CN116750290A - 一种袋式包装机的运行状态智能监测方法 - Google Patents

一种袋式包装机的运行状态智能监测方法 Download PDF

Info

Publication number
CN116750290A
CN116750290A CN202311013267.XA CN202311013267A CN116750290A CN 116750290 A CN116750290 A CN 116750290A CN 202311013267 A CN202311013267 A CN 202311013267A CN 116750290 A CN116750290 A CN 116750290A
Authority
CN
China
Prior art keywords
component signal
signal
filtered
component
current
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.)
Granted
Application number
CN202311013267.XA
Other languages
English (en)
Other versions
CN116750290B (zh
Inventor
刘德成
李建军
刘德东
马晓辉
王建军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Yilong Packaging Machinery Co ltd
Original Assignee
Qingdao Yilong Packaging Machinery Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Yilong Packaging Machinery Co ltd filed Critical Qingdao Yilong Packaging Machinery Co ltd
Priority to CN202311013267.XA priority Critical patent/CN116750290B/zh
Publication of CN116750290A publication Critical patent/CN116750290A/zh
Application granted granted Critical
Publication of CN116750290B publication Critical patent/CN116750290B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • BPERFORMING OPERATIONS; TRANSPORTING
    • B65CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65BMACHINES, APPARATUS OR DEVICES FOR, OR METHODS OF, PACKAGING ARTICLES OR MATERIALS; UNPACKING
    • B65B57/00Automatic control, checking, warning, or safety devices
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请涉及数据处理领域,提供一种袋式包装机的运行状态智能监测方法,包括:采集袋式包装机电机的原始功率数据,利用小波变换算法对原始功率数据进行分解,得到多条分量信号,多条分量信号对应不同的频率;确定每条分量信号的噪声影响程度,基于每条分量信号的噪声影响程度选择对应的滤波窗口对所述分量信号进行滤波,得到滤波分量信号;基于滤波分量信号得到原始功率数据对应的去噪功率数据,并基于所述去噪功率数据进行异常检测,根据检测结果调整袋式包装机参数。该方法能够对原始功率数据进行有效的去噪,使得去噪后的功率数据不包含噪声,并且去噪后的功率数据能够表现出原始功率数据的特征。

Description

一种袋式包装机的运行状态智能监测方法
技术领域
本申请涉及数据处理领域,特别是涉及一种袋式包装机的运行状态智能监测方法。
背景技术
袋式包装机是一种将产品装入塑料袋中并对其进行密封的自动化设备,为了保证袋式包装机的高效运行和产品质量,需要对其参数进行控制和调整。因为袋式包装机在进行工作时,一般会分为取袋、打印日期、开袋吹气、填充、整型、封合、成品输出这几个阶段,该设备在PLC控制下,主要由电机带动减速器,通过各种传感器、连杆、凸轮、开关号及控制指令,按照事先设定的参数完成包装机各部位功能的运转,并且每一步骤连续进行。但是因为在设备运行过程中,因为电压的不稳定和电机齿轮的磨损等原因会导致其功率不稳定,那么会影响整个生产线的正常运行,因此需要对电机的功率数据进行监测,从而来对袋式包装机生产线的情况做出相应的调整。但是因为采集功率数据时会因为电机的震动和发热等因素的影响造成采集的功率数据受到噪声的影响,因此需要对功率数据进行去噪处理,然后再识别出异常功率点。
但是现有技术对数据进行去噪的算法比较多,每一种去噪算法的效果也是不一样的,并且一些去噪算法会影响原始功率数据的特征。因此需要一种去噪效果好,并且能够保持数据原有特征的去噪方法对功率数据进行去噪处理。
发明内容
本发明提供一种袋式包装机的运行状态智能监测方法,该方法能够对原始功率数据进行有效的去噪,使得去噪后的功率数据不包含噪声,并且去噪后的功率数据能够表现出原始功率数据的特征。
第一方面,本申请提供一种袋式包装机的运行状态智能监测方法,包括:
采集袋式包装机电机的原始功率数据,利用小波变换算法对原始功率数据进行分解,得到多条分量信号,多条分量信号对应不同的频率;
确定每条分量信号的噪声影响程度,基于每条分量信号的噪声影响程度选择对应的滤波窗口对所述分量信号进行滤波,得到滤波分量信号;其中,分量信号的噪声影响程度与所述分量信号对应的滤波窗口尺寸正相关;
基于滤波分量信号得到原始功率数据对应的去噪功率数据,并基于所述去噪功率数据进行异常检测,根据检测结果调整袋式包装机参数。
在一可选实施例中,基于滤波分量信号得到原始功率数据对应的去噪功率数据,包括:
计算每一滤波分量信号的重构系数;
利用小波逆变换算法基于所述重构系数对滤波分量信号进行重构,进而得到所述去噪功率数据。
在一可选实施例中,计算每一滤波分量信号的重构系数,包括:
计算当前滤波分量信号与滤波分量信号集合中除当前滤波分量信号外其他滤波信号分量的第一相似度,以及计算当前滤波分量信号与所述原始功率数据的第二相似度;
计算所述第一相似度以及所述第二相似度的乘积,进而得到当前滤波分量信号的重构系数。
在一可选实施例中,计算当前滤波分量信号与滤波分量信号集合中除当前滤波分量信号外其他滤波信号分量的第一相似度,包括:
计算当前滤波分量信号中数据点的幅值与每一参考滤波信号分量中数据点的幅值的差值的绝对值之和,得到当前滤波分量信号与每一参考滤波信号分量之间的差异值;参考滤波信号为滤波分量信号集合中除当前滤波分量信号外其他任一滤波信号分量;
将当前滤波分量信号与所有参考滤波信号分量之间的差异值相加,得到当前滤波分量信号与滤波分量信号集合中除当前滤波分量信号外其他滤波信号分量的第一差异之和;
计算当前滤波分量信号与滤波分量信号集合中除当前滤波分量信号外所有其他滤波信号分量之间的第三相似度;
基于所述第一差异之和和所述第三相似度确定所述第一相似度;
其中,所述第一相似度的计算方式为:
表示第/>条滤波分量信号与滤波分量信号集合中除第/>条滤波分量信号外其他滤波信号分量的第一相似度,/>表示第/>条滤波分量信号的第i个数据点的幅值,/>表示第条滤波分量信号的第/>个数据点的幅值,/>表示第/>条滤波分量信号与第/>条滤波分量信号之间的差异值,n表示第/>条滤波分量信号上数据点的数量,表示第/>条滤波分量信号与滤波分量信号集合中除第/>条滤波分量信号外其他滤波信号分量的第一差异之和,/>表示第/>条滤波分量信号与第/>条滤波分信号之间的第三相似度,N表示滤波分量信号的总数量,exp表示以自然常数e为底的指数函数,DTW表示动态时间规整算法,用于计算第三相似度。
在一可选实施例中,计算当前滤波分量信号与所述原始功率数据的第二相似度,包括:
确定原始功率数据的极小值点;
基于所述极小值点的幅值和滤波分量信号中与所述极小值点对应的数据点的幅值之差、所述极小值点的数量计算当前滤波分量信号与所述原始功率数据的第二相似度;
其中,第二相似度的计算方式为:
式中,表示第/>条滤波分量信号与原始功率数据的第二相似度,/>表示原始功率数据中第/>极小值点的幅值,/>表示第/>条滤波分量信号中与原始功率数据中第/>极小值点对应的第/>个数据点的幅值,/>表示极小值点的个数。
在一可选实施例中,确定每条分量信号的噪声影响程度,包括:
计算每条分量信号中每一数据点的去噪置信度:所述去噪置信度表征所述数据点受噪声影响的程度;
计算分量信号上所有数据点的去噪置信度的平均值,将分量信号上所有数据点的去噪置信度的平均值作为所述分量信号的噪声影响程度。
在一可选实施例中,计算每条分量信号中每一数据点的去噪置信度,包括:
计算分量信号中相邻数据点之间的斜率,进而得到所述分量信号的平均斜率,将平均斜率最小的分量信号作为基底信号;
基于所述分量信号与所述基底信号之间的差异计算每条分量信号的波动程度;
基于当前分量信号与分量信号集合中除当前分量信号外其他信号分量的第二差异之和、当前分量信号中当前数据点的波动与所述当前分量信号的波动程度的比值、当前分量信号的波动程度与分量信号集合中除当前分量信号外其他信号分量的波动程度的平均值的差值计算得到当前分量信号中当前数据点的去噪置信度。
在一可选实施例中,基于所述分量信号与所述基底信号之间的差异计算每条分量信号的波动程度,包括:
基于当前分量信号中数据点的幅值与基底信号中数据点的幅值的第三差异之和,和当前分量信号的幅值方差计算每条分量信号的波动程度;
其中,所述分量信号的波动程度的计算方式为:
式中,表示第/>条分量信号的波动程度,/>表示第/>条分量信号中数据点的幅值与基底信号中数据点的幅值的第三差异之和,/>表示第/>条分量信号中第/>个数据点的幅值,/>表示基底信号中第/>个数据点的幅值,/>表示第/>条分量信号中包含的数据点的个数;
表示第/>条分量信号的幅值方差, />表示第/>条分量信号的平均幅值。
在一可选实施例中,当前分量信号中当前数据点的去噪置信度的计算方式为:
式中,表示第/>条分量信号与分量信号集合中除第/>条分量信号外其他信号分量的第二差异之和,/>表示第/>条分量信号中第i个数据点的幅值,/>表示第r条分量信号中第i个数据点的幅值,N表示分量信号的总数量,n表示分量信号中数据点的总数量;
表示第/>条分量信号中第i个数据点的波动与第/>条分量信号的波动程度的比值,/>表示第/>条分量信号的平均幅值;
表示第/>条分量信号的波动程度/>与分量信号集合中除第/>条分量信号外其他信号分量的波动程度的平均值的差值,/>表示分量信号集合中除第/>条分量信号外其他信号分量的波动程度的平均值,/>表示第r条分量信号的波动程度。
在一可选实施例中,基于所述去噪功率数据进行异常检测,根据检测结果调整袋式包装机参数,包括:
如果去噪功率数据的波动大于第一阈值或小于第二阈值,则确定去噪功率异常,从而基于去噪功率数据的波动调整袋式包装机参数。
本申请的有益效果,区别于现有技术,本申请的袋式包装机的运行状态智能监测方法,包括:采集袋式包装机电机的原始功率数据,利用小波变换算法对原始功率数据进行分解,得到多条分量信号,多条分量信号对应不同的频率;确定每条分量信号的噪声影响程度,基于每条分量信号的噪声影响程度选择对应的滤波窗口对所述分量信号进行滤波,得到滤波分量信号;其中,分量信号的噪声影响程度与所述分量信号对应的滤波窗口尺寸正相关;基于滤波分量信号得到原始功率数据对应的去噪功率数据,并基于所述去噪功率数据进行异常检测,根据检测结果调整袋式包装机参数。该方法能够对原始功率数据进行有效的去噪,使得去噪后的功率数据不包含噪声,并且去噪后的功率数据能够表现出原始功率数据的特征。
附图说明
图1为本发明袋式包装机的运行状态智能监测方法的一实施例的流程示意图;
图2为图1中步骤S12的一实施例的流程示意图;
图3为图2中步骤S21的一实施例的流程示意图;
图4为图1中步骤S13的一实施例的流程示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
袋式包装机在进行工作时,一般会分为取袋、打印日期、开袋吹气、填充、整型、封合、成品输出这几个阶段,该设备在PLC控制下,主要由电机带动减速器,通过各种传感器、连杆、凸轮、开关号及控制指令,按照事先设定的参数完成包装机各部位功能的运转,并且每一步骤连续进行。但是因为在设备运行过程中,因为电压的不稳定和电机齿轮的磨损等原因会导致其功率不稳定,那么会影响整个生产线的正常运行,因此需要对电机的功率数据进行监测,从而来对袋式包装机生产线的情况做出相应的调整。但是因为采集功率数据时会因为电机的震动和发热等因素的影响造成采集的功率数据受到噪声的影响,因此需要对功率数据进行去噪处理,然后再识别出异常功率点。本申请提出一种袋式包装机的运行状态智能监测方法,具体的,该方法能够对原始功率数据进行有效的去噪,使得去噪后的功率数据不包含噪声,并且去噪后的功率数据能够表现出原始功率数据的特征。下面结合附图和实施例对本申请进行详细的说明。
请参见图1,图1为本发明袋式包装机的运行状态智能监测方法的一实施例的流程示意图,具体包括:
步骤S11:采集袋式包装机电机的原始功率数据,利用小波变换算法对原始功率数据进行分解,得到多条分量信号,多条分量信号对应不同的频率。
首先需要获取电机的功率数据,采集电机的功率数据可使用专业的电机测试仪器,如功率分析仪、多功能电力分析仪等,对电机进行实时监测和测试,以获取电机的原始功率数据。
因为电机的功率会影响袋式包装机的包装效果,在功率一定的情况下,设备的运行是处于的一个平稳状态的,每一个环节都会根据设定好的参数进行运行。但是当电机因为电压的波动或机器运行的损耗造成实际运行功率小于额定功率时,在进行包装的过程中可能会出现包装袋的偏移等情况,因此需要对电机的功率数据进行监测,以保障在进行包装时各环节不会出现错位。而采集数据时因为电机的震动等因素会造成功率数据中存在噪声的影响,因此需要对获得的数据进行去噪处理。
小波变换算法具有较好的去噪效果,能够对数据中的高频噪声和低频噪声进行抑制,表现出原有数据的变化特点。因此,本申请利用小波变换算法进行去噪。但是小波变换算法在进行去噪时,需要根据不同频率数据的变化获得合适的重构系数,使得合成后的数据不包含噪声,能够反映数据的变化趋势。
本申请利用小波变换算法对原始功率数据进行分解,得到多条分量信号,多条分量信号对应不同的频率。因为在进行小波分解时,每一次分解选择的小波基函数的频率不同,然后在原始功率数据上进行遍历,会获得原始功率数据与小波基函数的差异,其差异就表示的在不同频率下基函数与原始功率数据的分量,进而获得不同频率下的分量信号。然后根据分解后的分量信号的变化特征进行特征分析,来获得每个分量信号的变化程度。
步骤S12:确定每条分量信号的噪声影响程度,基于每条分量信号的噪声影响程度选择对应的滤波窗口对所述分量信号进行滤波,得到滤波分量信号。
其中,分量信号的噪声影响程度与所述分量信号对应的滤波窗口尺寸正相关。具体的,噪声影响程度越大,滤波窗口尺寸就越大。需要说明的是,本申请使用中值滤波算法基于每条分量信号的噪声影响程度选择对应的滤波窗口对所述分量信号进行滤波,得到滤波分量信号。
由于每条分量信号滤波窗口尺寸与每条分量信号的噪声影响程度有关,即正相关,因此本实施例需要计算每条分量信号的噪声影响程度。
在一实施例中,请结合图2,步骤S12包括:
步骤S21:计算每条分量信号中每一数据点的去噪置信度:所述去噪置信度表征所述数据点受噪声影响的程度。
具体的,请结合图3,步骤S21包括:
步骤S31:计算分量信号中相邻数据点之间的斜率,进而得到所述分量信号的平均斜率,将平均斜率最小的分量信号作为基底信号。
具体的,因为电机的功率数据是一条波动程度较小的曲线,但是因为噪声的影响形成的叠加信号其波动程度较大,那么在对每个分量信号进行去噪时,选择一条波动程度最小的分量信号作为基底信号,然后将基底信号作为参考信号来计算每个分量信号的波动程度。具体地,计算分量信号中相邻两个数据点之间的斜率,然后计算整个分量信号的平均斜率,选择平均斜率最小的分量信号作为基底信号。然后将分量信号与基底信号进行比较,获得每一条分量信号的变化程度,具体如步骤S32所示。
步骤S32:基于所述分量信号与所述基底信号之间的差异计算每条分量信号的波动程度。
具体的,基于当前分量信号中数据点的幅值与基底信号中数据点的幅值的第三差异之和,和当前分量信号的幅值方差计算每条分量信号的波动程度。在一具体实施例中,分量信号的波动程度的计算方式为:
式中,表示第/>条分量信号的波动程度,/>表示当前分量信号例如第/>条分量信号中数据点的幅值与基底信号中数据点的幅值的第三差异之和,/>表示第/>条分量信号中第/>个数据点的幅值,/>表示基底信号中第/>个数据点的幅值,/>表示第/>条分量信号中包含的数据点的个数;/>表示第/>条分量信号中第/>个数据点与基底信号中第/>个数据点的差异,第/>条分量信号与基底信号的差异越大,说明该分量信号的波动程度越大。
表示第/>条分量信号的幅值方差,表示第/>条分量信号的波动情况,/>表示第/>条分量信号的平均幅值。
本实施例中,第条分量信号与基底信号的差异,与第/>条分量信号的幅值方差均能够表示第/>条分量信号的波动程度,但是本实施例不直接用第/>条分量信号与基底信号的差异越大,或者第/>条分量信号的幅值方差来表示第/>条分量信号的波动程度。具体的,不直接用第/>条分量信号与基底信号的差异表示第/>条分量信号的波动程度,是因为如果第/>条分量信号的局部数据点的变化与基底信号的局部数据点的变化趋势相同时,则会抵消掉部分数据的变化程度。而不用第/>条分量信号的幅值方差来表示第/>条分量信号的波动程度是因为会受到局部最大值的影响,导致整体的方差变大。由此,本申请将第/>条分量信号与基底信号的差异,与第/>条分量信号的幅值方差结合,进而表示第/>条分量信号的波动程度,能够提高波动程度的计算准确性。
步骤S33:基于当前分量信号与分量信号集合中除当前分量信号外其他信号分量的第二差异之和、当前分量信号中当前数据点的波动与所述当前分量信号的波动程度的比值、当前分量信号的波动程度与分量信号集合中除当前分量信号外其他信号分量的波动程度的平均值的差值计算得到当前分量信号中当前数据点的去噪置信度。
根据上述计算获得的每一条分量信号的波动程度来判断该数据曲线受到噪声的影响程度,因为高频噪声叠加的越多,分量信号的变化程度就会越大,但是单根据一条分量信号的变化是没办法确定噪声的影响程度的,那么在进行去噪时,不但需要根据本身分量信号的波动程度的大小来决定该分量信号的去噪程度,还需要根据不同分量信号之间的变化程度来决定当前分量信号的变化程度。
在每个分量信号中,发生幅值变化的数据点既有可能是噪声影响变化的点,又有可能是有用的信息点,因此在判断是哪一种类型引起的数据变化点时,需要根据多个分量信号的相同位置的数据变化来进行反映。因此首先获得每一分量信号中的每一个幅值变化点,然后再与其他分量信号进行比较,计算当前数据点的去噪置信度。
在一具体实施例中,利用如下公式计算当前分量信号中当前数据点的去噪置信度:
式中,表示当前分量信号例如第l条分量信号与分量信号集合中除第l条分量信号外其他信号分量的第二差异之和,/>表示第l条分量信号中第i个数据点的幅值,/>表示第r条分量信号中第i个数据点的幅值,N表示分量信号的总数量,n表示分量信号中数据点的总数量。/>表示第/>条分量信号中第/>个数据点的幅值与第r条分量信号中第i个数据点的幅值的差值,差值越大,说明第/>条分量信号的当前数据点例如第/>个数据点的异常程度越大,那么说明在该频率下的分量信号很有可能是因为噪声引起的数据波动,那么该点的去噪置信度就越大。
表示第l条分量信号中当前数据点例如第i个数据点的波动与第l条分量信号的波动程度的比值,其比值越大,说明该第l条分量信号中第i个数据点的波动程度是越大的,那么实际上在一条分量信号的波动程度一定时,其比值也不会发生较大的波动,因此局部数据点的波动较大是因为噪声引起的。/>表示第l条分量信号的平均幅值。
表示第l条分量信号的波动程度/>与分量信号集合中除第/>条分量信号外其他信号分量的波动程度的平均值的差值,差值越大,说明当前分量信号受到噪声的影响程度越大,那么在进行去噪时,其去噪置信度越大。/>表示分量信号集合中除第/>条分量信号外其他信号分量的波动程度的平均值,/>表示第r条分量信号的波动程度。
需要说明的是,所述去噪置信度表征所述数据点受噪声影响的程度。本申请的方法通过计算每个分量信号与其他信号的差异来表示当前分量信号中各数据点受到噪声的影响程度,因为在进行信号分解时,各分量信号表示不同频率的噪声变化。将当前频率的分量信号与其他频率的分量信号进行比较,若出现异常说明该分量信号的该数据点是受到噪声影响引起的异常,因此该点的去噪置信度较大。这样进行去噪能够很准确的去除不同频率中的噪声,不会使有用信号缺失,并且能够准确的去除噪点。
步骤S22:计算分量信号上所有数据点的去噪置信度的平均值,将分量信号上所有数据点的去噪置信度的平均值作为所述分量信号的噪声影响程度。
具体的,分量信号的噪声影响程度的计算方式为:
式中,表示第/>条分量信号噪声影响程度。/>表示归一化函数,其归一化值为/>
本申请使用中值滤波算法基于每条分量信号的噪声影响程度选择对应的滤波窗口对所述分量信号进行滤波,得到滤波分量信号。每条分量信号滤波窗口尺寸与每条分量信号的噪声影响程度有关,噪声影响程度越大,滤波窗口尺寸就越大。本实施例中,第l条分量信号的滤波窗口尺寸计算公式为:,其中,/>表示第l条分量信号的滤波窗口尺寸,/>表示第/>条分量信号噪声影响程度。
基于计算得到的每条分量信号的滤波窗口尺寸,对所述分量信号进行滤波得到滤波分量信号。
步骤S13:基于滤波分量信号得到原始功率数据对应的去噪功率数据,并基于所述去噪功率数据进行异常检测,根据检测结果调整袋式包装机参数。
在一实施例中,请结合图4,步骤S13具体包括:
步骤S41:计算每一滤波分量信号的重构系数。
小波变换是时间或空间频率的局部化分析,它通过伸缩平移运算对信号(函数)逐步进行多尺度细化,最终达到高频处时间细分,低频处频率细分,能自动适应时频信号分析的要求。但是通过小波变换进行去噪时,通过对各频率信号进行分析,对每个分量信号进行去噪处理,然后再对各分量信号进行合并,获得去噪后的原始信号。那么每个去噪后的分量信号相当于是根据单个信号的变化来信息去噪的,如果直接进行信号的合并,会导致原始信号出现变化,进而在根据去噪后的信号来判断电机的功率时是不准确的。因此本发明在对每个分量进行信号进行去噪时,通过对比各分量信号的在相同时间节上的变化来对各分量信号进行混合去噪,使得每一分量信号去噪后的效果都符合对应时序数据点的变化特征,然后再对去噪后的分量数据与原始数据进行比较,来获得各分量数据的合并时的重构系数。
具体的,根据去噪后的分量信号即滤波分量信号进行信号重构。因为不同频率的分量信号表示其受到不同噪声的影响程度,那么对每个分量信号去噪后,实际上是对不同频率的噪声进行去除,那么在去除噪声后个分量信号包含的原始信息量是不相同的,因此在进行信息重构时,每一分量信号的重构系数也不相同,这样重构后的信号数据才能反映原始信息所要表达的含义。而在确定每一分量信号的重构系数时,需要根据去噪后的分量信号数据的变化来获得其与其他分量信号的相似程度,然后再分析其与原始信号的变化关系,进而确定重构系数。
在一实施例中,计算当前滤波分量信号与滤波分量信号集合中除当前滤波分量信号外其他滤波信号分量的第一相似度,以及计算当前滤波分量信号与所述原始功率数据的第二相似度。计算所述第一相似度以及所述第二相似度的乘积,进而得到当前滤波分量信号的重构系数。
具体的,因为电机的功率数据属于低频信号,而噪声是叠加在低频信号上的,其去噪后的变化趋势是与原始的低频信号是相同的,因此计算每一分量信号之间的相似程度,来反映各分量信号与其他分量信号的关系。
在一具体实施例中,计算当前滤波分量信号中数据点的幅值与每一参考滤波信号分量中数据点的幅值的差值的绝对值之和,得到当前滤波分量信号与每一参考滤波信号分量之间的差异值;参考滤波信号为滤波分量信号集合中除当前滤波分量信号外其他任一滤波信号分量;将当前滤波分量信号与所有参考滤波信号分量之间的差异值相加,得到当前滤波分量信号与滤波分量信号集合中除当前滤波分量信号外其他滤波信号分量的第一差异之和;计算当前滤波分量信号与滤波分量信号集合中除当前滤波分量信号外所有其他滤波信号分量之间的第三相似度;基于所述第一差异之和和所述第三相似度确定所述第一相似度。
其中,所述第一相似度的计算方式为:
表示当前滤波分量信号例如第/>条滤波分量信号与滤波分量信号集合中除第/>条滤波分量信号外其他滤波信号分量的第一相似度,/>表示第/>条滤波分量信号的第i个数据点的幅值,/>表示第/>条滤波分量信号的第/>个数据点的幅值,/>表示第/>条滤波分量信号与第/>条参考滤波分量信号之间的差异值,n表示第/>条滤波分量信号上数据点的数量,/>表示第/>条滤波分量信号与滤波分量信号集合中除第/>条滤波分量信号外其他滤波信号分量的第一差异之和,/>表示第/>条滤波分量信号与第/>条滤波分信号之间的第三相似度,N表示滤波分量信号的总数量,exp表示以自然常数e为底的指数函数,DTW表示动态时间规整算法,用于计算第三相似度。
计算当前滤波分量信号与所述原始功率数据的第二相似度。因为原始功率数据中存在噪声,无法直接进行比较,因此计算原始功率数据中的极小值点,因为极小值点表示的是受到噪声干扰较小的点,或不存在噪声干扰的点。然后利用极小值点与滤波分量信号中相同位置的数据点进行比较,获得其与原始信号之间的相似程度,即第二相似度。具体的,确定原始功率数据的极小值点;基于所述极小值点的幅值和滤波分量信号中与所述极小值点对应的数据点的幅值之差、所述极小值点的数量计算当前滤波分量信号与所述原始功率数据的第二相似度。在一实施例中,第二相似度的计算方式为:
式中,表示第/>条滤波分量信号与原始功率数据的第二相似度,/>表示原始功率数据中第/>极小值点的幅值,/>表示第/>条滤波分量信号中与原始功率数据中第/>极小值点对应的第/>个数据点的幅值,/>表示极小值点的个数。
计算所述第一相似度以及所述第二相似度的乘积,进而得到当前滤波分量信号的重构系数。具体的,滤波分量信号的重构系数计算方式为:
式中,表示第/>条滤波分量信号的重构系数,/>表示第/>条滤波分量信号与滤波分量信号集合中除第/>条滤波分量信号外其他滤波信号分量的第一相似度,/>表示第/>条滤波分量信号与原始功率数据的第二相似度。
步骤S42:利用小波逆变换算法基于所述重构系数对滤波分量信号进行重构,进而得到所述去噪功率数据。
根据获得的重构系数通过小波逆变换对滤波分量信号进行重构,进而得到去噪功率数据。在一实施例中,如果去噪功率数据的波动大于第一阈值或小于第二阈值,则确定去噪功率异常,从而基于去噪功率数据的波动调整袋式包装机参数。
本发明的方法,在对袋式包装机的参数进行控制时,因为电机的运行状况决定了每个环节的准确性,因此需要对电机的功率数据监测。但是因为在采集功率数据时会受到噪声的干扰,因此需要对功率数据进行去噪处理。本发明使用小波变换算法进行去噪,在去噪的过程中因为电机的功率数据变化相对比较平稳,因此选择一个基底信号作为参照,然后通过计算个分量信号与基底信号的差异获得每一分量信号的变化程度,然后再将个分量信号进行比较,获得每个数据点受到噪声的影响程度,进而来确定每一分量信号在进行去噪时的滤波窗口大小。
在对个分量信号进行去噪后,需要将各分量信号进行重构,但是因为不同分量包含的原始信息时不相同的,因此通过比较各分量信号的差异和分量信号与原始信号的差异来获得每一分量信号的重构系数。然后对各分量信号进行重构,获得去除噪声影响的原始信号。该方法进行去噪能够很准确的去除不同频率中的噪声,去噪后的原始信号不会是原始的功率数据出现损失,能够很好的反映功率数据的变化特征,进而在根据去噪后的功率数据来判断电机的运行状态时能够更加准确。
以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种袋式包装机的运行状态智能监测方法,其特征在于,包括:
采集袋式包装机电机的原始功率数据,利用小波变换算法对原始功率数据进行分解,得到多条分量信号,多条分量信号对应不同的频率;
确定每条分量信号的噪声影响程度,基于每条分量信号的噪声影响程度选择对应的滤波窗口对所述分量信号进行滤波,得到滤波分量信号;其中,分量信号的噪声影响程度与所述分量信号对应的滤波窗口尺寸正相关;
基于滤波分量信号得到原始功率数据对应的去噪功率数据,并基于所述去噪功率数据进行异常检测,根据检测结果调整袋式包装机参数。
2.根据权利要求1所述的一种袋式包装机的运行状态智能监测方法,其特征在于,基于滤波分量信号得到原始功率数据对应的去噪功率数据,包括:
计算每一滤波分量信号的重构系数;
利用小波逆变换算法基于所述重构系数对滤波分量信号进行重构,进而得到所述去噪功率数据。
3.根据权利要求2所述的一种袋式包装机的运行状态智能监测方法,其特征在于,计算每一滤波分量信号的重构系数,包括:
计算当前滤波分量信号与滤波分量信号集合中除当前滤波分量信号外其他滤波信号分量的第一相似度,以及计算当前滤波分量信号与所述原始功率数据的第二相似度;
计算所述第一相似度以及所述第二相似度的乘积,进而得到当前滤波分量信号的重构系数。
4.根据权利要求3所述的一种袋式包装机的运行状态智能监测方法,其特征在于,计算当前滤波分量信号与滤波分量信号集合中除当前滤波分量信号外其他滤波信号分量的第一相似度,包括:
计算当前滤波分量信号中数据点的幅值与每一参考滤波信号分量中数据点的幅值的差值的绝对值之和,得到当前滤波分量信号与每一参考滤波信号分量之间的差异值;参考滤波信号为滤波分量信号集合中除当前滤波分量信号外其他任一滤波信号分量;
将当前滤波分量信号与所有参考滤波信号分量之间的差异值相加,得到当前滤波分量信号与滤波分量信号集合中除当前滤波分量信号外其他滤波信号分量的第一差异之和;
计算当前滤波分量信号与滤波分量信号集合中除当前滤波分量信号外所有其他滤波信号分量之间的第三相似度;
基于所述第一差异之和和所述第三相似度确定所述第一相似度;
其中,所述第一相似度的计算方式为:
表示第/>条滤波分量信号与滤波分量信号集合中除第/>条滤波分量信号外其他滤波信号分量的第一相似度,/>表示第/>条滤波分量信号的第i个数据点的幅值,/>表示第/>条滤波分量信号的第/>个数据点的幅值,/>表示第/>条滤波分量信号与第/>条滤波分量信号之间的差异值,n表示第/>条滤波分量信号上数据点的数量,表示第/>条滤波分量信号与滤波分量信号集合中除第/>条滤波分量信号外其他滤波信号分量的第一差异之和,/>表示第/>条滤波分量信号与第/>条滤波分信号之间的第三相似度,N表示滤波分量信号的总数量,exp表示以自然常数e为底的指数函数,DTW表示动态时间规整算法,用于计算第三相似度。
5.根据权利要求3所述的一种袋式包装机的运行状态智能监测方法,其特征在于,计算当前滤波分量信号与所述原始功率数据的第二相似度,包括:
确定原始功率数据的极小值点;
基于所述极小值点的幅值和滤波分量信号中与所述极小值点对应的数据点的幅值之差、所述极小值点的数量计算当前滤波分量信号与所述原始功率数据的第二相似度;
其中,第二相似度的计算方式为:
式中,表示第/>条滤波分量信号与原始功率数据的第二相似度,/>表示原始功率数据中第/>极小值点的幅值,/>表示第/>条滤波分量信号中与原始功率数据中第/>极小值点对应的第/>个数据点的幅值,/>表示极小值点的个数。
6.根据权利要求1~5任一项所述的一种袋式包装机的运行状态智能监测方法,其特征在于,确定每条分量信号的噪声影响程度,包括:
计算每条分量信号中每一数据点的去噪置信度:所述去噪置信度表征所述数据点受噪声影响的程度;
计算分量信号上所有数据点的去噪置信度的平均值,将分量信号上所有数据点的去噪置信度的平均值作为所述分量信号的噪声影响程度。
7.根据权利要求6所述的一种袋式包装机的运行状态智能监测方法,其特征在于,计算每条分量信号中每一数据点的去噪置信度,包括:
计算分量信号中相邻数据点之间的斜率,进而得到所述分量信号的平均斜率,将平均斜率最小的分量信号作为基底信号;
基于所述分量信号与所述基底信号之间的差异计算每条分量信号的波动程度;
基于当前分量信号与分量信号集合中除当前分量信号外其他信号分量的第二差异之和、当前分量信号中当前数据点的波动与所述当前分量信号的波动程度的比值、当前分量信号的波动程度与分量信号集合中除当前分量信号外其他信号分量的波动程度的平均值的差值计算得到当前分量信号中当前数据点的去噪置信度。
8.根据权利要求7所述的一种袋式包装机的运行状态智能监测方法,其特征在于,基于所述分量信号与所述基底信号之间的差异计算每条分量信号的波动程度,包括:
基于当前分量信号中数据点的幅值与基底信号中数据点的幅值的第三差异之和,和当前分量信号的幅值方差计算每条分量信号的波动程度;
其中,所述分量信号的波动程度的计算方式为:
式中,表示第/>条分量信号的波动程度,/>表示第/>条分量信号中数据点的幅值与基底信号中数据点的幅值的第三差异之和,/>表示第/>条分量信号中第/>个数据点的幅值,/>表示基底信号中第/>个数据点的幅值,/>表示第/>条分量信号中包含的数据点的个数;
表示第/>条分量信号的幅值方差, />表示第/>条分量信号的平均幅值。
9.根据权利要求7所述的一种袋式包装机的运行状态智能监测方法,其特征在于,当前分量信号中当前数据点的去噪置信度的计算方式为:
式中,表示第/>条分量信号与分量信号集合中除第/>条分量信号外其他信号分量的第二差异之和,/>表示第/>条分量信号中第i个数据点的幅值,/>表示第r条分量信号中第i个数据点的幅值,N表示分量信号的总数量,n表示分量信号中数据点的总数量;
表示第/>条分量信号中第i个数据点的波动与第/>条分量信号的波动程度的比值,表示第/>条分量信号的平均幅值;
表示第/>条分量信号的波动程度/>与分量信号集合中除第/>条分量信号外其他信号分量的波动程度的平均值的差值,/>表示分量信号集合中除第/>条分量信号外其他信号分量的波动程度的平均值,/>表示第r条分量信号的波动程度。
10.根据权利要求1所述的一种袋式包装机的运行状态智能监测方法,其特征在于,基于所述去噪功率数据进行异常检测,根据检测结果调整袋式包装机参数,包括:
如果去噪功率数据的波动大于第一阈值或小于第二阈值,则确定去噪功率异常,从而基于去噪功率数据的波动调整袋式包装机参数。
CN202311013267.XA 2023-08-14 2023-08-14 一种袋式包装机的运行状态智能监测方法 Active CN116750290B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311013267.XA CN116750290B (zh) 2023-08-14 2023-08-14 一种袋式包装机的运行状态智能监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311013267.XA CN116750290B (zh) 2023-08-14 2023-08-14 一种袋式包装机的运行状态智能监测方法

Publications (2)

Publication Number Publication Date
CN116750290A true CN116750290A (zh) 2023-09-15
CN116750290B CN116750290B (zh) 2023-10-31

Family

ID=87959363

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311013267.XA Active CN116750290B (zh) 2023-08-14 2023-08-14 一种袋式包装机的运行状态智能监测方法

Country Status (1)

Country Link
CN (1) CN116750290B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117191305A (zh) * 2023-11-06 2023-12-08 临沂市公路事业发展中心兰陵县中心 一种公路桥梁的状态评估方法及系统
CN117473338A (zh) * 2023-12-25 2024-01-30 东北大学 一种核电用泵机运行监测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100148065A1 (en) * 2008-12-17 2010-06-17 Baxter International Inc. Electron beam sterilization monitoring system and method
CN106198013A (zh) * 2016-06-29 2016-12-07 潍坊学院 一种基于经验模式分解滤波的包络分析方法
US20180316082A1 (en) * 2017-04-26 2018-11-01 Nokomis, Inc. Electronics card insitu testing apparatus and method utilizing unintended rf emission features
CN110135281A (zh) * 2019-04-24 2019-08-16 武汉大学 一种电力系统低频振荡智能在线识别方法
CN114914939A (zh) * 2022-05-17 2022-08-16 深圳市沃尔奔达新能源股份有限公司 由光伏、储能以及柴油发电机系统组成的互补式供电系统
CN115271225A (zh) * 2022-08-05 2022-11-01 中国矿业大学(北京) 一种基于小波降噪和神经网络的风力-风功率建模方法
CN115406652A (zh) * 2022-09-15 2022-11-29 苏州汇川控制技术有限公司 电机轴承故障诊断方法、电机控制器及可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100148065A1 (en) * 2008-12-17 2010-06-17 Baxter International Inc. Electron beam sterilization monitoring system and method
CN106198013A (zh) * 2016-06-29 2016-12-07 潍坊学院 一种基于经验模式分解滤波的包络分析方法
US20180316082A1 (en) * 2017-04-26 2018-11-01 Nokomis, Inc. Electronics card insitu testing apparatus and method utilizing unintended rf emission features
CN110135281A (zh) * 2019-04-24 2019-08-16 武汉大学 一种电力系统低频振荡智能在线识别方法
CN114914939A (zh) * 2022-05-17 2022-08-16 深圳市沃尔奔达新能源股份有限公司 由光伏、储能以及柴油发电机系统组成的互补式供电系统
CN115271225A (zh) * 2022-08-05 2022-11-01 中国矿业大学(北京) 一种基于小波降噪和神经网络的风力-风功率建模方法
CN115406652A (zh) * 2022-09-15 2022-11-29 苏州汇川控制技术有限公司 电机轴承故障诊断方法、电机控制器及可读存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117191305A (zh) * 2023-11-06 2023-12-08 临沂市公路事业发展中心兰陵县中心 一种公路桥梁的状态评估方法及系统
CN117191305B (zh) * 2023-11-06 2024-02-02 临沂市公路事业发展中心兰陵县中心 一种公路桥梁的状态评估方法及系统
CN117473338A (zh) * 2023-12-25 2024-01-30 东北大学 一种核电用泵机运行监测方法及系统
CN117473338B (zh) * 2023-12-25 2024-03-08 东北大学 一种核电用泵机运行监测方法及系统

Also Published As

Publication number Publication date
CN116750290B (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
CN116750290B (zh) 一种袋式包装机的运行状态智能监测方法
Lei et al. A review on empirical mode decomposition in fault diagnosis of rotating machinery
Luo et al. On-line vibration analysis with fast continuous wavelet algorithm for condition monitoring of bearing
US11630034B2 (en) Method for diagnosing and predicting operation conditions of large-scale equipment based on feature fusion and conversion
Jaber et al. A simulation of non-stationary signal analysis using wavelet transform based on LabVIEW and Matlab
CN116304751B (zh) 用于动车组部件检修的运行数据处理方法
CN116861313B (zh) 基于振动能量趋势的卡尔曼滤波工况识别方法、系统
Jiang et al. A novel method for self-adaptive feature extraction using scaling crossover characteristics of signals and combining with LS-SVM for multi-fault diagnosis of gearbox
Jin et al. Sensitive method for detecting tooth faults in gearboxes based on wavelet denoising and empirical mode decomposition
CN109783767A (zh) 一种短时傅里叶变换窗长的自适应选择方法
Imoru et al. Diagnosis of stator shorted-turn faults in induction machines using discrete wavelet transform
KR102093929B1 (ko) Cim 기반의 시스템 건전성 진단을 위한 장치 및 방법
CN112180315A (zh) 光纤电流互感器故障特征提取方法、装置及系统
CN112914588B (zh) 一种脑电爆发抑制指数计算方法及系统
CN113435281A (zh) 基于改进hht变换的波纹补偿器故障诊断方法
CN115438688A (zh) 关键设备的故障检测方法、装置、电子设备及存储介质
CN112697266A (zh) 一种itd和gzc机器状态监测方法及装置
CN113375065B (zh) 管道泄漏监测中趋势信号的消除方法及装置
Tayachi et al. A New Approach for Detection of Gear Defects using a Discrete Wavelet Transform and Fast Empirical Mode Decomposition
JP2005266965A (ja) データ監視装置およびデータ監視方法
Hazra et al. Gearbox fault detection using synchro-squeezing transform
Nguyen et al. Fault Identification of multi-level gear defects using adaptive noise control and a genetic algorithm
CN113642407B (zh) 一种适用于轴承剩余使用寿命预测的特征提取优化方法
Slišković et al. Data preprocessing in data based process modeling
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