文 |月亮湾探险家
编辑 |月亮湾探险家
●—≺ 引言 ≻—●
随着计算机技术和自动化技术的快速发展，工业机器人已广泛应用于制造业中。
传动部件是工业机器人的重要组件，用来传输动力，以实现机械臂的运动，其运行状态会直接影响工业机器人的寿命和性能。
工业机器人的传动部分通常采用同步带和齿轮组将电机输出轴的角位移和力矩传递至运动部件的输入端P，其中，轴承是关键的组成零件，实现支撑旋转体﹑降低摩擦保证回转精度。
然而，轴承在长期使用中会产生磨损，导致机械臂传动系统发生故障。
故障检测技术是保证系统安全运行的重要手段，通常分为三类，基于模型的方法.基于定性知识的方法和基于数据驱动的方法。
基于模型的方法性能依赖于模型的训练精度，基于定性知识的方法需要建立完备的专家知识和运维人员丰富的经验。
基于数据驱动的方法在不依赖精准的参数模型下，通过数据处理与分析就能获得可靠的故障信息，使得基于数据驱动的方法成为该领域内的研究热点。
近年来，诸多学者在数据驱动故障检测方法领域中做出了贡献。将OWMA方法与霍特林统计量相结合，形成OWMA控制图(OWMA-TCC)，以检测更具挑战性的故障类型。
新的动态主成分分析(DiPCA)算法，通过一组动态潜在变量捕获数据中最新动态的变化，进行故障检测。
基于自适应核主成分分析(KPCA)和支持向量机(SVM)的新方法，基于平方预测误差统计的自适应KPCA方法用于故障检测，利用支持向量机进行故障识别。
针对滚动轴承的常见故障，提出了一种基于多尺寸核的自适应卷积神经网络(MSKACNN)，对5种不同故障条件下的滚动轴承进行了振动信号采集，提供振动特征学习和信号分类功能，以识别和分析轴承故障。
上述方法针对常见故障能获得良好的性能，但是由于早期故障信号本身较弱，且含有噪声信号，故上述方法针对早期故障难以满足精准检测的要求。
●—≺ 故障检测 ≻—●
早期故障检测可以预防系统产生严重故障，是故障诊断领域内的研究热点P13。
提出了一种基于遗传算法优化VMD与增强包络谱相结合的轴承故障诊断方法，可以检测轴承的微弱信号和早期故障。
提出了一种基于深度经验模态分解和主成分分析(DeepEMD-PCA)的早期故障检测方法，建立了准确的数据模式，可以提高早期故障检测能力。
提出了一种基于滑动窗口堆叠去噪自动编码器(SDAE)和长短期记忆(LSTM)模型的新型早期故障诊断框架。
上述研究工作在轴承的早期故障检测问题上提供了一些方案，但其研究大多针对的是系统中的某一单一轴承。
然而，机械臂的传动系统由多处旋转部件构成，不仅存在电机轴承，还存在齿轮轴承、皮带轮轴承等。
传动系统中任一轴承出现故障都会影响工业机器人的工作状态。针对于此，本文提出了一种基于数据驱动的KISFA的故障检测方法。
通过解决多轴承数据量大，故障种类不同、早期故障检测难的问题，实现传动系统轴承的早期故障检测。
在实际工况下，工业机器人的肘腕关节通常具有更高的使用频率且需要较高的运行速度，因此该部分的机械传动部件更易产生磨损。
以工厂中常用的ABB-IRB-6640工业机器人为例，其肘腕关节的传动系统由多组减速齿轮实现动力传递，这使得传动系统中包含电机轴承、主动齿轮端轴承、被动齿轮端轴承等多个轴承，如图1所示。
轴承是支撑旋转体，减少摩擦，保证回转精度的关键零部件。轴承在长期运行中很容易产生磨损，工作性能会随之下降进而发生故障。
因此，不仅是电机轴承，传动系统中任一轴承出现故障都会影响工业机器人的工作状态。轴承在伺服电机前后两端起着支撑转子的作用，由内圈、外圈﹑滚动体和保持架4个部分组成。
受环境振动，疲劳，润滑不良过载、安装不正.轴电流﹑腐蚀及异物进入等因素的影响，电机轴承的4个部分均容易出现缺陷，引发轴承磨损、表面腐蚀.剥落甚至碎裂等故障。
各缺陷随着运行时间的推移不断扩散﹑增大，之后产生机械振动并引起听觉噪声。其中，疲劳﹑腐蚀，断裂和磨损是最常见的轴承故障形式。
●—≺ 早期检测方法 ≻—●
当轴承外圈、内圈及滚动体等位置出现缺陷时，轴承转动过程中每次运动至缺陷点时将会产生特定频率的机械振动和等周期噪声信号。
该特定频率是轴承几何尺寸和牵引电机转子频率的函数，同时，各缺陷还会引起感应电机转子一个径向的电机转子瞬时偏心或转矩扰动。
引起定转子之间的气隙长度发生变化，从而影响气隙的对称性和电机电感，进而会在牵引电机磁链中调制出特定的谐波分量。
大多数轴承故障诊断都只针对一个主要轴承进行，然而传动系统是一个紧密相关的整体，其中任何一个轴承受损都会影响整个系统的运行，所以本文结合多个轴承的运行数据进行故障检测。
早期故障通过对现有研究分析，可以得出结论，早期故障通常是指相对于系统正常运行状态的轻微变化，不仅在早期很难检测到，而且会随着时间的推移演变成严重的故障。
传动系统早期故障的特点和诊断所面临的挑战总结如下：
复杂：很难用一个精确的数学模型来描述，由于系统的复杂性，极大地增加了模型构建的难度，因此难以获得一个准确的数学模型。
噪声：传动系统的早期故障很容易被噪声覆盖，在实际工作条件下，运行的传动系统的原始监测数据中存在大量的噪声，它主要包括环境因素引起的噪声。
另一方面，由于传感器的工作原理、材料、制造工艺等物理特性引起噪声。传感器工作较长时间后，其质量和功能会不同程度地降低，从而产生一定程度的噪声，这些噪音无疑会覆盖传动系统的早期故障。
轻微：传动系统的早期故障难以触发故障报警。由于传动系统中存在振幅小，早期故障发展缓慢的特点，因此在短时间内难以超过故障阈值，且没有明显的大幅度变化。
然而，经过逐渐演化，早期故障会逐渐产生退化的趋势，进而随着时间的推移，会产生明显的故障并超过故障阈值，导致严重的后果。
根据机械臂传动系统早期故障的特点，将一个早期故障的数字模型表示为：
在没有明显的机械故障和电机电气故障的情汾下，传感器收集的早期故障数据对机械臂运行有潜在自危险。同时，早期故障可随时演变成严重故障。
●—≺ 实验验证分析 ≻—●
考虑到传动系统早期故障的特点，将正常信号与故障信号的偏差在1%~10%之间的基本偏差被定义为早期故障。
在本节中介绍基础的KL散度，与故障发生的概率相结合，提出了KLSFA算法，并将其应用于早期的故障检测，最后给出了故障检测方法。
KL散度是度量两个概率密度函数(PDFs)之间差异的常用工具，两个连续PDFsg，和PDFsg的KL散度为：
采用KLSFA方法得到4种故障检测的结果，如图3~图6所示。其中，实线为测试统计量，虚线为阈值，设置=0.05。
如图3所示，故障f.发生后，统计量T和T均超过阈值，说明故障f已成功被检测到，且有少量数据点产生了误报。
观察图4和图5可以发现，故障f和故障fs均检测成功，其T统计量的检测效果略优于统计量T。
且存在少量数据点漏报情况，根据图6可知，故障f.仍然检测成功，两种统计结果都令人满意。证明本文提出的KILSFA方法能够满足故障检测的要求。
为更直观地进行观察﹐本文采用误报率(FalseAlarmRate，FAR)和漏报率(MissingAlarmRate，MAR)两个性能指标来评价所提方法的检测效果，并将本文提出的KL.SFA方法与改进算法HSFA方法进行对比。
其中，FAR可用来量化鲁棒性，MAR用来量化故障检测的漏检数。FAR和MAR的对比评价结果如表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仅为3%，微弱的FAR可以满足故障检测的需求。在故障f中，其MAR为0.22%，远小于HSFA方法的2.44%。
在故障f中，重然网元低于HSFA方法的13.4%，KLSFA方法更具有优势。同样，在故障f1中﹐KLSFA方法的FAR和MAR均低于HSFA方法。
证实KLSFA方法对于4种故障能够达到理想的检测效果，并且综合来看，其性能优于对比方法，特别是在FAR上的表现。
早期故障检测实验使用辛辛那提轴承数据集，该平台由电机驱动4个轴承工作，采样频率为20kHz。
选取了滚动体损坏.内圈损坏和外圈损坏的数据集。结果如图7~图9所示，实线和虚线分别为测试统计量和故障阈值。
传动系统的每个传感器收集了950个样本，第383个采样步骤是早期故障的起点。
如图7所示，统计量T在早期故障起点前有微弱的FAR，Td的FAR略高于T，但对于故障检测来说是可接受的范围。
如图8所示，对于轴承内圈损坏，KLSFA方法具有优秀的FAR和MAR，并且在早期故障开始后，就呈现出对其十分敏感的检测效果，说明KLSFA方法对内圈损。
如图9所示，统计量T呈现出更优秀的检测效果，其FAR略低于T，同时两个统计量也具有较强的鲁棒性。
可以看出，本文算法对于早期故障的检测也同样有效，并且有令人满意的FAR和MAR。
因此，可以证明所提出的KLSFA算法在实际工作条件下的早期故障检测中是可行的。
●—≺ 结语 ≻—●
本文针对机械臂传动系统早期故障难以检测，以及单一轴承检测不能全面保障传动系统安全运行的问题，提出了KL.SFA方法。
利用慢速特征方法有效地从噪声中，提取反映系统状态变化的主要趋势，将系统变化的总体趋势和故障数据的概率分布。
作为故障检测任务中提高故障检测性的关键信息，并计算新的统计量来进行多个轴承的故障检测。
通过仿真实验验证了该方法对故障检测的有效性，尤其是对早期故障的敏感性，其FAR和MAR也都处于较低的数值。
该方法不仅解决了传动系统中早期故障隐蔽性高，难以发现的问题，还进一步保障了传动系统的稳定安全运行。
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-