文 |月亮灣探險家
編輯 |月亮灣探險家
●—≺ 引言 ≻—●
隨著計算機技術和自動化技術的快速發展，工業機器人已廣泛應用於製造業中。
傳動部件是工業機器人的重要組件，用來傳輸動力，以實現機械臂的運動，其運行狀態會直接影響工業機器人的壽命和性能。
工業機器人的傳動部分通常採用同步帶和齒輪組將電機輸出軸的角位移和力矩傳遞至運動部件的輸入端P，其中，軸承是關鍵的組成零件，實現支撐旋轉體﹑降低摩擦保證迴轉精度。
然而，軸承在長期使用中會產生磨損，導致機械臂傳動系統發生故障。
故障檢測技術是保證系統安全運行的重要手段，通常分為三類，基於模型的方法.基於定性知識的方法和基於數據驅動的方法。
基於模型的方法性能依賴於模型的訓練精度，基於定性知識的方法需要建立完備的專家知識和運維人員豐富的經驗。
基於數據驅動的方法在不依賴精準的參數模型下，通過數據處理與分析就能獲得可靠的故障信息，使得基於數據驅動的方法成為該領域內的研究熱點。
近年來，諸多學者在數據驅動故障檢測方法領域中做出了貢獻。將OWMA方法與霍特林統計量相結合，形成OWMA控制圖(OWMA-TCC)，以檢測更具挑戰性的故障類型。
新的動態主成分分析(DiPCA)演算法，通過一組動態潛在變數捕獲數據中最新動態的變化，進行故障檢測。
基於自適應核主成分分析(KPCA)和支持向量機(SVM)的新方法，基於平方預測誤差統計的自適應KPCA方法用於故障檢測，利用支持向量機進行故障識別。
針對滾動軸承的常見故障，提出了一種基於多尺寸核的自適應卷積神經網路(MSKACNN)，對5種不同故障條件下的滾動軸承進行了振動信號採集，提供振動特徵學習和信號分類功能，以識別和分析軸承故障。
上述方法針對常見故障能獲得良好的性能，但是由於早期故障信號本身較弱，且含有雜訊信號，故上述方法針對早期故障難以滿足精準檢測的要求。
●—≺ 故障檢測 ≻—●
早期故障檢測可以預防系統產生嚴重故障，是故障診斷領域內的研究熱點P13。
提出了一種基於遺傳演算法優化VMD與增強包絡譜相結合的軸承故障診斷方法，可以檢測軸承的微弱信號和早期故障。
提出了一種基於深度經驗模態分解和主成分分析(DeepEMD-PCA)的早期故障檢測方法，建立了準確的數據模式，可以提高早期故障檢測能力。
提出了一種基於滑動窗口堆疊去噪自動編碼器(SDAE)和長短期記憶(LSTM)模型的新型早期故障診斷框架。
上述研究工作在軸承的早期故障檢測問題上提供了一些方案，但其研究大多針對的是系統中的某一單一軸承。
然而，機械臂的傳動系統由多處旋轉部件構成，不僅存在電機軸承，還存在齒輪軸承、皮帶輪軸承等。
傳動系統中任一軸承出現故障都會影響工業機器人的工作狀態。針對於此，本文提出了一種基於數據驅動的KISFA的故障檢測方法。
通過解決多軸承數據量大，故障種類不同、早期故障檢測難的問題，實現傳動系統軸承的早期故障檢測。
在實際工況下，工業機器人的肘腕關節通常具有更高的使用頻率且需要較高的運行速度，因此該部分的機械傳動部件更易產生磨損。
以工廠中常用的ABB-IRB-6640工業機器人為例，其肘腕關節的傳動系統由多組減速齒輪實現動力傳遞，這使得傳動系統中包含電機軸承、主動齒輪端軸承、被動齒輪端軸承等多個軸承，如圖1所示。
軸承是支撐旋轉體，減少摩擦，保證迴轉精度的關鍵零部件。軸承在長期運行中很容易產生磨損，工作性能會隨之下降進而發生故障。
因此，不僅是電機軸承，傳動系統中任一軸承出現故障都會影響工業機器人的工作狀態。軸承在伺服電機前後兩端起著支撐轉子的作用，由內圈、外圈﹑滾動體和保持架4個部分組成。
受環境振動，疲勞，潤滑不良過載、安裝不正.軸電流﹑腐蝕及異物進入等因素的影響，電機軸承的4個部分均容易出現缺陷，引發軸承磨損、表面腐蝕.剝落甚至碎裂等故障。
各缺陷隨著運行時間的推移不斷擴散﹑增大，之後產生機械振動並引起聽覺雜訊。其中，疲勞﹑腐蝕，斷裂和磨損是最常見的軸承故障形式。
●—≺ 早期檢測方法 ≻—●
當軸承外圈、內圈及滾動體等位置出現缺陷時，軸承轉動過程中每次運動至缺陷點時將會產生特定頻率的機械振動和等周期雜訊信號。
該特定頻率是軸承幾何尺寸和牽引電機轉子頻率的函數，同時，各缺陷還會引起感應電機轉子一個徑向的電機轉子瞬時偏心或轉矩擾動。
引起定轉子之間的氣隙長度發生變化，從而影響氣隙的對稱性和電機電感，進而會在牽引電機磁鏈中調製出特定的諧波分量。
大多數軸承故障診斷都只針對一個主要軸承進行，然而傳動系統是一個緊密相關的整體，其中任何一個軸承受損都會影響整個系統的運行，所以本文結合多個軸承的運行數據進行故障檢測。
早期故障通過對現有研究分析，可以得出結論，早期故障通常是指相對於系統正常運行狀態的輕微變化，不僅在早期很難檢測到，而且會隨著時間的推移演變成嚴重的故障。
傳動系統早期故障的特點和診斷所面臨的挑戰總結如下：
複雜：很難用一個精確的數學模型來描述，由於系統的複雜性，極大地增加了模型構建的難度，因此難以獲得一個準確的數學模型。
雜訊：傳動系統的早期故障很容易被雜訊覆蓋，在實際工作條件下，運行的傳動系統的原始監測數據中存在大量的雜訊，它主要包括環境因素引起的雜訊。
另一方面，由於感測器的工作原理、材料、製造工藝等物理特性引起雜訊。感測器工作較長時間後，其質量和功能會不同程度地降低，從而產生一定程度的雜訊，這些噪音無疑會覆蓋傳動系統的早期故障。
輕微：傳動系統的早期故障難以觸發故障報警。由於傳動系統中存在振幅小，早期故障發展緩慢的特點，因此在短時間內難以超過故障閾值，且沒有明顯的大幅度變化。
然而，經過逐漸演化，早期故障會逐漸產生退化的趨勢，進而隨著時間的推移，會產生明顯的故障並超過故障閾值，導致嚴重的後果。
根據機械臂傳動系統早期故障的特點，將一個早期故障的數字模型表示為：
在沒有明顯的機械故障和電機電氣故障的情汾下，感測器收集的早期故障數據對機械臂運行有潛在自危險。同時，早期故障可隨時演變成嚴重故障。
●—≺ 實驗驗證分析 ≻—●
考慮到傳動系統早期故障的特點，將正常信號與故障信號的偏差在1%~10%之間的基本偏差被定義為早期故障。
在本節中介紹基礎的KL散度，與故障發生的概率相結合，提出了KLSFA演算法，並將其應用於早期的故障檢測，最後給出了故障檢測方法。
KL散度是度量兩個概率密度函數(PDFs)之間差異的常用工具，兩個連續PDFsg，和PDFsg的KL散度為：
採用KLSFA方法得到4種故障檢測的結果，如圖3~圖6所示。其中，實線為測試統計量，虛線為閾值，設置=0.05。
如圖3所示，故障f.發生後，統計量T和T均超過閾值，說明故障f已成功被檢測到，且有少量數據點產生了誤報。
觀察圖4和圖5可以發現，故障f和故障fs均檢測成功，其T統計量的檢測效果略優於統計量T。
且存在少量數據點漏報情況，根據圖6可知，故障f.仍然檢測成功，兩種統計結果都令人滿意。證明本文提出的KILSFA方法能夠滿足故障檢測的要求。
為更直觀地進行觀察﹐本文採用誤報率(FalseAlarmRate，FAR)和漏報率(MissingAlarmRate，MAR)兩個性能指標來評價所提方法的檢測效果，並將本文提出的KL.SFA方法與改進演算法HSFA方法進行對比。
其中，FAR可用來量化魯棒性，MAR用來量化故障檢測的漏檢數。FAR和MAR的對比評價結果如表1和表2所示。
由表1、表2可以看出，本文提出的KL.SFA方法在故障f中的FAR僅為3%，微弱的FAR可以滿足故障檢測的需求。在故障f中，其MAR為0.22%，遠小於HSFA方法的2.44%。
在故障f中，重然網元低於HSFA方法的13.4%，KLSFA方法更具有優勢。同樣，在故障f1中﹐KLSFA方法的FAR和MAR均低於HSFA方法。
證實KLSFA方法對於4種故障能夠達到理想的檢測效果，並且綜合來看，其性能優於對比方法，特別是在FAR上的表現。
早期故障檢測實驗使用辛辛那提軸承數據集，該平台由電機驅動4個軸承工作，採樣頻率為20kHz。
選取了滾動體損壞.內圈損壞和外圈損壞的數據集。結果如圖7~圖9所示，實線和虛線分別為測試統計量和故障閾值。
傳動系統的每個感測器收集了950個樣本，第383個採樣步驟是早期故障的起點。
如圖7所示，統計量T在早期故障起點前有微弱的FAR，Td的FAR略高於T，但對於故障檢測來說是可接受的範圍。
如圖8所示，對於軸承內圈損壞，KLSFA方法具有優秀的FAR和MAR，並且在早期故障開始後，就呈現出對其十分敏感的檢測效果，說明KLSFA方法對內圈損。
如圖9所示，統計量T呈現出更優秀的檢測效果，其FAR略低於T，同時兩個統計量也具有較強的魯棒性。
可以看出，本文演算法對於早期故障的檢測也同樣有效，並且有令人滿意的FAR和MAR。
因此，可以證明所提出的KLSFA演算法在實際工作條件下的早期故障檢測中是可行的。
●—≺ 結語 ≻—●
本文針對機械臂傳動系統早期故障難以檢測，以及單一軸承檢測不能全面保障傳動系統安全運行的問題，提出了KL.SFA方法。
利用慢速特徵方法有效地從雜訊中，提取反映系統狀態變化的主要趨勢，將系統變化的總體趨勢和故障數據的概率分布。
作為故障檢測任務中提高故障檢測性的關鍵信息，並計算新的統計量來進行多個軸承的故障檢測。
通過模擬實驗驗證了該方法對故障檢測的有效性，尤其是對早期故障的敏感性，其FAR和MAR也都處於較低的數值。
該方法不僅解決了傳動系統中早期故障隱蔽性高，難以發現的問題，還進一步保障了傳動系統的穩定安全運行。
