用于执行对由传感器获取的信号的噪声去除操作的方法和根据该方法的系统与流程

解决方案特别地涉及由在工业过程（像激光焊接或激光切割）中操作的传感器获取的信号。

激光焊接由于其所提供的优势（诸如高速、高准确度、低热输入和低失真）而越来越多地在工业应用中使用。对于任何其他熔焊过程，可能发生焊接缺欠。由于激光焊接的小特征以及从而由于可能发生的缺欠，工业要求是：使用实时监视方法来可靠地检测这些。在汽车工业中，针对实时监视方法的需求已经变得越来越急迫，这是由于为了减小车辆重量并改进燃料效率和安全性，轻量级和高强度车辆的发展已经促进了对先进高强度钢（ahss）的增加的使用。附加地，为了改进针对汽车部件的表面耐腐蚀性，对这些钢进行镀锌（galvanize）。然而，在零间隙搭接接头配置中执行镀锌钢的激光焊接仍是极大的挑战。当在零间隙搭接接头配置中对镀锌钢进行激光焊接时，由于锌的与熔点相比更低的沸点（906℃），在接触界面处涂覆的锌将蒸发。

监视必须是快速的、可靠的且有成本效益的，这是由于具有缺陷的组件必须被矫正或废弃，这两者都对组件的成本具有相当大的影响。现今使用的用于过程监视的最常见技术采用光电二极管传感器以记录在焊接期间由熔池产生的电磁信号，其目的在于将来自传感器的输出与诸如焊透深度、销孔的出现或焊缝形状之类的特征进行相关。这些系统已经被开发成实时监视激光焊接并一般地检查激光到金属相互作用，以推断焊接本身的质量。例如，通过使用不同类型的传感器，响应于光的不同波长，可以监视该过程或焊接的不同方面，诸如焊池温度、焊池上面的等离子体和背反射的级别。不同的可检测的发射可以被用作过程信号：a）源自未被材料吸收的激光源辐射的量的经反射的激光，b）源自由工件的内部结构中的改变引起的应力波的声发射，c）从金属蒸汽和熔池发射的辐射。通过使用光发射，可以评估激光过程质量，特别是找出发射特性和焊接质量特性之间的关系。由于这些技术是间接的，因此它们要求准确的信号解释和处理以推断与焊接的实际状况有关的信息：信号分析技术越准确，则焊接质量表征越好。

以下，特别地讨论在变化的操作状况下激光焊接过程的状况监视，该变化的操作状况导致了非平稳性。为了应对非平稳信号，已经注意到诸如维格纳-威利（wigner-ville）分布、小波分析、周期平稳分析和谱相关之类的时频分析方法。小波分析大概是最流行的技术，但具有下述缺陷：分解的基函数是固定的且不必然与信号的变化的性质匹配。

相对近期，在n.e.huang、z.shen等人针对准确时间和频率分辨率的寻求中：‘theempiricalmodedecompositionandthehilbertspectrumfornonlinearandnon-stationarytimeseriesanalysis’,proceedingsoftheroyalsocietyoflondon.seriesa:mathematical,physicalandengineeringsciences,vol.454,no.1971,(1998),pp.903-995提出了经验模态分解方法（emd）。emd技术将信号分解成固有模态函数，并且然后，最常见地通过应用希尔伯特变换，可以获得每一个固有模态函数的瞬时频率和幅度。为了获得经分解的信号的瞬时特性，可替换的方法是：使用能量跟踪算子以估计信号的能量（如teager所开发且如kaiser所介绍，f.kaiser,‘onteager’senergyalgorithmanditsgeneralizationtocontinuoussignals’,proceedingsofieeedspworkshop,(1990)），并且然后将能量分离算法用于对由emd方法产生的每一个固有模态函数（imf）的幅度包络和瞬时频率的估计。与其他广泛使用的时频技术相比，上面提及的方法承诺了高分辨率和低计算能力。所有的imf应当重构原始数据集，并且它们应当彼此正交。然而，由huang提出的经验模态分解（emd）方法不保证imf的正交性。imf之间的不完美正交性引入了严重的能量泄漏。

为了克服这个问题，基于被称作正交经验模态分解（oemd）的格拉姆-施密特（gram-schmidt）正交化方法的新方法已经由发明人提出（例如在公开g.d'angelo:‘advancedsignalanalysismethodtoevaluatethelaserweldingquality’,akl-internationallasertechnologycongress,may9-11,2012inaachen中），以改进imf之间的正交性的程度并实现完全正交固有模态函数（oimf）。与其他广泛使用的时频技术相比，上面提及的方法承诺了高分辨率和低计算能力。

然而，在激光焊接期间检测到的光学信号典型地被影响所使用的光电检测器或高温计的不同种类的噪声所污染。为了避免该现象，有必要使信号平滑并对信号去噪以用于得到“干净”信号。尽管已经开发了若干方法以减小噪声的影响，但应对噪声污染的最有效方法之一是：从信号中滤波掉噪声，同时保留频谱中的感兴趣区的尽可能多的部分。用于对过程信号进行去噪的传统方法是：使用数字巴特沃斯（butterworth）滤波器。尽管如此，为此还已经使用更先进的滤波技术，诸如离散小波变换、维纳（wiener）滤波。尽管这些方法已经证明是有用的，但它们的主要缺陷是设计自动和系统过程的复杂度，即，在使用离散小波变换时必须选择母小波函数、在使用维纳滤波器时必须选择滤波函数参数等。

本发明的目的是克服噪声去除操作的所有上述缺陷，特别是关于工业工作过程的监视。

考虑到实现所述目的，本发明涉及一种用于执行对由传感器获取的信号的噪声去除操作的方法，该方法具有上文中阐述的特性并进一步由以下事实表征：

所述噪声去除操作包括经修正的奇异谱分析（ssa），经修正的奇异谱分析（ssa）包括迭代地执行：

被视为一维序列的所述所获取的信号的分解的操作，

轨迹矩阵的构造的操作，以单值分解所适用于的形式变换所述轨迹矩阵，

对所述经变换的矩阵的单值分解的操作，计算所述矩阵的特征值和特征向量，

基于所述特征值当中所选择的特征值而对与所述去噪信号相对应的一维序列的重构的操作，

其中，在提供单值分解操作后：

顺序地应用从给定窗口值（特别地，值3）开始的单值分解，

针对每一次迭代，计算当前特征值与前一个特征值之间的均方根值，计算所述均方根值的最小值及其位置，

如果所述最小值低于所确定的阈值（特别地，低于1），则停止迭代，否则增加窗口值并返回到所述所获取的信号的分解的操作。

在优选的实施例中，一种用于监视工业工作过程的质量的方法，其包括识别工作过程的缺陷，所述方法具有包括以下步骤的类型：

从工业工作过程中获取具有多频分量的信号，

执行对所述所获取的信号的噪声去除操作从而获得去噪信号，

分解具有单频分量的信号中的所述去噪信号，并执行后续的正交化以获得具有单频分量的正交化分量，

针对每一个固有正交化分量计算相应的能量，

选择具有最高能量值的固有正交化分量，

应用能量跟踪算子来估计具有最高能量值的固有正交化分量的瞬时能量，

执行对具有最高能量值的固有正交化分量的瞬时能量的缺陷识别的过程，

其中

根据上面指示的用于执行对由传感器获取的信号的噪声去除操作的方法，执行噪声去除操作。

本发明还涉及一种用于监视工业过程的质量的系统，该系统实现上面所描述的用于监视工业过程的质量的方法以及对应的计算机产品，该计算机产品可直接加载到诸如处理器之类的数字计算机的存储器中且包括软件代码部分，以便当在计算机上运行该产品时执行根据本发明的方法。

本发明的附加特性和优势应当从以下参考附图的描述中变得显而易见，附图纯粹作为解释性而非限制性的示例而提供，在附图中：

-图1是示出实现根据本发明的方法的系统的框图；

-图2示出了实现根据本发明的方法的监视方法的基本流程图；

-图3是表示根据现有技术的噪声去除方法的流程图；

-图4是表示根据本发明的噪声去除方法的实施例的流程图；

-图5-10示出了呈现由图2的方法处理的信号的信号图。

参考图1，参考标号10标示用于监视激光焊接过程的质量的系统。该示例指代凭借激光束20一起焊接的两个金属工件2、3的情况。标号11标示由激光二极管表示的激光源，该激光二极管经由光纤12耦合到焊接光学器件13。特别地，这由光纤耦合二极管激光器的头部获得，该激光束20经由光纤12而引导到焊接光学器件13。

焊接光学器件13被示意性地示为包括镜13a，镜13a还可以是分束器或半反射镜，超出该分束器或半反射镜，传感器可以被布置成从焊接过程检测量（诸如辐射），并且，聚焦透镜13a在那里到达源自由激光二极管11表示的激光源的激光束。

焊接光学器件13被表示为还包括相机15和光电传感器14。相机15获取焊点的图像，而光电传感器15通过所发射的辐射来测量这种焊点的电磁。相机14a和光电传感器14b的输出信号被发送到获取板8，获取板8获取信号并对信号执行必要的转换，且将它们供给到个人计算机9以用于分析和处理。

这里要指出的是，根据本发明的方法优选地获取由工作过程生成的信号，即，由于工作过程的发展而由过程发射的辐射，而不是来自执行过程的工具的信号。

以下利用s指示由光电传感器14在时间期间获取的信号，并且该信号是具有从工业工作过程中获取的多频分量的信号，这将在下文中作为示例而讨论以说明根据本发明的方法。

参考图2的基本流程图，监视方法设想了以下操作：

-获取传感器信号s的操作100。以获取频率（在这里所描述的实施例中其为32khz）获取传感器信号s。特别地，在图5-10中示出的示例中，利用nicompactrio多通道数据获取板执行了数据获取。数据采样频率=32768hz。一般地，获取频率大于或等于32khz。传感器信号s源自例如诸如记录在焊接期间由熔池产生的电磁信号的高温计14之类的传感器。获取操作100发起所获取的信号y(t)，信号y(t)是时间的信号函数；

-从所获取的信号y(t)中进行噪声去除从而发起去噪信号的操作200。由图2中详述的经修正的单谱分析过程进行的噪声去除200的操作；

-对多个单分量信号（其被指示为使用经验模态分解过程的固有模态函数imf1……imfn-1）中的分解的去噪信号x(t)的操作300，以分解去噪信号并得到固有模态函数imf1……imfn-1，

-用于获得具有单频分量的正交化分量oimf1……oimfn-1的正交化的后续操作400，

-针对每一个固有正交化分量oimf1……oimfn-1计算相应能量的操作500，

-选择具有最高能量值（oifmmax）的固有正交化分量的操作600，

-应用能量跟踪算子（诸如，蒂格-凯赛尔（teager-kaiser）能量算子（tkeos））来估计具有最高能量值oifmmax的固有正交化分量的瞬时能量e的操作700，

-执行对具有最高能量值oifmmax的固有正交化分量的瞬时能量e的缺陷识别的过程的操作800，

因此，更详细地，在步骤100中，获取传感器信号s。

在图5的上图中表示了显示由光电传感器14在重叠hss样本的激光焊接期间检测到的信号s的图（幅度相对于样本），而图5的下图显示了其中指示噪声谱带nb的相对谱s(s)（幅度相对于以hz为单位的频率）。

关于以下噪声去除操作200，传感器信号s被视为足够长度t的实值非零时间序列。是固定的窗口长度，并且令k=t–l+1。

现在，为了更好地理解这里描述的解决方案，参考图3的流程图描述了奇异谱分析（ssa）的传统噪声去除操作190。

在那里，利用210指示了计算轨迹矩阵x的步骤。这种步骤310将一维时间序列转成多维序列，其中向量，其中k=t–l+1。

该嵌入的单个参数是窗口长度l，其为整数，使得。

该步骤的结果是轨迹矩阵x

。

轨迹矩阵x是汉克尔（hankel）矩阵，其意味着沿对角线i+j=const的所有元素是相等的。

利用220指示了构造矩阵以用于应用单值分解的步骤，即，轨迹矩阵x乘以其转置矩阵。

利用230指示了执行矩阵的单值分解的步骤。在该步骤中，计算矩阵的特征值和特征向量并以的形式表示。

-是矩阵的特征值的对角矩阵，这些特征值被排序成使得；

-是矩阵的特征向量的对应正交矩阵。

利用240指示了特征向量的选择的后续步骤。在该步骤中，提供以选择一组l（1≤l≤l）个特征向量。这种分组步骤对应于将初等矩阵分割成若干个组并对每一个组内的矩阵求和。令为一组索引。然后，与组相对应的初等矩阵被定义为。

然后利用250指示了一维序列的重构的最终步骤。这包括计算去噪矩阵

作为对轨迹矩阵x的近似。然后通过对去噪矩阵的对角线求平均从而获得去噪信号，来实现到去噪一维序列的转变。

如参考图3所描述的ssa的缺陷之一是缺少用于选择参数l（窗口长度）的值和步骤240中使用的分组策略的一般准则。此外，窗口长度和分组策略的某些选择导致信号中的趋势和噪声之间的较差分离，即，在信号的重构中，趋势分量变得与噪声分量混合。为了克服在选择窗口长度l的什么值方面的不确定性，提供了参考图4的流程图描述的经修正的ssa200。

如可以看到的那样，这是迭代过程，其中图3的分组步骤240由经修正的组选择步骤340代替。步骤210、220和230对应于图3的那些步骤，唯一区别在于：窗口长度l值在值l=3处开始，并且它在通过由步骤340命令的步骤210、220、230的链的每一次迭代处增加。重构步骤250也被维持。因此，从l=3开始在步骤230处实施分解，从而产生与步骤340相对应的数目的特征值和特征向量。然后，在步骤342中，计算特征值集合中的当前特征值和前一个特征值之间的均方根rms。

……

。

然后，在步骤344中，计算针对该迭代的均方根值的最小值及其最小值位置posmin。

在步骤346中，评估停止准则：

。

因此，在步骤346中提供：如果所述最小值低于所确定的阈值（特别地，低于1），则停止迭代，否则增加窗口值并针对经修正的ssa操作200的新迭代而返回到步骤310。

被供给到步骤250的l（1≤l≤l）个特征向量的组被选择成具有在其处停止迭代的l值，例如，如果l=5，则该组为。

该顺序过程的收敛如此是因为：给定迭代中的当前信号和先前信号之间的百分比rms差异是足够小的。

图6a显示了去噪信号并且图6b显示了相对谱。图6c示出了残余噪声n(t)并且图6d示出了其相对谱s(n(t))。已经演示了利用经修正的ssa200进行噪声去除以用于在不固定任何初始条件的情况下以盲的方式得到平滑信号的所提出的方法的有效性。应当指出的是，查看图6b去噪信号的谱和图6d噪声的谱、谱之间的分离。该状况确保了去噪信号不被噪声所污染。

现在，为了完成用于监视实现根据本发明的用于噪声去除的方法的工业工作过程的质量的方法的描述，描述了剩余的操作300-800。

操作300是多个单分量信号（其被指示为使用经验模态分解过程的固有模态函数imf1……imfn-1）中的去噪信号（为了简明，其在下文中将被指示为像通用信号之类的x(t)）的分解的操作，以分解信号x(t)并得到固有模态函数imf1……imfn-1。

经验模态分解方法（emd）是用于将多分量信号分解成被称为固有模态函数（imf）的时域中的许多信号分量（振荡函数集）的经验方法。每一个imf表示信号的频率的带宽，因此emd方法是滤波器组方法，且可以用于去除所分析的信号的不需要的分量。通过定义，imf应当满足以下条件：

(a)imf的整个长度上极值的数目和零交叉的数目必须是相等的或至多相差1，以及

(b)在任何时候，由局部极大值定义的包络和由局部极小值定义的包络的均值为零。

用于提取imf的emd分解过程被称为筛选过程并由以下步骤构成：

-找到信号x(t)的局部极值和局部极小值；

-连接信号的所有局部极值以形成上包络u(t)，并且连接包络的所有局部极小值以形成下包络l(t)。使用三次样条插值方案来作出该连接；

-均值被定义为：

并且第一个可能分量由以下等式给出：

。

仅当分量满足成为imf的条件时，分量才被接受为第一分量。如果分量不是imf，则遵循筛选过程直到满足成为imf的条件。在该过程期间，被视为新的数据集，这意味着：形成其上包络和下包络，并且这些包络的均值用于计算希望其满足imf准则的新分量：

。

重复筛选过程直到分量被接受为信号的imf并由表示：

。

从信号中减去第一imf，从而得到残余信号：

。

在筛选过程期间，信号被分解成有限数目n的固有模态函数，并且由此，获得n个残余信号。当获得最后残余信号并且该最后残余信号是常量或单调函数时，该过程结束。原始信号可以被重构为总和：

。

使用先前描述的emd算法将不稳定信号分解成imf。为了获得针对损害检测的特征，然后可以分离地分析每一个imf。

然后，特别地使用被称为正交经验模态分解（oemd）的方法来执行正交化的后续操作400，以获得具有单频分量的正交化分量oimf1……oimfn-1。

emd分析基于以下假设：

-由emd得到的imf可以重组原始信号，

-在imf分量之间存在正交性。

由huang提出的emd方法不能在理论上确保严格的正交性，且仅近似地指示数值中的每一个imf之间的正交性。为了检查来自emd的imf的正交性，huang等人定义了总体正交性指数以及针对任何两个分量的部分正交性指数，如下：

。

在步骤400中，定义能量指数以指示imf分量的正交性。原始信号的能量和每一个imf分量的能量由下式给出：

。

如果来自emd的imf分量精确地彼此正交，则正交性指数的值应当为零，经分解的信号的总能量应当是不变的，并且任何两个imf分量之间的能量泄漏应当为零。

一般地，因为来自emd的imf在理论上不正交，所以正交性指数的值大约从10^-2到10^-3。因此，huang认为在imf之间几乎是正交的。然而，数值仿真演示了：由于huang所认为的正交性中的小误差，当所应用的emd用于时间信号的分解时，实际上存在严重的能量泄漏。

为了确保来自emd的imf的精确正交性以及没有由于emd所致的能量泄漏，步骤400基于被称作正交经验模态分解oemd的格拉姆-施密特正交化方法。在g.d’angelo:‘advancedsignalanalysismethodtoevaluatethelaserweldingquality’,akl-internationallasertechnologycongress,may9-11,2012inaachen中描述了已经提及的oemd，其操作如下：

-使用emd，将由噪声去除方法200去噪的信号（其在所描述的方法中对应于去噪信号）表达为在步骤300处计算的n个imf分量（即imf1……imfn）与最终残差之和，即；

-首先，将定义为信号的第一正交imf（oimf）分量oimf1，其中；

-由于理论上不保证与正交，因此，为了得到的第二oimf分量oimf2，可以采用这种从中去除部分的措施。然后，由下式给出：

其中，是与正交的的第二oimf分量，被定义为与之间的正交性系数。产生并执行上一个等式两边的关于时间t的积分变换且使用与之间的正交特性，可以示出可以被推导如下：

-采用上面所提出的相同措施，通过从来自emd的的第j+1个imf分量中去除所有先前j个oimf分量，可以获得的第j+1个oimf分量由下式给出：

-产生并执行表达的上一个等式两边的关于时间t的积分变换且使用和之间的正交特性，可以示出可以被推导如下：

。

上面的针对imf分量的正交处理过程被称作正交经验模态分解（oemd）。在执行一些代数运算后，信号被表达为：

其中，

。

应当指出的是，oemd方法不改变来自emd的imf的提取过程，其在步骤300处执行。此外，由于imf之间存在的几乎的正交性，用于提取oimf的oemd不仅可以基本上保证固有模态函数的属性，而且可以确保oimf之间的精确正交。

图7示出了显示相应谱的正交固有模态函数oimf1……oimf5。如所提及的那样，oemd过程在不对滤波器进行建模的情况下作为盲滤波器组而工作。

参考针对每一个固有正交化分量（oimf1……oimfn-1）计算500相应能量的操作以及基于能量计算的以下步骤600-800，这里初步引入了蒂格-凯赛尔能量算子（tkeo）。

信号x(t)（例如，对应于去噪信号）的能量由以下等式给出：

。

这不是瞬时求和能量，而是时间2t内的信号能量。估计信号的能量的另一个方式是：使用经傅里叶变换的信号的不同频带的绝对值平方作为相应带的能量级别的度量。用于生成简单正弦信号的能量随幅度和频率两者而变化。最后，为了估计信号的瞬时能量而使用能量跟踪算子。这是所谓的蒂格-凯赛尔能量算子（tkeo），且被定义为：

其中是信号，并且和分别是其一阶和二阶导数。在离散的情况下，前一等式的时间导数可以由时间差来近似：

。

tkeo提供了极好的时间分辨率，这是因为针对每一个时间常量处的能量计算仅要求三个样本。

因此，如所提及的那样，在步骤500中，针对每一个固有正交化分量oimf1……oimfn-1计算相应能量。

在步骤600中，选择具有最高能量值oifmmax的固有正交化分量。参考图7的示例，针对每一个固有的oimf1……oimf1，计算能量并选择具有最高能量值的一个：能量值越高，则信号成分越高。图8中示出了oimf1……oimf5的谱。在示例中，oimf4具有最高能量值，即，它是具有最高能量值oifmmax的正交化分量，并且它还在图9中被示出。

然后，应用能量跟踪算子（即，tkeo算子）来执行对具有最高能量值oifmmax的固有正交化分量的瞬时能量e进行估计700的操作。图10a示出了在没有传统ssa的情况下具有最高能量值oifmmax的固有正交化分量的能量信号的瞬时能量e，并且图10b示出了去噪信号的能量。

在该信号上，根据操作800执行对具有最高能量值（oifmmax）的固有正交化分量的瞬时能量（e）的缺陷识别的过程。

包含在框b1内的信号部分可以被视为严重的不稳定性（缺陷），包含在框b2内的信号部分可以被视为可接受的不稳定性（缺陷）。该评估是在瞬时能量e的幅度上的阈值的基础上执行的。

当然，可以使用其他已知过程以执行缺陷分析过程800，诸如ep-a-1767308中或ep-a-1275464中所描述的方法。

因此，经修正的ssa噪声去除允许窗口长度和分组策略的最优选择以获得信号中的趋势和噪声之间的良好分离，即，避免趋势分量在信号的重构中变得与噪声分量混合。

这在激光过程的监视中特别有效，其中要评估由工作过程获取的具有多频分量的信号。所描述的监视方法通过信号分量中的分解以及分析来允许使用tkeo算子来检测是否存在缺陷，以确定在焊接期间出现的缺陷的存在以及对缺陷进行定位。

该方法因此允许以快速的方式且在不使用与参考信号的比较的情况下确定由过程生成的哪些信号指示缺陷且可以被详细分析以确定缺陷的位置和/或类型。

自然地，在不更改本发明的原理的情况下，构造细节和实施例可以与本文中纯粹作为示例而描述和说明的内容有很大不同，从而不脱离本发明的范围。

该方法涉及激光焊接过程，但是还涉及其他工作过程，特别地涉及诸如激光切割过程之类的激光器。用于执行所描述的噪声去除操作的方法还可以用于从心电图信号或肌电信号中去除噪声。

用于从该过程中获取信号的传感器可以是在产生不稳定信号的工业工作过程的质量监视的已知技术中使用的任何传感器。作为示例，参考激光焊接或切割，传感器可以是获取由激光器在其上操作的点反射的辐射的光电二极管。