CN112903290A

CN112903290A - 基于hmm模型的rv减速器声发射故障检测方法、系统和介质

Info

Publication number: CN112903290A
Application number: CN202110076572.8A
Authority: CN
Inventors: 张吟龙; 苑明哲; 梁炜; 赵文涛; 肖金超
Original assignee: Shenyang Institute of Automation of CAS
Current assignee: Shenyang Institute of Automation of CAS
Priority date: 2021-01-20
Filing date: 2021-01-20
Publication date: 2021-06-04

Abstract

本发明公开了一种基于HMM模型的RV减速器声发射故障检测方法、系统和介质，方法包括下述步骤：基于小波包变换的声发射信号去噪，利用小波变换将原始声信号分解为不同频率的小波包，对不同频率的小波包进行分解，得到降噪后的声发射信号；基于HMM的RV减速器声发射信号子周期辨识，应用HMM从整个声发射信号数据中区分出采集的声发射信号的子周期，并将峰值和能量值作为声发射信号的特征参数；构建基于多数投票的改进式HMM故障检测模块，所述改进式HMM故障检测模块包括状态转移矩阵A、观察矩阵B和初始状态向量π，基于改进式HMM故障检测模块对RV减速器故障进行分类。通过本发明可以极大程度的抑制噪声和未知干扰。

Description

基于HMM模型的RV减速器声发射故障检测方法、系统和介质

技术领域

本发明属于信号处理和模式识别的技术领域，具体涉及一种基于HMM模型的RV减速器声发射故障检测方法、系统和介质。

背景技术

RV减速器是一种典型的齿轮减速器，它被视为高端工业机器人的核心组件。与其他齿轮减速器相比，RV减速器具有传动效率高、精度高、可靠性好和体积小的优势。机器人RV减速器由两级减速机构组成:行星减速机构和摆线针轮减速机构。RV减速器曲轴旋转一周，齿盘也跟着转动1周，摆线针轮会转动40 个周期。最终的效果是行星齿轮旋转39周，摆线针轮转动1周。当第一级行星减速机构由太阳轮将伺服电机产生的高转速、低转矩动力输入传递至两个(或三个)从动行星轮，再将动力传递给二级减速机构的曲轴部分。RV减速器这种复杂的结构使得其健康状况评估及故障诊断面临着巨大的挑战。声发射(AcousticEmission,AE)分析能够通过提取在减速器内部传播的AE信号来检测故障。声发射技术由于其频谱范围更广，且信息更丰富，因此更可能提取隐藏的潜在故障特征并预测故障传播趋势。隐马尔科夫模型(HMM)能够通过观察矩阵和状态转移矩阵，在统一的时间序列数学框架中将观测值和隐藏故障关联起来。与传统的使用振动信号检测旋转机械零部件的故障相比，振动信号往往是在磨损程度较大时才能够检测出来，而这时对于精密度要求较高的RV减速器及其应用场景，已经不能及时有效的避免损失的产生。而声发射信号由于处于高频，信号采样率高，数据量大，且信号特征不明显，制约了声发射检测在机械设备磨损程度检测领域的发展，不能够有效的快速的得出检测结果

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于HMM 模型的RV减速器声发射故障检测方法、系统和介质，能够在有噪声干扰的情况下，实现故障的在线监测。

为了达到上述目的，本发明采用以下技术方案：

本发明一方面提供了一种基于HMM模型的RV减速器声发射故障检测方法，包括下述步骤：

基于小波包变换的声发射信号去噪，利用小波变换将原始声信号分解为不同频率的小波包，对不同频率的小波包进行分解，将声发射信号被分解成具有不同时间窗口和分辨率的小波包分量，得到降噪后的声发射信号；

基于HMM的RV减速器声发射信号子周期辨识，应用HMM从整个声发射信号数据中区分出采集的声发射信号的子周期，并将峰值和能量值作为声发射信号的特征参数；

构建基于多数投票的改进式HMM故障检测模块，所述改进式HMM故障检测模块包括状态转移矩阵A、观察矩阵B和初始状态向量π，基于改进式HMM 故障检测模块对RV减速器故障进行分类。

作为优选的技术方案，利用小波变换将原始声信号分解为不同频率的小波包，采用的模型为：

其中，s代表小波频率；t表示时移；

是一个由基本函数确定的常数；

其中，r和s分别代表小波变换中的位置分量和频率分量；W_s表示特定位置的振幅。

作为优选的技术方案，经过小波变换后，原始的声发射信号分解为第一级的高低频小波包，即P₁₀(t)和P₁₁(t)；其中P₁₀(t)是第一层级的低频分量小波包， P₁₁(t)是第一层级的高频分量小波包；在此基础上，对第一层级的小波包进行二次分解，每个小波包再进一步分解为P₂₀(t)，P₂₁(t)，P₂₂(t)，P₂₃(t)；以此类推，二级分解后的小波包再进行三级分解，分解为P₃₀(t)，P₃₁(t)，P₃₂(t)，P₃₃(t)， P₃₄(t)，P₃₅(t)，P₃₆(t)，P₃₇(t)；

通过上述分解操作，将声发射信号被分解成具有不同时间窗口和分辨率的小波包分量。

作为优选的技术方案，所述基于HMM的RV减速器声发射信号子周期辨识，具体为：

用峭度阈值τ_k和能量阈值τ_e来计算声发射信号每个子周期的观测值，观测值离散为{ob₁,ob₂,ob₃,ob₄}；观测值与对应的峭度k_i、能量值e_i的关系表示为：

observation＝ob₁k_i≤τ_k，e_i≤τ_e

observation＝ob₂k_i≤τ_k，e_i＞τ_e

observation＝ob₃k_i＞τ_k，e_i≤τ_e

observation＝ob₄k_i＞τ_k，e_i＞τ_e

在这种情况下，子周期将有n个状态和m个观测值，HMM模型的状态转移矩阵A_ss和观测矩阵B_ss形式如下：

作为优选的技术方案，观察序列{o₁，o₂，…，o_n}由峭度序列{k_ur1，k_ur2，…， k_urn}和能量值序列{e₁，e₂，…，e_n}，i.e.，o_i，

计算得出。

作为优选的技术方案，所述改进式HMM故障检测模块中，应用Baum-Welch 方法来估计三元组λ＝{π，A，B}，它在两个步骤之间进行迭代：期望步骤和最大化步骤，在先前模型λ₀中，该模型是随机选择或根据经验大致得出的，目标函数P(o|λ)将转换为一个新函数

该函数测量先前模型λ₀和更新后的模型

之间的差异；

其中

其中

然后，HMM参数λ＝{π，A，B}被更新

π_i＝γ₁(i)1≤i≤N

a_t(i)被称为前向变量，a_t(i)＝P(o₀，o₁，o₂，…，o_t，q_t＝s_i|λ)

β_t(i)被称为后向变量，β_t(i)＝P(o_t+1，…，o_T|q_t＝s，λ)。

作为优选的技术方案，还包括改进式HMM故障检测模块解码的步骤，具体为：

给定从声发射信号峰度和能量中提取的观测序列{o₁，o₂…，o_N}，可能性由下式给出：

一般存在四种健康状态，即S1：健康；S2：故障1，最不严重；S3：故障 2，中等严重；S4：故障3，最严重；与遍历类型不同，每个状态都可以转换为任何其他状态，减速器故障状态只能从健康状态到损坏状态变。

作为优选的技术方案，通过联合后验概率P(s_i+1|s_i，{o_i+1，…，o_i+m+1}，λ) 抑制扰动影响；

通过多数投票选择状态s_i，如下所示：

其中N(s₁)，N(s₂)，N(s₃)，N(s₄)由通过维特比方法计算的相应状态之和确定。

本发明另一方面提供了一种基于HMM模型的RV减速器声发射故障检测系统，应用于所述的基于HMM模型的RV减速器声发射故障检测方法，包括声发射信号去噪模块、声发射信号的子周期模块以及故障分类模块；

所述声发射信号去噪模块，用于基于小波包变换的声发射信号去噪，利用小波变换将原始声信号分解为不同频率的小波包，对不同频率的小波包进行分解，将声发射信号被分解成具有不同时间窗口和分辨率的小波包分量，得到降噪后的声发射信号；

所述声发射信号子周期辨识模块，用于基于HMM的RV减速器声发射信号子周期辨识，应用HMM从整个声发射信号数据中区分出采集的声发射信号的子周期，并将峰值和能量值作为声发射信号的特征参数；

所述故障分类模块，用于构建基于多数投票的改进式HMM故障检测模块，所述改进式HMM故障检测模块包括状态转移矩阵A、观察矩阵B和初始状态向量π，基于改进式HMM故障检测模块对RV减速器故障进行分类。

本发明又一方面提供了一种存储介质，存储有程序，所述程序被处理器执行时，实现所述的基于HMM模型的RV减速器声发射故障检测方法。

本发明与现有技术相比，具有如下优点和有益效果：

本发明采用改进式的HMM模型，将未来一段时间内的声发射观测值引入到模型中，解决了突发性噪声和未知扰动对状态估计影响的技术问题，从而达到了稳定、鲁棒、准确的RV减速器声发射故障检测效果。

附图说明

图1是本发明基于HMM的RV减速器声发射故障检测方法的流程图；

图2是本发明声发射信号层级分解示意图；

图3是本发明健康状态变化图；

图4是本发明实施例基于同源性分析的APT攻击识别及归属系统的结构示意图；

图5是本发明实施例的存储介质的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

实施例

隐马尔科夫模型(HMM)能够通过观察矩阵和状态转移矩阵，在统一的时间序列数学框架中将观测值和隐藏故障关联起来。此外，故障传播过程还满足了马尔科夫链的要求，即当前状态仅与先前状态相关，并通过观测得到反映。因此，可以将HMM应用于RV减速器进行故障检测。

如图1所示，针对工业机器人用Rotate Vector(RV)减速器故障检测中存在故障状态难以辨识的问题，本实施例采用声发射技术，提出一种基于隐马尔科夫模型(HiddenMarkov Model,简称HMM)的RV减速器声发射故障检测方法，包括下述步骤：

S1、基于小波包变换的声发射信号去噪，具体为：

利用小波变换将原始声信号分解为不同频率下的小波包，其模型为：

其中s代表小波频率；t表示时移；

是一个由基本函数确定的常数。

其中r和s分别代表小波变换中的位置分量和频率分量；W_s表示特定位置的振幅。

经过小波变换后，原始的声发射信号能够分解为第一级的高低频小波包，即P₁₀(t)和P₁₁(t)，其中P₁₀(t)是第一层级的低频分量小波包，而P₁₁(t)第一层级的高频分量小波包。在此基础上，对第一层级的小波包进行二次分解，每个小波包再进一步分解为P₂₀(t)，P₂₁(t)，P₂₂(t)，P₂₃(t)；以此类推，二次分解后的小波包再进行三级分解，分解为P₃₀(t)，P₃₁(t)，P₃₂(t)，P₃₃(t)，P₃₄(t)，P₃₅(t)， P₃₆(t)，P₃₇(t)，如图2所示。

通过上述操作，声发射信号被分解成具有不同时间窗口和分辨率的小波包分量。

S2、基于HMM的RV减速器声发射信号子周期分离；应用HMM从整个声发射信号数据中区分出采集的声发射信号的子周期，具体为：

选择峰值和能量值作为声发射信号的特征参数，对于每个周期，有39个状态，即{s₁,s₂,...,s₃₉}。用峭度阈值τ_k和能量阈值τ_e来计算出声发射信号每个子周期的观测值。通过这种方式，观测值能够离散为{ob₁,ob₂,ob₃,ob₄}。观测值与对应的峭度k_i，能量值e_i的关系可以表示为：

observation＝ob₁k_i≤τ_k，e_i≤τ_e

observation＝ob₂k_i≤τ_k，e_i＞τ_e

observation＝ob₃k_i＞τ_k，e_i≤τ_e

observation＝ob₄k_i＞τ_k，e_i＞τ_e

在这种情况下，子周期将有n个状态(n＝39)和m个观测值(m＝4)。HMM模型的状态转移矩阵A_ss和观测矩阵B_ss形式如下：

S3、构建基于多数投票的改进式HMM故障检测模块，所述改进式HMM 故障检测模块包括状态转移矩阵A、观察矩阵B和初始状态向量π，基于改进式 HMM故障检测模块对RV减速器故障进行分类，具体为：

S3.1、改进式HMM建模；

观察序列{o₁,o₂,...,o_n}可以由峭度序列{k_ur1,k_ur2,...,k_urn}和能量值序列{e₁,e₂,...,e_n},i.e.,o_i,

计算得出。

应用Baum-Welch方法来估计三元组λ＝{π，A，B}，它在两个步骤之间进行迭代：期望步骤和最大化步骤。在先前模型λ₀中，该模型是随机选择或根据经验大致得出的，目标函数P(o|λ)将转换为一个新函数

该函数测量先前模型λ₀和更新后的模型

之间的差异。

其中

其中

然后，HMM参数λ＝{π，A，B}被更新

π_i＝γ₁(i)1≤i≤N

a_t(i)被称为前向变量，a_t(i)＝P(o₀，o₁，o₂，...，o_t，q_t＝s_i|λ)

β_t(i)被称为后向变量，β_t(i)＝P(o_t+1，...，o_T|q_t＝s_i，λ)

S3.2、改进式HMM解码；

给定从声发射信号峰度和能量中提取的观测序列{o₁，o₂...，o_N}，可能性可以由下式给出：

一般存在四种健康状态，即S1：健康；S2：故障1(最不严重)；S3：故障 2(中等严重)；S4：故障3(最严重)。与遍历类型不同，每个状态都可以转换为任何其他状态，减速器故障状态只能从左到右(从健康状态到损坏状态)演变，如图 3所示。

在RV减速器故障检测的情况下，观测到的声发射信号通常会伴有意外和未知的干扰。为了克服这个问题，不同于传统的HMM，我们不仅考虑了当前的观测数o_i，而且还考虑了即将到来的观测数{o_i+1，…，o_i+m}。

由于扰动只能持续很短的时间，因此可以通过联合后验概率 P(s_i+1|s_i，{o_i+1，…，o_i+m+1}，λ)大大抑制扰动影响。

通过这种方式，可以通过多数投票选择状态s_i，如下所示：

如图4所示，在另一个实施例中，提供了一种基于HMM的RV减速器声发射故障检测系统，应用于所述的基于HMM的RV减速器声发射故障检测方法，包括声发射信号去噪模块、声发射信号的子周期模块以及故障分类模块；

在此需要说明的是，上述实施例提供的系统仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能，该系统是应用于上述实施例的基于同源性分析的APT攻击识别及归属方法。

如图5所示，在本申请的另一个实施例中，还提供了一种存储介质，存储有程序，所述程序被处理器执行时，实现基于HMM的RV减速器声发射故障检测方法，具体为：

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA) 等。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims

1.基于HMM模型的RV减速器声发射故障检测方法，其特征在于，包括下述步骤：

构建基于多数投票的改进式HMM故障检测模块，所述改进式HMM故障检测模块包括状态转移矩阵A、观察矩阵B和初始状态向量π，基于改进式HMM故障检测模块对RV减速器故障进行分类。

2.根据权利要求1所述基于HMM模型的RV减速器声发射故障检测方法，其特征在于，利用小波变换将原始声信号分解为不同频率的小波包，采用的模型为：

其中，s代表小波频率；t表示时移；

是一个由基本函数确定的常数；

3.根据权利要求2所述基于HMM模型的RV减速器声发射故障检测方法，其特征在于，经过小波变换后，原始的声发射信号分解为第一级的高低频小波包，即P₁₀(t)和P₁₁(t)；其中P₁₀(t)是第一层级的低频分量小波包，P₁₁(t)是第一层级的高频分量小波包；在此基础上，对第一层级的小波包进行二次分解，每个小波包再进一步分解为P₂₀(t)，P₂₁(t)，P₂₂(t)，P₂₃(t)；以此类推，二级分解后的小波包再进行三级分解，分解为P₃₀(t)，P₃₁(t)，P₃₂(t)，P₃₃(t)，P₃₄(t)，P₃₅(t)，P₃₆(t)，P₃₇(t)；

4.根据权利要求1所述基于HMM模型的RV减速器声发射故障检测方法，其特征在于，所述基于HMM的RV减速器声发射信号子周期辨识，具体为：

用峭度阈值τ_k和能量阈值τ_e来计算声发射信号每个子周期的观测值，观测值离散为{ob₁，ob₂，ob₃，ob₄}；观测值与对应的峭度k_i、能量值e_i的关系表示为：

observation＝ob₁k_i≤τ_k，e_i≤τ_e

observation＝ob₂k_i≤τ_k，e_i＞τ_e

observation＝ob₃k_i＞τ_k，e_i≤τ_e

observation＝ob₄k_i＞τ_k，e_i＞τ_e

5.根据权利要求4所述基于HMM模型的RV减速器声发射故障检测方法，其特征在于，观察序列{o₁，o₂，...，o_n}由峭度序列{k_ur1，k_ur2，...，k_urn}和能量值序列{e₁，e₂，...，e_n}，i.e.，o_i，

计算得出。

6.根据权利要求1所述基于HMM模型的RV减速器声发射故障检测方法，其特征在于，所述改进式HMM故障检测模块中，应用Baum-Welch方法来估计三元组λ＝{π，A，B}，它在两个步骤之间进行迭代：期望步骤和最大化步骤，在先前模型λ₀中，该模型是随机选择或根据经验大致得出的，目标函数P(o|λ)将转换为一个新函数