工业机器人RV减速器自适应耳蜗模拟声学诊断方法

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：Adaptive cochlea-simulating acoustic diagnosis method of industrial robot RV reducers

　　摘要：由于工业机器人运行中常见的往复旋转运动和变化的动态载荷，旋转矢量减速器会持续遭受磨损和点蚀。这些缺陷导致的内部接触状态变化会使得减速器的声音与正常状态时有差异。众所周知，经验丰富的技术人员能够通过细微的听觉信号判断机器的运行状态。因此，为了将这种能力转化为自动系统，并清晰呈现诊断声音特征，本文提出了一种自适应耳蜗模拟声学诊断方法，通过所设计的耳蜗图获得的声能分布来识别工业机器人旋转矢量减速器的健康状况。从耳蜗图中提取方向梯度直方图特征，以表示高能量区域内的主要频段。随后提出了一种耳蜗模拟滤波器组设计方法，用以增强目标频段的能量，提升不同健康状态下的分类性能。通过多种工业机器人实验，记录了不同健康状态下的运行声音。该自适应耳蜗模拟诊断方法的平均故障识别准确率为95.98%±0.49%，显著优于基于短时傅里叶变换的方法以及基于伽马音调滤波器组的方法。实验结果表明，该方法有助于便捷地检测工业机器人旋转矢量减速器的故障，且在存在工业环境噪声的情况下也能保持良好性能。

引言：六自由度串联式工业机器人广泛应用于汽车制造、物料搬运及航空航天生产领域。关节的频繁加速与减速，加上末端执行器负载的变化，使得关节中的旋转矢量减速器承受着巨大且波动的扭矩。工业机器人需要在生产线上长时间连续运行，其减速器中的齿轮传动结构也会持续受到冲击。长期如此可能导致磨损、点蚀，最终引发机械故障[1][2]。这类故障会降低末端执行器的定位精度，导致机器人停机，进而降低生产效率，造成重大经济损失。因此，为确保生产稳定，亟需开发可靠的工业机器人旋转矢量减速器状态监测与及时故障诊断方法。通常，工程师有责任在日常巡检中对机器的健康状况及运行状态进行监控[3]，类似做法也存在于汽车发动机定期检查以及石化工厂的巡查中。随着传感器和信号处理技术的发展，振动、声音和温度信号可以被记录下来，用于识别工业设备的健康状态。其中，由于振动信号的信噪比高且直观易懂，应用最为广泛。然而，工业机器人的运动具有很强的非平稳性，且难以在关键部件附近安装加速度计，此外高性能加速度计价格昂贵，这些因素都限制了基于振动的机器人关节监测方法的应用。机器运行时的异常噪音是潜在故障最直接的迹象之一，因此越来越多地利用声音信号来监测运行状态[4]。在汽车发动机故障类型识别[5]、石化行业压缩机状态监测[6]、智能工厂设备监控[7]以及自行车轮圈的无损评估[8]等领域，声学测量技术已相当成熟。在数字信号处理技术中，基于短时傅里叶变换的时频表示方法被广泛用于声学分析[9][10][11]。传统的STFT频谱图采用固定的分析窗口，因此在时间和频率上都具有固定的分辨率。在机器人运行过程中，与故障相关的声能往往集中在特定频段，而其他频段则包含的信息较少。此外，环境噪声和结构共振还会进一步掩盖故障特征，因此需要研究一种能够根据不同频段调整分辨率、并对不同区域采用不同时频尺度的分析方法，这种方法更适用于此类信号，同时也符合人类听觉的特点。人类听觉系统具有从声音中提取并简化特征信息的强大能力[12]，人类听觉系统的声音分析过程如图1所示。声压通过外耳进入耳道，耳廓和耳道通过共振放大特定频率范围的声音，听小骨将压力传递到内耳，而后耳蜗则充当实时的频率分析器。耳蜗包含基底膜和听觉毛细胞，可被建模为一组重叠的带通滤波器，用于将传入的声音分解为不同的频谱成分[13][14][15][16]。在声音处理中，梅尔频率谱图得到了广泛应用[17]，它采用了反映人类听觉频率选择性的非线性梅尔频率刻度，能为音频压缩等任务提供简洁的声音特征表示[18]。另一种重要的频谱表示方法是基于伽马音调滤波器组构建的耳蜗图[19]，该滤波器组是根据听觉神经记录得到的外周听觉滤波器的数学模型，其滤波器能够近似模拟耳蜗的频率分析功能[20]。王等人开发了一种耳蜗图工具，并指出它在强鲁棒性语音识别方面优于梅尔频率谱图[21]，目前耳蜗图已被用于语音识别和生物医学声学诊断中的特征提取工作[22][23][24]。基于伽马音调特征的方法也在机械故障诊断领域得到应用，耿等人引入了伽马音调滤波器倒谱系数来表示变压器的声学信号，并将这些特征与卷积神经网络结合，用于典型机械故障的诊断[25]，扎宾等人则提出了一种结合经验模态分解和伽马音调滤波器的混合表示方法用于机器故障诊断，并在公共基准数据集上对该方法进行了评估[26]。目前，针对机械设备且明确模拟人类听觉处理过程的声学分析方法仍缺乏研究，尤其是在工业机器人关节的非平稳运行条件下，如何在频繁加速、减速及其他非平稳运行状态下可靠地提取与故障相关的信息，依然是一个难题。受人类耳蜗结构和功能的启发，本文提出了一种自适应听觉耳蜗模拟诊断方法，用于识别工业机器人旋转矢量减速器中的异常声音。该方法侧重于对目标频段的自适应识别与增强，从而更有效地提取与故障相关的特征。首先，将机器人关节产生的声音的时频图像转换为灰度图，然后计算其方向梯度直方图特征，以此确定能量集中的目标频段的中心频率。接着将频率刻度转换为等效矩形带宽刻度，再在以确定的中心频率为中心的目标频段内生成耳蜗模拟滤波器组，对原始声音信号进行过滤，从而得到优化后的耳蜗图。最后，从优化后的耳蜗图中提取伽马音调滤波器倒谱系数作为特征，用于识别整个机器人系统中旋转矢量减速器的故障。通过与使用固定频率范围内传统伽马音调滤波器组的基准方法相比，证明了该自适应耳蜗模拟诊断方法的优势，这些对比实验旨在凸显自适应耳蜗模拟方法相对于传统固定分辨率信号处理方法的优越性。本研究的主要贡献在于提出了一种专为非平稳机器人关节声学诊断设计的自适应耳蜗模拟机制。与使用固定听觉滤波器组不同，所提出的框架首先直接从测量的时频能量分布中推断出与故障相关的频率范围，然后基于自动识别的这些敏感频率范围构建等效矩形带宽间隔、针对特定频段的耳蜗模拟子滤波器组，其增益经过调整以突出这些频率范围。这种分析-选择-重建的过程能够重新分配时频分辨率和滤波器组的权重，使其更多集中在有用频段上，从而提高对背景噪声的抵抗能力，增强不同故障状态之间的区分度。本研究的主要贡献可总结为：（1）一种基于频率的阈值设定与频段推断策略，可用于在不同噪声水平下确定能量区域的边界；（2）一种基于等效矩形带宽域的自适应听觉滤波器组方法，能够根据自动识别的故障敏感频率范围构建针对特定频段的子滤波器组；（3）一种用于旋转矢量减速器声学诊断的优化耳蜗图表示方法，相较于固定滤波器组基准方法，其噪声抑制效果更好。本文的结构如下：首先介绍基于听觉信号的工业机器人关节旋转矢量减速器诊断用的自适应耳蜗模拟方法，其次通过基于方向梯度直方图的特征分析实现频段的自适应识别与选择，最后提出一种耳蜗模拟滤波器组的设计方法，用于增强目标频段内的区分特征。本文的其余部分安排如下：第2节介绍理论背景及所提出的方法，第3节阐述实验装置，第4节报告并分析实验结果，包括在实验室和工业噪声环境中的不同方法对比情况，第5节给出结论。

片段内容：
频段确定：工业机器人的关节运动在运行过程中会有一段匀速运动阶段，在此阶段，尽管存在加速和减速阶段的干扰，但机器人运动产生的声音仍然最为响亮且稳定，这有助于更可靠地确定与故障相关的频率范围，所识别的目标频段可用于构建自适应听觉前端，使其更能适配非平稳的机器人关节声音。

实验装置：为评估所提出的自适应耳蜗模拟方法，搭建了一个针对六关节串联式工业机器人的实验测试系统，该机器人的第二关节旋转矢量减速器处于不同健康状态，以便在变速条件下获取原始数据，工业机器人测试平台如图5所示，伺服电机通过电机法兰与旋转矢量减速器相连，伺服电机的输出轴与旋转矢量减速器的输入轴相互啮合。

不同滤波方法下的能量分布：为验证所提出的自适应耳蜗模拟方法的有效性，分别使用了无滤波的线性频谱图、卡尔曼滤波器、中值滤波器、梅尔滤波器组、传统伽马音调滤波器组以及所提出的滤波器组来分析音频信号。尽管现代端到端深度学习方法极具应用价值，但其性能取决于架构和训练方式，这些因素可能会掩盖表示层面的效应。

结论：本文提出了一种自适应听觉耳蜗模拟诊断方法，用于识别正在运行的工业机器人旋转矢量减速器的故障状态。为模拟人类听觉的识别能力，该方法设计了自适应滤波器组，并计算了不同健康状态下的听觉数据的耳蜗图，以此可视化能量分布。为检测能量分布的频率边界范围，从STFT中提取了方向梯度直方图特征。

CRediT作者贡献声明：
乔玉婷：撰写——初稿、验证、软件、方法论、正式分析、数据整理、概念构思。
王洪波：数据整理。
贾斯普里特·辛格·杜皮亚：撰写——审阅与编辑、监督、研究。
雷亚国：监督、研究。
赵欢：研究。
李乃鹏：监督、研究。
曹俊毅：撰写——审阅与编辑、监督、研究。

利益冲突声明：作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。

致谢：本研究得到了中国国家自然科学基金的支持（项目编号：52375121、52375126）。
乔玉婷|王洪波|贾斯普里特·辛格·杜皮亚|雷亚国|赵欢|李乃鹏|曹俊毅