Page 87 - 《应用声学》2023年第4期
P. 87

第 42 卷 第 4 期              桑汉德等: 超声辅助加工系统的刀具状态自感知算法                                          749


                 (1) 对原始振动信号 x(t)进行EMD 分解,得到                   低的RMSE,说明算法去噪效果好。
             n个IMF分量;
                                                               2.1  仿真实验设置
                 (2) 根据式(3)和式(6)计算各个IMF分量与原
                                                                   设计了一个由典型信号 (正弦波、方波、三角
             信号的时域和频域互相关系数;
                                                               波和高频间歇冲击波) 组成的多频混合信号来评估
                 (3) 根据式(8)计算时频域互相关系数;
                                                               TF-EMD算法的去噪性能。仿真信号的表达式为
                 (4) 根据式 (9) 归一化时频域互相关系数作为
                                                                
             权重系数,根据式(2)重构信号。                                   
                                                                 s 1 (t) = 3 sin (10πt) ,
                                                                
                                                                
                                                                
                                                                
                                                                 s 2 (t) = 0.8sgn (sin (20πt)) ,
                                                                
             2 数值仿真                                                      
                                                                
                                                                
                                                                
                                                                         
                                                                           2t − ⌊2t⌋,     ⌊2t⌋为奇数,
                                                                
                                                                 s 3 (t) =
                                                                
                 为了验证提出的 TF-EMD 重构算法的去噪性                                   −2t + ⌊2t⌋ + 1, ⌊2t⌋为偶数,
                                                                
                                                                
                                                                
                                                                
             能,选择文献 [19] 提出的 WT-EMD 算法、文献 [20]                    s 4 (t) = 1.5 sin (200πt) ,
                                                                
                                                                
             提出的EMD-STRP算法,以及文献[21]提出的AR-                                                               (12)
                                                                          
                                                                          sin (480πt) ,  t ∈ [0.4, 0.6],
                                                                
             EMD 算法进行比较,通过数值仿真以及超声辅助                                     
                                                                          
                                                                
                                                                
                                                                
                                                                 s 5 (t) =
                                                                
             加工实验对比4种算法提取信号的能力。                                            0.8 sin (480πt) , t ∈ [1, 1.2],
                                                                
                                                                         
                                                                          
                                                                         
                 应用SNR和RMSE作为评价指标,定量的表示                                    0.6 sin (480πt) , t ∈ [1.5, 1.7],
                                                                
                                                                
                                                                
                                                                
             算法去噪的能力,其SNR和RMSE分别定义为                    [20]     
                                                                 s (t) = s 1 (t) + s 2 (t) + s 3 (t) + s 4 (t)
                                                                
                                                                
                                                                
                                                              
                                 ∑ N     2                             + s 5 (t) + v (t) ,
                                                                
                                        x (t)
                                   t=1               (10)
                SNR = 10 lg  ∑ N                ,
                                               2               其中,t 是时间序列,s 1 (t) 是目标信号,其频率 f 1 =
                                    [x (t) − y (t)]
                                 t=1
                                                               5 Hz,s 2 (t) ∼ s 5 (t) 是噪声干扰信号,v(t) 是SNR为
                          √
                             1  ∑ N              2             10 dB 的高斯白噪声。采样频率 F s = 500 Hz,采样
                 RMSE =              (x (t) − y (t)) ,  (11)
                            N     t=1                          点数 N = 1000,原始信号 s(t) 的 SNR 为 3.52 dB。
             其中,x (t) 为原始信号,y (t) 为重构后的信号,N 为                  s 1 (t) ∼ s 5 (t) 的波形如图 2 所示,图 3 展示了原始信
             采样点数。若重构后的信号具有较高的 SNR 和较                          号s(t)的时域和频域图。
                              ࣨϙ/V  -2
                                2
                                0
                                 0    0.2   0.4   0.6   0.8  1.0   1.2   1.4   1.6   1.8   2.0
                                                             ௑ᫎ/s
                                                            (a) s  (t)
                              ࣨϙ/V  0
                                1
                               -1
                                 0    0.2   0.4   0.6   0.8  1.0   1.2   1.4   1.6   1.8   2.0
                                                             ௑ᫎ/s
                                                            (b) s  (t)
                              ࣨϙ/V  0
                                1
                               -1
                                 0    0.2   0.4   0.6   0.8  1.0   1.2   1.4   1.6   1.8   2.0
                                                             ௑ᫎ/s
                                                            (c) s  (t)
                                1
                              ࣨϙ/V  -1
                                0
                                 0    0.2   0.4   0.6   0.8  1.0   1.2   1.4   1.6   1.8   2.0
                                                             ௑ᫎ/s
                                                            (d) s  (t)
                                1
                              ࣨϙ/V  0
                               -1
                                 0    0.2   0.4   0.6   0.8  1.0   1.2   1.4   1.6   1.8   2.0
                                                             ௑ᫎ/s
                                                            (e) s (t)
                                                     图 2  典型信号波形
                                                Fig. 2 Typical signal waveforms
   82   83   84   85   86   87   88   89   90   91   92