CN110333054A - 一种针对白车身焊接设备的缓变微小故障检测方法 - Google Patents

Abstract

该发明公开了一种针对白车身焊接设备的缓变微小故障检测方法，属于故障检测领域。本发明从分析缓变缓变微小故障的时频特征入手，从抑制信号背景噪声和提升故障信号幅值两方面进行处理。将小波阈值去噪和经验模态分解相结合，有效消除了经验模态分解中存在的模态混叠和虚假模态分量的问题，并去除了生产线信号中的背景噪声；使用随机共振有效提升了故障信号的幅值，提高了故障信号的信噪比。使用本发明的方法可以检测出生产线设备发生的缓变微小故障，避免微小故障进一步恶化，保证生产线的正常运行，切实提高企业的经济效益。

Description

一种针对白车身焊接设备的缓变微小故障检测方法

技术领域

本发明专利涉及的是一种基于白车身焊接生产线的缓变微小故障检测方法，针对缓变微小故障特点对白车身焊接生产线上的实际数据进行检测，判断是否发生缓变微小故障。

背景技术

随着科学技术的飞速发展，工业生产进入了工业自动化阶段，越来越多的智能设备逐渐代替人工进行生产工作。然而，设备故障仍是新阶段所存在的隐患，严重的设备故障会对生产工作造成巨大的财产损失，甚至会危及生命。所谓积微成著，严重设备故障很多是由微小故障经过长期积累造成的。故障在发生前会出现相应的前兆：严重故障的前兆较为显著，其观测值与正常值偏离程度较大；微小故障的前兆较为微弱，其偏离程度较小。研究人员根据故障的时域特性，将微小故障分为三类：信号幅值小且变化缓慢的称为缓变缓变微小故障，此类故障在出现初期很难被传统检测方法发现，但是日积月累便会形成严重故障，可能会对设备及生产线造成严重的损害^[3]；信号幅值小且瞬时变化的称为突变微小故障，此类故障存在的时间很短暂，且在短时间内便可以达到其突变的最大限度；信号幅值小且随时间变化断断续续的称为间歇微小故障，此类故障通常是由设备或元器件因年久失修所造成的，故障信号若隐若现，是元器件或设备失效停机的前兆。

发明内容

本发明以白车身焊接生产线中的焊接设备为研究对象，针对生产过程中难以检测到缓变微小故障的问题，根据缓变微小故障信号的特征选择合适的信号处理方法，设计一种小波阈值去噪、经验模态分解、随机共振相结合的故障检测方法，实现更为精确的设备缓变微小故障检测。

本发明的技术方案是一种针对白车身焊接设备的缓变微小故障检测方法，该方法包括以下步骤：

步骤1：获取白车身焊接生产线中焊接设备的信号，该信号包括：下车体增焊线传送带驱动端转轴信号或车身总成线传送带驱动端转轴信号；

步骤2：使用小波阈值去噪对步骤1获取的信号进行滤波处理；

步骤3：将滤波后的信号进行经验模态分解，并筛选谱峭度值最大的3个本征模函数进行信号重构；

步骤4：将步骤3重构后的信号进行随机共振；

步骤4.1：构建随机共振系统为：

其中，a＞0，b＞0为随机共振系统参数，s(t)为步骤2得到的重构信号，n(t)为系统外加噪声，x为系统中布朗粒子位移距离；

步骤4.2：以随机共振系统输出最优信噪比为目标值，迭代计算出最优的随机共振模型参数a，b；

步骤4.3：将步骤4.2计算出最优随机共振系统参数a，b代入步骤4.1的随机共振模型中，得到完整的随机共振模型；

步骤5：将实时白车身焊接生产线中焊接设备的信号输入步骤4得到的随机共振模型中，若随机共振模型输出信号的频域波形有明显的凸起则存在缓变微小故障，否则不存缓变微小故障。

进一步的，所述步骤2的滤波方法为：

步骤2.1：选择合适的小波函数和分解层数，对步骤1获取的信号进行层分解，得到对应的小波分解系数；

步骤2.2：根据阈值函数得到相应的阈值，根据对应的阈值对步骤2.1得到的小波分解系数进行阈值处理，得到估计小波分解系数；

所述阈值函数为：

其中：η(ω_j,k)表示小波系数，ω_j,k表示小波变换系数，j表示分解层数，k表示正整数，δ表示阈值，α表示调节系数；

步骤2.3：使用小波反变换对估计小波分解系数进行重构，得到步骤1获取的信号的估计信号，即为去噪后的信号。

进一步的，所述步骤3的具体方法为：

步骤3.1：确定原始信号x(t)的所有局部极值点，将所有极大值点进行连接，形成上包络线x_max(t)；将所有极小值点进行连接，形成下包络线x_min(t)，此时的原始信号x(t)为步骤2得到的滤波后信号；

步骤3.2：计算上、下包络线的平均值m₁(t)，并用原始信号减去平均值m₁(t)：

h₁(t)＝x(t)-m₁(t)

步骤3.3：判断h₁(t)是否满足本征模函数的两个条件：

条件1为在整个信号序列中，极值点的数目和过零点的数目相减的绝对值不大于1；

条件2为在任一时刻点，将所有局部极值连接得到上包络线和下包络线，其平均值必须为0；

若满足，则h₁(t)就是信号x(t)的第一个本征模函数；若不满足，这将h₁(t)作为原信号，重复步骤3.1到步骤3.3直到得到第一个本征模函数；

步骤3.4：将分解得到的第一个本征模函数分量c₁(t)从步骤2得到的滤波后信号中进行分离，得到第一个分离后的信号为r₁(t)；

步骤3.5：将分离后的信号r₁(t)作为原始信号x(t)重复步骤3.1到步骤3.4计算得到第二个本征模函数和第二个分离后的信号；

步骤3.6：重复步骤3.5直到得到的分离后的信号不能再得到本征模函数，此时步骤2得到的滤波后信号x(t)被分解为n个本征模函数和一个残差信号：

步骤3.7：对分解得到的本征模函数进行快速傅里叶变换，取得其绝对值，计算各个本征模函数的包络谱；

步骤3.8：计算各个本征模函数的谱峭度值，选择谱峭度值最大的三个本征模函数对信号进行重构。

进一步的，所述步骤4.2中采用果蝇优化方法对随机共振系统参数a、b进行同步优化，具体方法为：

步骤4.2.1：针对两个优化参数有a、b，对应设定果蝇个体的规模，给定最大迭代次数N_max；

步骤4.2.2：初始化每个果蝇个体位置(X₁，Y₁)，(X₂，Y₂)，其中(X₁，Y₁)表示参数a对应的初始横纵坐标，(X₂，Y₂)表示参数b对应的初始横纵坐标；

步骤4.2.3：给出果蝇个体利用嗅觉搜寻食物的随机方向与距离：

其中，L表示搜索步长，i表示迭代次数；

步骤4.2.4：采用如下公式计算味道浓度判定值S_1,i、S_2,i；

步骤4.2.5：结合随机共振参数a和b的取值范围对味道判定值进行缩放：

a＝m*S_1,i

b＝n*S_2,i

式中，a∈[0,10]，b∈[0,1000]，为使定义域被限制在[0,10]之间，取m＝1，n＝100；

步骤4.2.6：将味道浓度判定值S_1,i，S_2,i分别代入适应度函数，求解出果蝇个体味道浓度：

Smell_1,i＝fitness(S_1,i)

Smell_2,i＝fitness(S_2,i)

步骤4.2.7：将随机共振系统输出信噪比SNR作为味道浓度判定函数Smell：

Smell＝SNR(S_r(a,b))

式中，S_r(a,b)是系统的输出结果；

步骤4.2.8：找出所有果蝇中味道浓度最高既信噪比最高的果蝇；

步骤4.2.9：保存步骤4.2.8得到的果蝇个体的味道浓度为最佳味道浓度值BestSmell以及对应的位置坐标；

步骤4.2.10：进入迭代寻优，重复执行步骤4.2.3至4.2.9，并判断本次迭代的最佳味道浓度是否大于已保存的最佳味道浓度值：若大于，则以该味道浓度代替原最佳味道浓度，并保存相应参数组合a、b，否则模型的最佳味道浓度和参数组合保持不变；

步骤4.2.11：迭代结束，获得最佳适应度函数和最优a、b参数值。

进一步的，所述步骤4.2中每一次迭代时分别计算两个步长下的最佳味道浓度，选择较大的一个进行保存，然后进行下一次循环；其中两个步长L′₁与L′₂的计算方法为：

式中，L₀为初始步长，N_max为最大迭代次数，N为当前迭代次数。

本发明从分析缓变缓变微小故障的时频特征入手，从抑制信号背景噪声和提升故障信号幅值两方面进行处理。将小波阈值去噪和经验模态分解相结合，有效消除了经验模态分解中存在的模态混叠和虚假模态分量的问题，并去除了生产线信号中的背景噪声；使用随机共振有效提升了故障信号的幅值，提高了故障信号的信噪比。使用本发明的方法可以检测出生产线设备发生的缓变微小故障，避免微小故障进一步恶化，保证生产线的正常运行，切实提高企业的经济效益。

附图说明

图1缓变微小故障检测方法流程图；

图2果蝇优化算法与随机共振结合流程图。

具体实施方式

一种白车身焊接生产线缓变微小故障检测方法，该方法包括以下步骤：

步骤1：使用小波阈值去噪对原始白车身焊接生产线信号进行滤波处理；

步骤2：将滤波后的信号进行经验模态分解，并筛选谱峭度值最大的3个本征模函数进行信号重构；

步骤3：将重构后的信号进行随机共振，观察频谱图得到故障频率，有效检测出缓变微小故障。

步骤1包括以下步骤：

1.1：选择合适的小波函数和分解层数，对含噪信号进行层分解，得到对应的小波分解系数；

1.2：构造阈值和阈值函数，对分解得到的小波分解系数进行阈值处理，得到估计小波分解系数；

1.2.1：对小波阈值去噪的阈值函数进行改进。传统阈值函数存在缺陷：硬阈值函数在阈值处不连续，软阈值函数存在恒定偏差；

1.2.2：L Breiman提出的Garrote阈值函数^[6]具有较好连续性，且当高阶可导，便于进行各种去噪处理。本方法借鉴Garrote阈值函数的思路对分式进行处理，并在分母中加入调节系数，改进后的阈值函数为：

式中，α为调节系数：当α＝0时阈值函数为Garrote阈值函数，当α＝∞时函数为硬阈值函数。

1.3：使用小波反变换对估计小波分解系数进行重构，得到原始信号的估计信号，即为去噪后的信号。

步骤2包括以下步骤：

2.1：确定信号x(t)的所有局部极值点，将所有极大值点进行连接，形成上包络线x_max(t)；将所有极小值点进行连接，形成下包络线x_min(t)。

2.2：计算上、下包络线的平均值m₁(t)，并与原始信号相减：

h₁(t)＝x(t)-m₁(t)

2.3：判断h₁(t)是否满足本征模函数的两个条件，若满足，则h₁(t)就是原信号x(t)的第一个本征模函数分量；但是对于非线性、非平稳信号，其实际局部均值与拟合包络均值可能不同，经过一次处理后得到的h₁(t)并不满足本征模函数的两个条件。此时需要把h₁(t)作为原信号，重复上述步骤可以得到：

h_1,1(t)＝h₁(t)-m_1,1(t)

2.4：经过k次反复筛选，可使h_1,k(t)满足本征模函数的两个条件，这时h_1,k(t)即为x(t)的一个本征模函数：

h_1,k(t)＝h_1,k-1(t)-m_1,k(t)

2.5：将分解得到的本征模函数与原信号进行分离：

r₁(t)＝x(t)-c₁(t)

2.6：将新的分解信号r₁(t)按照步骤2.1至2.4进行处理，可以得到信号r₂(t)。迭代多次可以得到：

2.7：当残差信号r_n(t)成为一个单调信号、无法继续提出本征模函数，或残差信号r_n(t)的上下包络线平均值足够小时，信号不再满足迭代法则，分解停止。

2.8：经过经验模态分解，原信号x(t)被分解为n个本征模函数和一个残差信号：

2.9：对分解得到的本征模函数进行快速傅里叶变换(FFT)，取得其绝对值，计算各个本征模函数的包络谱；

2.10：计算各个本征模函数的谱峭度值，选择谱峭度值较大的三个本征模函数对信号进行重构。

步骤3包括以下步骤：

3.1：将得到的重构信号进行随机共振；

常用非线性系统中双稳态系统势函数：

式中，a＞0，b＞0为系统势阱参数；

双稳态系统朗之万(Langevin)方程：

式中，s(t)为步骤2得到的重构信号，n(t)为系统外加噪声；

取s(t)＝Asin(ωt)、带入朗之万方程：

式中，A为信号幅值，ω为信号频率，D是噪声强度，ε(t)是期望为0、方差为1的白噪声；

有两个极小值点和一个极大值点x＝0，两个稳定势阱点为一个不稳定势垒点为x＝0，势垒高度

3.2：系统在微弱信号s(t)和噪声信号n(t)共同作用下时，噪声能量会部分转移给信号使之产生交互作用克服系统势垒高度ΔU,故采用果蝇优化算法对随机共振系统参数a、b进行同步优化，使系统达到随机共振状态，放大微弱信号s(t)。

3.2.1：优化参数有a、b两个，对应设定果蝇个体的规模，给定最大迭代次数N_max；

3.2.2：初始化每个果蝇个体位置：

(X₁，Y₁)表示参数a对应的初始横纵坐标，(X₂，Y₂)表示参数b对应的初始横纵坐标；

3.2.3：给出果蝇个体利用嗅觉搜寻食物的随机方向与距离：

其中，L′表示搜索步长；

3.2.4：由于开始无法获知食物的具体位置，所以先计算果蝇个体与原点之间的距离Dist_1,i、Dist_2,i，再计算味道浓度判定值S_1,i、S_2,i，其中味道浓度判定值S_1,i、S_2,i的计算方法相同，下文采用S_i表示S_1,i或S_2,i，

S_i＝1/Dist_i

3.2.5：结合随机共振参数a和b的取值范围对味道判定值进行缩放：

a＝m*S_1,i

b＝n*S_2,i

式中，a∈[0,10]，b∈[0,1000]，为使定义域被限制在[0,10]之间，取m＝1，n＝100；

3.2.6：将味道浓度判定值S_i代入适应度函数，求解出果蝇个体味道浓度：

Smell_i＝fitness(S_i)

3.2.7：将随机共振系统输出信噪比SNR作为味道浓度判定函数：

式中，S_r(a,b)是系统的输出结果，Sp为信号功率，Np为噪声功率；

3.2.8：找出果蝇群体中味道浓度最高的果蝇：

[bestSmell,bestIndex]＝max(Smell)

3.2.9：保存果蝇个体中最佳味道浓度值BestSmell以及位置坐标：

SmellBest＝bestSmell

3.2.10：对果蝇步长进行改进，为提高果蝇算法的收敛速度与全局寻优能力，在动态非线性步长策略的基础上，提出一种动态非线性双步长策略，即在每一次迭代过程中分别使用L′₁与L′₂两种步长更新果蝇搜寻食物的方向与距离：

式中，L₀为初始步长，N_max为最大迭代次数，N为当前迭代次数；对比使用两种步长L′₁与L′₂的最佳浓度值，保留两者当中较好的浓度值，并将该浓度值的位置坐标作为下一次迭代的初始坐标；

3.2.11：进入迭代寻优，重复执行步骤3.2.3至3.2.9，并判断本次迭代的最佳味道浓度是否优于已保存的最佳味道浓度值：若大于，则以该味道浓度代替原最佳味道浓度，并保存相应参数组合a、b，否则模型的最佳味道浓度和参数组合保持不变；

3.2.12：迭代结束，获得最佳适应度函数和最优a、b参数值；

3.3：使用最优系统参数a、b对实时输入信号进行随机共振，若随机共振输出信号的频域波形有明显的凸起则存在缓变微小故障，否则不存故障。

Claims (5)

1.一种针对白车身焊接设备的缓变微小故障检测方法，该方法包括以下步骤：

步骤1：获取白车身焊接生产线中焊接设备的信号，该信号包括：下车体增焊线传送带驱动端转轴信号或车身总成线传送带驱动端转轴信号；

步骤2：使用小波阈值去噪对步骤1获取的信号进行滤波处理；

步骤3：将滤波后的信号进行经验模态分解，并筛选谱峭度值最大的3个本征模函数进行信号重构；

步骤4：将步骤3重构后的信号进行随机共振；

步骤4.1：构建随机共振系统为：

其中，a＞0，b＞0为随机共振系统参数，s(t)为步骤2得到的重构信号，n(t)为系统外加噪声，x为系统中布朗粒子位移距离；

步骤4.2：以随机共振系统输出最优信噪比为目标值，迭代计算出最优的随机共振模型参数a，b；

步骤4.3：将步骤4.2计算出最优随机共振系统参数a，b代入步骤4.1的随机共振模型中，得到完整的随机共振模型；

步骤5：将实时白车身焊接生产线中焊接设备的信号输入步骤4得到的随机共振模型中，若随机共振模型输出信号的频域波形有明显的凸起则存在缓变微小故障，否则不存缓变微小故障。

2.如权利要去1所述的一种针对白车身焊接设备的缓变微小故障检测方法，其特征在于所述步骤2的滤波方法为：

步骤2.1：选择合适的小波函数和分解层数，对步骤1获取的信号进行层分解，得到对应的小波分解系数；

步骤2.2：根据阈值函数得到相应的阈值，根据对应的阈值对步骤2.1得到的小波分解系数进行阈值处理，得到估计小波分解系数；

所述阈值函数为：

其中：η(ω_j,k)表示小波系数，ω_j,k表示小波变换系数，j表示分解层数，k表示正整数，δ表示阈值，α表示调节系数；

步骤2.3：使用小波反变换对估计小波分解系数进行重构，得到步骤1获取的信号的估计信号，即为去噪后的信号。

3.如权利要去1所述的一种针对白车身焊接设备的缓变微小故障检测方法，其特征在于所述步骤3的具体方法为：

步骤3.1：确定原始信号x(t)的所有局部极值点，将所有极大值点进行连接，形成上包络线x_max(t)；将所有极小值点进行连接，形成下包络线x_min(t)，此时的原始信号x(t)为步骤2得到的滤波后信号；

步骤3.2：计算上、下包络线的平均值m₁(t)，并用原始信号减去平均值m₁(t)：

h₁(t)＝x(t)-m₁(t)

步骤3.3：判断h₁(t)是否满足本征模函数的两个条件：

条件1为在整个信号序列中，极值点的数目和过零点的数目相减的绝对值不大于1；

条件2为在任一时刻点，将所有局部极值连接得到上包络线和下包络线，其平均值必须为0；

若满足，则h₁(t)就是信号x(t)的第一个本征模函数；若不满足，这将h₁(t)作为原信号，重复步骤3.1到步骤3.3直到得到第一个本征模函数；

步骤3.4：将分解得到的第一个本征模函数分量c₁(t)从步骤2得到的滤波后信号中进行分离，得到第一个分离后的信号为r₁(t)；

步骤3.5：将分离后的信号r₁(t)作为原始信号x(t)重复步骤3.1到步骤3.4计算得到第二个本征模函数和第二个分离后的信号；

步骤3.6：重复步骤3.5直到得到的分离后的信号不能再得到本征模函数，此时步骤2得到的滤波后信号x(t)被分解为n个本征模函数和一个残差信号：

步骤3.7：对分解得到的本征模函数进行快速傅里叶变换，取得其绝对值，计算各个本征模函数的包络谱；

步骤3.8：计算各个本征模函数的谱峭度值，选择谱峭度值最大的三个本征模函数对信号进行重构。

4.如权利要去1所述的一种针对白车身焊接设备的缓变微小故障检测方法，其特征在于所述步骤4.2中采用果蝇优化方法对随机共振系统参数a、b进行同步优化，具体方法为：

步骤4.2.1：针对两个优化参数有a、b，对应设定果蝇个体的规模，给定最大迭代次数N_max；

步骤4.2.2：初始化每个果蝇个体位置(X₁，Y₁)，(X₂，Y₂)，其中(X₁，Y₁)表示参数a对应的初始横纵坐标，(X₂，Y₂)表示参数b对应的初始横纵坐标；

步骤4.2.3：给出果蝇个体利用嗅觉搜寻食物的随机方向与距离：

其中，L表示搜索步长，i表示迭代次数；

步骤4.2.4：采用如下公式计算味道浓度判定值S_1,i、S_2,i；

步骤4.2.5：结合随机共振参数a和b的取值范围对味道判定值进行缩放：

a＝m*S_1,i

b＝n*S_2,i

式中，a∈[0,10]，b∈[0,1000]，为使定义域被限制在[0,10]之间，取m＝1，n＝100；

步骤4.2.6：将味道浓度判定值S_1,i，S_2,i分别代入适应度函数，求解出果蝇个体味道浓度：

Smell_1,i＝fitness(S_1,i)

Smell_2,i＝fitness(S_2,i)

步骤4.2.7：将随机共振系统输出信噪比SNR作为味道浓度判定函数Smell：

Smell＝SNR(S_r(a,b))

式中，S_r(a,b)是系统的输出结果；

步骤4.2.8：找出所有果蝇中味道浓度最高既信噪比最高的果蝇；

步骤4.2.9：保存步骤4.2.8得到的果蝇个体的味道浓度为最佳味道浓度值BestSmell以及对应的位置坐标；

步骤4.2.10：进入迭代寻优，重复执行步骤4.2.3至4.2.9，并判断本次迭代的最佳味道浓度是否大于已保存的最佳味道浓度值：若大于，则以该味道浓度代替原最佳味道浓度，并保存相应参数组合a、b，否则模型的最佳味道浓度和参数组合保持不变；

步骤4.2.11：迭代结束，获得最佳适应度函数和最优a、b参数值。

5.如权利要去4所述的一种针对白车身焊接设备的缓变微小故障检测方法，其特征在于所述步骤4.2中每一次迭代时分别计算两个步长下的最佳味道浓度，选择较大的一个进行保存，然后进行下一次循环；其中两个步长L′₁与L′₂的计算方法为：

式中，L₀为初始步长，N_max为最大迭代次数，N为当前迭代次数。