黃澤雄,李海艷,甘華權,劉 云

(廣東工業(yè)大學 機電工程學院,廣東 廣州 510006)

0 引 言

隨著工程車輛自動化的發(fā)展,裝載機、伸縮臂叉車以及液壓挖掘機等工程車輛/機械,以降低工作效率為代價的傳統(tǒng)靜態(tài)載重估計方式,已不能滿足現(xiàn)階段先進的工業(yè)現(xiàn)場要求。

目前,研究較多的動態(tài)載重估計方法是通過測量工程車輛動臂升降過程中液壓缸的壓力信號,結合工程車輛的結構參數(shù)和幾何參數(shù),利用相關的靜力學分析和動力學分析,以此來間接動態(tài)地估計出載重[1-5]。

由于工程車輛的作業(yè)環(huán)境惡劣,操作工況復雜,工程車輛的振動、動臂升降時的慣性沖擊,以及液壓信號本身的非線性關系,都會造成其液壓信號的大幅度振蕩;同時,工程車輛在作業(yè)過程中會源源不斷地產(chǎn)生數(shù)據(jù)信號。

因此,若能實時處理非線性的非平穩(wěn)液壓信號,準確地測量出載重時的液壓信號,就能夠為工程車輛后續(xù)的精確載重估計提供幫助。

采用EMD、小波閾值進行非平穩(wěn)信號重構和去噪,一直是信號處理領域的研究熱點。

王偉等人[6]提出了一種基于EMD的裝載機載重動態(tài)測量信號處理方法,即對裝載機在舉升過程中的動臂液壓缸實測液壓信號進行EMD分解,然后直接提取其低頻殘余量進行信號重構;但這種方法會丟失本征模態(tài)函數(shù)(intrinsic mode function,IMF)高頻分量中的有用信號。馬宏偉等人[7]提出了一種基于EMD的振動信號去噪方法,即通過計算各IMF與原始信號的相關性系數(shù),并將其按照從小到大進行排序,取相鄰2個相關性系數(shù)差值最大之前的敏感IMF分量進行信號重構。易文華等人[8]在融合EMD的自適應性和主成分分析(principal component analysis,PCA)的完全正交性特點的基礎上,提出了一種自適應性正交經(jīng)驗模態(tài)分解(principal empirical modedecomposition,PEMD)的信號去噪方法。

但是這兩種方法缺少嚴謹?shù)睦碚撟C明,即真實IMF與原始信號的正交程度高,則相關性較好;虛假IMF與原始信號的正交程度差,則相關性較差。

高春甫等人[9]提出了一種基于小波分解的信號冗余實時去噪算法,但該方法需要采集更多的數(shù)據(jù),然后再采用固定的數(shù)據(jù)窗對液壓信號進行實時去噪處理。鐘建軍等人[10]通過計算信噪比和均方根誤差(root mean square error,RMSE),并將其作為小波閾值去噪結果的客觀判據(jù),從而獲取了最佳的小波函數(shù)和閾值規(guī)則匹配組合,解決了不同小波基匹配不同閾值規(guī)則,可能會影響去噪效果的問題;但這種小波閾值去噪方法需要針對不同特點的含噪聲信號,而選取不同的小波基與閾值規(guī)則的組合,因而該方法缺乏自適應性。王強等人[11]提出了一種將小波分解與自適應濾波相結合的流體壓力信號去噪方法,但是采用該方法在小波分解后得到各頻帶下的信號,需要設定各自適應濾波器參數(shù),其參數(shù)的設置過于復雜。

1D TV算法[12]具有快速、非迭代和逐點掃描的特點,因此,筆者將其應用于工程車輛的載重估計模型中,進行非平穩(wěn)液壓信號的實時去噪。

筆者首先建立一個主要受液壓力影響的載重估計模型,并使用MATLAB內嵌的fmincon非線性規(guī)劃求解器,最小化載重估值與載重真值之間的均方根誤差,優(yōu)化求解出1D TV算法中的參數(shù);最后,對不同去噪算法進行對比。

1 一維全變分的基本原理

假設一維離散信號v=(v1,vk,…,vN)∈RN,N≥1,受到噪聲w的干擾,則被噪聲污染后的信號u為:

u=v+w

(1)

在RUDIN L I等人[13]提出的基于全變分的信號和圖像去噪模型基礎上,筆者把一維離散信號當作一個最小化問題進行隱式求解,即:

(2)

(3)

其中,式(2)中的τ是一個大于0的正則項參數(shù)。因為最小化J(v)是一個強凸函數(shù),所以當梯度J(v*)=0時,式(3)的解v*總是能夠存在且唯一。

在此基礎上,文獻[14]對1D TV算法做出了形象的數(shù)學推導,并給出了較為詳細的求解過程,即:

(4)

對式(4)等號右邊的第一項求梯度,可得:

(5)

(6)

(7)

其中:

(8)

結合式(5)和式(7),得每一個分量▽J(vk):

(9)

(10)

為統(tǒng)一式(10)的數(shù)學形式,考慮α0=αN=0,記θk=ταk(k=1,…,N-1),θ0=τα0,θN=ταN。

式(10)可重新寫作:

(11)

(12)

從式(11)和式(12)可以看出,參數(shù)τ直接關系到式(3)解v*的準確性,從而直接影響1D TV算法處理信號時的去噪效果。因此,有必要討論如何對參數(shù)τ進行優(yōu)化。

2 一維全變分中參數(shù)的優(yōu)化

不同參數(shù)τ對1D TV算法去噪效果的對比情況如圖1所示。

圖1 不同參數(shù)τ對1D TV算法去噪效果的對比

由文獻[15]可知,關于參數(shù)τ的選擇通常是在給定范圍內,根據(jù)損失函數(shù)的大小進行手動調整,進而選取出相對最優(yōu)參數(shù)值。

從圖1可以看出:對于不同的參數(shù)τ,1D TV算法會有不同的去噪平滑效果,而且參數(shù)τ越大,曲線越光滑,但當參數(shù)τ過大時,去噪效果反而會下降。

在實際的信號去噪應用中,當無法確定參數(shù)τ的大小時,非平穩(wěn)液壓信號也就很難通過1D TV算法去平滑逼近其真實的液壓信號曲線。

因此,使1D TV算法在液壓信號去噪平滑問題上更具有實用性的關鍵在于,如何得到最優(yōu)的參數(shù)τ。

2.1 載重估計模型

伸縮臂叉車臂架結構圖如圖2所示。

圖2 伸縮臂叉車臂架結構圖1—一節(jié)臂;2—二節(jié)臂;3—三節(jié)臂;4—四節(jié)臂;5—叉具;6—載重;7—伸縮缸缸筒;8—伸縮缸缸桿;9—變幅液壓缸;10—隨動液壓缸;l—伸縮臂長度;θ—臂架變幅角度

圖2中,臂架結構主要由4個節(jié)臂、伸縮液壓缸、叉具以及載重等組成(調平液壓缸質量很小,可忽略不計)。伸縮液壓缸對伸縮臂進行伸縮動作,變幅液壓缸為臂架提供推力進行變幅動作,隨動液壓缸則對臂架提供阻尼力。

由于液壓系統(tǒng)中分配閥的特殊結構,伸縮臂是先變幅(或伸縮),后伸縮(或變幅)。因此,臂架的工作過程為:

某段時間內伸縮臂在進行伸縮運動時,伸縮臂長度l改變,在另外某段時間內整個臂架繞基本支承點作變幅運動時,變幅角度θ改變,再考慮在升降載重過程中臂架變幅角加速度很小的運動特點。

故筆者取臂架為隔離體,以車架與一節(jié)臂的鉸點O為力矩平衡點,伸縮臂叉車的行駛方向為X軸正向,垂直于X軸的豎直向上方向為Z軸正向,建立坐標系XOZ,對臂架進行靜力學分析。

根據(jù)力矩平衡原理[16],同時假設臂架各構件材質是均勻分布,認為其重心在它們的幾何中心,然后結合各構件重心的位置坐標關系和各構件間的幾何尺寸關系,可以求得載重大小與變幅液壓缸壓力、隨動液壓缸壓力的關系式,即:

(13)

式中:G1,G2,G3,G4,Gb,Gr,Gf,Gh—一節(jié)臂、二節(jié)臂、三節(jié)臂、四節(jié)臂、伸縮缸缸筒、伸縮缸缸桿、叉具以及載重的重力;L1,L2,L3,L4,Lb,Lr,Lf,Lh—相對應構件重力的力臂;Fl,Fs—變幅液壓缸、隨動液壓缸對臂架的作用力;Ll,Ls—變幅液壓缸、隨動液壓缸對臂架作用力相對應的力臂。

變幅液壓缸對臂架的推力Fl為:

(14)

式中:Plw,Ply—變幅液壓缸無桿腔和有桿腔液壓力;Dlw,dly—變幅液壓缸無桿腔直徑和活塞桿直徑。

隨動液壓缸對臂架的阻尼力Fs為:

(15)

式中:Psw,Psy—隨動液壓缸無桿腔和有桿腔液壓力;Dsw,dsy—隨動液壓缸無桿腔直徑和活塞桿直徑。

2.2 參數(shù)的優(yōu)化

從式(13)可以看出,載重估值主要是受到變幅液壓缸壓力、隨動液壓缸壓力的影響,所以振蕩的液壓信號曲線通過去噪平滑后,可以減小載重估值與載重真值之間的均方根誤差,即最小化其均方根誤差,可以間接使經(jīng)過1D TV算法去噪平滑后的液壓信號曲線更接近于真實的液壓信號曲線。

MATLAB內嵌的fmincon非線性規(guī)劃求解器可以尋找約束非線性多變量函數(shù)的最小值。fmincon函數(shù)的內點算法[17-18]內存使用量少,能夠快速求解大型問題。

此處,筆者使用fmincon求解器的內點算法,把經(jīng)1D TV算法平滑去噪的變幅液壓缸壓力、隨動液壓缸壓力與載重的關系式作為黑箱函數(shù),載重估值與載重真值之間的均方根誤差作為目標函數(shù)值,對參數(shù)τ進行優(yōu)化求解。

參數(shù)τ的優(yōu)化流程如圖3所示。

圖3 參數(shù)τ的優(yōu)化流程

圖3中,參數(shù)τ的下界τmin設為0,上界設τmax為500,初始值則設為(τmin+τmax)/2。變幅液壓缸壓力、隨動液壓缸壓力先經(jīng)過1D TV算法去噪平滑后,再輸入到載重估計模型中,然后計算載重估值與載重真值之間的均方根誤差;當目標函數(shù)值RMSE最小時即可優(yōu)化求解出最優(yōu)參數(shù)τ,否則繼續(xù)迭代,直到找到最優(yōu)參數(shù)τ為止。

3 基于實測信號的性能試驗

3.1 評價指標

為準確反映EMD類去噪算法、小波閾值類去噪算法,以及經(jīng)過參數(shù)τ優(yōu)化后1D TV算法對液壓信號的去噪平滑效果,筆者在這里使用信噪比(signal to noise ratio,SNR)、互相關系數(shù)(cross correlation coefficient,Ccc)以及平方和誤差(error of square sum,SSE)分別作為第一、第二、第三評價指標[19,20]。

SNR定義為有用信號功率與噪聲功率之比,其公式為:

(16)

式中:uk—原信號;vk—理論信號;k—離散點數(shù)。

Ccc定義為原信號與理論信號的互相關系數(shù),可用它作為原信號與理論信號之間的密切相關性,其公式為:

(17)

式中:Cov(uk,vk)—uk和vk的協(xié)方差。

SSE定義為原信號與理論信號的能量差,代表波形的總體效應,其公式為:

(18)

由式(16～18)可以看出,SNR越大,Ccc越大,SSE越小,表明算法的去噪平滑效果越好。

3.2 數(shù)據(jù)的采集

伸縮臂叉車的尺寸和性能參數(shù)如表1所示。

表1 伸縮臂叉車的尺寸和性能參數(shù)

筆者在試驗中采集了當伸縮臂叉車裝載3.368 t載重時,隨動液壓缸壓力、變幅液壓缸壓力、伸縮臂長度以及臂架變幅角度隨多工況操作的實時數(shù)據(jù)。數(shù)據(jù)采集儀的采樣頻率為40 Hz,試驗數(shù)據(jù)一共采集200 s。

角度傳感器和位移傳感器的安裝如圖4所示。

圖4 角度傳感器和位移傳感器的安裝白虛線圈內—角度傳感器;白實線圈內—拉繩式位移傳感器

試驗時,筆者在4節(jié)臂安裝高性能角度傳感器VALUER SpaceVector,實時測量臂架在空間中的角度、角速度等信號;在1節(jié)臂安裝拉繩式位移傳感器,導線掛在4節(jié)臂上,實時測量伸縮臂的總長度。

隨動液壓缸和變幅液壓缸的壓力測量如圖5所示。

圖5 隨動液壓缸和變幅液壓缸的壓力測量白虛線圈內—變幅液壓缸無桿腔壓力測點;白實線圈內—變幅液壓缸有桿腔壓力測點

筆者在隨動液壓缸和變幅液壓缸的無桿腔、有桿腔安裝壓力傳感器,分別測量隨動液壓缸和變幅液壓缸的壓力。

數(shù)據(jù)采集儀如圖6所示。

圖6 數(shù)據(jù)采集儀

為了保證測量精度,試驗采用Danfoss公司型號為MBS3000的壓力傳感器,搭配HBM公司eDAQ系列的數(shù)據(jù)采集儀;將壓力傳感器連接到伸縮臂叉車臂架系統(tǒng)的液壓油路,再將壓力傳感器的輸出線接入數(shù)據(jù)采集儀;而數(shù)據(jù)采集儀同時連接控制器局域網(wǎng)絡(CAN)總線和筆記本電腦,由筆記本電腦實時輸出并保存壓力傳感器產(chǎn)生的壓力信號、CAN總線中的伸縮臂長度信號以及臂架變幅角度信號。

3.3 試驗結果與分析

參數(shù)τ的優(yōu)化結果如圖7所示。

圖7 參數(shù)τ的優(yōu)化結果

由圖7可得,當非線性規(guī)劃求解器迭代到第19次時，RMSE已經(jīng)達到最小,即找到了全局最優(yōu)解,表明這時載重估值與載重真值之間的誤差已經(jīng)達到最小;同時，間接表明去噪平滑后的壓力信號曲線最逼近原壓力信號曲線,吻合程度最好。

經(jīng)優(yōu)化后,得到的最優(yōu)參數(shù)τ為91.506。

變幅液壓缸的主要參數(shù)如表2所示。

表2 變幅液壓缸的主要參數(shù)

由于篇幅有限,這里僅展示伸縮臂叉車臂架系統(tǒng)中變幅液壓缸壓力信號的處理。

伸縮臂叉車實時信號如圖8所示。

圖8 伸縮臂叉車實時信號

從圖8(a～c)可以看出:伸縮臂叉車在進行伸縮和變幅的動作時,變幅液壓缸壓力會因受到慣性沖擊、車輛共振以及電磁干擾等因素影響而造成劇烈振蕩;

從圖8(d)可以看出:對于含有沖擊或突變的壓力信號,參數(shù)優(yōu)化后的1D TV算法的去噪平滑效果非常好,噪聲信號中的高頻部分已經(jīng)完全得到抑制,而且去噪平滑后的信號不失真,波形的總體效應好。

3.4 不同去噪算法的對比分析

EMD類和小波閾值類去噪算法的參數(shù)設置如表3所示。

表3 EMD類和小波閾值類去噪算法的參數(shù)設置

為驗證1D TV算法對于非平穩(wěn)壓力信號實時去噪平滑處理的優(yōu)勢,筆者使用EMD區(qū)間閾值(EMD interval thresholding,EMD-IT)和清除迭代EMD區(qū)間閾值(clear iterative EMD interval-thresholding,EMD-CIIT)[21]、小波-硬閾值和小波-軟閾值算法[22-23]對變幅液壓缸壓力信號進行處理,并就處理結果進行對比分析(算法中的參數(shù)設置詳見表3)。

不同去噪算法對變幅液壓缸壓力信號的處理如圖9所示。

圖9 不同去噪算法對變幅液壓缸壓力信號的處理

從圖9(b)可以看出:1DTV算法去噪平滑后的整體波形平滑度和相似度都與原始液壓信號非常吻合;

從圖9(c,d)可以看出:EMD-CIIT的去噪平滑效果比EMD-IT差,存在較多的高頻信號;而且兩者都出現(xiàn)了端點效應(圖中箭頭所示),這是EMD類去噪算法存在的一個弊端[24];

從圖9(e,f)可以看出:小波閾值類算法對于液壓信號的去噪效果也很好,也能夠有效地去除高頻信號。

以下實驗在MATLAB2019a環(huán)境下進行，計算機處理器為英特爾第三代酷睿i5-3320M 2.6 GHz,運行內存為海力士8 GB DDR3L 1 600 MHz。不同去噪算法的性能對比如表4所示。

表4 不同去噪算法的性能對比

為了排除隨機性的影響,表4中所有性能指標均為10次去噪平滑后的平均值

從表4中可以看出:

(1)1D TV算法對于液壓信號的去噪平滑效果最好,信噪比最高,為27.641 db;互相關系數(shù)最大,為0.991 4;在處理時長上的優(yōu)勢特別明顯,處理相同的數(shù)據(jù)時,其僅用時1.3 ms;

(2)EMD-IT和EMD-CIIT算法的去噪平滑效果最差,信噪比最低,互相關系數(shù)最小,而且處理時長遠大于1D TV算法,但EMD-IT的能力損失最低,為-0.006 5;

(3)小波-硬閾值算法與小波-軟閾值算法的去噪平滑效果相同,但小波-軟閾值算法處理時長比小波-硬閾值算法的更長,兩者都比EMD類去噪算法好,而比1D TV算法差。

文獻[25,26]中提到,EMD-IT和EMD-CIIT算法是從第2個IMF開始,利用IMF能量呈線性關系這一特點,而建立了一個去除白噪聲模型。再結合圖9(c,d)可知,該類算法對于含復雜噪聲的非平穩(wěn)壓力信號的去噪平滑效果并不是很好;而且EMD類去噪算法中，IMF的個數(shù)會受極值點、插值方式以及篩選終止條件的影響,在分解過程中需要進行迭代,所以其計算效率往往會表現(xiàn)得特別差;與1D TV算法相比,EMD-IT用時147.09 ms,EMD-CIIT用時1 552.5 ms。

小波閾值類算法在設置閾值時,需要給出小波分解后小波系數(shù)的長度和噪聲的方差,但在實際的復雜工況中,難以對噪聲進行計算[27]。

綜合算法的性能表現(xiàn)來看:EMD類算法去噪效果不佳,且處理時間長;小波閾值類算法則需要根據(jù)先驗設定合適的基函數(shù)和閾值,從而不能自適應處理非平穩(wěn)信號,這對于工程車輛數(shù)據(jù)的實時處理都是非常不利的;而1D TV算法具有計算效率高且去噪平滑效果好的特點,非常適合對工程車輛精確載重估計中的壓力數(shù)據(jù)進行實時處理,能夠很大幅度地減小其數(shù)據(jù)儲存成本。

4 結束語

為了解決工程車輛在載重過程中,因受到慣性沖擊、工作裝置共振以及電磁干擾，造成其液壓測量信號的振蕩問題,筆者將1D TV算法應用到非平穩(wěn)性液壓信號的去噪中,即先對信號進行平滑處理,再將其輸入到載重與變幅液壓缸壓力、隨動液壓缸壓力有關的載重估計模型中,然后使用MATLAB的fmincon非線性規(guī)劃求解器,通過最小化載重估值與載重真值之間的均方根誤差,優(yōu)化求解出適用于非平穩(wěn)液壓信號的1D TV算法中的參數(shù);最后進行了實車試驗,以及1D TV與EMD-IT、EMD-CIIT、小波-硬閾值、小波-軟閾值去噪算法的對比實驗。

研究結論如下:

(1)經(jīng)參數(shù)優(yōu)化后的1D TV算法能夠有效實時地處理因受慣性沖擊、車輛共振以及電磁干擾等因素影響而造成劇烈振蕩的非平穩(wěn)性液壓信號,而且去噪平滑效果很有效;

(2)從去噪平滑效果來看,1D TV算法相比于EMD-IT、EMD-CIIT、小波-硬閾值以及小波-軟閾值算法,信噪比分別提高了5.154 6 db、5.096 4 db、0.653 db、0.653 db;

(3)1D TV算法計算效率優(yōu)勢明顯,是EMD-IT算法計算效率的113倍,EMD-CIIT算法計算效率的1 194倍,小波-硬閾值算法計算效率的11倍,小波-軟閾值算法計算效率的15倍,體現(xiàn)了其具有快速、非迭代以及逐點掃描等優(yōu)勢特點;

(4)相比于EMD類和小波閾值類去噪算法,1D TV算法更適合于對工程車輛精確載重估計中非平穩(wěn)液壓信號進行實時處理。

但是1D TV算法中的參數(shù)是通過試驗和優(yōu)化來進行選取的,因此,在后續(xù)的工作中,筆者還需要對如何自適應地選擇參數(shù)做進一步的研究。