CN108151869B (zh) | 一种机械振动特征指标提取方法、***及装置 | |
| CN108844733B (zh) | 一种基于kl散度与均方根值的齿轮状态监测指标提取方法 | |
| CN104215456B (zh) | 一种基于平面聚类和频域压缩感知重构的机械故障诊断方法 | |
| CN104006962A (zh) | 一种齿轮故障特征提取方法及*** | |
| Lin et al. | A review and strategy for the diagnosis of speed-varying machinery | |
| CN104006961A (zh) | 基于经验模态分解与倒频谱的摆线锥齿轮故障诊断方法 | |
| CN108398260B (zh) | 基于混合概率方法的齿轮箱瞬时角速度的快速评估方法 | |
| CN112781709A (zh) | 变速工况下设备振动信号早期故障分析和特征提取方法 | |
| CN114509159B (zh) | 阶比跟踪分析方法、***及计算机可读存储介质 | |
| Li et al. | Research on a signal separation method based on Vold-Kalman filter of improved adaptive instantaneous frequency estimation | |
| Zhao et al. | Vold-Kalman generalized demodulation for multi-faults detection of gear and bearing under variable speeds | |
| Wang et al. | Research on gearbox composite fault diagnosis based on improved local mean decomposition | |
| CN117686232A (zh) | 一种燃气轮机振动基频实时提取方法、装置及存储介质 | |
| CN109916624B (zh) | 一种基于希尔伯特黄的滚珠丝杠副疲劳失效诊断方法 | |
| CN112539933A (zh) | 一种基于共振基带宽傅立叶分解的齿轮箱故障诊断方法 | |
| CN113074941A (zh) | 基于自适应时变梳状滤波的变转速齿轮故障信号提取方法、诊断方法、***及存储介质 | |
| CN117370781A (zh) | 一种rv减速器复合缺陷特征提取方法、装置 | |
| CN111855192A (zh) | 一种用于编码器信号去噪的奇异值分解方法 | |
| Yu et al. | Wavelet-based time-reassigned synchroextracting transform with application to fault diagnosis of flexible thin-wall bearing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |