主权项 |
1.一种用于齿轮故障信号的实时压缩方法,其特征在于按照以下步骤进行:步骤1:通过安装在齿轮箱体中的无线传感器设备实时采集齿轮状态监测信号,经过抽样和A/D转换后形成采样数据y<sub>i</sub>,(i=1…n)并保存在本地缓存器中,n为存储采样数据的最大长度;步骤2:将本地缓存器中的采样数据y<sub>i</sub>按照长度N进行定长分段,得到数据段<img file="FDA00003273034400011.GIF" wi="587" he="135" />并根据等式(1)、(2)、(3)依次求出每个数据段的数据特征值K<sub>m</sub>,RMS<sub>m</sub>和VPP<sub>m</sub>,其中K<sub>m</sub>表示第m个数据段的峭度值,RMS<sub>m</sub>表示第m个数据段的有效值,VPP<sub>m</sub>表示第m个数据段的峰峰值;<maths num="0001"><![CDATA[<math><mrow><msub><mi>K</mi><mi>m</mi></msub><mo>=</mo><mfrac><mn>1</mn><mi>N</mi></mfrac><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><msup><mrow><mo>(</mo><mfrac><mrow><msub><mi>y</mi><mrow><mo>(</mo><mi>m</mi><mo>,</mo><mi>i</mi><mo>)</mo></mrow></msub><mo>-</mo><mover><msub><mi>y</mi><mi>m</mi></msub><mo>‾</mo></mover></mrow><msub><mi>σ</mi><mi>m</mi></msub></mfrac><mo>)</mo></mrow><mn>4</mn></msup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow></math>]]></maths><maths num="0002"><![CDATA[<math><mrow><msub><mi>RMS</mi><mi>m</mi></msub><mo>=</mo><msqrt><mfrac><mn>1</mn><mi>N</mi></mfrac><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><msubsup><mi>y</mi><mrow><mo>(</mo><mi>m</mi><mo>,</mo><mi>i</mi><mo>)</mo></mrow><mn>2</mn></msubsup></msqrt><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mrow></math>]]></maths>VPP<sub>m</sub>=max(y<sub>(m,i)</sub>)-min(y<sub>(m,i)</sub>) (3)式中,y<sub>(m,i)</sub>表示第m个数据段中的第i个采样数据,<img file="FDA00003273034400014.GIF" wi="89" he="93" />表示第m个数据段中N个采样数据的平均值,σ<sub>m</sub>表示第m个数据段中N个采样数据的标准差,max(y<sub>(m,i)</sub>)表示第m个数据段中N个采样数据的最大值,min(y<sub>(m,i)</sub>)表示第m个数据段中N个采样数据的最小值;步骤3:选择第m个数据段与之前z-1个数据段的数据特征值建立数据特征值预测序列<img file="FDA00003273034400021.GIF" wi="227" he="95" />和<img file="FDA00003273034400022.GIF" wi="144" he="91" />其中<img file="FDA00003273034400023.GIF" wi="95" he="91" />为第m个数据段的峭度值预测序列,<img file="FDA00003273034400024.GIF" wi="144" he="87" />为第m个数据段的有效值预测序列,<img file="FDA00003273034400025.GIF" wi="126" he="87" />为第m个数据段的峰峰值预测序列,依次表示为等式(4)、等式(5)和等式(6):<maths num="0003"><![CDATA[<math><mrow><msub><mi>S</mi><msub><mi>K</mi><mi>m</mi></msub></msub><mo>=</mo><mo>[</mo><msub><mi>K</mi><mi>m</mi></msub><mo>,</mo><msub><mi>K</mi><mrow><mi>m</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><msub><mi>K</mi><mrow><mi>m</mi><mo>-</mo><mi>z</mi><mo>+</mo><mn>1</mn></mrow></msub><mo>]</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>4</mn><mo>)</mo></mrow></mrow></math>]]></maths><maths num="0004"><![CDATA[<math><mrow><msub><mi>S</mi><msub><mi>RMS</mi><mi>m</mi></msub></msub><mo>=</mo><mo>[</mo><msub><mi>RMS</mi><mi>m</mi></msub><mo>,</mo><msub><mi>RMS</mi><mrow><mi>m</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><msub><mi>RMS</mi><mrow><mi>m</mi><mo>-</mo><mi>z</mi><mo>+</mo><mn>1</mn></mrow></msub><mo>]</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>5</mn><mo>)</mo></mrow></mrow></math>]]></maths><maths num="0005"><![CDATA[<math><mrow><msub><mi>S</mi><msub><mi>VPP</mi><mi>m</mi></msub></msub><mo>=</mo><mo>[</mo><msub><mi>VPP</mi><mi>m</mi></msub><mo>,</mo><msub><mi>VPP</mi><mrow><mi>m</mi><mo>-</mo><mn>1</mn></mrow></msub><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><msub><mi>VPP</mi><mrow><mi>m</mi><mo>-</mo><mi>z</mi><mo>+</mo><mn>1</mn></mrow></msub><mo>]</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>6</mn><mo>)</mo></mrow></mrow></math>]]></maths>步骤4:由步骤3中的特征值预测序列<img file="FDA00003273034400029.GIF" wi="232" he="91" />和<img file="FDA000032730344000210.GIF" wi="111" he="90" />建立对应的自回归滑动平均预测模型,根据自回归滑动平均预测模型确定预测模型阶数p,q以及参数向量<img file="FDA000032730344000211.GIF" wi="381" he="87" />步骤5:根据等式(7)、(8)、(9)依次计算下一数据段的峭度值预测值<img file="FDA000032730344000212.GIF" wi="126" he="95" />有效值预测值<img file="FDA000032730344000213.GIF" wi="183" he="95" />以及峰峰值预测值<img file="FDA000032730344000214.GIF" wi="193" he="95" /><img file="FDA000032730344000215.GIF" wi="1550" he="167" /><img file="FDA000032730344000216.GIF" wi="1547" he="167" /><img file="FDA000032730344000217.GIF" wi="1559" he="162" />其中u<sub>m,</sub>u<sub>m-j</sub>,(j=1…q)为零均值独立同分布的白噪声序列;步骤6:根据步骤5中下一数据段的峭度值预测值<img file="FDA000032730344000218.GIF" wi="138" he="99" />有效值预测值<img file="FDA000032730344000219.GIF" wi="186" he="95" />以及峰峰值预测值<img file="FDA000032730344000220.GIF" wi="186" he="95" />按照等式(10)计算下一段数据的压缩门限ΔE<sub>m+1</sub>:<maths num="0006"><![CDATA[<math><mrow><msub><mi>ΔE</mi><mrow><mi>m</mi><mo>+</mo><mn>1</mn></mrow></msub><mo>=</mo><mfrac><mrow><msub><mi>DCE</mi><mi>set</mi></msub><mo>*</mo><msubsup><mi>VPP</mi><mrow><mi>m</mi><mo>+</mo><mn>1</mn></mrow><mo>*</mo></msubsup></mrow><mrow><mi>A</mi><mrow><mo>(</mo><mi>k</mi><mo>,</mo><mn>1</mn><mo>)</mo></mrow><mo>+</mo><mi>A</mi><mrow><mo>(</mo><mi>k</mi><mo>,</mo><mn>2</mn><mo>)</mo></mrow><mo>*</mo><msup><mi>e</mi><mrow><mo>-</mo><mi>A</mi><mrow><mo>(</mo><mi>k</mi><mo>,</mo><mn>3</mn><mo>)</mo></mrow><mo>*</mo><msubsup><mi>RMS</mi><mrow><mi>m</mi><mo>+</mo><mn>1</mn></mrow><mo>*</mo></msubsup></mrow></msup></mrow></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>10</mn><mo>)</mo></mrow></mrow></math>]]></maths>其中,DCE<sub>set</sub>为预设的数据压缩误差值,A为h行3列的压缩系数矩阵,A(k,1),A(k,2),A(k,3)分别为压缩系数矩阵A中第k行的三个元素,h为预设的峭度值总等级,k的取值根据峭度值预测值<img file="FDA00003273034400031.GIF" wi="111" he="92" />在峭度值总等级中的级别确定;步骤7:利用步骤6中确定的压缩门限ΔE<sub>m+1</sub>对下一段采样数据data<sub>m+1</sub>进行游泳门实时压缩处理,并将压缩后的数据<img file="FDA00003273034400032.GIF" wi="197" he="83" />上传到服务器中;步骤8:当处理完data<sub>m+1</sub>这段采样数据后,设置m=m+1,再次利用等式(1)、(2)、(3)计算当前数据段的数据特征值K<sub>m</sub>,RMS<sub>m</sub>和VPP<sub>m</sub>;步骤9:根据等式(11)、(12)、(13)分别计算峭度值残差<img file="FDA00003273034400033.GIF" wi="117" he="75" />有效值残差<img file="FDA00003273034400034.GIF" wi="133" he="78" />以及峰峰值残差<img file="FDA00003273034400035.GIF" wi="153" he="78" /><maths num="0007"><![CDATA[<math><mrow><msub><mi>u</mi><msub><mi>K</mi><mi>m</mi></msub></msub><mo>=</mo><msub><mi>K</mi><mi>m</mi></msub><mo>-</mo><msubsup><mi>K</mi><mi>m</mi><mo>*</mo></msubsup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>11</mn><mo>)</mo></mrow></mrow></math>]]></maths><maths num="0008"><![CDATA[<math><mrow><msub><mi>u</mi><msub><mi>RMS</mi><mi>m</mi></msub></msub><mo>=</mo><msub><mi>RMS</mi><mi>m</mi></msub><mo>-</mo><msubsup><mi>RMS</mi><mi>m</mi><mo>*</mo></msubsup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>12</mn><mo>)</mo></mrow></mrow></math>]]></maths><maths num="0009"><![CDATA[<math><mrow><msub><mi>u</mi><msub><mi>APP</mi><mi>m</mi></msub></msub><mo>=</mo><msub><mi>APP</mi><mi>m</mi></msub><mo>-</mo><msubsup><mi>APP</mi><mi>m</mi><mo>*</mo></msubsup><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>13</mn><mo>)</mo></mrow></mrow></math>]]></maths>步骤10:检验峭度值残差<img file="FDA00003273034400039.GIF" wi="114" he="78" />有效值残差<img file="FDA000032730344000310.GIF" wi="132" he="78" />以及峰峰值残差<img file="FDA000032730344000311.GIF" wi="127" he="74" />是否满足预设条件,如果满足则返回步骤5处理下一段数据,如果不满足,则返回步骤3形成新的特征值预测序列<img file="FDA000032730344000312.GIF" wi="230" he="95" />和<img file="FDA000032730344000313.GIF" wi="145" he="93" />并利用步骤4建立新的自回归滑动平均预测模型,确定新的预测模型阶数p,q以及参数向量<img file="FDA000032730344000314.GIF" wi="387" he="87" /> |