CN107306239A - 基于最小均方算法的堆垛机消噪方法 - Google Patents

基于最小均方算法的堆垛机消噪方法 Download PDF

Info

Publication number
CN107306239A
CN107306239A CN201710572272.2A CN201710572272A CN107306239A CN 107306239 A CN107306239 A CN 107306239A CN 201710572272 A CN201710572272 A CN 201710572272A CN 107306239 A CN107306239 A CN 107306239A
Authority
CN
China
Prior art keywords
piler
noise
weight coefficient
signal
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710572272.2A
Other languages
English (en)
Other versions
CN107306239B (zh
Inventor
范洁
彭楚宁
蔡奇新
苏慧玲
高雨翔
宋瑞鹏
邵雪松
季欣荣
金萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201710572272.2A priority Critical patent/CN107306239B/zh
Publication of CN107306239A publication Critical patent/CN107306239A/zh
Application granted granted Critical
Publication of CN107306239B publication Critical patent/CN107306239B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • H04L25/03012—Arrangements for removing intersymbol interference operating in the time domain
    • H04L25/03019—Arrangements for removing intersymbol interference operating in the time domain adaptive, i.e. capable of adjustment during data reception
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • H04L2025/03433—Arrangements for removing intersymbol interference characterised by equaliser structure
    • H04L2025/03439—Fixed structures
    • H04L2025/03445—Time domain
    • H04L2025/03471—Tapped delay lines
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • H04L2025/03592—Adaptation methods
    • H04L2025/03598—Algorithms
    • H04L2025/03611—Iterative algorithms
    • H04L2025/03636—Algorithms using least mean square [LMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Feedback Control In General (AREA)
  • Filters That Use Time-Delay Elements (AREA)

Abstract

本发明公开了一种基于最小均方算法的堆垛机消噪方法，包括最优均衡器参数的初始化；最优均衡器参数的训练；通过训练后的最优均衡器，均衡堆垛机的噪声信号，能够用于堆垛机噪声的消除，通过最小均方算法，在训练阶段，自适应地调整权系数，从而形成在稳定工作阶段的最佳滤波形态，完成堆垛机的精准化消噪，为高效滤波方法，既保证了算法的快收敛性又保证了算法的稳定性，能可靠地滤除堆垛机噪声，具有良好的应用前景。

Description

基于最小均方算法的堆垛机消噪方法
技术领域
本发明涉及自动化立体仓库(ASRS)设备技术领域，具体涉及一种基于最小均方算法的堆垛机消噪方法。
背景技术
自动化立体仓库(ASRS)作为现代物流的核心技术之一，受到了各类企业的普遍关注，广泛应用于烟草、医药、服装、食品的生产系统及流通领域中。随着生产精益化要求的不断提高，物流系统的设备噪声问题逐渐为人们所重视。自动化立体仓库中噪声主要来自作业设备，包括输送机、堆垛机、搬运车辆等。其中，堆垛机因结构尺寸大、传动系统复杂，特别是变频技术的应用，运行速度得以快速提高，而随之暴露出来的噪声问题也越来越严重。因而，解决堆垛机的噪声问题是整个自动化物流系统的降噪关键，据有关数据和研究显示，堆垛机的高频噪声占整个自动化立体仓库噪声的70％以上。但是，目前有关于堆垛机噪声源和降噪措施的研究仍处于初级阶段。
随着近年来自动化立体仓库使用迅速增加，堆垛机作为其中最重要组成部分，堆垛机在工作状态产生的噪声，影响人们的正常生活和工作，因此，如何有效地消除和抑制堆垛机噪声已成为一个热门的研究课题。
国外一些大型电力堆垛机制造公司和相关研究机构对堆垛机噪声问题进行了大量研究，研究方向主要涉及到堆垛机噪声和声学特性、振动机理、降噪方法和措施等。国内对堆垛机噪声抑制方面的研究相对滞后于国外，研究工作主要集中在堆垛机噪声机理以及控制，定性分析和实践经验总结方面。随着测试技术和计算机辅助分析的发展，国内有些学者从测试堆垛机噪声振动频谱方面进行分析，还有利用有限元技术分析堆垛机噪声机理。
自适应噪声抵消技术是一种能够消除背景噪声影响的信号处理技术。应用自适应噪声抵消技术，可在未知外界干扰源特征、传递途径不断变化、背景噪声和被测对象信号相似的情况下，有效地消除外界噪声的干扰，因此，它具有较好的应用前景。但是，目前，采用自适应噪声抵消技术对堆垛机噪声进行抑制的相关研究较少，大多是针对生产工艺、使用材料等方面进行堆垛机噪声的抑制。
针对上述的问题，如何利用自适应噪声抵消技术，对堆垛机噪声进行抑制，是当前需要解决的问题。
发明内容
本发明的目的是克服现有的自动化立体仓库内堆垛机噪声过大，影响人们的正常生活和工作的问题。本发明的基于最小均方算法的堆垛机消噪方法，LMS算法复杂度较低，稳定性较好，算法性能好，编码易实现仿真，模块化强，具有相对独立性，通过该方法既保证了算法的快收敛性又保证了算法的稳定性，能可靠地滤除堆垛机的噪声，具有良好的应用前景。
为了达到上述目的，本发明所采用的技术方案是：
一种基于最小均方算法的堆垛机消噪方法，其特征在于：包括以下步骤，
步骤(A)，均衡器参数的初始化；
步骤(B)，均衡器参数的训练，得到最优均衡器；
在均衡器参数初始化过后，进行训练，完成权系数的训练和更新，使得最优均衡器的权系数达到最佳，误差信号最小，训练阶段采用最小均方算法更新权系数至最新；
步骤(C)，通过训练后的最优均衡器，均衡堆垛机的噪声信号。
前述的基于最小均方算法的堆垛机消噪方法，其特征在于：步骤 (A)，均衡器参数的初始化，均衡器的抽头系数长度为L，训练数据个数为n，误差信号为e(n)、期望信号为d(n),权系数w(n)的步长因子 u,并初始化该最优均衡器的权系数w(n)＝[0 0 0....0]。
前述的基于最小均方算法的堆垛机消噪方法，其特征在于：步骤 (B)，训练阶段采用最小均方算法更新权系数至最新，包括以下步骤，
(B1)，设定权系数w(n)的步长因子为u，抽头个数为L,且权系数W(n)＝[0 0 0…0]；
(B2)，根据公式(1)和公式(2)，训练权系数W(n)到最佳权系数W1(n)，
e(n)＝d(n)-W(n)Tx(n) (1)
W1(n)＝W(n-1)+ux(n)e(n) (2)
其中，W(n)T表示权系数矩阵的转置；x(n)表示输入信号；当 n＝n+1，更新公式(1)和公式(2)，直到误差信号e(n)的值小于阈值，得到最佳权系数W1(n)。
前述的基于最小均方算法的堆垛机消噪方法，其特征在于：所述阈值为10-3。前述的基于最小均方算法的堆垛机消噪方法，其特征在于：步骤(C)，通过训练后的最优均衡器，均衡堆垛机的噪声信号，包括以下步骤，
(C1)，设定堆垛机的振动信号为S，叠加噪声后的信号为X；
(C2)，均衡器的权系数W(n)在经过训练过后，性能达到最佳滤波状态的最佳权系数W1(n)，利用此时的最佳权系数W1(n)对叠加噪声过后的信号X进行均衡除噪；
(C3)，计算此时的误差信号，均衡后的信号Y＝X*W1(n)T，其中， W1(n)T为最佳权系数的转置；
(C4)，对比堆垛机振动信号S,叠加噪声后的信号为X及均衡后的信号Y三者，得到通过训练后的最优均衡器对堆垛机消噪效果。
前述的基于最小均方算法的堆垛机消噪方法，其特征在于：所述步长因子u为0.0015。
本发明的有益效果是：本发明的基于最小均方算法(LMS)的堆垛机消噪方法，用于堆垛机噪声的消除，通过最小均方算法，在训练阶段，自适应地调整权系数，从而形成在稳定工作阶段的最佳滤波形态，完成堆垛机的精准化消噪，本发明为高效滤波方法，既保证了算法的快收敛性又保证了算法的稳定性，能可靠地滤除堆垛机噪声，并具有以下特点：
(1)算法性能好：LMS算法复杂度较低，稳定性较好，算法性能好；
(2)编码易实现仿真：利用MATLAB做仿真较为容易，编码简单；
(3)模块化强，均衡器的设置具有相对独立性。
(4)训练阶段采用LMS算法训练均衡器的权系数，采用最佳权系数进行用户数据均衡，两阶段不相互依赖，两部分具有较强的可模块化，可移植，可改变，较独立。
附图说明
图1是本发明的基于最小均方算法的堆垛机消噪方法的流程图；
图2是本发明的最优均衡器参数的训练的流程图；
图3是本发明的最优均衡器参数误差的曲线图；
图4是本发明通过训练后的最优均衡器对堆垛机消噪效果的示意图。
具体实施方式
下面将结合说明书附图，对本发明作进一步的说明。
如图1所示，本发明的基于最小均方算法的堆垛机消噪方法，包括以下步骤，
步骤(A)，均衡器参数的初始化
均衡器参数的初始化，均衡器的抽头系数长度为L，训练数据个数为n，误差信号为e(n)、期望信号为d(n),权系数w(n)的步长因子u, 并初始化该最优均衡器的权系数w(n)＝[0 0 0....0]，步长因子u优选为0.0015；
步骤(B)，最优均衡器参数的训练
在最优均衡器参数初始化过后，进行训练，完成权系数的训练和更新，这里每次可取30个训练数据，使得最优均衡器的权系数达到最佳，误差信号最小，训练阶段采用最小均方算法更新权系数至最新，如图2所示，包括以下步骤，
(B1)，设定权系数的步长因子为u，且权系数W(n)＝[0 0 0…0]；
(B2)，根据公式(1)和公式(2)，训练权系数W(n)到最佳权系数W1(n)，
e(n)＝d(n)-W(n)Tx(n) (1)
W1(n)＝W(n-1)+ux(n)e(n) (2)
其中，W(n)T表示权系数矩阵的转置；x(n)表示均衡器输入信号；当n＝n+1，更新公式(1)和公式(2)，直到误差信号e(n)的值小于阈值，得到最佳权系数W1(n)，阈值优选为10-3。
步骤(C)，通过训练后的最优均衡器，均衡堆垛机的噪声信号，包括以下步骤，
(C1)，设定堆垛机的振动信号为S，叠加噪声后的信号为X；
(C2)，最优均衡器的权系数w(n)在经过训练过后，性能达到最佳滤波状态的最佳权系数w1(n)，利用此时的最佳权系数w1(n)对叠加噪声过后的信号X进行均衡除噪；
(C3)，计算此时的误差信号，均衡后的信号Y＝X*W1(n)T，其中， W1(n)T为最佳权系数的转置；
(C4)，对比堆垛机振动信号S,叠加噪声后的信号为X及均衡后的信号Y三者，得到通过训练后的最优均衡器对堆垛机消噪效果，如图4所示，通过本发明的基于最小均方算法(LMS)的堆垛机消噪方法，可以有效滤除堆垛机中噪声，此方法既收敛性较快，稳定性又较高。
综上所述，本发明的基于最小均方算法(LMS)的堆垛机消噪方法，用于堆垛机噪声的消除，通过最小均方算法，在训练阶段，自适应地调整权系数，从而形成在稳定工作阶段的最佳滤波形态，完成堆垛机的精准化消噪，本发明为高效滤波方法，既保证了算法的快收敛性又保证了算法的稳定性，能可靠地滤除堆垛机噪声，并具有以下特点：
(1)算法性能好：LMS算法复杂度较低，稳定性较好，算法性能好；
(2)编码易实现仿真：利用MATLAB做仿真较为容易，编码简单；
(3)模块化强，均衡器的设置具有相对独立性。
(4)训练阶段采用LMS算法训练均衡器的权系数，采用最佳权系数进行用户数据均衡，两阶段不相互依赖，两部分具有较强的可模块化，可移植，可改变，较独立。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.基于最小均方算法的堆垛机消噪方法，其特征在于：包括以下步骤，
步骤(A)，均衡器参数的初始化；
步骤(B)，均衡器参数的训练，得到最优均衡器；
在均衡器参数初始化过后，进行训练，完成权系数的训练和更新，使得最优均衡器的权系数达到最佳，误差信号最小，训练阶段采用最小均方算法更新权系数至最新；
步骤(C)，通过训练后的最优均衡器，均衡堆垛机的噪声信号。
2.根据权利要求1所述的基于最小均方算法的堆垛机消噪方法，其特征在于：步骤(A)，均衡器参数的初始化，均衡器的抽头系数长度为L，训练数据个数为n，误差信号为e(n)、期望信号为d(n),权系数w(n)的步长因子u,并初始化该最优均衡器的权系数w(n)＝[0 00....0]。
3.根据权利权利要求2所述的基于最小均方算法的堆垛机消噪方法，其特征在于：步骤(B)，训练阶段采用最小均方算法更新权系数至最新，包括以下步骤，
(B1)，设定权系数w(n)的步长因子为u，抽头个数为L,且权系数W(n)＝[0 0 0…0]；
(B2)，根据公式(1)和公式(2)，训练权系数W(n)到最佳权系数W1(n)，
e(n)＝d(n)-W(n)Tx(n) (1)
W1(n)＝W(n-1)+ux(n)e(n) (2)
其中，W(n)T表示权系数矩阵的转置；x(n)表示输入信号；当n＝n+1，更新公式(1)和公式(2)，直到误差信号e(n)的值小于阈值，得到最佳权系数W1(n)。
4.根据权利权利要求3所述的基于最小均方算法的堆垛机消噪方法，其特征在于：所述阈值为10-3。
5.根据权利权利要求1所述的基于最小均方算法的堆垛机消噪方法，其特征在于：步骤(C)，通过训练后的最优均衡器，均衡堆垛机的噪声信号，包括以下步骤，
(C1)，设定堆垛机的振动信号为S，叠加噪声后的信号为X；
(C2)，均衡器的权系数W(n)在经过训练过后，性能达到最佳滤波状态的最佳权系数W1(n)，利用此时的最佳权系数W1(n)对叠加噪声过后的信号X进行均衡除噪；
(C3)，计算此时的误差信号，均衡后的信号Y＝X*W1(n)T，其中，W1(n)T为最佳权系数的转置；
(C4)，对比堆垛机振动信号S，叠加噪声后的信号为X及均衡后的信号Y三者，得到通过训练后的最优均衡器对堆垛机消噪效果。
6.根据权利权利要求2所述的基于最小均方算法的堆垛机消噪方法，其特征在于：所述步长因子u为0.0015。
CN201710572272.2A 2017-07-13 2017-07-13 基于最小均方算法的堆垛机消噪方法 Active CN107306239B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710572272.2A CN107306239B (zh) 2017-07-13 2017-07-13 基于最小均方算法的堆垛机消噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710572272.2A CN107306239B (zh) 2017-07-13 2017-07-13 基于最小均方算法的堆垛机消噪方法

Publications (2)

Publication Number Publication Date
CN107306239A true CN107306239A (zh) 2017-10-31
CN107306239B CN107306239B (zh) 2020-05-22

Family

ID=60151119

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710572272.2A Active CN107306239B (zh) 2017-07-13 2017-07-13 基于最小均方算法的堆垛机消噪方法

Country Status (1)

Country Link
CN (1) CN107306239B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108156551A (zh) * 2018-02-09 2018-06-12 会听声学科技（北京）有限公司 主动降噪系统、主动降噪耳机及主动降噪方法
CN110232905A (zh) * 2019-06-12 2019-09-13 会听声学科技（北京）有限公司 上行降噪方法、装置和电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1573916A (zh) * 2003-06-17 2005-02-02 本田技研工业株式会社 主动振动噪声控制装置
CN101552939A (zh) * 2009-05-13 2009-10-07 吉林大学 车内声品质自适应主动控制系统和方法
US20100284546A1 (en) * 2005-08-18 2010-11-11 Debrunner Victor Active noise control algorithm that requires no secondary path identification based on the SPR property
CN104104631A (zh) * 2014-07-18 2014-10-15 中国人民解放军军械工程学院 一种频域块最小均方自适应消噪实现方法
CN104956435A (zh) * 2013-01-28 2015-09-30 松下知识产权经营株式会社 有源降噪装置和利用其的设备、以及有源型降噪方法
CN206282607U (zh) * 2016-08-16 2017-06-27 青岛歌尔声学科技有限公司 一种汽车主动降噪系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1573916A (zh) * 2003-06-17 2005-02-02 本田技研工业株式会社 主动振动噪声控制装置
US20100284546A1 (en) * 2005-08-18 2010-11-11 Debrunner Victor Active noise control algorithm that requires no secondary path identification based on the SPR property
CN101552939A (zh) * 2009-05-13 2009-10-07 吉林大学 车内声品质自适应主动控制系统和方法
CN104956435A (zh) * 2013-01-28 2015-09-30 松下知识产权经营株式会社 有源降噪装置和利用其的设备、以及有源型降噪方法
CN104104631A (zh) * 2014-07-18 2014-10-15 中国人民解放军军械工程学院 一种频域块最小均方自适应消噪实现方法
CN206282607U (zh) * 2016-08-16 2017-06-27 青岛歌尔声学科技有限公司 一种汽车主动降噪系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108156551A (zh) * 2018-02-09 2018-06-12 会听声学科技（北京）有限公司 主动降噪系统、主动降噪耳机及主动降噪方法
CN110232905A (zh) * 2019-06-12 2019-09-13 会听声学科技（北京）有限公司 上行降噪方法、装置和电子设备
CN110232905B (zh) * 2019-06-12 2021-08-27 会听声学科技（北京）有限公司 上行降噪方法、装置和电子设备

Also Published As

Publication number Publication date
CN107306239B (zh) 2020-05-22

Similar Documents

Publication Publication Date Title
CN109643554B (zh) 自适应语音增强方法和电子设备
CN107071195B (zh) 基于一范数零吸引的指数函数回声消除方法
CN107306239A (zh) 基于最小均方算法的堆垛机消噪方法
CN107408394A (zh) 确定在主信道与参考信道之间的噪声功率级差和声音功率级差
JP7142674B2 (ja) 音声／オーディオ信号を処理するための方法および装置
CN103244465A (zh) 用于便携式计算机的主动风扇噪音控制系统
CN106531145B (zh) 基于m估计器的递归有源噪声控制方法
CN106910511A (zh) 一种语音去噪方法和装置
CN105324762B (zh) 滤波器系数群计算设备以及滤波器系数群计算方法
CN103837884A (zh) 基于时域分析的数字核脉冲信号梯形成形算法
Qin et al. Maximum correlation Pearson correlation coefficient deconvolution and its application in fault diagnosis of rolling bearings
CN104035332B (zh) 基于m‑估计的冲击类噪声有源控制方法
Jianhua et al. A novel algorithm for threshold image denoising based on wavelet construction
CN105913836A (zh) 一种基于dsp的定点化实时降噪方法
BR112014009647B1 (pt) Aparelho de atenuação do ruído e método de atenuação do ruído
CN108806721A (zh) 信号处理器
CN110266388A (zh) 一种pmd均衡方法、装置、电子设备及存储介质
CN108510996B (zh) 一种快速迭代自适应滤波方法
CN105157972B (zh) 一种基于振动信号的主轴隔圈加工质量动态检测方法
Akingbade et al. Separation of digital audio signals using least-mean-square (LMS) adaptive algorithm
CN205510040U (zh) 一种带滤波和稳压单元的电力线网络适配器电路
CN105635008B (zh) 一种自适应均衡方法、装置及自适应均衡器
Zhao et al. Pipeline leak fault feature extraction based on wavelet packet analysis and application
Wang et al. Joint suppression of normal gear mesh component and background noise for early local fault detection based on dynamic evolutionary digital filter
CN110267161A (zh) 一种定向声音失真矫正方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant