【技术实现步骤摘要】
本专利技术属于脱粒滚筒动平衡检测，尤其涉及一种低失真脱粒滚筒不平衡信号检测方法及系统。
技术介绍
1、不平衡振动信号提取的准确性对在线动平衡检测的成功率起着决定性作用。在联合收获机中，脱粒滚筒的振动信号会受到振动筛，回程板，秸秆粉碎装置和发动机振源的影响，整机振动大，干扰信号多，不平衡故障的信噪比低。为了保障获取不平衡振动信号的准确性和稳定性，必须对监测信号进行降噪处理。然而，对于联合收获机的整机振动而言，不平衡振动信号与噪声信号存在一定的频域重合，使得传统方法对不平衡振动信号的提取精度差，且在低速状态下不平衡故障特征及其微弱，传统方法在消除噪声时不可避免会损失部分有用信息，进一步降低了不平衡的识别精度，因此需从其他领域寻求新的特征提取方法。
2、由于联合收获机组合回转系统的多振源激振特性，通过安装在轴承座上的振动传感器采集到的振动信号，是多种回转部件的振动耦合，不仅蕴含了多个激振源的振动特征信息，也存在大量背景噪音成分。这使得不同振源的特征信息会不可避免地被干扰甚至淹没，尤其是当脱粒滚筒转速较低，不平衡故障较为微弱或噪声水平显著时，极大地增加动平衡检测的难度。
技术实现思路
1、针对上述技术问题，本专利技术的一个方式的目的之一是提供一种低失真脱粒滚筒不平衡信号检测方法，首先利用零相移低通滤波对振动信号中的高频振动分量进行降噪，然后选取变分模态分解中各模态的相关幅值作为麻雀搜索算法的适应度函数，通过麻雀搜索算法不断优化变分模态分解参数，将相关幅值最大的模态分量作为不平衡
2、本专利技术的一个方式的目的之一是提供一种低失真脱粒滚筒不平衡信号检测系统，包括采集过滤模块、变分模态分解模块、麻雀搜索算法模块、信号重构模块、信号截断模块和自适应线性神经网络模块，可以应用上述的低失真脱粒滚筒不平衡信号检测方法在强噪声条件下，有效精确提取微弱的不平衡故障振动特征信号的幅值和相位。
3、注意，这些目的的记载并不妨碍其他目的的存在。本专利技术的一个方式并不需要实现所有上述目的。可以从说明书、附图、权利要求书的记载中抽取上述目的以外的目的。
4、本专利技术是通过以下技术手段实现上述技术目的的。
5、一种低失真脱粒滚筒不平衡信号检测方法，包括以下步骤：
6、步骤s1：采集脱粒滚筒振动信号，并进行滤波，滤除高频噪声；
7、步骤s2：设置变分模态分解的惩罚因子范围和模态分解个数作为麻雀搜索算法进行优化的参数，并初始化麻雀搜索算法的最大迭代次数l和种群大小；
8、步骤s3：使用变分模态分解对步骤s1滤波之后的振动信号进行分解，计算各模态的相关幅值作为麻雀搜索算法的适应度函数；
9、步骤s4：重复步骤s3，根据适应度函数按照麻雀搜索算法的迭代次数l进行迭代优化，获得迭代优化后的参数；
10、步骤s5：根据步骤s4迭代优化后的参数对步骤s1滤波之后的振动信号进行变分模态分解，计算各模态的相关幅值，并选取相关幅值最大的模态作为振动信号所在的模态分量进行振动信号重构；
11、步骤s6：采集脱粒滚筒速度信号，沿转速信号的上升沿截断步骤s5所述的重构后的振动信号，使每次测量的振动信号具有相同的相位参考；
12、步骤s7：使用自适应线性神经网络获取步骤s6截断后的振动信号的幅值和相位。
13、上述方案中，所述步骤s1滤波采用零相移低通滤波，具体步骤包括：
14、先使振动信号通过低通滤波器，再将信号时域反转再次通过低通滤波器，其中低通滤波fir型线性相位低通滤波器。
15、上述方案中，所述步骤s2中变分模态分解中的本征模态函数的表达式为：
16、uk(t)＝ak(t)cos(φk(t))
17、其中，在[t-δ,t+δ]的间隔范围内，uk为谐波信号，uk(t)为t时刻的谐波信号，φk(t)为t时刻的角度，δ为时间间隔，ak为uk的瞬时幅值。
18、上述方案中，所述步骤s2中变分模态分解的约束变分模型为：
19、
20、
21、其中，uk为vmd分解得到的第k个本征模态函数分量，ωk为本征模态函数分量的角速度；为梯度计算；δ(t)为冲激函数；j为虚数单位；t为时刻；s.t.为约束条件；f为原始信号。
22、上述方案中，所述步骤s3中作为适应度函数的相关幅值函数car表达式为：
23、car＝r(x,x)·max({ark}k)
24、其中，x为原输入信号；r(x,x)为重构信号和x的相关系数；{ark}k为k个本征模态函数的基频峰值的集合。
25、上述方案中，所述步骤s2中麻雀搜索算法依据适应度函数将种群排序，分为发现者、加入者，排序在前的麻雀为发现者，位置更新公式为：
26、
27、其中，i代表当前迭代数，itermax表示最大的迭代次数；xm,n表示第m个麻雀在第n维中的位置信息；α是一个属于(0，1]的随机数；r2表示预警值，属于[0，1]；和st表示安全值，属于[0.5，1]；q是服从正态分布的随机数；l表示一个元素为1的1×d的矩阵，d表示要优化的变量的维数；
28、加入者的位置更新公式为：
29、
30、其中，xp是目前发现者所占据的最优位置；xworst表示当前全局最差的位置；a+表示一个1×d的矩阵，p为种群大小。
31、上述方案中，所述步骤s2中麻雀搜索算法意识到危险时，麻雀种群会做出反捕食行为，其位置更新如下：
32、
33、式中，xbest为目前麻雀最优位置；β为服从均值为0，方差为1的正态分布的随机数；k为∈[-1,1]的随机数；fm为第m只麻雀适应度，fb和fw为目前麻雀最优适应度和最差适应度；ε为不为零的小数。
34、上述方案中，所述步骤s7中自适应线性神经网络将实测振动信号采样数据y(n)作为期望输出与神经元的输出进行比较，根据二者的差值，按算法调整神经元的权向量，其中实测振动信号采样数据y(n)为：
35、y(n)＝d0+imag(cejωn)
36、
37、其中，y(n)表示振动信号，d0为直流偏置量，imag()表示取复数的虚部，a为振动信号的幅值，表示振动信号的初相位，c表示待求的参数，包括振动信号的幅值和相位。
38、上述方案中，所述步骤s7中自适应线性神经网络的输入模式向量xn和权向量wn分别为：
39、xn＝[1,ejωn]t
40、wn＝[d0,c]t
41本文档来自技高网...
【技术保护点】
1.一种低失真脱粒滚筒不平衡信号检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的低失真脱粒滚筒不平衡信号检测方法，其特征在于，所述步骤S1滤波采用零相移低通滤波，具体步骤包括：
3.根据权利要求1所述的低失真脱粒滚筒不平衡信号检测方法，其特征在于，所述步骤S2中变分模态分解中的本征模态函数的表达式为：
4.根据权利要求1所述的低失真脱粒滚筒不平衡信号检测方法，其特征在于，所述步骤S2中变分模态分解的约束变分模型为：
5.根据权利要求1所述的低失真脱粒滚筒不平衡信号检测方法，其特征在于，所述步骤S3中作为适应度函数的相关幅值函数CAr表达式为：
6.根据权利要求1所述的低失真脱粒滚筒不平衡信号检测方法，其特征在于，所述步骤S2中麻雀搜索算法依据适应度函数将种群排序，分为发现者、加入者，排序在前的麻雀为发现者，位置更新公式为：
7.根据权利要求1所述的低失真脱粒滚筒不平衡信号检测方法，其特征在于，所述步骤S2中麻雀搜索算法意识到危险时，麻雀种群会做出反捕食行为，其位置更新如下：
8.根据
9.根据权利要求1所述的低失真脱粒滚筒不平衡信号检测方法，其特征在于，所述步骤S7中自适应线性神经网络的输入模式向量Xn和权向量Wn分别为：
10.一种根据权利要求1所述的低失真脱粒滚筒不平衡信号检测方法的系统，其特征在于，包括采集过滤模块、变分模态分解模块、麻雀搜索算法模块、信号重构模块、信号截断模块和自适应线性神经网络模块；
...【技术特征摘要】
1.一种低失真脱粒滚筒不平衡信号检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的低失真脱粒滚筒不平衡信号检测方法，其特征在于，所述步骤s1滤波采用零相移低通滤波，具体步骤包括：
3.根据权利要求1所述的低失真脱粒滚筒不平衡信号检测方法，其特征在于，所述步骤s2中变分模态分解中的本征模态函数的表达式为：
4.根据权利要求1所述的低失真脱粒滚筒不平衡信号检测方法，其特征在于，所述步骤s2中变分模态分解的约束变分模型为：
5.根据权利要求1所述的低失真脱粒滚筒不平衡信号检测方法，其特征在于，所述步骤s3中作为适应度函数的相关幅值函数car表达式为：
6.根据权利要求1所述的低失真脱粒滚筒不平衡信号检测方法，其特征在于，所述步骤s2中麻雀搜索算法依据适应度函数将种群排序，分为发现者、加入者，排序在前的麻雀为发现者，位置...
【专利技术属性】
技术研发人员：于治武，李耀明，姬魁洲，刘延彬，程军辉，
申请(专利权)人：江苏大学，
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。