CN117909850B - 一种基于融合算法的承力索支撑装置振动信号处理方法 - Google Patents
一种基于融合算法的承力索支撑装置振动信号处理方法 Download PDFInfo
- Publication number
- CN117909850B CN117909850B CN202410303601.3A CN202410303601A CN117909850B CN 117909850 B CN117909850 B CN 117909850B CN 202410303601 A CN202410303601 A CN 202410303601A CN 117909850 B CN117909850 B CN 117909850B
- Authority
- CN
- China
- Prior art keywords
- signal
- vibration
- supporting device
- carrier cable
- cable supporting
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 23
- 238000003672 processing method Methods 0.000 title claims description 3
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000009467 reduction Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000012706 support-vector machine Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000002457 bidirectional effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003491 array Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 238000013461 design Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- 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
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请提供一种基于融合算法的承力索支撑装置振动信号处理方法,属于接触网硬件监测技术领域,所述处理方法包括:使用振动信号传感器阵列采集多路承力索支撑装置振动信号;对采集到的多路承力索支撑装置振动信号进行预处理,去除噪声;将预处理后的多路承力索支撑装置振动信号进行加权融合处理,得到融合振动信号;对所得到的融合振动信号进行降噪处理和信号重构,得到重构信号;对重构信号进行时域分析,提取时域特征值,用于输入到支持向量机识别模型中训练或通过相关系数算法计算与待监测故障之间的相关程度;本申请的所述方法可以为振动问题的分析提供完整、准确的振动信号数据,从而保证振动状态诊断的准确性。
Description
技术领域
本申请涉及接触网硬件监测技术领域,尤其涉及一种多路承力索支撑装置振动信号融合方法,可为电气化铁道的接触网支撑设施存在振动技术问题的机械结构提供综合诊断的基础。
背景技术
机械振动是指物体或质点在其平衡位置附近所作有规律的往复运动。振动的强弱用振动量来衡量,振动量可以是振动体的位移、速度或加速度。在已知机械设备的动力学模型、外部激励和工作条件的基础上,就可以分析研究机械设备的动态特性。自从应用机械阻抗、系统识别和模态分析等技术以来,人们已成功地解决了许多复杂的振动问题。在轨道交通接触网领域,承力索支撑装置常年处于振动环境之中,其质量状态的监测是非常重要的课题。
接触网使用过程中过大的振动对于承力索支撑结构的安全会造成严重的影响,也是制约接触网使用总寿命的关键因素。而只有实现更加准确的振动监测才能够为振动现象导致的问题提供理论分析的基础,为问题的分析提供完整、准确的振动信号数据尤其重要。因此,提出一种基于融合算法的承力索支撑装置振动信号处理方法。
发明内容
本申请的目的是为了解决现有技术中上述的问题,本申请提供了一种基于融合算法的承力索支撑装置振动信号处理方法,所述方法可以为振动问题的分析提供完整、准确的振动信号数据,从而保证振动状态诊断的准确性。
为了实现上述目的,根据本申请的一方面的实施例,提供了一种基于融合算法的承力索支撑装置振动信号处理方法,包括以下步骤:
(1)使用振动信号传感器阵列采集多路承力索支撑装置振动信号;
(2)对采集到的多路承力索支撑装置振动信号进行预处理,去除噪声;
(3)将预处理后的多路承力索支撑装置振动信号进行加权融合处理,得到融合振动信号;
(4)对所得到的融合振动信号进行降噪处理和信号重构,得到重构信号;
(5)对重构信号进行时域分析,提取时域特征值,用于输入到支持向量机识别模型中训练或通过相关系数算法计算与待监测故障之间的相关程度。
在一些技术方案中,振动信号传感器阵列沿着相互垂直的两条轴线X、Y均匀布置。
在一些技术方案中,沿两个正交方向上设置的振动信号传感器交替设置为高频振动信号传感器和低频振动信号传感器。
在一些技术方案中,步骤(2)对采集到的多路承力索支撑装置振动信号进行预处理,去除噪声;数据处理单元会对采集到的多路承力索支撑装置振动信号进行数字滤波和归一化操作,具体操作如下:
步骤(21),滤波所采用的滤波器方程形式如下:
;
上式中,S[m]为在时刻m的滤波输出信号,S[m-j]为在时刻m-j的滤波输出信号, x[m-j]为在时刻m-i的输入承力索支撑装置振动信号,为相关系数,取值范围为[0,1],K为滤波器前向路径阶数, J为滤波器反馈路径阶数,/>和/>分别为滤波器前向和反馈路径系数;
步骤(22),采用的归一化方式为:
;
其中, Snormalized[m]为归一化后的信号, S[m]为在时刻m的滤波输出信号,max()为最大值函数,min()为最小值函数。
在一些技术方案中,所述步骤(3)中,将预处理后的多路承力索支撑装置振动信号进行加权融合处理,得到融合振动信号;其为采用自研的改进型迭代自适应滤波器进行有效的信号加权融合,具体步骤如下:
步骤(31),前述已经得到预处理的多路归一化后的信号 Snormalized[m],将多路归一化后的信号 Snormalized[m]依次表示为 Sn1[m]、Sn2[m],…,SnN[m],共计N个信号,即SnP[m](p=1,2,3,…, N);每个信号对应的权重为(p=1,2,3,…, N);对权重进行初始化,;
步骤(32),对于每个时刻m,算法进行如下的迭代更新:
;
;
;
其中,N为信号数量, wp[m]为第p个信号在时刻m的权重,wp[m-1]为wp[m]上一时刻的值,wq[m-1]为wq[m]上一时刻的值,ep[m]为第p个信号在时刻m的估计误差,Snp[m-1]为信号Snp[m]在上一时刻的值, Snq[m-1]为信号Snq[m]在上一时刻的值,λ为遗忘因子,是第p个信号的自适应学习率,/>为信号/>在上一时刻的值,abs( )为绝对值函数,/>是学习率的初始值,/>是梯度调整参数,/>为损失函数对权重的梯度;
步骤(33),在每次迭代后,对所有权重进行归一化,计算公式如下:
;
步骤(34),使用归一化后的权重融合所有信号得到融合后的信号,公式如下:
;
其中, X[m]为融合振动信号。
在一些技术方案中,执行步骤(4),对所得到的融合振动信号进行降噪处理和信号重构,得到重构信号;具体步骤为:
步骤(41),将获取的融合振动信号X[m]采用小波分解法进行分解,得到融合振动信号的小波系数;
步骤(42),将步骤S41得到的融合振动信号的小波系数输入训练好的双向LSTM模型中,去除干扰噪声;
步骤(43),采用小波重构法对步骤(42)中得到的去除干扰噪声的融合振动信号的小波系数进行重构,得到完整准确的承力索支撑装置振动信号Y[m]。
在一些技术方案中,调整双向LSTM模型的层数混合每层的神经元数量以增强模型的表示能力;调整学习率、优化器的选择,以加速模型的收敛和提高性能;加入正则化项,以防止过拟合。
在一些技术方案中,步骤(5):对重构信号进行时域分析,提取时域特征值,用于输入到支持向量机识别模型中训练或通过相关系数算法计算与待监测故障之间的相关程度;具体为:通过相关系数量化重构信号与待监测故障信号之间的线性关系强度。相关系数的计算公式为:
;
其中,为相关系数,/>为承力索支撑装置振动信号Y[m]和故障信号F[m]的协方差,/>和/>是承力索支撑装置振动信号 Y[m]和故障信号F[m]的标准差。
在一些技术方案中,使用频域分析法或时频域分析法进行特征提取,以捕捉更多信号的特征信息。结合机器学习方法中的深度学习等方法,可以提高故障诊断的准确性和鲁棒性。
本申请具有如下优点:
本申请为承力索支撑装置的振动问题的分析和解决提供了为完整、准确的振动信号数据,从而可以有效保证振动状态诊断的准确性;沿两个正交方向上交替设置的高频和低频振动传感器可以提供多维度的振动信息,即降低了监测成本又降低了数据处理的负担,还提高了对外部环境的抗干扰能力,有助于减少误报和提高监测系统的可靠性;本申请所设计的滤波器可以很好地适应承力索支撑装置振动信号的预处理,满足了特定的去噪需求;采用自研的改进型迭代自适应滤波器进行有效的信号加权融合,本申请创造性地将遗忘因子和梯度信息结合,这种结合遗忘因子和梯度信息的方法可以在保留历史信息的同时,更加灵活地调整学习率,适应信号的动态性和变化。
附图说明
图1所示为本申请的基于融合算法的承力索支撑装置振动信号处理方法的示意性流程图;
图2所示为本申请的振动信号传感器阵列的布置方式的一个示例的示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部。基于本发明中的实施例,本领域普通技术人员在没有作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。
本申请所述的一种基于融合算法的承力索支撑装置振动信号处理方法,
如图1所示,包括以下步骤:
步骤S110:使用振动信号传感器阵列采集多路承力索支撑装置振动信号;
步骤S120:对采集到的多路承力索支撑装置振动信号进行预处理,去除噪声;
步骤S130:将预处理后的多路承力索支撑装置振动信号进行加权融合处理,得到融合振动信号;
步骤S140:对所得到的融合振动信号进行降噪处理和信号重构,得到重构信号;
步骤S150:对重构信号进行时域分析,提取时域特征值,用于输入到支持向量机识别模型中训练或通过相关系数算法计算与待监测故障之间的相关程度。
上述方法中,振动信号传感器阵列可以为任意形状的传感器阵列。不过本申请中优选的方案是,如图2所示,振动信号传感器阵列沿着相互垂直的两条轴线X、Y均匀布置。在沿两个正交方向上设置的振动信号传感器可以提供多维度的振动信息,而相比于m*n这种传统阵列的排布方式,其可以在有限降低采样准确度的情况下,降低传感器的使用数量,既可以降低成本,也可以降低数据处理负担。
而更优选地,如图2所示,沿两个正交方向上设置的振动信号传感器交替设置为高频振动信号传感器和低频振动信号传感器,这里的高频只是指机械振动中相对高的频率,例如可以认为:f>1000Hz为高频振动,f<1000Hz为低频振动。其优点在于:在两个正交方向上交替设置高频和低频振动传感器可以提供多维度的振动信息。高频传感器通常用于捕捉局部细微的振动变化,而低频传感器更适合捕捉整体结构的振动特性,通过在垂直方向上进行设置,可以获取不同方向上的振动信息,使得系统的振动状态更加全面、立体;不同的故障模式在不同的振动方向和频率范围内可能会表现出独特的特征,通过在两个垂直方向上设置传感器,系统可以更全面地捕捉到可能存在的故障信号,这对于多种故障模式同时存在或者在不同方向上表现出的情况下尤为重要,有助于提高对系统健康状况的敏感性;正交方向上的振动信号通常相对独立,这意味着在一条线上的振动可能不会对另一条线上的振动产生干扰,通过交替设置传感器,可以提高系统对于外部环境干扰的抗能力,这对于在复杂环境中进行振动监测,尤其是在存在多个振动源或多自由度结构系统的情况下,有助于减少误报和提高监测系统的可靠性。上述振动信号传感器阵列可以直接或通过工装布置于待测振动部件表面和/或相关位置。
所述步骤S120中,对采集到的多路承力索支撑装置振动信号进行预处理,去除噪声;数据处理单元会对采集到的多路承力索支撑装置振动信号进行数字滤波和归一化操作,具体操作如下:
步骤S121,滤波所采用的滤波器方程形式如下:
(公式 1)
上式中, S[m]为在时刻m的滤波输出信号, S[m-j]为在时刻m-j的滤波输出信号,x[m-j]为在时刻m-i的输入承力索支撑装置振动信号,为相关系数,取值范围为[0,1],K为滤波器前向路径阶数,J为滤波器反馈路径阶数,/>和/>分别为滤波器前向和反馈路径系数;
步骤S122,采用的归一化方式为:
(公式 2)
其中,Snormalized[m]为归一化后的信号, S[m]为在时刻m的滤波输出信号,max()为最大值函数,min()为最小值函数。
归一化操作可以将信号的振幅调整到特定范围。滤波器的设计通常涉及到选择合适的滤波器类型、阶数和系数。常见的设计方法包括频域设计、时域设计、最小相位设计等。在实际应用中,可以使用数字信号处理工具箱或专业软件来设计数字滤波器,以满足特定的去噪需求。本申请所设计的滤波器可以很好地适应承力索支撑装置振动信号的预处理,尤其适合频率为0-5000Hz的机械振动信号的滤波预处理操作。
所述步骤S130中,将预处理后的多路承力索支撑装置振动信号进行加权融合处理,得到融合振动信号;其为采用自研的改进型迭代自适应滤波器进行有效的信号加权融合,具体步骤如下:
步骤S131,前述已经得到预处理的多路归一化后的信号 Snormalized[m],将多路归一化后的信号Snormalized[m]依次表示为Sn1[m]、Sn2[m],…,SnN[m],共计N个信号,即SnP[m] (p=1,2,3,…, N);每个信号对应的权重为(p=1,2,3,…, N);对权重进行初始化,;
步骤S132,对于每个时刻m,算法进行如下的迭代更新:
(公式 3)
(公式 4)
(公式 5)
其中,N为信号数量,wp[m]为第p个信号在时刻m的权重,wp[m-1]为wp[m]上一时刻的值,wq[m-1]为wq[m]上一时刻的值,ep[m]为第p个信号在时刻m的估计误差,Snp[m-1]为信号Snp[m]在上一时刻的值, Snq[m-1]为信号Snq[m]在上一时刻的值,λ为遗忘因子,是第p个信号的自适应学习率,/>为信号/>在上一时刻的值,abs( )为绝对值函数,/>是学习率的初始值,/>是梯度调整参数,/>为损失函数对权重的梯度;
设计自适应学习率是迭代自适应滤波器中的关键因素之一,影响着滤波器的收敛速度和稳定性,而现有单一方法的调整自适应学习率往往很难达到实际应用的需求,因此本申请创造性地将遗忘因子和梯度信息结合,这种结合遗忘因子和梯度信息的方法可以在保留历史信息的同时,更加灵活地调整学习率,适应信号的动态性和变化。在实际应用中,可以通过实验和模拟来优化超参数的选择。
步骤S133,在每次迭代后,对所有权重进行归一化,计算公式如下:
(公式 6)
步骤S134,使用归一化后的权重融合所有信号得到融合后的信号,公式如下:
(公式 7)
其中,X[m]为融合振动信号。
改进迭代自适应滤波器的计算公式是一个复杂而灵活的任务,需要根据具体的应用场景和性能需求进行定制。
在得到融合振动信号后需要继续执行步骤S140,对所得到的融合振动信号进行降噪处理和信号重构,得到重构信号;具体步骤为:
步骤S141,将获取的融合振动信号 X[m]采用小波分解法进行分解,得到融合振动信号的小波系数;
步骤S142,将步骤S141得到的融合振动信号的小波系数输入训练好的双向LSTM模型中,去除干扰噪声;
步骤S143,采用小波重构法对步骤142中得到的去除干扰噪声的融合振动信号的小波系数进行重构,得到完整准确的承力索支撑装置振动信号Y[m]。
上述步骤S142还可以做如下优化:调整模型的层数混合每层的神经元数量以增强模型的表示能力;调整学习率、优化器的选择,以加速模型的收敛和提高性能;加入正则化项,如Dropout层,以防止过拟合。
所述步骤S150:对重构信号进行时域分析,提取时域特征值,用于输入到支持向量机识别模型中训练或通过相关系数算法计算与待监测故障之间的相关程度。SVM是一种监督学习算法,通过训练样本学习特征的分类规律,并能在新样本中进行准确的分类。提取的时域特征值可以作为SVM的输入特征,用于训练和建立故障识别模型。在进行时域分析时,可以选择一系列合适的时域特征,例如均值、方差、峰值、峭度、偏度等,以全面地揭示信号的统计特性和动态性。时域特征值的选择需根据具体情况,可以通过特征重要性分析或者领域专家知识来指导。在提取特征后,建议进行标准化处理,以确保不同特征之间的尺度一致性。
相关系数用于量化两个信号之间的线性关系,相关系数的取值范围在-1 到1之间,0表示无相关关系,1表示完全正相关,-1表示完全负相关。通过相关系数,可以量化重构信号与待监测故障信号之间的线性关系强度。相关系数的计算公式为:
(公式8)
其中,为相关系数,/>为承力索支撑装置振动信号Y[m]和故障信号F[m]的协方差,/>和/>是承力索支撑装置振动信号Y[m]和故障信号F[m]的标准差。
优选地,可以使用更复杂的特征提取方法,如频域分析、时频域分析等,以捕捉更多信号的特征信息。此外,结合机器学习方法,如深度学习等,可以提高故障诊断的准确性和鲁棒性。在算法选择和参数调优时,也可通过实验验证和交叉验证等手段来评估模型性能,不断优化模型以适应实际场景。
除非另有直接说明,否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此,除非另有明确说明,否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下,进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头,该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,尽管参照前述实施例对本申请进行了详细的说明,对于本领域技术人员来说,其依然可以对前述各实施例所记载的技术方案进行改进,或者对其中部分技术特征进行等同替换。凡在本申请的精神和原则之内,所作的任何修改、等同替换,均应包含在本申请的保护范围之内。
Claims (4)
1.一种基于融合算法的承力索支撑装置振动信号处理方法,其特征在于,包括以下步骤:
步骤(1),使用振动信号传感器阵列采集多路承力索支撑装置振动信号;
步骤(2),对采集到的多路承力索支撑装置振动信号进行预处理,去除噪声;
步骤(3),将预处理后的多路承力索支撑装置振动信号进行加权融合处理,得到融合振动信号;
步骤(4),对所得到的融合振动信号进行降噪处理和信号重构,得到重构信号;具体步骤为:
步骤(41),将获取的融合振动信号X[m]采用小波分解法进行分解,得到融合振动信号的小波系数;
步骤(42),将步骤(41)得到的融合振动信号的小波系数输入训练好的双向LSTM模型中,去除干扰噪声;
步骤(43),采用小波重构法对步骤(42)中得到的去除干扰噪声的融合振动信号的小波系数进行重构,得到完整准确的承力索支撑装置振动信号Y[m];
步骤(5),对重构信号进行时域分析,提取时域特征值,所述时域特征值用于输入到支持向量机识别模型中训练或通过相关系数算法计算与待监测故障之间的相关程度;具体为:通过相关系数量化重构信号与待监测故障信号之间的线性关系强度,相关系数的计算公式为:
;
其中,为相关系数,Cov(Y[m],F[m])为承力索支撑装置振动信Y[m]和故障信号F[m]的协方差,/>和/>是承力索支撑装置振动信号Y[m]和故障信号F[m]的标准差;
其中,所述步骤(2)对采集到的多路承力索支撑装置振动信号进行预处理,去除噪声;数据处理单元会对采集到的多路承力索支撑装置振动信号进行数字滤波和归一化操作具体操作如下:
步骤(21),预处理过程中,滤波所采用的滤波器方程形式如下:
;
上式中,S[m]为在时刻m的滤波输出信号,S[m-j]为在时刻m-j的滤波输出信号,x[m-i]为在时刻m-i的输入承力索支撑装置振动信号, 为相关系数,取值范围为[0,1],K为滤波器前向路径阶数,J为滤波器反馈路径阶数,/>和/>分别为滤波器前向和反馈路径系数;
步骤(22),采用的归一化方式为:
;
其中,Snormalized[m]为归一化后的信号,S[m]为在时刻m的滤波输出信号,max( )为最大值函数,min( )为最小值函数;
所述步骤(3)为采用改进型迭代自适应滤波器进行有效的信号加权融合,具体步骤为:
步骤(31),前述已经得到预处理的多路归一化后的信号Snormalized[m],将多路归一化后的信号Snormalized[m]依次表示为Sn1[m]、Sn2[m],…,SnN[m],共计N个信号,即Snp[m] (p=1,2,3,…, N);每个信号对应的权重为wp[m] (p=1,2,3,…, N);对权重进行初始化,;
步骤(32),对于每个时刻m,算法进行如下的迭代更新:
;
;
;
其中,N为信号数量,wp[m]为第p个信号在时刻m的权重,wp[m-1]为wp[m]上一时刻的值,wq[m-1]为wq[m]上一时刻的值,ep [m]为第p个信号在时刻m的估计误差,Snp[m-1]为信号Snp[m]在上一时刻的值,Snq[m-1]为信号Snq[m]在上一时刻的值,λ为遗忘因子,是第p个信号的自适应学习率,/>为信号/>在上一时刻的值,abs( )为绝对值函数,/>是学习率的初始值,/>是梯度调整参数,/>为损失函数对权重的梯度;
步骤(33),在每次迭代后,对所有权重进行归一化,计算公式如下:
;
步骤(34),使用归一化后的权重融合所有信号得到融合后的信号,公式如下:
;
其中,X[m]为融合振动信号。
2.如权利要求1所述的基于融合算法的承力索支撑装置振动信号处理方法,其特征在于,所述振动信号传感器阵列沿着相互垂直的两条轴线均匀布置。
3.如权利要求2所述的基于融合算法的承力索支撑装置振动信号处理方法,其特征在于,沿两个垂直方向上设置的振动信号传感器交替设置为高频振动信号传感器和低频振动信号传感器。
4.如权利要求1-3任一项所述的基于融合算法的承力索支撑装置振动信号处理方法,其特征在于,调整双向LSTM模型的层数混合每层的神经元数量以增强模型的表示能力;调整学习率、优化器的选择,以加速模型的收敛和提高性能;加入正则化项,以防止过拟合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410303601.3A CN117909850B (zh) | 2024-03-18 | 2024-03-18 | 一种基于融合算法的承力索支撑装置振动信号处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410303601.3A CN117909850B (zh) | 2024-03-18 | 2024-03-18 | 一种基于融合算法的承力索支撑装置振动信号处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117909850A CN117909850A (zh) | 2024-04-19 |
CN117909850B true CN117909850B (zh) | 2024-06-04 |
Family
ID=90692547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410303601.3A Active CN117909850B (zh) | 2024-03-18 | 2024-03-18 | 一种基于融合算法的承力索支撑装置振动信号处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117909850B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105094165A (zh) * | 2015-08-24 | 2015-11-25 | 华中科技大学 | 一种Stewart主动平台和基于Stewart主动平台的振动抑制方法 |
CN105737832A (zh) * | 2016-03-22 | 2016-07-06 | 北京工业大学 | 基于全局最优数据融合的分布式slam方法 |
CN107632959A (zh) * | 2017-09-15 | 2018-01-26 | 北京航空航天大学 | 一种多模型自校准卡尔曼滤波方法 |
CN109743683A (zh) * | 2018-12-03 | 2019-05-10 | 北京航空航天大学 | 一种采用深度学习融合网络模型确定手机用户位置的方法 |
CN110928184A (zh) * | 2019-11-13 | 2020-03-27 | 清华大学 | 面向军用计算机应用的主动减振控制方法及装置 |
CN111795791A (zh) * | 2020-07-06 | 2020-10-20 | 浙江大学 | 一种变步长液压振动台自适应幅相控制方法 |
CN112362756A (zh) * | 2020-11-24 | 2021-02-12 | 长沙理工大学 | 一种基于深度学习的混凝土结构损伤监测方法及系统 |
CN117311406A (zh) * | 2023-09-27 | 2023-12-29 | 重庆长安汽车股份有限公司 | 一种基于反馈fxlms算法的振动主动控制方法、测试方法、装置、车辆、设备及介质 |
-
2024
- 2024-03-18 CN CN202410303601.3A patent/CN117909850B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105094165A (zh) * | 2015-08-24 | 2015-11-25 | 华中科技大学 | 一种Stewart主动平台和基于Stewart主动平台的振动抑制方法 |
CN105737832A (zh) * | 2016-03-22 | 2016-07-06 | 北京工业大学 | 基于全局最优数据融合的分布式slam方法 |
CN107632959A (zh) * | 2017-09-15 | 2018-01-26 | 北京航空航天大学 | 一种多模型自校准卡尔曼滤波方法 |
CN109743683A (zh) * | 2018-12-03 | 2019-05-10 | 北京航空航天大学 | 一种采用深度学习融合网络模型确定手机用户位置的方法 |
CN110928184A (zh) * | 2019-11-13 | 2020-03-27 | 清华大学 | 面向军用计算机应用的主动减振控制方法及装置 |
CN111795791A (zh) * | 2020-07-06 | 2020-10-20 | 浙江大学 | 一种变步长液压振动台自适应幅相控制方法 |
CN112362756A (zh) * | 2020-11-24 | 2021-02-12 | 长沙理工大学 | 一种基于深度学习的混凝土结构损伤监测方法及系统 |
CN117311406A (zh) * | 2023-09-27 | 2023-12-29 | 重庆长安汽车股份有限公司 | 一种基于反馈fxlms算法的振动主动控制方法、测试方法、装置、车辆、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117909850A (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110161343B (zh) | 一种智能列车外部受电装置的非侵入式实时动态监测方法 | |
CN107249449B (zh) | 用于感测胎儿活动的系统、装置和方法 | |
CN109033632B (zh) | 一种基于深度量子神经网络的趋势预测方法 | |
CN112684012A (zh) | 一种基于多参量信息融合的装备关键承力结构件故障诊断方法 | |
CN107110743B (zh) | 检查数据处理装置以及检查数据处理方法 | |
CN109480835B (zh) | 一种基于长短期记忆神经网络的精神疲劳检测方法 | |
CN109512390B (zh) | 基于eeg时域多维度特征及m-wsvm的睡眠分期方法及可穿戴装置 | |
US11460594B1 (en) | Mitigating wireless channel impairments in seismic data transmission using deep neural networks | |
CN110618353A (zh) | 一种基于小波变换+cnn的直流电弧故障检测方法 | |
Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
CN115293210A (zh) | 一种基于脑电波的指令预测输出控制方法 | |
Pan et al. | Cognitive acoustic analytics service for Internet of Things | |
Moshou et al. | Wavelets and self-organising maps in electromyogram (EMG) analysis | |
CN117909850B (zh) | 一种基于融合算法的承力索支撑装置振动信号处理方法 | |
KÖSE et al. | A new spectral estimation-based feature extraction method for vehicle classification in distributed sensor networks | |
CN117606798A (zh) | 一种烟草机械轴承故障诊断方法及诊断系统 | |
Tran et al. | Denoising induction motor sounds using an autoencoder | |
CN115310499B (zh) | 一种基于数据融合的工业设备故障诊断系统及方法 | |
Naik et al. | Comparative analysis of ECG classification using neuro-fuzzy algorithm and multimodal decision learning algorithm: ECG classification algorithm | |
CN113836476B (zh) | 一种基于智能手机的路面平整度测量方法 | |
CN116148935A (zh) | 一种基于自适应自编码器的磁共振随机噪声抑制方法 | |
Zhang et al. | Automatic recognition of porcine abnormalities based on a sound detection and recognition system | |
CN115951418A (zh) | 一种基于深度强化学习的磁异常检测方法 | |
CN115481689A (zh) | 基于超声波同时识别用户手势和身份的系统及方法 | |
CN112560674B (zh) | 一种声音信号质量的检测方法及系统 |
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 |