Noise Source Identification Method for a Warp Machine Based on MEEMD_AIC

• Autorzy: Xu Yang , Zhang Ziyu , Li Angang , Sheng Xiaowei

Identyfikatory

DOI

10.5604/01.3001.0013.9019

Warianty tytułu

PL

Metoda identyfikacji źródła hałasu maszyny dziewiarskiej oparta na MEEMD_AIC

• Języki publikacji: EN

Abstrakty

EN

In order to recognise the noise source of a warp knitting machine, a method based on Modified Ensemble Empirical Mode Decomposition (MEEMD) and Akaike Information Criterion (AIC) is proposed. The MEEMD_AIC method is applied to measure the noise signal of a warp knitting machine and analyse every single effective component selected. Noise source identification is realised by combining the vibration signal characteristics of the main parts of the warp knitting machine. Firstly, MEEMD is used to decompose the measured noise signal of the warp knitting machine into a finite number of intrinsic mode function (IMF) components. Then, singular value decomposition (SVD) is performed on the covariance matrix of the component matrix to get the eigen value of the matrix. Next, the number of effective components is estimated based on the AIC criterion, and the effective components are selected by combining the energy characteristic index and the Pearson correlation coefficient method. The results show that the noise signal of the warp knitting machine is a mixture of multiple noise source signals. The main noise sources of the warp knitting machine, including the vibration of the pulling roller, the main shaft of the loop forming mechanism and the push rod of the guide bar traverse the mechanism, provide theoretical support for recognition of the active noise reduction of the warp knitting machine using the MEEMD_AIC method.

PL

W celu rozpoznania źródła szumu maszyny dziewiarskiej zaproponowano metodę rozpoznawania źródła hałasu opartą na zmodyfikowanym zespole dekompozycji trybu empirycznego (MEEMD) i Akaike Information Criterion (AIC). Metodę MEEMD_AIC zastosowano do pomiaru sygnału szumu maszyny dziewiarskiej i do analizy każdego elementu maszyny dziewiarskiej. Identyfikacja źródła hałasu odbywała się poprzez połączenie charakterystyki sygnału wibracji głównych części maszyny dziewiarskiej. Po pierwsze, MEEMD zastosowano do dekompozycji zmierzonego sygnału szumowego maszyny dziewiarskiej na skończoną liczbę elementów składowych funkcji trybu wewnętrznego (IMF). Następnie przeprowadzono rozkład wartości pojedynczej (SVD) na macierz kowariancji macierzy składowej uzyskując wartość własną macierzy. Następnie oszacowano liczbę składników efektywnych na podstawie kryterium AIC, a składniki efektywne wybrano poprzez połączenie wskaźnika charakterystyki energetycznej i metody współczynnika korelacji Pearsona. Wyniki pokazały, że sygnał szumu maszyny dziewiarskiej jest mieszaniną wielu sygnałów źródeł hałasu. Na główne źródło hałasu maszyny dziewiarskiej składają się wibracje wałka ciągnącego oraz hałas głównego wału mechanizmu formowania pętli i popychacza mechanizmu poprzecznego prowadnicy. Przeprowadzona za pomocą metody MEEMD_AIC identyfikacja zapewnia teoretyczne wsparcie dla aktywnej redukcji hałasu dziania.

Słowa kluczowe

EN

warp knitting machine; noise source identification; modified ensemble empirical mode decomposition; MEEMD; Akaike Information Criterion

PL

maszyna dziewiarska; źródło hałasu; zmodyfikowany zespół dekompozycji trybu empirycznego; kryterium informacyjne Akaike

• Wydawca: Sieć Badawcza Łukasiewicz - Łódzki Instytut Technologiczny
• Czasopismo: Fibres & Textiles in Eastern Europe
• Rocznik: 2020
• Tom: Vol. 28, no. 3 (141)
• Strony: 55--61
• Opis fizyczny: Bibliogr. 12 poz., rys., tab.

Twórcy

autor

Xu Yang

• Donghua University Shanghai, School of Mechanical Engineering, Shanghai, China

autor

Zhang Ziyu

• Donghua University Shanghai, School of Mechanical Engineering, Shanghai, China

autor

Li Angang

• Donghua University Shanghai, School of Mechanical Engineering, Shanghai, China

autor

Sheng Xiaowei

• Donghua University Shanghai, School of Mechanical Engineering, Shanghai, China

Bibliografia

• 1. 1910 OSHA Guide. Occupational Health and Environmental Control[S]. 2014. Occupational Health and Environmental Control, 1910, 95[S].
• 2. Ministry of Housing and Urban-Rural Development of the People’s Republic of China. GB/T 50087-2013, Code for Design of Noise Control of Industrial Enterprises[S].Beijing: China Building Industry Press, 2014. (in Chinese)
• 3. Wei Cheng, Zhengzheng Jia, Xuefeng Chen, Lin Gao. Convolutive Blind Source Separation in Frequency Domain with Kurtosis Maximization by Modified Conjugate Gradient[J]. Mechanical Systems and Signal Processing 2019,134.
• 4. Huang N E, Shen Z, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceeding of the Royal Society of London Series a-Mathematical Physical and Engineering Sciences 1998; 454A: 903-995.
• 5. Lian C, Zeng Z, Yao W, et al. Displaicement Prediction Model of Landslide Based on a Modified Ensemble Empirical Mode Decomposition and Extreme Learning Machine[J]. Natural Hazards 2013; 66(2): 759-771.
• 6. Wu Z, Huang NE. Ensemble Empirical Mode Decomposition: A Noise-Assisted Data Analysis Method[J]. Advances in Adaptive Data Analysis 2009; 1 (1): 1-41.
• 7. Guo T, Deng Z M. An Improved EMD Method Based on the Multi-Objective Optimization and Its Application to Fault Feature Extraction of Rolling Bearing[J]. Applied Acoustics 2017; 127: 46-62.
• 8. Yu K, Lin T R, Tan JW. A Bearing Fault Diagnosis Technique Based on Singular Values of EEMD Spatial Condition Matrix and Gath-Geva Clustering[J]. Applied Acoustics 2017; 121: 33-45.
• 9. Wang WC, Chau KW, Qiu L, et al. Improving Forecasting Accuracy of Medium and Long-Term Runoff Using Artificial Neural Network Based on EEMD Decomposition[J]. Environmental Research 2015; 139: 46-54.
• 10. Wang C, Zhang HL, Fan WH, et al. A New Chaotic Time Series Hybrid Prediction Method of Wind Power Based on EEMDSE and Full-Parameters Continued Fraction[J]. Energy 2017; 138: 977-990.
• 11. Marcelo A C, Gastón S, María E T. Improved Complete Ensemble EMD: A Suitable Tool for Biomedical Signal Processing[J]. Biomedical Signal Processing and Control 2014; 14: 19-29.
• 12. Rui Chen, Fei Zhao, Changshui Yang, Yuan Li, Tiejun Huang. Robust Estimation for Image Noise Based on Eigenvalue Distributions of Large Sample Covariance Matrices[J]. Journal of Visual Communication and Image Representation 2019; 63.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).