一种基于多观测器似然率检测方法的往复运动信号提取方法与流程

本发明涉及一种基于多观测器似然率检测方法的往复运动信号提取方法，属于旋转机械状态监测技术领域。

背景技术：

随着工业自动化程度的不断提高，关节型工业机器人在汽车及汽车零部件制造业、机械加工行业、电子电气行业等诸多领域中均有非常广泛的应用。工业机器人传动系统的核心是rv减速器，占到其总成本的1/3以上。作为工业机器人中的主要旋转部件，随着服役时间的延长，可靠性逐渐降低，故障率上升。故障停机会造成流水线中断，再加上机器人更换减速机需要将其调离工位，耗费大量时间，给企业带来很大经济损失。由于机器人在工作过程中有大幅度的运动，并引发结构振动，其振动强度远大于内部故障引起的振动，并且两者的频率范围接近，难以获得故障信号。因此需要将与机器人动作对应的信号从连续记录的数据中整周期地分离出来，去掉静止对应的噪声，得到与机器人往复摆动对应的信号，以便更准确的将机器人旋转机械系统的故障识别出来。

技术实现要素：

本发明提供了一种基于多观测器似然率检测方法的往复运动信号提取方法，以用于实现往复运动信号提取。

本发明的技术方案是：一种基于多观测器似然率检测方法的往复运动信号提取方法，所述方法步骤如下：

step1、将测试信号分为m个分帧，对其中一个信号分帧x^l属于往复运动信号或噪声进行二元假设：式中s^l、n、x^l分别是信号分帧x^l包含的动作信号的离散傅里叶变换系数向量、噪声的离散傅里叶变换系数向量、信号分帧x^l的离散傅里叶变换系数向量，长度均为l，三个系数向量中第k+1个元素分别是nk和l＝1,2,3...m；k＝0,1,2...l-1；

step2、对信号分帧x^l进行离散傅里叶变换，得到x^l，以及x^l的k个元素；取能量最低信号分帧作为噪声，对其进行离散傅里叶变换，得到n，以及n的k个元素，并计算出n的第k+1个元素nk的方差λn(k)；

step3、假设属于噪声，其条件概率密度函数表示为：

假设属于往复运动信号，其条件概率密度函数表示为：

将和用于表示的似然率：

式中：是的方差，

step4、根据噪声和动作信号的叠加关系，得到的最大似然估计为用取代公式中的得到：

step5、基于的似然率得到信号分帧x^l各个频段上似然率的几何平均值并定义判别信号分帧x^l属于噪声或往复运动信号的规则为：通过引入与分帧x^l相邻的2m个分帧{x^l-m,...x^l,...,x^l+m}来改善判别的质量，得到包含多个分帧的多观测器似然率检测方法的判别函数：式中：η为判别阈值，l代表当前正在分析的信号分帧序号；

step6、将最优判别阈值带入判别函数根据判别函数将信号的每个分帧分类为往复运动信号和噪声，将属于往复运动信号的分帧提取出来，即从测试信号中提取出了往复运动信号。

所述步骤step6中，最优判别阈值获取方法如下：

1)、将测试信号等分成m个分帧，其中一个信号分帧为x^l,l∈[1,...,m]；

2)、计算往复运动的周期性：对于一个判别阈值η，分帧x^l通过判别函数判别其属于往复运动信号h1或噪声h0；如果每个往复运动周期中包括z个分帧，若帧x^l属于h1，则帧x^l+z也应该属于h1；即可将往复运动信号的周期性定义为：式中，q是信号中属于h1的帧数；

3)、计算最大化分类后往复运动信号与噪声的信噪比：对于一个判别阈值η，该信噪比定义为往复运动信号分帧的功率与噪声分帧的功率的比值：式中为往复运动信号分帧集合，为噪声分帧集合，rms表示计算信号的均方根值；

4)、将往复运动的周期性和最大化分类后往复运动信号与噪声的信噪比两个判据结合，定义判别阈值的优化目标函数为：在一个范围内遍历搜索最优的判别阈值，即最大时所对应的η为最优判别阈值。

本发明的有益效果是：本发明采用多观测器似然率检测方法，不需要安装键相器，只需对测试信号进行分析就能找出与实际往复一致的信号周期，并将往复运动信号提取出来。本方法已在工业机器人上进行过实验，实验表明本方法具有很高的精度和稳定性，能准确对机器人的往复运动进行检测。

附图说明

图1是本发明方法步骤流程图；

图2是机器人往复运动动的测试信号示例；

图3是目标函数与判别阈值的优化目标函数的关系及拟合曲线；

图4是测量信号的判别函数；

图5是实验往复运动信号与噪声分类结果图。

具体实施方式

下面结合附图和实施例，对本发明作进一步说明，但本发明的内容并不限于所述范围。

在往复运动设备运行过程中，使用振动、声音、声发射等传感器，来拾取运行状态信号，并通过数据采集设备将其转换为数字信号。本发明通过对该测试信号的分析，将测试信号中的往复运动信号与噪音区分开，得到信号中运动周期信号，为进一步的深入分析奠定基础。往复运动周期＝只有噪声部分+噪声和动作信号重叠部分，噪声和动作信号重叠部分＝往复运动信号

实施例1：如图1-图5所示，一种基于多观测器似然率检测方法的往复运动信号提取方法，本实例以某汽车工厂的焊接机器人关节上实际的测试信号来说明本发明的实施过程：

step1、将测试信号分为469个长度为0.0256s的分帧，对其中一个信号分帧x^l属于往复运动信号或噪声进行二元假设：式中s^l、n、x^l分别是信号分帧x^l包含的动作信号的离散傅里叶变换系数向量、噪声的离散傅里叶变换系数向量、信号分帧x^l的离散傅里叶变换系数向量，长度均为l，三个系数向量中第k+1个元素分别是nk和l＝1,2,3...469；k＝0,1,2...l-1；如图2所示为测试信号(横坐标为时间(秒)，纵坐标为幅值(mv))。

step2、对信号分帧x^l进行离散傅里叶变换，得到x^l，以及x^l的k个元素；取能量最低信号分帧作为噪声，对其进行离散傅里叶变换，得到n，以及n的k个元素，并计算出n的第k+1个元素nk的方差λn(k)；

step3、假设属于噪声，其条件概率密度函数表示为：

假设属于往复运动信号，其条件概率密度函数表示为：

将和用于表示的似然率：

式中：是的方差，

step4、根据噪声和动作信号的叠加关系，得到的最大似然估计为用取代公式中的得到：将步骤step2求得的代入可得到

step5、基于的似然率得到信号分帧x^l从0到l-1频段上似然率的几何平均值并定义判别信号分帧x^l属于噪声或往复运动信号的规则为：通过引入与分帧x^l相邻的2m个分帧{x^l-m,...x^l,...,x^l+m}来改善判别的质量，得到包含多个分帧的多观测器似然率检测方法的判别函数：式中：η为判别阈值，l代表当前正在分析的信号分帧序号；

step6、获取最优判别阈值：

1)、将测试信号等分成m个分帧，其中一个信号分帧为x^l,l∈[1,...,m]；

2)、计算往复运动的周期性：对于一个判别阈值η，分帧x^l通过判别函数判别其属于往复运动信号h1或噪声h0；如果每个往复运动周期中包括z个分帧，若帧x^l属于h1，则帧x^l+z也应该属于h1；即可将往复运动信号的周期性定义为：式中，q是信号中属于h1的帧数；

3)、计算最大化分类后往复运动信号与噪声的信噪比：对于一个判别阈值η，该信噪比定义为往复运动信号分帧的功率与噪声分帧的功率的比值：式中为往复运动信号分帧集合，为噪声分帧集合，rms表示计算信号的均方根值；

4)、将往复运动的周期性和最大化分类后往复运动信号与噪声的信噪比两个判据结合，定义判别阈值的优化目标函数为：将判别阈值的搜索范围设置(1≤η≤14)为判别函数的底部部分，计算目标函数的值，然对数据做4阶曲线拟合，找出拟合曲线上的最高点对应的值，即3.3作为最优的判别阈值η。结果如图3所示，图中不连续点为不同η值计算得出的对应的值，连续曲线为不连续点的四阶多项式拟合曲线。

将判别阈值η＝3.3带入step5中得到的判别函数得到最终判别函数如图4所示为计算得出的判别函数。

将判别函数带入测试信号中，将测试信号各分帧分类为噪声或往复运动信号，如图5所示，虚线表示分类结果，对应右侧坐标轴，0为噪声，1为噪声与动作信号重叠的部分，即往复运动信号。实线表示测试信号。可以看到强度较高的动作信号都可以与噪声分离开。

上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。