基于目标函数最优估计的涡街传感器输出瞬态冲击干扰的识别方法与流程

1.本发明涉及流量检测技术，特别是一种基于目标函数的最优估计结果识别涡街传感器输出的瞬态冲击干扰的技术，以分辨涡街传感器输出的涡街流量信号和瞬态冲击干扰，降低强瞬态冲击干扰下涡街流量计的测量误差。


背景技术：

2.涡街流量计是一种基于流体振动原理的流量计，所以，压电式涡街传感器不仅能够拾取流量信号，还对管道振动十分敏感。涡街流量计是四大常用流量仪表之一，其应用范围非常广泛，应用场合多种多样，容易受到各种瞬态冲击振动干扰。涡街流量信号的量程范围较宽，瞬态冲击干扰的各模态分量一般在流量信号的量程范围内，当有冲击干扰分量的能量超过流量信号的能量时，将影响涡街流量计测量的准确度。
3.瞬态冲击干扰主要由管道敲击、水击冲击、气蚀冲击和脉动冲击等原因产生。针对涡街流量计抗瞬态冲击干扰，国内外的研究学者从不同角度进行了相关研究。有些学者通过改进涡街传感器的结构来削弱涡街流量计对瞬态冲击干扰的感知能力(j.j.miau,c.c.hu,j.h.chou.response of a vortex flowmeter to impulsive vibrations[j].flow measurement and instrumentation,2000(11):41-49；潘岚,宋开臣,徐国梁.高抗干扰性能涡街流量计传感器的研究[j].中国计量学院学报,2005,16(4):268-270,278)，但是，不能完全排除感知的干扰能量超过流量能量的情况，所以，仍然会造成涡街流量计测量失误。有些学者通过降低瞬态冲击干扰的能量比重来屏蔽干扰(徐科军，任保宏，邵春莉，方敏，舒张平.一种基于数据替换的涡街流量计抗低频强瞬态冲击振动的信号处理方法，发明专利，zl201510021818.6；chun-li shao,ke-jun xu and zhang-ping shu,segmented kalman filter based anti-strong transient impact vibration interference method for vortex flowmeter[j].ieee transactions on instrumentation and measurement,2017,66(1):93-103),当存在多次连续冲击干扰时，降低瞬态冲击干扰能量的效果将受影响，进而影响涡街流量计的抗干扰效果。
[0004]
涡街流量信号与瞬态冲击干扰最大的特性差异在于阻尼比不同，目前，未见关于涡街传感器输出的瞬态冲击干扰的阻尼比识别的相关研究。在其他领域，针对机械冲击，有些学者提出对瞬态冲击干扰的分离算法(s.hao,s.jegelka,and a.gretton.fast kernel-based independent component analysis[j].ieee trans.on signal processing,2009,57(9):3498-3511；b.m.d.vos,i.j.taelman,and s.v.huffel.source separation from single-channel recordings by combining empirical-mode decomposition and independent component analysis[j].ieee trans.on biomedical engineering,2010,57(9):2188-2196)，有些学者提出瞬态冲击干扰阻尼比识别方法(w.-p.sun,y.-h.sun,y.-p.yu,and b.-s.wu.a comparison of the improved and classic half-power bandwidth methods in estimating damping for multi-dof systems[j]
.journal of vibration engineering&technologies,2018(6):219
–
225；b.-s.wu,w.-j.liu,and x.-y.wu.a damping estimation method based on power ratio[j].archive of applied mechanics,2018(88):1919
–
1927；a.bhattacharjee,and b.nanda.damping study of composites using wavelet analysis[j].journal of vibration and control,2018,24(21):5141-5151；赵晓丹,韩俊阳,孙黎明,等.基于贝塞尔不等式原理的密集模态阻尼识别[j].振动与冲击,2018,37(20):184-189)，虽然目前的阻尼识别方法很多，但是涡街流量计输出的瞬态冲击干扰具有包含密集模态的多模态特性，并混有白噪声干扰，直接应用上述方法不能得到理想的阻尼比识别精度。


技术实现要素：

[0005]
本发明要解决的是强瞬态冲击干扰下涡街传感器输出的流量信号和瞬态冲击干扰识别问题，提供一种基于目标函数最优估计的参数识别方法，分辨涡街传感器输出的流量信号和瞬态冲击干扰分量，以提高涡街流量计抗瞬态冲击干扰的能力。
[0006]
本发明的技术方案是：首先，通过瞬态冲击实验获取涡街传感器输出的瞬态冲击干扰实验数据；其次，对截取的数据进行fft，提取有效峰值个数，确定涡街传感器输出的混合信号的主要模态阶数，初步估计时延，对瞬态冲击干扰进行定位；再次，根据主要模态阶数基于单边衰减的复合laplace小波实数形式构造目标函数；然后，通过遗传算法结合bfgs拟牛顿法求解目标函数的最优估计以获得主要模态分量的阻尼比和频率；最后，基于阻尼比估计分辨流量信号和瞬态冲击干扰，确定涡街流量频率，提高涡街流量计在强瞬态冲击干扰下的测量精度。
[0007]
具体的技术解决方案如下：
[0008]
本发明对涡街传感器输出信号进行处理以分辨流量信号和瞬态冲击干扰。基于目标函数最优估计的涡街传感器输出瞬态冲击干扰的识别方法的主要技术流程为：瞬态冲击干扰实验、提取主要模态、构造目标函数、估计模态参数和确定流量频率，如图1所示，具体处理步骤如下：
[0009]
(1)瞬态冲击干扰实验
[0010]
涡街流量计管道系统上存在多种紧固件，当管道系统受到瞬态冲击时，瞬态冲击干扰符合多自由度有阻尼弹性系统的振动规律，采用单边衰减的复合laplace小波实数形式描述涡街传感器输出的瞬态冲击干扰n(t)，计算公式为
[0011][0012]
式中，mn为瞬态冲击干扰的模态阶数；ai、ζi、fi、分别为第i阶干扰模态的幅值、阻尼比、频率和相位；τ为时延。
[0013]
第i阶模态的有阻尼固有角频率ωi表示为ωi＝2πfi。
[0014]
第i阶模态的衰减系数ni表示为
[0015]
瞬态冲击实验时，涡街传感器输出的混合信号x(t)包含瞬态冲击干扰n(t)、流量信号和其他噪声干扰。其中，流量信号波形近似为正弦波，可看作阻尼比近似为0的单边衰
减的laplace小波实数形式。对x(t)进行放大、滤波、采样和截断，得到包含瞬态冲击干扰的离散实验数据x(n)。
[0016]
(2)提取主要模态
[0017]
对x(n)计算fft，根据涡街流量计的测量范围设置截止频率排除低频干扰，通过设置分段的动态截止幅值排除小能量干扰，提取剩余的频率分量个数，即主要模态阶数m。
[0018]
瞬态冲击干扰具有幅值先突变后振荡衰减的特性，计算x(n)的一阶差分，选择差分值突变点后第5个点作为时延τ的初步估计τg。
[0019]
(3)构造目标函数
[0020]
涡街传感器输出的混合信号具有包含密集模态的多模态特性，密集模态的频谱混叠现象较严重，阻尼比识别是目前研究的难点问题，通过同时估计主要模态分量的阻尼比ζi和频率fi来提高估计精度。构造两组结构相似的向量组成基向量系{c
2i-1
，c
2i
}，i＝1，2，
…
，m。其中
[0021][0022]
式中，对应于ωi变量，对应于变量fi，其取值范围由fi的值域ω
fi
决定，即对应于ni变量，对应于变量ζi，其取值范围由ζi的值域ω
ζi
决定，即和在其对应的值域内连续，识别主要模态阶数的同时，可获得主要频率分量的频率估计f
gi
，为fi的值域ω
fi
提供参考；τ0为τg/fs后取整，即信号离散化后时延对应的点数。
[0023]
采用施密特方法将基向量系正交化并归一化，得到一组标准正交系{uk}，k＝1，2，
…
，2m。
[0024]
将x(n)分别与标准正交系中的每一个向量做内积，然后求内积模的平方和，得到关于阻尼比变量和频率变量的目标函数
[0025][0026]
根据贝塞尔不等式可知，只有当i＝1，2，...，m都成立时，目标函数取最大值。因此，搜索出目标函数的最大值，就能得到各阶主要模态的阻尼比和频率的精确估计。
[0027]
(4)估计模态参数
[0028]
采用遗传算法结合bfgs拟牛顿法搜索目标函数的最大值，以遗传算法的搜索结果作为初值，bfgs拟牛顿法在局部区域搜索目标函数的最大值，进而达到识别各阶主要模态阻尼比ζi和频率fi的目的。
[0029]
基于遗传算法的初值搜索流程的主要步骤如下：
[0030]
步骤一：根据最新的估计值更新频率和阻尼比的值域，阻尼比量程范围比较宽，为
了保证搜索的准确性，采用分段随机的方式产生初始种群，并设置遗传算法参数；
[0031]
步骤二：将种群代入目标函数，计算个体对应的目标函数值，即个体适应度；
[0032]
步骤三：根据选择率保留适应度高的个体，即目标函数值大的个体，对保留的种群进行编码、交叉运算、变异运算和解码；
[0033]
步骤四：根据上述结果更新频率和阻尼比的值域，产生新种群，返回步骤二，直到达到遗传次数，或更新的值域趋于定值，即满足遗传搜索停止条件，输出本轮搜索获得的最优解，包括频率最优估计、阻尼比最优估计和目标函数较大值。
[0034]
步骤五：基于上述频率和阻尼比的最优估计更新值域，重复步骤一至步骤四，开始新一轮的遗传搜索，直至产生适应度最高的个体，满足迭代停止条件，停止遗传搜索，输出目标函数最优解对应的各阶主要模态频率f
gi*
和阻尼比ζ
gi*
。
[0035]
将遗传算法搜索的最优解作为初值，通过bfgs拟牛顿法得到目标函数在初步时延估计条件下的最优解即得到各阶主要模态的阻尼比估计和频率估计
[0036]
(5)确定流量频率
[0037]
涡街流量信号的阻尼比近似为零，瞬态冲击干扰分量的阻尼比相对偏大。对比主要模态分量的阻尼比估计，若存在近似为零的阻尼比，则其对应的频率即为涡街流量信号的频率；若不存在近似为零的阻尼比，则说明混合信号中不存在流量信号，都是干扰噪声，即涡街流量信号的频率为零。采用基于目标函数最优估计的涡街传感器输出瞬态冲击干扰的识别方法，即使存在强瞬态冲击干扰，且干扰分量能量大于涡街流量信号的能量，也能正确识别流量信号频率，提高涡街流量计测量的可靠性。
[0038]
本发明的优点是：采用基于目标函数最优估计的数字信号处理方法，将分辨流量信号和瞬态冲击干扰的目的转换成了寻找目标函数的最优解，即使同时存在多个能量大于流量信号的瞬态冲击干扰分量，仍能正确提取流量信号的频率；采用遗传算法结合bfgs拟牛顿法求解目标函数的最优估计，实现了对包含密集模态的多模态混合信号的参数估计，具有高精度和高可靠性的特点。
附图说明
[0039]
图1是本发明专利的主要技术流程框图。
[0040]
图2是本发明专利的具体技术方案流程框图。
[0041]
图3是瞬态冲击下涡街传感器输出的实验数据的时域波形图。
[0042]
图4是瞬态冲击下涡街传感器输出的实验数据的频域幅值谱。
[0043]
图5是瞬态冲击下涡街传感器输出的实验数据的一阶差分图。
[0044]
图6是基于遗传算法的初值搜索流程图。
[0045]
图7是瞬态冲击下涡街传感器输出的实验数据的主要模态分量参数估计。
具体实施方式
[0046]
下面结合附图对本发明作进一步的说明。
[0047]
本发明的设计思想是：基于瞬态冲击下涡街传感器输出的实验数据，先进行预处理和加窗截断，通过计算fft和设置幅值阈值提取主要模态阶数；再根据管道振动理论和涡街流量计管道系统结构构造目标函数，采用遗传算法结合bfgs拟牛顿法搜索目标函数的最
优解，进而获取主要模态的参数估计；然后，根据参数估计分辨涡街传感器输出的流量信号和瞬态冲击干扰分量，正确提取强瞬态冲击干扰下的流量频率，提高涡街流量计抗瞬态冲击干扰的能力。
[0048]
本发明的技术方案流程图如图2所示。首先，通过瞬态冲击实验获取涡街传感器输出的包含瞬态冲击干扰的实验数据x(t)；其次，对预处理和截取的数据进行fft，提取有效峰值个数，确定涡街传感器输出的混合信号的主要模态阶数m；初步估计时延τg，对瞬态冲击干扰进行定位；再次，根据主要模态阶数基于单边衰减的复合laplace小波实数形式构造目标函数然后，通过遗传算法结合bfgs拟牛顿法求解目标函数的最优估计以获得主要模态分量的阻尼比ζi和频率fi；最后，基于阻尼比估计分辨涡街传感器输出的流量信号和瞬态冲击干扰分量，确定涡街流量频率，提高涡街流量计在强瞬态冲击干扰下的测量精度。
[0049]
本发明以图3所示的一组数据来说明分辨流量信号和瞬态冲击干扰的具体方法。对于50mm口径的涡街流量计，给定的气体流量约53hz，采样频率fs为2500hz，采样点数n为2048点，在靠近涡街流量计的安装位置施加水平方向的强瞬态冲击，强瞬态冲击的给定时刻随机，涡街传感器输出的包含气体流量信号和瞬态冲击干扰的时域波形如图3所示，强瞬态冲击造成的最大干扰幅值已达到饱和状态。图3所示数据的未校正的频域幅值谱的部分波形如图4所示，气体流量信号对应的谱线点为(53.71hz，0.1194v)，其他均为干扰信号对应的幅值谱线，涡街传感器输出的混合信号呈现多模态特性，可能包含密集模态，干扰分量的能量甚至超过流量信号，能量占优的测量方法会将(594.5hz，0.1841v)当作流量点，造成测量误差。下面，具体介绍基于目标函数最优估计的涡街传感器输出瞬态冲击干扰的识别方法的处理流程：
[0050]
(1)获取实验数据
[0051]
涡街流量计管道系统上存在多种紧固件，当管道系统受到瞬态冲击时，瞬态冲击干扰符合多自由度有阻尼弹性系统的振动规律，采用单边衰减的复合laplace小波实数形式描述涡街传感器输出的主要瞬态冲击干扰n(t)，计算公式为
[0052][0053]
式中，mn为瞬态冲击干扰的模态阶数；ai、ζi、fi、分别为第i阶干扰模态的幅值、阻尼比、频率和相位；τ为时延。
[0054]
第i阶模态的有阻尼固有角频率ωi表示为ωi＝2πfi。
[0055]
第i阶模态的衰减系数ni表示为
[0056]
瞬态冲击实验时，涡街传感器输出的混合信号x(t)包含瞬态冲击干扰n(t)、流量信号和其他噪声干扰。其中，流量信号波形近似为正弦波，可看作阻尼比近似为0的单边衰减的laplace小波实数形式。对x(t)进行放大、滤波、采样和截断，得到包含瞬态冲击干扰的离散实验数据x(n)。
[0057]
(2)识别主要模态阶数
[0058]
对x(n)计算2048点的fft，根据50mm口径的涡街流量计的测量范围设置截止频率
排除低频干扰，通过设置分段的动态截止幅值排除小能量干扰，提取剩余的频率分量个数，即主要模态阶数m。当管道中无流量通过时，m＝mn；当管道中有流量通过时，m＝mn 1，图4中的主要模态阶数m＝5。
[0059]
(3)初步估计时延
[0060]
瞬态冲击干扰具有幅值先突变后振荡衰减的特性，计算x(n)的一阶差分，瞬态冲击发生时刻差分值将迅速增大。为了屏蔽毛刺干扰，并保证参数估计的准确性，选择差分值突变点后第5个点作为时延τ的初步估计τg。涡街传感器输出的混合信号的一阶差分图如图5所示，时延的初步估计τg＝104。
[0061]
(4)生成目标函数
[0062]
涡街传感器输出的混合信号具有包含密集模态的多模态特性，密集模态的频谱混叠现象较严重，阻尼比识别是目前研究的难点问题。本发明通过同时估计主要模态分量的阻尼比ζi和频率fi来提高估计精度。构造两组结构相似的向量组成基向量系{c
2i-1
，c
2i
}，i＝1，2，
…
，m。其中
[0063][0064]
式中，对应于ωi变量，对应于变量fi，其取值范围由fi的值域ω
fi
决定，即对应于ni变量，对应于变量ζi，其取值范围由ζi的值域ω
ζi
决定，即和在其对应的值域内连续，识别主要模态阶数的同时，可获得主要频率分量的频率估计f
gi
，为fi的值域ω
fi
提供参考；τ0为τg/fs后取整，即信号离散化后时延对应的点数。
[0065]
采用施密特方法将基向量系正交化
[0066][0067]
将正交向量系归一化，得到一组标准正交系{uk}，k＝1，2，
…
，2m。其中
[0068][0069]
将x(n)分别与标准正交系中的每一个向量做内积，然后求内积模的平方和，得到关于阻尼比变量和频率变量的目标函数
[0070][0071]
根据贝塞尔不等式可知
[0072]
[0073]
即由离散信号构成的空间向量在标准正交系的各个基向量上投影的平方和小于或等于其自身长度的平方。只有当i＝1，2，...，m都成立时，该空间向量与标准正交系线性相关，上式中等号成立，目标函数取最大值。因此，搜索出目标函数的最大值，就能得到各阶主要模态阻尼比和频率的精确估计。
[0074]
(5)识别模态参数
[0075]
本发明采用遗传算法结合bfgs拟牛顿法搜索目标函数的最大值，以遗传算法的搜索结果作为初值，bfgs拟牛顿法在局部区域搜索目标函数的最大值，进而达到识别各阶主要模态阻尼比ζi和频率fi的目的。阻尼比的值域范围为[0，0.9]，各阶主要模态的频率值域ω
fi
∈[f
gi-δf，f
gi
δf]，其中，δf＝fs/n为频率分辨率。
[0076]
基于遗传算法的初值搜索流程如图6所示，其主要步骤如下：
[0077]
步骤一：根据最新的估计值更新频率和阻尼比的值域，阻尼比量程范围比较宽，为了保证搜索的准确性，采用分段随机的方式产生初始种群；设置遗传算法参数：种群规模为100，每轮遗传50代，选择率为0.5，个体基因数为34，交叉率为0.5，变异率为0.01；
[0078]
步骤二：将种群代入目标函数，计算个体对应的目标函数值，即个体适应度；
[0079]
步骤三：根据选择率保留适应度高的个体，即目标函数值大的个体，对保留的种群进行编码、交叉运算、变异运算和解码；
[0080]
步骤四：根据上述结果更新频率和阻尼比的值域，产生新种群，返回步骤二，直到达到遗传次数，或更新的值域趋于定值，即满足遗传搜索停止条件，输出本轮搜索获得的最优解，包括频率最优估计、阻尼比最优估计和目标函数较大值。
[0081]
步骤五：基于上述频率和阻尼比的最优估计更新值域，重复步骤一至步骤四，开始新一轮的遗传搜索，直至产生适应度最高的个体，满足迭代停止条件，停止遗传搜索，输出目标函数最优解对应的各阶主要模态频率f
gi*
和阻尼比ζ
gi*
。
[0082]
将遗传算法搜索的最优解作为初值，采用bfgs拟牛顿法搜索目标函数的局部最优解，主要步骤如下：
[0083]
步骤1：令循环次数m＝0，给定精度阈值ε＝1，根据遗传算法搜索的最优解设定初值z0[0084]
z0＝(ζ
g1*
；f
g1*
；ζ
g2*
；f
g2*
；
…
ζ
gm*
；f
gm*
)；
[0085]
步骤2：令矩阵初值d0＝e
2m
，其中，e
2m
为单位矩阵，计算目标函数的梯度向量gm[0086][0087]
步骤3：确定搜索方向dm＝-d
mgm
；
[0088]
步骤4：搜索得到最优步长λm[0089]
f(zm λ
mdm
)＝maxf(zm λdm)，λ∈r；
[0090]
步骤5：计算pm＝λ
mdm
，z
m 1
＝zm pm，
[0091]
步骤6：若||g
m 1
||＜ε或达到迭代次数，则算法结束，输出最优解否则转至步骤7；
[0092]
步骤7：令ym＝g
m 1-gm，更新矩阵d
m 1
[0093][0094]
步骤8：更新循环次数m＝m 1，转至步骤3。
[0095]
通过bfgs拟牛顿法得到目标函数在初步时延估计条件下的最优解即得到各阶主要模态的阻尼比估计和频率估计
[0096]
(6)确定涡街频率
[0097]
涡街流量信号的阻尼比近似为零，瞬态冲击干扰分量的阻尼比相对偏大。对比主要模态分量的阻尼比估计，若存在近似为零的阻尼比，则其对应的频率即为涡街流量信号的频率；若不存在近似为零的阻尼比，则说明混合信号中不存在流量信号，都是干扰噪声，即涡街流量信号的频率为零。图3所示实验数据的主要模态分量的阻尼比估计和频率估计如图7所示，频率估计保留两位小数，阻尼比估计保留六位小数，从图中可以看出，1、3、4、5点对应的模态分量的阻尼比均大于0.001，属于瞬态冲击干扰分量，2对应的模态分量的阻尼比近似为零，对应于涡街流量信号，因此，图3所示的实验数据中涡街流量信号的频率为53.66hz。在存在强瞬态冲击干扰，且干扰分量能量大于涡街流量信号能量的情况下，正确识别了流量信号频率。