CN116976684A - 用于物流输送机的风险模型预测控制方法及系统 - Google Patents
用于物流输送机的风险模型预测控制方法及系统 Download PDFInfo
- Publication number
- CN116976684A CN116976684A CN202311236845.6A CN202311236845A CN116976684A CN 116976684 A CN116976684 A CN 116976684A CN 202311236845 A CN202311236845 A CN 202311236845A CN 116976684 A CN116976684 A CN 116976684A
- Authority
- CN
- China
- Prior art keywords
- target component
- component signals
- signal
- difference
- signals
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000008859 change Effects 0.000 claims abstract description 69
- 238000012216 screening Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 54
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 14
- 239000004973 liquid crystal related substance Substances 0.000 description 14
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000005764 inhibitory process Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000000926 separation method Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- 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
Abstract
本发明涉及数据处理技术领域,具体涉及一种用于物流输送机的风险模型预测控制方法及系统。本发明对原始信号进行分解,筛选出目标分量信号,根据相邻目标分量信号之间的差异获取所有目标分量信号的整体变化特征,根据整体变化特征、目标分量信号的最小周期以及相邻目标分量信号的变化差异获得划分周期,基于划分周期对目标分量信号进行划分,用于分析局部特征。进而根据相邻目标分量信号的局部特征获得目标分量信号的整体差异性,将整体差异性与原始信号的幅度变化特征以及原始信号的平均周期相乘获得准确合适的窗函数参数;进而可以有效减小WVD算法去噪时交叉项的干扰,获得更加准确的去噪结果,提高对物流输送机风险预测的准确度。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种用于物流输送机的风险模型预测控制方法及系统。
背景技术
物流输送机是一种工业自动化设备,主要用于运送和处理大量的货物、包裹等物品。可以承载各种类型和尺寸的货物,将其从一个位置快速移动到另一个位置,以实现高效的装卸操作。但是物流输送机因为长时间的运行,会导致电机或零部件出现老化,此时输送机的运行就会不稳定,产生异常的振动,物流输送机振动可能导致设备损坏或部件脱落,影响设备的正常运转,进而影响整个物流输送的过程。因此需要对设备的运行状态进行预测,来评估物流输送机的运输风险,避免因为输送机的异常耽误正常的生产秩序。
在对输送机的状态进行预测时,主要是考虑设备的异常振动,但是在对震动信号进行分析时,因为采集的震动信号会受到噪声的影响,在现有技术中,使用Wigner-Ville分布算法对信号进行去噪时会存在交叉干扰项导致去噪后的信号中会出现模糊和混叠,影响输送机风险预测结果的准确性。
发明内容
为了解决使用Wigner-Ville分布算法对信号进行去噪时会存在交叉干扰项导致去噪后的信号中会出现模糊和混叠,影响输送机风险预测结果的准确性的技术问题,本发明的目的在于提供一种用于物流输送机的风险模型预测控制方法及系统,所采用的技术方案具体如下:
本发明提出了一种用于物流输送机的风险模型预测控制方法,所述方法包括:
获取输送机振动的原始信号;对所述原始信号进行经验模态分解并筛选获得目标分量信号;
根据所述目标分量信号中相邻极值点的幅值差异和时间间隔获得每个所述目标分量信号的数据变化程度;将频率差异最小的两个目标分量信号作为相邻目标分量信号,根据所有相邻目标分量信号的所述数据变化程度的差异与对应的相邻目标分量信号中数据方差的差异,获得所有所述目标分量信号的整体变化特征;
根据相邻目标分量信号中极值点的个数、目标分量信号的周期和所述整体变化特征获得划分周期;根据所述划分周期对所有所述目标分量信号进行划分获得区间信号;
根据相邻目标分量信号相同时刻的数据值的差异获得相邻目标分量信号的数据差异性;将每个所述目标分量信号中所有区间信号内斜率的均值作为均值特征;根据所有所述相邻目标分量信号的数据差异性和对应的所述均值特征的差异获得所有所述目标分量信号的整体差异性;
获取所有目标分量信号的平均信号周期;根据所述原始信号的幅值获取幅值变化特征;根据所述平均信号周期、所述整体差异性以及所述幅值变化特征获得窗函数参数;
根据代入所述窗函数参数的窗函数对原始信号进行去噪,获得去噪后的振动信号;根据所述去噪后的振动信号对输送机进行异常预测,获得预测结果。
进一步地,所述数据变化程度的获取方法包括:
将每个所述目标分量信号中相邻极值点的所述幅值差异与对应的所述时间间隔的比值累加作为每个所述目标分量信号的数据变化程度。
进一步地,所述整体变化特征的获取方法包括:
将相邻目标分量信号的所述数据变化程度的差异与对应的相邻目标分量信号中数据方差的差异相乘,作为所述相邻目标分量信号的变化特征;
将所有相邻目标分量信号的所述变化特征的平均值作为所述整体变化特征。
进一步地,所述划分周期的获取方法包括:
将所有所述相邻目标分量信号中极值点个数的比值累加作为所有目标分量信号的变化差异;将所述整体变化特征与所述变化差异的乘积进行负相关映射并归一化后作为调节参数;将所述调节参数与所有所述目标分量信号的最小周期的乘积作为所述划分周期。
进一步地,所述数据差异性的获取方法包括:
将所述相邻目标分量信号中相同时刻的数据值的差异累加并求均值作为所述相邻目标分量信号的数据差异性。
进一步地,所述整体差异性的获取方法包括:
将所有所述相邻目标分量信号的数据差异性与对应的所述均值特征的差异的乘积求平均并归一化作为所述整体差异性。
进一步地,所述窗函数参数的获取方法包括:
获取所述原始信号的平均幅值,将所述原始信号中的最大幅值与所述平均幅值的比值作为所述幅值变化特征;
将所述整体差异性、所述平均信号周期以及所述幅值变化特征的乘积作为所述窗函数参数。
进一步地,所述预测结果的获取方法包括:
根据代入所述窗函数参数的窗函数对所述原始信号进行平滑操作;利用WVD算法对进行平滑操作后的原始信号进行去噪处理获得去噪后的振动信号;
获取所述原始信号的周期,将所述去噪后的振动信号的幅值与所述原始信号的周期的比值作为待检测信号;
当所述待检测信号大于预设判断阈值时,则输送机需要进行检修;
当所述待检测信号小于或者等于预设判断阈值时,则输送机不需要进行检修。
进一步地,所述目标分量信号的获取方法包括:
利用经验模态分解算法将所述原始信号进行分解获得频率从高到低排列的分量信号序列;设置预设频率范围,将所述分量信号序列中满足所述预设频率范围的分量信号作为所述目标分量信号。
本发明还提出了一种用于物流输送机的风险模型预测控制系统,所述系统包括:
存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时可实现任意一项所述方法的步骤。
本发明具有如下有益效果:
本发明首先对物流输送机振动的原始信号进行分解和筛选,获得频率合适的目标分量信号,从而能够提升目标分量信号处理的可靠性与处理效果;进而可以基于目标分量信号的数据变化程度以及数据方差获得所有目标分量信号的整体变化特征,整体变化特征表征了目标分量信号之间的差异性,可以初步反映出噪声对原始信号的影响;进而对所有目标分量信号进行区间划分,目的在于基于局部特征进一步表征出噪声对于原始信号的影响,使得后续进行风险预测时的结果更加准确;基于划分好的区间信号的斜率可以表征目标分量信号的变化趋势,并结合目标分量信号的数据差异性获得所有目标分量信号的整体差异性,整体差异性是局部特征的结合,故可以更加准确的反映出噪声产生的影响;进而可以将整体差异性与原始信号的幅值变化特征以及信号周期进行结合获取合适的窗函数参数;合适的窗函数参数可以在后续的去噪过程中减小交叉项的干扰,取得更加好的去噪效果进而获得更加准确的风险预测结果;在本发明的整个过程中,通过对原始信号进行局部化处理,准确的反映出噪声对原始信号的影响,基于信号的特征确定合适的窗函数参数,在去噪过程中减小了交叉项的干扰,使得后续对物流输送机的风险预测结果更加准确。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种用于物流输送机的风险模型预测控制方法流程图。
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用于物流输送机的风险模型预测控制方法及系统,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用于物流输送机的风险模型预测控制方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于物流输送机的风险模型预测控制方法流程图,该方法包括以下步骤:
步骤S1:获取输送机振动的原始信号;对原始信号进行经验模态分解并筛选获得目标分量信号。
本发明的主要目的是需要对物流输送机的振动信号进行去噪与检测,所以本发明实施例首先获取输送机振动的原始信号;由于加速度计适用于高精度、高灵敏度的振动信号采集,故使用加速度计来采集输送机振动的原始信号,然后将采集到的输送机振动的原始信号通过有线传输的方式传输道信号处理系统中,方便对原始信号进行后续的处理。需要说明的是,具体采集与传输输送机振动的原始信号的装置的选择,实施者可根据具体实施场景进行调整,在此不做限定。
由于输送机原始信号中会存在噪声的影响,为了分析噪声产生的影响,可以对原始信号进行分解获得分量信号,然后对分量信号进行筛选获得用于后续处理分析的目标分量信号。
优选地,本发明一个实施例中目标分量信号的获取方法包括:
利用经验模态分解算法(Empirical Mode Decomposition-EMD)将原始信号进行分解获得频率从高到低排列的分量信号序列,由于原始信号较复杂,所以分解产生的分量信号较多,并且分量信号序列中位于首位的分量信号中包含的高频信号较多,而末位的分量信号中包含的低频信号较多,二者均不能准确的反映信号的变化特征,因此本发明实施例设置预设频率范围,将满足预设频率范围的分量信号作为目标分量信号,用于后续的分析处理。需要说明的是,EMD算法为本领域技术人员熟知的技术手段,在此不做赘述,预设频率范围为分量信号序列中第3个到第6个分量信号的频率范围,具体频率范围的设置实施者可根据具体情况进行调整,在此不做限定。
至此,筛选出了用于后续分析处理的目标分量信号,可进行后续的操作。
步骤S2: 根据目标分量信号中相邻极值点的幅值差异和时间间隔获得每个目标分量信号的数据变化程度;将频率差异最小的两个目标分量信号作为相邻目标分量信号,根据所有相邻目标分量信号的数据变化程度的差异与对应的相邻目标分量信号中数据方差的差异获得所有目标分量信号的整体变化特征。
由于正常运行下的物流输送机的振动频率是近似固定的,而当输送机出现异常时,其振动频率会发生改变,所以可以首先通过每个目标分量信号中相邻极值点的幅值差异以及时间间隔获得每个目标分量信号的数据变化程度。
优选地,本发明一个实施例中数据变化程度的获取方法包括:
将每个目标分量信号中相邻的极大值点与极小值点的幅值差异与对应的时间间隔的比值进行累加求和作为每个目标分量信号的数据变化程度。数据变化程度的公式模型为:
其中,表示第/>个目标分量信号的数据变化程度,/>表示第/>个目标分量信号中第/>个极大值点的幅值,/>表示第/>个目标分量信号中第/>个极小值点的幅值,/>表示第/>个目标分量信号中第/>个极大值点对应的时间,/>表示第/>个目标分量信号中第/>个极小值点对应的时间,/>表示第/>个目标分量信号中极大值点的个数,∑表示求和符号。
在数据变化程度的公式模型中,当相邻的极大值点与极小值点的幅值差异越大,同时时间间隔越小,则数据变化程度越大,数据变化程度可以说明单个目标分量信号的变化情况。
若仅从单个目标分量信号的变化情况来分析噪声产生的影响不够准确,所以本发明计算所有相邻目标分量信号的数据变化程度的差异,因为当不存在噪声影响时,相邻的目标分量信号之间的数据变化程度应该是相近的,同时结合相邻目标分量信号中数据方差的差异获得所有目标分量信号的整体变化特征。
优选地,本发明一个实施例中整体变化特征的获取方法包括:
将相邻两个目标分量信号的数据变化程度的差异与对应的相邻两个目标分量信号中数据方差的差异相乘,作为相邻两个目标分量信号的变化特征;然后获取所有相邻目标分量信号的变化特征,将所有相邻目标分量信号的变化特征的平均值作为整体变化特征。整体变化特征的公式模型为:
其中,表示整体变化特征,/>表示第/>个目标分量信号的数据变化程度,/>表示第/>个目标分量信号的数据变化程度,/>表示第/>个目标分量信号的数据方差,/>表示第/>个目标分量信号的数据方差,/>表示目标分量信号的个数,∑表示求和符号。
在整体变化特征的公式模型中,由于不存在噪声影响时,相邻的目标分量信号的数据变化程度之间的差异应较小,同时方差的差异也较小,则获得的整体变化特征就越小,然而当相邻的目标分量信号的数据变化程度之间的差异较大,同时方差的差异也较大,则获得的整体变化特征就越大,即此时在相同的时间序列上存在频率差异较大的噪声,噪声的影响较大,需要对原始信号进行去噪处理。
由于输送机的原始信号中存在噪声的影响,本发明主要目的在于对原始信号进行去噪以获得更加准确的风险预测结果,而正常运行下的输送机的振动频率是近似固定的,当输送机出现异常时,其振动频率会发生改变,那么在通过EMD算法分解后,不同频率的信号就会分布在不同的目标分量信号中,因此通过计算目标分量信号的整体变化特征,可以描述受到噪声影响时输送机出现异常时振动频率发生变化的程度。
至此,获得了目标分量信号的整体变化特征,可以根据整体变化特征分析噪声对原始信号产生的影响。
步骤S3:根据相邻目标分量信号中极值点的个数、目标分量信号的周期和整体变化特征获得划分周期;根据划分周期对所有目标分量信号进行划分获得区间信号。
在步骤S2中分析了噪声对原始信号产生的影响,然后在使用Wigner-Ville分布算法(简称WVD)对信号进行去噪时会存在交叉干扰项导致去噪后的信号中会出现模糊和混叠的情况,而交叉项干扰问题的出现主要是因为WVD采用了时间和频率两个变量进行分析,而没有进行明确的分离。因此为了解决交叉项干扰的问题,本发明通过添加窗函数来对时域上的信号进行局部化处理,使交叉项的能量逐渐衰减,并更好地分离不同频率成分,有效地降低交叉项的幅度,并提高信号的分离性能。
首先需要对目标分量信号进行区间划分,根据相邻目标分量信号中极值点的个数、目标分量信号的周期和整体变化特征获得划分周期,然后根据划分周期将所有目标分量信号进行划分获得区间信号来获取局部特征。
优选地,本发明一个实施例中划分周期的获取方法包括:
将所有相邻目标分量信号中极值点个数的比值累加作为所有目标分量信号的变化差异,由于受到噪声影响越大,获得的整体变化特征以及变化差异就越大,所以在对目标分量信号进行划分时应该将区间划分的更小,才可以获得更高的精度,故将所述整体变化特征与变化差异的乘积进行负相关映射并归一化后作为调节参数;以所有目标分量信号的最小周期作为参考,将调节参数与该最小周期的乘积作为划分周期。
其中,表示划分周期,/>表示整体变化特征,/>表示第/>个目标分量信号中极值点的个数,/>表示第/>个目标分量信号中极值点的个数,/>表示所有目标分量信号的最小周期,/>表示目标分量信号的个数,∑表示求和符号,/>表示自然常数。
在划分周期的公式模型中,为相邻的目标分量信号的极值点个数的差异,可以表示不同分量信号之间的差异性,如果该差异性越大,则说明相近频率的信号变化程度越大,说明噪声的影响越大,同时步骤S2中获得的整体变化特征越大,也说明噪声的影响越大,所以在对目标分量信号进行区间划分时,就应该以较小的周期作为参考,获得更小的划分周期,确保能够获得准确的精度,进而通过信号的局部特征有效地降低交叉项的幅度。
进而基于获得的划分周期对所有的目标分量信号进行划分获得区间信号,为后续的处理操作做准备。
步骤S4:根据相邻目标分量信号相同时刻的数据值的差异获得相邻目标分量信号的数据差异性;将每个目标分量信号中所有区间信号内斜率的均值作为均值特征;根据所有相邻目标分量信号的数据差异性和对应的均值特征的差异获得所有目标分量信号的整体差异性。
基于步骤S3中划分好的区间信号,可以对各目标分量信号中的区间信号内的数据进行分析,通过区间信号的局部特征获得所有目标分量信号的整体差异性,从而根据整体差异性在后续的步骤中确定合适的窗函数参数。
获取所有目标分量信号的整体差异性可以首先获取相邻目标分量信号的数据差异性,相邻目标分量信号的数据差异性可根据相邻两个目标分量信号相同时刻的数据值的差异获得。
优选地,本发明一个实施例中数据差异性的获取方法包括:
将相邻两个目标分量信号中相同时刻的数据值的差异进行累加并求均值,作为该相邻两个目标分量信号的数据差异性。数据差异性的公式模型为:
其中,表示第/>个目标分量信号和第/>个目标分量信号的数据差异性,表示第/>个目标分量信号中第/>个区间信号中第/>个时刻的数据值,/>表示第/>个目标分量信号中第/>个区间信号中第/>个时刻的数据值,/>表示每个区间信号中的时刻数,/>表示每个目标分量信号的区间信号数,∑为求和符号。
在数据差异性的公式模型中,当相邻两个目标分量信号中的数据值的差异越大,可以初步说明相邻两个目标分量信号的相关性越小,说明噪声的干扰比较大;当相邻两个目标分量信号中的数据值的差异越小,可以初步说明相邻两个目标分量信号的相关性越大,说明噪声的干扰比较小;可以后续窗函数参数的获取提供初始参考。
由于斜率表示的是数据的变化趋势,当两个数据的变化趋势相近时,斜率的变化也是相似的,因此可以通过与斜率结合来反映目标分量信号之间的整体差异性,首先将每个目标分量信号中所有区间信号内斜率的均值作为均值特征 ,然后根据所有相邻目标分量信号的数据差异性和对应的均值特征的差异获得所有目标分量信号的整体差异性。
优选地,本发明一个实施例中整体差异性的获取方法包括:
将所有相邻目标分量信号的数据差异性与对应的所述均值特征的差异的乘积求平均并归一化作为整体差异性。整体差异性的公式模型为:
其中,表示整体差异性,/>表示第/>个目标分量信号和第/>个目标分量信号的数据差异性,/>表示第/>个目标分量信号的均值特征,/>表示第/>个目标分量信号的均值特征,/>表示目标分量信号的个数,/>表示归一化函数,∑表示求和符号。
在整体差异性的公式模型中,将相邻目标分量信号的数据差异性与对应的均值特征的差异相结合,当数据差异性与均值特征的差异均较大时,说明此时相邻两个目标分量信号的差异较大,即相关性较小,说明噪声的影响较大,将二者进行结合后求平均值作为整体差异性可以更加准确的反映出噪声对于分量信号整体的影响,使得整体差异性的参考价值更高。需要说明的是,归一化操作为本领域技术人员熟知的操作过程,在此不做赘述。
至此,获得了所有分量信号的整体差异性。
步骤S5:获取所有目标分量信号的平均信号周期;根据原始信号的幅值获取幅值变化特征;根据平均信号周期、整体差异性以及幅值变化特征获得窗函数参数。
根据步骤S4中确定的整体差异性可以用于确定窗函数的参数,本发明实施例中使用的窗函数为Kaiser窗函数,Kaiser窗函数的公式模型为:
其中,表示第一类贝瑟尔函数,/>表示索引,即窗口函数在离散时间域上的每个数据点的位置,/>表示窗函数的总长度,/>表示Kaiser窗的形状参数。
选用Kaiser窗函数的原因在于Kaiser窗在时域上具有有限长度和连续性,主要特点是可以通过调节参数控制窗函数的形状,从而实现对主瓣宽度和副瓣抑制的灵活调节,较大的/>值可用于更严格的副瓣控制,而较小的/>值可提供较好的频率分辨率,所以使用Kaiser窗,通过计算和调整窗函数的参数,以满足本发明抑制噪声的要求,使去噪结果更加准确。
由于较大的值会导致更好的副瓣抑制,但同时会增加主瓣宽度。所以需要选择适当的β值,使其可以在满足频率分辨率需求的同时,减小副瓣带来的干扰。首先获取各个目标分量信号的平均信号周期与原始信号中的幅值变化特征,然后将平均信号周期、整体差异性以及幅值变化特征进行结合获得窗函数参数。
优选地,本发明一个实施例中窗函数参数的获取方法包括:
获取原始信号的平均幅值,该平均幅值可以更加准确的反映出原始信号的变化情况,将原始信号中的最大幅值与该平均幅值的比值作为幅值变化特征;然后将整体差异性、平均信号周期以及幅值变化特征的乘积作为窗函数参数。窗函数参数的公式模型为:
其中,表示窗函数参数,/>表示整体差异性,/>表示原始信号中的最大幅值,/>表示原始信号的平均幅值,/>表示平均信号周期。
在窗函数参数的公式模型中,当原始信号的幅值变化特征越大,同时整体差异性也越大,则说明在原始信号中噪声的干扰程度越大,才会出现整体差异大以及局部幅值较大的情况,此时需要更好的副瓣抑制效果,即需要变大;而当幅值变化特征越小,同时整体差异性也越小,则说明在原始信号中噪声的干扰程度越小,此时需要提供更好的频率分辨率,使得信号的不同频率成分可以更好地区分,即/>需要变小;与平均信号周期相乘的原因在于平均信号周期可以表示原始信号中不同频率信号的整体分布情况,避免在确定窗函数参数时不符合信号的变化规律。
至此,基于信号的幅值变化特征、平均信号周期以及整体差异性获得了合适的窗函数参数,可以根据该窗函数参数进行后续去噪以及预测的操作。
步骤S6:根据代入窗函数参数的窗函数对原始信号进行去噪,获得去噪后的振动信号;根据去噪后的振动信号对输送机进行异常预测,获得预测结果。
将步骤S5中获得的窗函数参数代入窗函数中,可以根据该窗函数对原始信号进行去噪操作获得去噪后的振动信号,然后根据去噪后的振动信号可以对输送机进行异常预测,获得最终的预测结果。
优选地,本发明一个实施例中预测结果的获取方法包括:
首先根据代入窗函数参数的窗函数对输送机的原始信号进行平滑操作;然后利用WVD算法对进行平滑操作后的原始信号进行去噪处理获得去噪后的振动信号,此时去噪后的振动信号为减小了交叉干扰项的振动信号;然后根据去噪后的振动信号来确定输送机是否出现故障。因为输送机的振动频率趋于一个定值,当出现异常时,其振动频率就会发生变化,因此获取原始信号的周期,将去噪后的振动信号的幅值与原始信号周期的比值作为待检测信号;如果待检测信号大于预设判断阈值,说明此时输送机出现了异常需要进行检修;如果待检测信号小于或者等于预设判断阈值时,则输送机不需要进行检修。需要说明的是,利用窗函数对信号进行平滑操作以及利用WVD算法对信号进行去噪的具体操作过程为本领域技术人员熟知的技术手段,在此不做赘述;本发明中预设判断阈值设置为0.2,具体数值的大小实施者可根据具体实施场景进行调整,在此不做限定。
本发明一个实施例还提供了一种用于物流输送机的风险模型预测控制系统,该系统包括存储器、处理器和计算机程序,其中存储器用于存储相应的计算机程序,处理器用于运行相应的计算机程序,计算机程序在处理器上运行时能够实现任意一项一种用于物流输送机的风险模型预测控制方法的步骤。
综上所述,本发明目的在于对物流输送机的振动信号进行去噪然后进行风险预测,故实施例中首先对物流输送机振动的原始信号进行分解,然后筛选出合适的目标分量信号,筛选目标分量信号的目的在于可以减小误差。由于在噪声的影响下信号会发生异变,故可以根据相邻目标分量信号之间的差异来获取所有目标分量信号的整体变化特征,整体变化特征可以表征噪声对于信号的初始影响。由于本发明的主要目的为去噪,而使用WVD算法对信号进行去噪时会出现交叉项的干扰,所以本发明添加了窗函数对信号进行局部化处理,为了获取信号的局部特征,故根据获得的整体变化特征、目标分量信号的最小周期以及相邻目标分量信号变化差异获得划分周期,基于划分周期对目标分量信号进行划分,用于分析目标分量信号的局部特征。进而根据相邻目标分量信号的局部特征如区间信号内的斜率的差异以及数据值的差异获得目标分量信号的整体差异性,可以进一步的反映出噪声对于信号的影响;由于窗函数的参数可以用于调节窗函数的形状,从而可以实现对主瓣宽度以及副瓣抑制的灵活调节,所以将整体差异性与原始信号的幅度变化特征以及原始信号的平均周期相乘获得准确合适的窗函数参数;进而利用窗函数对原始信号进行平滑操作,然后利用WVD算法对原始信号进行去噪,这时可以有效的减小交叉项的干扰,获得更加准确的去噪结果;进而提高对物流输送机风险预测的准确度。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种用于物流输送机的风险模型预测控制方法,其特征在于,所述方法包括:
获取输送机振动的原始信号;对所述原始信号进行经验模态分解并筛选获得目标分量信号;
根据所述目标分量信号中相邻极值点的幅值差异和时间间隔获得每个所述目标分量信号的数据变化程度;将频率差异最小的两个目标分量信号作为相邻目标分量信号,根据所有相邻目标分量信号的所述数据变化程度的差异与对应的相邻目标分量信号中数据方差的差异,获得所有所述目标分量信号的整体变化特征;
根据相邻目标分量信号中极值点的个数、目标分量信号的周期和所述整体变化特征获得划分周期;根据所述划分周期对所有所述目标分量信号进行划分获得区间信号;
根据相邻目标分量信号相同时刻的数据值的差异获得相邻目标分量信号的数据差异性;将每个所述目标分量信号中所有区间信号内斜率的均值作为均值特征;根据所有所述相邻目标分量信号的数据差异性和对应的所述均值特征的差异获得所有所述目标分量信号的整体差异性;
获取所有目标分量信号的平均信号周期;根据所述原始信号的幅值获取幅值变化特征;根据所述平均信号周期、所述整体差异性以及所述幅值变化特征获得窗函数参数;
根据代入所述窗函数参数的窗函数对原始信号进行去噪,获得去噪后的振动信号;根据所述去噪后的振动信号对输送机进行异常预测,获得预测结果。
2.根据权利要求1所述的一种用于物流输送机的风险模型预测控制方法,其特征在于,所述数据变化程度的获取方法包括:
将每个所述目标分量信号中相邻极值点的所述幅值差异与对应的所述时间间隔的比值累加作为每个所述目标分量信号的数据变化程度。
3.根据权利要求1所述的一种用于物流输送机的风险模型预测控制方法,其特征在于,所述整体变化特征的获取方法包括:
将相邻目标分量信号的所述数据变化程度的差异与对应的相邻目标分量信号中数据方差的差异相乘,作为所述相邻目标分量信号的变化特征;
将所有相邻目标分量信号的所述变化特征的平均值作为所述整体变化特征。
4.根据权利要求1所述的一种用于物流输送机的风险模型预测控制方法,其特征在于,所述划分周期的获取方法包括:
将所有所述相邻目标分量信号中极值点个数的比值累加作为所有目标分量信号的变化差异;将所述整体变化特征与所述变化差异的乘积进行负相关映射并归一化后作为调节参数;将所述调节参数与所有所述目标分量信号的最小周期的乘积作为所述划分周期。
5.根据权利要求1所述的一种用于物流输送机的风险模型预测控制方法,其特征在于,所述数据差异性的获取方法包括:
将所述相邻目标分量信号中相同时刻的数据值的差异累加并求均值作为所述相邻目标分量信号的数据差异性。
6.根据权利要求1所述的一种用于物流输送机的风险模型预测控制方法,其特征在于,所述整体差异性的获取方法包括:
将所有所述相邻目标分量信号的数据差异性与对应的所述均值特征的差异的乘积求平均并归一化作为所述整体差异性。
7.根据权利要求1所述的一种用于物流输送机的风险模型预测控制方法,其特征在于,所述窗函数参数的获取方法包括:
获取所述原始信号的平均幅值,将所述原始信号中的最大幅值与所述平均幅值的比值作为所述幅值变化特征;
将所述整体差异性、所述平均信号周期以及所述幅值变化特征的乘积作为所述窗函数参数。
8.根据权利要求1所述的一种用于物流输送机的风险模型预测控制方法,其特征在于,所述预测结果的获取方法包括:
根据代入所述窗函数参数的窗函数对所述原始信号进行平滑操作;利用WVD算法对进行平滑操作后的原始信号进行去噪处理获得去噪后的振动信号;
获取所述原始信号的周期,将所述去噪后的振动信号的幅值与所述原始信号的周期的比值作为待检测信号;
当所述待检测信号大于预设判断阈值时,则输送机需要进行检修;
当所述待检测信号小于或者等于预设判断阈值时,则输送机不需要进行检修。
9.根据权利要求1所述的一种用于物流输送机的风险模型预测控制方法,其特征在于,所述目标分量信号的获取方法包括:
利用经验模态分解算法将所述原始信号进行分解获得频率从高到低排列的分量信号序列;设置预设频率范围,将所述分量信号序列中满足所述预设频率范围的分量信号作为所述目标分量信号。
10.一种用于物流输送机的风险模型预测控制系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311236845.6A CN116976684B (zh) | 2023-09-25 | 2023-09-25 | 用于物流输送机的风险模型预测控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311236845.6A CN116976684B (zh) | 2023-09-25 | 2023-09-25 | 用于物流输送机的风险模型预测控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116976684A true CN116976684A (zh) | 2023-10-31 |
CN116976684B CN116976684B (zh) | 2024-01-02 |
Family
ID=88479998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311236845.6A Active CN116976684B (zh) | 2023-09-25 | 2023-09-25 | 用于物流输送机的风险模型预测控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976684B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235652A (zh) * | 2023-11-14 | 2023-12-15 | 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 |
CN117390380A (zh) * | 2023-12-12 | 2024-01-12 | 泰安金冠宏食品科技有限公司 | 一种油渣分离系统中的数据分析方法 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001074616A (ja) * | 1999-09-06 | 2001-03-23 | Mitsubishi Electric Corp | 回転機の異常診断装置 |
DE10134384A1 (de) * | 2001-07-14 | 2003-02-06 | Heidenhain Gmbh Dr Johannes | Verfahren zur Optimierung eines digitalen Filters |
CN1926413A (zh) * | 2004-10-18 | 2007-03-07 | 日本精工株式会社 | 机械设备的异常诊断系统 |
JP2007306346A (ja) * | 2006-05-12 | 2007-11-22 | Nec Engineering Ltd | 電力制限回路 |
CN103674001A (zh) * | 2013-11-19 | 2014-03-26 | 南京航空航天大学 | 一种基于增强自适应时频峰值滤波的光纤陀螺去噪方法 |
JP2015108872A (ja) * | 2013-12-03 | 2015-06-11 | キヤノン株式会社 | 画像処理方法 |
JP2019010437A (ja) * | 2017-06-30 | 2019-01-24 | ヤマハ株式会社 | 判定装置、及び判定方法 |
JP2019096289A (ja) * | 2017-11-17 | 2019-06-20 | 富士電機株式会社 | 異常検出装置、異常検出方法、異常検出プログラム及び異常検出システム |
CN110865410A (zh) * | 2019-11-29 | 2020-03-06 | 山西大学 | 一种基于nar-tfpf压制地震勘探随机噪声的方法 |
CN111043023A (zh) * | 2019-12-27 | 2020-04-21 | 橙色云设计有限公司 | 一种压裂泵在线监测及故障诊断系统 |
CN111160090A (zh) * | 2019-11-22 | 2020-05-15 | 新绎健康科技有限公司 | 一种bcg信号降噪方法及系统 |
KR102368440B1 (ko) * | 2021-07-26 | 2022-02-28 | 주식회사 아큐리스 | 사물 인터넷(IoT) 소음.진동 센서를 활용한 웹 기반의 지능형 통합 소음.진동 상시 감시,저장 및 관리 블랙박스 시스템 및 그 처리 방법 |
WO2022061596A1 (zh) * | 2020-09-23 | 2022-03-31 | 深圳市速腾聚创科技有限公司 | 一种信号噪声滤除方法、装置、存储介质及激光雷达 |
CN114265010A (zh) * | 2021-11-10 | 2022-04-01 | 国网浙江省电力有限公司绍兴供电公司 | 基于麦克风阵列的变压器故障声源定位方法及系统 |
CN115856425A (zh) * | 2022-11-21 | 2023-03-28 | 中国人民解放军32802部队 | 一种基于隐空间概率预测的频谱异常检测方法及装置 |
CN115935144A (zh) * | 2022-11-30 | 2023-04-07 | 国网青海省电力公司海东供电公司 | 一种运检维护数据去噪重构方法 |
CN116071881A (zh) * | 2023-03-24 | 2023-05-05 | 光谷技术有限公司 | 基于地波和视频的多模态入侵探测系统 |
CN116203646A (zh) * | 2023-05-04 | 2023-06-02 | 山东省地质测绘院 | 一种确定地质资源量的勘探数据处理系统 |
CN116304581A (zh) * | 2023-05-10 | 2023-06-23 | 佛山市钒音科技有限公司 | 一种空调用智能电控系统 |
CN116738153A (zh) * | 2023-08-15 | 2023-09-12 | 中国科学院东北地理与农业生态研究所 | 基于光谱分析的有机肥利用效果评价方法 |
-
2023
- 2023-09-25 CN CN202311236845.6A patent/CN116976684B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001074616A (ja) * | 1999-09-06 | 2001-03-23 | Mitsubishi Electric Corp | 回転機の異常診断装置 |
DE10134384A1 (de) * | 2001-07-14 | 2003-02-06 | Heidenhain Gmbh Dr Johannes | Verfahren zur Optimierung eines digitalen Filters |
CN1926413A (zh) * | 2004-10-18 | 2007-03-07 | 日本精工株式会社 | 机械设备的异常诊断系统 |
JP2007306346A (ja) * | 2006-05-12 | 2007-11-22 | Nec Engineering Ltd | 電力制限回路 |
CN103674001A (zh) * | 2013-11-19 | 2014-03-26 | 南京航空航天大学 | 一种基于增强自适应时频峰值滤波的光纤陀螺去噪方法 |
JP2015108872A (ja) * | 2013-12-03 | 2015-06-11 | キヤノン株式会社 | 画像処理方法 |
JP2019010437A (ja) * | 2017-06-30 | 2019-01-24 | ヤマハ株式会社 | 判定装置、及び判定方法 |
JP2019096289A (ja) * | 2017-11-17 | 2019-06-20 | 富士電機株式会社 | 異常検出装置、異常検出方法、異常検出プログラム及び異常検出システム |
CN111160090A (zh) * | 2019-11-22 | 2020-05-15 | 新绎健康科技有限公司 | 一种bcg信号降噪方法及系统 |
CN110865410A (zh) * | 2019-11-29 | 2020-03-06 | 山西大学 | 一种基于nar-tfpf压制地震勘探随机噪声的方法 |
CN111043023A (zh) * | 2019-12-27 | 2020-04-21 | 橙色云设计有限公司 | 一种压裂泵在线监测及故障诊断系统 |
WO2022061596A1 (zh) * | 2020-09-23 | 2022-03-31 | 深圳市速腾聚创科技有限公司 | 一种信号噪声滤除方法、装置、存储介质及激光雷达 |
KR102368440B1 (ko) * | 2021-07-26 | 2022-02-28 | 주식회사 아큐리스 | 사물 인터넷(IoT) 소음.진동 센서를 활용한 웹 기반의 지능형 통합 소음.진동 상시 감시,저장 및 관리 블랙박스 시스템 및 그 처리 방법 |
CN114265010A (zh) * | 2021-11-10 | 2022-04-01 | 国网浙江省电力有限公司绍兴供电公司 | 基于麦克风阵列的变压器故障声源定位方法及系统 |
CN115856425A (zh) * | 2022-11-21 | 2023-03-28 | 中国人民解放军32802部队 | 一种基于隐空间概率预测的频谱异常检测方法及装置 |
CN115935144A (zh) * | 2022-11-30 | 2023-04-07 | 国网青海省电力公司海东供电公司 | 一种运检维护数据去噪重构方法 |
CN116071881A (zh) * | 2023-03-24 | 2023-05-05 | 光谷技术有限公司 | 基于地波和视频的多模态入侵探测系统 |
CN116203646A (zh) * | 2023-05-04 | 2023-06-02 | 山东省地质测绘院 | 一种确定地质资源量的勘探数据处理系统 |
CN116304581A (zh) * | 2023-05-10 | 2023-06-23 | 佛山市钒音科技有限公司 | 一种空调用智能电控系统 |
CN116738153A (zh) * | 2023-08-15 | 2023-09-12 | 中国科学院东北地理与农业生态研究所 | 基于光谱分析的有机肥利用效果评价方法 |
Non-Patent Citations (5)
Title |
---|
ROARK RM等: "B-spline design of maximally flat and prolate spheroidal-type FIR filters", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》, vol. 47, no. 3, pages 701 - 716, XP011058485 * |
刘小平;许桂云;任世锦;杨茂云;: "形态梯度小波降噪与S变换的齿轮故障特征抽取算法", 电子设计工程, no. 22, pages 79 - 82 * |
吴小羊等: "基于时频重排的地震信号Wigner-Ville分布时频分析", 《石油地球物理勘探》, vol. 44, no. 2, pages 201 - 207 * |
谢业强等: "基于一阶自卷积Kaiser窗的分频段谐波检测DFT算法", 《广东电力》, vol. 34, no. 6, pages 79 - 88 * |
赵宏伟: "基于时频分布的跳频信号参数检测方法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 7, pages 136 - 62 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235652A (zh) * | 2023-11-14 | 2023-12-15 | 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 |
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 |
CN117390380A (zh) * | 2023-12-12 | 2024-01-12 | 泰安金冠宏食品科技有限公司 | 一种油渣分离系统中的数据分析方法 |
CN117390380B (zh) * | 2023-12-12 | 2024-02-13 | 泰安金冠宏食品科技有限公司 | 一种油渣分离系统中的数据分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116976684B (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116976684B (zh) | 用于物流输送机的风险模型预测控制方法及系统 | |
CA2417074C (en) | Method and system for trend detection and analysis | |
US20160202693A1 (en) | Anomaly Diagnosis System and Anomaly Diagnosis Method | |
US10360671B2 (en) | Tool health monitoring and matching | |
CN110682159A (zh) | 一种刀具磨损状态识别方法及装置 | |
Hussain et al. | A novel method for real time gear fault detection based on pulse shape analysis | |
CN116955938B (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 | |
CN117272210A (zh) | 一种建筑施工异常隐患数据检测方法及系统 | |
CN117196353B (zh) | 基于大数据的环境污染评估与监测方法及系统 | |
CN113259031A (zh) | 一种面向卫星频谱态势生成的底噪拟合与消除方法 | |
CN117454085A (zh) | 一种车辆在线监控方法及系统 | |
CN117235652B (zh) | 一种基于大数据的钢丝加工环境监管方法及系统 | |
US11789439B2 (en) | Failure sign diagnosis device and method therefor | |
CN111079591B (zh) | 基于改进多尺度主成分分析的不良数据修复方法及系统 | |
CN110149104B (zh) | 一种机器人零相移实时滤波方法 | |
CN114782837A (zh) | 种植物估产方法、装置、电子设备和存储介质 | |
CN114859297A (zh) | 桥梁振动目标检测方法及装置 | |
Pełech-Pilichowski | On adaptive prediction of nonstationary and inconsistent large time series data | |
US11551116B2 (en) | Signal analysis method and signal analysis module | |
CN115255405B (zh) | 一种增材制造设备的智能控制方法及系统 | |
EP3951530B1 (en) | Process state monitoring device and process state monitoring method | |
Kim et al. | Fault detection of cycle-based signals using wavelet transform in FAB processes | |
CN113189624B (zh) | 一种自适应分类的多径误差提取方法及装置 | |
Grechnikov et al. | Selection of methods for filtering the signal when measuring at coordinate measuring machine | |
CN117216489A (zh) | 一种基于互联网的防水涂料质检分析方法及系统 |
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 |