随着智能制造和高质量发展战略的推进,现代企业生产数字化和信息化水平不断提高,工业机器人在生产制造领域的应用规模也不断扩大。工业机器人性能的退化和故障的发生都将严重影响着企业安全生产与经济效益。齿轮减速器作为工业机器人的核心部件之一,对其进行状态监测和故障诊断显得尤为重要。在过去大多数的研究中,振动信号常被用来对齿轮减速器进行监测和故障诊断,但在实际应用中由于齿轮减速器的复杂结构和高度集成,限制了振动传感器的安装空间和信号采集。电机电流信号分析作为一种实时便利的感知手段,对工业机器人运行状态监测和诊断具有较好的经济性和工程应用价值。本文基于电流信号的监测和分析,开展工业机器人齿轮减速器故障特征提取与诊断研究。行星齿轮减速器的性能高度影响机器的运行状态。如运行过程中,不合理齿隙的出现会导致周期性冲击振动,导致设备加速老化,甚至使得设备过早损坏。本文提出了一种基于电机电流信号分析的行星齿轮减速器齿隙故障检测方法。通过运用稀疏自编码自动提取原始电流信号的频域数据的故障特征,并引入Fisher准则评估特征敏感性,选择最有效的故障特征子集来提高诊断精度和诊断效率。实验数据表明,在不同负载条件下,所提出方法具有较高的诊断准确率和效率。针对工业机器人RV减速器结构复杂、监测信号传递路径长、故障特征信息不易提取等问题。基于电机电流信号分析理论,提出稀疏自编码和m RMR算法结合的RV减速器故障特征提取方法。解决了运用电流信号进行RV减速器故障诊断难以提取有效特征的问题。首先,将采集的驱动电机电流数据转换到频域,研究了不同超参数对稀疏自编码的特征提取能力的影响,利用优化参数后的稀疏自编码对频域信号自动提取故障特征;然后利用m RMR算法重点解决了故障特征的冗余性问题,提取相关性最大,冗余性最小的特征,得到最优故障特征集。最后结合Soft Max分类层,实现对RV减速器的故障诊断。利用搭建的RV减速器故障实验台采集的电机电流数据进行了方法验证。研究结果表明:本文方法能够从RV减速器电机电流信号中提取并选择最有效的故障特征集,并进行故障分类识别。本文采用从行星齿轮减速器摆臂试验台以及RV减速器故障实验台采集的伺服电机电流信号,对基于稀疏自编码的故障特征提取与诊断方法的有效性进行了验证和评估。实验分析结果表明,所提方法比其他典型机器学习故障诊断方法,诊断准确率提高了10%～20%,具有更好的诊断效率和准确性。