CN111751134B - 一种基于vmd与rls的采煤机振动信号降噪方法 - Google Patents
一种基于vmd与rls的采煤机振动信号降噪方法 Download PDFInfo
- Publication number
- CN111751134B CN111751134B CN202010573452.4A CN202010573452A CN111751134B CN 111751134 B CN111751134 B CN 111751134B CN 202010573452 A CN202010573452 A CN 202010573452A CN 111751134 B CN111751134 B CN 111751134B
- Authority
- CN
- China
- Prior art keywords
- data processor
- rocker arm
- noise
- signal
- rls
- 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.)
- Active
Links
- 239000003245 coal Substances 0.000 title claims abstract description 60
- 238000005065 mining Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000009467 reduction Effects 0.000 title claims abstract description 38
- 238000001914 filtration Methods 0.000 claims abstract description 46
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 32
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 17
- 230000003044 adaptive effect Effects 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000001133 acceleration Effects 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000009347 mechanical transmission Effects 0.000 abstract description 19
- 230000000694 effects Effects 0.000 abstract description 9
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 238000013461 design Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002817 coal dust Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/004—Testing the effects of speed or acceleration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
- G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means
- G01H11/08—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means using piezoelectric devices
Abstract
本发明公开了一种基于VMD与RLS的采煤机振动信号降噪方法，该方法包括以下步骤：步骤一、采煤机摇臂振动信号的采集；步骤二、变分模态分解；步骤三、本征模态分量的频谱分析；步骤四、RLS自适应滤波降噪，得到降噪后的采煤机摇臂的振动信号。本发明方法步骤简单、设计合理且降噪效果好，通过频谱分析法选取VMD分解的本征模态分量，并将VMD降噪后的噪声信号作为RLS自适应滤波的输入信号，实现采煤机摇臂机械传动系统非平稳强噪声背景下的振动信号有效提取，为采煤机摇臂机械传动系统故障诊断奠定良好基础。
Description
技术领域
本发明属于采煤机摇臂机械传动系统振动信号降噪技术领域，尤其是涉及一种基于VMD与RLS的采煤机振动信号降噪方法。
背景技术
采煤机是现代综采工作面的核心装备之一，其工作环境恶劣，在运行时极易受到来自硬煤、矸石等巨大冲击载荷影响，同时还持续遭受水汽、煤尘等的腐蚀，加之工人对设备管理、操作、维护的不恰当，致使采煤机机械传动系统故障频发。轻则影响煤矿企业生产效率，重则导致设备损坏、生产中断，造成重大的经济损失甚至人员身亡。根据神东矿区近年来进口采煤机摇臂机械传动系统故障率的统计，其故障率占采煤机故障率的34.2％，且有呈现逐年上升的趋势。由于采煤机机械传动系统具有工况复杂、传动链长和结构复杂等特点，其摇臂机械传动系统故障诊断仍是难题。
小波降噪、小波包降噪、EMD降噪、EEMD降噪、变分模态分解VMD算法和粒子滤波算法是目前较好的振动信号降噪方法，在振动信号的降噪方面效果较好，EEMD降噪方法相对小波降噪具有更强适应性，但是以上方法的研究都具有一定的局限性。小波降噪和小波包降噪方法中存在小波阈值确定难题，并且对于同频带噪声无法滤除。EMD降噪存在模式混叠现象，会导致降噪效果不佳。EEMD降噪能克服EMD降噪存在的分解模式混叠问题，但是本征模态分量选取不好，导致降噪效果不佳。粒子滤波降噪方法需要知道噪声统计特性，对非平稳随机噪声降噪效果不佳。VMD算法可以有效减少伪分量与模态混叠问题，相比与EMD和EEMD有更好的鲁棒性。
采煤机振动信号的噪声属非平稳噪声，单纯运用以上方法难以实现最佳滤波，而自适应滤波对非平稳噪声具有良好的滤除效果。目前，自适应滤波器主要有最小均方LMS和递推最小二乘RLS两种基本的自适应算法。LMS算法结构简单，鲁棒性强，但它的收敛性能较差，而RLS相对而言就具有良好的收敛性，稳定性强。因此，提出一种基于VMD与RLS自适应滤波结合的采煤机振动信号非平稳噪声降噪方法，通过频谱分析法选取VMD分解的本征模态分量，并将VMD降噪后的噪声信号作为RLS自适应滤波的输入信号，实现采煤机摇臂机械传动系统非平稳强噪声背景下的振动信号有效提取，为采煤机摇臂机械传动系统故障诊断奠定良好基础。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于VMD与RLS的采煤机振动信号降噪方法，其方法步骤简单、设计合理且降噪效果好，通过频谱分析法选取VMD分解的本征模态分量，并将VMD降噪后的噪声信号作为RLS自适应滤波的输入信号，实现采煤机摇臂机械传动系统非平稳强噪声背景下的振动信号有效提取，为采煤机摇臂机械传动系统故障诊断奠定良好基础。
为解决上述技术问题，本发明采用的技术方案是：一种基于VMD与RLS的采煤机振动信号降噪方法，其特征在于：
步骤一、采煤机摇臂振动信号的采集：
采煤机正常采煤过程中，采用振动采集模块对采煤机摇臂的振动信号进行采集并发送至数据处理器；其中，数据处理器将含噪声摇臂振动信号记作X(n)，且X(n)＝[X(1) X(2) .... X(m)]，含噪声摇臂振动信号X(n)为采煤机的摇臂振动加速度随时间变化的函数，n和m均为正整数，且1≤n≤m，m为采集总数；X(1)表示含噪声摇臂振动信号中第1个加速度值，X(2)表示含噪声摇臂振动信号中第2个加速度值，X(m)表示含噪声摇臂振动信号中第m个加速度值；
步骤二、变分模态分解：
数据处理器利用变分模态分解算法对含噪声摇臂振动信号X(n)进行k层VMD分解，得到k个本征模态分量；其中，将第i个本征模态分量记作IMFi，i和k均为正整数，且1≤i≤k；
步骤三、本征模态分量的频谱分析：
步骤301、数据处理器利用频谱分析法从k个本征模态分量中得到有效的本征模态分量；
步骤302、数据处理器将有效的本征模态分量进行重构，得到重构后的摇臂振动信号X′(n)；
步骤四、RLS自适应滤波降噪：
步骤401、设定含噪声摇臂振动信号X(n)作为RLS自适应滤波模块的期望信号d(n)；其中，d(n)＝X(n)；
步骤402、数据处理器根据公式X″(n)＝X(n)-X′(n)，得到噪声信号X″(n)，并将噪声信号X″(n)作为当前时刻的输入信号；
步骤403、设定RLS自适应滤波模块的输入信号矢量X(n)，且X(n)＝[X″(n) X″(n-1) X″(n-2) … X″(n-(L-1))]；其中，L表示自适应滤波的长度，X″(n-1)表示上一个时刻的输入信号，X″(n-2)表示上两个时刻的输入信号，X″(n-(L-1))表示上L-1个时刻的输入信号；
设定权系数矢量W(n)，且W(n)＝[W0(n) W1(n) W2(n) … WL-1(n)]；其中，W0(n)表示当前时刻的输入信号X″(n)所对应的权系数，W1(n)表示上一个采样时刻的输入信号X″(n-1)所对应的权系数，W2(n)表示上两个采样时刻的输入信号X″(n-2)所对应的权系数，WL-1(n)表示上L-1个采样时刻的输入信号X″(n-(L-1))所对应的权系数；
步骤404、数据处理器利用RLS自适应滤波算法获取权系数矢量W(n)；
步骤405、数据处理器根据y(n)＝(W(n))T×X(n)，得到RLS自适应滤波模块的输出信号y(n)；数据处理器根据e(n)＝d(n)-y(n)，得到RLS自适应滤波模块的误差输出信号e(n)；其中，RLS自适应滤波模块的误差输出信号e(n)作为降噪后的采煤机摇臂的振动信号。
上述的一种基于VMD与RLS的采煤机振动信号降噪方法，其特征在于：步骤404中数据处理器利用RLS自适应滤波算法获取权系数矢量W(n)，具体过程如下：
步骤4041、权系数矢量和逆矩阵的初始化：
数据处理器设定令n初始值等于为0时的权系数矢量和逆矩阵；其中，n初始值等于为0时的权系数矢量W(0)为零矩阵，n初始值等于为0时的逆矩阵P(0)＝σI，σ为常数，σ＝0.001，I为单位矩阵；
步骤4042、数据处理器令n等于n时，数据处理器根据y(n)＝(W(n))T×X(n)，得到RLS自适应滤波模块的输出信号y(n)；其中，T表示向量的转置；
步骤4043、数据处理器根据e(n)＝d(n)-y(n)，得到RLS自适应滤波模块的误差输出信号e(n)；
步骤4044、数据处理器根据公式
得到增益矢量g(n)；其中，λ表示遗忘因子，且0.9＜λ＜1，P(n-1)表示第n-1次更新后的逆矩阵P(n-1)；
步骤4045、数据处理器根据公式W(n)＝W(n-1)+g(n)e(n)，得到第n次的权系数矢量W(n)；其中，W(n-1)表示第n-1次的权系数矢量；
步骤4046、数据处理器根据公式
对逆矩阵进行第n次更新，得到第n次更新后的逆矩阵P(n)；
步骤4047、数据处理器令n等于n+1时，重复步骤4042至步骤4046，直至n＝L-1。
上述的一种基于VMD与RLS的采煤机振动信号降噪方法，其特征在于：步骤301中数据处理器利用频谱分析法从k个本征模态分量中得到有效的本征模态分量，具体过程如下：
步骤3011、数据处理器调用FFT模块分别对k个本征模态分量进行快速傅里叶变化，得到k个频谱图；其中，含噪声摇臂振动信号X(n)的第i个本征模态分量IMFi所对应的频谱图记作第i个频谱图，第i个频谱图的横坐标为频率，第i个频谱图的纵坐标为幅值；
步骤3012、数据处理器从第i个频谱图，得到第i个频谱图中的最大幅值；其中，第i个频谱图中的最大幅值记作Amax,i；
步骤3013、数据处理器将k个频谱图中的最大幅值按照从小到大的顺序排序，得到k个频谱图中最大幅值的最大值并记作最大幅值判断值Amax；
步骤3014、数据处理器选择
所对应的各个频谱图作为待处理频谱图，将各个待处理频谱图所对应的各个本征模态分量作为有效的本征模态分量。
上述的一种基于VMD与RLS的采煤机振动信号降噪方法，其特征在于：步骤二中数据处理器利用变分模态分解算法对含噪声摇臂振动信号X(n)进行k层VMD分解，具体过程如下：
步骤201、当获得k个本征模态分量时，设定分解k个本征模态分量时第i个本征模态分量IMFi所对应的中心频率为ωk,i；
步骤202、当获得k+1个本征模态分量时，设定分解k+1个本征模态分量时第i′个本征模态分量所对应的中心频率为ωk+1,i′；其中，i′为正整数，1≤i′≤k+1；
步骤203、数据处理器判断当i处于1～k，i′处于1～k+1时
且
则数据处理器利用变分模态分解算法对含噪声摇臂振动信号X(n)进行VMD分解的层数为k。
本发明与现有技术相比具有以下优点：
1、方法步骤简单、设计合理且实现方便，投入成本较低。
2、本发明首先利用变分模态分解算法可以有效减少伪分量与模态混叠问题，相比与EMD和EEMD有更好的鲁棒性。
3、本发明利用利用频谱分析法从k个本征模态分量中得到有效的本征模态分量，然后将有效的本征模态分量进行重构，得到重构后的摇臂振动信号，提高了RLS自适应滤波的当前时刻的输入信号获取的准确性。
4、本发明利用含噪声摇臂振动信号X(n)和重构后的摇臂振动信号X′(n)作差，得到噪声信号X″(n)作为RLS自适应滤波的当前时刻的输入信号，实现采煤机摇臂机械传动系统非平稳强噪声背景下的振动信号有效提取，为采煤机机械传动系统故障诊断奠定良好基础。
5、本发明方法步骤简单，设计合理，首先是采煤机摇臂振动信号的采集，其次是变分模态分解，之后进行本征模态分量的频谱分析，最后是RLS自适应滤波降噪，将RLS自适应滤波模块的误差输出信号作为降噪后的采煤机摇臂的振动信号。
综上所述，本发明方法步骤简单、设计合理且降噪效果好，通过频谱分析法选取VMD分解的本征模态分量，并将VMD降噪后的噪声信号作为RLS自适应滤波的输入信号，实现采煤机摇臂机械传动系统非平稳强噪声背景下的振动信号有效提取，为采煤机摇臂机械传动系统故障诊断奠定良好基础。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图。
图2为本发明含噪声摇臂振动信号X(n)的示意图。
图3a为本发明实施例1本征模态分量IMF1的示意图。
图3b为本发明实施例1本征模态分量IMF2的示意图。
图3c为本发明实施例1本征模态分量IMF3的示意图。
图3d为本发明实施例1本征模态分量IMF4的示意图。
图3e为本发明实施例1本征模态分量IMF5的示意图。
图4a为本发明实施例1本征模态分量IMF1所对应的频谱图。
图4b为本发明实施例1本征模态分量IMF2所对应的频谱图。
图4c为本发明实施例1本征模态分量IMF3所对应的频谱图。
图4d为本发明实施例1本征模态分量IMF4所对应的频谱图。
图4e为本发明实施例1本征模态分量IMF5所对应的频谱图。
图5为本发明实施例1降噪后的采煤机摇臂的振动信号的示意图。
图6为本发明实施例2轴承振动信号的示意图。
图7为本发明实施例2降噪后的轴承振动信号的示意图。
具体实施方式
实施例1
如图1-图5所示，一种基于VMD与RLS的采煤机振动信号降噪方法，包括：
步骤一、采煤机摇臂振动信号的采集：
采煤机正常采煤过程中，采用振动采集模块对采煤机摇臂的振动信号进行采集并发送至数据处理器；其中，数据处理器将含噪声摇臂振动信号记作X(n)，且X(n)＝[X(1) X(2) .... X(m)]，含噪声摇臂振动信号X(n)为采煤机的摇臂振动加速度随时间变化的函数，n和m均为正整数，且1≤n≤m，m为采集总数；X(1)表示含噪声摇臂振动信号中第1个加速度值，X(2)表示含噪声摇臂振动信号中第2个加速度值，X(m)表示含噪声摇臂振动信号中第m个加速度值；
步骤二、变分模态分解：
数据处理器利用变分模态分解算法对含噪声摇臂振动信号X(n)进行k层VMD分解，得到k个本征模态分量；其中，将第i个本征模态分量记作IMFi，i和k均为正整数，且1≤i≤k；
步骤三、本征模态分量的频谱分析：
步骤301、数据处理器利用频谱分析法从k个本征模态分量中得到有效的本征模态分量；
步骤302、数据处理器将有效的本征模态分量进行重构，得到重构后的摇臂振动信号X′(n)；
步骤四、RLS自适应滤波降噪：
步骤401、设定含噪声摇臂振动信号X(n)作为RLS自适应滤波模块的期望信号d(n)；其中，d(n)＝X(n)；
步骤402、数据处理器根据公式X″(n)＝X(n)-X′(n)，得到噪声信号X″(n)，并将噪声信号X″(n)作为当前时刻的输入信号；
步骤403、设定RLS自适应滤波模块的输入信号矢量X(n)，且X(n)＝[X″(n) X″(n-1) X″(n-2) … X″(n-(L-1))]；其中，L表示自适应滤波的长度，X″(n-1)表示上一个时刻的输入信号，X″(n-2)表示上两个时刻的输入信号，X″(n-(L-1))表示上L-1个时刻的输入信号；
设定权系数矢量W(n)，且W(n)＝[W0(n) W1(n) W2(n) … WL-1(n)]；其中，W0(n)表示当前时刻的输入信号X″(n)所对应的权系数，W1(n)表示上一个采样时刻的输入信号X″(n-1)所对应的权系数，W2(n)表示上两个采样时刻的输入信号X″(n-2)所对应的权系数，WL-1(n)表示上L-1个采样时刻的输入信号X″(n-(L-1))所对应的权系数；
步骤404、数据处理器利用RLS自适应滤波算法获取权系数矢量W(n)；
步骤405、数据处理器根据y(n)＝(W(n))T×X(n)，得到RLS自适应滤波模块的输出信号y(n)；数据处理器根据e(n)＝d(n)-y(n)，得到RLS自适应滤波模块的误差输出信号e(n)；其中，RLS自适应滤波模块的误差输出信号e(n)作为降噪后的采煤机摇臂的振动信号。
本实施例中，步骤404中数据处理器利用RLS自适应滤波算法获取权系数矢量W(n)，具体过程如下：
步骤4041、系数矢量和逆矩阵的初始化：
数据处理器设定令n初始值等于为0时的系数矢量和逆矩阵；其中，n初始值等于为0时的权系数矢量W(0)为零矩阵，n初始值等于为0时的逆矩阵P(0)＝σI，σ为常数，σ＝0.001，I为单位矩阵；
步骤4042、数据处理器令n等于n时，数据处理器根据y(n)＝(W(n))T×X(n)，得到RLS自适应滤波模块的输出信号y(n)；其中，T表示向量的转置；
步骤4043、数据处理器根据e(n)＝d(n)-y(n)，得到RLS自适应滤波模块的误差输出信号e(n)；
步骤4044、数据处理器根据公式
得到增益矢量g(n)；其中，λ表示遗忘因子，且0.9＜λ＜1，P(n-1)表示第n-1次更新后的逆矩阵P(n-1)；
步骤4045、数据处理器根据公式W(n)＝W(n-1)+g(n)e(n)，得到第n次的权系数矢量W(n)；其中，W(n-1)表示第n-1次的权系数矢量；
步骤4046、数据处理器根据公式
对逆矩阵进行第n次更新，得到第n次更新后的逆矩阵P(n)；
步骤4047、数据处理器令n等于n+1时，重复步骤4042至步骤4046，直至n＝L-1。
本实施例中，步骤301中数据处理器利用频谱分析法从k个本征模态分量中得到有效的本征模态分量，具体过程如下：
步骤3011、数据处理器调用FFT模块分别对k个本征模态分量进行快速傅里叶变化，得到k个频谱图；其中，含噪声摇臂振动信号X(n)的第i个本征模态分量IMFi所对应的频谱图记作第i个频谱图，第i个频谱图的横坐标为频率，第i个频谱图的纵坐标为幅值；
步骤3012、数据处理器从第i个频谱图，得到第i个频谱图中的最大幅值；其中，第i个频谱图中的最大幅值记作Amax,i；
步骤3013、数据处理器将k个频谱图中的最大幅值按照从小到大的顺序排序，得到k个频谱图中最大幅值的最大值并记作最大幅值判断值Amax；
步骤3014、数据处理器选择
所对应的各个频谱图作为待处理频谱图，将各个待处理频谱图所对应的各个本征模态分量作为有效的本征模态分量。
本实施例中，步骤二中数据处理器利用变分模态分解算法对含噪声摇臂振动信号X(n)进行k层VMD分解，具体过程如下：
步骤201、当获得k个本征模态分量时，设定分解k个本征模态分量时第i个本征模态分量IMFi所对应的中心频率为ωk,i；
步骤202、当获得k+1个本征模态分量时，设定分解k+1个本征模态分量时第i′个本征模态分量所对应的中心频率为ωk+1,i′；其中，i′为正整数，1≤i′≤k+1；
步骤203、数据处理器判断当i处于1～k，i′处于1～k+1时
且
则数据处理器利用变分模态分解算法对含噪声摇臂振动信号X(n)进行VMD分解的层数为k。
本实施例中，需要说明的是，ωk+1,k+1表示分解k+1个本征模态分量时第k+1个本征模态分量所对应的中心频率，ωk,k表示分解k个本征模态分量时第k个本征模态分量IMFk所对应的中心频率。
本实施例中，采煤机为MG1480采煤机。
本实施例中，所述数据处理器为计算机。
本实施例中，振动采集模块包括振动传感器和信号采集器，所述信号采集器与所述数据处理器连接。
本实施例中，振动传感器为DH186E-IEPE压电式加速度传感器，信号采集器为DH5901手持式振动测试仪，采样频率51.2kHz。
本实施例中，振动采集模块对采煤机摇臂的振动信号进行检测，并将检测到的振动信号发送至信号采集器，信号采集器对振动信号进行采集并发送至所述数据处理器，得到如图2所示的含噪声摇臂振动信号X(n)。
本实施例中，数据处理器利用变分模态分解算法对含噪声摇臂振动信号X(n)进行VMD分解，得到k个本征模态分量所对应的中心频率，如表1所示：
表1 k个本征模态分量所对应的中心频率
本实施例中，当k＝5和k＝6，按照步骤203进行判断，进一步地得到k＝5。
如图3a-3e，本实施例中，数据处理器利用变分模态分解算法对含噪声摇臂振动信号X(n)进行k层VMD分解，得到5个本征模态分量且分别为IMF1、IMF2、IMF3、IMF4和IMF5。
如图4a-4e，本实施例中，数据处理器调用FFT模块分别对5个本征模态分量进行快速傅里叶变化，得到5个频谱图；并经过步骤3012至步骤3014，得到有效的本征模态分量为IMF1、IMF2和IMF3。
本实施例中，经过步骤四得到降噪后的采煤机摇臂的振动信号，如图5所示。
实施例2
本实施例与实施例1不同的是：实验时采集轴承6205-2RSJEF的轴承振动信号，如图6所示。
本实施例中，k＝4。
本实施例中，经过步骤301得到有效的本征模态分量为IMF3。
本实施例中，经过步骤四得到降噪后的轴承振动信号，如图7所示。
综上所述，本发明方法步骤简单、设计合理且降噪效果好，通过频谱分析法选取VMD分解的本征模态分量，并将VMD降噪后的噪声信号作为RLS自适应滤波的输入信号，实现采煤机摇臂机械传动系统非平稳强噪声背景下的振动信号有效提取，为采煤机摇臂机械传动系统故障诊断奠定良好基础。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。
Claims (4)
1.一种基于VMD与RLS的采煤机振动信号降噪方法，其特征在于：
步骤一、采煤机摇臂振动信号的采集：
采煤机正常采煤过程中，采用振动采集模块对采煤机摇臂的振动信号进行采集并发送至数据处理器；其中，数据处理器将含噪声摇臂振动信号记作X(n)，且X(n)＝[X(1) X(2)....X(m)]，含噪声摇臂振动信号X(n)为采煤机的摇臂振动加速度随时间变化的函数，n和m均为正整数，且1≤n≤m，m为采集总数；X(1)表示含噪声摇臂振动信号中第1个加速度值，X(2)表示含噪声摇臂振动信号中第2个加速度值，X(m)表示含噪声摇臂振动信号中第m个加速度值；
步骤二、变分模态分解：
数据处理器利用变分模态分解算法对含噪声摇臂振动信号X(n)进行k层VMD分解，得到k个本征模态分量；其中，将第i个本征模态分量记作IMFi，i和k均为正整数，且1≤i≤k；
步骤三、本征模态分量的频谱分析：
步骤301、数据处理器利用频谱分析法从k个本征模态分量中得到有效的本征模态分量；
步骤302、数据处理器将有效的本征模态分量进行重构，得到重构后的摇臂振动信号X′(n)；
步骤四、RLS自适应滤波降噪：
步骤401、设定含噪声摇臂振动信号X(n)作为RLS自适应滤波模块的期望信号d(n)；其中，d(n)＝X(n)；
步骤402、数据处理器根据公式X″(n)＝X(n)-X′(n)，得到噪声信号X″(n)，并将噪声信号X″(n)作为当前时刻的输入信号；
步骤403、设定RLS自适应滤波模块的输入信号矢量X(n)，且X(n)＝[X″(n) X″(n-1) X″(n-2)…X″(n-(L-1))]；其中，L表示自适应滤波的长度，X″(n-1)表示上一个时刻的输入信号，X″(n-2)表示上两个时刻的输入信号，X″(n-(L-1))表示上L-1个时刻的输入信号；
设定权系数矢量W(n)，且W(n)＝[W0(n) W1(n) W2(n)…WL-1(n)]；其中，W0(n)表示当前时刻的输入信号X″(n)所对应的权系数，W1(n)表示上一个采样时刻的输入信号X″(n-1)所对应的权系数，W2(n)表示上两个采样时刻的输入信号X″(n-2)所对应的权系数，WL-1(n)表示上L-1个采样时刻的输入信号X″(n-(L-1))所对应的权系数；
步骤404、数据处理器利用RLS自适应滤波算法获取权系数矢量W(n)；
步骤405、数据处理器根据y(n)＝(W(n))T×X(n)，得到RLS自适应滤波模块的输出信号y(n)；数据处理器根据e(n)＝d(n)-y(n)，得到RLS自适应滤波模块的误差输出信号e(n)；其中，RLS自适应滤波模块的误差输出信号e(n)作为降噪后的采煤机摇臂的振动信号。
2.按照权利要求1所述的一种基于VMD与RLS的采煤机振动信号降噪方法，其特征在于：步骤404中数据处理器利用RLS自适应滤波算法获取权系数矢量W(n)，具体过程如下：
步骤4041、权系数矢量和逆矩阵的初始化：
数据处理器设定令n初始值为0时的权系数矢量和逆矩阵；其中，n初始值为0时的权系数矢量W(0)为零矩阵，n初始值为0时的逆矩阵P(0)＝σI，σ为常数，σ＝0.001，I为单位矩阵；
步骤4042、数据处理器令n等于n时，数据处理器根据y(n)＝(W(n))T×X(n)，得到RLS自适应滤波模块的输出信号y(n)；其中，T表示向量的转置；
步骤4043、数据处理器根据e(n)＝d(n)-y(n)，得到RLS自适应滤波模块的误差输出信号e(n)；
步骤4044、数据处理器根据公式
得到增益矢量g(n)；其中，λ表示遗忘因子，且0.9＜λ＜1，P(n-1)表示第n-1次更新后的逆矩阵P(n-1)；
步骤4045、数据处理器根据公式W(n)＝W(n-1)+g(n)e(n)，得到第n次的权系数矢量W(n)；其中，W(n-1)表示第n-1次的权系数矢量；
步骤4046、数据处理器根据公式
对逆矩阵进行第n次更新，得到第n次更新后的逆矩阵P(n)；
步骤4047、数据处理器令n等于n+1时，重复步骤4042至步骤4046，直至n＝L-1。
3.按照权利要求1所述的一种基于VMD与RLS的采煤机振动信号降噪方法，其特征在于：步骤301中数据处理器利用频谱分析法从k个本征模态分量中得到有效的本征模态分量，具体过程如下：
步骤3011、数据处理器调用FFT模块分别对k个本征模态分量进行快速傅里叶变化，得到k个频谱图；其中，含噪声摇臂振动信号X(n)的第i个本征模态分量IMFi所对应的频谱图记作第i个频谱图，第i个频谱图的横坐标为频率，第i个频谱图的纵坐标为幅值；
步骤3012、数据处理器从第i个频谱图，得到第i个频谱图中的最大幅值；其中，第i个频谱图中的最大幅值记作Amax,i；
步骤3013、数据处理器将k个频谱图中的最大幅值按照从小到大的顺序排序，得到k个频谱图中最大幅值的最大值并记作最大幅值判断值Amax；
步骤3014、数据处理器选择
所对应的各个频谱图作为待处理频谱图，将各个待处理频谱图所对应的各个本征模态分量作为有效的本征模态分量。
4.按照权利要求1所述的一种基于VMD与RLS的采煤机振动信号降噪方法，其特征在于：步骤二中数据处理器利用变分模态分解算法对含噪声摇臂振动信号X(n)进行k层VMD分解，具体过程如下：
步骤201、当获得k个本征模态分量时，设定分解k个本征模态分量时第i个本征模态分量IMFi所对应的中心频率为ωk,i；
步骤202、当获得k+1个本征模态分量时，设定分解k+1个本征模态分量时第i′个本征模态分量所对应的中心频率为ωk+1,i′；其中，i′为正整数，1≤i′≤k+1；
步骤203、数据处理器判断当i处于1～k，i′处于1～k+1时
且
则数据处理器利用变分模态分解算法对含噪声摇臂振动信号X(n)进行VMD分解的层数为k。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010573452.4A CN111751134B (zh) | 2020-06-22 | 2020-06-22 | 一种基于vmd与rls的采煤机振动信号降噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010573452.4A CN111751134B (zh) | 2020-06-22 | 2020-06-22 | 一种基于vmd与rls的采煤机振动信号降噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111751134A CN111751134A (zh) | 2020-10-09 |
| CN111751134B true CN111751134B (zh) | 2021-12-14 |
Family
ID=72674862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010573452.4A Active CN111751134B (zh) | 2020-06-22 | 2020-06-22 | 一种基于vmd与rls的采煤机振动信号降噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111751134B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114279553A (zh) * | 2021-11-18 | 2022-04-05 | 江阴长仪集团有限公司 | 一种智能量测开关的状态诊断方法及装置 |
| CN114994365B (zh) * | 2022-04-18 | 2023-04-28 | 北京理工大学 | 一种基于空气炮测试的加速度计输出信号降噪方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019019565A1 (zh) * | 2017-07-26 | 2019-01-31 | 山东科技大学 | 一种基于能量分布特征的矿山微震信号辨识方法 |
| CN109446928A (zh) * | 2018-10-10 | 2019-03-08 | 南京航空航天大学 | 一种基于变分模态分解和最小均方误差自适应滤波器的信号降噪方法 |
| CN110426569A (zh) * | 2019-07-12 | 2019-11-08 | 国网上海市电力公司 | 一种变压器声信号降噪处理方法 |
| CN110659621A (zh) * | 2019-09-27 | 2020-01-07 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
| CN111259323A (zh) * | 2020-02-22 | 2020-06-09 | 西安科技大学 | 一种采煤机摇臂机械传动系统故障精确定位方法 |
-
2020
- 2020-06-22 CN CN202010573452.4A patent/CN111751134B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019019565A1 (zh) * | 2017-07-26 | 2019-01-31 | 山东科技大学 | 一种基于能量分布特征的矿山微震信号辨识方法 |
| CN109446928A (zh) * | 2018-10-10 | 2019-03-08 | 南京航空航天大学 | 一种基于变分模态分解和最小均方误差自适应滤波器的信号降噪方法 |
| CN110426569A (zh) * | 2019-07-12 | 2019-11-08 | 国网上海市电力公司 | 一种变压器声信号降噪处理方法 |
| CN110659621A (zh) * | 2019-09-27 | 2020-01-07 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
| CN111259323A (zh) * | 2020-02-22 | 2020-06-09 | 西安科技大学 | 一种采煤机摇臂机械传动系统故障精确定位方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于VMD与多特征融合的齿轮故障诊断方法;王建国等;《机械传动》;20170315(第03期);第165-170页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111751134A (zh) | 2020-10-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111751134B (zh) | 一种基于vmd与rls的采煤机振动信号降噪方法 | |
| WO2021056727A1 (zh) | 一种基于变分模态分解和排列熵的联合降噪方法 | |
| CN103439110B (zh) | 滚动轴承早期微弱故障诊断方法 | |
| CN109813547B (zh) | 基于稀疏分解优化算法的旋转机械局部型故障诊断方法 | |
| CN106409351A (zh) | 一种核电厂松动部件振动信号的处理方法及装置 | |
| CN110132403A (zh) | 一种基于eemd和小波阈值的真空泵振动信号降噪方法 | |
| CN110320555B (zh) | 一种地震数据重建方法 | |
| CN104112072A (zh) | 基于小波阈值去噪的主成分分析的工作模态参数识别方法 | |
| CN110320040A (zh) | 一种基于iitd和amckd的滚动轴承故障特征提取方法 | |
| CN110146156B (zh) | 一种航空发动机转子系统故障振动信号的去噪方法 | |
| CN107966287B (zh) | 一种自适应机电装备微弱故障特征提取方法 | |
| Fu et al. | An improved VMD-based denoising method for time domain load signal combining wavelet with singular spectrum analysis | |
| CN113567162A (zh) | 基于声传感器的风机故障智能诊断装置及方法 | |
| CN103926097B (zh) | 一种用于采集和提取低速重载设备故障特征信息的方法 | |
| CN109212608B (zh) | 基于3D shearlet变换的井中微地震信号去噪方法 | |
| CN114358093A (zh) | 一种电力设备中局部放电的检测方法及设备 | |
| CN110543820A (zh) | 一种基于编辑倒频谱的故障滚动轴承模态参数提取方法 | |
| CN110287853B (zh) | 一种基于小波分解的暂态信号去噪方法 | |
| CN111380680A (zh) | 一种基于改进排列熵的单向阀故障特征提取方法 | |
| CN109712639A (zh) | 一种基于小波阈值滤波的音频采集系统及方法 | |
| CN102928691A (zh) | 检测电气设备电磁瞬态骚扰信号的系统、方法及其装置 | |
| CN112861328B (zh) | 一种基于随机响应信号的发电机阻尼评估装置及方法 | |
| CN110186684A (zh) | 一种航空发动机机械振动故障信号特征提取方法 | |
| CN112766044B (zh) | 疏松样品纵横波速度分析方法、装置及计算机存储介质 | |
| CN112858485B (zh) | 一种转子碰摩故障声发射诊断方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220906 Address after: 710054 No. 58, Yanta Road, Shaanxi, Xi'an Patentee after: XI'AN University OF SCIENCE AND TECHNOLOGY Patentee after: XI'AN COAL MINING MACHINERY Co.,Ltd. Address before: 710054 No. 58, Yanta Road, Shaanxi, Xi'an Patentee before: XI'AN University OF SCIENCE AND TECHNOLOGY |
|
| TR01 | Transfer of patent right |