论文速览 | IEEE INFOCOM 2023 | Rotation Speed Sensing with mmWave Radar | 基于毫米波雷达的高精度非接触式转速测量系统mRotate

论文速览 | IEEE INFOCOM 2023 | 基于毫米波雷达的速度旋转感知与测速系统 | High-Precision Non-Contact Rotational Speed Measurement System Based on Millimeter-Wave Radar

论文链接： https://ieeexplore.ieee.org/document/10229066

1 引言

旋转机械遍布工业生产与人们日常生活。工厂车间里的加工主轴至家用洗衣机的驱动电机等设备中均有应用。这些旋转部件的运转状况直接影响系统的整体效能与使用寿命。要实现对旋转机械状态的有效监控，则必须首先进行转速检测；犹如工程师通过检测机器转速来判断其运行状态。

然而，在常规转速测量方法中存在诸多不足之处。例如，在使用接触式的测速仪时必须直接与旋转轴保持接触状态，在操作过程中不仅增加了作业者的安全风险还可能对被测设备造成干扰。基于光学原理发展的光学测速仪虽然实现了无需接触的操作但在应用时仍面临一定的限制条件即对环境中的光照水平以及被测物体表面反光特性的敏感性要求较高如同在黑暗环境中难以准确识别物体一样当光线不足或者测试对象具有强反光特性时光学测速仪也会失灵而电磁感应式的测速装置虽然能够避免外界光源带来的干扰但其工作距离同样受到严格限制通常仅能达到10厘米以内的精度这对于很多工业生产场景显然是远远不够的

在应对一系列难题时,上海交通大学的研究团队开发出一种创新性解决方案——高精度无接触转速监测装置mRotate.该装置展现出极强的整体性能特征,可以在不受人员干扰的情况下执行各项任务,并能应对多种复杂工作场景.无论是车间光线不足的情况还是面对具有强反射特性的工作表面,在两种极端条件下都能保证精准测速任务顺利完成.

2 动机

研究团队开发mRotate系统的动机主要源于以下几个方面：

安全性需求：在工业场景中，各种旋转设备具有高速运行、高温作业或承受高压工作的特点。直接接触测量存在潜在危险。mRotate系统可在安全范围内完成对设备的非接触式监测，并显著降低了操作人员的风险。

适应性要求：多样化的工业环境下通常具备多变的光照条件以及不同种类的被测物体特性。传统的光学测速仪在复杂多变的工业环境下往往难以实现精确测量。毫米波雷达技术使得mRotate系统具备了应对各种复杂工业环境的能力

注意

对于精确度的要求，在众多精密制造领域中显得尤为重要。mRotate系统凭借独特的算法设计，在速度测量方面展现出卓越的准确性。

多样性需求 ：工业生产中存在不同尺寸、不同转速的旋转部件。mRotate系统通过巧妙的设计能够满足从小型电机到大型机床的各种测量场景的需求。

效率需求 ：在一些工业场景中，通常会面临多组件转速同步监测的需求。该系统具备多维度同步测量能力，并显著提升了测量效率。

这些动机引导研究团队研发出mRotate系统，并将其作为满足现代工业需求的全面解决方案。如同万能工具包一般, mRotate系统整合多种功能模块, 应对各类复杂的转速测量任务。

3 方法

mRotate系统的主功能主要依赖于毫米波雷达系统来进行非接触式转速监测；其运行机制可划分为若干个关键步骤；

3.1 数据采集

mRotate系统主要采用频率调制连续波(FMCW)雷达技术进行操作。其发射信号可被描述为：

ST x(t) = exp(j(2πfct + πLt^2))

其中，f_c是起始频率，L是调频斜率，t是时间。

该系统采用频率跳变机制以获取丰富的测量数据。类似于运用不同频段去探测旋转物体的动态变化情况，在每一个特定频段都能捕获独特的信号特征。具体而言，该系统通过生成一系列具有独特频率特性的信号C = \{1/T_i\}_{i\in[H]}来进行数据采集

3.2 特征提取

在完成原始ADC数据的采集后，在其中进行相关转速特征的识别与分析。

消除混叠(Aliasing Elimination, AE) ：

这类旋转设备（例如风扇）在信号传递过程中可能遇到混叠现象。该现象可能导致错误的周期估计。为了应对这一挑战，在系统设计中引入了chirp分解 和特征聚合 机制。

首先，将每个chirp分解为K个子chirp：

\{c_{k,j}\}_{k\in[K]} \leftarrow Decompose(s_{i,j})

然后，对每个子chirp进行Range-FFT操作，得到K个Range-FFT序列：

T_{k,j} \leftarrow Range-FFT(c_{k,j})

最后，通过特征聚合生成群和值(Group Sum Value, GSV)：

G_{b,j} \leftarrow \sum_{k=1}^K T_{k,j}[b]

这个过程类似于从各个不同的角度审视一个旋转的实体，并通过整合这些审视结果来减少单一视角所带来的误差。

旋转物体发现(Rotating Object Discovery, ROD) ：

在复杂环境中，雷达接收到的信号可能含有多种反射体的数据。ROD机制的目标是从这些数据中识别出真正的旋转物体。其基本原理是基于旋转物体反射信号的规律性特点。

该系统将计算每个距离bin对应的GSV序列的自相关。随后识别出具有显著周期性峰值的自相关序列中的一个特定距离bin，则对应于旋转物体的位置。

q \leftarrow \arg\max_{b\in[B]} v_b

其中，v_b是第b个距离bin的自相关序列的最大值。

3.3 转速搜索

在检测到特征提取模块输出的IFP（Index of First Peak）值后，系统将采用一种高度优化的算法计算机制来精确计算出旋转速度。整个流程可类比为解决一个高度非线性方程组问题。

基于理论推导，IFP值p_i与涉及的啁啾信号的生成频率1/T_i以及旋转周期T具有以下关系。

p_iT_i = m_iT, \forall i \in [H]

其中，m_i是未知数的一个正整数值。系统的任务就是旨在寻找一个合适的 T 值以最佳地适应所有的观测结果。

具体的搜索算法如下：

确定搜索空间：T \in \{DT_i/m\}_{m\in[D]}，其中D = \min_{i\in[H]} p_i。

对每个候选的T值，进行两轮检查：

• IFP检测：通过四舍五入的方式计算出r'_j，并验证其与p_j的最大公约数是否为1。

• 满意度检测：首先确定每个分量之间的差异绝对值之和即为w的具体数值。

  • 其中每个分量r'_j被定义为将p_i乘以其对应的t_i后除以总时间T的结果。

选择具有最小w值的T作为最终的旋转周期估计。

这个过程类似于一个调查人员，在收集和分析各种观测结果的基础上推断出最可能的结论（旋转周期）。

4 实验和结果

研究团队展开了大规模的实验以全面评估mRotate系统的性能指标。在实验室设置与实际工业场景中进行测试。

4.1 实验室测试

精度测试 ：
在1至2 300 rpm的速度区间内划分了25个转速等级进行测试。测试结果表明，在商用激光测速仪的平均绝对百分比误差（MAPE）为 0.39%的情况下，本系统（MAPE 为 0.24%）的测量精度提高了约 76%，即降低了约 38%.

测量距离测试 ：
在距离范围从0.5米至2.5米之间实施测试。结果显示，在2.5米远的距离处仍可维持高精度水平。所有测量记录的绝对百分比误差(APE)均不超过0.21%。

中心对称物体测试：
采用六叶风扇装置进行测试实验。实验结果表明，在启用消除混叠(EliminateAliasing)机制后，系统在所有测量点上的旋转误差均达到0.24%以下水平。

小尺寸物体测试 ：
对直径仅为5毫米的电机轴进行了检测分析。在高转速运行状态（达到12500rpm时），mRotate系统的APE值仅为0.34%。

4.2 现场测试

数控加工中心测试 ：
在1000转每分钟至5000转每分钟的速度区间内执行测试任务。实验结果表明，在mRotate系统下所有五个测速等级上的测量精度指标（APE）全部达到不大于千分之一百分比的要求。

多物体同时测量测试 ：
同步监测两台车床主轴转速参数。测试结果显示，在线分析系统成功实现了对两个对象转速参数的同步采集与分析功能。实验数据显示该系统在处理双工况时仍能保持稳定输出，在测得值的最大偏差率低于0.8%的基础上实现了精确计算功能

这些实验结果全面证实了mRotate系统无论是在何种条件下都能保持极高的精度水平以及极强的适应能力。如同万能选手，在任何一个领域或场景中都能展现出卓越的能力

5 不足和未来展望

尽管mRotate系统展现出了优秀的性能，但仍存在一些可以改进的方向：

抗干扰能力：在复杂的工业环境中, 可能存在其他电磁干涉源. 未来可以考虑引入更强大的信号处理算法以提高系统的抗干扰能力.

测量范围扩展：当前系统在2.5米范围内运行正常，在一些大型设备上可能需要进一步增大的测量距离。展望未来，在优化雷达硬件配置和改进算法的基础上提升测量范围将是可行的方向。

实时性能：论文中未对系统的实时性能进行详尽探讨。对于一些特定的应用场景而言，在这种情况下实现实时转速监控可能是必要的。

全面多维度参数联测技术：不仅限于转速，在分析机械运转状态时还应关注其运行状态的关键指标包括振动频率、温升等其他重要参数。这一技术路线为后续研究提供可行的技术路径。

智能诊断 ：目前系统主要依赖转速数据作为分析依据。展望未来可以通过整合机器学习技术和专家知识来构建一个智能化诊断系统，并以转速数据为依据实现自主检测并发出潜在故障警报。

尽管mRotate系统已成功实现非接触式测量技术的应用，在小型设备领域仍面临诸多挑战：进一步减小尺寸并优化体积配置是提升其适应性的重要方向：该技术方案不仅有助于扩大应用场景范围：还能够显著提升系统的便携性与实用性：为后续研究工作奠定了理论基础与技术储备

多传感器协同工作：通过将毫米波雷达与红外热像仪、加速度传感器等其他类型传感器协同工作的方式进行信息整合与分析处理, 可能有助于实现更加全面的机械状态监测能力. 未来值得进一步探索如何优化现有技术框架以提升整体性能水平

材料适应性研究：每个材料的旋转装置都可能对毫米波雷达信号产生独特的反射效果。未来值得进一步探究多种材料的作用，并改进算法设计以满足更多实际需求。

能量优化管理：对于那些需要长时间持续监测的场景而言，在关注系统的能量消耗方面具有重要意义。未来研究的方向在于，在确保测量精度的前提下实现能量消耗的降低，并可能通过采用智能工作模式切换或者采用低功耗硬件设计来实现这一目标。

环境适应性提升：尽管mRotate系统已显示出良好的环境适应性水平，在高温、高湿及高粉尘等极端环境中其性能仍需持续进行测试与改进。

这些改进方向被视为构建未来蓝图的战略方向，在为mRotate系统指明更加全面、智能与实用的发展路径的同时，我们看到了这一系统在性能上仍有提升空间，并期待其在未来能够持续追求卓越的进步。

6 总结

该系统从提出到实现经历了多项创新性设计与优化工作，并在应用中取得了显著成效。在旋转机械的转速测量领域中，它通过巧妙整合先进的毫米波雷达技术优势，在有效规避传统测速方法局限性的同时，确保了测量的安全性、精确度以及适应各种复杂工况的能力。

这个系统的主要贡献可以总结为以下几点：

新型测量方法：基于毫米波雷达系统的高灵敏度特性，成功检测了旋转物体表面微小形变。

创新性突出的信号处理算法：通过科学的chirp分解和特征聚合方式，在理论上和实验中均证明了该方法的有效性。

智能型目标识别系统：基于上述特征提取原理，在旋转物体反射信号的基础上进行分析研究，并被旋转物体反射信号所呈现的周期性变化所驱动。通过建立相应的数学模型，在这一动态过程中实现对特定类别的目标物体进行精准的识别和分类。

多样化的测量方案：通过频率跳跃的方式，在多方位的数据采集下提升了测量系统的准确性与可靠性。

实验室与现场的实际性能表现 ：经过系统测试与实际应用验证，在多个关键指标上均展现出显著的优势与可靠性

mRotate系统的顺利完成不仅带来了工业领域转速测量的新方法，并且在应用毫米波雷达技术方面积累了宝贵的经验与研究启发