一种地震模拟振动台工况的监测方法技术

本发明专利技术公开了一种地震模拟振动台工况的监测方法。首先通过传感器采集地震模拟振动台各类工况信号并保存至PC端做信号处理；其次利用高通滤波除去非工作频率段的低频干扰，完整地保留信号的有用成分，用于循环神经网络学习识别实际的地震模拟振动台的实际工况信号，以此来驱动EMD算法内部的筛分门系数ε以及IMF层数的确定，最终得到地震模拟振动台工况信号消噪和状态监测效果。本发明专利技术方法一方面利用高通滤波滤去低频干扰，使明显低于工作频率之下的干扰信号除去，从而减小频谱干扰；另一方面，利用循环神经网络对地震模拟振动台工况信号的主动学习识别真实工作信号，以此来驱动EMD内部的阈值从而对信号消噪获得最终的地震模拟振动台工况的监测信号。

【技术实现步骤摘要】
一种地震模拟振动台工况的监测方法
本专利技术涉及机械设备状态监测领域，尤其涉及一种利用高通滤波循环神经网络增强的EMD消噪对地震模拟振动台工况进行监测的方法。
技术介绍
早期的抗震试验最初是采用野外原型试验，将强震观测仪器设置在房屋等结构物上，等待地震的到来，测量房屋的动力特性，但是由于强震较少，所以试验周期长，满足不了抗震研究的要求。后来又采用大型起振机等方式在原型结构物上进行振动来获得数据，但是起振机的振动和地震振动还是有很大的差别。也有学者提出直接利用计算分析方法进行研究，但是由于结构的非线性数学模型很难给出而没有推行。最后提出在试验室内建造地震模拟振动台，将在现场的试验搬到试验室来做，可以获得所需的大量数据，并且取得数据的周期可以大大缩短。地震模拟振动台始建于60年代末，首先是美国加州大学Berkeley分校建成了6.1m*6.1m的水平和垂直两向振动台，随后日本国立防灾科学技术中心建成了世界上最大的15m*15m水平或垂直单独工作的振动台，还大力发展了3向6自由度振动台。到日前为止，据有关资料的不完全统计，国际上己经建成了近百座振动台，主要分布在日本、中国和美国三个国家。所以在多地震国家里，振动台技术的应用，标志着一个国家的工业发展水平。国内的相关研究始于20世纪70年代中期，20世纪80年代以来发展迅速，除自行研制了一批振动台外，还引进了许多国外振动台，来满足抗震研究的需要。中国建筑科学研究院研制了3m*3m单水平向振动台，甘肃天水红山试验机厂、国家地震局和机电部抗震研究室联合研制了3m*3m双激振器单水平向振动台，井与1988年在哈尔滨建成了5m*5m双水平向地震模拟振动台。但是国内现有的地震模拟振动台使用的电液伺服阀控制器太昂贵，为了降低成本，采用并联阀组的方式代替改伺服阀。在利用并联阀组产生高频振动模拟地震波的同时，我们还需要对此地震模拟振动台进行实时监测以保证其模拟地震波的效果。然而，地震模拟振动台的工况信号极为复杂，极易被各种强背景噪声所掩盖。另外，地震模拟振动台的工况信号通常是一种具有冲击特征的周期信号，具有非高斯性和较宽的频带。要想从强背景噪声下准确地提取出真实工况信息，采用传统的消噪方法具有一定困难。而现代信号处理方法在机械设备状态监测领域迫切需要解决的问题之一就是可靠的地震模拟振动台的工况信息提取方法。。
技术实现思路
本专利技术要解决的技术问题是提供一种利用EMD消噪的具有可靠的消噪能力和快速识别能力的地震模拟振动台工况的消噪的监测方法。为解决上述技术问题，本专利技术是通过以下技术方案实现的：一种地震模拟振动台工况的监测方法，包括以下步骤：步骤1，获取地震模拟振动台的正常工况信号样本，理论工况信号表达式为：y(n)＝x(n)+s(n)式(1)中y(n)为理论工况信号，x(n)为理论工作信号，s(n)为随机噪声；步骤2，选取切比雪夫IIR型数字滤波器对正常工况状态样本进行高通滤波处理，将滤波器的H(s)采取双线性映射法至H(z)；步骤3，将滤波后的正常工况信号样本和理论工况信号以及理论工作信号输入循环神经网络进行训练主动消噪，选取以下统计特征：(1)、标准差：(2)、波形率：(3)、不规则度：(4)、功率谱均方根：其中，为第i次采集的时域信号xi(n)的均值，si(k)为第i次采集的时域信号对应的频谱，N为数据点的个数，为时域信号xi(n)均方根值，K为谱线的个数，ui(k)为功率谱函数；步骤4，将训练样本特征参数空间S划分成三个子空间Pi(i＝1,2,3)，即，P1由振动信号时域特征参数构成,P2由量纲特征参数构成，P3由频域特征参数构成；针对各特征子空间Si，利用循环神经网络，构造对应的子神经网络分类器Ci(i＝1,2,3)；步骤5，设置工况信号样本为强噪声状态和无噪声状态，输入真实工作状态和理论工作信号，学习真实工作信号；步骤6，进行EMD处理；找到待处理信号所有极值点，通过样条函数拟合出信号极大值包络线e+(t)和极小值包络线e-(t)，将其平均值作为原信号均值包络，即将原信号序列减去m1(t)得到一个新信号：在实际情况中，上下包络的均值无法为零，通常当满足下面的式子时，就认为包络的均值IFM为零的条件：其中ε为筛分门，取值在0.2-0.3之间，取步长为0.01，将循环神经网络的学习结果导入至EMD算法中，以驱动其选择最优筛分门ε值，IFM层值作为最终消噪结果，得到地震模拟振动台工况信号消噪和状态监测效果。通过采用上述方案，高通滤波对低于某一给定频率以下的频率成分有衰减作用，而允许这个截频以上的频率成分通过，并且没有相位移的滤波过程。循环神经网络是一种既有前馈通路，又有反馈通路的神经元网络，其中反馈通路可将某一些神经元的输出经过一个或几个时间节拍之后送到其它神经元或自身，是人工神经网络的一种，主要用途是处理和预测序列数据。通循环神经网络在机械设备中的应用，一般是直接对机械设备各个运行状态的数据进行学习分类，特别是对于强噪声背景下状态特征不明显，故障机理不明确的机械状态监测上取得了良好的效果。但是其有一不可避免的问题，需要巨大的样本量：其一，在确定每个具体故障的数据得多，这样才能有分类准确性；其二，这些小类得分的细或者说得考虑到各种各样的运行状态，一台设备可能会有上千种故障问题或是单一的或是耦合的，实验室模拟故障很难面面俱到，以至于工程浩大。经验模态分解(简称EMD)方法，能使复杂信号分解为有限个本征模函数(简称IMF)，所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号，有一定的自适应能力，但是由于算法本身筛分门系数与IMF层数的可变性，导致了该方法实际运行时间长，信号分解效果有一定随机性。本方法克服EMD分解效果具有一定随机性以及运行时间较长的缺点，利用高通滤波和循环神经网络增强的EMD消噪对于地震模拟振动台工况的监测方法。通过上述方法，一方面利用高通滤波滤去低频干扰，使明显低于工作频率之下的干扰信号除去，从而减小频谱干扰；另一方面，利用循环神经网络对地震模拟振动台工况信号的主动学习识别真实工作信号，以此来驱动EMD内部的阀值从而对信号消噪获得最终的地震模拟振动台工况的监测信号。本专利技术的有益效果是利用高通滤波去除理论已知的非工作频段，抑制噪声，通过从两方面利用循环神经网络学习理论工作信号和微弱干扰的工作信号，来学习真实的工作信号波形、频率组合等，从而以主动的方式来识别较大噪声干扰下的工况信号。其优点时对特定机械工况信号进行主动识别，有较为可靠的消噪能力和快速识别能力，用来驱动EMD对地震模拟振动台工况的消噪，区别于其他消噪方法。附图说明图1为本专利技术的技术路线图；图2为本专利技术采用的双线性变换法的映射关系图；图3为本实施例采用的高通滤波器通带曲线；图4为本专利技术实施例的消噪后时域对比图。具体实施方式为了使本专利技术的技术方案更加清楚明白，以下结合附图及实施例，对本专利技术作进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。参考图1至图4，本专利技术提供一种地震模拟振动台工况的监测方法，包括以下步骤：步骤1，获取地震模拟振动台的正常工况信号样本，理论工况信号表达式为：y(n)＝x(n)+s(n)(1)式(1)y(n)为理论工况信号，中本文档来自技高网...

【技术保护点】
1.一种地震模拟振动台工况的监测方法，其特征在于包括以下步骤：步骤1，获取地震模拟振动台的正常工况信号样本，理论工况信号表达式为：y(n)＝x(n)+s(n)式(1)中y(n)为理论工况信号，x(n)为理论工作信号，s(n)为随机噪声；步骤2，选取切比雪夫IIR型数字滤波器对正常工况状态样本进行高通滤波处理，将滤波器的H(s)采取双线性映射法至H(z)；步骤3，将滤波后的正常工况信号样本和理论工况信号以及理论工作信号输入循环神经网络进行训练主动消噪，选取以下统计特征：(1)、标准差：

【技术特征摘要】
1.一种地震模拟振动台工况的监测方法，其特征在于包括以下步骤：步骤1，获取地震模拟振动台的正常工况信号样本，理论工况信号表达式为：y(n)＝x(n)+s(n)式(1)中y(n)为理论工况信号，x(n)为理论工作信号，s(n)为随机噪声；步骤2，选取切比雪夫IIR型数字滤波器对正常工况状态样本进行高通滤波处理，将滤波器的H(s)采取双线性映射法至H(z)；步骤3，将滤波后的正常工况信号样本和理论工况信号以及理论工作信号输入循环神经网络进行训练主动消噪，选取以下统计特征：(1)、标准差：(2)、波形率：(3)、不规则度：(4)、功率谱均方根：其中，为第i次采集的时域信号xi(n)的均值，si(k)为第i次采集的时域信号对应的频谱，N为数据点的个数，为时域信号xi(n)均方根值，K为谱线的个数，ui(k)为功率谱函数；步骤4，将训练样本特征参数空间S划分成三个子空间Pi(i＝1...

【专利技术属性】
技术研发人员：梅艳，任燕，季献铖，朱孜轶，李燕妮，王钦旭，郑巧玲，
申请(专利权)人：温州大学，
类型：发明
国别省市：浙江,33