提取扭振信号的扭振信息的方法、系统、设备及存储介质技术方案

本发明专利技术公开提取扭振信号的扭振信息的方法、系统、设备及存储介质，方法的主要流程为以能量熵为粒子群优化算法的适应度函数，采用粒子群优化算法实现对变分模态分解算法参数的精确提取；然后将提取到的最优参数代入变分模态分解算法中实现对扭振信号的降噪分解，而后采用相关系数最大的本征模态函数IMF实现对扭振信号的重构，然后对重构的扭振信号进行零点插值，计算出两脉冲之间的间隔，计算出时间差，算出扭振瞬时转速，最后进行包络谱分析，实现对扭振信号特征提取。本发明专利技术提出的扭振信号处理方法，通过粒子群优化算法求出变分模态分解算法的参数K和α为最优组合，以此为基础处理扭振信号，能够得到更加准确的扭振信号特征。能够得到更加准确的扭振信号特征。能够得到更加准确的扭振信号特征。

【技术实现步骤摘要】
提取扭振信号的扭振信息的方法、系统、设备及存储介质


[0001]本专利技术属于扭振信号处理方法的范畴，具体涉及提取扭振信号的扭振信息的方法、系统、设备及存储介质。

技术介绍

[0002]扭振是一种特殊形式的振动，广泛存在于旋转机械中。发动机是装甲车的核心，除提供动力外，还会带来有害的扭振的激励源。当发动机产生扭振后经过一系列的传动装置最终将激励传递到制动器，从而使得制动器发生扭振。制动器的扭振的对其可靠性是一个潜在的极大威胁，在很大程度上扭振会造成制动器制动效果的降低甚至失效从而引发事故。因此对制动器扭振信号的提取及处理在装甲车的研究中尤为重要。
[0003]变分模态分解算法假设信号是由多个模态函数叠加而成的，每个模态函数具有不同的中心频率，通过迭代寻找变分模型的极值来确定每个模态函数(分量)的频率中心及带宽，从而实现信号的频域剖分及各分量的有效分离。但是应用变分模态分解算法扭振信号进行特征模态函数提取时，需要事先指定相应的变分模态分解参数[K,α]，而不同的信号对应的参数不同。若K值过小会发生模态混叠或模态丢失等问题，不能有效提取出扭振特征；K值过大会过度分解，增加算法处理时间。

技术实现思路

[0004]针对上述现有技术中的不足，本专利技术提供了提取扭振信号的扭振信息的方法、系统、设备及存储介质。本专利技术通过粒子群优化算法求出变分模态分解算法的参数K和α为最优组合，以此为基础处理扭振信号，能够得到更加准确的扭振特征。
[0005]为了实现上述目的，本专利技术采用如下技术予以实现：
[0006]提取扭振信号的扭振信息的方法，包括如下过程：
[0007]利用粒子群优化算法求出变分模态分解参数的最优组合，所述粒子群优化算法求出变分模态分解参数包括将扭振信号分解为单分量IMF的分解个数以及惩罚因子；
[0008]采用变分模态分解算法以及所述最优组合对采集的扭振信号进行模态分解，得到单分量IMF；
[0009]计算单分量IMF与所述扭振信号的相关系数；
[0010]用最大的相关系数对应的单分量IMF对扭振信号进行重构，得到重构的扭振信号；
[0011]对重构的扭振信号进行零点插值，得到零点插值后的重构的扭振信号；
[0012]对零点插值后的重构的扭振信号进行包络谱分析，提取出扭振信息。
[0013]优选的，所述粒子群优化算法如下：
[0014][0015]其中，i表示第i个粒子；c1、c2为学习因子；r1、r2为调节粒子与最优值之间关系的随机函数；x表示粒子的位置，x＝[K,α]，K表示将扭振信号分解为单分量IMF
的分解个数，α为惩罚因子，x
i
表示第i个粒子的位置；表示第i个粒子在第n次迭代时的速度；表示第i个粒子在第n次迭代时的位置；n为迭代次数，v为粒子速度；p
i
表示第i个粒子搜索到的局部最优解；p
gi
表示第i个粒子搜索到的全局最优解；w为惯性权重。
[0016]优选的，利用初始化后的粒子群优化算法求出变分模态分解参数的最优组合；
[0017]粒子群优化算法的初始化包括对粒子位置x初始化和对粒子速度v初始化，
[0018]其中粒子位置x初始化如下：
[0019]x
i
＝round(3rand(1,1))(x
max
‑
x
min
)+x
min
[0020]粒子速度v初始化如下：
[0021]v
i
＝round(3rand(1,1))+2
[0022]其中：round()表示对某个数四舍五入取整数；rand()表示在0到1之间的随机取数；x
max
、x
min
分别表示x＝[K,α]的最大值和最小值。
[0023]优选的，所述粒子群优化算法的适应度函数值L
p
如下：
[0024][0025]其中，j表示单分量IMF的序号，E(j)表示第j个单分量IMF的能量，K表示将扭振信号分解为单分量IMF的分解个数。
[0026]优选的，所述变分模态分解参数的最优组合求取过程如下：
[0027]对粒子群优化算法迭代预设次数，每次迭代得到对应的粒子群优化算法的适应度函数值，将最大的适应度函数值对应的变分模态分解参数的组合作为最优组合。
[0028]优选的，单分量IMF与所述扭振信号的相关系数r
K
如下：
[0029][0030]其中：N为扭振信号y(t)对应的原始信号个数；R
IMFk
(i)为第k个IMF的自相关系数，R
y
(i)为扭振信号y(t)的自相关系数。
[0031]优选的，惯性权重w为：
[0032][0033]其中：w
max
为最大惯性权重值，w
max
＝0.9；w
min
为最小惯性权重值，w
min
＝0.4；n为第n次迭代；n
max
为最大迭代次数。
[0034]本专利技术还提供了一种提取扭振信号的扭振信息的系统，包括：
[0035]最优组合计算模块：用于利用粒子群优化算法求出变分模态分解参数的最优组合，所述粒子群优化算法求出变分模态分解参数包括将扭振信号分解为单分量IMF的分解个数以及惩罚因子；
[0036]模态分解模块：用于采用变分模态分解算法以及所述最优组合对采集的扭振信号进行模态分解，得到单分量IMF；
[0037]相关系数计算模块：用于计算单分量IMF与所述扭振信号的相关系数；
[0038]信号重构模块：用于用最大的相关系数对应的单分量IMF对扭振信号进行重构，得到重构的扭振信号；
[0039]零点插值模块：用于对重构的扭振信号进行零点插值，得到零点插值后的重构的扭振信号；
[0040]扭振信息提取模块：用于对零点插值后的重构的扭振信号进行包络谱分析，提取出扭振信息。
[0041]本专利技术还提供了一种电子设备，包括：
[0042]一个或多个处理器；
[0043]存储装置，其上存储有一个或多个程序；
[0044]当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现本专利技术日上所述的提取扭振信号的扭振信息的方法。
[0045]本专利技术还提供了一种存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本专利技术如上所述的提取扭振信号的扭振信息的方法。
[0046]本专利技术具有如下有益效果：
[0047]本专利技术提取扭振信号的扭振信息的方法中，采用粒子群优化算法能够更准确的提取出变分模态分解算法的参数[K,α]，使得采用变分模态分解算法处理的扭振信号分解效果达到最大、最合理化，降噪效果更加明显，而后采用零点插值进一步处理扭振信号，计算出更加精确的扭振瞬时转速，最后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.提取扭振信号的扭振信息的方法，其特征在于，包括如下过程：利用粒子群优化算法求出变分模态分解参数的最优组合，所述粒子群优化算法求出变分模态分解参数包括将扭振信号分解为单分量IMF的分解个数以及惩罚因子；采用变分模态分解算法以及所述最优组合对采集的扭振信号进行模态分解，得到单分量IMF；计算单分量IMF与所述扭振信号的相关系数；用最大的相关系数对应的单分量IMF对扭振信号进行重构，得到重构的扭振信号；对重构的扭振信号进行零点插值，得到零点插值后的重构的扭振信号；对零点插值后的重构的扭振信号进行包络谱分析，提取出扭振信息。2.根据权利要求1所述的提取扭振信号的扭振信息的方法，其特征在于，所述粒子群优化算法如下：其中，i表示第i个粒子；c1、c2为学习因子；r1、r2为调节粒子与最优值之间关系的随机函数；x表示粒子的位置，x＝[K,α]，K表示将扭振信号分解为单分量IMF的分解个数，α为惩罚因子，x
i
表示第i个粒子的位置；表示第i个粒子在第n次迭代时的速度；表示第i个粒子在第n次迭代时的位置；n为迭代次数，v为粒子速度；p
i
表示第i个粒子搜索到的局部最优解；p
gi
表示第i个粒子搜索到的全局最优解；w为惯性权重。3.根据权利要求2所述的提取扭振信号的扭振信息的方法，其特征在于，利用初始化后的粒子群优化算法求出变分模态分解参数的最优组合；粒子群优化算法的初始化包括对粒子位置x初始化和对粒子速度v初始化，其中粒子位置x初始化如下：x
i
＝round(3rand(1,1))(x
max
‑
x
min
)+x
min
粒子速度v初始化如下：v
i
＝round(3rand(1,1))+2其中：round()表示对某个数四舍五入取整数；rand()表示在0到1之间的随机取数；x
max
、x
min
分别表示x＝[K,α]的最大值和最小值。4.根据权利要求2所述的提取扭振信号的扭振信息的方法，其特征在于，所述粒子群优化算法的适应度函数值L
p
如下：其中，j表示单分量IMF的序号，E(j)表示第j个单分量IMF的能量，K...

【专利技术属性】
技术研发人员：曹宏瑞，周铖，罗杨，魏江，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：