CN113435304A - 提取扭振信号的扭振信息的方法、系统、设备及存储介质 - Google Patents

Abstract

本发明公开提取扭振信号的扭振信息的方法、系统、设备及存储介质，方法的主要流程为以能量熵为粒子群优化算法的适应度函数，采用粒子群优化算法实现对变分模态分解算法参数的精确提取；然后将提取到的最优参数代入变分模态分解算法中实现对扭振信号的降噪分解，而后采用相关系数最大的本征模态函数IMF实现对扭振信号的重构，然后对重构的扭振信号进行零点插值，计算出两脉冲之间的间隔，计算出时间差，算出扭振瞬时转速，最后进行包络谱分析，实现对扭振信号特征提取。本发明提出的扭振信号处理方法，通过粒子群优化算法求出变分模态分解算法的参数K和α为最优组合，以此为基础处理扭振信号，能够得到更加准确的扭振信号特征。

Description

提取扭振信号的扭振信息的方法、系统、设备及存储介质

技术领域

本发明属于扭振信号处理方法的范畴，具体涉及提取扭振信号的扭振信息的方法、系统、设备及存储介质。

背景技术

扭振是一种特殊形式的振动，广泛存在于旋转机械中。发动机是装甲车的核心，除提供动力外，还会带来有害的扭振的激励源。当发动机产生扭振后经过一系列的传动装置最终将激励传递到制动器，从而使得制动器发生扭振。制动器的扭振的对其可靠性是一个潜在的极大威胁，在很大程度上扭振会造成制动器制动效果的降低甚至失效从而引发事故。因此对制动器扭振信号的提取及处理在装甲车的研究中尤为重要。

变分模态分解算法假设信号是由多个模态函数叠加而成的，每个模态函数具有不同的中心频率，通过迭代寻找变分模型的极值来确定每个模态函数(分量)的频率中心及带宽，从而实现信号的频域剖分及各分量的有效分离。但是应用变分模态分解算法扭振信号进行特征模态函数提取时，需要事先指定相应的变分模态分解参数[K,α]，而不同的信号对应的参数不同。若K值过小会发生模态混叠或模态丢失等问题，不能有效提取出扭振特征；K值过大会过度分解，增加算法处理时间。

发明内容

针对上述现有技术中的不足，本发明提供了提取扭振信号的扭振信息的方法、系统、设备及存储介质。本发明通过粒子群优化算法求出变分模态分解算法的参数K和α为最优组合，以此为基础处理扭振信号，能够得到更加准确的扭振特征。

为了实现上述目的，本发明采用如下技术予以实现：

提取扭振信号的扭振信息的方法，包括如下过程：

利用粒子群优化算法求出变分模态分解参数的最优组合，所述粒子群优化算法求出变分模态分解参数包括将扭振信号分解为单分量IMF的分解个数以及惩罚因子；

采用变分模态分解算法以及所述最优组合对采集的扭振信号进行模态分解，得到单分量IMF；

计算单分量IMF与所述扭振信号的相关系数；

用最大的相关系数对应的单分量IMF对扭振信号进行重构，得到重构的扭振信号；

对重构的扭振信号进行零点插值，得到零点插值后的重构的扭振信号；

对零点插值后的重构的扭振信号进行包络谱分析，提取出扭振信息。

优选的，所述粒子群优化算法如下：

其中，

i表示第i个粒子；c₁、c₂为学习因子；r₁、r₂为调节粒子与最优值之间关系的随机函数；x表示粒子的位置，x＝[K,α]，K表示将扭振信号分解为单分量IMF的分解个数，α为惩罚因子，x_i表示第i个粒子的位置；

表示第i个粒子在第n次迭代时的速度；

表示第i个粒子在第n次迭代时的位置；n为迭代次数，v为粒子速度；p_i表示第i个粒子搜索到的局部最优解；p_gi表示第i个粒子搜索到的全局最优解；w为惯性权重。

优选的，利用初始化后的粒子群优化算法求出变分模态分解参数的最优组合；

粒子群优化算法的初始化包括对粒子位置x初始化和对粒子速度v初始化，

其中粒子位置x初始化如下：

x_i＝round(3rand(1,1))(x_max-x_min)+x_min

粒子速度v初始化如下：

v_i＝round(3rand(1,1))+2

其中：round()表示对某个数四舍五入取整数；rand()表示在0到1之间的随机取数；x_max、x_min分别表示x＝[K,α]的最大值和最小值。

优选的，所述粒子群优化算法的适应度函数值L_p如下：

其中，

j表示单分量IMF的序号，E(j)表示第j个单分量IMF的能量，K表示将扭振信号分解为单分量IMF的分解个数。

优选的，所述变分模态分解参数的最优组合求取过程如下：

对粒子群优化算法迭代预设次数，每次迭代得到对应的粒子群优化算法的适应度函数值，将最大的适应度函数值对应的变分模态分解参数的组合作为最优组合。

优选的，单分量IMF与所述扭振信号的相关系数r_K如下：

其中：N为扭振信号y(t)对应的原始信号个数；R_IMFk(i)为第k个IMF的自相关系数，R_y(i)为扭振信号y(t)的自相关系数。

优选的，惯性权重w为：

其中：w_max为最大惯性权重值，w_max＝0.9；w_min为最小惯性权重值，w_min＝0.4；n为第n次迭代；n_max为最大迭代次数。

本发明还提供了一种提取扭振信号的扭振信息的系统，包括：

最优组合计算模块：用于利用粒子群优化算法求出变分模态分解参数的最优组合，所述粒子群优化算法求出变分模态分解参数包括将扭振信号分解为单分量IMF的分解个数以及惩罚因子；

模态分解模块：用于采用变分模态分解算法以及所述最优组合对采集的扭振信号进行模态分解，得到单分量IMF；

相关系数计算模块：用于计算单分量IMF与所述扭振信号的相关系数；

信号重构模块：用于用最大的相关系数对应的单分量IMF对扭振信号进行重构，得到重构的扭振信号；

零点插值模块：用于对重构的扭振信号进行零点插值，得到零点插值后的重构的扭振信号；

扭振信息提取模块：用于对零点插值后的重构的扭振信号进行包络谱分析，提取出扭振信息。

本发明还提供了一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现本发明日上所述的提取扭振信号的扭振信息的方法。

本发明还提供了一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明如上所述的提取扭振信号的扭振信息的方法。

本发明具有如下有益效果：

本发明提取扭振信号的扭振信息的方法中，采用粒子群优化算法能够更准确的提取出变分模态分解算法的参数[K,α]，使得采用变分模态分解算法处理的扭振信号分解效果达到最大、最合理化，降噪效果更加明显，而后采用零点插值进一步处理扭振信号，计算出更加精确的扭振瞬时转速，最后采用包络谱分析，能够更准确的提取出扭振信号特征，其中，K为将扭振信号分解为单分量IMF的分解个数，α为惩罚因子

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为本发明提取扭振信号的扭振信息的方法的流程图；

图2为本发明实施例验证本发明算法信号的时域波形；

图3为本发明实施例中经粒子群优化算法处理得到的适应度函数曲线；

图4(a)为本发明实施例中经变分模态分解的扭振信第一个模态函数IMF图，图4(b)为本发明实施例中经变分模态分解的扭振信第一个模态函数IMF的频谱图；图4(c)为本发明实施例中经变分模态分解的扭振信第二个模态函数IMF图，图4(d)为本发明实施例中经变分模态分解的扭振信第二个模态函数IMF的频谱图；图4(e)为本发明实施例中经变分模态分解的扭振信第三个模态函数IMF图，图4(f)为本发明实施例中经变分模态分解的扭振信第三个模态函数IMF的频谱图；图4(g)为本发明实施例中经变分模态分解的扭振信第四个模态函数IMF图，图4(h)为本发明实施例中经变分模态分解的扭振信第四个模态函数IMF的频谱图；图4(i)为本发明实施例中经变分模态分解的扭振信第五个模态函数IMF图，图4(j)为本发明实施例中经变分模态分解的扭振信第五个模态函数IMF的频谱图；

图5为本发明实施例中重构后的扭振信号时域波形图；

图6为本发明实施例中重构信号的包络谱分析图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提取扭振信号的扭振信息的方法的主要流程为以能量熵为粒子群优化算法的适应度函数，采用粒子群优化算法实现对变分模态分解算法参数的精确提取；然后将提取到的最优参数代入变分模态分解算法中实现对扭振信号的降噪分解，而后采用相关系数最大的本征模态函数IMF实现对扭振信号的重构，然后对重构的扭振信号进行零点插值，计算出两脉冲之间的间隔，计算出时间差，算出扭振瞬时转速，最后进行包络谱分析，实现对扭振信号特征提取。

参照图1-图6，具体的，本发明提取扭振信号的扭振信息的方法包括以下步骤：

S1、采集扭振信号y(t)；

S2、初始化粒子群优化算法的相关参数：

粒子群优化算法如下：

其中：i为第i个粒子；c₁、c₂为学习因子；r₁、r₂为调节粒子与最优值之间关系的随机函数，常取r₁、r₂∈[0,1]；x＝[K,α]，K表示将扭振信号分解为单分量IMF(本征模态函数)的分解个数，α为惩罚因子；

表示第i个粒子在第n次迭代时的速度；

表示第i个粒子在第n次迭代时的位置；n为迭代次数，v为粒子速度，x为粒子位置；p_i表示第i个粒子搜索到的局部最优解；p_gi表示第i个粒子搜索到的全局最优解；w为惯性权重。

粒子位置x初始化：

x_i＝round(3rand(1,1))(x_max-x_min)+x_min (3)

粒子速度v初始化：

v_i＝round(3rand(1,1))+2 (4)

其中：round表示对某个数四舍五入取整数；rand表示在0到1之间的随机取数；x_max、x_min分别表示自变量x＝[K,α]的最大值和最小值。

S3、采用步骤S2每次迭代完成后得到的x＝[K,α]，作为变分模态分解算法的参数，采用变分模态分解算法对步骤S1中采集到的扭振信号y(t)进行模态分解得到K个单分量IMF；

S4、构建粒子群优化算法的适应度函数值：

其中：L_p表示粒子群优化算法的适应度函数值，E(j)表示第j个IMF的能量。

S5、将步骤S2中粒子群优化算法迭代N次，得到N个粒子群优化算法的适应度函数值L_p，寻找最大的L_p，则最大的L_p所对应的[K₀,α₀]为粒子群优化算法的最优解。

S6、将优化得到的[K₀,α₀]作为变分模态分解算法的参数，再次对步骤S1中采集到的扭振信号y(t)进行分解，得到K₀个单分量IMF。

S7、计算步骤S6中得到的K₀个单分量IMF与扭振信号y(t)的相关系数r_K：

其中：N为原始信号个数；R_IMFk(i)为第k个IMF的自相关系数，R_y(i)为扭振信号y(t)的自相关系数。

S8、取步骤S7中相关系数r_K中最大相关系数对应的IMF对扭振信号进行重构，得到重构的扭振信号y'(t)。

S9、对步骤S8重构的扭振信号y'(t)进行零点插值，而后进行包络谱分析，提取出扭振信息。

其中，惯性权重w为：

其中：w_max为最大惯性权重值，w_max＝0.9；w_min为最小惯性权重值，w_min＝0.4；n为第n次迭代；n_max为最大迭代次数。

实施例

本实施例步骤按照图1所示流程图进行处理。具体实施如下：

S1、在扭振实验台上采集一段扭振数据sig，其中采样频率为10240Hz，实验台模拟转速为600rpm、扭振频率为50Hz；等分齿轮齿数为100齿，采样时长为2s，时域波形如图2所示。

S2、初始化粒子群优化算法的相关参数：

粒子群优化算法中，学习因子c₁＝c₂＝2，r₁、r₂∈[0,1]，粒子群的适应度函数自变量分别为K和α取值范围分别为，2≤K≤10,10≤α≤5000，粒子的维度设置为10，速度v范围设置为[-3,3]，粒子群迭代次数设置为1000，最大惯性权重值w_max＝0.9，最小惯性权重值w_min＝0.4。

S3、采用步骤S2每次迭代完成后得到的[K,α]，作为变分模态分解算法的参数，采用变分模态分解算法对步骤S1中采集到的扭振信号sig进行模态分解得到K个单分量IMF；

S4、构建粒子群优化算法的适应度函数值：

其中：L_p表示粒子群优化算法的适应度函数值，E(j)表示第j个IMF的能量。

S5、将步骤S2中粒子群优化算法迭代N次，得到N个粒子群优化算法的适应度函数值L_p，寻找最大的L_p，则最大的L_p所对应的[K₀,α₀]为粒子群优化算法的最优解。

图3所示为粒子群优化算法处理得到的适应度函数曲线，从图3中可以看出，粒子群优化算法迭代1000次，粒子群适应度函数值最后达到了收敛，完成收敛时粒子群的迭代次数为332，对应的[K,α]＝[5,300]。

S6、将优化得到的[K,α]＝[5,300]作为变分模态分解算法的参数，再次对步骤S1中采集到的扭振信号sig进行分解，得到5个单分量IMF，如图4(a)-图4(j)所示。

S7、计算步骤S6中得到的5个单分量IMF与扭振信号sig的相关系数r_K，结果如表1所示，其中IMF1～IMF5分别为第1～第5个单分量IMF对应的相关系数。

表1

S8、从表1可以看出，单分量IMF2的相关系数最大，所以采用IMF2进行重构，得到重构的扭振信号sig'，如图5所示。

S9、对步骤S8重构的扭振信号sig'进行零点插值，计算经过零点的两脉冲之间的时间间隔，计算出时间差，算出扭振瞬时转速，而后进行包络谱分析提取出扭振信息，如图6所示。从图6中可以清楚的看到51.23Hz的扭振频率及其倍频，完成扭振信号的处理，同时验证算法的正确性。

综上所述，本发明提取扭振信号的扭振信息的方法、系统、设备及存储介质，采用粒子群优化算法实现对变分模态分解算法参数的精确提取，使得采用变分模态分解算法处理的扭振信号降噪效果更加明显，而后采用零点插值进一步处理扭振信号，计算出更加精确的扭振瞬时转速，最后采用包络谱分析，能够更清晰的提取出扭振信号特征。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.提取扭振信号的扭振信息的方法，其特征在于，包括如下过程：

利用粒子群优化算法求出变分模态分解参数的最优组合，所述粒子群优化算法求出变分模态分解参数包括将扭振信号分解为单分量IMF的分解个数以及惩罚因子；

采用变分模态分解算法以及所述最优组合对采集的扭振信号进行模态分解，得到单分量IMF；

计算单分量IMF与所述扭振信号的相关系数；

用最大的相关系数对应的单分量IMF对扭振信号进行重构，得到重构的扭振信号；

对重构的扭振信号进行零点插值，得到零点插值后的重构的扭振信号；

对零点插值后的重构的扭振信号进行包络谱分析，提取出扭振信息。

2.根据权利要求1所述的提取扭振信号的扭振信息的方法，其特征在于，所述粒子群优化算法如下：

其中，

i表示第i个粒子；c₁、c₂为学习因子；r₁、r₂为调节粒子与最优值之间关系的随机函数；x表示粒子的位置，x＝[K,α]，K表示将扭振信号分解为单分量IMF的分解个数，α为惩罚因子，x_i表示第i个粒子的位置；

表示第i个粒子在第n次迭代时的速度；

表示第i个粒子在第n次迭代时的位置；n为迭代次数，v为粒子速度；p_i表示第i个粒子搜索到的局部最优解；p_gi表示第i个粒子搜索到的全局最优解；w为惯性权重。

3.根据权利要求2所述的提取扭振信号的扭振信息的方法，其特征在于，利用初始化后的粒子群优化算法求出变分模态分解参数的最优组合；

粒子群优化算法的初始化包括对粒子位置x初始化和对粒子速度v初始化，

其中粒子位置x初始化如下：

x_i＝round(3rand(1,1))(x_max-x_min)+x_min

粒子速度v初始化如下：

v_i＝round(3rand(1,1))+2

其中：round()表示对某个数四舍五入取整数；rand()表示在0到1之间的随机取数；x_max、x_min分别表示x＝[K,α]的最大值和最小值。

4.根据权利要求2所述的提取扭振信号的扭振信息的方法，其特征在于，所述粒子群优化算法的适应度函数值L_p如下：

其中，

j表示单分量IMF的序号，E(j)表示第j个单分量IMF的能量，K表示将扭振信号分解为单分量IMF的分解个数。

5.根据权利要求4所述的提取扭振信号的扭振信息的方法，其特征在于，所述变分模态分解参数的最优组合求取过程如下：

对粒子群优化算法迭代预设次数，每次迭代得到对应的粒子群优化算法的适应度函数值，将最大的适应度函数值对应的变分模态分解参数的组合作为最优组合。

6.根据权利要求4所述的提取扭振信号的扭振信息的方法，其特征在于，单分量IMF与所述扭振信号的相关系数r_K如下：

其中：N为扭振信号y(t)对应的原始信号个数；R_IMFk(i)为第k个IMF的自相关系数，R_y(i)为扭振信号y(t)的自相关系数。

7.根据权利要求2所述的提取扭振信号的扭振信息的方法，其特征在于，惯性权重w为：

其中：w_max为最大惯性权重值，w_max＝0.9；w_min为最小惯性权重值，w_min＝0.4；n为第n次迭代；n_max为最大迭代次数。

8.提取扭振信号的扭振信息的系统，其特征在于，包括：

最优组合计算模块：用于利用粒子群优化算法求出变分模态分解参数的最优组合，所述粒子群优化算法求出变分模态分解参数包括将扭振信号分解为单分量IMF的分解个数以及惩罚因子；

模态分解模块：用于采用变分模态分解算法以及所述最优组合对采集的扭振信号进行模态分解，得到单分量IMF；

相关系数计算模块：用于计算单分量IMF与所述扭振信号的相关系数；

信号重构模块：用于用最大的相关系数对应的单分量IMF对扭振信号进行重构，得到重构的扭振信号；

零点插值模块：用于对重构的扭振信号进行零点插值，得到零点插值后的重构的扭振信号；

扭振信息提取模块：用于对零点插值后的重构的扭振信号进行包络谱分析，提取出扭振信息。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至7中任意一项所述的提取扭振信号的扭振信息的方法。

10.一种存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的提取扭振信号的扭振信息的方法。

Images