CN114454213A - 基于eemd-ht-峭度分析的工业机器人关节电流信号异常检测方法 - Google Patents
基于eemd-ht-峭度分析的工业机器人关节电流信号异常检测方法 Download PDFInfo
- Publication number
- CN114454213A CN114454213A CN202210092020.0A CN202210092020A CN114454213A CN 114454213 A CN114454213 A CN 114454213A CN 202210092020 A CN202210092020 A CN 202210092020A CN 114454213 A CN114454213 A CN 114454213A
- Authority
- CN
- China
- Prior art keywords
- base
- monitor
- industrial robot
- signal
- joint
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 66
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 24
- 238000005314 correlation function Methods 0.000 claims description 23
- 238000012544 monitoring process Methods 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 15
- 238000005311 autocorrelation function Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 31
- 238000003745 diagnosis Methods 0.000 description 11
- 230000009467 reduction Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J19/00—Accessories fitted to manipulators, e.g. for monitoring, for viewing; Safety devices combined with or specially adapted for use in connection with manipulators
- B25J19/0095—Means or methods for testing manipulators
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Numerical Control (AREA)
- Manipulator (AREA)
Abstract
本发明涉及一种基于EEMD‑HT‑峭度分析的工业机器人关节电流信号异常检测方法,首先获取工业机器人每个关节的U、V、W三相中的任意两相;然后使用自相关分析方法获取电流信号的周期后对信号分割;通过互相关的方法消除不同时刻信号间的相位差;分别对周期内的工业机器人关节电流信号进行EEMD‑HT进行处理得到IMF真分量包络信号;最后比较被监测工业机器人电流信号IMF真分量的包络信号峭度与工业机器人正常状态基准电流信号的IMF真分量的包络信号峭度波动范围完成异常检测。本发明所述的基于EEMD‑HT‑峭度分析的工业机器人关节电流信号异常检测方法,为解决工业机器人关节异常检测问题提供了新的有效方法。
Description
技术领域
本发明属于工业机器人状态监测及故障诊断技术领域,涉及一种基于EEMD-HT-峭度分析的工业机器人关节电流信号异常检测方法。
背景技术
随着自动化进程的不断推进,工业机器人发挥着越来越重要的作用,极大的提高了生产效率。但工业机器人的功能需求不断增加,结构趋于复杂,长时间运行会导致工业机器人出现故障。对工业机器人进行状态监测,检测设备是否出现异常,及时调整设备作业,避免经济损失和人员伤亡。传统的工业机器人异常检测方法采集的信号为振动信号、扭矩信号、声发射信号等,但这些信号由于受采集位置等因素影响,采集的信号质量难以保障,另外相对而言难度大,其传感器成本高,,而电流信号可以从工业机器人控制柜里直接获取,采集方便,成本低。
通过电流信号对恒速电机进行故障诊断和状态监测的研究较多,获取定子电流后,使用电流频谱分析法可以完成对电机的故障诊断和状态监测。但工业机器人的关节主要由伺服电机和减速器组成,基于电流信号对减速器和伺服电机进行状态监测和故障诊断的研究相对较少。伺服电机和恒速电机的电流信号相比,其电流信号随动作周期变化具有周期性,且频率成分复杂,幅值变化剧烈,相关研究相对较少。
专利CN 111975784 A公开了一种基于电流和振动信号的关节机器人故障诊断方法,其利用采集到的关节电流信号得到等角度采样时序并对滤波后的振动信号进行等角度采样,最后对振动信号的等角度采样序列进行傅里叶变换得到机器人关节振动信号阶比谱并分析,实现机器人关节故障诊断,该发明采集了电流信号和振动信号进行关节故障诊断且电流信号只起到辅助作用,成本较高。
专利CN 108638128 A公开了一种工业机器人的实时异常监测方法及其系统,其利用采集到的关节电流信号计算其定位偏差、电流边界、极差、方差,然后与其正常区间对比,完成异常检测,该发明所处理的电流信号较为平稳,不涉及复杂的频率和幅值的变化,本发明的处理的工业机器人关节电流信号是瞬态变化的,该发明的方法无法处理本发明所处理的工业机器人关节电流信号。
专利CN 110154089 A公开了机器人的关节的异常检测装置以及异常检测方法,其主要涉及关节中的对偶元件之间有无异常间隙的装置和方法,通过检测的电流值和驱动转矩的数值大小是否超出指标值来判断是否存在异常间隙,该发明进行异常检测的故障类型单一而且需要同时检测电流值和扭矩值。
专利CN 112286169 A公开了一种工业机器人故障检测方法,其采集了多种工业机器人数据如关节水平夹角、关节实际速度值、电流有效值、机械臂末端点在水平x轴方向的水平加速度等,该发明使用了不同马尔可夫链构建包含两类隐变量的动态潜在参照模型,同时提取质量相关的过程变量和质量无关的过程变量信息,模型得到工作过程中的统计量T2和SPEtest.,将统计量T2 test和SPEtest和统计阈值Tlun 2和SPElim对比,完成异常检测,该发明采集信号种类较多,所追加的传感器也会增加,成本高。
专利CN 108673503 A公开了一种工业机器人实时故障检测方法及装置,属于管理学类的方法,记录每日平均启动次数和每日平均启动时间,然后与阈值进行比较,不涉及具体传感器信号物理量的采集,该发明不能及时的处理工业机器人使用过程中出现的异常,不能及时有效的进行监测。
论文《High-accuracy unsupervised fault detection of industrial robotsusing current signalanalysis》采集和处理的工业机器人电流信号,使用了小波变换、傅里叶变换等方法进行了分析,通过信噪比指标完成异常检测,该论文研究处于理论阶段,只对单一的机器人关节做了验证,离工业现场落地还有较远距离。
专利CN113733164A公开了一种基于电流检测的工业机器人故障诊断方法,对采集到的电流数据先通过小波包能量特征提取,然后将能量谱转化为二维矩阵,然后使用CNN网络模型进行故障诊断,该发明计算量大,模型训练耗时长。
专利KR20210014788A公开了一种机器人关节故障诊断方法及机器人关节诊断系统,通过在伺服电机和伺服驱动器之间的U、V、W上附接电流传感器来检测直接提供给伺服电机的电流,模数转换器将有效信号转换为数字信号,然后对电流信号进行滤波和归一化处理,使用STFT进行时频分析,得到的图像通过训练得到的CNN模型进行故障诊断,该发明数据计算量大,模型训练耗时长。
因此提供一种能解决上述问题的基于EEMD-HT-峭度分析的工业机器人关节电流信号异常检测方法具有十分重要的意义。
发明内容
为解决现有技术中存在的问题,本发明提供一种基于EEMD-HT-峭度分析的工业机器人关节电流信号异常检测方法。
为达到上述目的,本发明采用的技术方案如下:
基于EEMD-HT-峭度分析的工业机器人关节电流信号异常检测方法,包括以下步骤:
(1)分别采集工业机器人第i个关节的A相电流监测信号i_A_monitor、工业机器人第i个关节的A相电流基准信号i_A_base、工业机器人第i个关节的B相电流监测信号i_B_monitor、工业机器人第i个关节的B相电流基准信号i_B_base,i=1,2,3...β,β为工业机器人的关节总数,A相和B相为U、V、W三相中的任意两相,例如A相为U相,B相为V相,或者A相为U相,B相为W相,亦或者A相为V相,B相为W相;工业机器人伺服电机是由U、V、W三相供电,根据基尔霍夫电流定律,任意时刻流入节点电流之和等于流出节点电流之和,即知道其中两相电流的信息即可获取第三相电流的信息,这是采集工业机器人其中两相电流的依据;
(2)使用自相关分析方法分别获取i_A_monitor、i_A_base、i_B_monitor、i_B_base的周期的数据点数M,通过周期的数据点数M对i_A_monitor、i_A_base、i_B_monitor、i_B_base进行数据分割(第一个周期分割为0至M,第二个周期为M至2M,第三个周期为2M至3M,以此类推),并在最后一段的信号不完整(即长度小于M)时去除最后一段的信号(如果最后一段的信号完整,则无需去除最后一段的信号),得到总周期数都为N的i_A_monitor_D、i_A_base_D、i_B_monitor_D、i_B_base_D;
(3)将工业机器人关节电流监测信号和工业机器人正常状态关节电流基准信号做分析对比时,两种信号间会存在相位差距,不便分析,因此本发明尝试消除工业机器人关节电流监测信号和工业机器人正常状态关节电流基准信号间的相位差距,以i_A_base_D为基准消除i_A_monitor_D与i_A_base_D之间的相位差得到i_A_monitor_D_R,同时以i_B_base_D为基准消除i_B_monitor_D与i_B_base_D之间的相位差得到i_B_monitor_D_R;
(4)按周期对SIGNAL进行处理,得到峭度指标集合QG={Q1,Q2…,QN},Qz为SIGNAL的第z个周期对应的峭度指标,z=1,2,…N,SIGNAL为i_A_monitor_D_R、i_B_monitor_D_R、i_A_base_D或i_B_base_D;
当i_monitor_D_R对应的QG中存在Qz小于i_base_D对应的QG中的最小值,或大于i_base_D对应的QG中的最大值时,则工业机器人关节状态判定为异常,反之,则工业机器人关节状态判定为正常;i_monitor_D_R为i_A_monitor_D_R,i_base_D为i_A_base_D,或者,i_monitor_D_R为i_B_monitor_D_R,i_base_D为i_B_base_D;
对SIGNAL的第z个周期进行处理步骤如下:
(a)使用EEMD方法对SIGNAL的第z个周期进行分解降噪处理,获取IMF真分量Cr_max(t);
(b)利用以下公式对Cr_max(t)进行希尔伯特变换得到H[Cr_max(t)]后,对H[Cr_max(t)]取绝对值得到Cr_max(t)的包络信号EC(t);
式中,t为时间,t=1,2,..v,v为SIGNAL的第z个周期的时间序列的长度;Cr_max(τ)为t=τ时刻的Cr_max(t)的值;
(c)利用以下公式由EC(t)计算得到峭度指标Qz:
作为优选的技术方案:
如上所述的基于EEMD-HT-峭度分析的工业机器人关节电流信号异常检测方法,步骤(1)中,采集采用将工业机器人控制柜中伺服电机的A、B相线缆穿过电流互感器的方式;单从采集电流信号的这一角度来说,获取方法有很多,但是“将工业机器人控制柜中伺服电机的A、B相线缆穿过电流互感器,采集每个关节的A、B相电流”这种方法在工业实际生产环境中较为方便且获取到的电流信号精度高,因而作为本发明优选的技术方案。
如上所述的基于EEMD-HT-峭度分析的工业机器人关节电流信号异常检测方法,步骤(1)中,采集时的采样频率为5k~10k Hz,为了不失真地恢复模拟信号,根据香农采样定理,采样频率应该不小于真实频谱中最高频率的2倍,在现实环境中则是采样频率为真实最高频率的5-10倍,而工业机器人使用的伺服电机的脉冲频率为400Hz至1k Hz,又考虑到市面流通常用传感器的采样频率,所以选取采样频率设置为5k~10k Hz。
如上所述的基于EEMD-HT-峭度分析的工业机器人关节电流信号异常检测方法,步骤(2)中,使用自相关分析方法分别获取i_A_monitor、i_A_base、i_B_monitor、i_B_base的周期的数据点数M的具体过程为:
首先利用以下公式由i_A_monitor、i_A_base、i_B_monitor或i_B_base的时间序列计算得到自相关函数序列,然后由自相关函数序列得到横坐标为延迟时间、纵坐标为能量(即信号单位的平方乘以时间)的自相关函数图像,最后求出自相关函数图像中近似周期范围内的区域最大峰值集合内峰值间的索引距离,得到i_A_monitor、i_A_base、i_B_monitor或i_B_base一个周期的数据点数M;
式中,R(n)为自相关函数序列;n为i_A_monitor、i_A_base、i_B_monitor或i_B_base的时间序列的长度;h为阶数(h的取值取决于自身的需求,想计算几阶的自相关函数h就取几,按实际需求来);xδ为i_A_monitor、i_A_base、i_B_monitor或i_B_base的δ时刻的时间序列值,δ=1,2,…,n-h;xδ+h为i_A_monitor、i_A_base、i_B_monitor或i_B_base的δ+h时刻的时间序列值;xη为i_A_monitor、i_A_base、i_B_monitor或i_B_base的η时刻的时间序列值,η=1,2,…,n;μ为i_A_monitor、i_A_base、i_B_monitor或i_B_base的时间序列的均值。
如上所述的基于EEMD-HT-峭度分析的工业机器人关节电流信号异常检测方法,由自相关函数序列得到自相关函数图像之前,还对自相关函数序列的长度进行归一化,以消除时滞的影响,不进行归一化也可以进行后续计算,但不推荐,会导致后续程序计算时间会增加,计算效率下降,具体的归一化过程可参考现有的技术。
如上所述的基于EEMD-HT-峭度分析的工业机器人关节电流信号异常检测方法,步骤(3)中,消除相位差采用互相关分析方法,具体过程为:
将i_monitor_D与i_base_D输入到以下公式中,计算得到i_monitor_D与i_base_D的互相关函数序列,找到互相关函数序列的峰值索引值H,进而求得i_monitor_D与i_base_D间的相位差距m=H–M(M同上文,为周期的数据点数),以i_base_D为基准,将i_monitor_D根据相位差距m的计算结果完成相位移动,其中,i_monitor_D为i_A_monitor_D,i_base_D为i_A_base_D,或者i_monitor_D为i_B_monitor_D,i_base_D为i_B_base_D,i_A_monitor_D完成相位移动后得到i_A_monitor_D_R,i_B_monitor_D完成相位移动后得到i_B_monitor_D_R;
如上所述的基于EEMD-HT-峭度分析的工业机器人关节电流信号异常检测方法,步骤(a)具体如下:
(a1)利用以下公式由SIGNAL的第z个周期的时间序列x(t)得到新的序列X(t);
X(t)=x(t)+a(t);
式中,a(t)为随机生成的具有正太分布的白噪声序列;
(a2)利用以下公式对X(t)进行EMD(经验模态)分解,得到k个IMF分量cj(t)和一个余量r(t);
(a3)选择新生成的具有正太分布的白噪声序列a(t),重复步骤(a1)~(a2);
(a4)利用以下公式计算所有IMF分量的均值Cj;
式中,l为EMD的集成次数;cwj(t)为第w次EMD得到的第j个IMF;
(a5)利用以下公式计算x(t)与Cj的相关系数r(x(t),Cj),并将相关系数最大值r_max对应的Cj作为IMF真分量Cr_max(t);
式中,cov(x(t),Cj)为x(t)与Cj的协方差;Var[x(t)]为x(t)的方差;Var[Cj]为Cj的方差。
有益效果
(1)本发明完成了基于EEMD-HT-峭度分析的工业机器人关节电流信号异常检测,避免了生产活动中出现的生产和安全事故,间接提高了经济效益;
(2)本发明完成工业机器人关节的异常检测所耗费资源少,监测信号方便,成本低,计算量小,可以更快的部署到生产现场;
(3)本发明相对于现有技术取得了显著的进步,具体体现在:
相对于专利CN 111975784 A,本发明只通过对电流信号的分析处理,便可以完成工业机器人关节的异常检测,在EEMD分解降噪后通过计算电流信号的峭度指标完成对电流信号波动程度的度量,通过对比正常状态的工业机器人关节电流信号和故障状态的关节电流信号验证本发明的有效性;
相对于专利CN 108638128 A,本发明所处理的电流信号较为复杂,本发明所处理的电流信号的频率和幅值是瞬态变化,而该发明的所处理的电流信号较为平稳,本发明所使用的降噪分解方法,该方面也未涉及,所计算的衡量异常的指标也不同;
相对于专利CN 110154089 A,本发明仅使用电流信号完成异常检测,并且电流信号的处理方法使用EEMD-HT的方法,是否异常的评价指标也不同,本发明为峭度指标;
相对于专利CN 112286169 A,本发明只需要采集电流信号,本发明采用了EEMD-HT的方法对电流信号做了处理,并且使用峭度指标作为异常检测依据,计算简单,无需训练模型;
相对于专利CN 108673503 A,本发明通过采集工业机器人关节电流信号,使用EEMD-HT方法进行分解降噪处理,计算峭度指标量化信号波形的波动,对比工业机器人正常状态和异常状态的峭度指标完成工业机器人的异常检测;
相对于论文《High-accuracy unsupervised fault detection of industrialrobots using current signal analysis》,本发明对工业机器人的电流信号处理方法为通过EEMD-HT的方法进行分解降噪,计算峭度指标完成工业机器人的异常检测;
相对于专利CN113733164A,本发明不需要对采集到的电流数据进行维度的变化,不需要训练复杂的深度学习模型,计算量小,部署时间快;
相对于专利KR20210014788A,本发明通过对采集到的电流数据信号进行分解降噪处理,计算峭度指标完成异常监测,不需要进行复杂的时频分析,也不需训练CNN模型,更符合工业现场的实际应用。
附图说明
图1为基于EEMD-HT-峭度分析的工业机器人关节电流信号异常检测方法流程图;
图2为工业机器人正常状态关节电流信号1_U_base时域图;
图3为工业机器人正常状态关节电流信号2_U_base时域图;
图4为工业机器人正常状态关节电流信号3_U_base时域图;
图5为工业机器人正常状态关节电流信号4_U_base时域图;
图6为工业机器人正常状态关节电流信号5_U_base时域图;
图7为工业机器人正常状态关节电流信号6_U_base时域图;
图8为工业机器人正常状态关节电流信号1_V_base时域图;
图9为工业机器人正常状态关节电流信号2_V_base时域图;
图10为工业机器人正常状态关节电流信号3_V_base时域图;
图11为工业机器人正常状态关节电流信号4_V_base时域图;
图12为工业机器人正常状态关节电流信号5_V_base时域图;
图13为工业机器人正常状态关节电流信号6_V_base时域图;
图14为工业机器人正常状态关节电流信号1_U_base自相关函数图像;
图15为工业机器人正常状态关节电流信号1_U_base信号分割图像;
图16为工业机器人正常状态电流信号1_U_base_D和故障状态关节电流信号1_U_monitor_D的时域图像对比图;
图17为工业机器人正常状态电流信号1_U_base_D和故障状态关节电流信号消除相位差后的1_U_monitor_D_R的时域图像对比图;
图18为工业机器人正常状态电流信号1_U_base_D的EEMD信号处理结果图;
图19为工业机器人正常状态电流信号1_V_base_D的EEMD信号处理结果图;
图20为工业机器人正常状态电流信号2_U_base_D的EEMD信号处理结果图;
图21为工业机器人正常状态电流信号2_V_base_D的EEMD信号处理结果图;
图22为工业机器人正常状态电流信号3_U_base_D的EEMD信号处理结果图;
图23为工业机器人正常状态电流信号3_V_base_D的EEMD信号处理结果图;
图24为工业机器人正常状态电流信号4_U_base_D的EEMD信号处理结果图;
图25为工业机器人正常状态电流信号4_V_base_D的EEMD信号处理结果图;
图26为工业机器人正常状态电流信号5_U_base_D的EEMD信号处理结果图;
图27为工业机器人正常状态电流信号5_V_base_D的EEMD信号处理结果图;
图28为工业机器人正常状态电流信号6_U_base_D的EEMD信号处理结果图;
图29为工业机器人正常状态电流信号6_V_base_D的EEMD信号处理结果图;
图30为工业机器人正常状态关节电流信号1_U_base_D和故障状态关节电流信号消除相位差后的1_U_monitor_D_R的IMF真分量的包络信号图像对比图;
图31为工业机器人正常状态关节电流信号1_V_base_D和故障状态关节电流信号消除相位差后的1_V_monitor_D_R的IMF真分量的包络信号图像对比图;
图32为工业机器人正常状态关节电流信号2_U_base_D和故障状态关节电流信号消除相位差后的2_U_monitor_D_R的IMF真分量的包络信号图像对比图;
图33为工业机器人正常状态关节电流信号2_V_base_D和故障状态关节电流信号消除相位差后的2_V_monitor_D_R的IMF真分量的包络信号图像对比图;
图34为工业机器人正常状态关节电流信号3_U_base_D和故障状态关节电流信号消除相位差后的3_U_monitor_D_R的IMF真分量的包络信号图像对比图;
图35为工业机器人正常状态关节电流信号3_V_base_D和故障状态关节电流信号消除相位差后的3_V_monitor_D_R的IMF真分量的包络信号图像对比图;
图36为工业机器人正常状态关节电流信号4_U_base_D和故障状态关节电流信号消除相位差后的4_U_monitor_D_R的IMF真分量的包络信号图像对比图;
图37为工业机器人正常状态关节电流信号4_V_base_D和故障状态关节电流信号消除相位差后的4_V_monitor_D_R的IMF真分量的包络信号图像对比图;
图38为工业机器人正常状态关节电流信号5_U_base_D和故障状态关节电流信号消除相位差后的5_U_monitor_D_R的IMF真分量的包络信号图像对比图;
图39为工业机器人正常状态关节电流信号5_V_base_D和故障状态关节电流信号消除相位差后的5_V_monitor_D_R的IMF真分量的包络信号图像对比图;
图40为工业机器人正常状态关节电流信号6_U_base_D和故障状态关节电流信号消除相位差后的6_U_monitor_D_R的IMF真分量的包络信号图像对比图;
图41为工业机器人正常状态关节电流信号6_V_base_D和故障状态关节电流信号消除相位差后的6_V_monitor_D_R的IMF真分量的包络信号图像对比图。
具体实施方式
下面结合具体实施方式,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
基于EEMD-HT-峭度分析的工业机器人关节电流信号异常检测方法,如图1所示,具体步骤如下:
(1)采用将工业机器人控制柜中伺服电机的A、B相线缆穿过电流互感器的方式,在采样频率为5k~10k Hz下,分别采集工业机器人第i个关节的A相电流监测信号i_A_monitor、工业机器人第i个关节的A相电流基准信号i_A_base、工业机器人第i个关节的B相电流监测信号i_B_monitor、工业机器人第i个关节的B相电流基准信号i_B_base,i=1,2,3...β,β为工业机器人的关节总数,A相和B相为U、V、W三相中的任意两相;
(2)使用自相关分析方法分别获取i_A_monitor、i_A_base、i_B_monitor、i_B_base的周期的数据点数M,通过周期的数据点数M对i_A_monitor、i_A_base、i_B_monitor、i_B_base进行数据分割(第一个周期分割为0至M,第二个周期为M至2M,第三个周期为2M至3M,以此类推),并当最后一段的信号不完整时去除最后一段的信号(如果最后一段的信号完整,则无需去除最后一段的信号),得到总周期数都为N的i_A_monitor_D、i_A_base_D、i_B_monitor_D、i_B_base_D;
其中,获取周期的数据点数M的具体过程为:
首先利用公式1由i_A_monitor、i_A_base、i_B_monitor或i_B_base的时间序列计算得到自相关函数序列,接着对自相关函数序列的长度进行归一化,然后由归一化的自相关函数序列得到横坐标为延迟时间、纵坐标为能量(即信号单位的平方乘以时间)的自相关函数图像,最后求出自相关函数图像中近似周期范围内的区域最大峰值集合内峰值间的索引距离,得到i_A_monitor、i_A_base、i_B_monitor或i_B_base一个周期的数据点数M;公式1的表达式如下:
式中,R(n)为自相关函数序列;n为i_A_monitor、i_A_base、i_B_monitor或i_B_base的时间序列的长度;h为阶数(h的取值取决于自身的需求,想计算几阶的自相关函数h就取几,按实际需求来);xδ为i_A_monitor、i_A_base、i_B_monitor或i_B_base的δ时刻的时间序列值,δ=1,2,…,n-h;xδ+h为i_A_monitor、i_A_base、i_B_monitor或i_B_base的δ+h时刻的时间序列值;xη为i_A_monitor、i_A_base、i_B_monitor或i_B_base的η时刻的时间序列值,η=1,2,…,n;μ为i_A_monitor、i_A_base、i_B_monitor或i_B_base的时间序列的均值。
(3)以i_A_base_D为基准消除i_A_monitor_D与i_A_base_D之间的相位差得到i_A_monitor_D_R,同时以i_B_base_D为基准消除i_B_monitor_D与i_B_base_D之间的相位差得到i_B_monitor_D_R;
其中,消除相位差采用互相关分析方法,具体过程为:
将i_monitor_D与i_base_D输入到公式2中,计算得到i_monitor_D与i_base_D的互相关函数序列,找到互相关函数序列的峰值索引值H,进而求得i_monitor_D与i_base_D间的相位差距m=H–M(M同上文,为周期的数据点数),以i_base_D为基准,将i_monitor_D根据相位差距m的计算结果完成相位移动,其中,i_monitor_D为i_A_monitor_D,i_base_D为i_A_base_D,或者i_monitor_D为i_B_monitor_D,i_base_D为i_B_base_D,i_A_monitor_D完成相位移动后得到i_A_monitor_D_R,i_B_monitor_D完成相位移动后得到i_B_monitor_D_R;公式2的表达式如下:
(4)按周期对SIGNAL进行处理,得到峭度指标集合QG={Q1,Q2…,QN},Qz为SIGNAL的第z个周期对应的峭度指标,z=1,2,…N,SIGNAL为i_A_monitor_D_R、i_B_monitor_D_R、i_A_base_D或i_B_base_D;
当i_monitor_D_R对应的QG中存在Qz小于i_base_D对应的QG中的最小值,或大于i_base_D对应的QG中的最大值时,则工业机器人关节状态判定为异常,反之,则工业机器人关节状态判定为正常;i_monitor_D_R为i_A_monitor_D_R,i_base_D为i_A_base_D,或者,i_monitor_D_R为i_B_monitor_D_R,i_base_D为i_B_base_D;
对SIGNAL的第z个周期进行处理步骤如下:
(a)使用EEMD方法对SIGNAL的第z个周期进行分解降噪处理,获取IMF真分量Cr_max(t),具体步骤如下:
(a1)利用公式3由SIGNAL的第z个周期的时间序列x(t)得到新的序列X(t);公式3的表达式如下:
X(t)=x(t)+a(t);
式中,a(t)为随机生成的具有正太分布的白噪声序列;
(a2)利用公式4对X(t)进行EMD(经验模态)分解,得到k个IMF分量cj(t)和一个余量r(t);公式4的表达式如下:
(a3)选择新生成的具有正太分布的白噪声序列a(t),重复步骤(a1)~(a2);
(a4)利用公式5计算所有IMF分量的均值Cj;公式5的表达式如下:
式中,l为EMD的集成次数;cwj(t)为第w次EMD得到的第j个IMF;
(a5)利用公式6计算x(t)与Cj的相关系数r(x(t),Cj),并将相关系数最大值r_max对应的Cj作为IMF真分量Cr_max(t);公式6的表达式如下:
式中,cov(x(t),Cj)为x(t)与Cj的协方差;Var[x(t)]为x(t)的方差;Var[Cj]为Cj的方差。
(b)利用公式7对Cr_max(t)进行希尔伯特变换得到H[Cr_max(t)]后,对H[Cr_max(t)]取绝对值得到Cr_max(t)的包络信号EC(t);公式7的表达式如下:
式中,t为时间,t=1,2,..v,v为SIGNAL的第z个周期的时间序列的长度;Cr_max(τ)为t=τ时刻的Cr_max(t)的值;
(c)利用公式8由EC(t)计算得到峭度指标Qz,公式8的表达式如下:
现结合具体案例,对本发明的基于EEMD-HT-峭度分析的工业机器人关节电流信号异常检测方法进行说明,具体如下:
(I)获取工业机器人关节的电流信号;采样过程为将工业机器人控制柜中伺服电机的U、V相线缆穿过电流互感器,采集每个关节的U、V相电流;该工业机器人为六轴串联机器人,同时采集六个关节的电流信号,采集正常状态和故障状态的电流信号,采样频率为10k Hz,采样点数为200000;此时拥有工业机器人正常状态下的12维电流数据信号和工业机器人故障状态下的12维电流数据信号;电流信号具体数据(部分)由表1和表2所示,正常状态关节电流信号时域图如图2~13所示;
表1、工业机器人正常状态下关节电流信号数据(部分)
表2、工业机器人故障状态下关节电流信号数据(部分)
(II)使用自相关分析方法,获取工业机器人关节电流信号的周期;使用Python语言进行自相关函数计算,调用科学计算的基础包NumPy中的correlate(x,x,'full')函数,其中x为输入信号的时间序列,计算模式设置为full;计算工业机器人电流信号的自相关系数,以工业机器人正常状态的关节电流信号1_U_base为例;计算得到电流信号1_U_base的自相关函数图像,如图14所示;计算得到两个峰值间的距离为28627个数据点;即工业机器人正常状态关节电流信号1_U_base的周期点数为28627个数据点(2.8627秒);通过计算得到的周期点数进行工业机器人正常状态关节电流信号1_U_base的数据分割,如图15所示;分析得到采集到的工业机器人正常状态关节电流信号1_U_base包含6个完整的周期电流信号,第7段的信号是不完整的;后续研究基于6个完整周期的工业机器人正常状态关节电流信号1_U_base_D展开分析;同理计算其它维度的正常状态和故障状态下的工业机器人关节电流信号,得到相同结果即关节电流信号的周期点数都为28627个数据点,后续研究也基于6个完整周期的工业机器人关节电流信号展开分析;
(III)使用互相关分析方法,消除机器人关节电流信号间的相位差;使用Python语言进行互相关函数计算,调用科学计算的基础包NumPy中的correlate(x1,x2)函数,其中x1,x2分别表示工业机器人关节电流监测信号和工业机器人正常状态关节电流基准信号;比较工业机器人正常状态和故障状态关节电流信号的时域图,以工业机器人正常状态和故障状态的关节电流信号1_U_base_D和1_U_monitor_D为例,如图16所示;通过时域图对比发现,工业机器人正常状态关节电流信号和工业机器人故障状态关节电流信号存在相位差,不便分析;通过互相关分析方法计算出工业机器人正常状态关节电流信号1_U_base_D和工业机器人故障状态关节电流信号1_U_monitor_D的相位差为5294(即工业机器人正常状态关节电流信号1_U_base_D和工业机器人故障状态关节电流信号1_U_monitor_D的相位时间差为0.5294秒);即以工业机器人正常状态关节电流信号1_U_base_D为基准,工业机器人故障状态关节电流信号1_U_monitor_D相位向左移动5294个数据点,如图17所示;工业机器人正常状态关节电流信号1_U_base_D和工业机器人故障状态关节电流信号1_U_monitor_D_R在时域上没有相位差距,便于后续分析;工业机器人关节电流信号正常信号和故障信号间的相位差分别为5291(即1_V_base_D与1_V_monitor_D的相位差)、5329(即2_U_base_D与2_U_monitor_D的相位差)、5328(即2_V_base_D与2_V_monitor_D的相位差)、5056(即3_U_base_D与3_U_monitor_D的相位差)、5057(即3_V_base_D与3_V_monitor_D的相位差)、-944(即4_U_base_D与4_U_monitor_D的相位差)、-944(即4_V_base_D与4_V_monitor_D的相位差)、-10566(即5_U_base_D与5_U_monitor_D的相位差)、-10566(即5_V_base_D与5_V_monitor_D的相位差)、1863(即6_U_base_D与6_U_monitor_D的相位差)、1863(即6_V_base_D与6_V_monitor_D的相位差),同样根据相位点数差进行移动,消除时域相位差距;
(IV)使用EEMD方法对信号进行分解降噪处理,获取IMF真分量;使用Python语言调用信号处理包PyEMD中的EEMD函数按周期对信号处理,结果如图18~29所示(以第一个周期的工业机器人正常状态关节基准电流信号为例);工业机器人正常状态关节基准电流信号分解得到10个IMF分量,分别计算IMF分量与原始信号的相关系数,结果如表3所示;根据相关系数表,获得EEMD分解后的IMF真分量,工业机器人1至6号关节电流信号IMF真分量分别是IMF6、IMF5、IMF5、IMF5、IMF7、IMF5;
表3、IMF分量与原始信号的相关系数表
(V)对IMF真分量做希尔伯特变换获取信号包络信号,进行时域图像对比;使用Python语言调用信号处理包Scipy中的hilbert函数对IMF真分量做希尔伯特变换取绝对值求包络信号,以一个周期的工业机器人电流信号为例,结果如图30~41所示,“-”线型表示工业机器人正常状态关节基准电流信号的结果,“---”线型表示工业机器人故障状态关节电流信号的结果;从图中可以看出原始工业机器人电流信号经过分解降噪处理后,包络信号中包含的冲击信号在时域图像中更为明显,通过工业机器人故障状态关节电流信号和工业机器人正常状态关节基准电流信号分解降噪后的对比,可初步进行工业机器人关节的异常检测判断;
(VI)对工业机器人关节电流信号IMF真分量的包络信号的波动程度使用峭度指标进行量化;计算得到工业机器人正常状态基准电流信号六个周期的IMF真分量包络信号的峭度值集合范围如表4所示,通过与工业机器人故障状态电流信号IMF真分量的包络信号的峭度值对比,工业机器人关节2-6关节的峭度值超出了基准范围的控制上限或下限,可得出结论,工业机器人关节2-6关节电流信号存在异常;而工业机器人故障状态电流信号的实际故障部位为2关节,这是因为电流耦合现象导致冲击信号传递到了3-6关节也造成了异常现象(即在远离末端执行器的关节损坏后,其损坏关节后的其他关节都会发生电流耦合);因此,本方法分析得出的结论与实际故障部位一致,证明了本发明所提出的一种基于EEMD-HT-峭度分析的工业机器人关节电流信号异常检测方法的有效性。
表4、工业机器人正常状态关节电流信号IMF真分量的包络信号的峭度指标参考表
Claims (7)
1.基于EEMD-HT-峭度分析的工业机器人关节电流信号异常检测方法,其特征在于,包括以下步骤:
(1)分别采集工业机器人第i个关节的A相电流监测信号i_A_monitor、工业机器人第i个关节的A相电流基准信号i_A_base、工业机器人第i个关节的B相电流监测信号i_B_monitor、工业机器人第i个关节的B相电流基准信号i_B_base,i=1,2,3...β,β为工业机器人的关节总数,A相和B相为U、V、W三相中的任意两相;
(2)使用自相关分析方法分别获取i_A_monitor、i_A_base、i_B_monitor、i_B_base的周期的数据点数M,通过周期的数据点数M对i_A_monitor、i_A_base、i_B_monitor、i_B_base进行数据分割,并当最后一段的信号不完整时去除最后一段的信号,得到总周期数都为N的i_A_monitor_D、i_A_base_D、i_B_monitor_D、i_B_base_D;
(3)以i_A_base_D为基准消除i_A_monitor_D与i_A_base_D之间的相位差得到i_A_monitor_D_R,同时以i_B_base_D为基准消除i_B_monitor_D与i_B_base_D之间的相位差得到i_B_monitor_D_R;
(4)按周期对SIGNAL进行处理,得到峭度指标集合QG={Q1,Q2…,QN},Qz为SIGNAL的第z个周期对应的峭度指标,z=1,2,…N,SIGNAL为i_A_monitor_D_R、i_B_monitor_D_R、i_A_base_D或i_B_base_D;
当i_monitor_D_R对应的QG中存在Qz小于i_base_D对应的QG中的最小值,或大于i_base_D对应的QG中的最大值时,则工业机器人关节状态判定为异常,反之,则工业机器人关节状态判定为正常;i_monitor_D_R为i_A_monitor_D_R,i_base_D为i_A_base_D,或者,i_monitor_D_R为i_B_monitor_D_R,i_base_D为i_B_base_D;
对SIGNAL的第z个周期进行处理步骤如下:
(a)使用EEMD方法对SIGNAL的第z个周期进行分解降噪处理,获取IMF真分量Cr_max(t);
(b)利用以下公式对Cr_max(t)进行希尔伯特变换得到H[Cr_max(t)]后,对H[Cr_max(t)]取绝对值得到Cr_max(t)的包络信号EC(t);
式中,t为时间,t=1,2,..v,v为SIGNAL的第z个周期的时间序列的长度;Cr_max(τ)为t=τ时刻的Cr_max(t)的值;
(c)利用以下公式由EC(t)计算得到峭度指标Qz:
2.根据权利要求1所述的基于EEMD-HT-峭度分析的工业机器人关节电流信号异常检测方法,其特征在于,步骤(1)中,采集采用将工业机器人控制柜中伺服电机的A、B相线缆穿过电流互感器的方式。
3.根据权利要求1所述的基于EEMD-HT-峭度分析的工业机器人关节电流信号异常检测方法,其特征在于,步骤(1)中,采集时的采样频率为5k~10k Hz。
4.根据权利要求1所述的基于EEMD-HT-峭度分析的工业机器人关节电流信号异常检测方法,其特征在于,步骤(2)中,使用自相关分析方法分别获取i_A_monitor、i_A_base、i_B_monitor、i_B_base的周期的数据点数M的具体过程为:
首先利用以下公式由i_A_monitor、i_A_base、i_B_monitor或i_B_base的时间序列计算得到自相关函数序列,然后由自相关函数序列得到横坐标为延迟时间、纵坐标为能量的自相关函数图像,最后求出自相关函数图像中近似周期范围内的区域最大峰值集合内峰值间的索引距离,得到i_A_monitor、i_A_base、i_B_monitor或i_B_base一个周期的数据点数M;
式中,R(n)为自相关函数序列;n为i_A_monitor、i_A_base、i_B_monitor或i_B_base的时间序列的长度;h为阶数;xδ为i_A_monitor、i_A_base、i_B_monitor或i_B_base的δ时刻的时间序列值,δ=1,2,…,n-h;xδ+h为i_A_monitor、i_A_base、i_B_monitor或i_B_base的δ+h时刻的时间序列值;xη为i_A_monitor、i_A_base、i_B_monitor或i_B_base的η时刻的时间序列值,η=1,2,…,n;μ为i_A_monitor、i_A_base、i_B_monitor或i_B_base的时间序列的均值。
5.根据权利要求4所述的基于EEMD-HT-峭度分析的工业机器人关节电流信号异常检测方法,其特征在于,由自相关函数序列得到自相关函数图像之前,还对自相关函数序列的长度进行归一化。
6.根据权利要求1所述的基于EEMD-HT-峭度分析的工业机器人关节电流信号异常检测方法,其特征在于,步骤(3)中,消除相位差采用互相关分析方法,具体过程为:
将i_monitor_D与i_base_D输入到以下公式中,计算得到i_monitor_D与i_base_D的互相关函数序列,找到互相关函数序列的峰值索引值H,进而求得i_monitor_D与i_base_D间的相位差距m=H–M,以i_base_D为基准,将i_monitor_D根据相位差距m的计算结果完成相位移动,其中,i_monitor_D为i_A_monitor_D,i_base_D为i_A_base_D,或者i_monitor_D为i_B_monitor_D,i_base_D为i_B_base_D,i_A_monitor_D完成相位移动后得到i_A_monitor_D_R,i_B_monitor_D完成相位移动后得到i_B_monitor_D_R;
7.根据权利要求1所述的基于EEMD-HT-峭度分析的工业机器人关节电流信号异常检测方法,其特征在于,步骤(a)具体如下:
(a1)利用以下公式由SIGNAL的第z个周期的时间序列x(t)得到新的序列X(t);
X(t)=x(t)+a(t);
式中,a(t)为随机生成的具有正太分布的白噪声序列;
(a2)利用以下公式对X(t)进行EMD分解,得到k个IMF分量cj(t)和一个余量r(t);
(a3)选择新生成的具有正太分布的白噪声序列a(t),重复步骤(a1)~(a2);
(a4)利用以下公式计算所有IMF分量的均值Cj;
式中,l为EMD的集成次数;cwj(t)为第w次EMD得到的第j个IMF;
(a5)利用以下公式计算x(t)与Cj的相关系数r(x(t),Cj),并将相关系数最大值r_max对应的Cj作为IMF真分量Cr_max(t);
式中,cov(x(t),Cj)为x(t)与Cj的协方差;Var[x(t)]为x(t)的方差;Var[Cj]为Cj的方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210092020.0A CN114454213B (zh) | 2022-01-26 | 2022-01-26 | 基于eemd-ht-峭度分析的工业机器人关节电流信号异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210092020.0A CN114454213B (zh) | 2022-01-26 | 2022-01-26 | 基于eemd-ht-峭度分析的工业机器人关节电流信号异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114454213A true CN114454213A (zh) | 2022-05-10 |
CN114454213B CN114454213B (zh) | 2023-12-12 |
Family
ID=81412444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210092020.0A Active CN114454213B (zh) | 2022-01-26 | 2022-01-26 | 基于eemd-ht-峭度分析的工业机器人关节电流信号异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114454213B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117428760A (zh) * | 2023-10-10 | 2024-01-23 | 无锡蔚动智能科技有限公司 | 一种基于人工智能的关节模组控制系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110125899A (ko) * | 2010-05-14 | 2011-11-22 | 한양대학교 산학협력단 | 보행 로봇 시스템 및 그 보행 로봇 시스템의 지면 분석 방법과 보행 방법 |
CN104742153A (zh) * | 2015-04-01 | 2015-07-01 | 中国计量学院 | 六轴多关节工业机器人故障预测装置 |
CN107478417A (zh) * | 2017-06-23 | 2017-12-15 | 昆明理工大学 | 一种基于频率校正和互相关原理的往复运动周期提取方法 |
CN111238843A (zh) * | 2020-01-17 | 2020-06-05 | 浙江大学 | 一种基于快速谱峭度分析的风机健康评价方法 |
CN111975784A (zh) * | 2020-09-03 | 2020-11-24 | 昆明理工大学 | 一种基于电流和振动信号的关节机器人故障诊断方法 |
KR20210014788A (ko) * | 2019-07-30 | 2021-02-10 | 한국생산기술연구원 | 로봇 관절부 고장진단 방법 및 이를 적용한 로봇 관절부 고장 진단 시스템 |
-
2022
- 2022-01-26 CN CN202210092020.0A patent/CN114454213B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110125899A (ko) * | 2010-05-14 | 2011-11-22 | 한양대학교 산학협력단 | 보행 로봇 시스템 및 그 보행 로봇 시스템의 지면 분석 방법과 보행 방법 |
CN104742153A (zh) * | 2015-04-01 | 2015-07-01 | 中国计量学院 | 六轴多关节工业机器人故障预测装置 |
CN107478417A (zh) * | 2017-06-23 | 2017-12-15 | 昆明理工大学 | 一种基于频率校正和互相关原理的往复运动周期提取方法 |
KR20210014788A (ko) * | 2019-07-30 | 2021-02-10 | 한국생산기술연구원 | 로봇 관절부 고장진단 방법 및 이를 적용한 로봇 관절부 고장 진단 시스템 |
CN111238843A (zh) * | 2020-01-17 | 2020-06-05 | 浙江大学 | 一种基于快速谱峭度分析的风机健康评价方法 |
CN111975784A (zh) * | 2020-09-03 | 2020-11-24 | 昆明理工大学 | 一种基于电流和振动信号的关节机器人故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
吕慧;李琪;王艺辉;: "电力装备高次谐波信号实时检测与仿真", 电子技术与软件工程, no. 11 * |
姜建国;王庆;: "基于MEEMD和峭度-相关系数电机轴承故障诊断", 自动化技术与应用, no. 01 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117428760A (zh) * | 2023-10-10 | 2024-01-23 | 无锡蔚动智能科技有限公司 | 一种基于人工智能的关节模组控制系统及方法 |
CN117428760B (zh) * | 2023-10-10 | 2024-03-29 | 无锡蔚动智能科技有限公司 | 一种基于人工智能的关节模组控制系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114454213B (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110696051B (zh) | 一种基于多分量信号分解的机械臂关节振动识别方法 | |
Heyns et al. | Combining synchronous averaging with a Gaussian mixture model novelty detection scheme for vibration-based condition monitoring of a gearbox | |
CN111207875B (zh) | 基于多粒度并联cnn模型的肌电信号-扭矩匹配方法 | |
CN105424359A (zh) | 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法 | |
Jaber et al. | Development of a Condition Monitoring Algorithm for Industrial Robots based on Artificial Intelligence and Signal Processing Techniques. | |
Chen et al. | Fault identification of gearbox degradation with optimized wavelet neural network | |
WO2023000532A1 (zh) | 一种新型振动噪声测试方法 | |
CN110954827B (zh) | 故障诊断方法、装置、电子设备及系统 | |
CN114454213B (zh) | 基于eemd-ht-峭度分析的工业机器人关节电流信号异常检测方法 | |
Shi et al. | Structural damage detection using artificial neural networks and wavelet transform | |
Lv et al. | Generalized synchroextracting-based stepwise demodulation transform and its application to fault diagnosis of rotating machinery | |
CN113435281A (zh) | 基于改进hht变换的波纹补偿器故障诊断方法 | |
Loutridis et al. | Classification of gear faults using Hoelder exponents | |
CN117289022A (zh) | 一种基于傅里叶算法的电网谐波检测方法及系统 | |
CN109916624B (zh) | 一种基于希尔伯特黄的滚珠丝杠副疲劳失效诊断方法 | |
CN109782167B (zh) | 基于卷积网络深度模型的齿轮减速电机品检装置及方法 | |
CN114609453A (zh) | 基于统计过程控制的机器人关节电流异常检测方法和装置 | |
CN110994802A (zh) | 一种输电导线运行状态监测方法和装置 | |
CN114638265B (zh) | 一种基于信号卷积神经网络的铣削颤振判别方法 | |
Ouelaa et al. | Comparative study between objective and subjective methods for identifying the gravity of single and multiple gear defects in case of noisy signals | |
CN116026591A (zh) | 张量奇异谱分解方法 | |
Hazra et al. | Gearbox fault detection using synchro-squeezing transform | |
Thanagasundram et al. | Autoregressive based diagnostics scheme for detection of bearing faults | |
Kalhapure et al. | Vibration Analysis and Fault Diagnosis of Induction Motor Bearing Using Artificial Neural Network (ANN) | |
CN114460466B (zh) | 一种用于传动监测的虚拟传感器设备及其监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |