申请/专利权人:昆明理工大学
申请日:2023-11-27
公开(公告)日:2024-03-08
公开(公告)号:CN117668638A
主分类号:G06F18/241
分类号:G06F18/241;G06F18/214;G06F18/213
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.03.26#实质审查的生效;2024.03.08#公开
摘要:本发明提供一种基于DBN‑SVDD‑TCN的工业机器人关节寿命预测方法,该方法包括以下步骤:S1、采集工业机器人的RV减速器全寿命周期振动信号,进行降噪处理,并提取单一样本的幅值谱;S2、搭建DBN特征提取模块,将降噪后的RV减速器健康阶段的单一样本幅值谱作为训练样本。本发明包括三部分,在第一部分中,搭建DBN特征提取模型,并进行预训练,通过已完成训练的DBN模型提取RV减速器退化特征;在第二部分中,搭建了多核SVDD模型,通过多核函数优化SVDD,对RV减速器FPT节点进行准确定位;在第三部分中,搭建了TCN预测模型,将FPT节点后的工业机器人关节退化特征作为TCN模型的输入,对RV减速器的RUL进行预测,与其他方法相比较,本发明具有更高的RUL预测精度。
主权项:1.一种基于DBN-SVDD-TCN的工业机器人关节寿命预测方法,其特征在于:该方法包括以下步骤:S1、采集工业机器人的RV减速器全寿命周期振动信号,进行降噪处理,并提取单一样本的幅值谱;S2、搭建DBN特征提取模块,将降噪后的RV减速器健康阶段的单一样本幅值谱作为训练样本,通过贪婪学习对DBN模型进行预训练;S3、基于S2,将RV减速器全寿命周期的单一样本幅值谱作为DBN模型的输入,以DBN网络隐藏层节点的激活概率构建关节退化特征;S4、搭建多核SVDD模型,将S3中的退化特征作为多核SVDD模型的输入,定位RV减速器FPT节点;S5、将S4中FPT节点后的退化特征赋予退化标签,并作为TCN模型的输入,对RV减速器RUL进行预测。
全文数据:
权利要求:
百度查询: 昆明理工大学 一种基于DBN-SVDD-TCN的工业机器人关节寿命预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。