CN110696051A - 一种基于多分量信号分解的机械臂关节振动识别方法 - Google Patents

Abstract

本发明提供一种基于多分量信号分解的机械臂关节振动识别方法，包括以下步骤：(1)振动信号采集：控制柔性机械臂的目标关节在其极限运动空间内做往返转动，同时速度从最小按规律不断增加至极限速度，在此过程中不断获取该关节的速度误差信号，作为待处理的机械臂关节振动信号；(2)振动信号处理：选取适当大小的时间窗口，滑动截取采集到的机械臂关节振动信号，在每个窗口中，基于频谱集中性指标，将截取的信号分解为多个分量信号；(3)故障特征提取：对分解得到的各阶目标分量，计算其总能量，根据该总能量的变化情况判断并识别振动的发生。

Description

一种基于多分量信号分解的机械臂关节振动识别方法

技术领域

本发明涉及机器人领域，尤其涉及柔性机械臂的振动检测，具体为机械臂关节振动识别方法。

背景技术

柔性机械臂系统是一种非线性的刚柔耦合的时变多体动力学系统，被广泛应用于机器人及现代智能制造领域。在实际操作中，柔性体的弹性变形往往引起柔性机械臂的弹性振动，使柔性臂的可靠性下降。若能在机械臂出厂测试时，检测出振动不合格的机械臂，并识别出其对应的故障关节及故障原因，在一定程度上可提高机械臂的整体性能。

然而由于模块化关节是由谐波减速器、电机等组成的复杂系统，多激励源导致振动信号中包含多分量，且由于系统具有非线性时变的特征，导致信号中的多分量具有非平稳的特性。在故障诊断技术领域，传统的信号处理方法，很难提取此类信号的故障特征。

信号处理和特征提取是机械臂关节振动识别算法的核心。近年来，针对机械臂关节振动识别的信号处理和特征提取模块的研究工作，国内外学者提出了很多方法，然而仍存在不足。以下分模块简介现有技术及其客观不足。

(1)振动信号采集

很多研究人员进行了大量的工作，目的是采集最能表征机械臂振动的信号，并将其运用到振动识别及抑制中。在笛卡尔空间，如使用激光追踪仪采集机械臂末端位移信号，使用三向加速度传感器采集末端加速度信号。然而采集末端轨迹的振动位移或加速度，并不能将振动有效准确地分解到各关节，并检测出关节的故障，更重要的是，此方案难以激励出各关节的共振。在关节空间，如使用霍尔传感器采集电机驱动电流信号，使用力传感器采集机械臂驱动力矩信号等。然而电流信号和驱动力矩信号信噪比低。

(2)振动信号处理

无论使用哪种类型的传感器信号，有效的信号处理方法是机械臂关节振动故障诊断技术的核心。早期关于机械臂关节振动信号的研究，主要集中在傅里叶分析，然而其不足之处是：信号必须是周期或平稳的。由于机械臂运行过程中，振动信号是典型的非平稳信号，其频率分量会随时间而变化，因此不能很好的运用到机械臂关节振动识别中。另一方面，近年很多新方法被运用到机械臂关节振动信号分析中，如连续小波变换、WignervileDistribution、经验小波包分解(EMD) 等。以上方法缺陷：首先，信号处理方法本身具有不可避免的缺陷，包括干扰项、边缘失真和能量泄露。同时，机械臂由于多自由度耦合，机械臂关节运动过程的非平稳多分量信号，可以表示为多个分量的叠加，不同的单分量可能被不同的调频源调制。其具有以下特点：多个分量的轨迹在频域上交叉、重叠和靠近。传统的旋转机械振动处理信号方法，导致瞬时频率轨迹分裂，从而导致信息损失。最后，输入速度指令变化范围大，且需要分析的振动信号的频率范围比较宽，导致信号样本容量大，计算量大，常规方法无法实际运用在工业中。因此，期望的信号处理方法应该具有良好的计算效率。

(3)故障特征提取

现有的研究大多采用振动信号时域幅值的大小直接作为故障特征，忽略频率信息，从而无法定位故障源。除此之外，有的研究中曾提出，在频域关注单个故障分量的幅值信息，当信号中故障分量过多，无法从整体评价机械臂关节振动。

发明内容

本发明的目的在于克服现有技术的不足，提供一种新的机械臂关节振动识别方法。

本发明提供的一种基于多分量信号分解的机械臂关节振动识别方法，包括以下步骤：

(1)振动信号采集：控制柔性机械臂的目标关节在其极限运动空间内往返转动，同时速度在极限速度范围内按一定规律变化，在此过程中不断获取该关节的速度误差信号，作为待处理的机械臂关节振动信号；

(2)振动信号处理：选取适当大小的时间窗口，滑动截取采集到的所述机械臂关节振动信号，在每个窗口中，基于频谱集中性指标，将截取的信号分解为多个分量信号；

(3)故障特征提取：对分解得到的各阶目标分量，计算其总能量，根据该总能量的变化情况判断并识别振动的发生。

进一步地，振动信号采集的具体方法为：

在装配好的整臂上，针对柔性机械臂的目标待测关节，控制该关节在运动空间内做匀速转动，同时其他关节保持在零位，运动空间为当前关节的极限位置内的一个往返转动行程；

控制输入的转速指令，每结束一个行程后速度线性增加，直到达到极限速度；

使用绝对值位置编码器，读取目标关节输出端关节角实际位置信号及指令位置信号，差分得速度误差信号，即为待处理机械臂关节振动信号。

进一步地，所述窗口选取1到2秒。

进一步地，所述基于频谱集中性指标，将截取信号分解为多个分量信号的具体步骤包括：

基于频谱集中性指标，估计信号中目标分量的瞬时频率；

基于Vold-Kalman滤波，估计目标分量的幅值；

根据估计到的瞬时频率和幅值参数，对目标分量进行重构，从原始信号中分离出此目标分量；

重复以上步骤，按照分量能量高低，直到信号中的各阶目标分量被分解出。

进一步地，所述基于频谱集中性指标，估计信号中目标分量瞬时频率的具体步骤包括：

(1)将待分解的信号s(t)，通过旋转算子

旋转到一个旋转域，得到在旋转域内的解调信号：

s_d(t；C)＝s(t)Φ(t,C)

其中，c_i(i＝1，…，k)表示信号的瞬时频率，k为多项式相位的阶次；

(2)取频谱集中性指标：

SCI(C)＝E(|F(s_d(t；C))|⁴)

其中，E(·)表示期望算子，F(·)表示傅里叶变换，C＝{c₁,…,c_k}，通过寻优算法，找到一组

满足SCI(C)的值为最大，即

(3)此时，由该确定的旋转域内的解调信号s_d(t；C)最大谱峰值对应的频率值，即为信号s(t)初始频率的估计值，即

上述

和

即为信号s(t)中目标分量的瞬时频率IF 参数的估计值。

进一步地，所述寻优算法采用粒子群优化算法。

进一步地，所述基于Vold-Kalman滤波，估计目标分量幅值的具体方法为：

根据

其中的r为加权因子，δ为噪声或误差项，ε为非齐次项，求得振动信号的振幅包络矩阵A，即目标分量的瞬时幅值参数。

进一步地，所述根据估计到的瞬时频率和幅值参数，对目标分量进行重构，从原始信号中分离出此目标分量的具体步骤为：

根据估计的瞬时频率参数IF构建的瞬时频率矩阵

进而根据所述振幅包络矩阵A重构信号：

S＝AB

由此分解得到第j个分量信号s_j(t)。

进一步地，所述故障特征提取的具体步骤为：

(1)每个窗口中截取的所述机械臂关节振动信号，按照能量从高到低，取分解得到的前n阶分量，分别对应u₁到u_n，则故障分量u_i (i＝1,…，n)的能量为

式中u_i(k),k＝1,…,n表示第i个分量u_i的k个离散点的幅值；

则故障分量的总能量为E：

(2)若谐波减速器减速比为N，取振动判断标准线E_r.m.s为：

v₀＝10/2/N*360

(3)根据整段信号E随着转速变化的趋势，当E大小超过E_r.m.s时，判断机械臂关节发生振动。

可见，本发明提供的机械臂关节振动识别方法，通过在极限运动空间和极限运动速度范围内采集速度误差信号，全面激发和评价机械臂的振动特性；同时，基于频谱集中性指标和Vold-Kalman滤波对分量信号进行分解，能比现有技术获得更高的信噪比；以此为基础计算信号的总能量作为振动识别依据，对机械臂的振动特性能有更为全面和准确的判断，而且对导致振动的故障原因能有更清晰的定位。与现有技术的机械臂振动识别方式相比，本方法具有以下优点：(1)所述信号处理方法能有效分离多个非平稳故障调频源，信噪比高；(2)得到负载端速度误差的频率响应特性，能够有效分析振源；(3)在能量域提取故障特征，只保留有意义的故障分量，减少了误判；(4)能将信号采集模块集成到控制系统，易操作。

应了解的是，上述一般描述及以下具体实施方式仅为示例性及阐释性的，其并不能限制本发明所欲主张的范围。

附图说明

下面的附图是本发明的说明书的一部分，其绘示了本发明的示例实施例，所附附图与说明书的描述一起用来说明本发明的原理。

附图标记说明：

图1为基于多分量信号分解的机械臂关节振动识别方法总流程图；

图2为示例性实施例中的多分量信号分解方法流程图；

图3为对两分量仿真信号分解过程示意图；

图4为三种方法对两分量仿真信号的分解效果对比；

图5为试验信号中提取出的分量信号；

图6为对试验信号故障特征的提取及振动识别。

具体实施方式

现详细说明本发明的多种示例性实施方式，该详细说明不应认为是对本发明的限制，而应理解为是对本发明的某些方面、特性和实施方案的更详细的描述。

在不背离本发明的范围或精神的情况下，可对本发明说明书的具体实施方式做多种改进和变化，这对本领域技术人员而言是显而易见的。由本发明的说明书得到的其他实施方式对技术人员而言是显而易见得的。本申请说明书和实施例仅是示例性的。

附图1中给出了本公开所述基于多分量信号分解的机械臂关节振动识别方法的总体流程图，如图中所示，该方法包括以下步骤：

(1)振动信号采集：控制柔性机械臂的目标关节在其极限运动空间内往返转动，同时速度在极限速度范围内按一定规律变化，在此过程中不断获取该关节的速度误差信号，作为待处理的机械臂关节振动信号。

如果目标关节有多个，则逐个采集其振动信号，后续也分别进行处理。

(2)振动信号处理：选取适当大小的时间窗口，滑动截取采集到的所述机械臂关节振动信号，在每个窗口中，基于频谱集中性指标，将截取的信号分解为多个分量信号。

(3)故障特征提取：对分解得到的各阶目标分量，计算其总能量，根据该总能量的变化情况判断并识别振动的发生。

示例性实施例按照上述三个步骤执行，附图2-6中给出了具体的 实施流程图和实施结果分析图。

1、信号采集

示例性实施例中的振动信号采集步骤包括：

针对六自由度大负载柔性机械臂的关节1、2、3，依次控制目标关节在运动空间内做匀速转动，运动空间为当前关节的极限位置内的一个往返转动行程；

控制输入的转速指令，每结束一个行程后速度线性增加，直到达到极限速度；

使用绝对值位置编码器，读取目标关节输出端关节角实际位置信号及指令位置信号，差分得速度误差信号，即为待处理机械臂关节振动信号。

本领域技术人员也可根据关节运动特点和需求采用其他控制关节运动速度和获取速度误差信号的方法。

上述信号采集方法通过在极限运动空间和极限运动速度范围内采集速度误差信号，全面激发和评价机械臂的振动特性；可以得到负载端速度误差的频率响应特性，能够有效分析振源；能集成到机械臂控制系统完成，易于操作。

2、信号处理

如图3所示，示例性实施例对采集到的信号进行处理的步骤包括：

(1)取频谱集中性指标：

SCI(C)＝E(|F(s_d(t；C))|⁴)

其中，E(·)表示期望算子，F(·)表示傅里叶变换，

s_d(t；C)＝s(t)Φ(t,C)为信号s(t)在旋转域内的解调信号；

为旋转算子；

C＝{c₁,…,c_k}为信号的瞬时频率，k为多项式相位的阶次。

通过寻优算法，找到一组使SCI(C)的值为最大，即为C的估计值，即：

(2)此时，在由该

确定的旋转域内的解调信号s_d(t；C)最大谱峰值对应的频率值，即为信号s(t)初始频率的估计值，即

上述

和即为信号s(t)瞬时频率IF参数的估计值。

(3)根据估计的瞬时频率参数构建的瞬时频率矩阵

(4)基于Vold-Kalman滤波，估计分量信号的瞬时幅值A；

(5)根据S＝AB重构信号，由此分解出第j个分量sj(t)；

(6)从初始信号s(t)中减去分解出的信号分量sj(t)，再作为初始信号s(t)，即s(t)＝s(t)–sj(t)，j＝j+1，重复以上步骤，直到最后一个目标分量被分解出。

按照上述方法，各目标分量会按照其能量高低，先后被估计和分解出，能量越高的越早被分解出。分解出的目标分量的总数，根据计算需求确定。

其中，作为优选方案，从采集到的振动信号中截取信号的窗口宽度取为1到2秒；

作为优选方案，基于频谱集中度指标估计信号瞬时频率参数时采用的寻优算法为粒子群寻优算法。

3、故障特征提取

示例性实施例中的故障特征提取具体步骤包括：

对每个窗口中截取的机械臂关节振动信号，按照能量从高到低，取分解得到的前n阶分量，分别对应u₁到un，则故障分量u_i(i＝1,…， n)的能量为

式中u_i(k),k＝1,…,n表示第i个分量u_i的k个离散点的幅值；

则故障分量的总能量为E：

谐波减速器减速比为N，振动判断标准线E_r.m.s：

v₀＝10/2/N*360

根据整段信号E随着转速变化的趋势，当E大小超过E_r.m.s时，判断机械臂关节发生振动。

本发明在能量域提取故障特征，只保留有意义的故障分量，减少了误判；以信号总能量作为振动识别依据，对机械臂的振动特性能有更为全面和准确的判断，而且对导致振动的故障原因能有更清晰的定位。

4、实施效果

(1)对仿真信号的分解

附图3中给出了示例性实施例对包含两个分量的模拟信号的分解过程示意：首先估计出分量信号cp1的瞬时频率，然后估计出其振幅包络曲线，其次估计出分量信号cp2的瞬时频率，及信号幅值包络曲线。

附图4中给出了本公开所述基于频谱集中度SCI和Vold-Kalman 滤波的多分量信号分解方法(SCI-VKF)的与现有的变分模态分解方法(VMD)、经验小波包分解方法(EMD)对该两分量模拟信号的分解效果对比图。

(2)对实际采集到的试验信号的处理和故障特征提取试验信号在4.45s-4.5s内分解结果：

表1瞬时频率参数估计结果

如附表1中所示，分解得到4个分量ui(i＝1,..4),每个分量的瞬时频率参数c0、c1的估计结果在表中列出。

如附图5所示，提取到的分量u1、u2、u3、u4，按照能量从高到低，对应各阶故障信号，分别为2倍、12倍、1倍、6倍转速谐波分量。

如附图6所示，滑动窗口，分解试验信号，基于分解的结果提取故障特征，得到能量随转速的变化趋势，转速15dec/s及45dec/s 时发生剧烈振动。

可见，本发明所述机械臂关节振动识别方法能够全面激发和评价机械臂的振动特性，能比现有技术获得更高的信号信噪比，对机械臂的振动特性有更为全面和准确的判断，而且对导致振动的故障原因能有更清晰的定位。

以上所述仅为本发明示意性的具体实施方式，在不脱离本发明的构思和原则的前提下，任何本领域的技术人员所做出的等同变化与修改，均应属于本发明保护的范围。

Claims (9)

1.一种基于多分量信号分解的机械臂关节振动识别方法，其特征在于，包括以下步骤：

(1)振动信号采集：控制柔性机械臂的目标关节在其极限运动空间内往返转动，同时速度在极限速度范围内按一定规律变化，在此过程中不断获取该关节的速度误差信号，作为待处理的机械臂关节振动信号；

(2)振动信号处理：选取适当大小的时间窗口，滑动截取采集到的所述机械臂关节振动信号，在每个窗口中，基于频谱集中性指标，将截取的信号分解为多个分量信号；

(3)故障特征提取：对分解得到的各阶目标分量，计算其总能量，根据该总能量的变化情况判断并识别振动的发生。

2.根据权利要求1所述的机械臂关节振动识别方法，其特征在于，所述振动信号采集的具体方法为：

在装配好的整臂上，针对柔性机械臂的目标待测关节，控制该关节在运动空间内做匀速转动，同时其他关节保持在零位，运动空间为当前关节的极限位置内的一个往返转动行程；

控制输入的转速指令，每结束一个行程后速度线性增加，直到达到极限速度；

使用绝对值位置编码器，读取目标关节输出端关节角实际位置信号及指令位置信号，差分得速度误差信号，即为待处理机械臂关节振动信号。

3.根据权利要求1所述的机械臂关节振动识别方法，其特征在于，所述窗口选取1到2秒。

4.根据权利要求1所述的机械臂关节振动识别方法，其特征在于，所述基于频谱集中性指标，将截取信号分解为多个分量信号的具体步骤包括：

基于频谱集中性指标，估计信号中目标分量的瞬时频率；

基于Vold-Kalman滤波，估计目标分量的幅值；

根据估计到的瞬时频率和幅值参数，对目标分量进行重构，从原始信号中分离出此目标分量；

重复以上步骤，按照分量能量高低，直到信号中的各阶目标分量被分解出。

5.根据权利要求4所述的机械臂关节振动识别方法，其特征在于，所述基于频谱集中性指标，估计信号中目标分量瞬时频率的具体步骤包括：

(1)将待分解的信号s(t)，通过旋转算子

旋转到一个旋转域，得到在旋转域内的解调信号：

s_d(t；C)＝s(t)Φ(t,C)

其中，c_i(i＝1，…，k)表示信号的瞬时频率，k为多项式相位的阶次；

(2)取频谱集中性指标：

SCI(C)＝E(|F(s_d(t；C))|⁴)

其中，E(·)表示期望算子，F(·)表示傅里叶变换，C＝{c₁,…,c_k}，通过寻优算法，找到一组

满足SCI(C)的值为最大，即

(3)此时，由该

确定的旋转域内的解调信号s_d(t；C)最大谱峰值对应的频率值，即为信号s(t)初始频率的估计值，即

上述

和

即为信号s(t)中目标分量的瞬时频率IF参数的估计值。

6.根据权利要求5所述的机械臂关节振动识别方法，其特征在于，所述寻优算法采用粒子群优化算法。

7.根据权利要求5所述的机械臂关节振动识别方法，其特征在于，所述基于Vold-Kalman滤波，估计目标分量幅值的具体方法为：

根据

其中的r为加权因子，δ为噪声或误差项，ε为非齐次项，求得振动信号的振幅包络矩阵A，即目标分量的瞬时幅值参数。

8.根据权利要求7所述的机械臂关节振动识别方法，其特征在于，所述根据估计到的瞬时频率和幅值参数，对目标分量进行重构，从原始信号中分离出此目标分量的具体步骤为：

根据估计的瞬时频率参数IF构建的瞬时频率矩阵

进而根据所述振幅包络矩阵A重构信号：

S＝AB

由此分解得到第j个分量信号s_j(t)。

9.根据权利要求1所述的机械臂关节振动识别方法，其特征在于，所述故障特征提取的具体步骤为：

(1)每个窗口中截取的所述机械臂关节振动信号，按照能量从高到低，取分解得到的前n阶分量，分别对应u₁到u_n，则故障分量u_i(i＝1,…，n)的能量为

式中u_i(k),k＝1,…,n表示第i个分量u_i的k个离散点的幅值；

则故障分量的总能量为E：

(2)若谐波减速器减速比为N，取振动判断标准线E_r.m.s为：

v₀＝10/2/N*360

(3)根据整段信号E随着转速变化的趋势，当E大小超过E_r.m.s时，判断机械臂关节发生振动。

Images