韦赤冰

谐波减速器是工业机器人的核心精密传动部件，其运行状态直接决定机器人的精度与可靠性。由于其结构复杂且长期处于重载、变工况环境，易出现刚轮齿面损伤、柔轮疲劳断裂等故障。传统诊断方法依赖人工特征提取与专家经验，在强噪声、非平稳信号下性能受限。深度学习以其强大的自动特征学习与端到端诊断能力，为该领域提供了新的解决方案。本文系统综述了深度学习在该领域的研究进展：首先阐述了谐波减速器的典型故障机理及其振动信号的非平稳、非线性与强噪声特性；进而，依据模型架构，详细分析了卷积神经网络、循环神经网络、混合模型、迁移学习及多源信息融合等主流方法的原理、创新与性能，并对比了其优缺点；最后，探讨了小样本学习、强噪声与复合故障诊断、模型轻量化与边缘部署等当前挑战，并展望了数字孪生融合、小样本学习、自适应轻量化模型等未来方向，旨在为后续研究与工程应用提供参考。

谐波减速器；故障诊断；深度学习；卷积神经网络；迁移学习

[1] 邵未龙,李鹭扬,叶雯莉,等.基于神经网络的小型谐波柔轮结构参数优化[J].机械传动,2025,49(09):47-54. [2] 梅杰,张彤,郭政,等.杯形谐波减速器齿廓修形方法及寿命预测分析[J].机械传动,2024,48(10):51-60. [3] YANG G,ZHONG Y,YANG L,et al.Fault Detection of Harmonic Drive Using Multiscale Convolutional Neural Network[J].IEEETransactions on Instrumentation and Measurement,2021,70. [4] HE Y M,CHEN J H,ZHOU X,et al.In-situ fault diagnosis for the harmonic reducer of industrial robots via multi-scale mixedconvolutional neural networks[J].Journal of Manufacturing Systems,2023,66233-247. [5] 陈仁祥,张晓,李嘉琳,等.基于多特征空间自适应网络的谐波减速器故障诊断[J].振动工程学报,2025,38(02):432-440. [6] Zhi Z,Liu L,Liu D,et al.Fault detection of the harmonic reducer based on CNN-LSTM with a novel denoising algorithm[J].IEEESensors Journal,2021,22(3):2572-2581. [7] 康守强,章炜东,王玉静,等.基于信息融合子域适应的不同工况下谐波减速器故障诊断方法[J].仪器仪表学报,2024,45(3):61-71. [8] 石超,刘彪,郭世杰,等.基于改进联合分布适配和支持向量机的谐波减速器故障诊断[J].机电工程,2025,42(03):441-450. [9] 王玉静,李祎然,康守强,等.基于数字孪生的不同工况下谐波减速器故障诊断方法[J].机械工程学报,2025,61(18):12-26.

点击下载PDF