張 鐵，楊明達(dá)，鄒焱飚

（華南理工大學(xué)機(jī)械與汽車工程學(xué)院，廣東 廣州 510640）

1 引言

開關(guān)柜是分配電能的重要開關(guān)設(shè)備，其負(fù)責(zé)分配電能并隔離故障，整個(gè)配電網(wǎng)的安全性和可靠性均依賴開關(guān)柜的性能，其在配電網(wǎng)中發(fā)揮著重要作用[1]。開關(guān)柜中斷路器小車能否正常的由工作位置運(yùn)行到試驗(yàn)位置是驗(yàn)收開關(guān)柜的一項(xiàng)重要指標(biāo)。在旋轉(zhuǎn)手柄將斷路器旋進(jìn)工作狀態(tài)時(shí)，如果出現(xiàn)卡阻、碰撞時(shí)，若不及時(shí)停機(jī)退回，會(huì)導(dǎo)致斷路器接觸不良、發(fā)熱，進(jìn)而產(chǎn)生危險(xiǎn)。其中，開關(guān)柜斷路器小車，如圖1所示。

圖1 開關(guān)柜及其斷路器小車Fig.1 Switchgear and its Circuit Breaker

傳統(tǒng)的人工合格性檢測(cè)需要大量人力，面向開關(guān)柜的機(jī)器人質(zhì)量檢驗(yàn)系統(tǒng)展開研究，通過采集到的電機(jī)力矩信息判斷斷路器小車是否正常運(yùn)行，進(jìn)而判斷開關(guān)柜合格與否。該研究方案同樣適用于旋轉(zhuǎn)類零件裝配產(chǎn)品的合格性檢驗(yàn)，當(dāng)機(jī)器人檢測(cè)齒輪軸與軸承、絲杠與軸承等零部件裝配好后的產(chǎn)品出現(xiàn)質(zhì)量缺陷時(shí)，力矩信號(hào)會(huì)發(fā)生突變，對(duì)該突變進(jìn)行有效識(shí)別即可實(shí)現(xiàn)對(duì)產(chǎn)品質(zhì)量的準(zhǔn)確判斷。同時(shí)可避免在用機(jī)器人進(jìn)行產(chǎn)品質(zhì)量檢測(cè)過程中，由于未能及時(shí)識(shí)別到不合格產(chǎn)品并停機(jī)產(chǎn)生對(duì)機(jī)器人系統(tǒng)和產(chǎn)品的損傷。

對(duì)于信號(hào)奇異性特征的提取常用的方法有小波變換和智能檢測(cè)。小波變換因具有反應(yīng)信號(hào)局部特征的特點(diǎn)，被認(rèn)為是檢測(cè)信號(hào)變化最重要的工具[2]。文獻(xiàn)[3]首次將小波變換應(yīng)用于信號(hào)的奇異性檢測(cè)，為檢測(cè)信號(hào)的奇異性分析奠定了理論基礎(chǔ)。由于小波變換存在著頻譜混疊、計(jì)算量大[4]、偏移缺陷[2]以及小波基的選擇困難[6]等一系列問題，學(xué)者們相繼從小波理論本身出發(fā)進(jìn)行小波變換的改進(jìn)。文獻(xiàn)[7]通過交換偶數(shù)位置節(jié)點(diǎn)—小波包分解后兩節(jié)點(diǎn)順序來消除頻帶錯(cuò)位現(xiàn)象，引入兩個(gè)算子分別除去高、低頻子帶理想通帶范圍外的頻率成分以消除頻帶重疊現(xiàn)象。文獻(xiàn)[8]提出了一種基于二代小波變換和多級(jí)假設(shè)檢驗(yàn)的信號(hào)變化點(diǎn)定位方法，只需要較少的樣本即可實(shí)現(xiàn)對(duì)信號(hào)變化點(diǎn)的快速定位。文獻(xiàn)[9]提出將相關(guān)法和小波變換模極大值法結(jié)合的聯(lián)合定位方法來減小定位誤差。上述研究方法雖然在一定程度上優(yōu)化了小波理論，但是小波變換的偏移缺陷無法徹底消除，且計(jì)算過程復(fù)雜，將會(huì)導(dǎo)致系統(tǒng)無法準(zhǔn)確及時(shí)的停機(jī)而造成產(chǎn)品的進(jìn)一步損傷。

為進(jìn)一步提高信號(hào)奇異性檢測(cè)的準(zhǔn)確性和快速性，相關(guān)學(xué)者利用智能算法展開了一系列的研究工作。文獻(xiàn)[10]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的檢測(cè)方法，利用卷積神經(jīng)網(wǎng)絡(luò)模型直接從工作信號(hào)中學(xué)習(xí)用于檢測(cè)的有用信息，可以免去傳統(tǒng)方法中對(duì)原始信號(hào)數(shù)據(jù)進(jìn)行人工預(yù)處理的過程，從而實(shí)現(xiàn)端到端的檢測(cè)，檢測(cè)準(zhǔn)確率超過93%。文獻(xiàn)[11]提出一種基于長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）的低延遲檢測(cè)方法，具有較小的儲(chǔ)存空間占有率和較低的計(jì)算延遲。文獻(xiàn)[12]提出了一種基于堆棧稀疏自編碼器和Softmax的深度神經(jīng)網(wǎng)絡(luò)的識(shí)別算法，堆棧稀疏自編碼器能夠有效地提取工作信號(hào)的高維特征，構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)可有效地識(shí)別液壓泵泄漏狀態(tài)，識(shí)別精度達(dá)到97.6%。上述研究方法盡管在數(shù)據(jù)預(yù)處理、檢測(cè)精度等方面較小波理論有較大提升，但是需要大量的樣本數(shù)據(jù)進(jìn)行模型訓(xùn)練，極大地增加了前期工作時(shí)間成本。針對(duì)上述算法在實(shí)際應(yīng)用中存在的問題，以開關(guān)柜為研究對(duì)象，提出一種基于力矩信號(hào)奇異性分析的檢驗(yàn)算法?；赽ayes的小波閾值降噪方法對(duì)、力矩信號(hào)進(jìn)行降噪，將提取出的力矩信號(hào)奇異性特征通過Fisher判別法進(jìn)行特征壓縮處理；然后將上述處理后的特征向量組成的訓(xùn)練樣本輸入到支持向量機(jī)分類模型中進(jìn)行訓(xùn)練，得到能檢測(cè)產(chǎn)品合格性的分類模型；為驗(yàn)證所提方法的正確性，面向開關(guān)柜的合格性檢驗(yàn)，搭建了絲桿測(cè)試系統(tǒng)，通過實(shí)驗(yàn)證明了所提算法的可行性和有效性。所提方法流程，如圖2所示。

圖2 所提算法流程圖Fig.2 Flowchart of the Proposed Method

2 開關(guān)柜合格性檢驗(yàn)機(jī)器人系統(tǒng)的力矩信號(hào)采集和預(yù)處理

2.1 開關(guān)柜合格性檢驗(yàn)機(jī)器人系統(tǒng)的力矩信號(hào)采集

開關(guān)柜合格性檢驗(yàn)機(jī)器人系統(tǒng)通過機(jī)器人本體末端的擴(kuò)展第7軸對(duì)開關(guān)柜中絲桿進(jìn)行旋擰測(cè)試。整個(gè)系統(tǒng)主要由機(jī)器人及其控制柜、工控機(jī)、擴(kuò)展第7軸、工控機(jī)、驅(qū)動(dòng)器等構(gòu)成，如圖3所示。擴(kuò)展第7軸是指在機(jī)器人本體末端擴(kuò)展一個(gè)旋轉(zhuǎn)軸，該旋轉(zhuǎn)軸由電機(jī)和減速器組成。

圖3 開關(guān)柜合格性檢驗(yàn)機(jī)器人系統(tǒng)Fig.3 Robot System for Switchgear Conformity Inspection

在系統(tǒng)運(yùn)行檢測(cè)過程中，第7軸旋擰絲桿輸出力矩，控制系統(tǒng)實(shí)時(shí)獲得力矩信號(hào)τ，通過分析該力矩信號(hào)是否發(fā)生突變即可得知斷路器小車是否正常運(yùn)行，進(jìn)而實(shí)現(xiàn)對(duì)開關(guān)柜合格性的判斷。關(guān)節(jié)力矩信號(hào)是基于EtherCAT現(xiàn)場(chǎng)總線來實(shí)時(shí)采集，使用裝載實(shí)時(shí)控制系統(tǒng)的工控機(jī)作為上位機(jī)進(jìn)行控制，驅(qū)動(dòng)器的位置由上位機(jī)計(jì)算并發(fā)送，采樣周期為1ms。檢測(cè)過程中，絲桿旋擰一端的受力方向，如圖4所示。

圖4 旋擰套筒受力圖Fig.4 Force Diagram of Sleeve

2.2 開關(guān)柜合格性檢驗(yàn)機(jī)器人系統(tǒng)力矩信號(hào)的預(yù)處理與特征提取

2.2.1 力矩信號(hào)的滑窗迭代處理

直接對(duì)采集到的電機(jī)力矩信號(hào)進(jìn)行分析時(shí)，會(huì)因?yàn)樘卣鬟^于單一而無法達(dá)到理想的分類效果，因此采用滑窗迭代的方式對(duì)信號(hào)進(jìn)行預(yù)處理，在增加信號(hào)特征的同時(shí)也能保證算法的實(shí)時(shí)性?；暗冈谝粋€(gè)固定窗（窗寬為N）內(nèi)添加新采樣的數(shù)據(jù)而剔除舊的數(shù)據(jù)，即每次窗口滑動(dòng)，將最新采樣的數(shù)據(jù)放到窗口第N位，舊數(shù)據(jù)左移一位，第1位數(shù)據(jù)（最早的數(shù)據(jù)）剔除，原理圖，如圖5所示。第i個(gè)滑動(dòng)窗(i)可以表示為：

圖5 滑窗迭代原理圖Fig.5 Sliding-Window Iterative Schematic Diagram

式中：τ(i)—第i時(shí)刻所對(duì)應(yīng)的力矩值，i=1，2，3，...。

2.2.2 力矩信號(hào)的小波閾值降噪處理

采集到的電機(jī)力矩信號(hào)含有一定的噪聲，會(huì)導(dǎo)致信號(hào)的奇異性減弱從而影響后續(xù)分類算法的效果，因此需要對(duì)采集到的力矩信號(hào)進(jìn)行降噪處理。傳統(tǒng)的小波閾值降噪[13]中，閾值的設(shè)定都沒有考慮到原始信號(hào)小波系數(shù)的先驗(yàn)信息，在此基于Bayes估計(jì)的方法來確定閾值，利用其考慮先驗(yàn)信息的優(yōu)勢(shì)來達(dá)到強(qiáng)力的降噪效果。小波閾值降噪過程中會(huì)產(chǎn)生邊界效應(yīng)進(jìn)而影響降噪效果，對(duì)滑窗(i)作對(duì)稱延拓處理得：

對(duì)Wτ(i)進(jìn)行小波變換，得到小波系數(shù)j，kWτ(i)，則含噪信號(hào)的方差為：

式中：j—尺度；k—時(shí)間。采集到的力矩信號(hào)由原始信號(hào)和噪聲組成，則噪聲的方差可估計(jì)為：

由式（4）、式（5）可得Bayes閾值：

基于軟閾值對(duì)小波系數(shù)進(jìn)行過濾，則j，kWτ(i)為：

2.2.3 力矩信號(hào)的特征提取、壓縮

為了對(duì)斷路器小車運(yùn)行狀態(tài)進(jìn)行準(zhǔn)確判斷，需要提取降噪后的力矩信號(hào)的有效信息。當(dāng)斷路器小車運(yùn)行遇到卡滯、碰撞時(shí)，其力矩信號(hào)會(huì)發(fā)生突變并伴隨奇異性的產(chǎn)生，基于該特點(diǎn)，選擇能夠定量描述奇異性的Lipschitz指數(shù)［14］以及力矩值的統(tǒng)計(jì)學(xué)特征作為分類特征。

（1）提取力矩信號(hào)特征

設(shè)降噪后的力矩信號(hào)窗Wτ(i)在i處的Lipschitz指數(shù)α≤n，則存在常數(shù)A使得，

對(duì)式（8）兩邊取對(duì)數(shù)，可得：

Wτ(i)在i處的Lipschitz 指數(shù)即為所求解出的作為j的函數(shù)的斜率。

提取滑窗i處的Lipschitz指數(shù)αi和力矩值Wτ(i)的統(tǒng)計(jì)學(xué)特征：最大值αmax、Wτmax，最小值αmin、Wτmin，平均值αmean、Wτmean，標(biāo)準(zhǔn)差αstd、Wτstd，峰度αkur、Wτkur，偏斜度αske、Wτske。將上述特征構(gòu)成特征向量：

（2）壓縮力矩信號(hào)特征

特征向量TZ中存在相關(guān)性不高的元素，會(huì)增加機(jī)器學(xué)習(xí)模型的復(fù)雜性，導(dǎo)致過擬合和維數(shù)災(zāi)難等問題。因此基于Fisher判別法［15］對(duì)特征進(jìn)行壓縮處理，F(xiàn)isher判別指數(shù)：

式中：n—特征元素序號(hào)；SBn—n個(gè)特征之間的離散度；SWn—特征內(nèi)的離散度；M—特征的類別數(shù)量—類別Lp中特征n的均值和分別由下式計(jì)算，

式中：Lp—特征元素的第p個(gè)類別；x—類別Lp中的特征；lp—該類型中特征元素樣本的數(shù)量。將計(jì)算的Fisher判別指數(shù)按數(shù)值大小排序，取排名靠前的特征元素構(gòu)成向量。

3 基于SVM的力矩信號(hào)特征分類

3.1 基于SVM的力矩信號(hào)特征分類原理

由前述方法提取力矩信號(hào)的特征后，組成樣本集：

每個(gè)樣本對(duì)應(yīng)著一個(gè)標(biāo)簽yi∈{-1，1}，i=1，2，…，n，其中1，-1代表不同的樣本類別，樣本集和標(biāo)簽集y共同組成訓(xùn)練集。SVM算法在R2空間內(nèi)定義最優(yōu)超平面，最大化間隔進(jìn)而實(shí)現(xiàn)分類的原理，如圖6所示。

圖6 SVM分類原理示意圖Fig.6 Principle of SVM Classification

（1）特征向量線性可分設(shè)超平面方程為：

式中：w—超平面的法向量；b—超平面的位移項(xiàng)。若yi=+1，則有

使得式（16）等式成立的樣本點(diǎn)稱為支持向量，而兩個(gè)異類支持向量到超平面的距離之和稱為間隔γ。

尋找使得間隔最大的最優(yōu)超平面，即尋找滿足式（16）約束的w和b，使得γ最大。

基于拉格朗日乘子法構(gòu)造出目標(biāo)函數(shù)，再通過序列最小優(yōu)化（SMO）求解得到，并最終確定最優(yōu)超平面為：

式中：w*—最優(yōu)拉格朗日乘子求得的法向量；—任意支持向量。

（2）特征向量非線性可分

在非線性可分的條件下，為緩解過于嚴(yán)苛的間隔限制，可以通過構(gòu)造軟間隔的方法來定義約束條件，即允許某些樣本不滿足約束式（16）。引入松弛變量ξi≥0，則目標(biāo)函數(shù)可化為：

式中：C—常數(shù)參數(shù)，可調(diào)節(jié)軟間隔的作用程度。求解上式可得到非線性二分類SVM模型的超平面方程。

（3）特征向量不可分

采用非線性空間變換φ將樣本映射到高維空間，使其在高維空間實(shí)現(xiàn)線性可分。式（18）可化為：

同理可求得最優(yōu)超平面，

3.2 基于SVM的力矩信號(hào)特征分類模型訓(xùn)練

建立以力矩信號(hào)的特征向量為輸入，開關(guān)柜是否合格為輸出的SVM 模型，尋找最優(yōu)超平面，最終得到合格性檢驗(yàn)判斷模型，訓(xùn)練該模型的算法流程，如圖7所示。

圖7 SVM模型訓(xùn)練流程圖Fig.7 Flow Chart of SVM Model Training

（1）采集數(shù)據(jù)樣本：為保證實(shí)驗(yàn)數(shù)據(jù)的準(zhǔn)確性，在實(shí)驗(yàn)過程中采用相同的起止點(diǎn)、運(yùn)行時(shí)間、采樣頻率，采集含突變信號(hào)和平穩(wěn)信號(hào)各10組。

（2）提取信號(hào)窗口特征：將信號(hào)窗口所對(duì)應(yīng)的特征向量作為SVM分類模型的輸入。

（3）編寫樣本標(biāo)簽：將正、負(fù)樣本標(biāo)簽分別記為1和-1。

（4）引入核函數(shù)：提取的力矩信號(hào)的有效特征屬于特征向量不可分，而高斯核函數(shù)可以把低維數(shù)據(jù)映射到高維數(shù)據(jù)，適用于線性不可分的復(fù)雜情況，因此，我們引入高斯核函數(shù)作為分類模型分離特征的方法。

（5）訓(xùn)練SVM 分類模型：通過提取7組力矩信號(hào)的特征，串聯(lián)形成的訓(xùn)練集特征，同時(shí)串聯(lián)形成的訓(xùn)練集標(biāo)簽。將訓(xùn)練集的特征以及相應(yīng)標(biāo)簽作為SVM模型的輸入，通過訓(xùn)練可得到所需要的SVM分類模型。

（6）驗(yàn)證測(cè)試集精度：為驗(yàn)證SVM分類模型的分類效果，將驗(yàn)證集特征和驗(yàn)證集標(biāo)簽輸入到模型中，輸出相應(yīng)的預(yù)測(cè)標(biāo)簽，通過對(duì)比預(yù)測(cè)標(biāo)簽和驗(yàn)證集標(biāo)簽，計(jì)算出SVM分類模型的精度。

3.3 基于訓(xùn)練后SVM模型的開關(guān)柜合格性檢驗(yàn)

將樣本輸入至該模型，當(dāng)識(shí)別為正樣本即正常信號(hào)時(shí)，算法繼續(xù)；當(dāng)識(shí)別為負(fù)樣本即異常信號(hào)時(shí)，產(chǎn)品不合格，如圖8所示。信號(hào)結(jié)束時(shí)，所識(shí)別樣本均為正樣本，則產(chǎn)品合格。

圖8 基于SVM分類模型的開關(guān)柜合格性檢測(cè)Fig.8 Switchgear Conformity Inspection Based on SVM Classification Model

4 開關(guān)柜質(zhì)量檢驗(yàn)實(shí)驗(yàn)及分析

4.1 質(zhì)量檢驗(yàn)實(shí)驗(yàn)平臺(tái)

為了驗(yàn)證所提出的基于力矩信號(hào)奇異性分析的開關(guān)柜合格性檢驗(yàn)算法的有效性和魯棒性，在本節(jié)分別進(jìn)行了無阻尼干擾檢測(cè)實(shí)驗(yàn)、阻尼干擾下的力矩奇異性特征分析算法與小波理論算法對(duì)比檢測(cè)實(shí)驗(yàn)。以供電局變電站內(nèi)使用的開關(guān)柜產(chǎn)品質(zhì)量檢驗(yàn)為研究背景，開關(guān)柜中斷路器小車在旋轉(zhuǎn)手柄將斷路器旋進(jìn)工作狀態(tài)時(shí)，如果出現(xiàn)卡阻、碰撞即判斷為產(chǎn)品不合格。作者將該小車的絲桿系統(tǒng)拆卸下來模擬搭建了測(cè)試實(shí)驗(yàn)平臺(tái)，該平臺(tái)的旋轉(zhuǎn)操作由安川機(jī)器人MH24完成，如圖9所示。由斷路器控制制動(dòng)器的啟停，從而提供隨機(jī)制動(dòng)力矩，由制動(dòng)力矩所產(chǎn)生的突變信號(hào)視為異常信號(hào)即產(chǎn)品不合格。

圖9 實(shí)驗(yàn)平臺(tái)及控制系統(tǒng)Fig.9 Experimental Platform and Control System

4.2 基于所提算法訓(xùn)練質(zhì)量檢驗(yàn)?zāi)Ｐ?/h3>

采集電機(jī)輸出力矩信號(hào)，如圖10所示。由于電機(jī)在啟停時(shí)會(huì)有一個(gè)短暫的加速過程，圖中A處力矩發(fā)生突變，該突變會(huì)引起整體統(tǒng)計(jì)信息的異常，因此須在此處對(duì)統(tǒng)計(jì)參數(shù)進(jìn)行初始化，即在啟停瞬間無法進(jìn)行檢測(cè)，時(shí)長(zhǎng)約為200ms。對(duì)電機(jī)輸出力矩信號(hào)進(jìn)行頻譜分析，如圖11（a）～圖11（b）所示。

圖10 無阻尼干擾時(shí)電機(jī)輸出力矩曲線Fig.10 Motor Output Torque Curve without Damping Interference

圖11 降噪前后力矩信號(hào)的頻率分布Fig.11 Frequency Distribution of Torque Signal Before and After Denoising

有用信號(hào)集中在低頻50Hz 以下，因此，對(duì)力矩信號(hào)進(jìn)行4層小波分解，并基于2.2.2節(jié)所述的小波閾值降噪算法對(duì)力矩信號(hào)進(jìn)行降噪處理，降噪后的力矩信號(hào)及頻譜如圖11（c）～圖11（d）所示。利用式（9）計(jì)算窗口的Lipschitz指數(shù)，提取力矩信號(hào)的相關(guān)數(shù)學(xué)特征構(gòu)成式（10）的向量形式。如圖12（b）所示，將信號(hào)分離的起始位置P視為突變起始位置，以該位置為突變起點(diǎn)將突變區(qū)域等分為三個(gè)區(qū)域A、B、C三個(gè)區(qū)域并繪制，如圖12（a）所示。由區(qū)域A 到B、C 算法的魯棒性逐漸減弱，但是響應(yīng)速度隨之加快，為同時(shí)兼顧算法的響應(yīng)速度和魯棒性，設(shè)定B區(qū)域?yàn)橥蛔冏R(shí)別的安全區(qū)域。因此，將含有B區(qū)域數(shù)據(jù)時(shí)的窗口作為負(fù)樣本，其它部分作為正樣本。

圖12 力矩信號(hào)突變處分區(qū)圖Fig.12 Partition of Torque Signal Mutation

利用2.2.3節(jié)中所述Fisher判別法對(duì)所選特征按判別指數(shù)大小進(jìn)行排序，排序結(jié)果，如表1所示。根據(jù)表1的結(jié)果，選擇奇異性指數(shù)的峰度kurα、最大值maxα以及力矩值得最大值maxWτ、最小值maxWτ、平均值meanWτ作為機(jī)器學(xué)習(xí)模型訓(xùn)練的征，得到新的特征向量為：

表1 力矩信號(hào)特征的Fisher分?jǐn)?shù)排序Tab.1 Fisher Fraction Ordering of Torque Signal Features

基于第3節(jié)中所述的SVM分類算法對(duì)篩選后的力矩信號(hào)特征進(jìn)行訓(xùn)練，得到產(chǎn)品質(zhì)量檢測(cè)模型。7次實(shí)驗(yàn)所得ni值，如表2所示。經(jīng)過測(cè)試，得到SVM分類驗(yàn)證集的精度為99.97%。

表2 ni值Tab.2 Value of ni

4.3 無阻尼干擾檢測(cè)

（1）開關(guān)柜合格性檢驗(yàn)機(jī)器人系統(tǒng)運(yùn)行時(shí)，不啟動(dòng)制動(dòng)器，得到電機(jī)輸出力矩曲線，如圖13所示。算法未識(shí)別到信號(hào)異常，產(chǎn)品質(zhì)量合格，識(shí)別正確。

圖13 無突變檢測(cè)Fig.13 No Mutation Detection

（2）開關(guān)柜合格性檢驗(yàn)機(jī)器人系統(tǒng)運(yùn)行時(shí)，隨機(jī)開啟制動(dòng)器，得到電機(jī)輸出力矩曲線，如圖14 所示。實(shí)際突變起始處為6110ms，識(shí)別位置為6137ms，延遲為27ms，設(shè)定識(shí)別區(qū)域?yàn)?137ms～6163ms，滿足要求，判定產(chǎn)品質(zhì)量不合格，識(shí)別正確。為保證算法的可靠性，分別連續(xù)進(jìn)行20次無阻尼干擾下的無突變檢測(cè)，均未發(fā)出警報(bào)、誤報(bào)率為0%。同樣的，突變檢測(cè)時(shí)，算法均能在27ms后30ms內(nèi)發(fā)出警報(bào)，識(shí)別點(diǎn)均在設(shè)定區(qū)域內(nèi)，準(zhǔn)確率達(dá)100%。

圖14 隨機(jī)突變檢測(cè)Fig.14 Random Mutation Detection

4.4 阻尼干擾下檢測(cè)

（1）開關(guān)柜合格性檢驗(yàn)機(jī)器人系統(tǒng)運(yùn)行時(shí)，隨機(jī)增加阻尼干擾，不啟動(dòng)制動(dòng)器。如圖15（a）所示。力矩奇異性特征分析算法未識(shí)別到信號(hào)異常，產(chǎn)品質(zhì)量合格，識(shí)別正確；小波理論算法識(shí)別到信號(hào)異常，產(chǎn)品質(zhì)量不合格，識(shí)別錯(cuò)誤，如圖15（b）所示。

圖15 阻尼干擾下無突變檢測(cè)Fig.15 Damping Interference No Mutation Detection

（2）開關(guān)柜合格性檢驗(yàn)機(jī)器人系統(tǒng)運(yùn)行時(shí)，隨機(jī)增加阻尼干擾，隨機(jī)啟動(dòng)制動(dòng)器，如圖16（a）所示。實(shí)際突變起始處為6650ms，識(shí)別位置為6677ms，延遲為27ms，設(shè)定識(shí)別區(qū)域?yàn)椋?677～6703）ms，滿足要求，判定產(chǎn)品質(zhì)量不合格，識(shí)別正確；如圖16（b）所示，受阻尼干擾影響，小波理論算法未能有效檢測(cè)突變區(qū)域，識(shí)別錯(cuò)誤。在阻尼干擾下，小波理論無法準(zhǔn)確的分辨出干擾信號(hào)和突變信號(hào)，相比之下，力矩奇異性特征分析算法依然能準(zhǔn)確的識(shí)別出突變處，其保證快速性的同時(shí)，魯棒性更強(qiáng)。

圖16 阻尼干擾下突變檢測(cè)Fig.16 Damping Interference Mutation Detection

5 結(jié)束語

（1）為改善人工對(duì)開關(guān)柜合格性檢驗(yàn)需要大量人力且效率低、準(zhǔn)確性差的缺陷，提出基于機(jī)器人的合格性檢驗(yàn)方案。該方案使用機(jī)器人對(duì)開關(guān)柜中絲桿作旋轉(zhuǎn)檢驗(yàn)，通過采集機(jī)器人末端第七軸的電機(jī)力矩信息，基于對(duì)該力矩信息的分析結(jié)果來判斷斷路器小車是否正常運(yùn)行進(jìn)而判斷開關(guān)柜合格與否。在檢驗(yàn)過程中，為系統(tǒng)能夠及時(shí)識(shí)別異常信號(hào)并迅速停機(jī)，減少對(duì)系統(tǒng)和產(chǎn)品的損傷，提出一種基于力矩信號(hào)奇異性分析的檢驗(yàn)算法。該算法基于產(chǎn)品的合格性與機(jī)器人第7軸上電機(jī)力矩信號(hào)的奇異性特征的相關(guān)性，采用滑窗迭代處理增加力矩信號(hào)特征元素，基于Fisher 判別法篩選出有效的力矩信號(hào)特征，并將該特征輸入到SVM分類器中訓(xùn)練出產(chǎn)品合格性分類模型，利用該模型即可實(shí)現(xiàn)對(duì)產(chǎn)品合格性的判別。（2）為驗(yàn)證力矩信號(hào)奇異性分析算法的可行性，搭建了檢測(cè)實(shí)驗(yàn)平臺(tái)，設(shè)計(jì)了兩組實(shí)驗(yàn)：無阻尼干擾檢測(cè)和阻尼干擾下檢測(cè)。實(shí)驗(yàn)結(jié)果表明，利用該算法進(jìn)行無突變檢測(cè)時(shí)，未產(chǎn)生誤報(bào)，準(zhǔn)確率達(dá)100%；進(jìn)行突變檢測(cè)時(shí)，識(shí)別率達(dá)100%，延遲均在（27～30）ms，所識(shí)別位置均落在設(shè)定區(qū)域內(nèi)。

在隨機(jī)阻尼干擾下，小波理論算法無法有效區(qū)分干擾和突變信號(hào)，導(dǎo)致產(chǎn)生誤報(bào)，而所提算法依然能有效進(jìn)行區(qū)分。較小波理論算法而言，所提算法在保證檢測(cè)準(zhǔn)確性的同時(shí)，魯棒性有明顯的提高。