【技术实现步骤摘要】
本专利技术属于水电机组的转子测量领域，具体涉及一种基于改进ascssa-svmd-pe的转子测圆信号降噪方法。
技术介绍
1、转子测圆是水利水电领域水电机组安装及检修过程中的重要步骤。转子测圆的作用在于通过激光传感器检查磁极圆度，以确保各磁极被正确安装。转子表面存在绝缘漆，其厚度不一致，且传感器在测量信号的过程中受测圆架悬臂抖动影响，导致测圆信号不准确，影响连续测量的精度，可能引发磁极安装出现偏差。若磁极安装出现偏差，则转子圆度将不符合施工要求，在水电机组的运行过程中会产生比较明显的气隙不均匀现象。因此，转子测圆信号的数据处理问题急待解决。
2、对于测圆数据的处理已经得到了广泛的研究,其中多分量自适应分解方法-变分模态分解(vmd)被广泛应用于信号降噪处理领域,由于vmd自身不存在端点效应,而且可以自适应将复合信号中两个频率相似的谐波信号分隔开,因此该方法在降噪领域已经得到广泛应用。但是目前的信号降噪领域仍存在以下问题：1)vmd分解效果受限于模态分量个数、惩罚因子两个参数影响，取得最优解受限于两个参数影响，计算冗杂；2)参数通过经验公式进行选择，往往达不到最优解，因此需要用一种智能算法对超参数进行优化以找到最优解，并解决智能算法陷入局部最优的问题；3)采用何种适应度目标约束函数能最大程度上保留信号趋势项，同时将噪声加以分离；4)如何通过非人为的方式，自动筛选出合适的imf分量，减少人为因素造成的影响。
技术实现思路
1、本专利技术的目的是提出一种ascssa-svmd
2、为实现上述目的，本专利技术提供了如下技术方案：一种基于改进ascssa-svmd-pe的转子测圆信号降噪方法，包括以下步骤：
3、s1.利用tent映射对麻雀种群初始化，加入自适应权重系数优化探索者麻雀个体的搜索灵活度，利用柯西变异算子更新探索者麻雀个体的搜索步长，使用螺旋策略对追随者麻雀个体的搜索路径进行改进得到自适应螺旋柯西麻雀搜索算法ascssa；
4、s2.将最大互信息系数作为ascssa优化svmd的目标约束函数；
5、s3.利用ascssa算法对svmd分解的重要超参数惩罚因子进行优化；
6、s4.依据所获得的最佳超参数对转子测圆信号进行svmd分解，得到若干imf信号分量；
7、s5.采用pe方法对svmd分解的模态分量进行熵排列，仅保留最小熵imf分量，即最终降噪信号。
8、进一步地，所述s4中的svmd分解包括以下步骤：
9、s4-1：将转子测圆信号f(c)分解为l阶imf分量ul(c)和残余信号fr(c)两个部分：
10、f(c)＝ul(c)+fr(c) 式4-1
11、式4-1中，残差信号fr(c)包括未处理的部分以及第l阶之前所得到的模态之和
12、在分解过程中，应满足以下约束条件获取第l个imf分量：
13、s4-1.1：第l阶模态应该实现最小化约束，约束条件如下：
14、
15、式4-2中，表示对时间c的偏导数，δ(c)代表狄拉克函数，*代表卷积的运算；ωl则表示第l阶模态的中心频率；
16、s4-1.2：在ul(c)具有有效分量的基础上，残差信号fr(c)应该尽可能地最小化，为了保证此约束能够稳定的实现，应选用合适的滤波器，频率响应为：
17、
18、式4-3中，为平衡参数；
19、则应建立的约束为：
20、
21、s4-2：通过所述约束条件，无法辨别l阶模态与l-1模态两种模态，利用j2约束的思路，选取合适的滤波器，其频率响应为：
22、
23、由此可以建立约束为：
24、
25、因此，提取模态分量imf的问题可以认为以上三个约束的最小化问题：
26、
27、式4-7中，α为惩罚因子；
28、s4-3：为了得到更好的收敛性，采用所述惩罚因子α和拉格朗日乘子λ的组合来构建拉格朗日增广矩阵：
29、
30、所述s4中的svmd通过以上步骤最终获得将原始信号分解的l阶imf分量。
31、进一步地，所述s2中的最大互信息系数计算过程如下：
32、对于两组长度都为o的数据g＝{g1,g2,…,go},h＝{h1,h2,…,h0}，其互信息i(g,h)为：
33、
34、式2-1中，p(g,h)为g，h的联合概率密度，p(g)，p(h)为g，h边缘概率密度；假设d＝{(gi,hi),i＝1,2,…,o}；定义j为u×v的网格划分，将g均划分成u段，将h均划分为v段；b(o)为网格划分u×v的上限，一般取o0.6；计算在d区间内每一种网格划分ju,v的互信息值i(ju,v)并将其归一化，函数为：
35、
36、则g，h的最大互信息系数mi(g,h)为：
37、mi(g,h)＝max{i'(ju,v),uv＜b(o)} 式2-3
38、计算经svmd分解后的相邻imf分量间的最大互信息系数记为kmik＝{k1,k2,…kb-1}，b为imf分量个数；计算各imf分量与原始信号最大互信息系数记为smis＝{s1,s2,…,sb}；
39、则ascssa优化svmd分解的目标函数，即下一节中麻雀适应度值计算公式可表示为：
40、
41、当f(α)值越低，说明在当前α下，各imf分量间的相似程度低，而各imf分量与原始信号的相似程度高，即转子测圆信号的分解过程，将有效信息与噪声信息分离在不同的imf分量中，同时又最大程度保证了分离出的有效信息与原转子测圆信号相似度高。
42、进一步地，所述s3中的ascssa算法优化svmd惩罚因子α，以及相关参数设置包括以下步骤：
43、s3-1：相关参数设置：ascssa算法对svmd优化，是为了得到转子测圆信号的最优分解方案，更好的将转子测圆信号中噪声与有效信息进行分离，因此，每一次采用不同惩罚因子α的svmd分解方案都可视为一只麻雀，而一个麻雀种群有pop个麻雀组成；经过多次信号降噪试验，确定ascssa智能算法的最大迭代次数itermax为20次、麻雀种群规模pop为20、探索者比例设置为0.2、安全阈值值st为0.8以及设置svmd的惩罚因子α数值上下限为[500，1500]；
44、s3-2：ascssa优化svmd惩罚因子α步骤如下：
45、s3-2.1：引入tent映射原理，对麻雀种群进行初始化，使初始麻雀分布更加合理，更广域的搜索最佳转子测圆信号分解方案；
46、z1＝rand(0，1) 式3-1
47、...
【技术保护点】
1.一种基于改进ASCSSA-SVMD-PE的转子测圆信号降噪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进ASCSSA-SVMD-PE的转子测圆信号降噪方法，其特征在于，所述S4中的SVMD分解包括以下步骤：
3.根据权利要求1所述的基于改进ASCSSA-SVMD-PE的转子测圆信号降噪方法，其特征在于，所述S2中的最大互信息系数计算过程如下：
4.根据权利要求1所述的基于改进ASCSSA-SVMD-PE的转子测圆信号降噪方法，其特征在于，所述S3中的ASCSSA算法优化SVMD惩罚因子α，以及相关参数设置包括以下步骤：
5.根据权利要求1所述的基于改进ASCSSA-SVMD-PE的转子测圆信号降噪的智能算法，其特征在于，所述S5中采用PE方法对SVMD分解的IMF分量进行熵排列，仅保留最小熵分量，即最终降噪信号，其步骤为：
【技术特征摘要】
1.一种基于改进ascssa-svmd-pe的转子测圆信号降噪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进ascssa-svmd-pe的转子测圆信号降噪方法，其特征在于，所述s4中的svmd分解包括以下步骤：
3.根据权利要求1所述的基于改进ascssa-svmd-pe的转子测圆信号降噪方法，其特征在于，所述s2中的最大互信息系数计算过程如下：
<...【专利技术属性】
技术研发人员：梁兴，胡卓，彭钰璋，易雨晨，周祥，万乐乐，周泊，李佳，周明捷，艾鑫，王昊炜，王旭，李燕，邓飞，谢明祥，
申请(专利权)人：南昌工程学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。