运动控制系统时频特征融合多故障分类

位置传感器卡死
电机输岀的位置信号存在卡死上限，儿W 久
K/ = (l -a)v)y2ta)v表示速度传感器失效 速度传感器部分失效
百分比,0Ws，W100%
速度传感器卡死
电机输出的转速信号存在卡死上限,％ W
随机过程故障
Anew=A+R,R^2x2的随机故障矩阵
图1运动控制系统
Fig. 1 Motion control system
收稿日期=2020-06-22收修改稿日期:2020-07-17基金项目：国家自然科学基金项目(61803334)资助；国家留学基金项目(201908330040) 资助;浙江省自然科学基金项目(LQ18F030012)资助.作者简介:朱俊威(通讯作者)，男，1985年生，博士，副教授，研究方向为故障诊断与容 错控制、信息物理系统安全;张钧洒，男，1997年生，硕士研究生，研究方向为信息物理系统安全.
2.1运动控制系统组成及其原理 本文所使用的运动控制系统皿)如图1所示,主要由PC
上位机,ARM单片机,CAN总线以及交流伺服电机系统组 成.PC上位机主要负责处理ARM单片机上发的数据信息， 使用算法进行相应的处理后将指令下发给ARM单片机. ARM单片机一面接收交流伺服系统经CAN总线传输而来的 电机位置、转速、力矩等信息并将其封装后上传到PC机，一 面将PC机发送的控制指令传输给交流伺服系统，使其跟随 指令做出相应运动.交流伺服驱动器是台达公司ASDA-A2 系列伺服驱动器，额定功率400W,额定电压220V；电机是台 达公司三相永磁同步电机，额定电压220V,转速最高达 1500rpm,电机框架尺寸60mm.
小型微 型计算 机系统
Journal of Chinese Computer Systems
2021年7月第7期
Vol. 42 No. 7 2021
运动控制系统时频特征融合多故障分类
朱俊威，张钧涵
(浙江工业大学信息工程学院，杭州310023) E-mail:junweizhulOOl @ zjut. edu. cn
原始轴承振动信号的频谱图，并提取固定频率下的振幅作为 特征输入支持向量机实现了 3类轴承状态下的故障检测， Wang⑼等用短时傅里叶变换等方法提取时频图像作为卷积 神经网络的输入,Jord*。〕等利用改进的短时傅里叶变换使其 只对轴承振动信号的特定频段进行滤波，大大减少了故障分 析所需的时间.相比短时傅里叶变换，小波变换设计了尺度可 变换的时频窗口 .Rahmant'11等将小波变换与其他方法比较 得出，在对机械的早期故障检测中小波变换能够更准确的识
通过对伺服器控制下的电机的运动学建模“"，得到了二 阶系统模型，形式见式(1),其中x=[勺七]「,勺分别表 示电机的位置状态和速度状态.y = [y> %]丁,必』2分别表 示电机的位置输出和速度输岀.在速度模式下,该运动控制平
尽管电机模型已知,本文主要针对电机历史数据展开多 故障分类研究.需要指出,在模型已知条件下出现了不少故障 检测和隔离的相关结果“何，然而，在线故障辨识方案主要针 对单独的传感器、执行器或过程故障进行检测和隔离，因而无 法对一般多故障分类问题作有效处理.针对电机历史数据展 开多故障分类研究尽管存在检测上的小幅延迟，但大幅缩短 了实际工程中故障精确隔离所需时间.另一方面，由于故障早 期主要对系统稳态性能产生影响，并不会直接破坏系统的稳 定性.因此，针对电机历史数据展开多故障分类分析对于故障 早期的有效检测和隔离仍具有重要的实际意义和可行性.
表1描述了本文考虑的运动控制系统常见的故障模态以 及相应在系统模型中的表现形式.
表1故障问题描述
Table 1 Fault description
故障类型 执行器部分失效 执行器卡死 执行器中断
位置传感器部分失效
故障表现形式 %w = ( 1 - ®表示失效百分比,0W
(i)a W100% 控制量“存在上限 控制量u=Q yp/ = (i -徐表示位置传感器失效 百分比,ow© W100%
台的模型参数A = [°
3.4414]7.
L0 -41. 1015J
x - Ax + Bu
(])
y = Cx
在上位机中设计一个虚拟参考系统，使伺服系统下真实 的电机跟踪其运动状态•参考系统动态模型如式(2)所示：
x0 = Ax0 + BrQ (2)
Jo = Cxq
电机模型如式(3)所示：
xt =Ax： + Bu：
基于上述分析，本文研究了运动控制系统的多故障分类 问题.本文主要有以下贡献点：1)建立了运动控制系统的常 见故障模型，并分析了不同故障模态对系统的影响,在此基础 上设计了一组具有较高故障模态区分度的时频域指标;2)针 对带有一般多故障模态的运动控制系统，首次提出了可操作 的数据驱动多故障分类模型.
2问题描述
过去已有的研究中不乏针对运动控制系统的故障检测与 分类⑵：基于模型的方法大都先对目标系统建模并构建状态
观测器，由系统实际输岀与观测器输出进行比较得到残差，进 而实现故障隔离⑶•基于模型的方法虽然能够在线实现系统
故障隔离,但存在严格的故障隔离条件,而大部分实际系统无 法满足，因此该类方法难以对多类故障进行准确辨识.而基于 数据驱动的方法虽然无法做到在线隔离，但其并不依赖于系 统模型，可以通过提取故障特征处理故障分类问题⑷， Huang⑼等将时频压缩与广义解调相结合提取了更高精度的 故障特征.部分学者从时域角度提取电机轴承振动信号的特 征指标⑹作为机器学习的输入，如裕度指标、脉冲指标、峰值 系数⑺等;也有学者从频域角度如用快速傅里叶变换⑷构建
1520
小型微型计算机系统
2021 年
3多故障分类模型
本文设计的多故障分类模型主要包含三个模块:故障检 测模块，时频特征提取模块，基于支持向量机的多故障分类模 块.下文将阐述每个模块的工作机理. 3.1故障检测模块
采用异常检测法[171 (Anomaly Detection)对系统历史数 据进行故障检测.首先采集历史数据y,取大小为M的移动窗 口在y上移动，得到Z个移动窗口样本：
摘要：针对带有执行器故障、传感器故障、过程故障的运动控制系统，本文建殳了基于时频特征结合的多故障分类模型.该模
型包含3个模块，首先根据电机正常运行数据样本建殳故障检测模块.继而结合时频域特征建立故障特征提取模块，其中频域
特征通过基于能量埔的聚类经验模态分解方法获得 ，而时域特征为测量信号的裕度、峰值、峭度、标准差、能量.最后将提取到的
7期
朱俊威等:运动控制系统时频特征融合多故障分类
1519
别故障的位置以及严重程度.Elbouchikhitl2]等使用经验模态 分解获取电流信号的本征模函数(Intrinsic Mode Function, IMF)，根据IMF的瞬时幅值、瞬时频率、能量以评估故障的严 重程度.葛兴来等提出了将经验模态分解与奇异值分解结 合的多层分解方法，从而更好地剔除干扰并提取故障特征.
*
(3)
X =5
设跟踪误差玄7 -兀o,则跟踪误差系统模型为：
&=¼ + - Br0
(4)
Zi =Z- ~y0=CSi
其中控制量",=-g +『o,c=L ★为单位矩阵，则
8, = (A -BK)玄,K= [13.08 20. 85],是使系统稳定的反馈 矩阵.以上关于电机运动学模型以及控制背景的描述仅为便 于理解下文的故障问题描述.事实上本文方法仅需采集系统 历史数据进行分析,而不依赖于任何模型. 2.2故障类型及问题描述
1引言
运动控制系统是以电机为控制对象,控制器为核心,执行 机构是电力电子和功率变换装置，依据自动控制理论和现代 控制理论组成的电气传动控制系统.运动控制系统的应用涉 及工农业生产、交通运输、国防、航空航天，甚至在家用电器中 都有大量使用⑴.运动控制系统使用时存在的磨损、老化等 情况可能导致系统故障发生.因不同位置磨损而导致的故障 会影响系统的正常工作状态但初期并不会改变系统的稳定 性，这就导致了这些故障难以被及时发现.除此之外,机械不 同程度的磨损会导致系统性能不同程度的损失，对故障等级 的判断能够让系统管理者根据部件磨损程度判断是否需要更 换零件.单纯的故障检测虽然不难实现,但若无法辨识系统故 障具体的位置、类型以及严重程度,系统管理者需要耗费大量 的时间对系统各部件进行故障排査.因此如何对运动控制系 统实现多故障分类就显得尤为重要.
现有关于运动控制系统多故障分类的研究成果较少，当 考虑到多故障模式下运动控制系统的故障定位问题时，以上 单一的特征提取方法存在一定局限性,例如:若仅提取时域指 标血"，则无法识别卡死故障等状况下系统输出信号内的零 频特征，分类效果不佳;若仅使用快速傅里叶变换⑷或经验 模态分解1")提取频域特征，则无法判断执行器等位置部分失 效故障的程度.因此本文设计了时频结合的新型特征提取模 块，使时频特征融合互补,基于系统输出信号实现了运动控制 系统多故障分类，经实验证明具有更高的准确率.
ZHU Jun-wei,ZHANG Jun-han (College of Information Engineering,Zhejiang University of Technology,Hangzhou 310023 .China)
Abstract: For motion control system with actuator fault, sensor fault and process fault, a multi-fault classification model based on the combination of time-frequency features is established. The model consists of three modules. Firstly, the fault detection module is estab­ lished according to the normal operation data of the motor. Then,the fault feature extraction module is established by combining the time­ frequency features. The frequency-domain features are obtained by ensemble empirical mode decomposition method based on energy en­ tropy ,while the time-domain features are measured signal's margin index,peak value,kurtosis,standard deviation,energy. Finally,the ex­ tracted fault time-frequency features are imported into multi-fault classification support vector machine for training, and the fault classifi­ cation model is completed. The validity and superiority of this method are verified by the test data of motion control system. Key words: motion control system ； fault classification ； time-frequency features ； fault detection ； support vector machine
故障时频域特征导入多故障分类支持向量机进行训练，建立故障分类模块.通过运动控制系统测试数据验证了本文方法■的有效
性和优越性.
关键词：运动控制系统;故障分类;时频特征;故障检测;支持向量机
中图分类号：TP273
文献标识码：A
文章编号：1000-1220(2021)07-1518-06
Multi-fault Classification of Motion Control System Based on Time-frequency Feature ห้องสมุดไป่ตู้usion