王宏健, 王繼新, 王乃祥

引 言

工程機(jī)械傳動系測試載荷數(shù)據(jù)處理中,異常數(shù)據(jù)的剔除是較為棘手的問題。對原始信號奇異值的處理可以轉(zhuǎn)化為求解軌道矩陣的最佳逼近問題,降噪效果由逼近情況而定[1]。除了小波理論應(yīng)用在載荷譜信號中奇異信號的剔除與降噪外[2-3],現(xiàn)有的解決途徑一般是基于正態(tài)分布、指數(shù)分布或Weibull分布假設(shè),以殘差為分析對象[4-5],以樣本數(shù)據(jù)標(biāo)準(zhǔn)差為尺度進(jìn)行異常數(shù)據(jù)的判別與剔除,樣本量不同時對數(shù)據(jù)或其殘差所假設(shè)的分布也不相同[4]。這樣就會遇到兩個問題:a.實際數(shù)據(jù)是否真的為假設(shè)分布類型;b.即便分布類型準(zhǔn)確,以樣本數(shù)據(jù)為基礎(chǔ)確定的標(biāo)準(zhǔn)差,極有可能己經(jīng)受到異常數(shù)據(jù)的很大影響,那么以此標(biāo)準(zhǔn)差作為剔除數(shù)據(jù)尺度,必然會產(chǎn)生非期望誤差,大大降低異常數(shù)據(jù)剔除的有效性。文獻(xiàn)[6]指出了最小二乘法中用殘差大小來判斷異常值是不可靠的。為了解決上述問題,可以將異常數(shù)據(jù)排除在統(tǒng)計分析樣本數(shù)據(jù)之外,或者在估計統(tǒng)計分析結(jié)果時排除異常數(shù)據(jù)的影響。文獻(xiàn)[7]引入銳化因子,通過對梯度門限和銳化參數(shù)強(qiáng)度適當(dāng)選取,改進(jìn)了傳統(tǒng)濾波器。文獻(xiàn)[8-10]對Perona-Malik模型進(jìn)行了改進(jìn),基于圖像空間坐標(biāo),使用同一個梯度門限進(jìn)行擴(kuò)散除噪。文獻(xiàn)[11]提出了一種基于平穩(wěn)小波域去噪方法,在低頻子帶和高頻子帶上分別采用不同的梯度門限進(jìn)行各向異性擴(kuò)散濾波后的重建。

由于數(shù)據(jù)的承載體是機(jī)械構(gòu)件,筆者以裝載機(jī)為例,除了對數(shù)據(jù)進(jìn)行分析外,還從異常數(shù)據(jù)的產(chǎn)生機(jī)理、實際載荷分布形態(tài)以及物理量限值等多角度對異常數(shù)據(jù)進(jìn)行了分析和識別。通過對其傳動系載荷特點(diǎn)的分析,指出了綜合運(yùn)用幅值門限法與梯度門限法剔除異常數(shù)據(jù)的優(yōu)勢。

1 傳動系載荷特性分析

工程機(jī)械的作業(yè)環(huán)境與作業(yè)方式?jīng)Q定了其構(gòu)件的受載特性。以輪式裝載機(jī)的“V型六段”的作業(yè)方式為例,可以看出在不同作業(yè)段的載荷差異十分明顯,分段作業(yè)的特性非常顯著,如圖1所示。因此,對于裝載機(jī)傳動系載荷來說,進(jìn)行載荷數(shù)據(jù)分析時不僅要在不同工況框架內(nèi)進(jìn)行,而且對于單一工況下的一個作業(yè)循環(huán)內(nèi)的載荷數(shù)據(jù)也要區(qū)分開來,并將相同作業(yè)段的載荷數(shù)據(jù)編排到一起,這樣才使數(shù)據(jù)具有合理穩(wěn)定的統(tǒng)計分布規(guī)律,異常數(shù)據(jù)的有效剔除才成為可能。

在樣本量n＞50的條件下,其統(tǒng)計推斷的結(jié)果較接近于總體統(tǒng)計特性。本次以小石方工況為例,測得了 74次循環(huán)作業(yè)下的傳動系中間法蘭載荷,鏟掘作業(yè)段載荷編排連接后的局部如圖 2所示。

圖1 裝載機(jī)循環(huán)作業(yè)時的典型扭矩時間歷程

圖2 中間法蘭鏟掘作業(yè)段連接后局部扭矩時間歷程

2 異常載荷數(shù)據(jù)剔除方法

2.1 載荷信號的測取

采用近程遙測技術(shù)獲取本次試驗的載荷數(shù)據(jù)。正式測試前先進(jìn)行扭矩測試系統(tǒng)標(biāo)定工作,將扭矩信號與測得的電壓信號建立起連接。測試時,采用遙測儀將應(yīng)變片式扭矩傳感器獲取的扭矩信號發(fā)射出來,信號采集系統(tǒng)同步記錄,采樣頻率為100 Hz,載荷信號的測取方式如圖 3所示。

圖3 載荷信號測取框圖

2.2 異常數(shù)據(jù)常規(guī)剔除方法

異常數(shù)據(jù)又稱奇異點(diǎn)或野點(diǎn)。仔細(xì)觀察采集到的信號時間歷程,可以看出夾雜著大量的奇異點(diǎn)。這些奇異點(diǎn)的產(chǎn)生原因是多方面的,例如測試元件的電壓變化、電磁干擾或者測試系統(tǒng)受到異常振動等。這些非實際載荷的異常數(shù)據(jù)必須剔除或?qū)⑵溆绊懪懦?否則對實際載荷大小估計及以后的構(gòu)件疲勞壽命估計都有很大影響。當(dāng)前剔除異常數(shù)據(jù)已有多種方法:3e準(zhǔn)則、格拉布斯(Grubbs)準(zhǔn)則、肖維勒(Chauvenet)準(zhǔn)則、狄克遜 (Dixon)準(zhǔn)則和t檢驗法等。

3e準(zhǔn)則表達(dá)式為

其中:xd為樣本數(shù)據(jù);x為樣本均值。

當(dāng)某個樣本數(shù)據(jù)符合上式時,則認(rèn)為它是異常的,應(yīng)予剔除。

格拉布斯準(zhǔn)則表達(dá)式為

其中:s為該系列數(shù)據(jù)的標(biāo)準(zhǔn)偏差;G(a,n)為格拉布斯檢驗臨界值;a為檢出水平;n為測量次數(shù)。

另外幾種檢驗異常數(shù)據(jù)的原理基本相似,都是假設(shè)樣本數(shù)據(jù)服從某種分布(多數(shù)認(rèn)為是正態(tài)分布)的前提下,通過概率統(tǒng)計分析等途徑求得標(biāo)準(zhǔn)差等界限標(biāo)定,進(jìn)而進(jìn)行異常數(shù)據(jù)的剔除。實際上,測試所得到的隨機(jī)信號并不一定真實服從正態(tài)或其他分布,因而剔除效果并不理想。有些方法過于敏感,在剔除奇異點(diǎn)的同時也去掉了一些有用的數(shù)據(jù)。

3 幅值門限法與梯度門限法的聯(lián)合應(yīng)用

3.1 門限檢測方法基本原理

幅值門限檢測法適用于幅值相對正常載荷大的奇異點(diǎn)。門限值主要通過觀察幅值概率分布圖來選取,一般情況下,奇異點(diǎn)位于主要分布區(qū)域以外。

梯度門限檢測法主要通過對原始信號的差分求導(dǎo),得到信號的梯度,再由梯度的概率分布確定門限值的選取。通常它所識別的奇異點(diǎn)的梯度要高于正常信號的梯度。根據(jù)這一特點(diǎn),可設(shè)定一個梯度門限值,將小概率、梯度較大的信號剔除。

3.2 異常數(shù)據(jù)剔除方法的比較

將中間法蘭扭矩載荷信號分別進(jìn)行幅值門限檢測、梯度門限檢測以及傳統(tǒng)的基于概率密度分布的標(biāo)準(zhǔn)差檢測,檢測分析的結(jié)果分別如圖4、圖5和圖6所示。

圖4 奇異載荷的幅值門限檢測結(jié)果

圖5 奇異載荷的梯度門限檢測結(jié)果

圖6 奇異載荷基于概率密度分布的標(biāo)準(zhǔn)差檢測結(jié)果

由幅值門限法、梯度門限法以及基于概率密度分布的標(biāo)準(zhǔn)差檢測的基本原理可以看出,因判別異常數(shù)據(jù)的原理不同,其適用范圍也不同。進(jìn)行載荷信號異常數(shù)據(jù)處理時,要具體問題具體分析,選擇與信號特點(diǎn)相適應(yīng)的方法進(jìn)行處理,才能收到較好的效果。如圖6所示,如果按假設(shè)估計值進(jìn)行統(tǒng)計,其所得數(shù)據(jù)的均值、方差等參數(shù),將明顯與實際載荷數(shù)據(jù)分布特征不符。同時,nSoft軟件檢測的奇異點(diǎn)列表也表明,即使在選擇 9倍方差進(jìn)行門限值濾波的情況下,檢測出的奇異點(diǎn)仍明顯偏多,這說明標(biāo)準(zhǔn)方差法不大適用于這種測試信號的處理。

3.3 門限值的選定

應(yīng)用門限檢測對載荷數(shù)據(jù)奇異點(diǎn)進(jìn)行處理時,關(guān)鍵在于門限值的選取。不同的門限值得到的處理結(jié)果有所差異。如圖 4所示,幅值門限檢測時,幅值分布可分為兩部分,即連續(xù)部分與斷續(xù)部分,斷續(xù)部分又分為低幅斷續(xù)和高幅斷續(xù)。因此這里選定雙門限將奇異點(diǎn)剔除,設(shè)定高門限和低門限分別為v1和v2,其中v1＜v2。處于低幅斷續(xù)的數(shù)據(jù)由于其數(shù)量相對數(shù)據(jù)總量小幾個數(shù)量級,且其值很小,對傳動系壽命影響甚微,故令v1等于最小連續(xù)分布幅值。而v2的選取,考慮到實際工況的復(fù)雜性,即使高斷續(xù)幅值的出現(xiàn)頻次很低,也不能簡單以幅值分布的連續(xù)、斷續(xù)分界點(diǎn)為門限閥值。這里令v2=min[p×Gcontinue],其中:p為門限值系數(shù);Gcontinue為最大連續(xù)分布幅值,大小依工況而定。

梯度門限檢測時,一般考慮用最大梯度的百分比自動決定門限,即TG=pGmax,其中:p為百分比;Gmax為整個載荷梯度的最大值[12]。這一梯度門限的選法是有缺陷的:實際載荷數(shù)據(jù)會出現(xiàn)個別梯度極其異常的極端情況,導(dǎo)致百分比的選擇波動較大,檢測結(jié)果的穩(wěn)定性較差。為此改用以最大連續(xù)梯度為基準(zhǔn)作為更穩(wěn)定的梯度門限,即TG=pGcontinue,p＞1。傳動系載荷樣本數(shù)據(jù)量一般在50 000以上(本試驗數(shù)據(jù)量為 82 796),個別數(shù)據(jù)以極大梯度逃出此量級的連續(xù)梯度分布離散形式出現(xiàn),依數(shù)理統(tǒng)計理論可知,此種情況出現(xiàn)概率甚微。由大量試驗統(tǒng)計數(shù)據(jù)證明,p值選在 1～1.1之間最為合適,既實現(xiàn)了梯度基準(zhǔn)剔除異常數(shù)據(jù)的期望準(zhǔn)確度,又與實際工況載荷狀況相吻合。

3.4 異常數(shù)據(jù)的有效剔除

3.4.1 幅值門限法檢測異常數(shù)據(jù)

檢測結(jié)果如圖 7所示,其中所標(biāo)識出的異常數(shù)據(jù)即為圖 4中幅值大于 1 133 N? m不連續(xù)扭矩的幅值,共計10個點(diǎn)。按其中最大幅值的1 193 N? m計算,也僅僅超出連續(xù)幅值 5%,并且從裝載機(jī)實際工作狀況來看,這些數(shù)值完全可以在樣本數(shù)據(jù)中產(chǎn)生,故這里不認(rèn)為是異常數(shù)據(jù),不予剔除。

圖7 幅值門限檢測法測得的扭矩載荷異常數(shù)據(jù)

3.4.2 梯度門限法檢測異常數(shù)據(jù)

檢測結(jié)果如表 1所示,在時間歷程中的位置如圖8所示。經(jīng)時間歷程局部放大后發(fā)現(xiàn),這些點(diǎn)的分布似乎符合某種規(guī)律。在圖中獲取精確坐標(biāo)即可知,均為不同作業(yè)循環(huán)連接的交界處。因為無論信號的采集多精確,客觀的實際載荷均不能保正前一鏟掘作業(yè)段末點(diǎn)與后一鏟掘作業(yè)段始點(diǎn)相一致,故此處幅值的梯度超限機(jī)率非常大。本例中梯度超限點(diǎn)占總連接數(shù)的81%,可見剔除工作是必要的。

圖8 梯度門限檢測法測得的扭矩載荷異常數(shù)據(jù)

表1 梯度門限法剔除的異常數(shù)據(jù)(采樣頻率為100 Hz)

3.4.3 幅值門限法與梯度門限法的綜合運(yùn)用

綜合運(yùn)用幅值門限法與梯度門限法剔除異常數(shù)據(jù)后的時間歷程如圖 9所示。幅值門限法對于大誤差的和超數(shù)量級的異常數(shù)據(jù)具有良好的識別性,梯度門限法對于小幅值的奇異點(diǎn)檢測能力強(qiáng),這兩種方法結(jié)合去除奇異值的滿意度是傳統(tǒng)的概率統(tǒng)計方法很難達(dá)到的。

4 結(jié)束語

圖9 幅值門限與梯度門限綜合運(yùn)用下載荷異常數(shù)據(jù)的剔除

針對傳統(tǒng)方法基于假定樣本數(shù)據(jù)服從某種典型概率分布,利用標(biāo)準(zhǔn)差剔除異常數(shù)據(jù)的方法存在的固有局限性,提出了幅值門限和梯度門限綜合運(yùn)用去除奇異值的方法。由試驗數(shù)據(jù)處理結(jié)果可知,此方法不僅可以去除大幅值奇異值,還可以對小幅值的奇異值成功去除。對于隱含在正常數(shù)據(jù)中的小偏差異常數(shù)據(jù),同樣具有良好的檢測性。同時,幅值門限和梯度門限的聯(lián)合應(yīng)用不以數(shù)據(jù)服從哪種具體的概率分布假設(shè)為前題,避免了人為主觀判斷和對概率分布函數(shù)進(jìn)行參數(shù)估計,也就避免了由于樣本含有異常數(shù)據(jù)而導(dǎo)致求得的分布參數(shù)的不準(zhǔn)確性。

[1] 孫鑫暉,張令彌,王彤.基于奇異值分解的頻響函數(shù)降噪方法 [J].振動、測試與診斷,2009,29(3):325-328.

Sun Xinhui,Zhang Lingmi,Wang Tong.Noise reduction of frequency response function using singular value decomposition[J].Journal of Vibration,Measurement& Diagnosis,2009,29(3):325-328.(in Chinese)

[2] 王國軍,蔣美華,王俊.載荷譜信號奇異值剔除與降噪處理 [J].儀器儀表學(xué)報,2009,30(6):311-313.

WangGuojun,JiangMeihua,WangJun.Remove spike and noise in the load spectrum method[J].Chinese Journal of Science Instrument,2009,30(6):311-313.(in Chinese)

[3] 向東陽,吳正國,胡文彪,等.改進(jìn)的小波變換系數(shù)相關(guān)去噪方法 [J].振動、測試與診斷,2010,10(5):561-565.Xiang Dongyang,Wu Zhengguo,Hu Wenbiao,et al.Improved denoising algorithm using correlation of wavelet coefficient[J].Journal of Vibration,Measurement& Diagnosis,2010,10(5):561-565.(in Chinese)

[4] 林洪樺.剔除異常數(shù)據(jù)的穩(wěn)健性處理方法[J].中國計量學(xué)院學(xué)報,2004,15(1):20-24.

Lin Honghua.The robustness data processing method about eliminating outlier[J].Journal of China Jiliang University,2004,15(1):20-24.(in Chinese)

[5] Wilcox R R.Introduction to robust estimation and hypo thesis testing[M].San Diego: Academic Press,1997:34-36.

[6] 孫士兵,趙歡.一種異常數(shù)據(jù)診斷應(yīng)用的穩(wěn)健回歸算法[J].科學(xué)技術(shù)與工程,2007,7(15):3728-3730.

Sun Shibing,Zhao Huan.Steady return algorithm in the abnormity data diagnoses and application[J].Science Technology and Engineering,2007,7(15):3728-3730.(in Chinese)

[7] 汪偉,吳秀清,程蕾,等.基于平穩(wěn)小波域的各向異性擴(kuò)散圖像去噪方法 [J].計算機(jī)工程與應(yīng)用,2010,46(4):180-182.

Wang Wei,Wu Xiuqing,Ceng Lei,et al.Image denoising based on stationary wavelet-based anisotropic diffusion[J].ComputerEngineering and Applications,2010,46(4):180-182.(in Chinese)

[8] Black M J,Sapiro G,Marimont D H,et al.Robust anisotropic diffusion[C]∥IEEE Transactions on Image Processing.Palo Alto:IEEE,1998:421-432.

[9] Voci F,Eiho S,Sugimoto N,et al.Estimating the gradient in the Perona-Malik equation[C]∥IEEE Signal Processing Magazine.Kyoto:IEEE,2004:39-46,65.

[10]Catte F,Lions P L,Morel JM,et al.Image selective smoothing and edge detection by nonlinear diffusion[J].SIAM Journal on Numerical Analysis,1992,29(1):182-193.

[11]程哲,胡蔦慶 ,馮占輝,等.基于動力學(xué)仿真的行星輪系損傷檢測方法 [J].振動、測試與診斷,2010,30(4):379-383.

Cheng Zhe,Hu Niaoqing,Feng Zhanhui,et al.Detection of damage in planetary gear sets based on dynamical simulation[J]. Journal of Vibration,Measurement& Diagnosis,2010,30(4):379-383.(in Chinese)

[12]閏成新,范波濤.基于梯度門限的圖像過渡區(qū)提取與分割 [C]∥第一屆中國圖學(xué)大會論文集.煙臺:中國學(xué)術(shù)期刊電子出版社,2007:318-320.