谐波减速器作为工业机器人核心部件,其性能是影响工业机器人加工精度的重要因素之一。由于其结构复杂且性能衰退具有强非线性,难以直接通过传统失效物理模型等理论计算方法对健康性能进行分析。为此,提出一种基于流形学习的降维方法,实现对谐波减速器健康状态的量化评估该方法提取不同状态下的原始信号时域特征作为高维输入向量,利用LargeVis流形学习方法将高维数据的内蕴流形在低维空间中得到表征,并构造马氏距离度量,建立状态数据与健康值之间的非线性映射关系,最终得到健康评估结果。通过加速寿命试验进行验证并与其他常见方法对比,该方法状态识别准确率高,鲁棒性更好,可快速实现数据可视化,能有效应用于机器人用谐波减速器的健康评估。

针对阀控非对称液压缸系统在采用PID控制器进行位置闭环控制时,存在液压缸活塞位置超调和由伺服阀阀芯切换导致控制效果差的问题,设计了基于高斯过程的非线性模型预测控制器。采用高斯过程回归训练得到阀控非对称缸系统的离散数学模型,通过求解二次规划问题,控制器输出最优序列。仿真结果表明,该机器学习方法有效估计了位置增量中噪声的标准差,预测输出更接近真实值;在多约束条件下能有效提高系统响应时间,保证活塞位置无超调,位置控制精度满足0.1 mm。