CN113810025B - 一种摩擦系数的自适应趋势滤波处理方法 - Google Patents
一种摩擦系数的自适应趋势滤波处理方法 Download PDFInfo
- Publication number
- CN113810025B CN113810025B CN202110837973.0A CN202110837973A CN113810025B CN 113810025 B CN113810025 B CN 113810025B CN 202110837973 A CN202110837973 A CN 202110837973A CN 113810025 B CN113810025 B CN 113810025B
- Authority
- CN
- China
- Prior art keywords
- stage
- signal
- lambda
- filtering
- severe
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 37
- 238000003672 processing method Methods 0.000 title claims abstract description 7
- 208000035874 Excoriation Diseases 0.000 claims abstract description 39
- 238000005299 abrasion Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000009825 accumulation Methods 0.000 claims abstract description 4
- 239000000428 dust Substances 0.000 claims abstract description 4
- 238000002474 experimental method Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims abstract description 3
- 230000005526 G1 to G0 transition Effects 0.000 claims 1
- 230000003044 adaptive effect Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 claims 1
- 230000014759 maintenance of location Effects 0.000 claims 1
- 238000005259 measurement Methods 0.000 claims 1
- 239000011159 matrix material Substances 0.000 description 9
- 238000012360 testing method Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H21/00—Adaptive networks
- H03H21/0012—Digital adaptive filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Complex Calculations (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明公开了一种摩擦系数的自适应趋势滤波处理方法,将信号采用滑窗的方法分割为若段段,其中对每一段进行裕度计算,根据裕度即可划分为:平稳磨损阶段及剧烈磨损阶段,剧烈磨损阶段可能为初期磨合也可能为磨屑堆积阶段,裕度因子最小的段即为平稳运行阶段,裕度因子最大的段即为剧烈磨损阶段;在不同的λ下,分别对平稳运行阶段的信号和剧烈磨损的阶段进行趋势滤波;根据平稳运行阶段方差值和剧烈磨损阶段的RK峭度方差值的变化,选取合适的λef;根据第三步中选取的λef,对信号进行滑窗滤波,通过对滑窗滤波后的信号进行拼接,即可得到摩擦磨损实验的曲线。实现平稳摩擦阶段的滤波数据平稳,在剧烈磨损阶段保证了冲击特性,提取出摩擦系数的变化趋势。
Description
技术领域
发明为一种摩擦系数的趋势滤波方法,主要应用在摩擦磨损测试领域。
背景技术
摩擦系数是测量材料磨损的重要参数,可以用于评定润滑油、润滑脂的长时抗磨损性能,以及金属材料的摩擦磨损性能。摩擦系数采用摩擦磨损试验机进行测试,但是摩擦系数在测试过程中受到实验台震动、外界噪声等影响,测量出来摩擦系数含有很大的杂波,并不能较好的反应其摩擦系数变化趋势。
传统的方法多采用平均窗等方法对摩擦系数进行求取,但是摩擦测试过程中,材料堆积这些情况时有发生,这些方法无法准确有效的真是的变化曲线。因此,本发明提出了一种摩擦系数的自适应趋势滤波处理方法。该方法可以实现:在初期阶段需要提取出初期磨损的上升曲线;在摩擦磨损平稳运行阶段,提取出来的趋势信号尽量平稳;磨屑堆积等对摩擦系数有影响,会造成突变,在滤波时尽量去掉该大幅跳变。
发明内容
为了克服上述现有技术不足,本发明提出一种摩擦系数的自适应趋势滤波处理方法。
一种摩擦系数的自适应趋势滤波处理方法,具体步骤如下:
(1)将信号采用滑窗的方法分割为若段段,其中对每一段进行裕度计算,根据裕度即可划分为:平稳磨损阶段及剧烈磨损阶段,剧烈磨损阶段可能为初期磨合也可能为磨屑堆积阶段。裕度因子最小的段即为平稳运行阶段,裕度因子最大的段即为剧烈磨损阶段。
信号y划分为若干段长度为num的数据,第k段数据为{[y](k-1)*delta+1,[y](k-1)*delta+2,…,[y](k-1)*delta+num},该段信号记为yk。
计算信号yk的裕度因子:
由于裕度因子表示磨损程度,因此min{L(yk)}对应的即为平稳磨损阶段,该段信号为max{L(yk)}对应的即为剧烈磨损阶段,该段信号为/>
(2)在不同的λ下,分别对平稳运行阶段的信号和剧烈磨损的阶段进行趋势滤波。
本算法中,λ=5,10,…,500。当λ=λi时,的趋势滤波曲线为的趋势滤波曲线为/>
①令λ′=λi,待提取的信号提取出来的信号为/>
②经过以下公式,更新参数其中
③过更新矩阵Π(t+1),Σ(t+1)中参数/>和/>
④通过更新对角矩阵Λ(t),其对角元素可以计算为/>
⑤通过更新对角矩阵W(t),其对角元素可以计算为/>
⑥过W(t),Π(t+1),Σ(t+1),按照如下公式,更新
⑦取{10-8,c(t)/10}中最大数,更新c(t+1)。
⑧迭代次数为1000时,迭代终止,输出滤波信号此时/>
⑨采用同样方法,即提取信号的趋势信号为/>
⑩根据前面划分的2个阶段:平稳磨损阶段和剧烈磨损阶段分别提取出来的指标变化情况,选取合适的λef。其选取原则如下:
平稳磨损阶段,当λi选取合适时,其方差发生跳变,此时寻找到对应的系数所对应的指针为index1,因此平稳磨损阶段选取跳变发生之后的任意对应指数{λindex1,λindex1+1,…}均可。
剧烈磨损阶段,根据平稳磨损阶段的范围,选取最大值,此时峭度和方差值达到均衡,剧烈磨损阶段选取该值即可,此时最优参数λef=λindex2。
(3)据第二步中选取的λef,对信号进行滑窗滤波,通过对滑窗滤波后的信号进行拼接,即可得到摩擦磨损实验的曲线。
通过本发明提出的摩擦系数的自适应趋势滤波方法可以看出本方法克服了滑窗平均等方法的缺陷,可以实现平稳摩擦阶段的滤波数据平稳,在剧烈磨损阶段保证了冲击特性,同时也提取出摩擦系数的变化趋势。
附图说明
图1是平稳磨损阶段方差随λi变化曲线
图2是剧烈磨损阶段RK随λi变化曲线
图3是根据图1、图2,自动选择λef,摩擦系数的滤波结果
具体实施方式
本发明将原始信号进行了分析,对其平稳磨损阶段的信号在不同λi下的滤波信号与实际信号之间方差进行了分析,图1是平稳磨损阶段方差随λi的变化,可以看出当λi变化时,方差出现了突变,随后的λi变化对方差影响不大,因此可以认为当λi大于80,平稳摩擦阶段的滤波信号不再发生变化。而对剧烈磨损阶段进行分析,可以看到RK随λi发生变化,此时我们可以选择该信号对其分析。根据图1、图2,选择的λef,对信号进行滤波,可以看到其趋势满足摩擦系数的滤波要求,保有平稳和剧烈磨损的特征。
算法流程如下:
(1)信号y划分为若干段长度为num的数据,第k段数据为{[y](k-1)*delta+1,[y](k-1)*delta+2,…,[y](k-1)*delta+num},该段信号记为yk。
计算信号yk的裕度因子:
由于裕度因子表示磨损程度,因此min{L(yk)}对应的即为平稳磨损阶段,该段信号为max{L(yk)}对应的即为剧烈磨损阶段,该段信号为/>
(2)不同的λ下,分别对平稳运行阶段的信号和剧烈磨损的阶段进行趋势滤波。
本算法中,λ=5,10,…,500。当λ=λi时,的趋势滤波曲线为的趋势滤波曲线为/>
①令λ′=λi,待提取的信号提取出来的信号为/>
②经过以下公式,更新参数其中
③过更新矩阵Π(t+1),Σ(t+1)中参数/>和/>
④通过更新对角矩阵Λ(t),其对角元素可以计算为/>
⑤通过更新对角矩阵W(t),其对角元素可以计算为/>
⑥过W(t),Π(t+1),Σ(t+1),按照如下公式,更新
⑦取{10-8,c(t)/10}中最大数,更新c(t+1)。
⑧迭代次数为1000时,迭代终止,输出滤波信号此时/>
⑨采用同样方法,即提取信号的趋势信号为/>
⑩平稳磨损阶段分别计算λi滤波后滤波信号与实际信号之间方差,并计算方差发生最大跳变对应指针为index1,因此平稳磨损阶段选取跳变发生之后的任意对应指数{λindex1,λindex1+1,…}均可。
随后剧烈磨损阶段根据平稳磨损阶段的范围,/>选取最大值,此时峭度和方差值达到均衡,剧烈磨损阶段选取该值即可,此时最优参数λef=λindex2。
(3)据第二步中选取的λef,对信号进行滑窗滤波,即可得到每一段信号的摩擦磨损实验滤波曲线。
①独立常数c(0)=1,混合高斯分布个数M=5,迭代次数t=1000,信号长度num=600,滑窗间隔delta=500。
②将信号y划分为若干段长度为num的数据,第k段数据为{[y](k-1)*delta+1,[y](k-1)*delta+2,…,[y](k-1)*delta+num},该段信号记为yk,其滤波后信号为xk。
③对信号进行趋势滤波:当k=1时,令
④经过以下公式,更新参数其中
⑤过更新矩阵Π(t+1),Σ(t+1)中参数/>和/>
⑥通过更新对角矩阵Λ(t),其对角元素可以计算为/>
⑦通过更新对角矩阵W(t),其对角元素可以计算为/>
⑧通过W(t),Π(t+1),Σ(t+1),按照如下公式,更新
⑨选取{10-8,c(t)/10}中最大数,更新c(t+1)。
⑩当迭代次数为1000时,迭代终止,输出滤波信号此时/>
(4)信号yk的趋势滤波信号即为xk,但是信号在分割过程中每段信号的趋势并不一致,即xk-1与xk在重叠部分的信号趋势不一致,当数据量较大时,会发生明显跳变。xk-1中后100个点与信号xk-1中的前100个点不同,因此计算2个信号之间最短距离点所在位置为localk-1,则x1的信号为同理可知,x2中提取的信号为xk中提取的信号为
复步骤4,直到拼接完成。
Claims (1)
1.一种摩擦系数的自适应趋势滤波处理方法,其特征在于,具体步骤如下:
(1)将信号采用滑窗的方法分割为若干段,其中对每一段进行裕度计算,根据裕度即可划分为:平稳磨损阶段及剧烈磨损阶段,剧烈磨损阶段为初期磨合或者为磨屑堆积阶段,裕度因子最小的段即为平稳运行阶段,裕度因子最大的段即为剧烈磨损阶段;
信号y划分为若干段长度为num的数据,第k段数据为{[y](k-1)*delta+1,[y](k-1)*delta+2,…,[y](k-1)*delta+num},该段信号记为yk;
计算信号yk的裕度因子:
式中num代表信号y划分后的分段信号长度;
由于裕度因子表示磨损程度,因此min{L(yk)}对应的即为平稳磨损阶段,该段信号为max{L(yk)}对应的即为剧烈磨损阶段,该段信号为/>
(2)在不同的参数λ下,分别对平稳运行阶段的信号和剧烈磨损的阶段进行趋势滤波;
λ=5,10,…,500,当λ=λi时,的趋势滤波曲线为/>的趋势滤波曲线为/>
令λ′=λi,待提取的信号提取出来的信号为/>
(3)根据平稳运行阶段方差值和剧烈磨损阶段的RK峭度方差值的变化,选取合适的λef;
第一步:平稳阶段方差值的求解:
当λ参数合适时,平稳阶段通过趋势滤波方法提取的平稳信号与原始信号的方差值可以衡量提取出来的趋势滤波信号是否足够平稳,其方差值不会发生变化,意味着此时已经足够平滑;
平稳阶段的趋势滤波与原始信号之间方差值如下:
第二步:剧烈磨损阶段RK的求解
而剧烈磨损阶段的越大,提取出来的信号越平滑,平稳度越高,但是这也意味着会丢失一些信号中的突变量,特别是对于早期磨损而言,突变量丢失会导致信号的失真;
峭度是衡量保留冲击的重要指标,因此结合摩擦信号特征与λ在信号提取中影响,综合考虑与峭度/>随着λi的变化,采用方差值/>和峭度值乘积/>作为衡量指标,当/>不再发生剧烈变化,意味着λi取值合适;
求解出不同λi下的方差值,如下:
不同λi下的峭度值,如下:
结合峭度及方差值综合考虑,即可选取λef,在此构造指标
第三步,根据方差及RK,求解λef
根据前面划分的2个阶段:平稳磨损阶段和剧烈磨损阶段分别提取出来的指标变化情况,选取合适的λef,其选取原则如下:
平稳磨损阶段,当λi选取合适时,其方差发生跳变,此时寻找到对应的系数所对应的指针为index1,因此平稳磨损阶段选取跳变发生之后的任意对应指数{λindex1,λindex1+1,"}均可;
剧烈磨损阶段,根据平稳磨损阶段的范围,选取最大值,此时峭度和方差值达到均衡,剧烈磨损阶段选取该值即可,此时最优参数λef=λindex2;
(4)根据第三步中选取的λef,对信号进行滑窗滤波,通过对滑窗滤波后的信号进行拼接,即可得到摩擦磨损实验的曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110837973.0A CN113810025B (zh) | 2021-07-23 | 2021-07-23 | 一种摩擦系数的自适应趋势滤波处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110837973.0A CN113810025B (zh) | 2021-07-23 | 2021-07-23 | 一种摩擦系数的自适应趋势滤波处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113810025A CN113810025A (zh) | 2021-12-17 |
CN113810025B true CN113810025B (zh) | 2024-05-10 |
Family
ID=78893150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110837973.0A Active CN113810025B (zh) | 2021-07-23 | 2021-07-23 | 一种摩擦系数的自适应趋势滤波处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113810025B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3064241A1 (en) * | 2012-10-31 | 2014-04-30 | Resource Energy Solutions Inc. | Methods and systems for improved drilling operations using real-time and historical drilling data |
CN104723171A (zh) * | 2015-03-17 | 2015-06-24 | 洛阳理工学院 | 一种基于电流与声发射复合信号的刀具磨损监测方法 |
CN107947761A (zh) * | 2017-12-18 | 2018-04-20 | 西安理工大学 | 基于最小均方四阶的变阈值比例更新自适应滤波算法 |
CN109746765A (zh) * | 2018-11-01 | 2019-05-14 | 北京理工大学 | 一种基于累积和控制理论的刀具失效状态监测方法 |
CN110504877A (zh) * | 2019-08-30 | 2019-11-26 | 广东工业大学 | 电机转速pi调节方法、系统、装置及存储介质 |
CN110926993A (zh) * | 2019-12-18 | 2020-03-27 | 西安交通大学 | 磨损图像采集系统及采集方法 |
CN112613547A (zh) * | 2020-12-16 | 2021-04-06 | 西安交通大学 | 基于Fisher判别字典学习模型的齿轮运行分类方法 |
-
2021
- 2021-07-23 CN CN202110837973.0A patent/CN113810025B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3064241A1 (en) * | 2012-10-31 | 2014-04-30 | Resource Energy Solutions Inc. | Methods and systems for improved drilling operations using real-time and historical drilling data |
CN104723171A (zh) * | 2015-03-17 | 2015-06-24 | 洛阳理工学院 | 一种基于电流与声发射复合信号的刀具磨损监测方法 |
CN107947761A (zh) * | 2017-12-18 | 2018-04-20 | 西安理工大学 | 基于最小均方四阶的变阈值比例更新自适应滤波算法 |
CN109746765A (zh) * | 2018-11-01 | 2019-05-14 | 北京理工大学 | 一种基于累积和控制理论的刀具失效状态监测方法 |
CN110504877A (zh) * | 2019-08-30 | 2019-11-26 | 广东工业大学 | 电机转速pi调节方法、系统、装置及存储介质 |
CN110926993A (zh) * | 2019-12-18 | 2020-03-27 | 西安交通大学 | 磨损图像采集系统及采集方法 |
CN112613547A (zh) * | 2020-12-16 | 2021-04-06 | 西安交通大学 | 基于Fisher判别字典学习模型的齿轮运行分类方法 |
Non-Patent Citations (4)
Title |
---|
MM-200摩擦磨损试验机摩擦系数动态测试系统的实现;张双科;《理化检验》;全文 * |
Research on Road Friction Coefficient Estimation Algorithm Based on Extended Kalman Filter;Zhen-jun Sun;《2008 International Conference on Intelligent Computation Technology and Automation (ICICTA)》;全文 * |
增强稀疏分解及其在叶片振动参数识别中的应用;吴淑明;《机械工程学报》;全文 * |
风电机组齿轮箱早期故障预警方法研究;孟玲霞;徐小力;蒋章雷;赵西伟;;仪器仪表学报(12);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113810025A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7523011B2 (en) | Method for analyzing signal waveform and analyzing vehicle dynamic characteristic | |
KR101339844B1 (ko) | 이동 표준 편차를 이용한 데이터 필터링 장치 및 방법 | |
KR20010075343A (ko) | 저비트율 스피치 코더용 노이즈 억제 방법 및 그 장치 | |
JP2008534989A (ja) | 音声アクティビティ検出装置および方法 | |
CN113927371A (zh) | 一种基于多传感器特征融合的刀具磨损预测方法 | |
CN111595992A (zh) | 一种在线气相色谱峰的快速寻峰方法 | |
CN111912521B (zh) | 一种非平稳信号的频率检测方法和存储介质 | |
CN108536095B (zh) | 一种丝杠磨损量实时预测方法 | |
CN113901379B (zh) | 一种边缘端的实时数据动态在线快速处理方法 | |
CN106052847B (zh) | 对具有旋转的机器组件的机器的监控 | |
CN113810025B (zh) | 一种摩擦系数的自适应趋势滤波处理方法 | |
CN108896274B (zh) | 一种基于子集窗长度优化算法的分布式光纤应变解调方法 | |
CN103674235B (zh) | 基于短时傅里叶变换的单一频率报警声音特征检测方法 | |
CN111736222A (zh) | 单炮数据信噪比确定方法及装置 | |
CN109596354B (zh) | 基于自适应共振频带识别的带通滤波方法 | |
CN106768243B (zh) | 一种快速锁定准确重量方法 | |
CN117313020A (zh) | 一种承载式张力传感器数据处理方法 | |
CN110207987B (zh) | 一种滚动轴承性能退化衰退节点的判定方法 | |
CN110149104A (zh) | 一种机器人零相移实时滤波方法 | |
CN108549086B (zh) | 激光多普勒信号滤波带自适应选择及测试方法 | |
CN111123356B (zh) | 基于初至信息的异常道智能判识方法 | |
JP4076797B2 (ja) | ノイズ除去方法及びノイズ除去フィルタ | |
US7474927B2 (en) | Method for optimizing control parameters | |
CN117332214B (zh) | 基于小波变换与频域相干函数融合式喘振报警方法 | |
CN111914721B (zh) | 一种基于线性回归及高斯阈值的加工状态识别方法 |
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 |