CN116026586A - 一种谐波减速器出厂合格性判定方法及装置 - Google Patents
一种谐波减速器出厂合格性判定方法及装置 Download PDFInfo
- Publication number
- CN116026586A CN116026586A CN202310046223.0A CN202310046223A CN116026586A CN 116026586 A CN116026586 A CN 116026586A CN 202310046223 A CN202310046223 A CN 202310046223A CN 116026586 A CN116026586 A CN 116026586A
- Authority
- CN
- China
- Prior art keywords
- qualification
- harmonic reducer
- scale
- layer
- harmonic
- 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.)
- Pending
Links
- 239000003638 chemical reducing agent Substances 0.000 title claims abstract description 51
- 238000012797 qualification Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012795 verification Methods 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 229920000742 Cotton Polymers 0.000 claims description 9
- 238000010521 absorption reaction Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种谐波减速器出厂合格性判定方法及装置，涉及零件合格检测技术领域。具体步骤为；采集一维声振信号；将所述一维声振信号分为训练集、验证集以及测试集；构建多尺度一维卷积神经网络；利用所述训练集和所述验证集训练所述多尺度一维卷积神经网络，得到训练好的合格性判定模型，将所述测试集输入所述合格性判定模型进行预测，得到谐波减速器合格性判定结果。本发明解决了现阶段谐波减速器出厂检测过分依赖人工经验以及检测速度慢点的问题，对于不同系列不同型号谐波减速器的合格性判定具有较强的鲁棒性。
Description
技术领域
本发明涉及零件合格检测技术领域，更具体的说是涉及一种谐波减速器出厂合格性判定方法及装置。
背景技术
谐波减速器是工业机器人不可或缺的关键零部件，一旦发生质量问题，很有可能导致相关联的部件功能失效进而影响装备的整机性能，甚至引发机器故障造成巨大的经济损失。通常，出厂前对零部件进行合格性检测是确保其进入流通领域质量把关的第一步，进一步保障了用户利益和企业自身信誉。在现有技术中，谐波减速器出厂合格性判定常用振动测试结合人工经验的方法，这种方法过分依赖人工经验，准确率低且检测速度慢，大大降低了企业生产效率。因此，对本领域技术人员来说，如何准确快速实现对谐波减速器出厂检测是亟待解决的问题。
发明内容
有鉴于此，本发明提供了一种谐波减速器出厂合格性判定方法及装置，以解决背景技术中提出的问题。
为了实现上述目的，本发明采用如下技术方案：一种谐波减速器出厂合格性判定方法，具体步骤包括如下：
采集一维声振信号；
将所述一维声振信号分为训练集、验证集以及测试集；
构建多尺度一维卷积神经网络；
利用所述训练集和所述验证集训练所述多尺度一维卷积神经网络，得到训练好的合格性判定模型，将所述测试集输入所述合格性判定模型进行预测，得到谐波减速器合格性判定结果。
可选的，采集所述一维声振信号的步骤为：将谐波减速器对准声压传感器放置在吸声棉上，以锤头为钢制的力锤作为激励源敲击所述谐波减速器，用信号采集软件采集一维声振信号。
可选的，所述多尺度一维卷积神经网络包括多尺度卷积层、池化层和全连接层。
可选的，所述多尺度卷积层通过多个不同尺度卷积核对输入信号进行不同尺度的卷积，卷积定义为：
yi K＝f[Convk∈K(X,Wk i)+bi]；
其中，yi K为以卷积核尺度K的i个输出特征；X为输入特征；WK i为以核尺度k的第i个卷积核；bi为输出第i个特征时所加的偏置；f为激活函数。
可选的，所述池化层的运算表达式：
yi＝f[βidown(x)+bi]；
其中，down(*)为下采样函数；βi为第i个特征的权值；x对应卷积层的输出；bi为第i个特征的偏置。
可选的，所述全连接层包括对应多层感知机的隐含层，在所述全连接层后接隐藏层，最后由Softmax多分类器完成分类。
另一方面，提供一种谐波减速器出厂合格性判定装置，利用所述的一种谐波减速器出厂合格性判定方法进行判定，包括：谐波减速器，作为实验对象；吸声棉，用于降噪；力锤，作为激励源；声压传感器，用于测量声振数据；采集软件，用于采集声振数据；计算机，用于数据分析；其中，所述谐波减速器与所述声压传感器放置在所述吸声棉上，所述声压传感器、所述力锤均与所述采集软件相连，所述采集软件与所述计算机相连。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种谐波减速器出厂合格性判定方法及装置，具有以下有益的技术效果：对于不同系列不同型号谐波减速器的合格性判定具有较强的鲁棒性，解决了现阶段谐波减速器出厂检测过分依赖人工经验以及检测速度慢点的问题，准确快速地实现对谐波减速器的出厂检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程图；
图2为本发明的装置结构图；
图3为本发明的训练集和验证集损失函数曲线示意图；
图4为本发明的训练集和验证集准确率曲线示意图；
图5为本发明的测试集混淆矩阵示意图；
其中，1为谐波减速器、2为吸声棉、3为力锤、4为声压传感器、5为采集软件、6为计算机。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种谐波减速器出厂合格性判定方法，如图1所示，具体步骤包括如下：
S1、采集一维声振信号；
S2、将一维声振信号分为训练集、验证集以及测试集；
S3、构建多尺度一维卷积神经网络；
S4、利用训练集和验证集训练多尺度一维卷积神经网络，得到训练好的合格性判定模型，将测试集输入合格性判定模型进行预测，得到谐波减速器合格性判定结果。
具体的，在S1中，采集一维声振信号的步骤为：将谐波减速器对准声压传感器放置在吸声棉上，以锤头为钢制的力锤作为激励源敲击谐波减速器，用信号采集软件采集一维声振信号。
进一步的，将采集的声振数据划分为训练集、验证集和测试集。其中，训练集和验证集占总样本的80％，验证集占训练集的20％，测试集占总样本的20％。
进一步的，多尺度一维卷积神经网络包括多尺度卷积层、池化层和全连接层等基本结构。
多尺度卷积层通过多个不同尺度卷积核对输入信号进行不同尺度的卷积，卷积定义为：
yi K＝f[Convk∈K(X,Wk i)+bi]；
其中，yi K为以卷积核尺度K的i个输出特征；X为输入特征；WK i为以核尺度k的第i个卷积核；bi为输出第i个特征时所加的偏置；f为激活函数，在本发明中用到的激活函数为Relu激活函数，表达式为：f(x)＝max(0,x)。
池化层是对上一层数据的缩放映射，通过池化对输入数据进行子采样，大幅减少输入数据的空间维度，池化层的运算表达式：
yi＝f[βidown(x)+bi]；
其中，down(*)为下采样函数；βi为第i个特征的权值；x对应卷积层的输出；bi为第i个特征的偏置。
进一步的，全连接层包括对应多层感知机的隐含层，该层中所有神经元与前一层中神经元全连接，可以整合卷积层、池化层中具有类别区分性的局部信息。全连接层后接一个隐藏层，最后由Softmax多分类器完成分类。假设由k类的分类问题，Softmax多分类器的输出可以计算为：
其中，W和b分别为权重矩阵和偏置值；O为卷积神经网络的最终输出。
在本实施例中，实验样本共7个系列，25个型号，192个谐波减速器，4220个敲击样本。其中，训练集共2700验证集676个样本，测试集844个样本。
将数据放入多尺度一维卷积神经网络模型中，模型在训练集、验证集上的表现如图3所示。可以看出，随着迭代次数的增加，训练集(train_loss)的损失函数值降至0.0006，验证集(valid_loss)的损失函数值降至0.0015左右。经过该网络训练后的模型，可以很好的检测谐波减速器是否异常，满足合格性判定要求。
图4为训练集和验证集准确率曲线示意图，可以看出，随着迭代次数的增加，训练集和验证集的准确率曲线走势一致，训练集(train_acc)的准确率达到99.94％，验证集(valid_acc)的准确率达到99.11％，训练效果好。
在图5中，G代表合格的谐波减速器，B代表异常的谐波减速器。可以看出，本发明方法对合格谐波减速器的识别准确率高达100％，对存在异常的谐波减速器出现7个误判，整体的识别准确率为99.17％，识别准确率高。
本发明实施例2提供一种谐波减速器出厂合格性判定装置，如图2所示，利用一种谐波减速器出厂合格性判定方法进行判定，包括：谐波减速器1，作为实验对象；吸声棉2，用于降噪；力锤3，作为激励源；声压传感器4，用于测量声振数据；采集软件5，用于采集声振数据；计算机6，用于数据分析；其中，谐波减速器1与声压传感器4放置在吸声棉2上，声压传感器4、力锤3均与采集软件5相连，采集软件5与计算机6相连。
首先，将谐波减速器对准声压传感器放置在吸声棉上，以锤头为钢制的力锤作为激励源敲击谐波减速器，用信号采集软件采集一维声振数据，计算机存储数声振据用于分析。其次，将采集的声振数据划分为训练集、验证集和测试集。再者，构建多尺度一维卷积神经网络，采用训练集和验证集训练多尺度一维卷积神经网络，得到训练好的模型。最后，将测试集放入训练好的模型中进行预测，输出检测结果。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种谐波减速器出厂合格性判定方法，其特征在于，具体步骤包括如下：
采集一维声振信号；
将所述一维声振信号分为训练集、验证集以及测试集；
构建多尺度一维卷积神经网络；
利用所述训练集和所述验证集训练所述多尺度一维卷积神经网络，得到训练好的合格性判定模型，将所述测试集输入所述合格性判定模型进行预测，得到谐波减速器合格性判定结果。
2.根据权利要求1所述的一种谐波减速器出厂合格性判定方法，其特征在于，采集所述一维声振信号的步骤为：将谐波减速器对准声压传感器放置在吸声棉上，以锤头为钢制的力锤作为激励源敲击所述谐波减速器，用信号采集软件采集一维声振信号。
3.根据权利要求1所述的一种谐波减速器出厂合格性判定方法，其特征在于，所述多尺度一维卷积神经网络包括多尺度卷积层、池化层和全连接层。
4.根据权利要求3所述的一种谐波减速器出厂合格性判定方法，其特征在于，所述多尺度卷积层通过多个不同尺度卷积核对输入信号进行不同尺度的卷积，卷积定义为：
yi K＝f[Convk∈K(X,Wk i)+bi]；
其中，yi K为以卷积核尺度K的i个输出特征；X为输入特征；WK i为以核尺度k的第i个卷积核；bi为输出第i个特征时所加的偏置；f为激活函数。
5.根据权利要求3所述的一种谐波减速器出厂合格性判定方法，其特征在于，所述池化层的运算表达式：
yi＝f[βidown(x)+bi]；
其中，down(*)为下采样函数；βi为第i个特征的权值；x对应卷积层的输出；bi为第i个特征的偏置。
6.根据权利要求3所述的一种谐波减速器出厂合格性判定方法，其特征在于，所述全连接层包括对应多层感知机的隐含层，在所述全连接层后接隐藏层，最后由Softmax多分类器完成分类。
7.一种谐波减速器出厂合格性判定装置，其特征在于，利用权利要求书1-6任一所述的一种谐波减速器出厂合格性判定方法进行判定，包括：谐波减速器，作为实验对象；吸声棉，用于降噪；力锤，作为激励源；声压传感器，用于测量声振数据；采集软件，用于采集声振数据；计算机，用于数据分析；其中，所述谐波减速器与所述声压传感器放置在所述吸声棉上，所述声压传感器、所述力锤均与所述采集软件相连，所述采集软件与所述计算机相连。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310046223.0A CN116026586A (zh) | 2023-01-31 | 2023-01-31 | 一种谐波减速器出厂合格性判定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310046223.0A CN116026586A (zh) | 2023-01-31 | 2023-01-31 | 一种谐波减速器出厂合格性判定方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116026586A true CN116026586A (zh) | 2023-04-28 |
Family
ID=86079268
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310046223.0A Pending CN116026586A (zh) | 2023-01-31 | 2023-01-31 | 一种谐波减速器出厂合格性判定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116026586A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180357542A1 (en) * | 2018-06-08 | 2018-12-13 | University Of Electronic Science And Technology Of China | 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method |
| CN111413075A (zh) * | 2020-04-02 | 2020-07-14 | 重庆交通大学 | 多尺度一维卷积神经网络的风机基座螺栓松动诊断方法 |
| CN112254964A (zh) * | 2020-09-03 | 2021-01-22 | 太原理工大学 | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 |
| CN112326210A (zh) * | 2019-07-17 | 2021-02-05 | 华北电力大学（保定） | 一种声振信号联合1d-cnn的大型电机故障诊断方法 |
| CN114386453A (zh) * | 2021-12-08 | 2022-04-22 | 上海电机学院 | 一种三相异步电机故障诊断方法及计算机可读介质 |
| CN115165078A (zh) * | 2022-06-22 | 2022-10-11 | 同济大学 | 基于捕获共振的宽频带高分辨率声学边界探测结构及方法 |
| CN115560982A (zh) * | 2022-09-30 | 2023-01-03 | 东华大学 | 一种谐波减速器出厂快速检测方法及装置 |
-
2023
- 2023-01-31 CN CN202310046223.0A patent/CN116026586A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180357542A1 (en) * | 2018-06-08 | 2018-12-13 | University Of Electronic Science And Technology Of China | 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method |
| CN112326210A (zh) * | 2019-07-17 | 2021-02-05 | 华北电力大学（保定） | 一种声振信号联合1d-cnn的大型电机故障诊断方法 |
| CN111413075A (zh) * | 2020-04-02 | 2020-07-14 | 重庆交通大学 | 多尺度一维卷积神经网络的风机基座螺栓松动诊断方法 |
| CN112254964A (zh) * | 2020-09-03 | 2021-01-22 | 太原理工大学 | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 |
| CN114386453A (zh) * | 2021-12-08 | 2022-04-22 | 上海电机学院 | 一种三相异步电机故障诊断方法及计算机可读介质 |
| CN115165078A (zh) * | 2022-06-22 | 2022-10-11 | 同济大学 | 基于捕获共振的宽频带高分辨率声学边界探测结构及方法 |
| CN115560982A (zh) * | 2022-09-30 | 2023-01-03 | 东华大学 | 一种谐波减速器出厂快速检测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 王春雷;路小娟;: "一种基于深度学习的电机轴承故障诊断方法", 兰州交通大学学报, vol. 39, no. 02 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112034789B (zh) | 一种数控机床关键部件及整机的健康评估方法，***及评估终端机 | |
| CN110175434B (zh) | 一种基于卷积神经网络的铁路扣件***损伤检测方法 | |
| Miao et al. | Online defect recognition of narrow overlap weld based on two-stage recognition model combining continuous wavelet transform and convolutional neural network | |
| CN113128338B (zh) | 一种小样本下印刷机滚筒故障的智能诊断方法 | |
| CN109886433A (zh) | 智能识别城市燃气管道缺陷的方法 | |
| CN110561191A (zh) | 基于pca与自编码器的数控机床刀具磨损数据处理方法 | |
| CN113032929A (zh) | 一种数值仿真驱动深度对抗迁移学习的轴承故障诊断方法 | |
| CN111272886A (zh) | 一种基于卷积神经网络的压力容器损伤定位方法 | |
| CN112668526A (zh) | 基于深度学习和压电主动传感的螺栓群松动定位监测方法 | |
| Han et al. | Acoustic emission intelligent identification for initial damage of the engine based on single sensor | |
| CN110555235A (zh) | 基于向量自回归模型的结构局部缺陷检测方法 | |
| CN112131781B (zh) | 基于全连接神经网络与传递率函数的钢结构损伤检测方法 | |
| CN113536924A (zh) | 一种钢纤维混凝土结构内部损伤类型检测方法 | |
| CN116026586A (zh) | 一种谐波减速器出厂合格性判定方法及装置 | |
| CN110320802B (zh) | 基于数据可视化的复杂***信号时序识别方法 | |
| Singh et al. | Damage identification using vibration monitoring techniques | |
| CN107122609A (zh) | 一种基于质量特性基因理论的机电产品质量评价方法 | |
| Hu et al. | Research on the fault identification method of oil pumping unit based on residual network | |
| CN113239730B (zh) | 一种基于计算机视觉的结构虚假模态参数自动剔除方法 | |
| CN108595860B (zh) | 一种基于计算机的桥梁施工竖向预应力钢筋检测*** | |
| WO2024065777A1 (en) | Method, apparatus, electronic device, and storage medium for diagnosing industrial fault | |
| Zheng et al. | Research on predicting remaining useful life of equipment based on health index | |
| CN108533573A (zh) | 一种基于第二代小波的液压缸内泄漏故障诊断方法 | |
| Xia et al. | Study on fracture fault diagnosis online method of bogie of maglev train | |
| CN117007685A (zh) | 一种基于迁移学习卷积神经网络的车轴故障诊断方法 |
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 |