DOI: https://doi.org/10.1007/s40747-025-01915-8
تاريخ النشر: 2025-05-08
المؤلف: Riyadh Nazar Ali Algburi وآخرون
الموضوع الرئيسي: الخوارزميات الإحصائية والعددية
نظرة عامة
تقدم هذه البحث طريقة جديدة لتشخيص الأعطال للروبوتات الصناعية التي تدمج تقنيتين رئيسيتين: الأولويات الهرمية هايبر-لابلاسيان (HHLP) وتحليل الطيف الفردي (SSA). تقوم طريقة SSA بتفكيك إشارات المشفر إلى ثلاثة مكونات متميزة—المتبقيات، والتذبذبات الدورية، والاتجاهات—بينما يتفوق خوارزم HHLP في تحديد التداخل التوافقي، والنبضات الدورية، والضوضاء من خلال أقصى احتمالات خلفية. تظهر طريقة SSA-HHLP المقترحة دقة متفوقة مقارنةً بالنماذج التقليدية للأولويات اللابلاسيانية وتتفوق على التقنيات الحالية، مثل النماذج النادرة المعتمدة على الكورتوز والوزن، خاصة في السيناريوهات التي تحتوي على تلوث من القيم الشاذة المنخفضة والعالية.
تخلص الدراسة إلى أن الجمع بين SSA و HHLP فعال في تشخيص الأعطال في الروبوتات الصناعية، مستفيدة من نهج أقصى احتمالية خلفية. تكشف التحليلات أن المعاملات المستمدة من عملية التحويل القائمة على عتبة الموجة (TQWT) تتماشى بشكل أقرب مع الأولويات الهايبر-لابلاسيانية مقارنةً بتنظيم L1-norm. تثبت طريقة HHLP، خاصة مع إعداد المعاملات \( p = \frac{1}{2} \)، فعاليتها في التمييز بين التداخل التوافقي والضوضاء النبضية. ستركز الأبحاث المستقبلية على استكشاف تحولات متنوعة لتحسين استخراج خصائص الأعطال وستؤكد على قابلية تطبيق الطريقة في البيئات الصناعية الديناميكية، مع دمج المراقبة في الوقت الحقيقي وأجهزة الاستشعار عالية الجودة لضمان الموثوقية في التطبيقات العملية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الدور الحاسم للروبوتات الصناعية في مختلف القطاعات، وخاصة في البيئات المعرضة للأعطال الميكانيكية التي يمكن أن تؤثر بشكل كبير على الموثوقية والسلامة وتوافر العمليات. مع تطور الروبوتات الصناعية، زادت تعقيدات تشخيص الأعطال، مما يتطلب تقنيات متقدمة لمراقبة الحالة. تناقش الورقة طرق التشخيص المختلفة، بما في ذلك التشخيص القائم على الاهتزاز، وتحليل الزمن-التردد (TFA)، والرنين العشوائي (SR)، مشيرةً إلى قيودها في التعامل مع الإشارات الضعيفة والضوضاء. تؤكد على أهمية الكشف الدقيق عن النبضات الدورية والتداخل التوافقي، والتي تتواجد بشكل شائع في البيئات الصناعية.
لمعالجة هذه التحديات، تقترح الدراسة نهجًا جديدًا يجمع بين تحليل الطيف الفردي (SSA) والأولويات الهرمية هايبر-لابلاسيان (HHLP) لتشخيص الأعطال في الروبوتات الصناعية. يقوم SSA بتفكيك الإشارات إلى اتجاه، وتذبذبات دورية، ومتبقيات، معزولًا العيوب الميكانيكية. يعزز HHLP ذلك من خلال استخراج ميزات محددة للأعطال من خلال نماذج بايزي، مما يحسن الحساسية والصلابة في البيئات المليئة بالضوضاء. توضح الورقة المساهمات الرئيسية، بما في ذلك تطبيق نظرية بايزي لتحسين عملية تنظيم L1-norm وتقديم مؤشر جديد، وهو كورتوز طيف الغلاف المربع (SESK)، لتحسين توصيف الأعطال. يتم تفصيل المنهجية والتحقق من صحة هذا النهج في الأقسام اللاحقة، مما يعد بتحسينات في دقة اكتشاف الأعطال للروبوتات الصناعية.
نقاش
تتناول قسم النقاش طريقة تحليل الطيف الفردي (SSA)، التي تُستخدم لتفكيك بيانات السلاسل الزمنية إلى مكونات متميزة، بما في ذلك العناصر شبه الدورية، والدورية، والضوضاء، والعناصر الاتجاهية. تتكون عملية SSA من أربع خطوات رئيسية: الإدماج، وتحليل القيمة الفردية (SVD)، والتجميع، ومتوسط القطر. تحول خطوة الإدماج إشارة المشفر إلى مصفوفة مسار، بينما يساعد SVD في تحديد القيم الذاتية والمتجهات الذاتية التي تصف هيكل الإشارة. تقيم مرحلة التجميع الدورية وتنظم الثلاثيات الذاتية، والتي تعتبر أساسية للتمييز بين الضوضاء وميزات الإشارة الهامة. يعزز إدخال الأولويات الهرمية هايبر-لابلاسيان (HHLP) من SSA من خلال فصل المكونات الدورية عن الضوضاء بشكل فعال، مما يحسن اكتشاف الأعطال في الأنظمة الصناعية.
يناقش القسم أيضًا تطبيق تنظيم L1-norm ضمن إطار بايزي لعزل ميزات الإشارة المفيدة عن الضوضاء. يتم تحقيق ذلك من خلال طرق مثل Lasso وBasis Pursuit Denoising، التي تحسن إعادة بناء الإشارة مع تقليل تداخل الضوضاء. يتم تسليط الضوء على خوارزمية الانكماش-العتبة التكرارية (ISTA) كأداة تحسين رئيسية لحل مشكلة التنظيم. علاوة على ذلك، تؤكد الأبحاث على أهمية استخدام الأولويات الهايبر-لابلاسيانية لنمذجة توزيع المعاملات بشكل أفضل في وجود مكونات نبضية وتوافقية، وهو أمر حاسم لتشخيص الأعطال بدقة في البيئات المليئة بالضوضاء. تهدف المنهجيات المقترحة إلى تعزيز صلابة اكتشاف الأعطال في الروبوتات الصناعية، خاصةً تحت ظروف التشغيل المتغيرة.
DOI: https://doi.org/10.1007/s40747-025-01915-8
Publication Date: 2025-05-08
Author(s): Riyadh Nazar Ali Algburi et al.
Primary Topic: Statistical and numerical algorithms
Overview
This research presents a novel fault diagnosis method for industrial robots that integrates two key techniques: hierarchical hyper-Laplacian prior (HHLP) and singular spectrum analysis (SSA). The SSA method effectively decomposes encoder signals into three distinct components—residuals, periodic oscillations, and trends—while the HHLP algorithm excels in identifying harmonic interference, periodic impulses, and noise through maximal posterior probabilities. The proposed SSA-HHLP method demonstrates superior accuracy compared to traditional Laplacian prior models and outperforms existing techniques, such as kurtosis-based weighted sparse prototypes and spectral kurtosis, particularly in scenarios with both low and high outlier contamination.
The study concludes that the combination of SSA and HHLP is effective for diagnosing faults in industrial robots, leveraging a maximum a posteriori approach. The analysis reveals that the coefficients derived from the transform-based wavelet thresholding (TQWT) align more closely with a hyper-Laplacian prior than with L1-norm regularization. The HHLP method, particularly with a parameter setting of \( p = \frac{1}{2} \), proves to be efficient in distinguishing between harmonic interference and impulsive noise. Future research will focus on exploring various transformations to optimize fault characteristic extraction and will emphasize the method’s applicability in dynamic industrial environments, incorporating real-time monitoring and high-quality sensors to ensure reliability in practical applications.
Introduction
The introduction of this research paper highlights the critical role of industrial robots in various sectors, particularly in environments prone to mechanical faults that can significantly impact reliability, safety, and operational availability. As industrial robots evolve, the complexity of diagnosing faults has increased, necessitating advanced condition monitoring technologies. The paper discusses various diagnostic methods, including vibration-based diagnostics, Time-Frequency Analysis (TFA), and Stochastic Resonance (SR), noting their limitations in handling weak signals and noise. It emphasizes the importance of accurately detecting cyclic impulses and harmonic interference, which are prevalent in industrial settings.
To address these challenges, the study proposes a novel approach that combines Singular Spectrum Analysis (SSA) and Hierarchical Hyper-Laplacian Priors (HHLP) for fault diagnosis in industrial robots. SSA effectively decomposes signals into trend, periodic oscillations, and residuals, isolating mechanical defects. HHLP enhances this by extracting sparse fault-specific features through Bayesian models, improving sensitivity and robustness in noisy environments. The paper outlines key contributions, including the application of Bayesian theory to refine the L1-norm regularization process and the introduction of a new index, squared envelope spectrum kurtosis (SESK), for better fault characterization. The methodology and validation of this approach are detailed in subsequent sections, promising advancements in fault detection accuracy for industrial robots.
Discussion
The discussion section elaborates on the Singular Spectrum Analysis (SSA) method, which is employed to decompose time series data into distinct components, including quasi-periodic, periodic, noise, and trend elements. The SSA process consists of four main steps: embedding, singular value decomposition (SVD), grouping, and diagonal averaging. The embedding step transforms the encoder signal into a trajectory matrix, while SVD helps in identifying the eigenvalues and eigenvectors that characterize the signal’s structure. The grouping phase evaluates periodicity and organizes eigentriples, which are essential for distinguishing between noise and significant signal features. The introduction of the Hierarchical Hyper-Laplacian Prior (HHLP) enhances the SSA by effectively separating periodic components from noise, thereby improving fault detection in industrial systems.
The section also discusses the application of L1-norm regularization within a Bayesian framework to isolate useful signal features from noise. This is achieved through methods such as Lasso and Basis Pursuit Denoising, which optimize the reconstruction of the signal while minimizing noise interference. The iterative shrinkage-thresholding algorithm (ISTA) is highlighted as a key optimization technique for solving the regularization problem. Furthermore, the research emphasizes the importance of using a hyper-Laplacian prior to better model the distribution of coefficients in the presence of impulsive and harmonic components, which is critical for accurate fault diagnosis in noisy environments. The proposed methodologies aim to enhance the robustness of fault detection in industrial robots, particularly under varying operational conditions.