CN116451029B - 一种除湿器工作状态预警方法 - Google Patents
一种除湿器工作状态预警方法 Download PDFInfo
- Publication number
- CN116451029B CN116451029B CN202310706318.0A CN202310706318A CN116451029B CN 116451029 B CN116451029 B CN 116451029B CN 202310706318 A CN202310706318 A CN 202310706318A CN 116451029 B CN116451029 B CN 116451029B
- Authority
- CN
- China
- Prior art keywords
- peak
- signal
- suspicious
- signals
- noise
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 abstract description 5
- 230000009467 reduction Effects 0.000 description 11
- 238000001228 spectrum Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007791 dehumidification Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/26—Drying gases or vapours
-
- 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
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0248—Filters characterised by a particular frequency response or filtering method
- H03H17/0255—Filters based on statistics
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Analytical Chemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Air Conditioning Control Device (AREA)
Abstract
本发明涉及数据处理技术领域,提出了一种除湿器工作状态预警方法,包括:采集湿度数据,构成原始湿度曲线;对原始湿度曲线进行EMD分解得到若干分量信号,根据每个分量信号中单峰信号的分布,获取每个单峰信号的可疑噪声概率,根据每个分量信号的幅值表现获取每个分量信号的方差贡献率;根据可疑噪声概率及方差贡献率,获取每个分量信号的可疑单峰信号集合,对每个可疑单峰信号集合计算噪声判定参数,根据可疑单峰信号集合及噪声判定参数得到若干噪声单峰信号;根据噪声单峰信号并通过维纳滤波,得到去噪湿度曲线,通过去噪湿度曲线完成除湿器工作状态预警。本发明旨在解决湿度数据由于噪声影响而限制除湿器调控精度的问题。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种除湿器工作状态预警方法。
背景技术
除湿器是一种用于控制室内湿度的电器设备,其工作原理是通过循环通风和降低相对湿度来达到除湿的效果;除湿器在工作中会遇到一些问题,例如水箱满、设备故障等情况,这些问题可能会导致除湿器无法正常工作或者损坏设备,因此一些除湿器会提供工作状态预警功能,可以及时提醒用户进行检修和维护;其中工作状态异常预警功能经常出现误报、漏报的情况,因此仍需要对其预警系统进行优化,才能满足大量推广的性能需求。
预警系统准确度较低的原因在于除湿器的湿度传感器灵敏度受限,湿度调控误将噪声信号识别为真实湿度信号,这些噪声来源于温度、气流、电路、以及外界电磁干扰,即使是再优质的传感器在使用一定时间后也会由于发热、老化等原因导致精度下降容易产生噪声,因此需要优化预处理模块的降噪功能;由于噪声源复杂、噪声随机叠加的特性,传统降噪算法总是存在无差别平滑的问题,去噪后的信号与真实信号误差较大,这极大限制了除湿器智能调控的精度,也使预警系统将误差较大的降噪信号错认为实际室内湿度,出现调控故障也不能及时识别和报警。
发明内容
本发明提供一种除湿器工作状态预警方法,以解决现有的湿度数据由于噪声影响而限制除湿器调控精度的问题,所采用的技术方案具体如下:
本发明一个实施例提供了一种除湿器工作状态预警方法,该方法包括以下步骤:
采集湿度数据,构成原始湿度曲线;
根据每个分量信号中单峰信号的分布,获取每个单峰信号的可疑噪声概率;
根据每个分量信号的幅值表现获取每个分量信号的方差贡献率;
根据可疑噪声概率及方差贡献率,获取每个分量信号的可疑单峰信号集合的噪声判定参数;
根据可疑单峰信号集合及噪声判定参数得到若干噪声单峰信号;
根据噪声单峰信号并通过维纳滤波,得到去噪湿度曲线,通过去噪湿度曲线完成除湿器工作状态预警。
可选的,所述获取每个单峰信号的可疑噪声概率,包括的具体方法为:
对原始湿度曲线进行EMD分解得到若干分量信号,获取每个分量信号中若干峰值点及对应的单峰信号,以及每个单峰信号的时宽;第个分量信号中第/>个单峰信号的可疑噪声概率/>的计算方法为:
其中,表示第/>个分量信号中第/>个单峰信号的峰值点的横坐标,/>表示第个分量信号中与/>之间横坐标距离最小的峰值点的横坐标,/>表示第/>个分量信号中第/>个单峰信号的时宽,/>表示第/>个分量信号中与/>之间横坐标距离最小的峰值点对应单峰信号的时宽,/>表示以自然常数为底的指数函数;
获取每个分量信号中每个单峰信号的可疑噪声概率。
可选的,所述获取每个分量信号中若干峰值点及对应的单峰信号,以及每个单峰信号的时宽,包括的具体方法为:
获取每个分量信号中若干峰值点及谷值点,以任意一个峰值点为目标峰值点,将目标峰值点左侧相邻的谷值点到右侧相邻的谷值点之间的信号曲线,记为目标峰值点的单峰信号,左右相邻的两个谷值点之间的横坐标差值,记为目标单峰信号的时宽;
获取每个峰值点对应的单峰信号,以及每个单峰信号的时宽。
可选的,所述获取每个分量信号中若干峰值点及谷值点,包括的具体方法为:
对每个分量信号进行求导,根据导数为0且两侧导数为一正一负的极值特征,得到每个分量信号中的若干极值点,其中两侧导数左正右负的为峰值点,而左负右正的为谷值点。
可选的,所述根据每个分量信号的幅值表现获取每个分量信号的方差贡献率,包括的具体方法为:
以任意一个分量信号为目标分量信号,获取目标分量信号中的所有幅值,对所有幅值计算方差,记为目标分量信号的幅值方差;
计算每个分量信号的幅值方差,将所有幅值方差之和记为总幅值方差,将每个分量信号的幅值方差与总幅值方差的比值,记为每个分量信号的方差贡献率。
可选的,所述获取每个分量信号的可疑单峰信号集合的噪声判定参数,包括的具体方法为:
获取每个分量信号的可疑单峰数量及可疑单峰信号集合,第个分量信号的可疑单峰信号集合的噪声判定参数/>的计算方法为:
其中,表示第/>个分量信号的可疑单峰数量,/>表示第/>个分量信号的可疑单峰信号集合中第/>个单峰信号的可疑噪声概率,/>表示第/>个分量信号的可疑单峰信号集合中所有单峰信号的可疑噪声概率的均方差;
获取每个分量信号的可疑单峰信号集合的噪声判定参数。
可选的,所述获取每个分量信号的可疑单峰数量及可疑单峰信号集合,包括的具体方法为:
以任意一个分量信号为目标分量信号,将目标分量信号中所有单峰信号按照可疑噪声概率降序排列,得到的序列记为该分量信号的单峰可疑序列,将目标分量信号的方差贡献率与目标分量信号中单峰信号数量的乘积并向下取整得到的结果,作为目标分量信号的可疑单峰数量;将单峰可疑序列中前可疑单峰数量的单峰信号进行提取,提取到的单峰信号组成目标分量信号的可疑单峰信号集合;
获取每个分量信号的可疑单峰数量及可疑单峰信号集合。
可选的,所述根据可疑单峰信号集合及噪声判定参数得到若干噪声单峰信号,包括的具体方法为:
将第一个分量信号中所有单峰信号均视为噪声单峰信号,将噪声判定参数大于等于预设第一阈值的分量信号的可疑单峰信号集合中的单峰信号,作为噪声单峰信号,小于预设第一阈值的可疑单峰信号集合中的单峰信号则不进行判定,得到若干噪声单峰信号。
本发明的有益效果是:本发明针对除湿器容易受到复杂噪声干扰,导致湿度调控错误以及无效预警的问题,提出通过改进估测噪声功率谱密度的获取方法进而优化维纳滤波的降噪效果;在EMD分解的分量信号中,根据不同单峰信号的特征重叠程度获取可疑噪声概率,然后以每个分量信号中的方差贡献率作为筛选范围,得到每个分量信号的可疑单峰信号集合,根据可疑单峰信号集合的可疑噪声概率分布特征,对所筛选的可疑噪声信号进一步验证其为噪声的可能性,设置阈值,得到最终每个分量信号中的噪声单峰信号,进行重构并利用傅里叶变换得到其噪声功率谱密度;相比于当前直接默认噪声为靠前的分量信号的方法,在信号成分特殊的情况下,对不同类型噪声的筛除效果以及细节信息的保留效果更好,进而使维纳滤波的性能得到优化,提高湿度监测数据的准确性,减少无效预警的发生。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种除湿器工作状态预警方法流程示意图;
图2为原始湿度曲线示意图。
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,所描述的实施例仅仅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。
请参阅图1,其示出了本发明一个实施例所提供的一种除湿器工作状态预警方法流程图,该方法包括以下步骤:
步骤S001、采集湿度数据,构成原始湿度曲线。
本实施例的目的是对除湿器通过湿度传感器获取的湿度数据进行去噪,避免湿度数据不准确而影响除湿器工作状态监测,因此首先需要获取湿度数据;本实施例通过除湿器的湿度传感器采集室内的湿度数据,采集近30分钟的湿度数据,采样时间间隔本实施例设置为30秒,按照时序关系,则可以将采集到的湿度数据转换到坐标系中形成湿度曲线,记为原始湿度曲线;请参阅图2,其示出了原始湿度曲线的示意图,图2中横坐标为时刻,纵坐标为相对湿度,其中时刻0即为时序关系中的第一个湿度数据。
至此,采集到了湿度数据,并得到了原始湿度曲线。
步骤S002、对原始湿度曲线进行EMD分解得到若干分量信号,根据每个分量信号中单峰信号的分布,获取每个单峰信号的可疑噪声概率,根据每个分量信号的幅值表现获取每个分量信号的方差贡献率。
需要说明的是,维纳滤波的基本原理为:在已知待处理信号和噪声的统计特性情况下,构造一个最优的线性滤波器,以最小化输出信号与原信号之间的误差平方和,因此其算法核心在于如何准确估测真实信号和噪声的功率谱密度;传统算法一般通过直接消除基线项来估测噪声功率,但是叠加在除湿器上的噪声类型复杂,既有高频噪声也有低频噪声,因此信号基线仅通过局部求均所得本身就是不准确的,噪声功率谱的估测自然不够理想,很大程度上限制了维纳滤波的降噪效果。
进一步需要说明的是,通过对原始湿度曲线进行EMD分解得到若干分量信号,常规方法默认前三个分量信号为噪声分量信号,因为噪声频率普遍较高,集中分布在靠前的分量信号中;然而湿度曲线的噪声类型复杂,高频噪声可以通过默认前三个分量信号获取,而低频噪声则无法直接获取;同时湿度调控变化相对缓慢,因此湿度数据不存在频繁的连续变化,因此连续变化的信号即使较为低频,其为噪声信号的概率较大,因此通过对所有分量信号中的每个单峰信号进行分析,对信号特征不重叠且波动频繁的分量信号进行提取,作为可疑单峰信号。
具体的,首先对原始湿度曲线进行EMD分解得到若干分量信号,EMD分解为公知技术,本实施例不再赘述;对每个分量信号进行求导,根据导数为0且两侧导数为一正一负的极值特征,得到每个分量信号中的若干极值点,其中左正右负的为峰值点,而左负右正的为谷值点;对于任意一个峰值点,将该峰值点左侧相邻的谷值点到右侧相邻的谷值点之间的信号曲线,记为该峰值点的单峰信号,左右相邻的两个谷值点之间的横坐标差值,记为该单峰信号的时宽;按照上述方法获取每个峰值点对应的单峰信号以及时宽,需要说明的是,若峰值点为分量信号中第一个极值点或最后一个极值点,则峰值点不存在左侧相邻谷值点或右侧相邻谷值点,以分量信号第一个时刻的横坐标或最后一个时刻的横坐标参与时宽的计算。
进一步的,以第个分量信号中第/>个单峰信号为例,其可疑噪声概率/>的计算方法为:
其中,表示第/>个分量信号中第/>个单峰信号的峰值点的横坐标,/>表示第个分量信号中与/>之间横坐标距离最小的峰值点的横坐标,/>表示第/>个分量信号中第/>个单峰信号的时宽,/>表示第/>个分量信号中与/>之间横坐标距离最小的峰值点对应单峰信号的时宽,/>表示以自然常数为底的指数函数,本实施例以/>来呈现反比例关系及归一化处理,实施者可根据实际情况选择反比例函数及归一化函数;即表示了两个分量信号中横坐标距离最小的峰值点之间的横坐标差值,即时间差,时间差越大,表明单峰信号特征越突出,特征表达越强,纵向上有其他单峰信号重叠的概率越小,则可疑噪声概率越大;同时引入单峰信号的时宽,时宽越小,单峰信号变化越频率,可疑噪声概率越大;按照上述方法获取每个分量信号中每个单峰信号的可疑噪声概率。
进一步的,对于任意一个分量信号,获取该分量信号中的所有幅值,即所有时刻的纵坐标,需要说明的是,分量信号中时刻数量与原始湿度曲线的时刻数量相等,且每个时刻一一对应;对所有幅值计算方差,记为该分量信号的幅值方差;计算每个分量信号的幅值方差,将所有幅值方差之和记为总幅值方差,将每个分量信号的幅值方差与总幅值方差的比值,记为每个分量信号的方差贡献率,则得到了每个分量信号的方差贡献率。
至此,通过EMD分解得到了若干分量信号,并计算了每个分量信号的方差贡献率,同时通过极值点获取,得到了若干单峰信号以及每个单峰信号的可疑噪声概率。
步骤S003、根据可疑噪声概率及方差贡献率,获取每个分量信号的可疑单峰信号集合,对每个可疑单峰信号集合计算噪声判定参数,根据可疑单峰信号集合及噪声判定参数得到若干噪声单峰信号。
需要说明的是,获取到方差贡献率后,方差贡献率能够反映分量信号中包含的原始湿度曲线的波动信息占比,而波动信息占比则可以看作是噪声信息含量的占比,通过对单峰信号根据可疑噪声概率进行降序排列,并根据方差贡献率对序列进行筛选得到可疑单峰信号集合;进而根据可疑单峰信号集合计算噪声判定参数,得到噪声单峰信号。
具体的,以任意一个分量信号为例,将该分量信号中所有单峰信号按照可疑噪声概率降序排列,得到的序列记为该分量信号的单峰可疑序列,将该分量信号的方差贡献率与该分量信号中单峰信号数量的乘积并向下取整得到的结果,作为该分量信号的可疑单峰数量;将单峰可疑序列中前可疑单峰数量的单峰信号进行提取,提取到的单峰信号组成该分量信号的可疑单峰信号集合;按照上述方法获取每个分量信号的可疑单峰信号集合。
进一步的,以第个分量信号为例,该分量信号的可疑单峰信号集合的噪声判定参数/>的计算方法为:
其中,表示第/>个分量信号的可疑单峰数量,/>表示第/>个分量信号的可疑单峰信号集合中第/>个单峰信号的可疑噪声概率,/>表示第/>个分量信号的可疑单峰信号集合中所有单峰信号的可疑噪声概率的均方差;可疑单峰信号集合中单峰信号的可疑噪声概率越大,这些单峰信号越可能为真实噪声信号,噪声判定参数越大;而均方差越小,可疑噪声概率越接近,则为真实噪声信号的概率越大,噪声判定参数越大;通过欧式范数将可疑噪声概率均值及均方差特征进行整合,整合结果的最大值为/>,则通过/>对整合结果进行归一化;按照上述方法获取每个分量信号的可疑单峰信号集合的噪声判定参数。
进一步的,得到的若干分量信号中,第一个分量信号不存在上级分量信号,因此其特征不被任何上级分量信号覆盖,特征表达极为突出,因此将第一个分量信号中所有单峰信号均视为噪声单峰信号;而对于之后的分量信号,设置预设第一阈值,本实施例预设第一阈值采用0.7进行计算,将噪声判定参数大于等于预设第一阈值的分量信号的可疑单峰信号集合中的单峰信号,作为噪声单峰信号,小于预设第一阈值的可疑单峰信号集合中的单峰信号则不进行判定,则得到了若干噪声单峰信号。
至此,通过对每个分量信号获取可疑单峰信号集合,得到了若干噪声单峰信号;随着分量信号的序数越大,上级分量信号越多,特征表达越弱,可疑噪声概率及方差贡献率都会变小,而如果存在一定数量特征突出的单峰信号,则可以筛选出这些低频的噪声单峰信号,进而保证高频噪声及低频噪声都可以被筛选得到。
步骤S004、根据噪声单峰信号并通过维纳滤波,得到去噪湿度曲线,通过去噪湿度曲线完成除湿器工作状态预警。
需要说明的是,步骤S003得到的噪声单峰信号均是在EMD分解算法的基础上所得的估测噪声信号,由于EMD分解过程存在一定误差,因此不能从分量信号中直接去除噪声单峰信号再进行重构,需要通过重构得到噪声估测曲线,再获取噪声功率谱,通过维纳滤波实现降噪处理,得到去噪湿度曲线。
具体的,对所有噪声单峰信号进行重构,得到噪声估测曲线,重构即为EMD分解的逆过程,且仅对噪声单峰信号进行重构,其他单峰信号不参与重构,即根据噪声单峰信号的时序对应关系完成重构;对噪声估测曲线进行傅里叶变换转化为频谱,记为噪声功率谱,进而得到噪声功率谱密度,并输入到维纳滤波中,本实施例对维纳滤波的滤波尺寸设置为7,通过维纳滤波实现对原始湿度曲线的降噪处理,降噪得到的曲线记为降噪湿度曲线,其中噪声功率谱密度计算以及维纳滤波均为现有技术,本实施例不再赘述。
进一步的,除湿器根据降噪湿度曲线中最后一个湿度数据,即最新的湿度数据,对当前时刻的湿度进行调控,使室内湿度能够保持在人体舒适的湿度区间中;而若湿度调控错误,即湿度超出人体舒适的湿度区间,表明除湿器工作状态发生故障,启动预警系统,利用声音、LED灯、APP推送等形式进行故障预警。
至此,通过对原始湿度曲线进行降噪得到去噪湿度曲线,保证了数据的准确性,减少了由于监测数据失真导致的调控错误问题,使得除湿器工作状态的监测结果更加准确。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种除湿器工作状态预警方法,其特征在于,该方法包括以下步骤:
采集湿度数据,构成原始湿度曲线;
对原始湿度曲线进行EMD分解得到分量信号,根据每个分量信号中单峰信号的分布,获取每个单峰信号的可疑噪声概率;
根据每个分量信号的幅值表现获取每个分量信号的方差贡献率;
根据可疑噪声概率及方差贡献率,获取每个分量信号的可疑单峰信号集合的噪声判定参数;
根据可疑单峰信号集合及噪声判定参数得到若干噪声单峰信号;
根据噪声单峰信号并通过维纳滤波,得到去噪湿度曲线,通过去噪湿度曲线完成除湿器工作状态预警;
所述获取每个分量信号的可疑单峰信号集合的噪声判定参数,包括的具体方法为:
获取每个分量信号的可疑单峰数量及可疑单峰信号集合,第个分量信号的可疑单峰信号集合的噪声判定参数/>的计算方法为:
其中,表示第/>个分量信号的可疑单峰数量,/>表示第/>个分量信号的可疑单峰信号集合中第/>个单峰信号的可疑噪声概率,/>表示第/>个分量信号的可疑单峰信号集合中所有单峰信号的可疑噪声概率的均方差;
获取每个分量信号的可疑单峰信号集合的噪声判定参数;
所述获取每个分量信号的可疑单峰数量及可疑单峰信号集合,包括的具体方法为:
以任意一个分量信号为目标分量信号,将目标分量信号中所有单峰信号按照可疑噪声概率降序排列,得到的序列记为该分量信号的单峰可疑序列,将目标分量信号的方差贡献率与目标分量信号中单峰信号数量的乘积并向下取整得到的结果,作为目标分量信号的可疑单峰数量;将单峰可疑序列中前可疑单峰数量的单峰信号进行提取,提取到的单峰信号组成目标分量信号的可疑单峰信号集合;
获取每个分量信号的可疑单峰数量及可疑单峰信号集合。
2.根据权利要求1所述的一种除湿器工作状态预警方法,其特征在于,所述获取每个单峰信号的可疑噪声概率,包括的具体方法为:
对原始湿度曲线进行EMD分解得到若干分量信号,获取每个分量信号中若干峰值点及对应的单峰信号,以及每个单峰信号的时宽;第个分量信号中第/>个单峰信号的可疑噪声概率/>的计算方法为:
其中,表示第/>个分量信号中第/>个单峰信号的峰值点的横坐标,/>表示第/>个分量信号中与/>之间横坐标距离最小的峰值点的横坐标,/>表示第/>个分量信号中第/>个单峰信号的时宽,/>表示第/>个分量信号中与/>之间横坐标距离最小的峰值点对应单峰信号的时宽,/>表示以自然常数为底的指数函数;
获取每个分量信号中每个单峰信号的可疑噪声概率。
3.根据权利要求2所述的一种除湿器工作状态预警方法,其特征在于,所述获取每个分量信号中若干峰值点及对应的单峰信号,以及每个单峰信号的时宽,包括的具体方法为:
获取每个分量信号中若干峰值点及谷值点,以任意一个峰值点为目标峰值点,将目标峰值点左侧相邻的谷值点到右侧相邻的谷值点之间的信号曲线,记为目标峰值点的单峰信号,左右相邻的两个谷值点之间的横坐标差值,记为目标单峰信号的时宽;
获取每个峰值点对应的单峰信号,以及每个单峰信号的时宽。
4.根据权利要求3所述的一种除湿器工作状态预警方法,其特征在于,所述获取每个分量信号中若干峰值点及谷值点,包括的具体方法为:
对每个分量信号进行求导,根据导数为0且两侧导数为一正一负的极值特征,得到每个分量信号中的若干极值点,其中两侧导数左正右负的为峰值点,而左负右正的为谷值点。
5.根据权利要求1所述的一种除湿器工作状态预警方法,其特征在于,所述根据每个分量信号的幅值表现获取每个分量信号的方差贡献率,包括的具体方法为:
以任意一个分量信号为目标分量信号,获取目标分量信号中的所有幅值,对所有幅值计算方差,记为目标分量信号的幅值方差;
计算每个分量信号的幅值方差,将所有幅值方差之和记为总幅值方差,将每个分量信号的幅值方差与总幅值方差的比值,记为每个分量信号的方差贡献率。
6.根据权利要求1所述的一种除湿器工作状态预警方法,其特征在于,所述根据可疑单峰信号集合及噪声判定参数得到若干噪声单峰信号,包括的具体方法为:
将第一个分量信号中所有单峰信号均视为噪声单峰信号,将噪声判定参数大于等于预设第一阈值的分量信号的可疑单峰信号集合中的单峰信号,作为噪声单峰信号,小于预设第一阈值的可疑单峰信号集合中的单峰信号则不进行判定,得到若干噪声单峰信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310706318.0A CN116451029B (zh) | 2023-06-15 | 2023-06-15 | 一种除湿器工作状态预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310706318.0A CN116451029B (zh) | 2023-06-15 | 2023-06-15 | 一种除湿器工作状态预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116451029A CN116451029A (zh) | 2023-07-18 |
CN116451029B true CN116451029B (zh) | 2023-09-01 |
Family
ID=87122248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310706318.0A Active CN116451029B (zh) | 2023-06-15 | 2023-06-15 | 一种除湿器工作状态预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116451029B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117216483B (zh) * | 2023-11-07 | 2024-02-20 | 湖南一特医疗股份有限公司 | 一种制氧机流量监测数据处理方法 |
CN117235652B (zh) * | 2023-11-14 | 2024-02-09 | 山东鑫大地控股集团有限公司 | 一种基于大数据的钢丝加工环境监管方法及系统 |
CN117390373B (zh) * | 2023-12-13 | 2024-05-17 | 广东企禾科技有限公司 | 一种通信传输设备调测维修管理方法及系统 |
CN117870993B (zh) * | 2024-03-12 | 2024-05-24 | 中建安装集团有限公司 | 基于多传感器的转轮除湿机回风泄漏检测方法及系统 |
CN118010165B (zh) * | 2024-04-08 | 2024-06-11 | 宁波泰利电器有限公司 | 一种直发梳自动感应温度预警方法及系统 |
CN118077562A (zh) * | 2024-04-23 | 2024-05-28 | 陕西炬烽建筑劳务有限公司 | 一种园林智能浇灌调控系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111643068A (zh) * | 2020-05-07 | 2020-09-11 | 长沙理工大学 | 基于emd及其能量的心电信号去噪算法、设备和存储介质 |
CN111881858A (zh) * | 2020-07-31 | 2020-11-03 | 中南大学 | 一种微震信号多尺度去噪方法、装置及可读存储介质 |
CN112508088A (zh) * | 2020-12-03 | 2021-03-16 | 重庆邮智机器人研究院有限公司 | 一种基于dedbn-elm的脑电情感识别方法 |
CN113836756A (zh) * | 2021-11-29 | 2021-12-24 | 山东华尚电气有限公司 | 一种立体卷铁心变压器的退火工艺智能监测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017205382A1 (en) * | 2016-05-23 | 2017-11-30 | The University Of New Hampshire | Techniques for empirical mode decomposition (emd)-based signal de-noising using statistical properties of intrinsic mode functions (imfs) |
-
2023
- 2023-06-15 CN CN202310706318.0A patent/CN116451029B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111643068A (zh) * | 2020-05-07 | 2020-09-11 | 长沙理工大学 | 基于emd及其能量的心电信号去噪算法、设备和存储介质 |
CN111881858A (zh) * | 2020-07-31 | 2020-11-03 | 中南大学 | 一种微震信号多尺度去噪方法、装置及可读存储介质 |
CN112508088A (zh) * | 2020-12-03 | 2021-03-16 | 重庆邮智机器人研究院有限公司 | 一种基于dedbn-elm的脑电情感识别方法 |
CN113836756A (zh) * | 2021-11-29 | 2021-12-24 | 山东华尚电气有限公司 | 一种立体卷铁心变压器的退火工艺智能监测方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于改进EMD和双谱分析的电机轴承故障诊断实现;陈宗祥 等;电机与控制学报(第05期);第82-87页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116451029A (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116451029B (zh) | 一种除湿器工作状态预警方法 | |
CN116626408B (zh) | 基于机器学习的电源纹波噪声检测方法 | |
CN116955938A (zh) | 一种基于数据分析的干式废气处理设备监测方法及系统 | |
CN110717472B (zh) | 基于改进的小波阈值去噪的故障诊断方法及系统 | |
CN117407700A (zh) | 一种带电作业过程中作业环境的监测方法 | |
CN112945546B (zh) | 一种齿轮箱复杂故障精确诊断方法 | |
CN117131336B (zh) | 一种电子设备连接器数据处理方法 | |
CN115165079A (zh) | 一种基于多种声音特征分析的设备报警方法 | |
CN117092980B (zh) | 一种基于大数据的电气故障检测控制系统 | |
CN115099291B (zh) | 一种建筑节能监测方法 | |
CN117763460A (zh) | 一种基于声纹分析的变压器故障检测方法及系统 | |
CN112033656A (zh) | 一种基于宽带谱处理的机械系统故障检测方法 | |
CN110459197B (zh) | 用于微弱盲信号去噪与提取的信号增强器及方法 | |
CN116482526A (zh) | 一种用于非故障相阻抗继电器的分析系统 | |
CN116431621A (zh) | 一种水产养殖水质多参量数据处理方法 | |
CN115859054A (zh) | 基于mic和ceemdan的水电机组尾水管压力脉动数据滤波方法 | |
CN115067878A (zh) | 基于EEGNet的静息态脑电意识障碍分类方法及系统 | |
CN109242219B (zh) | 蛋鸡采食行为的预测方法及蛋鸡采食行为的预测装置 | |
CN112287835A (zh) | 一种基于ewt-se及小波阈值的叶片声信号降噪方法 | |
CN117727313B (zh) | 用于野外鸟类声音数据的智能降噪方法 | |
CN111864688B (zh) | 一种特高压直流控制保护系统otdr分层多级事件精准提取定位方法 | |
CN117874433B (zh) | 一种水处理用深度脱氮生物过滤装备监测系统 | |
CN110440909B (zh) | 一种基于噪声自适应识别的振动信号信噪比计算方法 | |
CN116662323A (zh) | 一种基于扩散模型的空调用电采集数据缺失值填充方法 | |
CN115114955B (zh) | 一种基于声音与振动信号的设备故障检测方法 |
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 |