(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210886068.9 (22)申请日 2022.07.26 (71)申请人 重庆工程职业 技术学院 地址 402260 重庆市江津区滨江新城南北 大道1号 (72)发明人 谢长贵　王重阳　马琼　郭彬路　 何鑫　庹鹏程　 (74)专利代理 机构 丽水创智果专利代理事务所 (普通合伙) 33278 专利代理师 查达林 (51)Int.Cl. B25J 9/16(2006.01) (54)发明名称 一种基于中值神经网络的工业机器人故障 模式识别方法 (57)摘要 本发明公开了一种基于中值神经网络的工 业机器人故障模式识别方法， 包括获取各种故障 模式对应的振动信号， 建立故障模式训练数据 集； 利用中值神经元与粒子群算法构建模式识别 网络模型； 根据所述故障模式训练数据集对所述 模式识别网络模 型进行训练； 采集重载机器人的 实时振动信号， 根据所述实时振动信号及训练完 备后的模式识别网络模型， 判断重载机器人是否 发生故障及发生的故障类型。 本发 明提出的技术 方案的有益效果是： 针对恶劣工况下重载机器人 的故障特点， 构建一种新的中值神经网络模型， 该模型采用了不受异常值影 响的中值神经元， 采 用中位数和乘法函数用作聚合函数作为聚合函 数， 提高故障模式识别的速度与精度。 权利要求书2页 说明书7页 附图3页 CN 115070774 A 2022.09.20 CN 115070774 A 1.一种基于中值神经网络的工业机器人故障模式识别方法， 其特征在于， 包括如下步 骤： S1、 获取各种故障模式对应的振动信号， 建立故障模式训练数据集； S2、 利用中值神经 元与粒子群算法构建模式识别网络模型； S3、 根据所述故障模式训练数据集对所述模式识别网络模型进行训练； S4、 采集重载机器人的实时振动信号， 根据所述实时振动信号及训练完备后的模式识 别网络模型， 判断重载机器人 是否发生故障及发生的故障类型。 2.根据权利要求1所述的基于中值神经网络的工业机器人故障模式识别方法， 其特征 在于， 所述步骤S1中， 获取各种故障模式对应的振动信号， 建立故障模式训练数据集， 具体 包括： S11、 获取各种故障模式下， 重载机器人关键 部位的原 始振动信号； S12、 对各个所述原 始振动信号进行降噪处 理； S13、 对各个降噪后的振动信号进行归一化处理得到若干个输入向量， 若干个输入向量 构成训练数据集。 3.根据权利要求2所述的基于中值神经网络的工业机器人故障模式识别方法， 其特征 在于， 所述步骤S12中， 对各个所述原始振动信号进行降噪处理具体为： 配置陷波滤波器的 中心频率， 将各个所述原 始振动信号 通过配置后的陷波滤波器进行降噪处 理。 4.根据权利要求3所述的基于中值神经网络的工业机器人故障模式识别方法， 其特征 在于， 配置陷波滤波器的中心频率的步骤具体包括： S121、 获取重载机器人各个轴的轴惯量， 根据各个轴的轴惯量计算出各关节等效惯量 Jarm； S122、 通过扭转刚度测量装置测定 重载机器人细分组合关节角下的不同扭转刚度值 k； S123、 根据公式 计算可得各关节的共振频率， 根据各关节的共振频率配置陷 波滤波器的中心频率。 5.根据权利要求1所述的基于中值神经网络的工业机器人故障模式识别方法， 其特征 在于， 所述 步骤S2中， 构建模式识别网络模型 具体为： 用中位数和乘法函数用作聚合函数， 在网络输入模式中含有异常或故障特征值的前提 下， 与粒子群反向传播 算法结合， 构建模式识别网络模型。 6.根据权利要求1所述的基于中值神经网络的工业机器人故障模式识别方法， 其特征 在于， 所述步骤S 3中， 根据所述 故障模式训练数据集对所述模式识别网络模型进 行训练， 具 体包括如下步骤： S31、 将输入向量 导入模式识别网络模型的输入层； S32、 根据隐含层与输出层间神经元的权重以及所述输入向量， 得到隐含层中各个神经 元的净输入值； S33、 根据输入向量， 获取隐含层的节点输出； S34、 根据隐含层中各个神经元的净输入值以及隐含层的节点输出， 得到输出层的节点 输出； S35、 将输出层的节点输出与期望输出进行比较， 若不符合， 则进入误差的反向传播阶权　利　要　求　书 1/2 页 2 CN 115070774 A 2段， 反向传播阶段采用粒子群算法进行反向求 导， 进行梯度下降更新 参数； S36、 重复步骤S31 ‑S35， 直到输出层的节点输出与期望 输出符合， 模型训练完成。 7.根据权利要求6所述的基于中值神经网络的工业机器人故障模式识别方法， 其特征 在于， 所述步骤S32中， 根据隐含层与输出层间神经元的权重以及所述输入向量， 得到隐含 层中各个神经 元的净输入值， 具体公式为： X＝[x1x2…xi…xn]T Wj＝[wj1wj2…wji…wjn] 其中， X为输入向量， xi为输入向量的第i个数据， i为大于0的自然数， n为输入向量的数 据个数， Wj为隐含层与输出层间第j 个神经元的权重， wji为第i个数据在第j 个神经元中对应 的权重值， Sj为隐含层中第j个神经 元的净输入值。 8.根据权利要求7所述的基于中值神经网络的工业机器人故障模式识别方法， 其特征 在于， 所述 步骤S33中， 根据输入向量， 获取隐含层的节点输出， 具体公式为： 其中， zk为隐含层的节点输出， k为神经元的编号， xi为输入向量的第i个数据， i为大于0 的自然数， vki为输入层与隐含层间的权 重。 9.根据权利要求1所述的基于中值神经网络的工业机器人故障模式识别方法， 其特征 在于， 所述步骤S34中， 根据隐含层中各个神经元的净输入值以及隐含层的节点输出， 得到 输出层的节点输出， 具体公式为： 其中， yj为输出层的节点输 出， zk为隐含层的节点输出， k为神经元的个数， wjk为第k个数 据在第j个神经 元中对应的权 重值， k为神经元的编号， q为隐含层的神经 元个数。 10.一种计算机可读存储介质， 其特征在于， 其上存储有计算机程序， 所述计算机该程 序被处理器执行时， 实现如权利要求1 ‑9中任意一项所述的基于中值神经网络的工业机器 人故障模式识别方法。权　利　要　求　书 2/2 页 3 CN 115070774 A 3