基于卷积神经网络的RV减速器磨粒分析与故障诊断研究.pdfVIP

摘要

RV(RotateVector)减速器是工业机器人中的核心部件，价格昂贵，且需具备较高

的传动精度。然而，RV减速器的磨损会降低RV减速器的传动精度。另外，当RV

减速器出现故障时，还可能导致重大安全事故发生。利用铁谱技术可以采集RV减速

器磨粒图像，并分析RV减速器的磨损严重程度以及磨损类型，而利用振动技术则可

以采集RV减速器的振动信号，并对RV减速器的健康状况进行及时诊断。然而，RV

减速器磨粒图像与振动信号较为复杂，传统方法难以获得较准确的诊断结果。为此，

本研究引入卷积神经网络方法，针对RV减速器磨粒分析以及故障诊断中的关键技术

问题，开展了一系列研究工作，论文主要研究内容包括：

(1)考虑到RV减速器的磨粒会在磨粒图像中出现重叠，提出了一种改进U-Net

卷积神经网络的RV减速器磨粒图像分割方法。首先，提出了磨粒边缘分割网络来辅

助模型分离重叠磨粒；其次，针对磨粒边缘分割中出现的样本不平衡问题，提出了

两种新的损失函数来优化网络模型；再次，为了从复杂的磨粒图像中提取磨粒特征，

设计了注意力机制模块。实验结果表明，相比于现有方法，提出的方法可以更好地

分离重叠磨粒。良好的分割结果可为智能化地分析RV减速器中的磨粒奠定基础。

(2)针对RV减速器磨粒样本较少的问题，提出了一种基于卷积神经网络微调的

磨粒图像识别新方法。与一般的微调方法不同，考虑到磨粒图像与自然图像风格差

异较大，提出了采取不同更新策略微调不同类型网络层的微调方案，并通过实验验

证了提出方法的有效性。实验结果表明，提出的方法可以较好地解决少样本的RV减

速器磨粒图像识别问题。此外，相比于从头训练卷积神经网络模型，提出的模型微

调方案可以提升7%以上的磨粒图像识别准确率。

(3)考虑到大型卷积神经网络模型存在磨粒特征提取冗余以及复杂度高的问题，

提出了一种改进残差卷积神经网络的RV减速器磨粒图像识别方法。首先，考虑到磨

粒训练样本不足，提出了一种图块重排列的数据增强方法；其次，考虑到磨粒特征

提取冗余，提出了一种特征提取损失函数来优化磨粒特征提取结果；再次，考虑到

磨粒尺寸变化范围大，提出了一种多尺度特征提取模块。实验结果表明，相比于其

他方法，提出的方法可以更好地提取RV减速器的磨粒特征，并且可以利用更少的参

数和计算力获得更高的磨粒图像识别准确率。

(4)RV减速器中多个零件都会产生振动，采集到的振动信号较为复杂。为此，提

出了一种特征加权卷积神经网络的RV减速器故障诊断方法。提出的方法首先利用普

通卷积核对RV减速器的振动信号进行特征提取，然后设计特征加权模块对提取的特

征进行自动加权，突出重要特征并削弱对当前故障诊断用处不大的特征。实验结果

表明，相比于其他方法，提出的方法可以进一步提升RV减速器的故障诊断准确率。

(5)转速和载荷的变化以及噪声干扰会导致卷积神经网络在RV减速器故障诊断

中出现误诊。为此，提出了一种抗干扰卷积神经网络的RV减速器故障诊断方法。首

先，在抗干扰卷积神经网络模型中设计了特征干扰层，用来干扰模型训练，增强模

型的特征学习能力；然后，通过实验分析了模型在RV减速器转速和载荷变化以及噪

声干扰下的鲁棒性；最后，讨论了特征干扰层中的超参数对模型结果的影响。实验

结果表明，相比于其他方法，提出的方法可以在工况变化以及噪声干扰条件下获得

较高的故障诊断准确率。此外，特征干扰层中的参数设置不需要较多经验，进一步

突出了提出方法的优越性。

关键词：故障诊断；振动技术；磨粒分析；铁谱技术；RV减速器；卷积神经网络

ABSTRACT

RV(rotatevector)reducersarethekeycomponentsofindustrialrobots,whichare

expensiveandneedtomaintainhightransmissionaccuracy.However,thewearofRV

reducers’partswillreducethetransmissionaccuracyofRVreducersandmayleadto

sa