一种建筑机器人轴承性能退化评估方法技术

本发明专利技术具体公开了一种建筑机器人轴承性能退化评估方法，所述方法包括以下步骤：S1、采集建筑机器人轴承健康状态下振动信号；S2、对采集到的振动信号分别进行时域、时频域特征提取得到初始特征集；S3、利用主成分分析法对归一化初始特征集进行融合降维，选取自组织映射网络评估模型的输入特征向量；S4、取步骤S3获得的特征向量输入到自组织映射网络进行训练；S5、采集待评估建筑机器人轴承的振动信号并重复步骤S2、S3，取得到的特征向量作为测试集输入到训练好的评估模型中计算性能退化指标，并根据退化起始阈值确定建筑机器人轴承性能退化程度。本发明专利技术无标签设置、准确评估建筑机器人轴承在退化过程中的退化程度，节约了人工和时间成本。时间成本。时间成本。

【技术实现步骤摘要】
一种建筑机器人轴承性能退化评估方法


[0001]本专利技术涉及设备故障预测与健康管理
，尤其涉及一种建筑机器人轴承性能退化评估方法。

技术介绍

[0002]目前我国建筑业虽然发展迅速，但是机械化、自动化程度较低，建筑业属于高危行业，存在安全事故多、劳动生产率低下、劳动力短缺等问题。因此，大力发展建筑机器人能在一定程度上解决建筑业面临的困境。建筑机器人既可将建筑工人从危重的建筑环境中解放出来，保障工人的生命安全，又能提高建造施工的效率，一定程度上解决了劳动力短缺的问题。但由于建筑机器人所处的工作环境十分复杂，且经过长时间、高强度的运作难免会发生故障，一旦建筑机器人发生故障，将会导致整个机械设备无法使用，轻则停机影响生产造成企业经济损失，重则可能造成人员伤亡导致严重事故的发生。因此保证建筑机器人的可靠运行十分重要。
[0003]建筑机器人故障均是由于其内部零部件故障所导致，其中又以轴承在建筑机器人所有零部件中发生故障频率最高。轴承的主要功能是用于支撑和固定建筑机器人的输出轴，从而减少内部件运作时产生的摩擦，它具有转速高、负载变化大、故障率高等特点，因此在经过长期高强度的运行之后很容易发生故障。轴承发生故障还会导致一系列连带效应发生比如：机械部件磨损、传动失灵、电机损坏等，所以轴承一旦发生故障会直接影响建筑机器人的性能、质量和可靠性。
[0004]对建筑机器人轴承的性能退化评估是实现故障预测与健康管理的重要实现手段，它主要通过构建相应的评估模现轴承振型实动信号到退化状态的映射。通过对建筑机器人轴承进行性能退化评估可以实时监测轴承运行状况，实现建筑机器人轴承运行状态的可视化，对于及时发现建筑机器人轴承故障并制定维修策略有着重要意义。目前性能退化评估模型多为有监督的训练方式，这也意味着必须先对样本进行标签选取，然而标签的选取既增加了人工参与，导致缺乏一定的通用性，且在故障样本缺失的情况下无法训练出精确模型。
[0005]鉴于此，设计一种无需标签设置且能准确发现轴承早期故障的性能退化评估方法用于建筑机器人轴承是本
亟待解决的技术问题。

技术实现思路

[0006]本专利技术的目的在于提供一种建筑机器人轴承性能退化评估方法，所述方法无标签设置且能准确检测出轴承的早期故障，本专利技术中IMF为Intrinsic Mode Function。
[0007]为解决上述技术问题，本专利技术提供一种建筑机器人轴承性能退化评估方法，包括以下步骤：
[0008]S1、将振动传感器安装在建筑机器人轴承外圈，利用振动传感器采集建筑机器人轴承在健康状态下振动信号S(t)；
[0009]S2、对采集到的振动信号分别进行时域、时频域特征提取得到初始特征集；
[0010]S3、利用主成分分析法对归一化初始特征集进行融合降维，选取累计贡献率大于90％的主成分作为自组织映射网络评估模型的输入特征向量；
[0011]S4、取步骤S3获得的特征向量作为训练集输入到自组织映射网络进行训练，得到训练好的自组织映射网络评估模型；
[0012]S5、采集待评估建筑机器人轴承的振动信号并重复步骤S2、S3，取得到的特征向量作为测试集输入到训练好的自组织映射网络评估模型中计算性能退化指标DI，并根据退化起始阈值来确定建筑机器人轴承性能退化程度。
[0013]优选地，所述步骤S2的具体实现方法包括如下步骤：
[0014]S21、提取步骤S1中所采集的建筑机器人轴承振动信号的8个时域特征，包括均值、均方根、方差、峰峰值、峰度、偏度、峭度、标准差；
[0015]S22、对步骤S1中所采集的建筑机器人轴承振动信号进行集总经验模态分解，设置集总经验模态分解的两个参数白噪声幅值a＝0.2，集总平均次数M＝100，基于此分解得到N个IMF(Intrinsic Mode Function)分量，基于相关系数法从N个IMF分量中选取R个与原始信号x(t)相关信号更高的有效IMF分量，其中R≤N；
[0016]S23、计算步骤S22提取的R个有效IMF分量的能量熵，计算公式为：
[0017][0018][0019][0020]式中，H
i
为第i个IMF分量的能量熵，E为IMF的总能量值，E
i
为第i个IMF分量的能量值；
[0021]S24、将步骤S22提取的R个有效IMF分量构成矩阵M＝[imf1,imf2,...，imf
R
]T
，然后对矩阵进行奇异值分解，计算公式为：
[0022]M＝UAV
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0023]式中，U为m阶的正交矩阵，V为n阶的正交矩阵，V
T
为V的转置矩阵，A为半正定的m
×
n阶的对角矩阵，A对角线上的元素就是A的奇异值，计算矩阵M的前S个奇异值，其中S≤R，联合步骤S23的R个能量熵共同构成时频域特征；
[0024]S25、将步骤S21中提取的8个时域特征、步骤S23中提取的R个有效IMF分量能量熵和步骤S24中所计算的S个IMF矩阵奇异值组合构建为一个初始特征集。
[0025]优选地，所述步骤S21中所提取的轴承振动信号S(t)的时域特征可用公式表示：
[0026][0027][0028][0029]F4(t)＝max{S
i
(t)}
‑
min{S
i
(t)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0030][0031][0032][0033][0034]式(5)～(12)中，F1(t)～F8(t)分别表示为均值、均方根、方差、峰峰值、峰度、偏度、峭度、标准差，{S
i
(t)}
i＝1,2,...,n
表示振动信号S(t)在t时刻时的第i个采样序列。
[0035]优选地，所述步骤S22中集总经验模态分解的具体实现方法包括如下步骤：
[0036]S221、设置集总经验模态分解的两个参数白噪声幅值a取值为0.2倍的原始数据标准差，集总平均次数M取为100，输入原始信号x(t)；
[0037]S222、在原始信号x(t)中添加一定幅值的白噪声序列n
m
(t)，得到信号x
m
(t)，x
m
(t)＝x(t)+n
m
(t)；
[0038]S223、对加入噪声后的信号x
m
(t)进行经验模态分解EMD，得到N个IMF分量a
i,m
(i＝1,2，......，N)；
[0039]S224、重复步骤S223直到对x(t)加入M次不同幅值的白噪声序列；
[0040]S225、将每次分解得到的IMF按进行集总平均计算，计算结果就是集总经验模态分解得到的N个IMF分量。
[0041]优选地，所述步骤S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种建筑机器人轴承性能退化评估方法，其特征在于，包括以下步骤：S1、将振动传感器安装在建筑机器人轴承外圈，利用振动传感器采集建筑机器人轴承在健康状态下振动信号S(t)；S2、对采集到的振动信号分别进行时域、时频域特征提取得到初始特征集；S3、利用主成分分析法对归一化初始特征集进行融合降维，选取累计贡献率大于90％的主成分作为自组织映射网络评估模型的输入特征向量；S4、取步骤S3获得的特征向量作为训练集输入到自组织映射网络进行训练，得到训练好的自组织映射网络评估模型；S5、采集待评估建筑机器人轴承的振动信号并重复步骤S2、S3，取得到的特征向量作为测试集输入到训练好的自组织映射网络评估模型中计算性能退化指标DI，并根据退化起始阈值来确定建筑机器人轴承性能退化程度。2.根据权利要求1所述的建筑机器人轴承性能退化评估方法，其特征在于，所述步骤S2的具体实现方法包括如下步骤：S21、提取步骤S1中所采集的建筑机器人轴承振动信号的8个时域特征，包括均值、均方根、方差、峰峰值、峰度、偏度、峭度、标准差；S22、对步骤S1中所采集的建筑机器人轴承振动信号进行集总经验模态分解，设置集总经验模态分解的两个参数白噪声幅值a＝0.2，集总平均次数M＝100，分解得到N个IMF分量，然后基于相关系数法从N个IMF分量中选取R个与原始信号x(t)相关性更高的有效IMF分量，其中R≤N；S23、计算步骤S22提取的R个有效IMF分量的能量熵，计算公式为：S23、计算步骤S22提取的R个有效IMF分量的能量熵，计算公式为：S23、计算步骤S22提取的R个有效IMF分量的能量熵，计算公式为：式中，H
i
为第i个IMF分量的能量熵，E为IMF的总能量值，E
i
为第i个IMF分量的能量值；S24、将步骤S22提取的R个有效IMF分量构成矩阵M＝[imf1,imf2,...，imf
R
]
T
，然后对矩阵进行奇异值分解，计算公式为：M＝UAV
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)式中，U为m阶的正交矩阵，V为n阶的正交矩阵，V
T
为V的转置矩阵，A为半正定的m
×
n阶的对角矩阵，A对角线上的元素就是A的奇异值，计算矩阵M的前S个奇异值，其中S≤R，联合步骤S23的R个能量熵共同构成时频域特征；S25、将步骤S21中提取的8个时域特征、步骤S23中提取的R个有效IMF分量能量熵和步骤S24中所计算的S个IMF矩阵奇异值组合构建为一个初始特征集。3.根据权利要求2所述的建筑机器人轴承性能退化评估方法，其特征在于，所述步骤S21中所提取的轴承振动信号S(t)的时域特征可用公式表示：
F4(t)＝max{S
i
(t)}
‑
min{S
i
(t)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)(8)(8)(8)式(5)～(12)中，F1(t)～F8(t)分别表示为均值、均方根、方差、峰峰值、峰度、偏度、峭度、标准差，{S
i
(t)}
i＝1,2,...,n
表示振动信号S(t)在t时刻时的第i个采样序列。4.根据权利要求2所述的建筑机器人轴承性能退化评估方法，其特征在于，所述步骤S22中集总经验模态分解的具体实现方法包括如下步骤：S221、设置集总经验模态分解的两个参数白噪声幅值a取值为0.2倍的原始数据标准差，集总平均次数M取为100，输入原始信号x(t)；S222、在原始信号x(t)中添加一定幅值的白噪声序列n
m
(t)，得到信号x
m
(t)，x
m
(t)＝x(t)+n
m
(t)；S223、对加入噪声后的信号x
m
(t)进行经验模态分解EMD，得到N个IMF分量a
...

【专利技术属性】
技术研发人员：袁小芳，尹柏鑫，刘紫敬，宋威，
申请(专利权)人：固工机器人金华有限公司，
类型：发明
国别省市：