[发明专利]一种地震模拟振动台工况的监测方法

摘要

本发明公开了一种地震模拟振动台工况的监测方法。首先通过传感器采集地震模拟振动台各类工况信号并保存至PC端做信号处理；其次利用高通滤波除去非工作频率段的低频干扰，完整地保留信号的有用成分，用于循环神经网络学习识别实际的地震模拟振动台的实际工况信号，以此来驱动EMD算法内部的筛分门系数ε以及IMF层数的确定，最终得到地震模拟振动台工况信号消噪和状态监测效果。本发明方法一方面利用高通滤波滤去低频干扰，使明显低于工作频率之下的干扰信号除去，从而减小频谱干扰；另一方面，利用循环神经网络对地震模拟振动台工况信号的主动学习识别真实工作信号，以此来驱动EMD内部的阈值从而对信号消噪获得最终的地震模拟振动台工况的监测信号。

主权项

1.一种地震模拟振动台工况的监测方法，其特征在于包括以下步骤：步骤1，获取地震模拟振动台的正常工况信号样本，理论工况信号表达式为：y(n)＝x(n)+s(n)式(1)中y(n)为理论工况信号，x(n)为理论工作信号，s(n)为随机噪声；步骤2，选取切比雪夫IIR型数字滤波器对正常工况状态样本进行高通滤波处理，将滤波器的H(s)采取双线性映射法至H(z)；步骤3，将滤波后的正常工况信号样本和理论工况信号以及理论工作信号输入循环神经网络进行训练主动消噪，选取以下统计特征：(1)、标准差：(2)、波形率：(3)、不规则度：(4)、功率谱均方根：其中，为第i次采集的时域信号x_i(n)的均值，s_i(k)为第i次采集的时域信号对应的频谱，N为数据点的个数，为时域信号x_i(n)均方根值，K为谱线的个数，u_i(k)为功率谱函数；步骤4，将训练样本特征参数空间S划分成三个子空间Pi(i＝1,2,3)，即，P1由振动信号时域特征参数构成,P2由量纲特征参数构成，P3由频域特征参数构成；针对各特征子空间Si，利用循环神经网络，构造对应的子神经网络分类器Ci(i＝1,2,3)；步骤5，设置工况信号样本为强噪声状态和无噪声状态，输入真实工作状态和理论工作信号，学习真实工作信号；步骤6，进行EMD处理；找到待处理信号所有极值点，通过样条函数拟合出信号极大值包络线e₊(t)和极小值包络线e_‑(t)，将其平均值作为原信号均值包络，即将原信号序列减去m₁(t)得到一个新信号：在实际情况中，上下包络的均值无法为零，通常当满足下面的式子时，就认为包络的均值IFM为零的条件：其中ε为筛分门，取值在0.2‑0.3之间，取步长为0.01，将循环神经网络的学习结果导入至EMD算法中，以驱动其选择最优筛分门ε值，IFM层值作为最终消噪结果，得到地震模拟振动台工况信号消噪和状态监测效果。