CN117235652B - 一种基于大数据的钢丝加工环境监管方法及系统 - Google Patents
一种基于大数据的钢丝加工环境监管方法及系统 Download PDFInfo
- Publication number
- CN117235652B CN117235652B CN202311506826.0A CN202311506826A CN117235652B CN 117235652 B CN117235652 B CN 117235652B CN 202311506826 A CN202311506826 A CN 202311506826A CN 117235652 B CN117235652 B CN 117235652B
- Authority
- CN
- China
- Prior art keywords
- signal component
- signal
- parameter
- time sequence
- humidity
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 72
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 45
- 239000010959 steel Substances 0.000 title claims abstract description 45
- 238000001914 filtration Methods 0.000 claims abstract description 54
- 230000008859 change Effects 0.000 claims abstract description 23
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims abstract description 11
- 230000003044 adaptive effect Effects 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 19
- 238000011112 process operation Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 19
- 238000004519 manufacturing process Methods 0.000 description 14
- 230000007613 environmental effect Effects 0.000 description 7
- 230000009467 reduction Effects 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000011513 prestressed concrete Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明涉及湿度信号处理的技术领域,具体涉及一种基于大数据的钢丝加工环境监管方法及系统。本发明首先对获取的湿度信号进行信号分解,然后分析信号分量中的波动特征以及幅值的变化特征,获取初始噪声程度;进一步利用信号分量中的不同时序段的差异特征,调整对应的初始噪声程度,获得每个信号分量的滤波参数;进一步进行自适应滤波,然后进行信号重构,获得去噪湿度信号;最后进行大数据匹配,筛选出异常信号数据,对钢丝加工环境进行监管。本发明充分考虑到了钢丝加工环境中的噪声特征以及加工过程中工艺操作对湿度信号的影响,精确的去除每个信号分量上的噪声影响,为环境监管提供了准确的数据支持,提高了监管方法的准确性。
Description
技术领域
本发明涉及湿度信号处理的技术领域,具体涉及一种基于大数据的钢丝加工环境监管方法及系统。
背景技术
在钢丝加工产业中,预应力钢丝生产行业是建筑材料行业的一个重要分支,预应力钢丝是一种特殊类型的钢丝,经过处理后具有高强度和弹性特性,主要用于预应力混凝土构件的制造。为了确保产品的质量,预应力钢丝的加工过程需要在特定的生产环境中进行,其中空气湿度对于碳、铁等生产材料的影响较大,需要单独进行检测。
在实际的生产环境中,通常利用安装湿度传感器检测当前加工环境的湿度表现,然后根据湿度传感器获取的湿度信号与历史状态对比来调整当前生产过程。由于实际生产环境存在多方面影响,在湿度信号传输至控制终端的过程中,可能会导致湿度信号出现一定噪声,导致无法获取准确的湿度信号。在预应力钢丝加工场景下,例如热处理、拉伸等步骤会导致环境湿度发生一定变化,这就导致现有去噪方法可能会对信号曲线过度平滑,或降噪不完全,影响对钢丝加工环境的监测与监管。
发明内容
为了解决现有降噪手段对钢丝加工环境中湿度信号处理不准确,影响钢丝加工环境监管的技术问题,本发明的目的在于提供一种基于大数据的钢丝加工环境监管方法及系统,所采用的技术方案具体如下:
一种基于大数据的钢丝加工环境监管方法,所述方法包括:
获取钢丝加工环境的湿度信号;将湿度信号进行信号分解,获得多个信号分量;
分析每个信号分量中频率的波动特征以及幅值的变化特征,获取每个信号分量的初始噪声程度;根据每个信号分量中不同时序段之间的差异特征,获得每个信号分量的调整系数;根据每个信号分量的所述调整系数调整对应的所述初始噪声程度,获得每个信号分量的滤波参数;根据每个信号分量的滤波参数进行自适应滤波,将滤波完成后的所有信号分量重构为去噪湿度信号;
将所述去噪湿度信号与历史大数据进行匹配,筛选出异常信号数据,并生成异常提示。
进一步地,所述初始噪声程度的获取方法包括:
选择任一信号分量为目标信号分量;将所述目标信号分量的波形中相邻的极大值点和极小值点之间的波形作为一个待分析波段;
根据所述目标信号分量的整体频率特征,获得第一参数;
根据所述目标信号分量中频率的随机性特征,获得第二参数;
根据所述目标信号分量中待分析波段的波形幅值的变化特征,获得第三参数;
将所述第一参数、所述第二参数与所述第三参数的和进行归一化后,获得所述目标信号分量的初始噪声程度;
改变目标信号分量,获得所有信号分量各自对应的初始噪声程度。
进一步地,所述第一参数的获取方法包括:
将所述目标信号分量中极大值点的数量与所述目标信号分量的总时序长度的比值作为第一参数。
进一步地,所述第二参数的获取方法包括:
通过第二参数计算公式获取所述目标信号分量的第二参数;所述第二参数计算公式包括:
;其中,/>表示目标信号分量的第二参数;/>表示目标信号分量中极大值点的数量;/>表示极大值点的序号;/>为极大值点的标识符;/>为极小值点的标识符;/>表示第/>个极大值点的时序;/>表示第/>个极小值点的时序;/>表示第/>个待分析波段的时序长度,/>表示该待分析波段的时序长度在目标信号分量中所有待分析波段时序长度中出现的概率;/>表示以自然数2为底数的对数函数。
进一步地,所述第三参数的获取方法包括:
获取所述目标信号分量中所有极值点对的差值绝对值,将所有差值绝对值的方差作为第三参数。
进一步地,所述调整系数的获取方法包括:
根据信号分量整体频率特征,将所有信号分量按照所述第一参数,从低到高的顺序进行排序,获得信号分量序列;
选取频率最低的信号分量,通过相邻的极大值与极小值时序点的差值的二倍得到每个子波动的时序长度;选取时序长度最长的一节子波动作为当前信号分量的最长子波段,将最长子波段对应的时序段作为信号分量序列中下一个信号分量的待分析时序段,从下一个信号分量的带分析时序段中获取下一个信号分量的最长子波段,依此类推,依次获得每个信号分量对应的所述最长子波段;
分析每个信号分量中最长子波段与其他部分的频率差异,依次获得每个信号分量的调整系数。
进一步地,所述调整系数的获取方法包括:
将每个信号分量中除去最长子波段的其他部分称之为比对部分,利用调整系数计算公式获得每个信号分量的调整系数;所述调整系数计算公式包括:
;其中,/>表示第/>个信号分量的调整系数;/>为信号分量的序号;/>为双曲正切函数;/>为极大值点的标识符;/>为极小值点的标识符;/>表示第/>个信号分量最长子波段中极大值点的序号;表示最长子波段中第/>个极大值点的时序;/>表示最长子波段中第/>个极小值点的时序;/>表示第/>个信号分量中最长子波段内极大值点的数量;/>表示第/>个信号分量中最长子波段的时序区间长度;/>表示第/>个信号分量中比对部分的极大值点的数量;/>表示第/>个信号分量中比对部分的时序区间长度;/>表示第/>个信号分量中比对部分的极大值点的序号;/>表示第/>个信号分量中比对部分的第/>个极大值点的时序;/>表示第个信号分量中比对部分的第/>个极小值点的时序。
进一步地,所述滤波参数的获取方法包括:
根据所述初始噪声程度和所述调整系数构建调整参数计算公式;其中,所述初始噪声程度和所述调整系数均与所述调整参数呈正相关关系。
进一步地,所述自适应滤波所使用的滤波算法为维纳滤波算法。
本发明还提出了一种基于大数据的钢丝加工环境监管系统,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实现任意一项所述一种基于大数据的钢丝加工环境监管方法的步骤。
本发明具有如下有益效果:
本发明首先对获取的湿度信号进行分解,以便后续分别分析每个信号分量的特征,对每个信号分量进行准确的降噪;进一步分析信号分量中的波动特征以及幅值的变化特征,获取信号分量的初始噪声程度,初步获得信号分量的噪声程度,为后续进行进一步调整做好准备;进一步利用信号分量中的不同时序段的差异特征,获得调整系数并调整对应的初始噪声程度,获得每个信号分量的滤波参数,综合信号分量自身特征以及加工过程中工艺对信号数据的影响特征,使得滤波参数更符合钢丝加工环境的实际情景,滤波参数更加准确;进一步进行自适应滤波,然后进行信号重构,获得去噪湿度信号;最后进行大数据匹配,筛选出异常信号数据。本发明充分考虑到了钢丝加工环境中的噪声特征以及加工过程中工艺操作对湿度信号的影响,获得了每个信号分量的滤波参数,从而精确的去除每个信号分量上的噪声影响,最后进行信号重构获得准确的去噪湿度信号,为环境监管提供了准确的数据支持,提高了钢丝加工环境监管方法的准确性。
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基于大数据的钢丝加工环境监管方法的流程图。
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基于大数据的钢丝加工环境监管方法及系统,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基于大数据的钢丝加工环境监管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基于大数据的钢丝加工环境监管方法的流程图,具体包括:
步骤S1:获取钢丝加工环境的湿度信号;将湿度信号进行信号分解,获得多个信号分量。
为了监管钢丝加工环境中的空气湿度,首先需要获取信度信号数据;在钢丝加工环境下,湿度的改变通常是由加工材料、加工环境温度共同导致的,因此整体的湿度信号应该相对低频,在加工过程中的某些时刻湿度可能发生一定变化,例如对钢丝进行热处理时,空气中的湿度会发生一定变化,此时湿度传感器的信号数据相对高频;而噪声信号会叠加在正常的信号上,导致难以分析实际的信号变化特征,所以需要对信号数据进行分解,从而分别分析每个信号分量的特征,对每个信号分量进行准确的降噪,最终提升钢丝加工环境监管方法的准确性。
在本发明一个实施例中,利用湿度传感器设备采集实时生产过程中的湿度信号,将湿度信号通过EMD信号分解方法,获得多个IMF信号分量。
需要说明的是,EMD信号分解方法已是本领域技术人员所熟知的技术手段,在此不再进行赘述;在本发明其他实施例中,可以采用小波分解算法、VMD信号分解算法等其他信号分解方法。
步骤S2:分析每个信号分量中频率的波动特征以及幅值的变化特征,获取每个信号分量的初始噪声程度;根据每个信号分量中不同时序段之间的差异特征,获得每个信号分量的调整系数;根据每个信号分量的调整系数调整对应的初始噪声程度,获得每个信号分量的滤波参数;根据每个信号分量的滤波参数进行自适应滤波,将滤波完成后的所有信号分量重构为去噪湿度信号。
由于不同信号分量的波动特征不同,所包含的噪声特征也不同,所以需要针对不同的信号分量采用不同的滤波参数,从而实现自适应滤波,确保滤波后获得的去噪湿度信号不会被过度平滑,并更好的去除信号中的噪声。
实际的加工环境中会根据控制终端下达的指令对当前空气湿度进行调整,则在信号分量中,无噪声情况下低频分量应该为实际的湿度变化趋势,当信号存在噪声时,分解得到的分量与真实的湿度信号之间存在一定差异,此时低频的信号分量对实际湿度变化趋势的表现失真;无噪声情况下的高频分量主要为加工过程导致的空气湿度变化以及对湿度进行调整的部分,存在噪声时,高频信号分量的噪声含量应该相对较高。
钢丝加工过程环境温度、材料等变动相对均匀,在加工环境的湿度变化过程中,其信号曲线的变化较缓,所以可以分析每个信号分量中频率的波动特征以及幅值的变化特征,获取每个信号分量的初始噪声程度。
优选地,在本发明一个实施例中,考虑到初始采集到的湿度信号的频率相对较低,只在加工过程导致的湿度变化及调整部分信号具有相对较高的频率,且一般加工过程和调整过程导致的湿度变化是由某步加工步骤或湿度调整设备产生的,相较于随机噪声信号而言其具有一定周期性,因此在分解的高频IMF分量中,大多波形的频率应该相对随机,实际湿度变化部分分解到初始信号高频部分区域会表现相对规律。因此对于各IMF分量而言,其自身整体频率越高,内部频率的随机性越强,当前分量内的噪声含量可能越高。另外,在加工环境的湿度变化过程中,其信号曲线的变化较缓,因此如果IMF分量中波形幅值变化差异过大,则该段信号的噪声含量可能较高。所以从分析信号分量的整体频率特征、频率的随机性以及幅值的变化特征三个方面,获取初始噪声程度:
选择任一信号分量为目标信号分量;将目标信号分量的波形中相邻的极大值点和极小值点之间的波形作为一个待分析波段;
根据目标信号分量的整体频率特征,获得第一参数;
根据目标信号分量中频率的随机性特征,获得第二参数;
根据目标信号分量中待分析波段的波形幅值的变化特征,获得第三参数;
将第一参数、第二参数与第三参数的和进行归一化后,获得目标信号分量的初始噪声程度;
改变目标信号分量,获得所有信号分量各自对应的初始噪声程度。
优选地,在本发明一个实施例中,考虑到极大值点是信号的波形中局部的最大值,通过极大值点之间平均的间隔能够反映出信号的整体频率,所以将目标信号分量中极大值点的数量与目标信号分量的总时序长度的比值作为第一参数。
优选地,在本发明一个实施例中,考虑到信息熵值是对信号不确定度的度量,可以用来估计信号的随机性,所以采用计算熵值的方式获取第二参数:
通过第二参数计算公式获取目标信号分量的第二参数;第二参数计算公式包括:
其中,表示目标信号分量的第二参数;/>表示目标信号分量中极大值点的数量;表示极大值点的序号;/>为极大值点的标识符;/>为极小值点的标识符;/>表示第/>个极大值点的时序;/>表示第/>个极小值点的时序;/>表示第/>个待分析波段的时序长度,/>表示该待分析波段的时序长度在目标信号分量中所有待分析波段时序长度中出现的概率;/>表示以自然数2为底数的对数函数。
第二参数计算公式中,待分析波段的时序长度的种类越多,每种待分析波段出现的概率就越低,说明目标信号分量中信号的不确定程度越大,随机性特征越强,第二参数就越大。
需要说明的是,信息熵的定义及其含义已是本领域技术人员所熟知的,在此不再进行赘述;在本发明其他实施例中,实施者可以通过基尼不纯度获取第二参数。
优选地,在本发明一个实施例中,考虑到待分析波段的方差能够衡量幅值变化的离散程度,能够反映出信号变化的差异程度,所以获取目标信号分量中所有极值点对的差值绝对值,将所有差值绝对值的方差作为第三参数。
需要说明的是,方差的计算过程已是本领域技术人员所熟知的技术手段,在此不再进行赘述;在本发明其他实施例中,实施者可以使用标准差、峰度等其他方式计算目标信号分量中波形幅值的变化特征,获得第三参数。
在钢丝加工过程中,加工操作步骤对环境湿度的影响体现在湿度信号曲线上通常是时序相对较长的波动,这类波动在分解过程中会体现在低频的信号分量的波动特征中,与低频信号分量的波动时序过程对应的高频信号分量时序部分的波动频率,相较于高频信号分量自身其他部分的波动频率应该更高,原因是该时序中初始信号本身较高频,叠加加工操作的影响后其频率则会更高,且该部分频率与其他部分相比高出的值越大,该信号分量上的噪声强度越小。因此,可以通过筛选相对高频分量的时序段,然后将该段对比其他部分的频率,获得调整系数,从而调整初始噪声程度。
优选地,在本发明一个实施例中,考虑到加工操作步骤对环境湿度的影响在低频的信号分量中体现较为明显,因此从低到高的顺序进行排序,通过对比相邻两信号分量并筛选相对高频分量的时序段,然后将该段对比高频分量其他部分的频率,获得调整系数:
根据信号分量整体频率特征,将所有信号分量按照第一参数,从低到高的顺序进行排序,获得信号分量序列;
选取频率最低的信号分量,通过相邻的极大值与极小值时序点的差值的二倍得到每个子波动的时序长度;选取时序长度最长的一节子波动作为当前信号分量的最长子波段,将最长子波段对应的时序段作为信号分量序列中下一个信号分量的待分析时序段,从下一个信号分量的带分析时序段中获取下一个信号分量的最长子波段,依此类推,依次获得每个信号分量对应的最长子波段;
分析每个信号分量中最长子波段与其他部分的频率差异,依次获得每个信号分量的调整系数。
优选地,在本发明一个实施例中,考虑到EMD分解的信号分量中,信号的周期可能不固定,因此使用所有相邻极值之间时序长度的和,与对应部分的时序区间长度求商,将商表征对应部分的平均周期,求倒数后便表征对应部分的频率;同时考虑到调整系数的范围以及与初始噪声程度的对应关系,进行双曲正切函数映射,然后进行取反并加自然数1,使调整系数与初始噪声程度正相关,所以调整系数的获取方法包括:
将每个信号分量中除去最长子波段的其他部分称之为比对部分,利用调整系数计算公式获得每个信号分量的调整系数;调整系数计算公式包括:
其中,表示第/>个信号分量的调整系数;/>为信号分量的序号;/>为双曲正切函数;/>为极大值点的标识符;/>为极小值点的标识符;/>表示第/>个信号分量最长子波段中极大值点的序号;/>表示最长子波段中第/>个极大值点的时序;/>表示最长子波段中第/>个极小值点的时序;/>表示第/>个信号分量中最长子波段内极大值点的数量;/>表示第/>个信号分量中最长子波段的时序区间长度;/>表示第/>个信号分量中比对部分的极大值点的数量;/>表示第/>个信号分量中比对部分的时序区间长度;/>表示第/>个信号分量中比对部分的极大值点的序号;/>表示第/>个信号分量中比对部分的第/>个极大值点的时序;/>表示第/>个信号分量中比对部分的第/>个极小值点的时序。
调整系数计算公式中,越大,说明比对部分的平均周期越大,频率就越小,同时/>越小,说明最长子波段部分的平均周期就越小,频率就越大,那么双曲正切函数内的差值就越大,反映出频率差异就越大,越能说明最长子波段的频率波动是受加工工艺影响,比对部分内的频率波动相对越平缓,受噪声的影响程度就越小,信号分量上的噪声强度就越小,调整系数就越小。
需要说明的是,双曲正切函数已是本领域技术人员所熟知的技术手段,在此不再进行赘述;在本发明其他实施例中,实施者可以选择其他数学映射函数替换双曲正切函数,进而控制调整系数的取值范围以及与初始噪声程度的对应关系。
计算分析获得每个信号分量的初始噪声程度和调整系数后,就可以利用调整系数对初始噪声程度进行调整,以获得更准确的滤波参数。
优选地,在本发明一个实施例中,根据初始噪声程度和调整系数构建调整参数计算公式;其中,初始噪声程度和调整系数均与调整参数呈正相关关系。在本发明一个实施例中,将每个信号分量的调整系数与调整参数相乘,乘积作为每个信号分量的滤波参数。在本发明其他实施例中,实施者可以通过指数函数映射等其他方式,获取滤波参数。
获得每个信号分量的滤波参数后,就可以对每个信号分量进行基于自适应滤波参数的自适应滤波;考虑到维纳滤波是最小化输出信号与真实信号之间的均方误差,可以提供在统计意义下最优的估计,这使得维纳滤波在恢复信号的过程中能够减小估计误差,提高输出信号的质量,所以在本发明一个优选实施例中,使用维纳滤波算法作为自适应滤波所使用的滤波算法。
需要说明的是,维纳滤波算法已是本领域技术人员所熟知的技术手段,在此不再进行赘述;在本发明其他实施例中,实施者可以选用卡尔曼滤波算法等其他滤波算法;将多个信号分量进行重构获得信号的方式已是本领域技术人员所熟知的技术手段,在本发明一个实施例中,将每个经过滤波处理后的IMF分量逐一相加,得到重构的去噪湿度信号。
步骤S3:将去噪湿度信号与历史大数据进行匹配,筛选出异常信号数据,并生成异常提示。
经过步骤S1和S2对湿度信号进行了自适应去噪处理,获得了准确的去噪湿度信号,进而能够对去噪湿度信号进行分析,对钢丝加工环境进行监管。
通过大数据获取历史生产过程中的环境湿度信号,然后将自适应降噪处理后的去噪湿度信号与历史大数据同时序段的信号进行对比匹配,当出现无法成功匹配的部分时,生成异常提示,将异常提示传输至控制终端的显示模块,以提醒监管人员发生异常,并通过湿度调整设备将当前环境湿度向历史数据中同时段环境湿度进行调整,维持钢丝加工的正常生产环境。
综上所述,本发明首先对获取的湿度信号进行分解,然后分析信号分量中的波动特征以及幅值的变化特征,获取信号分量的初始噪声程度;进一步利用信号分量中的不同时序段的差异特征,获得调整系数并调整对应的初始噪声程度,获得每个信号分量的滤波参数;进一步进行自适应滤波,然后进行信号重构,获得去噪湿度信号;最后进行大数据匹配,筛选出异常信号数据,对钢丝加工环境进行监管。本发明充分考虑到了钢丝加工环境中的噪声特征以及加工过程中工艺操作对湿度信号的影响,获得了每个信号分量的滤波参数,从而精确的去除每个信号分量上的噪声影响,最后进行信号重构获得准确的去噪湿度信号,为环境监管提供了准确的数据支持,提高了钢丝加工环境监管方法的准确性,保障了生产质量。
本发明一个实施例提供了一种基于大数据的钢丝加工环境监管系统,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中运行时能够实现步骤S1到S3所描述的一种基于大数据的钢丝加工环境监管方法。
一种钢丝加工环境湿度信号的去噪方法实施例:
在实际的生产环境中,通常利用安装湿度传感器检测当前加工环境的湿度表现,然后根据湿度传感器获取的湿度信号与历史状态对比来调整当前生产过程。由于实际生产环境存在多方面影响,在湿度信号传输至控制终端的过程中,可能会导致湿度信号出现一定噪声,导致无法获取准确的湿度信号。在预应力钢丝加工场景下,例如热处理、拉伸等步骤会导致环境湿度发生一定变化,这就导致现有去噪方法可能会对信号曲线过度平滑,或降噪不完全。
为了解决现有降噪手段对钢丝加工环境中湿度信号处理不准确的技术问题,本发明提出了一种钢丝加工环境湿度信号的去噪方法,具体包括:
步骤S1:获取钢丝加工环境的湿度信号;将湿度信号进行信号分解,获得多个信号分量。
步骤S2:分析每个信号分量中频率的波动特征以及幅值的变化特征,获取每个信号分量的初始噪声程度;根据每个信号分量中不同时序段之间的差异特征,获得每个信号分量的调整系数;根据每个信号分量的调整系数调整对应的初始噪声程度,获得每个信号分量的滤波参数;根据每个信号分量的滤波参数进行自适应滤波,将滤波完成后的所有信号分量重构为去噪湿度信号。
由于步骤S1到步骤S2的具体实现过程在上述一种基于大数据的钢丝加工环境监管方法及系统中已给出详细说明,不再赘述。
综上所述,本发明首先对获取的湿度信号进行分解,然后分析信号分量中的波动特征以及幅值的变化特征,获取信号分量的初始噪声程度;进一步利用信号分量中的不同时序段的差异特征,获得调整系数并调整对应的初始噪声程度,获得每个信号分量的滤波参数;进一步进行自适应滤波,然后进行信号重构,获得去噪湿度信号。本发明充分考虑到了钢丝加工环境中的噪声特征以及加工过程中工艺操作对湿度信号的影响,获得了每个信号分量的滤波参数,从而精确的去除每个信号分量上的噪声影响,最后进行信号重构获得准确的去噪湿度信号。
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 (4)
1.一种基于大数据的钢丝加工环境监管方法,其特征在于,所述方法包括:
获取钢丝加工环境的湿度信号;将湿度信号进行信号分解,获得多个信号分量;
分析每个信号分量中频率的波动特征以及幅值的变化特征,获取每个信号分量的初始噪声程度;根据每个信号分量中不同时序段之间的差异特征,获得每个信号分量的调整系数;根据每个信号分量的所述调整系数调整对应的所述初始噪声程度,获得每个信号分量的滤波参数;根据每个信号分量的滤波参数进行自适应滤波,将滤波完成后的所有信号分量重构为去噪湿度信号;
将所述去噪湿度信号与历史大数据进行匹配,筛选出异常信号数据,并生成异常提示;
所述初始噪声程度的获取方法包括:
选择任一信号分量为目标信号分量;将所述目标信号分量的波形中相邻的极大值点和极小值点之间的波形作为一个待分析波段;
根据所述目标信号分量的整体频率特征,获得第一参数;
根据所述目标信号分量中频率的随机性特征,获得第二参数;
根据所述目标信号分量中待分析波段的波形幅值的变化特征,获得第三参数;
将所述第一参数、所述第二参数与所述第三参数的和进行归一化后,获得所述目标信号分量的初始噪声程度;
改变目标信号分量,获得所有信号分量各自对应的初始噪声程度;
所述第一参数的获取方法包括:
将所述目标信号分量中极大值点的数量与所述目标信号分量的总时序长度的比值作为第一参数;
所述第二参数的获取方法包括:
通过第二参数计算公式获取所述目标信号分量的第二参数;所述第二参数计算公式包括:
;其中,/>表示目标信号分量的第二参数;/>表示目标信号分量中极大值点的数量;/>表示极大值点的序号;/>为极大值点的标识符;/>为极小值点的标识符;/>表示第/>个极大值点的时序;/>表示第/>个极小值点的时序;/>表示第/>个待分析波段的时序长度,/>表示该待分析波段的时序长度在目标信号分量中所有待分析波段时序长度中出现的概率;/>表示以自然数2为底数的对数函数;
所述第三参数的获取方法包括:
获取所述目标信号分量中所有极值点对的差值绝对值,将所有差值绝对值的方差作为第三参数;
所述调整系数的获取方法包括:
根据信号分量整体频率特征,将所有信号分量按照所述第一参数,从低到高的顺序进行排序,获得信号分量序列;
选取频率最低的信号分量,通过相邻的极大值与极小值时序点的差值的二倍得到每个子波动的时序长度;选取时序长度最长的一节子波动作为当前信号分量的最长子波段,将最长子波段对应的时序段作为信号分量序列中下一个信号分量的待分析时序段,从下一个信号分量的带分析时序段中获取下一个信号分量的最长子波段,依此类推,依次获得每个信号分量对应的所述最长子波段;
分析每个信号分量中最长子波段与其他部分的频率差异,依次获得每个信号分量的调整系数;
将每个信号分量中除去最长子波段的其他部分称之为比对部分,利用调整系数计算公式获得每个信号分量的调整系数;所述调整系数计算公式包括:
;其中,/>表示第/>个信号分量的调整系数;/>为信号分量的序号;/>为双曲正切函数;/>为极大值点的标识符;/>为极小值点的标识符;/>表示第/>个信号分量最长子波段中极大值点的序号;/>表示最长子波段中第/>个极大值点的时序;/>表示最长子波段中第/>个极小值点的时序;/>表示第/>个信号分量中最长子波段内极大值点的数量;/>表示第/>个信号分量中最长子波段的时序区间长度;/>表示第/>个信号分量中比对部分的极大值点的数量;/>表示第个信号分量中比对部分的时序区间长度;/>表示第/>个信号分量中比对部分的极大值点的序号;/>表示第/>个信号分量中比对部分的第/>个极大值点的时序;/>表示第/>个信号分量中比对部分的第/>个极小值点的时序。
2.根据权利要求1中所述的一种基于大数据的钢丝加工环境监管方法,其特征在于,所述滤波参数的获取方法包括:
根据所述初始噪声程度和所述调整系数构建调整参数计算公式;其中,所述初始噪声程度和所述调整系数均与所述调整参数呈正相关关系。
3.根据权利要求1中所述的一种基于大数据的钢丝加工环境监管方法,其特征在于,所述自适应滤波所使用的滤波算法为维纳滤波算法。
4.一种基于大数据的钢丝加工环境监管系统,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,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1~3任意一项所述一种基于大数据的钢丝加工环境监管方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311506826.0A CN117235652B (zh) | 2023-11-14 | 2023-11-14 | 一种基于大数据的钢丝加工环境监管方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311506826.0A CN117235652B (zh) | 2023-11-14 | 2023-11-14 | 一种基于大数据的钢丝加工环境监管方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117235652A CN117235652A (zh) | 2023-12-15 |
CN117235652B true CN117235652B (zh) | 2024-02-09 |
Family
ID=89095220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311506826.0A Active CN117235652B (zh) | 2023-11-14 | 2023-11-14 | 一种基于大数据的钢丝加工环境监管方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117235652B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117847021A (zh) * | 2024-03-08 | 2024-04-09 | 苏州众志新环冷却设备有限公司 | 一种离心风机风轮噪声降噪方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04349458A (ja) * | 1991-05-27 | 1992-12-03 | Konica Corp | 画像ノイズシミュレーション方法 |
RU2709414C1 (ru) * | 2019-06-04 | 2019-12-17 | Алексей Николаевич Кузьмин | Способ регистрации и анализа сигналов акустической эмиссии в системе диагностического мониторинга производственных объектов |
CN110659621A (zh) * | 2019-09-27 | 2020-01-07 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
CN112697472A (zh) * | 2020-11-09 | 2021-04-23 | 山东柯瑞申智能科技有限公司 | 一种wd多尺度波动分析状态监测方法及装置 |
WO2022061597A1 (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 |
CN116451029A (zh) * | 2023-06-15 | 2023-07-18 | 深圳瑞福来智能科技股份有限公司 | 一种除湿器工作状态预警方法 |
CN116548928A (zh) * | 2023-07-11 | 2023-08-08 | 西安浩阳志德医疗科技有限公司 | 一种基于互联网的护理服务系统 |
CN116703183A (zh) * | 2023-08-04 | 2023-09-05 | 国网吉林省电力有限公司经济技术研究院 | 一种新型配电网系统用电负荷评估方法 |
CN116976684A (zh) * | 2023-09-25 | 2023-10-31 | 尚古智造(山东)智能装备有限公司 | 用于物流输送机的风险模型预测控制方法及系统 |
-
2023
- 2023-11-14 CN CN202311506826.0A patent/CN117235652B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04349458A (ja) * | 1991-05-27 | 1992-12-03 | Konica Corp | 画像ノイズシミュレーション方法 |
RU2709414C1 (ru) * | 2019-06-04 | 2019-12-17 | Алексей Николаевич Кузьмин | Способ регистрации и анализа сигналов акустической эмиссии в системе диагностического мониторинга производственных объектов |
CN110659621A (zh) * | 2019-09-27 | 2020-01-07 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
WO2022061597A1 (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 |
CN112697472A (zh) * | 2020-11-09 | 2021-04-23 | 山东柯瑞申智能科技有限公司 | 一种wd多尺度波动分析状态监测方法及装置 |
CN116451029A (zh) * | 2023-06-15 | 2023-07-18 | 深圳瑞福来智能科技股份有限公司 | 一种除湿器工作状态预警方法 |
CN116548928A (zh) * | 2023-07-11 | 2023-08-08 | 西安浩阳志德医疗科技有限公司 | 一种基于互联网的护理服务系统 |
CN116703183A (zh) * | 2023-08-04 | 2023-09-05 | 国网吉林省电力有限公司经济技术研究院 | 一种新型配电网系统用电负荷评估方法 |
CN116976684A (zh) * | 2023-09-25 | 2023-10-31 | 尚古智造(山东)智能装备有限公司 | 用于物流输送机的风险模型预测控制方法及系统 |
Non-Patent Citations (3)
Title |
---|
Noise level estimation method with application to EMD-based signal denoising;Xiaoyu Li et al.;《Journal of Systems Engineering and Electronics》;第27卷(第4期);763-771 * |
变压器局部放电监测中以小波包去噪和统计量识别放电模式的研究;毕为民;《中国优秀硕士学位论文全文数据库》;1-104 * |
基于改进EMD与CMSE的风机叶片音频信号去噪方法;彭媛宁 等;电子测量技术;41(02);93-100 * |
Also Published As
Publication number | Publication date |
---|---|
CN117235652A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117235652B (zh) | 一种基于大数据的钢丝加工环境监管方法及系统 | |
WO2001067623A2 (en) | Complex signal decomposition and modeling | |
CN117272210A (zh) | 一种建筑施工异常隐患数据检测方法及系统 | |
JP2020201222A (ja) | 部分放電監視装置および部分放電監視方法 | |
CN112180315A (zh) | 光纤电流互感器故障特征提取方法、装置及系统 | |
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 | |
CN117390380B (zh) | 一种油渣分离系统中的数据分析方法 | |
CN117538491A (zh) | 一种站房空气质量智能监测方法及系统 | |
CN117112514B (zh) | 基于对氯甲基苯乙烯生产数据的记录存储方法 | |
CN111803054B (zh) | 一种实时评估室颤信号质量和除颤成功率的方法与仪器 | |
CN117158999A (zh) | 一种基于ppmcc和自适应vmd的脑电信号去噪方法及系统 | |
CN112237433B (zh) | 一种脑电信号异常监测系统及方法 | |
CN113180697B (zh) | 一种脑电波分析方法及终端 | |
CN113375065B (zh) | 管道泄漏监测中趋势信号的消除方法及装置 | |
Anishchenko et al. | Comparative analysis of methods for classifying the cardiovascular system's states under stress | |
CN117454085B (zh) | 一种车辆在线监控方法及系统 | |
CN111144230A (zh) | 一种基于vmd的时域载荷信号的去噪方法 | |
CN117874433A (zh) | 一种水处理用深度脱氮生物过滤装备监测系统 | |
CN117838150B (zh) | 一种用于评估精神压力的脑电波处理方法及系统 | |
CN117838150A (zh) | 一种用于评估精神压力的脑电波处理方法及系统 | |
CN114970647B (zh) | 基于概率神经网络的电磁数据识别方法及系统 | |
CN117786429B (zh) | 基于可穿戴设备的老人健康监测数据处理方法 | |
CN115255405B (zh) | 一种增材制造设备的智能控制方法及系统 | |
Dahwah et al. | A New Wavelet-based Algorithm for R-peak Detection in ECG and it’sa Comparison with the Currently Existing Algorithms | |
Cantzos et al. | A Hybrid Approach on ECG Diagnosis Based on Recursive Time Series Detection and Wavelet Features Classification Methods |
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 |