Fehlerdiagnose von 2RRU-RRS Parallelrobotern basierend auf einem Multi-Skalen Effizienten Kanalaufmerksamkeits-Residualnetz

Parallelroboter werden aufgrund ihrer einzigartigen Vorteile in vielen Bereichen weit verbreitet eingesetzt. Um deren Betriebssicherheit zu gewährleisten und Wartungskosten zu senken, ist die Entwicklung einer genauen und zuverlässigen Fehlerdiagnosemethode unerlässlich. Im Fokus steht der 2RRU-RRS Parallelroboter; diese Arbeit schlägt eine intelligente Fehlerdiagnosemethode vor, die auf einem multi-skalierten konvolutionalen Residualnetz mit integriertem Effizientem Kanalaufmerksamkeitsmechanismus (MS-ECA-ResNet) basiert. Zunächst werden die eindimensionalen Vibrationssignale mittels Continuous Wavelet Transform (CWT) in zweidimensionale Bilder umgewandelt, um die Zeit-Frequenz-Eigenschaften der Signale vollständig zu bewahren. Danach wird eine multi-skalige konvolutionale Merkmalsextraktionsstruktur entworfen, um die Fähigkeit des Modells zur Merkmalextraktion auf unterschiedlichen Zeitskalen zu verbessern. Weiterhin wird der ECA-Mechanismus in das Residualnetz eingeführt, um wichtige Merkmalskanäle zu verstärken und Rauschstörungen zu unterdrücken. Vergleichsexperimente, Tests unter Rauschbedingungen und Ablationsexperimente wurden auf einer 2RRU-RRS Parallelroboter-Experimentierplattform mit einem Vibrationssignal-Datensatz durchgeführt. Die Ergebnisse zeigen, dass die vorgeschlagene Methode eine überlegene Diagnosegenauigkeit und Robustheit im Vergleich zu typischen Deep-Learning-Modellen erreicht, insbesondere indem sie hohe Leistung unter simulierten Rauschbedingungen aufrechterhält. Dies bietet eine erste Validierung der Wirksamkeit der Methode bei der Erfassung von fehlerbezogenen Einflüssen und stellt einen potenziellen technischen Bezugspunkt für die Gesundheitsüberwachung von Parallelrobotern in realen Szenarien dar.