CN116975541A - 一种垃圾填埋场存量垃圾自动筛分系统 - Google Patents
一种垃圾填埋场存量垃圾自动筛分系统 Download PDFInfo
- Publication number
- CN116975541A CN116975541A CN202311220786.3A CN202311220786A CN116975541A CN 116975541 A CN116975541 A CN 116975541A CN 202311220786 A CN202311220786 A CN 202311220786A CN 116975541 A CN116975541 A CN 116975541A
- Authority
- CN
- China
- Prior art keywords
- vibration signal
- noise
- time
- real
- obtaining
- 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
Links
- 239000010813 municipal solid waste Substances 0.000 title claims abstract description 59
- 238000012216 screening Methods 0.000 title claims abstract description 44
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 31
- 238000001914 filtration Methods 0.000 claims abstract description 20
- 230000005284 excitation Effects 0.000 claims description 63
- 230000035939 shock Effects 0.000 claims description 37
- 238000000034 method Methods 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 22
- 239000004033 plastic Substances 0.000 description 11
- 229920003023 plastic Polymers 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 230000000903 blocking effect Effects 0.000 description 4
- 239000000306 component Substances 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 238000013016 damping Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000013502 plastic waste Substances 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005067 remediation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000010791 domestic waste Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000003864 humus Substances 0.000 description 1
- 238000007885 magnetic separation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000008204 material by function Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000003923 scrap metal Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000002910 solid waste Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000004065 wastewater treatment 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
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07B—SEPARATING SOLIDS FROM SOLIDS BY SIEVING, SCREENING, SIFTING OR BY USING GAS CURRENTS; SEPARATING BY OTHER DRY METHODS APPLICABLE TO BULK MATERIAL, e.g. LOOSE ARTICLES FIT TO BE HANDLED LIKE BULK MATERIAL
- B07B1/00—Sieving, screening, sifting, or sorting solid materials using networks, gratings, grids, or the like
- B07B1/42—Drive mechanisms, regulating or controlling devices, or balancing devices, specially adapted for screens
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及用于数据处理技术领域,具体涉及一种垃圾填埋场存量垃圾自动筛分系统,包括:获取滚筒轴振动信号所有极大值点的激凸比,根据激凸比得到所有起始激凸点与振动信号段,进而得到每个振动信号段内的噪声估测值与噪声估测强度,然后根据噪声估测强度与激凸比的相关系数、所有振动信号段的平均噪声估测强度、以及实时激凸点的激凸比,得到实时激凸点所在实时信号段的卡尔曼滤波噪声协方差矩阵,进而得到去噪后的振动信号。本发明优化后的噪声协方差矩阵可以很好地描述卡顿振动信号中产生的不确定、非平稳噪声,使卡尔曼滤波系统状态更新结果更加准确,为异常振动信号识别提供高质量的数据支持。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种垃圾填埋场存量垃圾自动筛分系统。
背景技术
垃圾填埋场存量垃圾是指已经存在且尚未处理或清理的固体废物,通常指的是在过去积累下来的大量垃圾,包括生活垃圾、建筑垃圾、废金属等。其中生活垃圾堆积后发生腐化并与其他垃圾混合为陈腐垃圾。目前行业里的普遍做法是将陈腐垃圾筛分后进行资源化处置,陈腐垃圾分拣设备可用于将陈腐垃圾中的不同类别进行分拣和筛选,从而使其有机物、可燃物、金属、塑料等成分能够被很好地分离出来。其设计原理主要是利用振动筛选、磁选、气流分离和翻转分离等多种处理方式,将陈腐垃圾中的各种物质按照不同属性进行筛分分选,从而得到能够回收的有用物质和可处理的垃圾。
在陈腐垃圾筛分过程中,一般生活垃圾与塑料袋同时存在,因此极易出现高湿度塑料垃圾黏在一起或附着在筛分滚筒上,若筛分滚筒的功率较低,离心力不足时,这些附着的塑料垃圾就会造成设备卡顿、故障、筛分效果较差。因此现有通过监测分拣设备滚筒旋转过程中的振动信号,来观测其内部湿塑料垃圾的分离情况。但是监测滚筒运行状态时,往往卡顿信号和噪声信号混杂在一起,利用传统无差别平滑算法降噪后,会丢失部分振动特征微弱的信号数据,导致难以及时监测设备异常运行状态,因此如何提高对垃圾分拣设备的运行状态监测精度,是减少筛分过程故障率,提高分拣效率的关键。
发明内容
本发明提供一种垃圾填埋场存量垃圾自动筛分系统,以解决现有监测滚筒运行状态时,往往卡顿信号和噪声信号混杂在一起,微弱的卡顿信号不容易捕捉到,导致无法及时捕捉设备运行状态异常的问题。
本发明的一种垃圾填埋场存量垃圾自动筛分系统采用如下技术方案:
本发明一个实施例提供了一种垃圾填埋场存量垃圾自动筛分系统,该系统包括:
振动信号采集模块:利用振动信号传感器获取陈腐垃圾分拣设备筛分滚筒的振动信号;
振动信号预处理模块:获取振动信号的极大值点,根据振动信号的极大值点获取所有极大值点的激凸比,根据激凸比得到所有起始激凸点与振动信号段,根据起始激凸点以及振动信号段得到每个振动信号段内的噪声估测值,根据噪声估测值得到每个振动信号段内的噪声估测强度,根据所有振动信号段的噪声估测强度与起始激凸点的激凸比得到噪声估测强度与激凸比的相关系数,获取实时激凸点的激凸比,根据噪声估测强度与激凸比的相关系数以及实时激凸点的激凸比,得到实时激凸点所在实时信号段的自适应噪声系数,根据实时信号段的自适应噪声系数以及实时激凸点之前的所有振动信号段的噪声估测强度的均值,得到实时振动信号段的噪声估测强度,根据实时振动信号段的噪声估测强度得到实时振动信号段的噪声协方差矩阵,将实时振动信号段的噪声协方差矩阵输入卡尔曼滤波中进行实时去噪,得到去噪后的振动信号;
异常信号识别模块:获取去噪后的所有振动信号段,根据所有振动信号段的起始激凸点的激凸比以及振动信号段的时间长度获取异常值,预设阈值识别异常振动信号段。
进一步的,所述获取振动信号的极大值点,根据振动信号的极大值点获取所有极大值点的激凸比,根据激凸比得到所有起始激凸点与振动信号段,包括:
其中,代表第s个极大值点的激凸比,N代表极大值点总数,/>代表第s个极大值点的幅值;
代表第s个极大值点减去第s-1个极大值点的幅值,得到第s个极大值点处的激凸比,/>代表第j个极大值点的幅值,/>代表第j-1个极大值点的幅值;
当激凸比大于激凸比阈值时,将第s个极大值点作为起始激凸点;获取原始信号中每个极大值点的激凸比,根据激凸比得到若干起始激凸点;
将相邻两个起始激凸点之间的信号段定义为前一个起始激凸点的振动信号段。
进一步的,所述根据起始激凸点以及振动信号段得到每个振动信号段内的噪声估测值,包括:
其中, 代表第z个振动信号段内第i个极大值点处的噪声估测值, />代表第i个极大值点的幅值,/>代表第z个振动信号段起始激凸点幅值,/>代表欠阻尼系数,/>代表第z个振动信号段内第i个极大值点的时间值,/>代表第z个振动信号段内起始激凸点的时间值,表示以自然常数为底的指数函数。
进一步的,所述根据噪声估测值得到每个振动信号段内的噪声估测强度,包括:
其中, 代表第z个振动信号段内所有极大值点的噪声估测值的均值,M代表第z个振动信号段的极大值点总数, />代表第z个振动信号段内的噪声估测强度;
得到所有振动信号段内的噪声估测值与噪声估测强度。
进一步的,所述根据所有振动信号段的噪声估测强度与起始激凸点的激凸比得到噪声估测强度与激凸比的相关系数,包括:
其中, 代表所有振动信号段的噪声估测强度与起始激凸点激凸比的相关系数,代表第z个振动信号段的噪声估测强度, />代表第z个振动信号段起始激凸点的激凸比,代表所有振动信号段的噪声估测强度与激凸比之间的协方差,/>、 />分别代表所有振动信号段的噪声估测强度的标准差与激凸比的标准差。
进一步的,所述获取实时激凸点的激凸比,根据噪声估测强度与激凸比的相关系数以及实时激凸点的激凸比,得到实时激凸点所在实时信号段的自适应噪声系数,包括:
利用起始激凸点的获取方法得到实时监测振动信号极大值点中的起始激凸点,作为实时激凸点,得到实时激凸点的激凸比,实时激凸点对应的振动信号段记为实时信号段;
其中, 代表第k个实时激凸点的激凸比,/>代表第k个实时激凸点所在实时信号段的自适应噪声系数。
进一步的,所述根据实时信号段的自适应噪声系数以及实时激凸点之前的所有振动信号段的噪声估测强度的均值,得到实时振动信号段的噪声估测强度,包括:
其中,代表所有振动信号段的数量,/>代表实时激凸点之前第 />个振动信号段的噪声估测强度, />代表第k个实时激凸点所在实时信号段的自适应噪声系数, />代表第 />个实时激凸点所在实时信号段的噪声估测强度。
进一步的,所述根据实时振动信号段的噪声估测强度得到实时振动信号段的噪声协方差矩阵,将实时振动信号段的噪声协方差矩阵输入卡尔曼滤波中进行实时去噪,得到去噪后的振动信号,包括:
根据实时振动信号段的噪声估测强度,随机生成一组噪声随机数,该组噪声随机数服从的方差为 ,均值为0,将该组噪声随机数转化为协方差矩阵,得到实时振动信号段的噪声协方差矩阵;
将该噪声协方差矩阵输入卡尔曼滤波中,当对实时振动信号进行卡尔曼滤波时,噪声协方差矩阵随着实时振动信号的实时激凸点而更新;
得到去噪后的振动信号。
进一步的,所述获取去噪后的所有振动信号段,根据所有振动信号段的起始激凸点的激凸比以及振动信号段的时间长度获取异常值,包括:
其中, 代表第j个振动信号段的异常值, />代表第j个振动信号段起始激凸点的激凸比, />代表第j个振动信号段的时间长度, />代表去噪后所有振动信号段的时间长度的均值。
进一步的,所述预设阈值识别异常振动信号段,包括:
设置经验阈值D,去噪后振动信号中当第j个振动信号段的异常值大于D时,第j个振动信号段为设备卡顿导致的异常振动信号段。
本发明的技术方案的有益效果是:
本发明针对陈腐垃圾分拣设备中筛分滚筒轴可能会被湿塑料垃圾附着导致异常卡顿,在利用振动信号传感器对设备状态进行实时监测时,卡尔曼滤波对异常卡顿导致的非平稳信号段状态估计精度较差问题,提出一种垃圾填埋场存量垃圾自动筛分系统。本发明利用振动信号的幅值激凸特征对振动信号进行分段,然后利用欠阻尼振动幅值指数衰减的特征对每个振动信号段的噪声强度进行估测,然后根据估测噪声强度与振动能量的相关关系与实时激凸点激凸比,获取实时振动信号段的噪声协方差矩阵,使卡尔曼滤波实时去噪过程中,噪声协方差矩阵随着实时激凸点而更新,即可利用噪声协方差矩阵描述卡顿振动信号中产生的不确定、非平稳噪声,使系统状态更新结果更加准确,卡尔曼滤波收敛速度更快,为陈腐垃圾分拣设备异常振动信号识别提供高质量的数据支持,减少筛分过程故障率,提高分拣效率。
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垃圾填埋场存量垃圾自动筛分系统结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种垃圾填埋场存量垃圾自动筛分系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种垃圾填埋场存量垃圾自动筛分系统的具体技术方案。
请参阅图1,其示出了本发明一个实施例提供的一种垃圾填埋场存量垃圾自动筛分系统结构框图,该系统包括:
振动信号采集模块S1:获取筛分滚筒工作时的滚筒轴振动信号。
在陈腐垃圾筛分设备的筛分滚筒轴上安装振动信号传感器,滚筒轴是筛分滚筒的核心组件,当湿塑料垃圾附着在筛分滚筒内任意位置导致设备卡顿时,都会使滚筒轴发生异常振动,因此获取筛分滚筒工作时的滚筒轴振动信号作为原始信号。
本实施例对振动信号进行实时监测,每1秒获取的振动信号段作为实时监测振动信号。
振动信号预处理模块S2:计算振动信号所有极大值点的激凸比,得到所有起始激凸点与振动信号段,根据起始激凸点幅值以及振动信号段内所有极值点幅值,得到每个振动信号段内的噪声估测值,根据噪声估测值得到每个振动信号段内的噪声估测强度,然后根据振动信号段的噪声估测强度与激凸比的相关系数,以及实时激凸点的激凸比,得到实时激凸点所在实时振动信号段的噪声协方差矩阵,并输入卡尔曼滤波中进行实时去噪。
滚筒轴在旋转时电机运转本就会产生振动,且由于物料的进料和排料等操作,也会产生一定的振动,但这都属于滚筒正常工作状态下产生的振动信号,一般呈现周期性。然而,当陈腐垃圾筛分设备内存在湿塑料垃圾的附着时,滚筒的振动信号可能变得更加复杂,湿塑料垃圾的附着可能导致滚筒非均衡、不规则振动或振动模式的改变,因此,在存在湿塑料垃圾附着的情况下,滚筒的振动信号可能表现出更多的非平稳变化成分。非平稳变化信号上的噪声通常被称为非平稳噪声,非平稳噪声在不同时间段或位置上的噪声强度以及统计特性并不相同。因此从复杂的噪声成分中保留清晰的振动信号特征,需要一种灵活的实时滤波器。
卡尔曼滤波是一种基于状态模型的最优估计算法,可以对噪声成分复杂的振动信号进行实时去噪,卡尔曼滤波器的由状态方程、观测模型、噪声协方差矩阵三个核心参数组成。
卡尔曼滤波应用在设备振动信号中时,一般采用设备平稳运行时的历史振动信号,将历史振动信号进行最小二乘法拟合得到状态方程;然后利用转速传感器采集滚筒轴的转速信号,并将转速信号作为系统的观测模型;噪声协方差矩阵则一般是经验设置。通过所述状态方程对设备的运行状态进行预测,然后利用观测模型所得观测值与状态方程的预测值进行比较,并不断更新状态估计以及最小化误差协方差矩阵,得到最优状态估计结果,所述最优状态估计结果即为无噪信号,实现振动信号的去噪。
但是对于异常卡顿产生的振动信号时,信号以及噪声均变为非平稳状态,不能保证状态预测值与观测值的准确性,这会导致卡尔曼滤波的收敛速度很慢,且即使最小化误差协方差矩阵也不能保证更新后状态估计的准确性,噪声协方差矩阵原本就是为了描述状态预测过程中的一些不确定因素,本实施例对振动信号中的非平稳噪声进行估测,并将估测的非平稳噪声转化为噪声协方差矩阵,使最优状态估计结果更为准确。具体为:
(1)每次独立发生的振动会产生一个振动信号段,振动靠初始激励一次性获得振动能量,幅值发生激凸,然后随时间推移而衰减,并且历程有限,振幅衰减持续至下一个振动信号段的起始激凸点为止。因此先获取原始信号的所有极大值点,然后计算每个极大值点的激凸比,具体为:
其中, 代表第s个极大值点的激凸比,N代表极大值点总数,/>代表第s个极大值点的幅值;
代表第s个极大值点减去第s-1个极大值点的幅值,得到第s个极大值点处的激凸比,需要说明的是,当j=1时,/>为0, />代表所有极大值点处的平均激凸比,/>代表第j个极大值点的幅值, />代表第j-1个极大值点的幅值, />代表绝对值符号,第s个极大值点处的激凸比除以平均激凸比得到第s个极大值点处的激凸比。
预设一个激凸比阈值,本实施例激凸比阈值采用1进行叙述,当激凸比大于1时,将第s个极大值点作为起始激凸点,按照上述方法获取原始信号中每个极大值点的激凸比,根据激凸比得到若干起始激凸点。
将相邻两个起始激凸点之间的信号段定义为前一个起始激凸点的振动信号段。
(2)获取所有起始激凸点的振动信号段,振动信号段内包含信号段长度以及信号段内所有极值点。需要说明的是,这些振动信号段包含筛分滚筒正常运行时的振动信号,以及异常卡顿时的振动信号,因此这些振动信号段内的幅值、信号段长度、噪声类型可能并不相同,为了使卡尔曼滤波去噪过程中最大程度保留不同振动信号段的有效信息,需要对不同振动信号段中的噪声强度进行估测。
由于当湿塑料垃圾附着在滚筒轴上时,湿塑料垃圾对滚筒轴的阻尼必然小于滚筒轴的动力,因此异常卡顿产生的振动信号属于欠阻尼振动,欠阻尼振动的振幅将会随时间指数衰减,因此根据起始激凸点幅值以及振动信号段内所有极值点幅值,得到每个振动信号段内的噪声估测值,根据噪声估测值得到每个振动信号段内的噪声估测强度,具体为:
其中, 代表第z个振动信号段内第i个极大值点处的噪声估测值,/>代表第i个极大值点的幅值, />代表第z个振动信号段起始激凸点的幅值, />代表欠阻尼系数,本实施例并不需要对振动过程的实际物理关系进行分析,仅通过欠阻尼振动信号中振幅指数衰减关系对振动信号段内的噪声进行估测,因此阻尼系数默认为1, />表示以自然常数为底的指数函数,本实施例采用/>模型来呈现反比例关系及归一化处理,实施者可根据实际情况设置反比例函数及归一化函数;/>代表第z个振动信号段内第i个极大值点的时间值,代表第z个振动信号段内起始激凸点的时间值。 />代表第z个振动信号段内所有极大值点的噪声估测值的均值,M代表第z个振动信号段的极大值点总数, />代表第z个振动信号段内的噪声估测强度。
需要说明的是, 代表第z个振动信号段内第i个极大值点的时间值减去第z个振动信号段起始激凸点的时间值,/>代表第z个振动信号段内的振幅衰减模型,所述衰减模型输出值为第z个振动信号段从起始激凸点幅值 />指数衰减至第i个极大值点处的理想幅值,则/>代表第i个极大值处的幅值减去第i个极大值处的理想幅值,所得到的残差幅值,即第i个极大值处的噪声估测值。
代表第z个振动信号段内所有噪声估测值的方差,将该方差作为第z个振动信号段内的噪声估测强度。
得到所有振动信号段内每个极大值点的噪声估测值,以及振动信号段内的噪声估测强度。
(3)为了最大程度保留卡尔曼滤波去噪后不同振动信号段的信号特征,本实施例计算所有振动信号段内的噪声估测强度与振动能量之间的相关关系,即当振动信号实时监测过程中,只需要监测到实时激凸点,即可根据实时激凸点处的振幅得到振动能量强弱,进而根据相关关系选择不同强度的噪声协方差矩阵,用于激凸信号之后信号的实时去噪,具体为:
利用起始激凸点的获取方法得到实时监测振动信号极大值点中的起始激凸点,作为实时激凸点,得到实时激凸点的激凸比,实时激凸点对应的振动信号段记为实时信号段;
其中,代表所有振动信号段的噪声估测强度与起始激凸点激凸比的相关系数,/>代表第z个振动信号段的噪声估测强度, />代表第z个振动信号段起始激凸点的激凸比,激凸比即代表每次振动发生的振动能量, />代表所有振动信号段的噪声估测强度与激凸比之间的协方差,/>、/>分别代表所有振动信号段的噪声估测强度的标准差与激凸比的标准差; />代表第k个实时激凸点所在实时信号段的自适应噪声系数,/>代表第k个实时激凸点的激凸比; />代表所有振动信号段的数量, />代表实时激凸点之前第 />个振动信号段的噪声估测强度, />代表第k个实时激凸点的噪声估测强度。
代表所有振动信号段的噪声估测强度与激凸比之间的相关系数,该值取值范围为-1至1之间,越接近-1代表振动信号段的噪声估测强度与激凸比之间呈现负相关,越接近1代表振动信号段的噪声估测强度与激凸比之间呈现正相关;
代表第k个实时激凸点的激凸比,与实时激凸点之前的所有振动信号段噪声估测强度与激凸比的相关系数相加,得到实时信号段的自适应噪声系数 />,当第k个实时激凸点的激凸比越大,且振动信号段噪声估测强度与激凸比正相关时,自适应噪声系数越大,反之当第k个实时激凸点的激凸比越小,且振动信号段噪声估测强度与激凸比负相关时,自适应噪声系数越小。
代表实时激凸点之前的所有振动信号段的平均噪声估测强度,自适应噪声系数 />乘以平均噪声估测强度,得到第k个实时激凸点所在实时信号段的噪声估测强度。
根据实时振动信号段的噪声估测强度,随机生成一组噪声随机数,该组噪声随机数服从的方差为 ,均值为0,将该组噪声随机数转化为协方差矩阵,即可得到实时振动信号段的噪声协方差矩阵,其中随机数生成为公知技术,本实施例不再赘述。
将该噪声协方差矩阵输入卡尔曼滤波中,即当卡尔曼滤波对实时监测的振动信号进行滤波时,通过监测实时激凸点就可获得该实时激凸点直至下一个激凸点出现前的信号段之间的噪声协方差矩阵,即噪声协方差矩阵随着实时监测信号的实时激凸点而更新,更新后的噪声协方差矩阵,包含对该段实时信号段的噪声估测值,因此即使系统状态更新过程中,存在非平稳的卡顿振动信号,导致状态预测值、观测值不准确,也可以利用噪声协方差矩阵描述卡顿振动信号中产生的不确定、非平稳噪声,使系统状态更新结果更加准确,卡尔曼滤波收敛速度更快。
根据本实施例中噪声协方差矩阵的更新方法对卡尔曼滤波进行优化后,利用优化后的卡尔曼滤波对陈腐垃圾分拣设备筛分滚筒轴振动信号进行实时去噪,在已知状态方程、观测模型、噪声协方差矩阵后,对振动信号进行卡尔曼滤波的去噪过程为公知技术,在此不多赘述。
异常信号识别模块S3:对去噪后的振动信号重新获取振动信号段,并构建异常振动信号段识别模型,设置阈值识别由于设备卡顿导致的异常振动信号段。
获取去噪后的滚筒轴振动信号,并重新获取所有振动信号段以及振动信号段的起始激凸点;
根据卡顿振动振幅较高且不具有周期性的特点构建异常振动信号段识别模型,具体为:
其中,代表去噪后振动信号的第j个振动信号段的异常值, />代表第j个振动信号段起始激凸点的激凸比, />代表第j个振动信号段的时间长度, />代表去噪后所有振动信号段的时间长度的均值;
当第j个振动信号段为卡顿导致的异常振动信号段时,会与正常信号重叠,因此异常信号段时间长度小于具有周期性的正常振动信号段时间长度,为去噪后所有振动信号段的平均时间长度与第j个振动信号段时间长度的比值,当第j个振动信号段的周期性越差则所述比值 />会越大,/>代表第j个振动信号段的起始激凸点激凸比与所述比值相乘,乘积越大代表第j个振动信号段越可能为异常振动信号段。
为了及时发现湿塑料垃圾附着导致滚筒轴卡顿问题,设置经验阈值,本实施例经验阈值采用D=2.25进行叙述,当 大于经验阈值时,去噪后振动信号中第j个振动信号段为设备卡顿导致的异常振动信号段。
当确定存在异常振动信号段时,自动提高筛分滚筒的电机功率,增大离心力消除附着垃圾,或停机清理,避免故障发生。
经过优化后的预处理系统可以提供更高质量的振动信号,提高了异常卡顿振动信号的识别精度,避免了滚筒轴被湿塑料垃圾附着所导致的安全隐患,进而可以更高效的筛分垃圾填埋场的存量垃圾,经过筛分后,得到部分可回收物品,如金属垃圾、轻质物、重质物等,以及陈腐垃圾腐化产生的腐殖土,可用于城市绿化、花卉种植、废水处理、土壤修复的功能性材料并回用于垃圾填埋场修复。
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 (10)
1.一种垃圾填埋场存量垃圾自动筛分系统,其特征在于,该系统包括:
振动信号采集模块:利用振动信号传感器获取陈腐垃圾分拣设备筛分滚筒的振动信号;
振动信号预处理模块:获取振动信号的极大值点,根据振动信号的极大值点获取所有极大值点的激凸比,根据激凸比得到所有起始激凸点与振动信号段,根据起始激凸点以及振动信号段得到每个振动信号段内的噪声估测值,根据噪声估测值得到每个振动信号段内的噪声估测强度,根据所有振动信号段的噪声估测强度与起始激凸点的激凸比得到噪声估测强度与激凸比的相关系数,获取实时激凸点的激凸比,根据噪声估测强度与激凸比的相关系数以及实时激凸点的激凸比,得到实时激凸点所在实时信号段的自适应噪声系数,根据实时信号段的自适应噪声系数以及实时激凸点之前的所有振动信号段的噪声估测强度的均值,得到实时振动信号段的噪声估测强度,根据实时振动信号段的噪声估测强度得到实时振动信号段的噪声协方差矩阵,将实时振动信号段的噪声协方差矩阵输入卡尔曼滤波中进行实时去噪,得到去噪后的振动信号;
异常信号识别模块:获取去噪后的所有振动信号段,根据所有振动信号段的起始激凸点的激凸比以及振动信号段的时间长度获取异常值,预设阈值识别异常振动信号段。
2.根据权利要求1所述一种垃圾填埋场存量垃圾自动筛分系统,其特征在于,所述获取振动信号的极大值点,根据振动信号的极大值点获取所有极大值点的激凸比,根据激凸比得到所有起始激凸点与振动信号段,包括:
其中,/>代表第s个极大值点的激凸比,N代表极大值点总数,/>代表第s个极大值点的幅值;
代表第s个极大值点减去第s-1个极大值点的幅值,得到第s个极大值点处的激凸比,/>代表第j个极大值点的幅值,/>代表第j-1个极大值点的幅值;
当激凸比大于激凸比阈值时,将第s个极大值点作为起始激凸点;获取原始信号中每个极大值点的激凸比,根据激凸比得到若干起始激凸点;
将相邻两个起始激凸点之间的信号段定义为前一个起始激凸点的振动信号段。
3.根据权利要求1所述一种垃圾填埋场存量垃圾自动筛分系统,其特征在于,所述根据起始激凸点以及振动信号段得到每个振动信号段内的噪声估测值,包括:
其中,/>代表第z个振动信号段内第i个极大值点处的噪声估测值,/>代表第i个极大值点的幅值,/>代表第z个振动信号段起始激凸点幅值,/>代表欠阻尼系数,/>代表第z个振动信号段内第i个极大值点的时间值,/>代表第z个振动信号段内起始激凸点的时间值,/>表示以自然常数为底的指数函数。
4.根据权利要求1所述一种垃圾填埋场存量垃圾自动筛分系统,其特征在于,所述根据噪声估测值得到每个振动信号段内的噪声估测强度,包括:
其中,/>代表第z个振动信号段内所有极大值点的噪声估测值的均值,M代表第z个振动信号段的极大值点总数,/>代表第z个振动信号段内的噪声估测强度;
得到所有振动信号段内的噪声估测值与噪声估测强度。
5.根据权利要求2所述一种垃圾填埋场存量垃圾自动筛分系统,其特征在于,所述根据所有振动信号段的噪声估测强度与起始激凸点的激凸比得到噪声估测强度与激凸比的相关系数,包括:
其中,/>代表所有振动信号段的噪声估测强度与起始激凸点激凸比的相关系数,/>代表第z个振动信号段的噪声估测强度,/>代表第z个振动信号段起始激凸点的激凸比,/>代表所有振动信号段的噪声估测强度与激凸比之间的协方差,/>、/>分别代表所有振动信号段的噪声估测强度的标准差与激凸比的标准差。
6.根据权利要求5所述一种垃圾填埋场存量垃圾自动筛分系统,其特征在于,所述获取实时激凸点的激凸比,根据噪声估测强度与激凸比的相关系数以及实时激凸点的激凸比,得到实时激凸点所在实时信号段的自适应噪声系数,包括:
利用起始激凸点的获取方法得到实时监测振动信号极大值点中的起始激凸点,作为实时激凸点,得到实时激凸点的激凸比,实时激凸点对应的振动信号段记为实时信号段;
其中,/>代表第k个实时激凸点的激凸比,/>代表第k个实时激凸点所在实时信号段的自适应噪声系数。
7.根据权利要求1所述一种垃圾填埋场存量垃圾自动筛分系统,其特征在于,所述根据实时信号段的自适应噪声系数以及实时激凸点之前的所有振动信号段的噪声估测强度的均值,得到实时振动信号段的噪声估测强度,包括:
其中,/>代表所有振动信号段的数量,/>代表实时激凸点之前第/>个振动信号段的噪声估测强度,/>代表第k个实时激凸点所在实时信号段的自适应噪声系数,代表第/>个实时激凸点所在实时信号段的噪声估测强度。
8.根据权利要求1所述一种垃圾填埋场存量垃圾自动筛分系统,其特征在于,所述根据实时振动信号段的噪声估测强度得到实时振动信号段的噪声协方差矩阵,将实时振动信号段的噪声协方差矩阵输入卡尔曼滤波中进行实时去噪,得到去噪后的振动信号,包括:
根据实时振动信号段的噪声估测强度,随机生成一组噪声随机数,该组噪声随机数服从的方差为,均值为0,将该组噪声随机数转化为协方差矩阵,得到实时振动信号段的噪声协方差矩阵;
将该噪声协方差矩阵输入卡尔曼滤波中,当对实时振动信号进行卡尔曼滤波时,噪声协方差矩阵随着实时振动信号的实时激凸点而更新;
得到去噪后的振动信号。
9.根据权利要求1所述一种垃圾填埋场存量垃圾自动筛分系统,其特征在于,所述获取去噪后的所有振动信号段,根据所有振动信号段的起始激凸点的激凸比以及振动信号段的时间长度获取异常值,包括:
其中,/>代表第j个振动信号段的异常值,/>代表第j个振动信号段起始激凸点的激凸比,/>代表第j个振动信号段的时间长度,/>代表去噪后所有振动信号段的时间长度的均值。
10.根据权利要求1所述一种垃圾填埋场存量垃圾自动筛分系统,其特征在于,所述预设阈值识别异常振动信号段,包括:
设置经验阈值D,去噪后振动信号中当第j个振动信号段的异常值大于D时,第j个振动信号段为设备卡顿导致的异常振动信号段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311220786.3A CN116975541B (zh) | 2023-09-21 | 2023-09-21 | 一种垃圾填埋场存量垃圾自动筛分系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311220786.3A CN116975541B (zh) | 2023-09-21 | 2023-09-21 | 一种垃圾填埋场存量垃圾自动筛分系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116975541A true CN116975541A (zh) | 2023-10-31 |
CN116975541B CN116975541B (zh) | 2024-01-09 |
Family
ID=88481772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311220786.3A Active CN116975541B (zh) | 2023-09-21 | 2023-09-21 | 一种垃圾填埋场存量垃圾自动筛分系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116975541B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN210419658U (zh) * | 2019-08-21 | 2020-04-28 | 深圳市盘古环保科技有限公司 | 一种垃圾渗滤液处理系统 |
CN111507019A (zh) * | 2020-05-06 | 2020-08-07 | 北京理工大学 | 基于mmrls和sh-stf的车辆质量与道路坡度迭代型联合估计方法 |
CN112036234A (zh) * | 2020-07-16 | 2020-12-04 | 成都飞机工业(集团)有限责任公司 | 基于pca的飞机导管振动信号工频噪声压制方法 |
WO2020245902A1 (ja) * | 2019-06-04 | 2020-12-10 | 三菱電機株式会社 | 方位角推定装置、ジャイロシステム、方位角推定方法及びプログラム |
WO2022156330A1 (zh) * | 2021-01-19 | 2022-07-28 | 杭州安脉盛智能技术有限公司 | 一种旋转设备故障诊断方法 |
CN115754692A (zh) * | 2022-11-09 | 2023-03-07 | 中国南方电网有限责任公司 | 一种电气设备刀闸状态的识别系统、方法、设备及介质 |
CN116541732A (zh) * | 2023-07-05 | 2023-08-04 | 山东金叶智能设备有限公司 | 基于超声波数据与最优化算法的气象监测系统 |
-
2023
- 2023-09-21 CN CN202311220786.3A patent/CN116975541B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020245902A1 (ja) * | 2019-06-04 | 2020-12-10 | 三菱電機株式会社 | 方位角推定装置、ジャイロシステム、方位角推定方法及びプログラム |
CN210419658U (zh) * | 2019-08-21 | 2020-04-28 | 深圳市盘古环保科技有限公司 | 一种垃圾渗滤液处理系统 |
CN111507019A (zh) * | 2020-05-06 | 2020-08-07 | 北京理工大学 | 基于mmrls和sh-stf的车辆质量与道路坡度迭代型联合估计方法 |
US20230054246A1 (en) * | 2020-05-06 | 2023-02-23 | Beijing Institute Of Technology | Iterative joint estimation method of vehicle mass and road gradient based on mmrls and sh-stf |
CN112036234A (zh) * | 2020-07-16 | 2020-12-04 | 成都飞机工业(集团)有限责任公司 | 基于pca的飞机导管振动信号工频噪声压制方法 |
WO2022156330A1 (zh) * | 2021-01-19 | 2022-07-28 | 杭州安脉盛智能技术有限公司 | 一种旋转设备故障诊断方法 |
CN115754692A (zh) * | 2022-11-09 | 2023-03-07 | 中国南方电网有限责任公司 | 一种电气设备刀闸状态的识别系统、方法、设备及介质 |
CN116541732A (zh) * | 2023-07-05 | 2023-08-04 | 山东金叶智能设备有限公司 | 基于超声波数据与最优化算法的气象监测系统 |
Non-Patent Citations (2)
Title |
---|
徐洲常 等: "基于多层降噪处理的轴承故障特征提取方法", 《机床与液压》, vol. 49, no. 16, pages 174 - 179 * |
蔡改贫 等: "基于相空间重构和 PSO-K-means 的球磨机负荷状态识别方法", 《科学技术与工程》, vol. 23, no. 10, pages 4126 - 4134 * |
Also Published As
Publication number | Publication date |
---|---|
CN116975541B (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tabrizi et al. | Early damage detection of roller bearings using wavelet packet decomposition, ensemble empirical mode decomposition and support vector machine | |
Velayudham et al. | Acoustic emission based drill condition monitoring during drilling of glass/phenolic polymeric composite using wavelet packet transform | |
US5587931A (en) | Tool condition monitoring system | |
Zimroz et al. | Application of adaptive filtering for weak impulsive signal recovery for bearings local damage detection in complex mining mechanical systems working under condition of varying load | |
CN111337277A (zh) | 一种基于声音识别的家用电器故障判定方法及装置 | |
DE3726585C2 (zh) | ||
CN116975541B (zh) | 一种垃圾填埋场存量垃圾自动筛分系统 | |
Li et al. | Multi-scale statistical process monitoring in machining | |
CN105181334A (zh) | 基于级联多稳随机共振和emd的滚动轴承故障检测方法 | |
WO2020193083A1 (de) | Verfahren zur erkennung eines ersten betriebszustandes einer handwerkzeugmaschine | |
Li et al. | Mobile robot motor bearing fault detection and classification on discrete wavelet transform and LSTM network | |
CN115545441A (zh) | 一种道路垃圾检测方法、系统、终端及存储介质 | |
JPH0715363A (ja) | 雑音に埋没した信号を検出するためのエネルギ・ベースの検出方法 | |
Bastami et al. | Estimating the size of naturally generated defects in the outer ring and roller of a tapered roller bearing based on autoregressive model combined with envelope analysis and discrete wavelet transform | |
CN106682791B (zh) | 一种节能高效的垃圾处理系统 | |
CN101957604B (zh) | 地表水受控在线分级测试识别和分质排放监控系统及方法 | |
Wodecki et al. | Review of smoothing methods for enhancement of noisy data from heavy-duty LHD mining machines | |
Ding et al. | An intelligent grinding wheel wear monitoring system based on acoustic emission | |
CN114359779B (zh) | 一种基于深度学习的皮带撕裂检测方法 | |
Xin et al. | Low-rank and sparse model: A new perspective for rolling element bearing diagnosis | |
Ding | Analysis on the algorithm and practical application of computer intelligent image processing technology | |
DE112017007461T5 (de) | Vibrationsdetektionsvorrichtung und Unregelmäßigkeitsbestimmungssystem | |
Venkatesan et al. | Automatic fault monitoring using acoustic emissions | |
Flanagan et al. | Robust distributed detection using low power acoustic sensors | |
Li et al. | Pattern recognition of tool wear in high-speed milling based upon nonlinear analysis |
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 |