CN113242043A - 一种电主轴测量数据远程传输中的数据压缩方法 - Google Patents
一种电主轴测量数据远程传输中的数据压缩方法 Download PDFInfo
- Publication number
- CN113242043A CN113242043A CN202110613285.6A CN202110613285A CN113242043A CN 113242043 A CN113242043 A CN 113242043A CN 202110613285 A CN202110613285 A CN 202110613285A CN 113242043 A CN113242043 A CN 113242043A
- Authority
- CN
- China
- Prior art keywords
- data
- real
- time data
- algorithm
- electric spindle
- 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
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本申请涉及一种远程压缩数据传输,提出了一种电主轴测量数据远程传输中的数据压缩方法,方法包括:首先获取电主轴的关键物理参数的实时数据,再对所述实时数据通过第一算法得到实时数据的最佳稀疏表示,接着利用测量矩阵对最佳稀疏表示进行降采样压缩,再将采样所得的采样数据远程传输至云服务器,最后对云服务器接收的采样数据通过匹配追踪类算法重构,使其恢复压缩前的实时数据。本申请对主轴测试的数据通过压缩感知方法进行远程快速传输,并且保证高维、异构的大容量数据经过压缩,减小数据传输的压力和传输时间。
Description
【技术领域】
本申请涉及一种远程压缩数据传输,特别涉及一种电主轴测量数据远程传输中的数据压缩方法。
【背景技术】
在电主轴运行过程中利用多传感器监测主轴的状态参数,运用数据处理方法对采集的数据进行综合分析并实现电主轴健康状态评估,是制定电主轴维修决策的前提,对主轴健康管理技术的发展、可靠性水平的提升都具有重要意义。
传统的传感器检测系统需要在现场布局大量的线缆和监控设备,并且配备专业人员现场值守,存在检测智能化程度低、浪费人力物力的缺点。互联网+制造是未来中国制造领域发展的重点之一,提高制造业的智能化、数字化水平,是目前急需要解决的重要问题。智能化、数字化伴随着大量的数据通讯,同时如何提高数据的传输速度,加快工业信息转换,又是工业智能化与数字化的前提。
【发明内容】
本申请的目的在于提供一种电主轴测量数据远程传输中的数据压缩方法,对电主轴测量数据通过压缩感知方法进行远程快速传输,并且保证高维、异构的大容量数据经过压缩,减小数据传输的压力和传输时间。
本申请是通过以下技术方案实现的:一种电主轴测量数据远程传输中的数据压缩方法,该方法步骤如下:
步骤S1、获取电主轴的关键物理参数的实时数据;
步骤S2、对步骤S1所述的实时数据通过第一算法得到实时数据的最佳稀疏表示;
步骤S3、利用测量矩阵对最佳稀疏表示进行降采样压缩;
步骤S4、将采样所得的采样数据远程传输至云服务器;
步骤S5、对云服务器接收的采样数据通过匹配追踪类算法重构,使其恢复压缩前的实时数据。
具体的,步骤S2中的第一算法包括:通过稀疏变换得到所述实时数据的最佳稀疏表示。
进一步地,步骤S2通过稀疏变换得到最佳稀疏表示的具体步骤包括:
若在某个正交基或紧框架Ψ下,实时数据X∈RN是可以压缩的,则实时数据X在框架Ψ下的变换系数为:
F=ΨTX
式中,F为实时数据X的等价或逼近的稀疏表示,R为实数集,T 为矩阵的转置,N为自然数集。
进一步地,所述步骤S2中的第一算法包括:通过正交基字典自适应地寻找能够逼近实时数据特征的最优正交基,然后得到所述实时数据的最佳稀疏表示。
更进一步地,所述步骤S2中的第一算法包括:通过冗余字典算法进行运算,然后得到所述实时数据的最佳稀疏表示。
具体的,所述步骤S3测量矩阵的方法如下:
设M×N维的观测矩阵Φ,其中Φ与Ψ不相关,则观测集合Y为:
Y=ΦF=ΦΨTX
上式也可写为:
Y=AX
式中,A观测矩阵(测量矩阵),其维度为M×N,M为测量矩阵的行数,N为测量矩阵的列数,观测集合Y可以看作输入实时数据X 通过观测矩阵A所获得的测量值序列。
具体的,所述步骤S5的匹配追踪类算法的具体步骤如下:
步骤S54:利用最小二乘法进行信号逼近以及余量更新
式中,ΦΛ为重建原子集合,rnew为新的余量。
步骤S55:若新的余量与上一次余量差的范数大于阈值∈2,即‖ rnew-r‖≥∈2,令r=rnew,n=n+1,然后进行步骤S52,若‖rnew-r‖ <∈2,则停止迭代。
与现有技术相比,本申请有如下优点:
本申请的一种电主轴测量数据远程传输中的数据压缩方法,利用压缩感知技术将大容量的电主轴性能参数的传感器数据进行降采样压缩,降低了数据在远程无线传输中的带宽压力,操作简单且可以压缩各类型数据。
【附图说明】
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例的电主轴动态数据远程数据传输系统示意图。
图2为本申请实施例的电主轴动态数据远程数据传输系统的工作流程图。
图3为本申请实施例的电主轴振动信号经过压缩感知和信号重构后的时域波形图。
图4为本申请实施例的电主轴在4000r/min时振动传感器的时域波形图。
图5为本申请实施例的电主轴振动信号经过基于正交匹配追踪算法(OMP)的信号重构的时域波形图。
图1中:(1)检测装置;(2)数据采集平台;(3)第一数据传输单元;(4)云服务器;(5)基站;(6)第二数据传输单元;(7)本地服务器;(8)交换机;(9)监控中心;(10)客户端。
【具体实施方式】
为了使本申请所解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1至图5所示,本申请实施例提出一种电主轴测量数据远程传输中的数据压缩方法,本实施例所述的实时数据以电主轴振动信号为例,该方法步骤如下:
步骤S1、获取电主轴的关键物理参数的振动信号。搭建电主轴系统以及运行所需要的控制单元,同时保证冷却装置和润滑装置都能正常工作。布局传感器器检测单元包括振动传感器、温度传感器、声学成像仪、转速仪、噪声传感器以及流量传感器。振动传感器检测电主轴的振动信号,采用压电式IEPE型振动传感器,通过磁座与电主轴平台连接;温度传感器采用热电偶检测电主轴表面温度,噪声传感器检测电主轴旋转过程中产生的机械噪声,采用IEPE自由场传声器。数据采集装置由微处理器(STM32 Arm Cortex)组成的嵌入式系统,内部含有多路高精度A/D转换器,为了保证传感器的正常工作,数据采集平台还包含了维持振动传感器、噪声传感器工作的恒流源电路和放大电路,以及温度传感器的供电和调理电路。数据采集平台集成了以太网通信芯片和无线网络芯片,完成多通道数据采集和数据发送的功能,数据采集平台自带64G存储卡,可以存储7天左右的数据。
如图4所示,其为电主轴在转速4000r/min时所采集到的振动信号的数据。
步骤S2、对步骤S1所述的振动信号通过第一算法得到振动信号的最佳稀疏表示;所述步骤S2中的第一算法包括:通过稀疏变换,选择合适振动信号的正交基,然后得到所述振动信号的最佳稀疏表示;或通过正交基字典自适应地寻找能够逼近振动信号特征的最优正交基,然后得到所述振动信号的最佳稀疏表示;当振动信号不能用正交基稀疏分解时,通过冗余字典算法进行运算,然后得到所述振动信号的最佳稀疏表示。
具体的,所述步骤S2通过稀疏变换得到最佳稀疏表示的具体步骤包括:
若在某个正交基或紧框架Ψ下,振动信号X∈RN是可以压缩的,则振动信号X在框架Ψ下的变换系数为:
F=ΨTX
式中,F为振动信号X的等价或逼近的稀疏表示,R为实数集,T 为矩阵的转置,N为自然数集。
步骤S3、利用测量矩阵对最佳稀疏表示进行采样压缩,获得采样数据,所述步骤S3测量矩阵的方法如下:
设M×N维的观测矩阵Φ,其中Φ与Ψ不相关,则观测集合Y为:
Y=ΦF=ΦΨTX
上式也可写为:
Y=AX
式中,A观测矩阵(测量矩阵),其维度为M×N,M为测量矩阵的行数,N为测量矩阵的列数,观测集合Y可以看作输入振动信号X 通过观测矩阵A所获得的测量值序列。
传统奈奎斯特采样定理需要较多的采样点方能实现信号重构,其对信号进行均匀采样,过多的采样点导致相邻采样点之间存在冗余。压缩感知理论中,在信号满足稀疏定义的前提下,利用行数小于列数的观测矩阵对信号进行采样,采样所得的每个观测值即为信号的线性组合,即每个测量值均包含信号的少量信息,此时观测值之间将存在很少的的冗余信息,每个观测值比基于传统奈奎斯特定理所得的采样点更为有效。通过测量矩阵后的观测数据能有效地压缩数据容量。
步骤S4、将采样数据远程传输至云服务器。数据传输单元集成在数据采集单元内部,通过串行总线与数据采集装置的主控CPU通信,数据传输单元通过将串口数据转换为IP数据,IP数据的协议为 json或protobuf协议,将采样数据通过无线网络芯片远程传输到服务器。
步骤S5、对云服务器接收的采样数据采用匹配追踪类算法重构,使其恢复压缩前的振动信号。
接收端通过无线网络芯片或者以太网等方式访问服务器,从服务器下载传感器的采样数据,采用匹配追踪类算法所重构的稀疏信号具有最小范数,其算法基本原理就是对采样数据的系数和支撑集不断进行迭代更新,在每次迭代过程中,通过选择一个局部最优解来实现对于实时数据的逼近过程。
信号重构是压缩感知理论的核心。所谓重构,是指由前述的M个观测重构原始长度为N的振动信号X的过程,并且M<<N。因此重构振动信号X的过程就可转化为解方程组Y=AX,Y为观测信号,X为振动信号,但是由于信号长度N远远大于观测数量M,所以这是一个欠定的方程组,理论上无解。由于振动信号X是稀疏的,方程组Y=AX 可解,并且测量矩阵的RIP(Restricted Isometry Property,有限等距性质)性质也为重构提供了理论保证。
定义向量X={x1,x2,…,xn}的P范数为
||X||P表示向量X的P范数,当P=0时得到向量的l0范数,表示X 中非零项的个数。因此,求解欠定方程组的问题转化为在等式Y=AX 的约束下的最小l0范数的优化问题;
式中||.||0为向量l0范数,即振动信号X中非零元素的个数。压缩感知重构算法的性能和由观测矩阵所得观测向量长度密切相关,由于观测向量长度M小于信号长度N,所以等效于求解一个欠定方程组。表面上看,无法获得这一问题的具体解。但是,由于振动信号x满足稀疏或可压缩先验前提,使得求解欠定方程组的问题变得可行。
但是,最小l0范数问题是一个NP-hard问题,需要穷举X中非零项的所有(N个数中取K个数)种排列可能,当数据序列很长时这样的计算量是难以想象的。因此,研究人员提出了一系列求次最优解的算法,主要包括最小l1范数法、匹配追踪法、迭代阈值法等。
正交匹配追踪类算法所重构的稀疏信号具有最小l0范数,其算法基本原理就是对信号的系数和支撑集不断进行迭代更新,在每次迭代过程中,通过选择一个局部最优解来实现对于原始信号的逼近过程,不断进行迭代直至信号收敛条件满足,算法在收敛速度方面表现出了极大的优越性,并且具有简单灵活的优点。
所述步骤S5的匹配追踪类算法的具体步骤如下:
步骤S54:利用最小二乘法进行信号逼近以及余量更新:
式中,ΦΛ为重建原子集合,rnew为新的余量。
步骤S55:若新的余量与上一次余量差的范数大于阈值∈2,即‖ rnew-r‖≥∈2,令r=rnew,n=n+1,然后进行步骤S52,若‖rnew-r‖ <∈2,则停止迭代。
当然,系统的后端监控中心布局在企业总部,接受各个网络节点发送的实时数据,可用于进行数据存储、集中展示、数据分析、智能诊断和预测等。
综上所述,本申请具有但不限于以下有益效果:
本发明一种电主轴测量数据远程传输中的数据压缩方法利用压缩感知技术将大容量的主轴性能参数的传感器数据进行降采样压缩,降低了数据在远程无线传输中的带宽压力。
应当理解的是,本申请中采用术语“第一”、“第二”等来描述各种信息,但这些信息不应限于这些术语,这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,“第一”信息也可以被称为“第二”信息,类似的,“第二”信息也可以被称为“第一”信息。
如上所述是结合具体内容提供的一种或多种实施方式,并不认定本申请的具体实施只局限于这些说明。凡与本申请的方法、结构等近似、雷同,或是对于本申请构思前提下做出若干技术推演,或替换都应当视为本申请的保护范围。
Claims (7)
1.一种电主轴测量数据远程传输中的数据压缩方法,其特征在于,该方法步骤如下:
步骤S1、获取电主轴的关键物理参数的实时数据;
步骤S2、对步骤S1所述的实时数据通过第一算法得到实时数据的最佳稀疏表示;
步骤S3、利用测量矩阵对最佳稀疏表示进行降采样压缩;
步骤S4、将采样所得的采样数据远程传输至云服务器;
步骤S5、对云服务器接收的采样数据通过匹配追踪类算法重构,使其恢复压缩前的实时数据。
2.根据权利要求1所述的一种电主轴测量数据远程传输中的数据压缩方法,其特征在于,所述步骤S2中的第一算法包括:通过稀疏变换得到所述实时数据的最佳稀疏表示。
3.根据权利要求2所述的一种电主轴测量数据远程传输中的数据压缩方法,其特征在于,所述步骤S2通过稀疏变换得到最佳稀疏表示的具体步骤包括:
若在某个正交基或紧框架Ψ下,实时数据X∈RN是可以压缩的,则实时数据X在框架Ψ下的变换系数为:
F=ΨTX
式中,F为实时数据X的等价或逼近的稀疏表示,R为实数集,T为矩阵的转置,N为自然数集。
4.根据权利要求1所述的一种电主轴测量数据远程传输中的数据压缩方法,其特征在于,所述步骤S2中的第一算法包括:通过正交基字典自适应地寻找能够逼近实时数据特征的最优正交基,然后得到所述实时数据的最佳稀疏表示。
5.根据权利要求1所述的一种电主轴测量数据远程传输中的数据压缩方法,其特征在于,所述步骤S2中的第一算法包括:通过冗余字典算法进行运算,然后得到所述实时数据的最佳稀疏表示。
6.根据权利要求3所述的一种电主轴测量数据远程传输中的数据压缩方法,其特征在于,所述步骤S3测量矩阵的方法如下:
设M×N维的观测矩阵Φ,Φ与Ψ不相关,则观测集合Y为:
Y=ΦF=ΦΨTX
上式也可写为:
Y=AX
式中,A观测矩阵(测量矩阵),其维度为M×N,M为测量矩阵的行数,N为测量矩阵的列数,观测集合Y可以看作输入实时数据X通过观测矩阵A所获得的测量值序列。
7.根据权利要求6所述的一种电主轴测量数据远程传输中的数据压缩方法,其特征在于,所述步骤S5的匹配追踪类算法的具体步骤如下:
步骤S54:利用最小二乘法进行信号逼近以及余量更新;
式中,ΦΛ为重建原子集合,rnew为新的余量。
步骤S55:若新的余量与上一次余量差的范数大于阈值∈2,即‖rnew-r‖≥∈2,令r=rnew,n=n+1,然后进行步骤S52,若‖rnew-r‖<∈2,则停止迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110613285.6A CN113242043A (zh) | 2021-06-02 | 2021-06-02 | 一种电主轴测量数据远程传输中的数据压缩方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110613285.6A CN113242043A (zh) | 2021-06-02 | 2021-06-02 | 一种电主轴测量数据远程传输中的数据压缩方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113242043A true CN113242043A (zh) | 2021-08-10 |
Family
ID=77136346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110613285.6A Pending CN113242043A (zh) | 2021-06-02 | 2021-06-02 | 一种电主轴测量数据远程传输中的数据压缩方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113242043A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938649A (zh) * | 2012-09-27 | 2013-02-20 | 江苏大学 | 基于压缩感知理论的电能质量数据自适应重构解压缩方法 |
CN103280084A (zh) * | 2013-04-24 | 2013-09-04 | 中国农业大学 | 一种多参数实时监测的数据采集方法 |
US20130289942A1 (en) * | 2011-01-10 | 2013-10-31 | Keying Wu | Method and apparatus for measuring and recovering sparse signals |
CN103823133A (zh) * | 2013-12-07 | 2014-05-28 | 西南交通大学 | 一种基于压缩感知的在线电能质量监测系统 |
CN104601176A (zh) * | 2014-11-28 | 2015-05-06 | 江苏大学 | 基于正则化自适应匹配追踪的电力系统数据重构方法 |
CN109670485A (zh) * | 2019-01-23 | 2019-04-23 | 华南理工大学 | 基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法 |
CN111740746A (zh) * | 2020-07-17 | 2020-10-02 | 皖江工学院 | 一种风力发电在线故障诊断的数据压缩方法 |
-
2021
- 2021-06-02 CN CN202110613285.6A patent/CN113242043A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130289942A1 (en) * | 2011-01-10 | 2013-10-31 | Keying Wu | Method and apparatus for measuring and recovering sparse signals |
CN102938649A (zh) * | 2012-09-27 | 2013-02-20 | 江苏大学 | 基于压缩感知理论的电能质量数据自适应重构解压缩方法 |
CN103280084A (zh) * | 2013-04-24 | 2013-09-04 | 中国农业大学 | 一种多参数实时监测的数据采集方法 |
CN103823133A (zh) * | 2013-12-07 | 2014-05-28 | 西南交通大学 | 一种基于压缩感知的在线电能质量监测系统 |
CN104601176A (zh) * | 2014-11-28 | 2015-05-06 | 江苏大学 | 基于正则化自适应匹配追踪的电力系统数据重构方法 |
CN109670485A (zh) * | 2019-01-23 | 2019-04-23 | 华南理工大学 | 基于多数据压缩追踪算法的旋转机械局部型故障远程诊断方法 |
CN111740746A (zh) * | 2020-07-17 | 2020-10-02 | 皖江工学院 | 一种风力发电在线故障诊断的数据压缩方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Compressed sensing signal and data acquisition in wireless sensor networks and internet of things | |
US20190243799A1 (en) | Synthesizing high-fidelity time-series sensor signals to facilitate machine-learning innovations | |
Gaeta et al. | Multisignal 1-D compression by F-transform for wireless sensor networks applications | |
CN103280084B (zh) | 一种多参数实时监测的数据采集方法 | |
CN113446988B (zh) | 基于云边融合架构的机场跑道道面状态监测系统及方法 | |
CN108435819B (zh) | 一种铝型材挤压机能耗异常检测方法 | |
Al-Qurabat et al. | Two-level energy-efficient data reduction strategies based on SAX-LZW and hierarchical clustering for minimizing the huge data conveyed on the internet of things networks | |
Djelouat et al. | IoT based compressive sensing for ECG monitoring | |
CN111093166B (zh) | 在物联网中使用稀疏测量矩阵的压缩数据收集系统 | |
Zhao et al. | Edge collaborative compressed sensing in wireless sensor networks for mechanical vibration monitoring | |
Padalkar et al. | Data gathering in wireless sensor network for energy efficiency with and without compressive sensing at sensor node | |
CN113242043A (zh) | 一种电主轴测量数据远程传输中的数据压缩方法 | |
CN110311685A (zh) | 时序贝叶斯压缩采样及信号解压缩重构方法及数据丢失恢复方法 | |
Sustika et al. | Compressive sensing algorithm for data compression on weather monitoring system | |
CN109905129A (zh) | 基于分布式压缩传感的低开销电力数据采集方法 | |
CN115102983B (zh) | 基于压缩感知的电力物联网多源异构数据信号处理方法 | |
CN116659702A (zh) | 一种井下电路板温度分布性能监测方法及装置 | |
CN114739660A (zh) | 齿轮箱健康监测方法及系统 | |
Wagner et al. | A multiscale data representation for distributed sensor networks | |
CN105791190A (zh) | 多参数实时监测的数据传输方法及系统 | |
CN116067600A (zh) | 幕墙工作模态参数识别、故障诊断与健康状态监测方法 | |
WO2019127502A1 (zh) | 工业物联网装置的监控预测装置、系统及方法 | |
Guangquan et al. | Bearing fault diagnosis from raw vibration signals using multi-layer extreme learning machine | |
Hashemipour et al. | Big data compression in smart grids via optimal singular value decomposition | |
JP7091220B2 (ja) | 計算機、センシングシステム、及びデータ通信方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210810 |