CN112798278A - 传感器系统、线性设备和用于传感器系统的方法 - Google Patents

Abstract

传感器系统、线性设备和用于传感器系统的方法。公开了一种用于线性驱动装置和线性导向装置、尤其是滚珠丝杠和型材导轨的异常探测传感器。该异常探测传感器可以独立地、尤其是通过自触发来识别线性技术的行驶。替选地或附加地，该异常探测传感器可以探测和/或评价和/或整理移动和加速度曲线。替选地或附加地，还可设想的是在传感器之内设置下游的算法。可以向该算法提供经预处理的和/或数据减少的量的传感器数据。替选地或附加地，还可以基于系统振动来计算剩余使用寿命。

Description

传感器系统、线性设备和用于传感器系统的方法

技术领域

本发明涉及一种按照权利要求1的前序部分所述的传感器系统、一种具有该传感器系统的方法和一种线性设备。

背景技术

从现有技术公知基于微机电系统（MEMS）的传感器系统。这些传感器系统例如用于探测加速度、转速、磁场或者环境条件，如气压、温度和湿度。在此，基于MEMS的传感器通常具有微机电传感元件和电子部件（ASIC）。该电子部件例如可以将模拟传感器信号转换成数字信号。该电子部件例如还可以提供串行总线、如I²C或SPI。

从现有技术中进一步公知：监控具有传感器的线性导向装置的疲劳、例如材料疲劳。例如，在DE 11 2005 002 077 T5中通过振荡传感器来监控直线滚动轴承。在DE 102015 201 121 A1中，通过量取固体声振荡来监控具有至少一排滚动体的线性移动设备。

发明内容

与此相应地，本发明所基于的任务在于提供一种传感器系统，利用该传感器系统可以以设备技术方面简单的方式并且成本低廉地来可靠地监控可移动组件。本发明所基于的任务还在于提供一种线性设备，利用该线性设备可以以设备技术方面简单的方式并且成本低廉地来可靠地监控所述可移动组件。本发明的任务还有提供一种利用传感器系统的方法，利用该方法能以简单且成本低廉的方式来监控可移动组件。

关于该传感器系统方面的任务按照权利要求1的特征来解决，关于该线性设备方面的任务按照权利要求8的特征来解决并且关于该方法方面的任务按照权利要求9的特征来解决。

本发明的有利的扩展方案是从属权利要求的主题。

按照本发明，规定一种传感器系统、尤其是用于线性设备、尤其是线性驱动装置或线性导向装置或旋转导向装置的传感器系统。线性设备可具有导向构件，诸如导轨或者导轴。传感器系统还具有可移动组件。该可移动组件例如是经由导向构件来引导并且可移动的导向组件，诸如滚珠丝杠螺母（Kugelgewindemutter）或导向滑架。该组件可具有用于检测移动数据或者移动测量值的传感器。该传感器系统、尤其是该组件和/或该传感器还可具有微控制器或者电子控制单元（Electronic Control Unit）。该微控制器和/或该传感器系统优选地具有算法。该算法优选地被设计为使得进行对移动数据的归一化、尤其是速度归一化和/或加速度曲线归一化。

归一化具有如下优点：算法或者算法式与运行参数、诸如速度无关。例如，在线性设备的情况下，用于导向组件的执行器的不同的驱动转速具有不同的振动。在没有归一化、尤其是速度归一化的情况下，例如会在转速快的情况下触发报警（该触发在下文详细阐述）。

所述算法优选地可以进一步设计为使得能由传感器检测到的移动数据可评价和/或可分类，例如在数据库或表格中可评价和/或可分类。因此，例如可以直接在导向组件中设置对该线性设备的监控。已经表明：通过分类、例如在数据库中的分类能够在硬件要求较低的情况下实现对移动数据的评价，其方式是例如可以以简单的方式来对数据进行挑选。经此，该传感器系统和/或该传感器和/或该微控制器可以在设备技术方面简单地利用简单的硬件并且成本低廉地来设计并且需要比较少的能量。替选地或附加地，可以规定：该算法被设计为使得移动数据可数据减少和/或可预处理。尤其是通过数据减少能节省硬件资源和能量需求。设备技术方面的花费以及成本都下降。

该算法可以进一步设计为使得基于数据减少和/或归一化的移动数据，尤其是通过微控制器能计算该线性设备的状态和/或使用寿命、尤其是剩余使用寿命。因此，可以通过简单的方式利用低的数据花费并且因此利用低的硬件花费来监控该线性设备的状态。

该传感器例如在设备技术方面简单地构造为具有微控制器或处理器的微机电系统（MEMS）。该微控制器可以优选地集成到该传感器系统中，其中该微控制器可具有算法或者软件功能。

在本发明的另一设计方案中，为了存储和/或处理移动数据，设置数据存储器。该数据存储器例如构造在微控制器中或者独立于微控制器地来构造。该数据存储器尤其设置在导向组件处。在设备技术方面简单地，在数据存储器上可以设置数据、尤其是移动数据在数据库中的有序汇编、尤其是以表格为形式的汇编。数据库或表格的构造具有如下优点：经此移动数据可以以简单的方式被处理和/或被分类。

为了数据在停电时和/或在该线性设备的静止状态下不丢失，数据存储器或另一数据存储器构造为非易失性数据存储器，尤其是构造为闪速EEPROM。

为了节省硬件资源，表格可具有有限的最大数目的行。替选地，可以规定有限数目的列。在下文详细阐述这些行，其中替代这些行可以对这些列进行相对应地构造。

在表格的相应的行中，数据可以优选地是能以移动数据的形式存储的。例如规定导向组件的加速度数据作为移动数据。尤其可以规定如下数据中的一个或多个数据作为加速度数据：导向组件关于时间或关于测量次数或关于传感器的测量的特定量的加速度曲线的至少一部分的积分值和/或平均值，也就是说规定特定时间段或者特定测量次数；加速度最大值，尤其是在加速度曲线的该至少一部分内的加速度最大值；加速度曲线。因此，例如可以在关于移动数据的一行中仅仅保存加速度曲线的该部分的积分或面积和/或加速度最大值。

在本发明的另一设计方案中可以规定：在一行中能存储导向构件的行驶的次数。在这种情况下，优选地存储其中导向组件相对应地或者基本上相对应地至少按照在该行内所保存的加速度数据来被加速的次数。

还可以规定：在相应的行中能存储至少一个所计算的状态特征，接着通过该状态特征可以推断该线性设备的状态。

还可以规定：在相应的行中能存储导向构件的行驶的总数。优选地，上一个或当前的总数被存储在其加速度数据由导向组件最后使用的那个行中。接着，在该行中的总数优选地被增加。例如，总数开始于0。

移动数据优选地是振荡信号或原始信号，该振荡信号或原始信号从多个测量和/或测量样本中获得，所述多个测量例如可以分别是可移动组件的完整或部分的行驶。测量样本、尤其是测量的测量样本优选地由传感器依次利用特定的时控来执行。

数据库或表格或查找表优选地在该线性设备的使用开始或者该线性设备的寿命周期开始时为空并且随着时间的推移被填充、分类和更新。

换言之，出于存储需求和计算花费的原因，数据库可具有特定的最大数目的行。换言之，数据库的每个行都优选地具有关于加速度曲线、尤其是在加速度（a）-时间（t）图表中的面积以及至少一个加速度最大值的信息。在每个行中还可设置相对应地被计算的状态特征、可移动组件的具有加速度曲线的所进行的行驶的次数以及具有该加速度曲线的上一次行驶的编号。利用该数据库，以简单的方式就可以实现速度归一化或加速度曲线归一化。

按照本发明，规定了一种利用根据上文或下文提到的方面中的一个或多个方面的传感器系统的方法。尤其是在组件行驶之后，可以通过该方法来规定：将该测量、尤其是以行驶为形式的测量的移动数据、尤其是以加速度数据为形式的移动数据与存储在数据库的相应的行中的移动数据、尤其是以加速度数据为形式的移动数据进行比较和/或对移动数据、尤其是以加速度数据为形式的移动数据进行归一化。还可以规定如下步骤：

- 如果在数据库或表格中找到相同或类似的移动数据，则在具有相同或类似的移动数据、尤其是以加速度数据为形式的移动数据的行中的测量、尤其是行驶的次数可以增加，例如被提高数目1。经此，能够实现对移动数据、尤其是以加速度数据为形式的移动数据的简单分类，其中该分类例如基于组件的行驶的次数。

- 替选地或附加地，如果找不到相同或类似的移动数据、尤其是以加速度数据为形式的移动数据，则可以规定将该测量、尤其是行驶的移动数据、尤其是以加速度数据为形式的移动数据存储在新的行中。

- 替选地或附加地，如果找不到相同或类似的移动数据、尤其是以加速度数据为形式的移动数据并且如果所有行都被移动数据、尤其是以加速度数据为形式的移动数据占用，则可以规定：将一行的数据删除或覆盖并且将该测量、尤其是行驶的移动数据、尤其是以加速度数据为形式的移动数据存储在该行中。优选地，将其中对存储在其中的移动数据、尤其是以加速度数据为形式的移动数据的使用过去得最久远和/或最旧的那个行删除或覆盖。这例如可以通过总数来查明。例如可以将具有最下总数的那个行删除或覆盖。例如如果移动数据在此情况下是稀有的曲线、尤其是离群值，则这些移动数据可过去得久远。

换言之，在进行测量或行驶之后，将移动数据曲线或加速度曲线与存储在数据库或表格中的加速度曲线进行比较：

- 如果找到相同或类似的加速度曲线、尤其是关于面积和最大值方面相同或类似的加速度曲线，则将所计算的特征相对于相对应的特征归一化（这在下文详细阐述），使具有该加速度曲线的所进行的行驶或测量的次数增加并且将上一次所进行的行驶或测量更新。

- 如果还不存在相当的加速度曲线，则使用新的剩余的存储空间。

- 如果所有存储空间都被占用并且还不知道当前的加速度曲线，则将表格中的最久未使用的加速度曲线和/或离群值加速度曲线覆盖。

在本发明的另一设计方案中，在每次测量或行驶之后对数据库或表格进行分类，使得具有最高总数的行处在数据库开头或表格开头或者处在数据库结尾或表格结尾。紧接着，如果需要，可以将其中行的相应的总数下降的那些行按顺序布置。因此，这些行可以关于总数方面按特有的或替选的升序来被布置在数据库或表格中。通过该分类可以实现简化的数据处理。换言之，在每次行驶之后，对数据库或表格进行分类，使得最频繁出现的移动数据曲线、尤其是以加速度曲线为形式的移动数据曲线处在数据库开头或表格开头。加速度曲线所处得越往后或越往下，这些加速度曲线就越久远并且越少被使用。这一点极其有利，因为当显露出新的移动数据曲线时必须将旧的和/或稀有的移动数据曲线删除。可以节省存储空间并且显著减少硬件要求和计算时间，由此能量花费降低。在该分类方面还有利的是：基于存储在数据库或表格中的最频繁的测量或行驶可以以简单的方式进行对状态或剩余使用寿命的估计。

在本发明的另一设计方案中可以规定：由传感器所检测到的移动数据、尤其是以振荡信号或原始信号为形式的移动数据被数字滤波。经此，以简单的方式就可以对应存储在行中的加速度数据进行整理。该数字滤波例如经由低通滤波器和/或经由离散小波变换（Diskrete Wavelet Transformation，DTW）来实现。接着，经数字滤波的振荡信号可以表示加速度信号并且其中的至少一部分可以简单地被进一步处理。接着，根据加速度数据的该部分，例如形成积分和/或确定加速度最大值。借助于滤波，可以识别加速度数据的不同部分。优选地，能确定加速度数据中的如下部分中的一个或多个部分：其中导向组件停止的停止状态曲线；其中导向组件从停止状态被置于移动的起动曲线；其中导向组件的速度被提高的加速度曲线；其中导向组件以尤其是恒定的速度来被移动的具有尤其是恒定的速度的曲线；其中导向组件被制动、尤其是被制动直至停止状态的制动曲线。优选地，针对该表格使用起动曲线以及加速度曲线的加速度数据。为了根据加速度数据的该部分来计算面积和最大加速度，优选地并不需要恒定速度，因为针对整个行驶来计算如面积和最大加速度那样的加速度特征。

为了保护以防停电，优选地每次行驶之后都将数据库或表格存储在数据存储器中，尤其是存储在闪速存储器中。当重新存在供电时，可以从数据存储器读取该数据库或表格。

有利地，根据由传感器所检测到的振荡信号或者根据移动数据或者根据振荡信号或移动数据的至少一部分来形成以平均值为形式的状态特征（

）。为了构造状态特征（

），振荡信号或振荡信号的部分可以被数字滤波，尤其是通过传递函数来被数字滤波。接着，根据经滤波的振荡信号可以形成数值。优选地，针对传感器的相应的测量、尤其是行驶和/或测量样本来实现对该振荡信号的数字滤波和/或对该数值的构造。传感器以特定的速率或时钟频率来测量移动数据或振荡信号或振荡，其中接着可以针对相应的测量样本来确定数字滤波和数值形成。接着，状态特征（

）可以优选地以根据各个测量样本的数值的集合的平均值为形式来形成。例如，使用尤其是一次测量、尤其是一次行驶的振荡信号的一个或多个部分或者整个振荡信号的测量或测量样本。优选地，为了确定状态特征而使用如下公式：

。

在这种情况下，X是振荡信号，h是滤波器的传递函数，X_f是经滤波的信号，X_abs是经滤波的信号X_f的绝对值，

是平均值或者状态特征。替代

，可设想的是确定均方根（RootMean Square）x_rms或者平均绝对偏差（MAD）值x_mad。N表示一次测量或行驶的测量样本的数目。

在本发明的另一设计方案中，可以确定振荡信号的频带或者移动曲线的一部分的振荡信号的频带。接着，频带可被用于疲劳探测。因此，对于疲劳探测来说，不使用振荡信号的整个频谱，而是只使用一段频带，这节省了计算能力。有利地，根据导向组件的速度来确定频带。因此，基于所算出的速度，可以估计对于疲劳探测来说所需的频带和/或从数据库中得知对于疲劳探测来说所需的频带并且通过对不需要的频带进行滤波来对其进行清理。因此，通过滤波，不再需要对整个频谱的计算。通过参考所算出的速度，以简单的方式就可能计算对于疲劳探测来说所需的频带。接着，可以仅仅仍在该频带内进行信号分析或疲劳探测。经此，可以进一步显著减少数据量并且因此进一步显著减少所需的计算花费。接着，通过所确定的频带，可以将快速的变化、即所谓的谐波滤出并且因此可以在信号分析或者疲劳探测时有针对性地探测在持续疲劳的情况下出现的缓慢的、持续的变化。因此，不需要在振荡信号的频谱内通过离散模式来计算理论损伤频率，这会由于在引导时对疲劳探测的大量影响而导致结果不足。

接着，可以有利地在所明确的频带内确定相关特征、尤其是状态特征，这导致计算花费低。

有利地，可以规定：尤其是如果在数据库或表格中找到相同或类似的加速度数据，则对经绝对值滤波的振荡信号的状态特征（

）或者平均值进行归一化，由此来构造归一化的状态特征（Mean_norm）。以简单的方式就可以通过如下方式来实现对状态特征（

）的归一化：状态特征（

）基于在具有相同或类似的加速度数据的行中所保存的参考状态特征（Mean_ref）来被计算。这尤其是通过如下方式来实现：将状态特征（

）除以参考状态特征（Mean_ref）。可设想的是：如果在表格中找不到相同或类似的加速度数据，则归一化的状态特征（Mean_norm）得到值1并且当前的状态特征（

）变成该行的当前的参考状态特征（Mean_ref）。如果一行为空，则可以将该行驶的新的参考状态特征（Mean_ref）尤其是与加速度数据共同存储在新的行中，如上文所阐述的那样。也可设想的是：如果所有行都被加速度数据占用或数据存储器满了，则在其中数据被删除或覆盖的行中，如上文所阐述的那样，新的参考状态特征（Mean_ref）可以替代到目前为止存储在该行中的参考状态特征（Mean_ref）。

可设想的是：尤其是当在表格中有预先确定数目的行被占用时，附加地借助于多项式拟合来进行扩展，用于对状态特征（

）的归一化。经此，例如通过二阶多项式，可以实现在加速度数据、状态特征与表格之间的直接关联。

在一个优选的实施方式中可以规定：基于离散驱动模式来执行对速度的计算，例如用于对在时间信号内或在所提到的移动曲线方面所计算的速度的附加验证。不过，这计算花费高，因为为此在频谱内计算而不是在时间信号内计算。替选地或附加地，同样可设想的是例如通过对驱动马达的控制、尤其是通过触发信号来提供速度。不过，这导致在应用传感装置方面的更多花费，因为控制指令必须在硬件侧被实现。

在本发明的另一设计方案中，有利地，可以附加地确定一个或多个修正因子，以便在疲劳探测时对干扰、例如相邻机组的频率模式进行清理。尤其是在移动曲线之内，这些修正因子例如可以基于环境条件，诸如温度和/或背景振动和/或背景噪声。

在本发明的另一设计方案中，尤其是为了计算报警阈，可设想的是根据尤其是归一化的状态特征（Mean_norm或x_i）来形成当前的平均值（μ_i）。为了形成当前的平均值（μ_i），可设想的是当前的归一化的状态特征（Mean_norm或x_i）。

状态特征、尤其是比如最后的

状态特征与旧的或者非常旧的状态特征相比。

优选地，当加速度数据处在关于在表格的一行中所存储的加速度数据方面的预先确定的可能偏差或者预先确定的容差范围之内时，这些加速度数据类似于该行的加速度数据。

换言之，在EWMA方法的情况下对状态特征求平均。当前的平均值尤其是根据当前所测量的状态特征来被计算，该状态特征利用过去的行驶的旧的平均值通过权重因子来被算出。因此，在下一次测量时，该平均值又用作计算下一个平均值的输入。就测量的方差而言发生类似的情况。这里，也利用经加权的历史方差来算出当前的方差。以这种方式，在传感器中或在传感器的数据存储器中总是只存储两个值、即平均值和方差，这两个值包含所有测量的整个历史。EWMA方法显著减少了特征数据的波动。

在本发明的另一设计方案中，可以通过算法来触发一个或多个报警，尤其是根据例如归一化的状态特征（Mean_norm或x_i）和/或当前的平均值（μ_i）来触发一个或多个报警。优选地，在达到和/或超过至少一个尤其是第一报警阈或者尤其是自适应的第一报警阈或者自适应的报警阈、例如μ_i +3σ_i时，可以触发至少一个报警。优选地，在每次行驶时都重新设置一个或多个报警阈。可设想的是：在该线性设备的试车阶段之后设置至少尤其是第一或自适应的第一或自适应的报警阈，例如μ_i +3σ_i。在该线性设备的试车阶段期间，优选地不触发报警。在该线性设备的使用寿命的试车阶段的初始阶段中，上文的公式对（Par）优选地具有更高的值，以便系统学习试车水平。

优选地，可以设置如下报警中的一个或多个报警：

- 如果当前的平均值（μ_i）和/或先前的平均值中的一个或多个具有正斜率，则触发报警0。在此，这些平均值优选地在起动阶段的水平以下。

- 如果归一化的状态特征（Mean_norm或x_i）大于和/或等于尤其是第一或自适应的第一或自适应的报警阈，则可以触发报警1。接着，优选地可以使离群值计数器进一步增加，该离群值计数器优选地可以最初在0处开始。

- 还可设想的是：如果存在报警0或报警1并且当前的平均值（μ_i）或归一化的状态特征（Mean_norm或x_i）高于起动阶段的水平，则触发报警2。

- 还可设想的是：如果达到和/或超过尤其是第二或自适应的第二或其他自适应的报警阈，则触发报警3。

在本发明的另一设计方案中，可以规定：识别并且滤出干扰、例如由于一次性的离群值而引起的干扰。一次性的离群值例如是状态特征或归一化的状态特征的突然的、短暂的升高。

在本发明的另一设计方案中，如果传感器的微控制器和/或线性设备在静止状态下，从特定阈值起或者在超过加速度的特定阈值时，传感器可以通过唤醒信号来操控微控制器。在唤醒之后，微控制器可以检测传感器的测量信号。换言之，可以设置唤醒（Wake-Up）功能。在该唤醒功能的情况下，一旦阈值被超过，加速度传感器就可以提供中断信号。该信号唤醒微控制器，该微控制器接着启动测量。因此，数据在具有显著加速度的行驶期间被观察。

在本发明的另一设计方案中，算法优选地被设计为使得该算法实施行驶识别。尤其是，在行驶识别的情况下可以在行驶的有效的行驶开始与无效的行驶开始之间进行区分。优选地，为了在激活传感器之后进行行驶识别，可以在第一测量窗或帧内确定加速度数据，在该第一测量窗或帧的情况下，执行预先确定数目的测量样本或测量或样本，例如256个。尤其是，在该测量窗内可以构造该测量窗的加速度数据或加速度曲线的积分和/或平均值。替选地或附加地，可以确定该测量窗的状态特征（

）。如果加速度数据的积分大于或等于加速度数据极限值，则在接下来的测量窗内可以确定加速度数据和/或状态特征（

）。接着，可以将新确定的值与加速度数据或者与加速度数据的平均值和/或第一测量窗的状态特征（

）进行比较。如果接下来的测量窗的状态特征（

）小于第一测量窗的状态特征（

），则该行驶可以被声明为无效。如果接下来的测量窗的状态特征大于第一测量窗的状态特征（

），则该行驶可以被声明为有效并且继续测量。接着，在继续测量的情况下，确定该行驶的加速度数据和/或状态特征（

）。因此，利用低的计算花费、尤其是通过使用测量窗就可以确定有效/无效的行驶。如果加速度数据或加速度数据的积分小于或等于加速度数据极限值，则可以检查加速度数据的积分或者加速度数据是否小于负的加速度数据极限值。如果加速度数据的积分或加速度数据更小，则该行驶可以被声明为结束。而如果加速度数据的积分或加速度数据大于负的加速度数据极限值，则可以继续测量并且在继续测量的情况下可以进一步确定该行驶的加速度数据和/或状态特征（

）。

所提出的行驶识别有利地构造为用于客户侧的花费最小化的自触发系统。换言之，为了识别行驶开始，使用传感器的斜度（Slope）中断或斜率中断。然而，有些中断不是通过行驶开始来被触发，而是例如通过行驶结束或者通过猛地一动（Ruck）来被触发。出于该原因，算法必须能够在有效的与无效的行驶开始之间进行区分。所提出的算法基于在中断之后紧接着观察振动量。如果振动在中断之后升高，则该行驶被识别为有效，否则该行驶无效。这也可以借助于最低的振动阈来实现。该最低的振动阈可以在传感器接通之后第一次被计算或者利用停止状态测量被计算。例如，该计算在第一和最后的窗内进行，如在下文例如在图8的附图说明中所规定的那样。接着，信号可以逐个窗来被分析。振动和/或加速度特征在每个窗内都被计算和更新。优选地通过加速度特征来识别行驶结束。在此，行驶结束与行驶开始相比表现出镜像相反的特性。优选地，如果加速度特征超过预先给定的阈，则算法识别出行驶结束。如果分析镜像的曲线、例如在行驶开始时的负的加速度和在行驶结束时的正的加速度，则算法也可以识别出是沿前向还是沿反向移动。

在行驶识别的情况下，还可设想的是：使用附加的传感装置、诸如磁场传感装置和/或光学传感装置，用于探测线性移动和/或行驶开始。

优选地，在时域内测量加速度传感器原始信号或者振荡信号。这例如可以在直至20kHz的频域内进行，然而尤其是在直至5kHz的频域内进行。传感器测量例如通过加速度传感器的上升沿来被触发或引起。该加速度传感器可以通过可配置的加速度阈来探测移动的开始和停止。通过计数器或时间功能，可以设定测量时钟。替选地，也可以通过设施控制或通过网关由电信号以外部控制的方式来实现触发。公开了一种用于线性驱动装置和线性导向装置、尤其是滚珠丝杠（Kugelgewindetriebe）和型材导轨（Profilschienenführung）的异常探测传感器。该异常探测传感器可以独立地、尤其是通过自触发来识别线性技术的行驶。替选地或附加地，该异常探测传感器可以探测和/或评价和/或整理移动和加速度曲线。替选地或附加地，还可设想的是在传感器之内设置下游的算法。可以向该算法提供预处理的和/或数据减少的量的传感器数据。替选地或附加地，还可以基于系统振动来计算剩余使用寿命。

附图说明

在下文依据示意性附图来详细阐述本发明的优选的实施例。其中：

图1以示意性流程图示出了用于对线性设备进行状态探测的方法；

图2示出了线性设备的可经由传感器检测到的振荡信号；

图3以图表示出了线性设备的针对不同速度的起动和加速阶段；

图4以流程图示出了基于表格的速度或加速度归一化；

图5示出了图4中的速度或加速度归一化的表格；

图6以示意图示出了二阶多项式适配；

图7以图表示出了加速度曲线；

图8示出了图7中的加速度曲线的用于行驶识别的简化图；

图9以流程图示出了在行驶识别时的做法；

图10以流程图示出了在报警生成时和在离群值测试时的做法；

图11以图表示出了关于测量次数来绘制的不同的特征和平均值；

图12示意性示出了剩余使用寿命估计的图示；以及

图13示出了线性设备的片段。

具体实施方式

按照图1，示出了关于自适应的、靠近传感器（sensornah）的疲劳探测的方法的流程图。首先，在方框2中，通过传感器来测量导向组件的移动数据。导向组件是线性设备的部分并且以可在导向构件上移动的方式来引导，这在下文在图13中进一步被阐述。移动数据经由微控制器在第一和第二信号路径4、6中被处理。为了在方框2中检测移动数据，通过自触发来启动传感器、尤其是以加速度或振动传感器为形式的传感器，这在上文详细阐述。此外，通过同样在上文详细阐述的行驶识别方法来检查对于传感器来说是否存在导向组件的所要测量的行驶。在信号路径4的情况下确定加速度曲线，并且在信号路径6的情况下进行特征计算。对加速度曲线的检测在方框8中进行并且依据图2来详细阐述。

按照图2，示出了振荡信号9，该振荡信号通过传感器的多个在横坐标上绘制的测量来被检测。在图2中的纵坐标示出了振荡信号9的归一化的振幅。在图1中的方框8中，基于振荡信号9来确定移动曲线。为此，通过低通滤波器来对振荡信号9进行数字滤波，由此能确定移动曲线11。该移动曲线具有多个部分。按照图2，用编号1来指明停止状态曲线，用编号2来指明起动曲线，用编号3来指明加速度曲线，用编号4来指明恒定速度曲线，并且用编号5来指明制动曲线。

按照图1，在方框8之后的方框10中，依据图2中的移动曲线11的部分2和3来形成移动曲线或加速度曲线的积分并且确定在该部分内的加速度最大值。在方框12中，在其它信号路径6中进行用于参数估计和滤波的预处理。接着，在方框14中确定状态特征（

），这在上文详细阐述。在这种情况下涉及经绝对值滤波的振荡信号9的平均值。在其中信号路径4、6重新聚集起来的方框16中，进行速度归一化或加速度曲线归一化。该速度归一化或加速度曲线归一化依据按照图5的表格来进行，这在下文详细被阐述。在接下来的方框18中，根据归一化的状态特征来形成当前的平均值（μ_i）。在接下来的方框20中，可以生成报警。

在图3中，示出了在起动和加速度阶段的加速度曲线，参见图2中的部分2和3。在这种情况下，在横坐标上绘制以秒为单位的时间而在纵坐标上绘制振幅。在这种情况下，曲线22示出了在用于导向组件的驱动马达例如以每分钟50转来旋转一周时的加速度曲线。曲线24示出了例如在每分钟300转的情况下的加速度曲线。在图3的测量值中，还绘出了斜度中断26。还示出了曲线23和曲线25。曲线23和曲线25涉及恒定的加速度。本算法与曲线的形状无关，借此除了其它曲线之外例如也可以由该算法考虑曲线23和25。

按照图4，示出了用于阐述按照本发明的方法的另一流程图。在方框28中探测移动。在接下来的方框30中进行自触发和行驶识别。在第一信号路径32的情况下，在方框34中利用Low-Pass（低通）滤波器或低通滤波器来对所检测到的振荡信号进行滤波。由此，接着在方框36中得到加速度曲线的积分以及加速度最大值。在其它信号路径38的情况下，在方框30之后接着是方框40。在该方框40中，通过带通滤波器来对振荡信号进行滤波。在接下来的方框42中，由此得到状态特征（

）。

在信号路径32的情况下，在方框36之后的方框44中将加速度曲线的积分以及加速度最大值与按照图5的表格46中的值进行比较。在下文详细阐述表格46。

图5中的表格46具有多个行1至n，参见第一列47。在相应的行中保存有行驶的相应的曲线。在表格46的第二列48中保存有在图4中的方框36中或在图1中的方框10中所确定的针对相应的曲线1至n的以加速度曲线的积分以及最大加速度曲线为形式的数据。在表格46的下一列50中，在相应的行中存储导向部件的多次行驶，这些行驶根据至少在该行中保存的加速度数据来被加速。在接下来的列52中，针对相应的曲线1至n保存参考状态特征。接着，在接下来的列54中，针对相应的曲线1至n来绘制具有在相应的行中所保存的加速度曲线的相应的最后一次行驶。

按照图4，在方框44中将当前行驶的加速度数据与相应的在图5中的表格46的行1至n中所存储的加速度数据进行比较，其中这些加速度数据存储在列48中。如果在一行中，例如在行3中保存有与当前行驶相同或类似的加速度数据，则以在方框44之后设置的方框56来继续处理。接着，按照方框56，从所提到的行3读取列52的值，即参考状态特征Mean_ref。接着，在随后的方框58中，将方框42中的状态特征

或Mean_abs除以参考状态特征Mean_ref，由此来确定归一化的状态特征x_i或Mean_norm。这可以利用如下公式来表达：

Mean_norm = Mean_abs / Mean_ref。

因此，当前行驶的状态特征相对于类似地存储的曲线的参考状态特征被归一化。接着，该归一化的状态特征

或Mean_norm可以被用于报警生成，这在下文在图10中详细阐述。

而如果在图4中在方框44中确定在表格46中没有保存相同或类似的加速度曲线，则接着是方框60，该方框60与方框56并行地处在方框54下游。在该方框60中检查图5中的表格46的行1至n是否完全被填满。如果情况不是如此，则在表格46中在紧接着方框60的方框62中进行重新录入。接着，在这种情况下在列48中的在空行、例如在行2中录入当前行驶的加速度曲线的积分以及加速度最大值。在列50中录入数目1，因为该曲线第一次被行驶。在列52中，录入根据图4中的方框42所确定的以状态特征

为形式的值，该状态特征于是以后是参考状态特征。接着，在行2的列54中录入行驶的当前总数。如果当前的行驶例如是第50次行驶，则将值50录入到该列54中。

按照图4，在方框62之后是方框64，该方框64应该表示对图5中的表格46的更新，其中可以规定分类作为更新，在该分类的情况下，最频繁的曲线布置在上方。在方框64之后是方框66。在该方框66中，将归一化的状态特征Mean_norm或x_i设置到值1，即Mean_norm = 1。此外，Mean_ref等于Mean_abs。

如果在图4中按照方框60查明表格46完全被相对应的值占用，则接着是方框68。如果在方框68中识别出离群值，则在接下来的方框70中将该离群值挑出。如下曲线被视为离群值，该曲线比较长和/或在预先确定的时间段期间未被行驶。这尤其可以通过列50和54（参见图5）来确定。在紧接着的方框64中对表格46进行更新。如果在方框68中没有识别出离群值，则与方框70并行地并且在方框68之后在方框72中进行实施。其中确定图5中的表格46的其中保存有最旧的曲线的行。也就是说，其中在列54中存在最小数目的那个行，即最旧的行驶。接着，用所确定的数据（如关于方框62所描述的并且当离群值被覆盖时也适用）来填充那个行，或将所保存的旧的数据覆盖。在方框72之后重新是具有对表格46的更新的方框64。

按照图4，可以在方框74中设置多项式拟合（Polynomanpassung），该方框74在方框60之后并且与方框68并行地布置。这例如当在图5中的表格46中保存有足够的曲线、即预先确定的数目的曲线时进行。这通过在图6中的图像来表明。在这种情况下，在横坐标上绘制加速度宽度并且在纵坐标上绘制平均值。在此，曲线74表示所测量到的值。根据该曲线，可以获得按照曲线76的二阶多项式。通过多项式拟合，可以实现在加速度特征、振动特征与表格46之间的直接关联。

图7示出了由传感器所检测到的加速度曲线78。在这种情况下，在横坐标上绘制传感器的测量样本的数目并且在纵坐标上绘制振幅g。

图8示出了根据加速度曲线78来确定的以+为形式的加速度曲线80的积分。在此，在纵坐标上绘出积分的大小并且在横坐标上绘制窗的数目。在这种情况下，相应的窗是特定数目的测量样本，例如传感器的256个测量样本。因此，例如针对相应的窗使用图7中的256个测量样本。这用于节省计算能力。此外，在图8中绘出了以x为形式的状态特征

。同样在相应的窗内确定状态特征

或振动特征。

图9示出了流程图，其中阐述行驶识别，尤其是也与图7和8相结合地来阐述行驶识别。按照图9中的第一方框84，将行驶开始标记。在接下来的方框86中，计算第一帧或窗的加速度曲线80的积分，参见图8。接着，在接下来的方框88中，将加速度曲线80的积分与加速度数据极限值Acc_min进行比较。如果积分大于极限值，则接着是方框90。在该方框90中，确定窗或测量窗的状态特征82，参见图8。此外，在该方框90中检测该窗的加速度曲线的积分以及加速度最大值。在紧接着的方框92中，将这些数据与第一窗的数据进行比较。在此，在这种情况下，所述数据是相同的数据。不过，重复实施方框88至92，这在下文详细阐述，借此将接下来的窗的数据与第一窗的数据进行比较。在紧接着方框92的方框94中表明哪些数据恰好被比较。将当前的窗的状态特征82与第一窗的状态特征进行比较。如果状态特征更大，则按照方框96查明是有效的行驶。接着，按照方框98来继续测量，借此来确定图8中的下一个测量窗的数据。接着，重新遍历方框88至94。如果按照方框94查明当前的窗的状态特征82小于第一测量窗的状态特征，则在方框100中将该行驶声明为无效的行驶。接着，对行驶的测量在方框102中被中断，借此重新以方框84开始。如果按照方框88查明当前所检查的测量窗的加速度曲线80的积分小于加速度数据极限值，则接着与方框90并行地是方框104，该方框104在方框88下游。在方框104中检查恰好被检查的测量窗的加速度曲线80的积分（参见图8）是否小于负的加速度数据极限值。如果情况如此，则在紧接着的方框106中结束对当前行驶的测量并且返回到方框84。如果在方框104中加速度曲线80的积分大于负的加速度数据极限值，则在方框104之后是方框108，该方框108与方框106并行地延伸。接着，继续测量并且在该继续的情况下确定加速度曲线80的积分以及状态特征82。紧接着，以方框88来继续。

按照图7，为了识别行驶开始，使用斜度中断108。不过，这些斜度中断中的有些斜度中断不是通过行驶开始来被触发，而是例如通过行驶结束或通过导向组件的猛地一动来被触发，这利用图7中的箭头110来示出。因此，需要算法能够在有效的与无效的行驶开始之间进行区分。在图9中所提出的算法基于在斜度中断之后紧接着观察振动量。如果振动在斜度中断之后升高，则该行驶被识别为有效，否则该行驶无效。这可以借助于最小的振动阈来被查明。该最小的振动阈可以在接通传感器之后第一次被计算或者利用停止测量来被计算，例如在图8中的前十个和后十个窗之内被计算。为了节省计算能力，逐个窗来分析传感器的信号。加速度曲线的积分以及状态特征80和82可以在相应的窗内被计算和更新。按照图9，借助于加速度曲线的积分来识别行驶结束。在此，行驶结束与行驶开始相比表现出镜像相反的特性。如果加速度曲线80的积分低于预先给定的负的加速度极限值，则算法识别出行驶结束。如果分析镜像的曲线（在行驶开始时的负的加速度和在行驶结束时的正的加速度），则算法也识别出是沿前向还是沿反向移动。基于行驶方向，可以使负的加速度极限值的符号适配。按照图7，还能看到用箭头112来示出有效的行驶。利用箭头114来绘出无效的行驶。箭头116示出了行驶结束的斜度中断。

按照图10，阐明了报警探测。在第一方框118中检测归一化的状态特征

。接着，在方框120中检查当前的归一化的状态特征x_i（或Mean_norm）是否大于尤其是第一报警阈+3。如果情况不是如此，则以方框122来继续处理。在该方框122中，将用于离群值的计数器减小数目1。如果用于离群值的计数器为0，则该计数器不继续被减小。在紧接着方框122的方框124中，利用上文引用的公式来对当前的平均值μ_i和当前的方差σ² _i进行更新。接着，在下一个方框126中检查当前的平均值μ_i是否大于上文所计算的平均值μ_i-1。如果情况不是如此，则将用于正斜率的计数器减小数目1，其中该计数器最小可以是0。在方框128中将用于斜率的计数器减小。紧接着，返回到方框118。如果当前的平均值μ_i大于旧的平均值μ_i-1，则在接下来的方框130中将用于斜率的计数器增加1，该方框130在方框126下游并且与方框128并行地设置。在紧接着的方框132中，检查计数器是否大于预先确定的极限值。如果情况不是如此，则返回到方框118。如果情况如此，则接着是方框134。在该方框中检查当前的平均值i是否大于极限值。如果情况不是如此，则按照方框136来触发在上文阐述的报警0。如果当前的平均值μ_i大于极限值，则在方框134之后接着方框138。在该方框138中检查方框118中的归一化的状态特征x_i是否大于例如由制造商所规定的硬极限值。如果情况不是如此，则在方框140中实施在上文详细阐述的报警2。如果情况如此，则实施同样在上文详细阐述的报警3，而且为此设置方框142。如果在方框120中查明归一化的状态特征x_i大于+3，则在方框120之后与方框122并行地是方框144。在该方框144中，将用于离群值的计数器增加数目1。在接下来的方框146中，冻结先前的平均值μ_i-1和先前的方差σ² _i-1。在下一个方框148中，检查用于离群值的计数器是否大于极限值，其中该极限值例如可以是5。如果情况不是如此，则返回到方框118。如果情况如此，则接着是方框150。在该方框150中，检查归一化的状态特征x_i是否大于极限值，该极限值也在方框134中被使用。如果情况不是如此，则在方框152中触发在上文详细阐述的报警1。如果情况如此，则接着是方框138。

在图10中的方框134和150中的极限值是线性设备的起动水平，该起动水平因此被用于报警生成。在该起动阶段期间，系统没有触发报警。在起动阶段之后，利用每次行驶来更新报警极限并且设置报警阈μ_i+3σ_i，该报警阈在方框120中被使用。通过按照图10的过程，识别并且滤出干扰和一次性的离群值，这防止了对报警的错误设置。

按照图11，状态特征154（

）用“+”来示出并且关于测量的次数来绘制，其中在横坐标上示出了该次数。还关于测量的次数来绘制分别当前的平均值156（μ_i），这些平均值利用图11中的叉号来示出。在图11中，还绘出了起动水平158。能看出：状态特征154和当前的平均值156大致下降。大致从870次测量开始，接着状态特征154升高。接着，在位置160处触发报警0并且在位置162处触发报警2。

在图12中阐明了剩余使用寿命估计。在形成线性设备的第一点蚀（Pitting）或孔蚀之后的特征走向的发展取决于多个参数，诸如线性设备的负载、速度、损伤等等。剩余使用寿命估计、例如利用多项式拟合和/或回归（Regression）和/或高斯过程回归（GaussianProcess Regression）的剩余使用寿命估计在没有预先知道参数的情况下困难或者甚至不可能。对剩余使用寿命的经改善的估计可以借助于图5中的表格46和所行驶的加速度曲线来实现。如果最频繁地出现的加速度曲线是速度高的那些曲线，则损伤增加快于在缓慢曲线的情况下。对剩余使用寿命的估计在每次行驶之后都利用当前的斜率和表格46来更新。按照图12，第一估计利用测量编号164（参见图12）在随后的测量编号166和168的情况下来更新。

按照图13，以透视图示出了用于线性设备170的传感器系统的片段。线性设备170具有以导轴172为形式的导向构件。在导轴上引导以滚珠丝杠螺母为形式的导向组件174。在该导向组件上通过外壳来固定用于实施该方法的模块178。模块178具有传感器180，该传感器示意性示出。该模块还具有用于实施算法的微控制器182。还设置数据存储器184，该数据存储器可以是微控制器182的部分或者独立地来构造。模块178还可具有通信装置、例如蓝牙接口，以便例如输出报警。替选于通信装置186或除了通信装置186之外，可设想的会是线缆连接188。此外，在模块178处可以设置用于供电的能量获取设备，该能量获取设备可以在滚珠丝杠螺母174移动时自给自足地产生能量。替选地或附加地，也可设想的是能够实现经由线缆连接188的供电。

Claims (13)

1.用于具有可移动组件的机械装置（170）的传感器系统，其中所述传感器系统具有用于检测所述可移动组件（174）的移动数据的传感器（180），并且其中在所述传感器系统中设置具有算法的计算单元（182），其特征在于，所述算法被设计为使得基于所述移动数据能计算所述机械装置（170）和/或所述可移动组件（174）的状态；和/或所述算法被设计为使得基于所述移动数据能计算至少所述可移动组件（174）的剩余使用寿命；和/或通过所述算法能在达到和/或超过至少一个自适应的报警阈时触发至少一个报警；和/或所述算法被设计为使得依据所述移动数据能独立识别所述可移动组件（174）的行驶。

2.根据权利要求1所述的传感器系统，其中所述算法被设计为使得所检测到的移动数据被处理为使得所述移动数据与所述机械装置（170）的至少一个运行参数无关，尤其是其方式是所述移动数据能通过所述算法被速度归一化。

3.根据上述权利要求中任一项所述的传感器系统，其中设置数据存储器（184），在所述数据存储器上设置在数据库（46）中对数据的汇编，其中在所述数据库（46）中保存的数据由所述算法来处理。

4.根据权利要求3所述的传感器系统，其中所述数据库（46）具有有限数目的行，其中在所述数据库（46）的相应的行中能存储以能由所述传感器（180）检测到的移动数据为形式的数据，并且其中规定加速度数据作为移动数据，其中规定如下数据中的一个或多个数据作为加速度数据：所述可移动组件（174）的行驶的所述可移动组件（174）的加速区曲线（80）的积分、所述可移动组件（174）的行驶的加速度最大值。

5.根据权利要求4所述的传感器系统，其中在行中能存储所述可移动组件（174）的行驶的次数，所述行驶根据至少按照在所述行中保存的加速度数据（80）来被加速；和/或其中在相应的行中能存储至少一个所计算的状态特征（82）；和/或其中在相应的行中能存储所述可移动组件（174）的行驶的总数，其中上一个总数存储在其加速度数据由所述可移动组件最后使用的那个行中。

6.根据上述权利要求中任一项所述的传感器系统，其中通过算法能根据能由所述传感器（180）检测到的移动数据来触发一个或多个报警，其中在达到和/或超过至少所述自适应的报警阈时能触发至少一个报警，其中所述至少一个自适应的报警阈在每次测量时或者在每次行驶时都由所述算法来重新设置。

7.根据上述权利要求中任一项所述的传感器系统，其中所述算法被设计为使得基于数据减少的和/或归一化的和/或速度归一化的移动数据能计算至少所述可移动组件（174）的使用寿命和/或剩余使用寿命。

8.具有根据上述权利要求中的一项或多项所述的传感器系统的线性设备，所述线性设备具有导向构件（172），其中组件作为导向组件（174）经由所述导向构件（172）来引导。

9.利用根据权利要求4至7中任一项所述的传感器系统的方法，

- 其中在所述可移动组件（174）的行驶之后将所述行驶的加速度数据与在所述数据库（46）的相应的行中存储的加速度数据进行比较，

- 其中如果在所述数据库（46）中找到相同或类似的加速度数据，则使在具有相同或类似的加速度数据的行中的行驶的次数增加，

- 和/或其中如果找不到相同或类似的加速度数，则将所述加速度数据存储在新的行中；和/或如果找不到相同或类似的加速度数据并且如果所有行都被加速度数据占用，则将一行的数据删除或覆盖并且在该行中存储所述行驶的加速度数据，其中将如下那个行删除或覆盖，在所述行的情况下对在其中所存储的加速度数据的使用过去得最久远和/或在所述行的情况下在其中所存储的加速度数据是离群值。

10.根据权利要求9所述的方法，其中所述数据库（46）在每次行驶之后都被分类为使得具有最高行驶次数的行处在表格开头。

11.根据权利要求9或10所述的方法，其中根据由所述传感器（180）检测到的振荡信号来形成以平均值为形式的状态特征。

12.根据权利要求11所述的方法，其中如果在表格中找到相同或类似的加速度数据，则将所述状态特征归一化，由此来构造归一化的状态特征。

13.根据权利要求12所述的方法，其中根据所述归一化的状态特征来形成当前的平均值。

Images