融合电流时序与低频功率比的关节电机进油故障健康状态识别方法

摘要: 本发明属于工业机器人状态监测与故障诊断,具体涉及融合电流时序与低频功率比的关节电机进油故障健康状态识别方法。背景技术:1、工业机器人重复作业时,关节电流信号具有...
融合电流时序与低频功率比的关节电机进油故障健康状态识别方法

本发明属于工业机器人状态监测与故障诊断,具体涉及融合电流时序与低频功率比的关节电机进油故障健康状态识别方法。

背景技术:

1、工业机器人重复作业时,关节电流信号具有明显周期性,但启停时长不定、扰动噪声和负载波动会导致周期边界模糊,原始信号难以直接用于健康监测建模。与仿真条件相比,工业现场电流信号还可能受到采集链路误差、环境噪声、驱动扰动、负载波动和样本规模受限等因素影响,其分布更复杂、故障特征更弱。对于永磁同步电机进油故障,其在电流观测域中表现为“基线抬升–波动增强”的演化规律;随着进油故障程度增加,电流包络相对调制序列中的低频相关能量逐步增强,低频功率比指标值随之上升。

2、现有健康监测方法通常直接利用原始电流波形、均值、方差、峰值或频域能量等统计量进行状态表征。原始电流波形能够保留局部波形细节和瞬态变化,但容易受到作业节拍、负载变化、周期边界和噪声扰动影响;单一统计指标虽然便于解释,但往往难以同时刻画进油故障引起的趋势变化和低频波动变化。低频功率比能够突出故障相关低频调制信息,但若单独作为输入,可能丢失原始电流中的高频局部细节和边界过渡信息,影响相邻故障等级区分。

3、因此,有必要基于原始电流信号与低频功率比指标序列构建双源输入健康监测流程,使原始电流局部波形细节与低频功率比机理增强信息形成互补,从而提升对不同故障程度样本的区分能力。

技术实现思路

1、本发明的目的在于提供融合电流时序与低频功率比的关节电机进油故障健康状态识别方法。该方法围绕进油故障在电流观测域中表现出的基线抬升和波动增强规律,在保留原始电流局部波形细节的同时,引入低频功率比序列作为机理增强分支,构造原始电流–低频功率比融合健康表征,从而提高相邻故障等级下的健康状态区分能力。

2、为实现上述目的,本发明采取的技术方案是:

3、融合电流时序与低频功率比的关节电机进油故障健康状态识别方法,包括以下步骤:

4、s1:获取待监测伺服关节电机三相定子电流时序数据,并对所述三相定子电流时序数据进行周期对齐、样本分段和长度统一,得到原始电流样本序列;

5、s2:对所述原始电流样本序列进行尺度规范化,并提取用于表征局部波形形态、瞬态变化和细粒度时序纹理的原始电流特征;

6、s3:对所述三相定子电流时序数据进行clarke变换和park变换,得到两相静止坐标系下的正交电流分量和同步旋转坐标系下的电流分量,并基于所述正交电流分量构造电流空间复矢量;

7、s4:以所述电流空间复矢量的主导电角频率为中心频率进行窄带滤波,得到基波邻域的窄带电流信号;

8、s5:对所述窄带电流信号进行hilbert包络提取,得到幅值包络序列,并对所述幅值包络序列进行趋势–波动分解,提取趋势分量和波动分量;

9、s6:根据所述趋势分量和所述波动分量构造相对调制序列,计算得到所述相对调制序列的功率谱,分别依据故障关联截止频率计算低频功率和高频功率,并计算得到低频功率比序列;

10、s7:将步骤s2获取的所述原始电流特征与步骤s6获取的所述低频功率比序列进行时间长度对齐、尺度规范化和融合构建,得到原始电流–低频功率比融合健康表征;

11、s8:根据所述原始电流–低频功率比融合健康表征进行健康状态识别,输出进油故障严重程度对应的健康状态识别结果。

12、作为本发明的优选技术方案:步骤s1中,所述周期对齐包括依据作业节拍将连续三相定子电流时序数据划分为长度统一的周期样本,使不同健康状态样本在时间尺度和样本长度上具有可比性。

13、作为本发明的优选技术方案:步骤s3中,对三相定子电流时序数据、和进行clarke变换,得到轴正交电流分量和轴正交电流分量:

14、(1);

15、计算得到电流空间复矢量:

16、(2);

17、其中,为复数中的虚数单位符号。

18、作为本发明的优选技术方案:步骤s4中,窄带滤波的带通滤波下截止频率和上截止频率按如下方法确定:

19、先给定用于去除直流和慢变趋势的下限以及用于保留电流主调制成分的上限;

20、再令:

21、(3);

22、(4);

23、其中为用于保证上截止频率大于下截止频率的正数,为低于nyquist频率的安全上限。

24、作为本发明的优选技术方案:步骤s5中,所述幅值包络序列由解析信号获得,解析信号为:

25、(5);

26、其中,为窄带电流信号,为希尔伯特变换,

27、幅值包络为:

28、(6)。

29、作为本发明的优选技术方案:步骤s5中,所述趋势分量由滑动平均算子获得:

30、(7);

31、其中,为离散幅值包络序列,表示离散幅值包络序列在第 (n - q) 个采样点的取值,为离散幅值包络序列的样本总数;

32、所述波动分量计算如下:

33、(8);

34、(9);

35、其中,为离散幅值包络序列,,表示离散幅值包络序列在第n 个采样点的波动分量,ts为采样间隔,为滑动窗口长度,为截止频率为的低通滤波算子。

36、作为本发明的优选技术方案:步骤s6中,所述相对调制序列为:

37、(10);

38、其中,为波动分量,为趋势分量,为用于避免局部基线过小造成数值不稳定的正则化常数。

39、作为本发明的优选技术方案:步骤s6中,在功率谱估计前对所述相对调制序列进行抗混叠降采样,得到降采样后的相对调制序列,并在第个分析窗口内采用welch方法估计功率谱密度,其中,为离散频率采样点索引,为分析频率上限对应的最高频率采样点编号;

40、所述故障相关低频功率为:

41、(11);

42、所述故障相关高频功率为:

43、(12);

44、其中,为低频截止频率对应的频率采样点编号,为频率分辨率;

45、则低频功率比序列为:

46、(13);

47、其中,为功率正则化常数。

48、作为本发明的优选技术方案:步骤s7中,设第个周期样本的原始电流特征为,低频功率比序列为,分别进行尺度规范化:

49、(14);

50、(15);

51、其中、、和为由训练样本统计得到的均值和标准差,、为数值稳定项;

52、则原始电流–低频功率比融合健康表征为:

53、(16);

54、其中为时序拼接。

55、作为本发明的优选技术方案:步骤s8中,所述健康状态识别结果包括正常状态、轻微故障、次严重故障、较严重故障或严重故障中的至少一种。

56、与现有技术相比,本发明的有益效果为:

57、(1)本发明从三相定子电流时序数据出发,通过clarke变换、park变换、窄带复矢量构造和hilbert包络提取,将伺服关节进油故障引起的电流调制现象映射到包络域,提升了故障相关信息的可观测性。

58、(2)本发明通过趋势–波动分解构造相对调制序列,使动态波动强度以局部基线为参照进行表达,能够削弱不同运行阶段幅值尺度差异对健康表征的影响。

59、(3)本发明将低频功率比作为机理增强信息与原始电流表征进行融合,避免了单独低频功率比丢失局部时序细节的问题,也增强了单独原始电流对故障低频调制规律的表达能力。

60、(4)本发明构造的原始电流–低频功率比融合健康表征可作为后续健康状态识别输入,能够提升模型对不同故障程度样本的区分能力,具有较好的工程适用性。