CN111649855A - 基于压缩感知的测功机信号采集方法 - Google Patents
基于压缩感知的测功机信号采集方法 Download PDFInfo
- Publication number
- CN111649855A CN111649855A CN202010432301.7A CN202010432301A CN111649855A CN 111649855 A CN111649855 A CN 111649855A CN 202010432301 A CN202010432301 A CN 202010432301A CN 111649855 A CN111649855 A CN 111649855A
- Authority
- CN
- China
- Prior art keywords
- data
- iteration
- signal
- upper computer
- original
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L3/00—Measuring torque, work, mechanical power, or mechanical efficiency, in general
- G01L3/24—Devices for determining the value of power, e.g. by measuring and simultaneously multiplying the values of torque and revolutions per unit of time, by multiplying the values of tractive or propulsive force and velocity
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Engines (AREA)
Abstract
一种基于压缩感知的测功机信号采集方法,包含:利用安装在内燃机旋转轴和缸盖上的扭矩传感器和加速度计对内燃机的扭矩信号和振动信号进行采集,并将采集到的数据存储在DSP开发板中,记为原始信号;将原始信号与高斯随机矩阵相乘,得到的结果记为压缩数据,实现对原始信号的压缩,通过RS485总线将压缩数据传输给上位机;在上位机内利用基于Dice系数的正交匹配‑子空间追踪算法对压缩数据进行重构,得到重构数据;上位机将重构数据实时显示在上位机界面的波形图显示区,用于数据分析和处理。本发明减小数据的存储和传输压力,有效地降低了系统运行负担、数据传输量和硬件实现成本,显著提高了测功机信号采集系统数据采集的实时性和抗干扰能力。
Description
技术领域
本发明涉及一种测功机信号采集方法。特别是涉及一种基于压缩感知的测功机信号采集方法。
背景技术
测功机信号采集系统是发动机性能检测和试验的主要手段,用于对动力和旋转机械进行机械性能测试。随着计算机技术和传感技术的迅速发展和应用,各种类型的传感器引入到测功机信号采集系统中,测功机信号采集系统需要测量的参数种类增多,面对测功机系统中来自各路传感器的大量的动态信息,如果采用以奈奎斯特(Nyquist)采样定理为基础的传统数据信号处理方法,需要在满足奈奎斯特采样定理的采样频率下进行采样,加大了海量数据的存储、传输和处理难度,若降低采样频率必定会造成有用信息的缺失。因此,需要研究一种高效的数据压缩采样方法,减小数据的存储和传输压力,保证测功机数据采集系统的测量精度和系统稳定性。
压缩感知理论打破了传统奈奎斯特采样定理对带宽的限制,提供了一种将采样和压缩同时进行,以较低的速率进行信号采样与压缩,利用少量的采样值恢复出原始信号的方法,很好的解决了现实中高带宽和巨量信号采集和传统的采样理论之间的矛盾,有效节约了信号传输、存储、处理等资源。
发明内容
本发明所要解决的技术问题是,提供一种能够实时采集、压缩测功机信号并高精度压缩重构的基于压缩感知的测功机信号采集方法。
本发明所采用的技术方案是:一种基于压缩感知的测功机信号采集方法,包含如下步骤:
1)利用安装在内燃机旋转轴和缸盖上的扭矩传感器和加速度计对内燃机的扭矩信号和振动信号进行采集,并将采集到的数据存储在DSP开发板中,记为原始信号x;
2)将原始信号x与高斯随机矩阵Φ相乘,得到的结果记为压缩数据y,实现对原始信号x的压缩,通过RS485总线将压缩数据y传输给上位机;
步骤3)包括:
(1)将压缩数据y记为第一次迭代下的信号的残差r0:r0=y;将高斯随机矩阵Φ与离散傅里叶基Ψ相乘,结果记为传感矩阵A:A=Φ·Ψ;传感矩阵A中的第i个元素记为将原始信号x的稀疏度记为K;将第一次筛选出来的原子集合记为原始的支撑集Λ0,该支撑集Λ0初始值为空集:将第一次筛选出来的原子的列记为原始的列集合为A0,该列集合初始值为空集:当前迭代次数记为i,迭代次数初始值为:i=1;
(2)利用Dice系数寻找当前迭代次数i下的最优原子λi,并将最优原子λi对应的索引值更新到第i次迭代的信号的支撑集Λi中;最优原子λi和支撑集Λi的更新由如下公式给出:
Λi=Λi-1∪{λi}
其中,x,y表示利用Dice系数处理的向量;n为向量x、y的元素个数;xi表示向量x中的第i个元素;yi表示向量y中的第i个元素;
(5)更新迭代次数:i=i+1,如果i≤K则返回第(2)步继续迭代,否则进入第(6)步,进行回溯,对第i次迭代的支撑集Λi进行二次筛选;
(6)将经过i次迭代得到的支撑集Λi赋值给二次筛选的支撑集Λ′i,Λ′i=Λi;将经过i次迭代得到的残差ri赋值给二次筛选的残差ri′:ri′=ri,当前迭代次数i记为1:i=1;将第i次筛选出来的原子的列集合Ai赋值给二次筛选的列集合A′i:A′i=Ai;
(7)由如下公式求出残差ri′与传感矩阵A中每个原子的内积,记为g:
g=ATri′;
(8)对g中的分量按绝对值大小进行排序,选择K个最大值,并将K个最大值对应传感矩阵A的列序号构成列序号集合J0,列序号集合J0由如下公式求出:
J0=abs[g];
(9)由如下公式更新支撑集Λ′i和原子集A′i:
Λ′i=Λ′i-1∪J0
Ai=Ai-1∪aj;
(12)更新迭代次数i=i+1,如果i≤K,则返回第(6)步继续迭代,如果i>K或者残差ri′=0,则停止迭代,进入第(13)步;
本发明的基于压缩感知的测功机信号采集方法,将压缩感知理论的采样和重构框架应用在测功机信号采集系统中,通过传感器采集到电机的转速、扭矩和振动信息后,通过压缩感知的理论对数据进行稀疏化和压缩处理后进行数据传输,最后在上位机中精准重构出完整的原始数据。该系统将压缩感知理论的采样和重构框架应用在测功机数据采集系统中,减小数据的存储和传输压力,有效地降低了系统运行负担、数据传输量和硬件实现成本,显著提高了测功机信号采集系统数据采集的实时性和抗干扰能力。本发明避开了对信号进行连续采样时信号带宽的限制,可以通过较低的采样率对信号进行压缩和重构,解决了传统的奈奎斯特采样定理框架下海量的采样数据、信号传输与处理速度、硬件设备三者之间的矛盾,有效降低电力测功机系统的数据传输量和处理量,减小系统需要占用的存储空间和信号采样与传输过程中的硬件负担,减轻了测功机系统的硬件负担,显著提高了测功机信号采集系统数据采集的实时性和抗干扰能力。
附图说明
图1为本发明实施例的结构框图;
图2为本发明实施例中信号处理示意图;
图3为本发明本发明实施例中信号压缩流程图;
图4为本发明本发明实施例中信号重构流程图;
图5为本发明采集的扭矩信号与原始扭矩信号的对比图;
图6位本发明采集的振动信号与原始振动信号的对比图。
具体实施方式
下面结合实施例和附图对本发明的基于压缩感知的测功机信号采集方法做出详细说明。
本发明的一种基于压缩感知的测功机信号采集方法,包含如下步骤:
1)利用安装在内燃机旋转轴和缸盖上的扭矩传感器和加速度计对内燃机的扭矩信号和振动信号进行采集,并将采集到的数据存储在DSP开发板的一维数组内,记为原始信号x;本发明实施例中,
2)将原始信号x与高斯随机矩阵Φ相乘,得到的结果记为压缩数据y,实现对原始信号的压缩,通过RS485总线将压缩数据y传输给上位机;
(1)将压缩数据y记为第一次迭代下的信号的残差r0:r0=y;将高斯随机矩阵Φ与离散傅里叶基Ψ相乘,结果记为传感矩阵A:A=Φ·Ψ;传感矩阵A中的第i个元素记为将原始信号x的稀疏度记为K;将第一次筛选出来的原子集合记为原始的支撑集Λ0,该支撑集Λ0初始值为空集:将第一次筛选出来的原子的列记为原始的列集合为A0,该列集合初始值为空集:当前迭代次数记为i,迭代次数初始值为:i=1;
(2)利用Dice系数寻找当前迭代次数i下的最优原子λi,并将最优原子λi对应的索引值更新到第i次迭代的信号的支撑集Λi中;最优原子λi和支撑集Λi的更新由如下公式给出:
Λi=Λf-1∪{λi}
其中,x,y表示利用Dice系数处理的向量;n为向量x、y的元素个数;xi表示向量x中的第i个元素;yi表示向量y中的第i个元素;
(5)更新迭代次数:i=i+1,如果i≤K则返回第(2)步继续迭代,否则进入第(6)步,进行回溯,对第i次迭代的支撑集Λi进行二次筛选;
(6)将经过i次迭代得到的支撑集Ai赋值给二次筛选的支撑集Λ′i,Λ′i=Λi;将经过i次迭代得到的残差ri赋值给二次筛选的残差ri′:ri′=ri,当前迭代次数i记为1:i=1;将第i次筛选出来的原子的列集合Ai赋值给二次筛选的列集合A′i:A′i=Ai;
(7)由如下公式求出残差ri′与传感矩阵A中每个原子的内积,记为g:
g=ATri′
(8)对g中的分量按绝对值大小进行排序,选择K个最大值,并将K个最大值对应传感矩阵A的列序号构成列序号集合J0,列序号集合J0由如下公式求出:
J0=abs[g]
(9)由如下公式更新支撑集Λ′i和原子集A′i:
Λ′i=Λ′i-1∪J0
A′i=A′i-1∪aj
(12)更新迭代次数i=i+1,如果i≤K,则返回第(6)步继续迭代,如果i>K或者残差ri′=0,则停止迭代,进入第(13)步;
在得到原始信号的重构信号后,在上位机界面的数据显示区实时更新并显示重构信号波形,并将重构后的数据自动保存在指定路径的TXT文档中,便于后期数据的进一步分析和整理。自此完成电力测功机信号采集系统的数据的采集、压缩、重构、显示和存储。
下面给出具体实例:
如图1所示,本发明实施例所采用的设备包括电力测功机6、内燃机2、转矩传感器5、振动传感器1、连轴器3、6等。其中,电力测功机通过连轴器与内燃机相连,电力测功机在电机控制模块的控制下,根据上位机的控制指令,对被测电机进行加载,模拟内燃机在不同状态下的运行情况。通过安装在内燃机旋转轴和缸盖上的F1IS系列的扭矩传感器和加速度计ADXL1002对内燃机的扭矩信号和振动信号进行采集,获得内燃机的机械性能,同时将内燃机转子输出的机械能转换为电能。该系统对内燃机扭矩信号和振动信号的采集、压缩和重构采用以下步骤:
步骤1:通过安装在内燃机旋转轴和缸盖上的FlIS系列扭矩传感器和加速度计(如型号为ADXL1002的加速度计)对内燃机的扭矩信号和振动信号进行采集。完成对信号的采集后,对扭矩信号和振动信号的处理过程如图2所示,将传感器输出的转矩信号和振动信号作为AM26LS33芯片的输入,将其转换为单端脉冲信号后,发送给高速光耦芯片ADuM1200进行隔离,提高系统的抗干扰能力。再接入正交解码与可逆计数专用芯片HCTL-2032芯片进行解码和计数,完成对内燃机的扭矩信号和振动信号的采集和处理。并将采集到的数据存储在DSP开发板的一维数组内,记为原始信号x。DSP开发板采用型号为TI公司的TMS320F28335的开发板。
步骤2:系统对原始信号x的压缩流程如图3所示,在数据压缩模块中,将采集到的原始数据x按照数据顺序依次保存在二维数组data[i][0]中,其中i=500,设定每次处理500个原始数据。在数据保存完成后,将二维数组data[i][0]与高斯随机矩阵Φ相乘,进行数据的压缩,得到的结果记为压缩数据y,再通过串口将压缩数据y的值发送给上位机。
在数据重构完成后,在系统的上位机界面的数据缓冲区上实时更新接收到的数据,在波形图区显示重构信号波形。在数据保存路径上,将重构后的数据自动保存在指定路径的TXT文档中,便于后期数据的进一步分析和整理。在本次具体实例中重构的扭矩信号、原始扭矩信号和误差如图5所示,其中误差通过重构扭矩信号中的每一位元素与对应的原始扭矩信号相减得到;在本次具体实例中重构的振动信号、原始振动信号和误差如图6所示,其中误差通过重构振动信号中的每一位元素与对应的原始振动信号相减得到。
尽管上面结合附图对本发明的优选实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,并不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围的情况下,还可以做出很多形式,这些均属于本发明的保护范围之内。
Claims (2)
2.根据权利要求1所述的基于压缩感知的测功机信号采集方法,其特征在于,步骤3)包括:
(1)将压缩数据y记为第一次迭代下的信号的残差r0:r0=y;将高斯随机矩阵Φ与离散傅里叶基Ψ相乘,结果记为传感矩阵A:A=Φ.Ψ;传感矩阵A中的第i个元素记为将原始信号x的稀疏度记为K;将第一次筛选出来的原子集合记为原始的支撑集Λ0,该支撑集Λ0初始值为空集:将第一次筛选出来的原子的列记为原始的列集合为A0,该列集合初始值为空集:当前迭代次数记为i,迭代次数初始值为:i=1;
(2)利用Dice系数寻找当前迭代次数i下的最优原子λi,并将最优原子λi对应的索引值更新到第i次迭代的信号的支撑集Λi中;最优原子λi和支撑集Λi的更新由如下公式给出:
Λi=Λi-1∪{λi}
其中,x,y表示利用Dice系数处理的向量;n为向量x、y的元素个数;xi表示向量x中的第i个元素;yi表示向量y中的第i个元素;
(5)更新迭代次数:i=i+1,如果i≤K则返回第(2)步继续迭代,否则进入第(6)步,进行回溯,对第i次迭代的支撑集Λi进行二次筛选;
(6)将经过i次迭代得到的支撑集Λi赋值给二次筛选的支撑集Λ′i,Λ′i=Λi;将经过i次迭代得到的残差ri赋值给二次筛选的残差ri′:ri′=ri,当前迭代次数i记为1:i=1;将第i次筛选出来的原子的列集合Ai赋值给二次筛选的列集合A′i:A′i=Ai;
(7)由如下公式求出残差ri′与传感矩阵A中每个原子的内积,记为g:
g=ATri′;
(8)对g中的分量按绝对值大小进行排序,选择K个最大值,并将K个最大值对应传感矩阵A的列序号构成列序号集合J0,列序号集合J0由如下公式求出:
J0=abs[g];
(9)由如下公式更新支撑集Λ′i和原子集A′i:
Λ′i=Λ′i-1∪J0
A′i=A′i-1Uaj;
(12)更新迭代次数i=i+1,如果i≤K,则返回第(6)步继续迭代,如果i>K或者残差ri′=0,则停止迭代,进入第(13)步;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010432301.7A CN111649855A (zh) | 2020-05-20 | 2020-05-20 | 基于压缩感知的测功机信号采集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010432301.7A CN111649855A (zh) | 2020-05-20 | 2020-05-20 | 基于压缩感知的测功机信号采集方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111649855A true CN111649855A (zh) | 2020-09-11 |
Family
ID=72350393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010432301.7A Pending CN111649855A (zh) | 2020-05-20 | 2020-05-20 | 基于压缩感知的测功机信号采集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111649855A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378740A (zh) * | 2021-06-21 | 2021-09-10 | 中国人民解放军陆军军事交通学院 | 一种利用正交信号对柴油机缸压进行识别的方法 |
CN116008911A (zh) * | 2022-12-02 | 2023-04-25 | 南昌工程学院 | 一种基于新型原子匹配准则的正交匹配追踪声源识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120250748A1 (en) * | 2011-04-04 | 2012-10-04 | U.S. Government As Represented By The Secretary Of The Army | Apparatus and method for sampling and reconstruction of wide bandwidth signals below nyquist rate |
CN105515585A (zh) * | 2015-12-08 | 2016-04-20 | 宁波大学 | 未知稀疏度信号的压缩感知重构方法 |
CN106707243A (zh) * | 2017-01-18 | 2017-05-24 | 哈尔滨工业大学 | 一种重构雷达信号的广义正则化正交匹配追踪方法 |
CN108880557A (zh) * | 2018-05-25 | 2018-11-23 | 宿州学院 | 基于压缩感知的稀疏度自适应变步长匹配追踪方法 |
-
2020
- 2020-05-20 CN CN202010432301.7A patent/CN111649855A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120250748A1 (en) * | 2011-04-04 | 2012-10-04 | U.S. Government As Represented By The Secretary Of The Army | Apparatus and method for sampling and reconstruction of wide bandwidth signals below nyquist rate |
CN105515585A (zh) * | 2015-12-08 | 2016-04-20 | 宁波大学 | 未知稀疏度信号的压缩感知重构方法 |
CN106707243A (zh) * | 2017-01-18 | 2017-05-24 | 哈尔滨工业大学 | 一种重构雷达信号的广义正则化正交匹配追踪方法 |
CN108880557A (zh) * | 2018-05-25 | 2018-11-23 | 宿州学院 | 基于压缩感知的稀疏度自适应变步长匹配追踪方法 |
Non-Patent Citations (2)
Title |
---|
孙会: "基于压缩感知理论的重建算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王福驰 等: "一种改进的稀疏度自适应匹配追踪算法", 《计算机科学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113378740A (zh) * | 2021-06-21 | 2021-09-10 | 中国人民解放军陆军军事交通学院 | 一种利用正交信号对柴油机缸压进行识别的方法 |
CN116008911A (zh) * | 2022-12-02 | 2023-04-25 | 南昌工程学院 | 一种基于新型原子匹配准则的正交匹配追踪声源识别方法 |
CN116008911B (zh) * | 2022-12-02 | 2023-08-22 | 南昌工程学院 | 一种基于新型原子匹配准则的正交匹配追踪声源识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388692B (zh) | 基于分层稀疏编码的滚动轴承故障特征提取方法 | |
Liu et al. | Acoustic emission signal processing for rolling bearing running state assessment using compressive sensing | |
CN112287889A (zh) | 一种基于压缩感知和相关向量机的轴承故障智能诊断方法 | |
CN106096562B (zh) | 基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法 | |
CN109870282B (zh) | 基于压缩感知的叶片振动特征辨识方法及系统 | |
CN111649855A (zh) | 基于压缩感知的测功机信号采集方法 | |
CN112113755B (zh) | 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法 | |
CN111458146B (zh) | 一种滚动轴承多测量点振动信号压缩采样与同步重构方法 | |
CN111711820A (zh) | 一种基于生成对抗网络的裂缝图像压缩采样方法 | |
CN113776835B (zh) | 基于增强梅尔线性频率倒谱系数的滚动轴承故障诊断方法 | |
CN109117896B (zh) | 一种基于ksvd字典学习的滚动轴承故障特征提取方法 | |
CN116861320A (zh) | 基于短时傅里叶同步压缩变换的转子故障诊断方法 | |
CN117147022B (zh) | 力传感器非线性补偿方法及系统 | |
Chen et al. | Deep learning for compressed sensing-based blade vibration reconstruction from sub-sampled tip-timing signals | |
CN108267311A (zh) | 一种基于张量分解的机械多维大数据处理方法 | |
CN110598579B (zh) | 一种基于深度学习的超复数磁共振波谱重建方法 | |
CN110044619B (zh) | 一种基于稀疏多周期组套索的多故障特征辨识方法 | |
CN114486252B (zh) | 一种矢量模极大值包络的滚动轴承故障诊断方法 | |
CN115127813B (zh) | 基于张量特征与支持张量机的滚动轴承多通道融合诊断方法 | |
CN116011112A (zh) | 基于机匣传递特性的航空发动机轴承故障数据模拟方法 | |
Tafreshi et al. | Informative wavelet algorithm in diesel engine diagnosis | |
CN115808312A (zh) | 基于可变形卷积和Transformer的滚动轴承故障诊断方法 | |
CN112975574B (zh) | 一种铝合金薄壁件铣削过程表面质量在线检测系统 | |
CN115326396A (zh) | 一种轴承故障的诊断方法及装置 | |
Huang et al. | Tracking the location of bearing outer raceway defects using multidimensional synchronous signal fusion and tensor rank-1 decomposition |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200911 |
|
WD01 | Invention patent application deemed withdrawn after publication |