买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：哈尔滨工业大学

摘要：本发明公开了一种基于WLCTD与OMA‑VMD的工业机器人谐波减速器早期故障检测方法。步骤1：获得谐波减速器振动状态的数据集；步骤2：对步骤1的数据集使用WLCTD算法去除其中的噪声；步骤3：对去除噪声的数据集使用OMA‑VMD方法进行数据处理；步骤4：对步骤3进行OMA‑VMD方法数据处理后的数据集进行分类与故障检测。本发明用以解决谐波减速器发生故障带来的停机损失。

主权项：1.一种基于WLCTD与OMA-VMD的工业机器人谐波减速器早期故障检测方法，其特征在于，所述早期故障检测方法包括以下步骤：步骤1：获得谐波减速器振动状态的数据集；步骤2：对步骤1的数据集使用WLCTD算法去除其中的噪声；步骤3：对去除噪声的数据集使用OMA-VMD方法进行数据处理；步骤4：对步骤3进行OMA-VMD方法数据处理后的数据集进行分类与故障检测；所述步骤2WLCTD算法去除的噪声具体为，对待处理信号进行某一尺度下的小波分解，得到分量i中第j点的局部小波系数为： 其中，wi,l是分量i的小波分解系数，m是第j点的区域相关点数量；第j点的局部相关系数为： 第j点的归一化局部相关系数表示为： 其中，最终的局部相关阈值准λ则表示为： 其中，M是经验系数，根据去噪程度的需求进行调整；σi是小波系数的标准差；在进行WLCTD时，小波分解系数与λ进行比较，如果大于λ则认为是真实信号的分解系数，反之则是噪声信号的分解系数并予以消除；所述步骤3OMA-VMD算法包括VMD参数寻优与特征提取，所述VMD参数寻优包括两个步骤基于ARMA的OMA方法估计模式数量及Pearson系数法估计最优惩罚因子；所述特征提取包括两个步骤，进行VMD分解及计算VMD能量占比特征；VMD算法的过程是由下列式子描述的约束变分问题的构建和求解： 约束为二次惩罚因子α和拉格朗日乘子λ被用于表示不受约束的变分问题；α保证在高斯白噪声存在下的信号重构的精度；λ被用于强行执行约束，因此，增强的拉格朗日公式表示为： 式6的马鞍点对应式5的解并可通过乘数替代方向法求出；首先，需要预先确定分解模式的编号以及模式的时频域表达式，并初始化对应的中心频率和朗格朗日乘子其次，迭代更新模式和中心频率wk，其过程如下式所示： 每次迭代都可以获得新的模式与中心频率，同时，拉格朗日乘子也按照式9一起被更新； 重复式7-式9直到迭代收敛于设定值： 基于ARMA的OMA，首先，假设OMA中系统得激励未知；如果对一个动态系统在不同位置进行采样间隔为Ts，通道数为d的测量，则设计估计时序信号的多变量ARMA模型：yt＝Λzt+et11其中，Λ＝[-A1-A2...-Ap]，是一个大小为d×dp的参数矩阵；Ai是一个将输出yt-i转移到yt的大小为d×d的索引矩阵；Zt是输出向量yt的回归，其大小为dp×1；ztt＝[yt-1T,yt-2T,...yt-pT]12其中，yt-i是具有时延为I×Ts的输出向量，其大小为dp×1i＝1:p；et是所有输出通道的残余向量，其大小为dp×1，该向量可认为是模型的误差；然后，对状态矩阵进行特征分解得到模态参数： 其中，Π是以自回归参数建立的系统的状态矩阵，L是向量矩阵；至此得到模态参数，即VMD分解层数K；对模态参数使用Pearson相关系数法来确定乘法因子α，Pearson相关系数的计算公式如式14所示； 其中，rk表示两个信号的Pearson相关系数，N代表信号的长度，C表示经过VMD分解后的模态。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学 一种基于WLCTD与OMA-VMD的工业机器人谐波减速器早期故障检测方法