文摘

一个长期振动信号的趋势项很难去除。提出了一种分段积分法去除趋势项。直接集成的例子没有去除趋势项,全球一体化与趋势项消除分段多项式拟合后,和直接集成在分段多项式拟合趋势项消除模拟。结果表明,安装分段多项式的直接集成提供了更大的加速度和位移精度比其他两个集成方法。振动测试然后出租车上执行一个特殊的设备。结果表明,直接集成通过分段多项式拟合趋势项消除高度符合被测信号数据。然而,直接积分法没有去除趋势项导致的信号失真。该方法可以帮助与振动信号的频域分析和模态参数识别等设备。

1。介绍

驾驶室振动有着重要影响的司机和机器。在实际的测试中,一般的加速度信号是复杂的。因此,研究加速度振动信号是重要的理论和实践意义1- - - - - -3]。刘等人。4)提出了一个低频信号的FFT变换去除方法实现更好的整合效果。Cai和王5)提出了经验模态分解(EMD)方法去除趋势项和改进频域集成的效果。里贝罗et al。6,7)提出了一种快速傅里叶变换数字双集成(FFT-DDI)方法处理低频振动信号,应用振动信号采集的集成电路压电(ICP)传感器来获得更准确的集成效果。

取得了好的结果通过整合短期加速度信号去除趋势项。这提供了一种方法来处理长期加速度振动信号(8]。本文提出了一种分段拟合方法与趋势项消除更好的整合效应。一个信号的低频分量中起决定性的作用速度的大小振动振幅。在驾驶室的振动测试中,一个长周期项通常是现在和零点漂移趋势是由各种设备和工具的变化引起的。这可以完全改变的计算结果9- - - - - -11]。此外,信号集合可能受到其他外部振动的频率干扰,所以收集的数据包含无用的干扰。因此,数据过滤是至关重要的(12]。Sarrouy [13)提出了一个基于多项式混沌扩张过程的数值方法有效的随机特征值问题。已经测试了几个随机分布。Dufan et al。14]利用分段多项式拟合符合低能耗的高能形象形象。和结果是受到其距离安装映像。最后,ASD-POCS-based提出了优化调度和数值模拟来验证算法。连续测试过程来区分一个分段多项式趋势叠加由短程的依赖,实施远程依赖被门敏(检查15]。最后,说明了该方法的历史北半球温度数据。小说约束边界曲线的好处的平滑样条逼近和计算效率的线性规划已由Daouia et al。16]。最后,该方法的效用是通过应用程序来说明一些真实的数据集。和仿真结果也显示其优越性最著名的方法。一个新的去噪程序,提高了拉曼信息同时减少不必要的贡献最常见的噪音来源提出了由Gonzalez-Vidal et al。17]。依赖于立方处罚样条拟合方法和数学形态学和不需要用户输入。小说水平集方法命名为多项式分段常数近似(车牌提取与严重的井段图像强度不均匀性已经提出的最小et al。18]。最后,视觉和实验结果证明该方法能产生更好的结果比现有的古典当地对图像分割模型。驾驶室振动的研究主要是如下:Deboli et al。19)做了全身振动测量水平和垂直传播性的一个农业拖拉机座椅。最后,他们得出结论说滚动和俯仰的影响可以减少通过使用特定的悬挂系统沿水平和横向方向。汉弗莱斯等人研究了系统动力学包括人类的运营商和生物动力引线。然后,两种补偿方法生物动力引线根据他们的模型被开发。结果表明,运营商更好地履行职责,更喜欢vibration-compensating控制器在nonvibration-compensating同行(20.]。Sim et al。21)提出了一种液压气动悬挂半活性控制方法的应用。然后,运行舒适感已经被使用车辆模型预测基于计算机仿真。Mahmoodabadi et al。22)引入了一个新颖的组合粒子群优化(PSO)和遗传算法(GA)。混合算法使用运营商等突变,传统或古典跨界,多个跨界车,算法公式。最后,该算法被用于的帕累托最优设计自由的5自由度车辆振动模型。结果的比较证明了它有一个好的结果的工作。Lepine et al。23)提出了使用机器学习识别冲击出现在公路车辆加速度信号测量。接下来,一个机器学习算法训练识别冲击埋在道路车辆振动信号。结果表明,机器学习算法在识别更加准确和可靠的冲击比更常见的方法。Burdzik [24)提出了一种新颖的方法研究了接触非线性振动的轿车悬架非线性动力系统。这种方法的优点是选择频带的精确分析的可能性。然后,减震器的阻尼的影响讨论了接触振动。概率指标被用于一个健壮的帕累托自由的5自由度车辆振动的多目标优化设计模型,贾玛利et al。25]。设计的鲁棒性得到使用这样一个概率方法是显示和比较与设计最终确定的方法获得。

直到现在,方法与趋势项消除通常采用多项式拟合和EMD。基于之前的研究,提出了一种更精确的振动信号处理方法称为分段集成与去除趋势项。这可以帮助司机的振动特性研究的基础和个人安慰。

当使用EMD和多项式拟合的方法消除振动信号的趋势项,通常有一个大的错误在开始和结束的信号26]。分段积分可以用来解决这个问题。一个重叠的方法提出了细分的一个信号。如图1(一),收集信号A1B3分为三个部分:A1B1 A2B2, A3B3。每个数据部分是由dn的长度数据。然后,分段数据分别处理。中部的每个数据段的开始和结束部分是作为数据趋势项消除过程。如图1、A1C1 C1C2, C2B3应考虑加工数据。前后数据重叠也可以观察到C1和C2的分割点。假设重叠收音机米;然后,这些数据块的数量是dn·米。这种细分方法的好处是相对较大的头部到尾部的错误可以被删除。假设振动信号的长度n;商p可以获得的 ,其余部分问。如果问大于2 dn·米信号分为p+ 1部分。否则,它分为p部分。在这两种情况下,最后一节是作为剩余的数据。我们可以看到数据1 (b)- - - - - -1 (d)、信号处理的EMD方法和多项式拟合的方法有一个很大的错误,因为振动偏离了0水平。和信号处理分割的分段多项式拟合消除趋势项是封闭的实际数据。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图1
信号分割和方法比较。(一)信号分割。(b) EMD方法。(c)多项式拟合方法。(d)分割分段多项式的方法。

基于上述方法,加速度振动信号可以通过传统的分段趋势项删除过程。此外,可以获得速度和位移的积分。操作,可以获得以下两种情况:趋势项消除后个人积分,积分合并回整个数据段去除趋势项之后(27]。后信号分割和去除趋势项,积分值之前和之后的部分观点可能不同。在这种情况下,部分点附近的平均积分值可以用来取代分离的。接下来,一个高阶样条曲线校正进行了附近的几个点的部分,以确保最大的平滑分段连接。

趋势项消除方法和各种集成结果可以通过一个例子来比较。假设包含趋势项的振动加速度信号给出如下: 在哪里f我组件频率:5,52岁,64年,80年,96年和158赫兹;φ我组件初始阶段的角度:10°20°30°,40°、150°和70°;损害是损害函数;和t是时候了。

在(1)、加速度信号包含六个正弦曲线的振幅1和一个集成趋势项。集成趋势项包含三个部分:一个损害的趋势项,一个多项式趋势项,和一个直流(直流)组件。假设采样频率fs是1000 Hz,信号采样时间是60年代,长度n的信号是60000。图2比较实际的加速度信号和信号含有趋势项,和图3显示了局部对比度细节。

(一)
(一)
(b)
(b)
图2
加速度信号比较实际含有趋势项和加速度。(一)0 ~ 60年代加速度含有趋势项。(b) 0 ~ 60年代实际加速度。
(一)
(一)
(b)
(b)
图3
含有趋势项和加速度信号当地比较实际。(一)0 ~ 0.5 s加速度含有趋势项。(b) 0 ~ 0.5 s实际加速度。

2。加速度与消除趋势项分段积分

三个积分方法研究了在这一节中。

2.1。直接积分没有消除趋势项

速度数据可以从原始加速度信号获得积分。比较的结果,没有去除趋势项,加速度信号没有处理。图4显示了结果。速度演示了一个重大转变。如果执行进一步整合,位移变形数据将获得。这证明了趋势项消除振动信号处理是必不可少的。


图4
速度曲线由加速度积分没有消除趋势项。
2.2。全球积分与消除趋势项分段多项式拟合后的趋势

整个加速度信号分为2000段的重叠率10%。在每一部分,高阶多项式被用来适应趋势项。其次,计算出的速度信号结合加速度信号的细分与去除趋势项。速度趋势项的顺序多项式是四个。图5显示加速度曲线,和图6显示速度的曲线信号后去除趋势项。当实际的加速度和速度信号进行比较,计算以下参数:R一个= 0.9972,D一个= 4687.8,Rv= 0.9605,Dv= 254.5793 (R是两套的几何并行数据,然后呢D是两套的几何距离信号。他们可以用来评估一个方法很好或不是)。如数据所示5和6,结果更好的趋势项删除时的加速度和速度。

(一)
(一)
(b)
(b)
图5
加速度的分段多项式拟合消除趋势项。(一)0 ~ 60年代加速度的分段多项式拟合消除趋势项。(b) 0 ~ 0.5 s加速度的分段多项式拟合消除趋势项。
(一)
(一)
(b)
(b)
图6
全球整体速度的分段多项式拟合消除趋势项。(一)0 ~ 60年代全球积分速度消除趋势项。(b) 0 ~ 0.5年代全球积分速度消除趋势项。
2.3。直接积分分段多项式拟合后去除趋势项

整个加速度信号分为2000段的重叠率10%。多项式拟合加速度信号的顺序是三个。然后,直接积分得到在每一部分通过消除趋势项。速度趋势项多项式订单是4。接下来,分割速度信号组合成一个集成,如图7(一)。图7 (b)显示了详细的速度信号在第0.5秒。相比,Rv和Dv实际信号分别为0.9965和62.1394,与积分法计算的参数是最接近实际的信号。因此,验证了该方法的有效性。这种方法也可以用来获取位移积分的速度信号。多项式拟合位移信号的顺序是5。图8(一个)显示了位移信号后去除趋势项。图8 (b)显示了详细的位移信号在第0.5秒。Rv和Dv实际信号分别为0.9930和2.4091,分别。0.1秒之前有一个更大的错误,但是集成结果基本上符合实际值在0.1 s。这也解释了为什么有一个更大的错误信号的开始部分去除趋势项。在实际应用程序中,因此,数据应该避免的开始。

(一)
(一)
(b)
(b)
图7
直接积分速度的分段多项式拟合消除趋势项。(一)0 ~ 60年代直接积分速度消除趋势项。(b) 0 ~ 0.5 s直接积分速度局部对比度。
(一)
(一)
(b)
(b)
图8
直接积分位移的分段多项式拟合消除趋势项。(一)0 ~ 60年代直接积分和消除趋势项位移。(b) 0 ~ 0.5 s直接积分和消除趋势项位移。

上面的例子表明,当振动信号持续很长一段时间,整个信号的趋势项消除不能得到一个好的结果。分段积分法可以降低整体的EMD分解时间和多项式拟合的顺序,使数值计算更快更稳定。比较结果表明,直接集成提供了一个更好的性能比全球一体化子分段。多项式拟合方法相对简单的集成后去除趋势项。此外,计算结果是理想的。因此,分段多项式拟合与趋势项消除是一个可行的方法集成的加速度信号。

3所示。分段多项式拟合与消除趋势项积分在驾驶室的振动信号处理中的应用

ICP加速度传感器和DS-NET多通道数据采集仪器被用来测量金属转移车辆的驾驶室振动。图9给出了振动试验。


图9
驾驶室振动测试。

在驾驶室仪表板的加速度信号作为原始数据。采样频率为1000赫兹,和采样时间是20年代如图10。实测加速度信号表示一定的漂移。所以它有振动特性。如果加速度信号图10是直接集成没有消除趋势项,计算速度和位移信号扭曲,如图11。在图(11日),我们可以看到,获得的速度与集成方向没有振动特性,并在图11 (b)由加速度、位移信号曲线方向综合平滑。速度和位移的振动特点都基本上消失,与振动的基本理论,是错误的。分段多项式拟合与去除趋势项的积分被采用。图12显示速度和位移曲线。速度和位移曲线得到改进,方法的可行性已经得到证实。见图12(一个),速度信号的分段多项式拟合得到的去除趋势项的集成使用相同的加速度数据图10振动特性。同时,位移信号的分段多项式拟合得到的去除趋势项的集成方法还有振动加速度数据特征。通过使用该方法,我们可以得到的速度和位移数据的加速度信号不做实际的实验,因为加速度信号通常可以测量更容易比其他两个信号。这可以减少实验的成本和时间。


图10
测量加速度的驾驶室仪表板上。
(一)
(一)
(b)
(b)
图11
速度和位移加速度直接积分没有消除趋势项。(一)速度,加速度直接积分。(b)位移加速度直接积分。
(一)
(一)
(b)
(b)
图12
速度和位移加速度分段多项式拟合与消除趋势项的积分。(a)速度通过分段多项式拟合消除趋势项。(b)由分段多项式拟合与消除趋势项位移。

4所示。结论

提出了一种多项式拟合方法去除趋势项的振动信号处理。的效果和特点。细分方法是计算速度和位移通过集成加速度。直接集成没有去除趋势项,全球一体化与去除趋势项,分段多项式拟合后,分段多项式拟合后直接集成与趋势项进行评估。仿真例子表明,分段多项式拟合与趋势项消除后直接集成提供接近预期的结果。最后,出租车上执行一个特殊的振动测试设备。速度和位移信号是通过整合获得实际收集的加速度信号,这证明了分段积分法的可行性。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由“人类机动态特性的多自由度康复位移装置”(172102310542),“Multi-DOF康复病人转运装置动态特性和人机安全舒适的研究”(505140),“电梯交通的舒适性研究基于多体动力学”(没有。2015 kyjh33),河南省自然科学基金(152102310357),和人类行为的评价研究下肢(开发项目的生物医学工程学院,新乡医学院(2018 - bme - kfkt - 05))。