基于小波分析的汽车衡动态测量数据处理方法

　　0引言

　　对动态汽车衡的干扰主要分为高频干扰和低频周期性干扰。高频干扰主要是50Hz工频及其倍频的干扰;低频周期性干扰主要是由于汽车自振频率和称重台自振频率的影响,产生的3~20Hz的幅度较大的干扰。我们采用小波分析的方法,进行小波分解和重构来消除称重信号中的干扰。

　　1　分析方法

　　对汽车动态称重信号进行离散傅里叶变换,可以得到信号的功率谱密度如图1所示[1]。从图中可看到,频谱中都混杂着50Hz及其倍频的干扰,必须滤除工频干扰和在大约3~20Hz之间存在的幅度较大的低频周期性干扰。

　　小波分析方法是一种窗口固定但其形状可变,时间窗和频率窗都可改变的时域局部化分析方法。即在低频部分有较高的频率分辨力和较低的时间分辨力,在高频部分有较高的时间分辨力和较低的频率分辨力,所以被誉为数学显微镜。小波变换在频域和时域都有较好的局部化能力。利用它进行各个频率段的分解非常方便[2]。而且有像matlab这样的软件可方便的实现小波分解和重构,因此,用小波分解和重构能够消除称重信号中的高频干扰。

　　利用小波分解和重构的目的是进行频段划分,然后在不同频段针对性处理后重构信号。针对本系统的目的以及段历程数据的特点,我们要求小波满足以下条件:

　　1)对称性:信号处理使滤波器具有线性相位;

　　2)正则性:对重构获得的平滑信号很有用,一般而言,正则性越好,滤波器越长。

　　综合考虑,我们使用coif3小波。Coif3小波具有正交性、近似对称性、滤波器长18,支撑长度17。使用采样频率是800Hz的AD转换器,对小波进行5级分解,并重构第5层的低频信号。如图2所示。各部分的频率为D1:400~800Hz,D2:200~400Hz,D3:100~200Hz, D4:50~100Hz, D5:25~50Hz,A5:0~25Hz。

　　2　计算机数据处理方案论证

　　1)平均算法

　　平均算法简单易行,在较长数据下能够给出比较精确的结果。要得到较长的数据需要汽车通过称重台的速度较慢,以获得较长的测量时间。由于汽车自震频率在3~20Hz范围(称重台自震频率还要高些)内,如果速度较快,整个测量时间可能不足一个周期,这意味着平均法失效,因此此方案有测量速度的限制。

　　2)优化算法[3]

　　该算法通过经验公式进行数据拟合,依据称重系统的动力学原理和车辆动载实验数据,总结出称重信号的经验公式,从而用一定的算法进行数据拟合,得到静载量。该算法的优点在于它能在短时间历程下解决周期性干扰的问题,是一种可行的方案。

　　3)EMD技术[4]

　　EMD分解方法将信号分解,得到各阶固有模式函数IMF和一个残余量,该残余量即反映了稳态值(静态值),该算法无汽车速度的严格限制,但较为复杂。