-
公开(公告)号：CN119820628A
公开(公告)日：2025-04-15
申请号：CN202510030839.8
申请日：2025-01-08
Applicant: 昆明理工大学
Abstract: 本发明公开了一种基于IMU传感器误差校准的无监督工业机器人异常检测方法，包括：对采集到的原始数据中的姿态信号进行校准；然后根据校准的姿态信号和原始数据中的重力加速度信号计算三维自由加速度信号；将三维自由加速度信号划分训练集和测试集；基于训练集对卷积自编码器模型进行训练；将训练集和测试集中的每一个信号作为训练好的卷积自编码器模型的输入，然后通过模型重构得到对应的输出信号；将输入和输出相减得到三维重构误差信号；基于三维重构误差信号，获得误差球半径；依据误差球半径，获得异常分；依据训练集信号的异常分，确定异常边界值作为异常检测阈值；将测试集信号异常分与异常检测阈值进行比较实现检测。本发明可以有效地对工业机器人异常进行检测。
-
公开(公告)号：CN115017953B
公开(公告)日：2024-12-03
申请号：CN202210684400.3
申请日：2022-06-17
Applicant: 昆明理工大学
IPC: G06F18/20 , G06F18/10 , G06F18/213 , G06F18/2321
Abstract: 本发明公开了一种基于密度峰值聚类的稀疏分量分析的机械故障诊断方法，属机械设备状态监测及故障诊断技术领域，该方法首先拾取机械振动的观测信号；使用sinC函数构建结构元素，并基于sinC型结构元素构造组合滤波器，对观测信号进行形态滤波(MF)处理，并对滤波后的信号进行归一化处理并取绝对值；对归一化信号通过密度峰值聚类算法来得到聚类中心；利用聚类中心对滤波信号进行正交匹配追踪重构，得到解调源信号；然后对估计的源信号进行FFT，对变换后的信号的频域进行分析，最终实现盲源分离的故障诊断，本发明不要求故障数量已知，可以充分实现故障信号的盲源分离。
-
公开(公告)号：CN113405795B
公开(公告)日：2023-12-12
申请号：CN202110691783.2
申请日：2021-06-22
Applicant: 昆明理工大学
IPC: G01M13/028
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。
-
公开(公告)号：CN116625684A
公开(公告)日：2023-08-22
申请号：CN202310422150.0
申请日：2023-04-19
Applicant: 昆明理工大学
IPC: G01M13/045 , G06F18/10 , G06F18/2131 , G06F18/24 , G06F18/23213 , G06N3/0464
Abstract: 本发明公开了一种基于盲解卷积的机械故障诊断方法、系统，方法包括：通过加速度传感器拾取机械振动的观测信号；构建加权能量阈值系数，并基于加权能量阈值系数对传感器采集的机械振动观测信号进行单源点检测，获得特征数据及估计的源数目H；对筛选出的特征数据进行归一化，得到方向角表示的特征数据；对方向角表示的特征数据进行聚类处理并得到聚类中心和隶属度；基于聚类中心和隶属度从包含复合故障的信号中重构并分离出H个包含单一故障的源信号，对分离的源信号进行逆短时傅里叶变换从而得到时域源信号；对时域源信号进行特征增强；对增强后的信号进行包络分析判断故障类型。本发明可以在未知源数目个数的情况下，实现复合故障盲分离，利用机械振动信号进行故障特征提取及诊断。
-
公开(公告)号：CN116296338A
公开(公告)日：2023-06-23
申请号：CN202310329968.8
申请日：2023-03-30
Applicant: 昆明理工大学
IPC: G01M13/00 , G01M13/045
Abstract: 本发明公开了一种旋转机械故障诊断方法，包括：采取不同工况轴承上的采集的振动信号构建样本数据集；依据样本数据集，用三种不同的诊断方法对轴承状态进行分类，获得分类准确率；依据分类准确率，确定诊断结果。本发明一方面通过将相同的数据集采用三种不同的诊断方法进行筛选可以更准确地判断旋转机械故障类别；另一方面，验证了基于VGG11神经网络改进获得的小波卷积神经网络模型作为第三诊断方法中的基础框架的有效性，通过优化后的小波基来提取特征更为敏感、有效，训练的模型准确率更高，是将深度学习引入故障诊断领域的新方法，为树莓派、嵌入式系统等资源不足设备中部署机器学习模型提供了新的方法；同时实验数据为多次实验的结果，避免了结果的偶然性。
-
Patent Agency Ranking
公开(公告)号：CN111469128A
公开(公告)日：2020-07-31
申请号：CN202010314574.1
申请日：2020-04-21
Applicant: 昆明理工大学
IPC: B25J9/16
Abstract: 本发明公开了一种关节型机器人电流耦合信号分离提取方法，属工业机器人状态监测及故障诊断领域，该方法首先获取机器人待研究关节在单关节运动状态下和双关节联动状态下电机编码器的反馈脉冲信号并计算得到实时转角；然后基于动力学仿真模型获得关节驱动力矩；通过驱动力矩与电流的关系得到绕组电流并据此判断是否存在耦合作用；最后获取机器人电流信号，经过滤波处理之后提取其包络，实现机器人关节电流信号耦合分离；本方法对机器人关节电流的噪声大小没有要求，对任何运作环境下的关节电流信号都能通过滤波处理滤除噪声得到光滑的电流信号，进而进行包络提取，实现任何运作环境下的关节机器人电流信号耦合作用部分与和耦合无关部分的分离。
-
公开(公告)号：CN110686768A
公开(公告)日：2020-01-14
申请号：CN201910985873.5
申请日：2019-10-17
Applicant: 昆明理工大学
IPC: G01H17/00
Abstract: 本发明公开了一种改进的旋转机械非平稳振动信号计算阶比分析方法，所述方法包括：对键相脉冲信号进行预处理获得时间点序列、时间差序列、时间增增益序列，对预处理得到的时间增益序列进行相似运算，对相似运算得到的相似系数序列进行加速度分类获得增益分类序列，对增益分类序列依次按照从时间差序列、时间点序列进行逆向推导获取分类时间点序列，使用分类时间点序列对非平稳振动信号进行角域重采样获得角域重采样信号，对角域重采样信号进行快速傅里叶变换获得阶比谱。本发明可以有效地用于旋转机械非平稳振动信号计算阶比分析，并比传统方法运算效率更高。
-
公开(公告)号：CN116337449A
公开(公告)日：2023-06-27
申请号：CN202310294325.4
申请日：2023-03-24
Applicant: 昆明理工大学
IPC: G01M13/045 , G06F18/25 , G06F18/2415 , G06F18/2136 , G06F18/23 , G06N3/0455 , G06N3/047 , G06N3/048 , G06N3/088
Abstract: 本发明公开了一种基于信息融合的稀疏自编码故障诊断方法、系统，包括：采集不同故障状态下的振动加速度信号；依据加速度信号，获得频谱、速度、位移信号；将频谱、速度、位移信号拼接融合成一个样本；将多个样本构建的数据集划分训练集样本和测试集样本；将带标签的训练集输入用于故障诊断的稀疏自编码模型中，预训练用于故障诊断的稀疏自编码模型的参数；将不含标签的测试集样本输入到保存的预训练模型中进行测试；将保存的模型用于故障诊断。本发明能实现对滚动轴承等的故障诊断，不需要人工提取或定义特征，就能减少网络层数并提高了故障诊断准确率。
-
公开(公告)号：CN114813117B
公开(公告)日：2023-04-07
申请号：CN202210385732.1
申请日：2022-04-13
Applicant: 昆明理工大学
IPC: G01M13/028 , G06F17/13 , G06F18/24 , G06F18/213 , G06F18/10
Abstract: 本发明公开了一种用于RV减速器的故障诊断方法、装置。本发明首先提取一个整周运动的信号，随后再以连续小波变换对整周信号进行时频分析，并截取上升运动中的平稳阶段信号。通过截取这一步操作，降低所分析信号中的非平稳振动成分，使得信号的各项理论计算值与实际计算值偏差尽可能缩小，将非平稳信号近似地转化为平稳信号。随后考虑NeighCoeff方法，将相邻的系数作为整体来设定阈值，不仅能保留更多的特征信息，而且其降噪效果也比小波阈值降噪的好。因此本发明使用NeighCoeff方法对截取后的信号在保留更多冲击信息的同时，进行滤波降噪。最后，对降噪信号进行FFT，对变换后的频域信号进行故障诊断。
-
公开(公告)号：CN111975784A
公开(公告)日：2020-11-24
申请号：CN202010918331.9
申请日：2020-09-03
Applicant: 昆明理工大学
Abstract: 本发明公开了一种基于电流和振动信号的关节机器人故障诊断方法，该方法首先拾取机器人待研究关节的电机电流信号与关节振动信号；对电机电流信号进行滤波处理提取关节电机电流信号的瞬时频率；使用关节电机电流信号提取的瞬时频率计算关节电机轴的实时转角；对振动信号进行低通滤波处理；确定最大阶比范围并等分转角，得到等角度采样时序并对滤波后的振动信号进行等角度采样；最后对振动信号的等角度采样序列进行傅里叶变换得到机器人关节振动信号阶比谱并分析，实现机器人关节故障诊断；本方法中振动阶比分析所需的一阶频率提取非常方便快捷，只需保证振动与电流同步采集便可以完成振动信号平稳化处理，进而完成机器人关节故障诊断与状态检测。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.027 seconds)
