CN117316172A - 一种机器人声发射信号的降噪方法及系统 - Google Patents
一种机器人声发射信号的降噪方法及系统 Download PDFInfo
- Publication number
- CN117316172A CN117316172A CN202311204462.0A CN202311204462A CN117316172A CN 117316172 A CN117316172 A CN 117316172A CN 202311204462 A CN202311204462 A CN 202311204462A CN 117316172 A CN117316172 A CN 117316172A
- Authority
- CN
- China
- Prior art keywords
- signal
- acoustic emission
- signals
- noise reduction
- emission signal
- 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.)
- Pending
Links
- 230000009467 reduction Effects 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 64
- 238000012545 processing Methods 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 14
- 238000001228 spectrum Methods 0.000 claims description 11
- 239000000919 ceramic Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 238000001914 filtration Methods 0.000 description 6
- 230000036541 health Effects 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
- G10L21/0224—Processing in the time domain
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0264—Noise filtering characterised by the type of parameter measurement, e.g. correlation techniques, zero crossing techniques or predictive techniques
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种机器人声发射信号的降噪方法及系统，采集机器人本体产生的声发射信号，对采集到的声发射信号进行小波去噪处理，选取合适的小波函数和阈值，去除噪声成分，提取机器人本体的有效信号，并进行初步重构，得到初步降噪后的声发射信号h1；对声发射信号h1进行EMD分解，将信号分解为若干个IMF分量和残余分量RES；分别计算各个IMF分量与原始信号之间的相关系数和方差贡献率，对IMF分量进行重构，得到降噪后的声发射信号h2。本发明通过对提取的机器人声发射信号进行降噪处理，有效减少噪声信号对机器人声发射信号的影响，进而对声发射信号特征进行更加精确地解析。
Description
技术领域
本发明涉及信号处理技术领域，具体涉及一种机器人声发射信号的降噪方法及系统。
背景技术
在工业机器人的运行过程中，机器人本体会产生声发射信号，其中包含了机器人运行时产生的噪声和振动信号。声发射检测传感器可以接收机器人产生的声发射信号，通过对工业机器人运行过程所产生的声发射信号进行处理分析，能够得到工业机器人的运行状态，建立起声发射信号与机器人运行状况之间的联系，便于在工业机器人不停运的情况下，对工业机器人进行健康检测。
由于环境干扰和机器人本身运行的复杂性，声发射信号常常受到噪声的干扰，降低了信号的准确性和可靠性。在机器人实际的工作中，有很多因素会对声发射信号的采集处理产生影响，包括工作环境噪声、机械噪声、流体噪声以及电器噪声等，因此需要对机器人的声发射信号进行滤波处理。
机器人的声发射信号有以下特征：(1)声发射信号通常具有非线性、非平稳、多尺度的特征，其信号处理相对复杂；(2)在声发射信号中，噪声和有用信号之间可能存在相似的频率和振幅特征，会进一步增加噪声去除的难度；(3)去噪方法在计算上相对复杂，涉及小波变换、阈值选择和重构等步骤，对于实时在线监测的应用，算法的计算复杂度和实时性需求是一个挑战，需要在满足准确性的同时保持较低的计算负载；(4)声发射信号的质量受到环境噪声、传感器性能、传输损耗等因素的影响。在实际应用中，信号质量的变化可能导致去噪方法的效果不稳定，需要进一步考虑数据质量和采集条件对滤波处理的影响。
目前在信号滤波降噪方面应用的方法有：傅里叶变换去噪(FFT)、小波阈值、盲信号分离(dSS)、经验模态分解(EMD)等方法，由于机器人运行发出的声发射信号通常具有非线性、非平稳、多尺度的特征，FFT存在对非平稳滤波处理效果不佳的问题；小波阈值降噪应用较为广泛但滤波效果过于依赖小波基函数类型的选择以及阈值的确认，扩大了人工误差；dSS是近十几年来发展起来的声发射信号滤波降噪技术，但盲信号的分离中存在许多的未知条件，并且机器人内部故障分布以及故障种类的不确定性导致ddS滤波处理效果不佳；EMD能够很好的处理非平稳信号，但是EMD存在模态混叠缺点，使得信号分解效果不理想。
因此，开发一种有效的机器人声发射信号的降噪方法，能够提取出机器人运行过程中的有效信号成为了监测机器人运行状况的关键，有助于后期准确分析判断机器人的故障信息。
发明内容
为了克服现有技术存在的缺陷与不足，本发明的至少一个目的在于提供一种机器人声发射信号的降噪方法及系统，通过对提取的机器人声发射信号进行降噪处理，有效减少噪声信号对机器人声发射信号的影响，进而对声发射信号特征进行更加精确地解析。
为实现上述目的，本发明提供如下技术方案：
第一方面，本申请实施例提供一种机器人声发射信号的降噪方法，包括以下步骤：
S1:声发射信号采集，利用传感器采集机器人本体产生的声发射信号，并将其转化为电信号；
S2:信号去噪，对采集到的声发射信号进行小波去噪处理，去除噪声成分，提取机器人本体的有效信号，并进行初步重构，得到初步降噪后的声发射信号h1；
S3:经验模态分解，对初步降噪后的声发射信号h1进行EMD分解，将信号分解为若干个IMF分量和残余分量RES；
S4:分别计算各个IMF分量与原始信号之间的相关系数和方差贡献率，对相关系数和方差贡献率高的IMF分量进行重构，得到最终降噪后的声发射信号h2。
在上述第一方面的一种可能的实现中，步骤S2中信号去噪包括以下步骤：
S21:对工业机器人本体声发射信号转化的电信号在时域范围内进行小波分解，将其分解为首层的相似信号a1跟细节信号d1，并对首层的相似信号a1进行下一步分解，将首层的相似信号a1分解为第二层的相似信号a2跟细节信号d2，通过小波分析法对上一层的相似信号进行逐步分解，得到n层的相似信号an跟细节信号dn；
S22:提取分解后的多层细节信号dn，并对提取的多个细节信号dn进行重构，通过重构后的细节信号，得到噪声较少的声发射信号。
在上述第一方面的一种可能的实现中，步骤S22中，提取符合50khz-200khz范围内的细节信号dn作为有效信号进行重构。
在上述第一方面的一种可能的实现中，针对于完全落入50khz-200khz范围内的细节信号直接作为有效信号进行提取；
针对于部分落入50khz-200khz范围内的细节信号，对该细节信号的频谱图进行占比分析，当该细节信号中符合50khz-200khz范围内的信号占比不小于30％时，也将该细节信号作为有效信号进行提取。
在上述第一方面的一种可能的实现中，小波分解的层数不小于3层。
在上述第一方面的一种可能的实现中，步骤S1中利用传感器采集工业机器人本体产生的声发射信号，并截取一段时间内的声发射信号数据，并将该段数据传输至信号处理模块内。
在上述第一方面的一种可能的实现中，传感器为多个，分别设于机器人本体的各个关节运动部位；
和/或，传感器采用压电陶瓷传感器。
第二方面，本申请实施例提供一种机器人声发射信号的降噪系统，用于实现上述机器人声发射信号的降噪方法的步骤；其系统包括：
信号采集模块，用于采集机器人本体发出的声发射信号，并将声发射信号转变为电信号传输至信号处理模块；
信号处理模块包括小波降噪模块和EMD分解模块，所述小波降噪模块用于对输入的声发射信号进行初步降噪处理；所述EMD分解模块用于对经小波降噪模块初步降噪处理后的声发射信号h1进行EMD分解，并提取其中相关系数和方差贡献率高的IMF分量进行重构，得到最终降噪后的声发射信号h2。
在上述第二方面的一种可能的实现中，小波降噪模块包括：
小波分解模块，用于对机器人本体声发射信号进行多层小波分解，得到多层相似信号an跟细节信号dn；
信号重构模块，用于对经小波分解模块得到的多个细节信号dn进行有效信号提取，对有效信号重构后，得到初步降噪处理后的声发射信号h1。
在上述第二方面的一种可能的实现中，EMD分解模块包括：
信号分解模块，用于对机器人本体声发射信号进行分解，并提取出其中的若干个IMF分量和残余分量RES；
参数计算模块，用于计算各个IMF分量的相关性系数、排列熵以及方差贡献率；
相关性判定模块，用于根据参数计算模块的计算结果进行相关性判断，将IMF分量划分为高相关IMF分量、低相关IMF分量和负相关IMF分量；
重构模块，用于提取的高相关IMF分量，并对高相关IMF分量进行重构，得到最终降噪后的声发射信号h2。
本发明与现有技术相比，具有如下优点和有益效果：
(1)本发明通过小波分解和EMD分析法对工业机器人发生的声发射信号进行双重去噪处理，能够有效去除工业机器人声发射信号中的噪声和干扰成分，减少了环境噪声和其他干扰源的影响，能够更加精准的显示与工业机器人运行状况相关的特征。
(2)本发明中降噪后的声发射信号，通过选择相关系数和方差贡献率较大的IMF分量进行重构，突出了声发射信号中的关键特征和振动模式，有助于更准确地判断工业机器人的运行状态。
(3)小波去噪作为信号初步降噪处理，可以有效地去除声发射信号中的噪声，提高声发射信号的质量，有助于在后续的EMD分析中更好地分离信号的模态成分。小波去噪后的信号更适合进行EMD分析，因为去噪后的声发射信号已经被清理大部分噪音，且具有较好的平滑性。后续通过EMD分析可以更准确地将信号分解为多个IMF分量，并提取信号相关的时频特性。
附图说明
图1为本发明实施例中一种机器人声发射信号的降噪方法的流程框架示意图；
图2为本发明中降噪处理前的机器人声发射信号的时域图；
图3为本发明中降噪处理前的机器人声发射信号的频率分析图；
图4为本发明中机器人声发射信号经小波分解后各层细节信号dn的时域图；
图5为本发明中机器人声发射信号经小波分解后各层细节信号dn的频谱图；
图6为本发明中机器人声发射信号经小波处理后的总时域图；
图7为本发明中机器人声发射信号经小波处理后的总频谱图；
图8为本发明中机器人声发射信号经EMD分解后的各个IMF分量的时域图；
图9为本发明中机器人声发射信号经EMD分解后的总时域图；
图10为本发明中机器人声发射信号经EMD分解后的总频谱图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。
请参阅图1，本实施例的一种机器人声发射信号的降噪方法，包括以下步骤：
S1:声发射信号采集，利用传感器采集机器人本体产生的声发射信号，并将其转化为电信号，其中传感器为多个，分别设于机器人本体的各个关节运动部位，由于工业机器人的关节运动部位较容易发生故障，因此需要对这些关键部位进行实时精准监测，以便能够在不停机的情况下，实时监测到工业机器人的健康状态，检测更加精准有效。其中传感器采用RS-2A压电陶瓷传感器。
为保证处理效率，优选的，本实施例中随机或者在固定间隔时间内，截取某一段时间内机器人本体发出的声发射信号数据，并将该段数据转化为电信号，传输至信号处理模块内。
S2:信号去噪，对采集到的声发射信号进行小波去噪处理，选取合适的小波函数和阈值，去除噪声成分，提取机器人本体的有效信号，并进行初步重构，得到初步降噪后的声发射信号h1。
具体的，本实施例中信号去噪包括以下步骤：
S21:对工业机器人本体声发射信号转化的电信号在时域范围内进行小波分解，将其分解为首层的相似信号a1跟细节信号d1，并对首层的相似信号a1进行下一步分解，将首层的相似信号a1分解为第二层的相似信号a2跟细节信号d2，通过小波分析法对上一层的相似信号进行逐步分解，得到n层的相似信号an跟细节信号dn；
S22:提取分解后的多层细节信号dn，并对提取的多个细节信号dn进行重构，通过重构后的细节信号，得到噪声较少的声发射信号。由于工业机器人的自身有关的声发射信号的频率在50khz-200khz范围内，因此提取符合50khz-200khz范围内的细节信号dn作为有效信号进行重构。针对于完全落入50khz-200khz范围内的细节信号直接作为有效信号进行提取；针对于部分落入50khz-200khz范围内的细节信号，对该细节信号的频谱图进行占比分析，当该细节信号中符合50khz-200khz范围内的信号占比不小于30％时，也将该细节信号作为有效信号进行提取，上述方式能够在去除噪声的同时，保持更好的信号特征。其中小波分解的层数不小于3层，具体的，本实施例中小波分解的层数为6层，即有6组相似信号跟细节信号。
为选择合适的小波函数，优选的，本实施例中首先了解采集到的声发射信号的特性，将声发射电信号输入MATLAB软件中，将声发射电信号转化为数字信号进行处理，并通过其内置的程序对声发射信号进行分析，形成声发射信号的时域图，通过时域图能够清楚的知悉声发射信号的幅度变化和时域特性；再通过傅里叶变换，可得到声发射信号的频谱图，通过频谱图能够知晓声发射信号的频率信息，从而了解采集到的声发射信号的相关特性和噪声水平。
不同的小波函数具有不同的性质，常见的小波函数包括：
(1)Daubechies小波：适用于平稳信号和非平稳信号，可提供良好的局部时间和频率信息。
(2)Haar小波：简单且计算高效，适合用于快速噪声去除。
(3)Symlets小波：对信号的平滑性要求较高，适用于平稳信号。
(4)Morlet小波：适用于分析频率和时间变化的信号，通常用于时频分析。
在进行信号处理前，尝试多种不同类型的小波函数，然后使用交叉验证的方法来确定哪个小波函数在本实施例中效果最好，最为合适，即选该小波函数进行机器人声发射信号的去噪处理。具体的，通过多种小波函数经过上述多层小波分解并重构细节信号后(可参考上述信号去噪中的相关小波分解操作)，分析不同小波函数分解重构得到的声发射信号，观察该信号的频谱图中峰值是否在50khz-200khz范围内，且在该范围内的占比如何，占比越高，即表明该小波函数的去噪效果最佳，通过该方式能够选择合适的小波函数对机器人声发射信号进行初步降噪处理，能够有效提升降噪效果。
S3:经验模态分解，对初步降噪后的声发射信号h1进行EMD分解，将信号分解为若干个IMF分量和残余分量RES，这种分解方式的目的是将信号分解为一系列具有不同频率和振幅的振动模式(IMF)，并将残余分量(RES)作为剩余的高频成分。每个IMF都是信号中的一个固有振动模式，其频率和振幅随时间变化；IMF具有较好的局部特性和自适应性，能够适应不同频率和振幅的信号成分。残余分量RES指在EMD分解过程中剩余的高频成分。残余分量包含了信号中未被IMF分解所涵盖的高频噪声和细节成分。通常情况下，残余分量的能量较低，包括噪声和未被IMF所涵盖的细节成分。
将声发射信号分解为IMF分量和残余分量RES的目的是通过分解和提取信号的不同频率成分，使得每个IMF分量能够更好地反映信号中的振动特征和频率成分。通过对IMF分量的分析和处理，可以提取出机器人声发射信号的关键特征，实现降噪的目的，且有助于判断工业机器人的健康状态，
S4:分别计算各个IMF分量与原始信号之间的相关系数和方差贡献率，对相关系数和方差贡献率高的IMF分量进行AE波形重构，得到最终降噪后的声发射信号h2。相关系数衡量了每个IMF分量与原始信号之间的相关性，相关系数较大的IMF分量意味着其与原始信号具有较高的相关性，即更能够代表原始信号的特征。
本实施例中通过小波去噪对声发射信号进行初步降噪处理，可以更好地隔离声发射信号中的噪声，使得后续的EMD分析更专注于有用信息的提取，从而提高对机器人声发射信号中故障迹象的敏感性。综合使用小波去噪和EMD分析法的目标是最大程度地提取机器人声发射信号中的有用信息，降低外界噪声的干扰，从而能够更准确地评估机器人的健康状态，并进行后续故障诊断。
其中AE(Acoustic Emission)波形重构是指通过选择相关系数和方差贡献率较大的IMF分量，将这些IMF分量进行重构，以获得原始信号的近似重构。通过将重构的IMF分量相加，可以得到近似恢复的声发射信号。AE波形重构的目的是在去除噪声和干扰的同时保留有用信号的特征，从而实现对工业机器人本体声发射信号的降噪处理和健康状态判断。
方差贡献率衡量了每个IMF分量在整个信号中所占的比重。方差贡献率的计算是通过将每个IMF分量的方差除以整个信号的总方差得到。方差贡献率较大的IMF分量表示其在信号中所占的能量较高，即更能够代表信号的重要成分。
本实施例中计算各个IMF分量相关系数和方差贡献率，主要是用于选择相关系数和方差贡献率较大的IMF分量作为重构信号，能够保留具有较高相关性和较大能量贡献的信号成分，同时降低噪声和干扰的影响。通过选择相关系数和方差贡献率大的IMF分量，这些IMF分量具有较高的相关性和较大的能量贡献，代表了工业机器人声发射信号中的关键振动模式和特征，可以增强信号的有用成分，提高重构信号的准确性和可靠性。
从图2时域波形图中，可以观察到清晰的折铅后的AE信号从突然发生到逐渐衰减的整个过程，其中混有高频和低频的噪声信号波形。从降噪之前的信号频谱图3中可以看出AE信号能量集中在280kHz以内，其中许多混杂着噪声信号，主频段分布在50kHz和144kHz。将降噪之前的信号信号进行6层小波分解，得到的分解信号幅值谱和频谱，图5显示第一层分解信号频率分别主要集中在1104kHz左右，幅值为2.038v相比较原始信号十分的小。第二层分解信号频率分别主要分布在468kHz附近，对应的幅值为2.132v，第六层分解信号的频率小于50kHz，由于其小于AE传感器的下限频率，认为该部分分解信号为低频信号，所以该层分解信号不在考虑范围内。第五层分解信号的主要频率都分布在50kHz附近，虽然在幅值谱中显示幅值较高但声发射信号占比极少，所以该层信号主要为低频信号，因此该分解信号也不在考虑范围内。
因此，最终的AE信号就可以由第3、4层分解信号重构而成，重构后的波形如图6所示。从第3层信号频谱中可以看出，信号的频率是在129kHz～300kHz之间，幅值谱显示这一信号的幅值较小且持续时间较短，说明该信号是声发射信号与噪声信号的混合信号，声发射信号占比较大。在重构信号频率分析图7可以看出AE信号主要集中在130kHz～180kHz附近。
然后对小波去噪后的信号进行EMD分解，分解后可得到7层IMF分解信号，如图8所示，计算EMD分解后的各个IMF分量与去噪后AE信号的相关系数及对应的方差贡献率，计算结果如表1所示。
表1七个模量的相关系数与方差贡献率
从表1中可以看出前两个高频IMF1和IMF2分量的相关系数为0.5825和0.7658，因此IMF1与AE信号极强相关和IMF2与AE信号强相关，它们的方差贡献率为44.856％和58.183％，两分量信号对实际数据的解释效果好，预测结果接近实际结果。IMF3分量信号与去噪后AE信号的相关系数为0.3399，判定IMF3分量信号与去噪后AE信号中等程度相关，方差贡献率为28.107％，预测结果比较接近实际结果。IMF4，IMF5，IMF6，IMF7的相关系数都小于0.2，方差贡献率不足10％，与去噪后AE信号呈极弱相关或无相关，不计入后续的分析。
对信号的EMD分解信号的IMF1、IMF2和IMF3分量进行重构后再进行频率分析，得到的分析后的图如图9和图10所示。经过EMD分解再重构后的信号时域波形图具有完整的折铅声发射过程，幅值与原始AE信号的幅值相差较小，同时，在信号EMD分解重构后的频谱中可以看出，它的主频率分布在144kHz附近，之前的低频躁声和高频噪声得到了有效的去除。
本实施例的一种机器人声发射信号的降噪系统，用于实现上述机器人声发射信号的降噪方法的步骤；该系统包括信号采集模块和信号处理模块，其中信号采集模块用于采集机器人本体发出的声发射信号，并将声发射信号转变为电信号传输至信号处理模块。
其中信号处理模块包括小波降噪模块和EMD分解模块，所述小波降噪模块用于对输入的声发射信号进行初步降噪处理；所述EMD分解模块用于对经小波降噪模块初步降噪处理后的声发射信号h1进行EMD分解，并提取其中相关系数和方差贡献率高的IMF分量进行重构，得到最终降噪后的声发射信号h2。
本实施例中小波降噪模块包括小波分解模块和信号重构模块，其中小波分解模块用于对机器人本体声发射信号进行多层小波分解，得到多层相似信号an跟细节信号dn；信号重构模块，用于对经小波分解模块得到的多个细节信号dn进行有效信号提取，对有效信号重构后，得到初步降噪处理后的声发射信号h1。
优选的，本实施例中EMD分解模块包括信号分解模块、参数计算模块、相关性判定模块和重构模块，其中信号分解模块用于对机器人本体声发射信号进行分解，并提取出其中的若干个IMF分量和残余分量RES；参数计算模块用于计算各个IMF分量的相关性系数、排列熵以及方差贡献率；相关性判定模块用于根据参数计算模块的计算结果进行相关性判断，将IMF分量划分为高相关IMF分量、低相关IMF分量和负相关IMF分量；重构模块用于提取的高相关IMF分量，并对高相关IMF分量进行重构，得到最终降噪后的声发射信号h2。
本实施例中各个模块的具体实现可以参见上述方法实施例，在此不再一一赘述；需要说明的是，本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。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
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。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种机器人声发射信号的降噪方法，其特征在于，包括以下步骤：
S1:声发射信号采集，利用传感器采集机器人本体产生的声发射信号，并将其转化为电信号；
S2:信号去噪，对采集到的声发射信号进行小波去噪处理，去除噪声成分，提取机器人本体的有效信号，并进行初步重构，得到初步降噪后的声发射信号h1；
S3:经验模态分解，对初步降噪后的声发射信号h1进行EMD分解，将信号分解为若干个IMF分量和残余分量RES；
S4:分别计算各个IMF分量与原始信号之间的相关系数和方差贡献率，对相关系数和方差贡献率高的IMF分量进行重构，得到最终降噪后的声发射信号h2。
2.根据权利要求1所述的一种机器人声发射信号的降噪方法，其特征在于，步骤S2中信号去噪包括以下步骤：
S21:对工业机器人本体声发射信号转化的电信号在时域范围内进行小波分解，将其分解为首层的相似信号a1跟细节信号d1，并对首层的相似信号a1进行下一步分解，将首层的相似信号a1分解为第二层的相似信号a2跟细节信号d2，通过小波分析法对上一层的相似信号进行逐步分解，得到n层的相似信号an跟细节信号dn；
S22:提取分解后的多层细节信号dn，并对提取的多个细节信号dn进行重构，通过重构后的细节信号，得到噪声较少的声发射信号。
3.根据权利要求2所述的一种机器人声发射信号的降噪方法，其特征在于，步骤S22中，提取符合50khz-200khz范围内的细节信号dn作为有效信号进行重构。
4.根据权利要求3所述的一种机器人声发射信号的降噪方法，其特征在于，针对于完全落入50khz-200khz范围内的细节信号直接作为有效信号进行提取；
针对于部分落入50khz-200khz范围内的细节信号，对该细节信号的频谱图进行占比分析，当该细节信号中符合50khz-200khz范围内的信号占比不小于30％时，也将该细节信号作为有效信号进行提取。
5.根据权利要求4所述的一种机器人声发射信号的降噪方法，其特征在于，小波分解的层数不小于3层。
6.根据权利要求1-5任一项所述的一种机器人声发射信号的降噪方法，其特征在于，步骤S1中利用传感器采集工业机器人本体产生的声发射信号，并截取一段时间内的声发射信号数据，并将该段数据传输至信号处理模块内。
7.根据权利要求1所述的一种机器人声发射信号的降噪方法，其特征在于，所述传感器为多个，分别设于机器人本体的各个关节运动部位；
和/或，所述传感器采用压电陶瓷传感器。
8.一种机器人声发射信号的降噪系统，其特征在于，用于实现权利要求1-7任一所述的一种机器人声发射信号的降噪方法的步骤；所述系统包括：
信号采集模块，用于采集机器人本体发出的声发射信号，并将声发射信号转变为电信号传输至信号处理模块；
信号处理模块包括小波降噪模块和EMD分解模块，所述小波降噪模块用于对输入的声发射信号进行初步降噪处理；所述EMD分解模块用于对经小波降噪模块初步降噪处理后的声发射信号h1进行EMD分解，并提取其中相关系数和方差贡献率高的IMF分量进行重构，得到最终降噪后的声发射信号h2。
9.根据权利要求8所述的一种机器人声发射信号的降噪系统，其特征在于，所述小波降噪模块包括：
小波分解模块，用于对机器人本体声发射信号进行多层小波分解，得到多层相似信号an跟细节信号dn；
信号重构模块，用于对经小波分解模块得到的多个细节信号dn进行有效信号提取，对有效信号重构后，得到初步降噪处理后的声发射信号h1。
10.根据权利要求8或9所述的一种机器人声发射信号的降噪系统，其特征在于，EMD分解模块包括：
信号分解模块，用于对机器人本体声发射信号进行分解，并提取出其中的若干个IMF分量和残余分量RES；
参数计算模块，用于计算各个IMF分量的相关性系数、排列熵以及方差贡献率；
相关性判定模块，用于根据参数计算模块的计算结果进行相关性判断，将IMF分量划分为高相关IMF分量、低相关IMF分量和负相关IMF分量；
重构模块，用于提取的高相关IMF分量，并对高相关IMF分量进行重构，得到最终降噪后的声发射信号h2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311204462.0A CN117316172A (zh) | 2023-09-19 | 2023-09-19 | 一种机器人声发射信号的降噪方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311204462.0A CN117316172A (zh) | 2023-09-19 | 2023-09-19 | 一种机器人声发射信号的降噪方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117316172A true CN117316172A (zh) | 2023-12-29 |
Family
ID=89254581
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311204462.0A Pending CN117316172A (zh) | 2023-09-19 | 2023-09-19 | 一种机器人声发射信号的降噪方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117316172A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117664871A (zh) * | 2024-02-01 | 2024-03-08 | 山东省科学院激光研究所 | 一种噪声抑制方法及系统 |
-
2023
- 2023-09-19 CN CN202311204462.0A patent/CN117316172A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117664871A (zh) * | 2024-02-01 | 2024-03-08 | 山东省科学院激光研究所 | 一种噪声抑制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110598166B (zh) | 一种自适应确定小波分层级数的小波去噪方法 | |
| Shao et al. | The fault feature extraction and classification of gear using principal component analysis and kernel principal component analysis based on the wavelet packet transform | |
| Meng et al. | A hybrid fault diagnosis method using morphological filter–translation invariant wavelet and improved ensemble empirical mode decomposition | |
| Boudraa et al. | EMD-based signal filtering | |
| Tang et al. | Wind turbine fault diagnosis based on Morlet wavelet transformation and Wigner-Ville distribution | |
| US8725238B2 (en) | Electrocardiogram signal processing system | |
| CN110659621A (zh) | 一种基于变分模态分解和排列熵的联合降噪方法 | |
| Gokhale | ECG Signal De-noising using Discrete Wavelet Transform for removal of 50Hz PLI noise | |
| JP6133112B2 (ja) | 転がり軸受の診断装置および転がり軸受の診断方法 | |
| CN109241823B (zh) | 一种基于变分模态分解和支持向量回归的信号预测方法 | |
| CN117316172A (zh) | 一种机器人声发射信号的降噪方法及系统 | |
| KR20140139564A (ko) | Ｅｃｇ 모니터링을 위한 시스템들 및 방법들 | |
| Garg et al. | Optimal algorithm for ECG denoising using discrete wavelet transforms | |
| CN112945546B (zh) | 一种齿轮箱复杂故障精确诊断方法 | |
| Tang et al. | ECG de-noising based on empirical mode decomposition | |
| CN112098093A (zh) | 一种轴承故障特征识别方法及识别系统 | |
| Nguyen et al. | Artifact elimination in ECG signal using wavelet transform | |
| Jain et al. | An adaptive method for shrinking of wavelet coefficients for phonocardiogram denoising | |
| Zhang et al. | A novel ECG signal denoising method based on Hilbert-Huang Transform | |
| CN112914588A (zh) | 一种脑电爆发抑制指数计算方法及系统 | |
| CN110909827A (zh) | 一种适用于风机叶片声音信号的降噪方法 | |
| CN114858430A (zh) | 一种基于lcd-小波新阈值的机械密封声发射信号降噪方法 | |
| Franchevska et al. | The Method and Algorithm for Detecting the Fetal ECG Signal in the Presence of Interference | |
| CN114330445A (zh) | 一种基于变压器振动信号敏感imf的小波阈值去噪方法 | |
| CN113567129A (zh) | 一种列车轴承振动信号基于ceemd的降噪方法 |
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 |