基于STFT时频域特征提取的CNN结构振动信号深度降噪方法与流程

基于stft时频域特征提取的cnn结构振动信号深度降噪方法
技术领域
1.本发明属于结构健康监中测振动信号降噪技术领域，尤其涉及基于stft时频域特征提取的cnn振动信号深度降噪方法。


背景技术：

2.在结构健康监测中，基于振动信号的数据驱动分析是获取结构关键性态的重要途径之一。由于环境以及系统误差的干扰，传感器采集得到的结构振动信号不可避免的会受到噪声的影响，给后续基于振动信号的相关分析应用(如损伤检测、模态识别等)带来了极大的阻碍。信号降噪作为数据驱动分析的基本前提，相关方法研究对于开展数据驱动分析、实现结构健康监测具有重要的工程意义。
3.传统基于数值滤波的信号降噪方法大多需要依赖于信号或噪声的先验知识以及降噪过程中参数的人为选取，即分析振动信号中噪声的时频信息来确定降噪物理模型的各项参数，对于结构健康监测领域中无法获取信号噪声分布的多元异构振动数据处理应用困难。
4.卷积神经网络凭借其强大的特征提取能力，在信号处理领域中已经取得了广泛的研究应用。然而由于结构振动信号的非平稳性和噪声分布的不确定性，给深度学习技术在结构振动信号降噪领域中的应用带来极大的困难和阻碍。一方面由于振动信号真值无法获取，难以实现训练数据标签设置；另一方面，对于一维振动信号的特征提取，往往存在破坏信号原始特征的可能，导致训练模型的鲁棒性和可靠性不高。因此，本发明提出一种基于stft时频域特征提取的cnn深度降噪网络实现结构振动信号的自动化智能去噪。


技术实现要素：

5.本发明的目的在于提出一种基于stft时频域特征提取的cnn结构振动信号深度降噪方法。该方法在去噪过程中无需依赖对象信号的先验知识或人为参数设定，可以实现对不同类型的振动信号(如加速度、应变、位移等)的自动化降噪，并且其去噪效果可以通过优化模型训练集得到提升，可用于振动信号分析研究领域中的信号预处理以及嵌入到工程实际中的结构健康系统中。
6.为实现本发明的目的，本发明通过以下技术方案实现：
7.一种基于stft时频域特征提取的cnn结构振动信号深度降噪方法，其特征在于，包括以下步骤：
8.s1、利用传感器采集结构振动响应信号，并根据采样频率划分为适当长度的时间序列{signal
original
}，得原始信号；
9.s2、将不同类型不同水平的噪声(白噪声和粉红噪声)嵌入到s1所述原始信号中，得到不同类型的混合信号{signal
synthetic
}，得一维时序信号；
10.s3、利用stft(短时傅里叶变换)将s2所述一维时序信号、s1所述原始信号分别转变为二维频谱图通过数据增维处理提取振动信号高阶特征；
11.s4、将所述混合信号的二维频谱图作为输入信号，所述原始信号的二维频谱图作为目标信号，从而对噪音设置相应标签，用于提供给s5；
12.s5、搭建cnn深度卷积网络，搭建思路为搭建出与的映射关系f，进而生成去噪后的频谱图实现对干净信号的预测；具体实现时，所述cnn深度卷积网络由多组卷积层和池化层重复组成，具体架构依次包括为输入层-卷积层-池化层-卷积层-池化层-全连接层-输出层，其中，所述卷积层为conv2d(二维卷积层)，所述池化层为maxpooling(最大池化)，训练时激活函数为relu，损失函数为mse(均方根误差)；
13.s6、得到训练后的cnn深度卷积网络模型，将实测含噪振动信号转化为频谱图之后作为输入进行网络测试\预测，输出去噪后的频谱图；利用stft逆变换将去噪频谱重构为一维时序信号，即得到降噪后的振动信号。
14.所述的基于stft时频域特征提取的cnn结构振动信号深度降噪方法，其特征在于，进一步的，s5、s6中对于网络训练和测试的结果，采用信噪比snr和均方根误差rmse进行评价，即
[0015][0016][0017]
式中n表示观测数据数目，ei表示测试数据值，pi表示网络预测值。
[0018]
所述的基于stft时频域特征提取的cnn结构振动信号深度降噪方法，其特征在于，在s2中，白噪声按下式嵌入：
[0019]
signal
synthetic
＝signal
original
+noise
×nl
ꢀꢀꢀ
(8)
[0020]
式中noise是均值为零、标准差与原信号相同的正态分布随机向量，n
l
为噪声水平。
[0021]
不同于白噪声在不同频带均匀分布，粉红噪声的功率谱密度psd与频率f成反比，定义如下：
[0022][0023]
所述的基于stft时频域特征提取的cnn结构振动信号深度降噪方法，其特征在于，在s3中，利用stft将一维时序信号转化二维频谱图，可以有效提取信号的高阶特征。同时，为减少频谱泄露对信号重建的影响，在stft过程中对原始信号加窗处理(乘以窗函数如hamming窗)之后做dft(离散傅里叶变换)。
[0024]
所述的基于stft时频域特征提取的cnn结构振动信号深度降噪方法，其特征在于，在s4中，考虑到结构振动信号噪声分布缺乏先验条件，干净信号的真值无法获取，无法直接对训练数据进行标定。通过在原始信号加入噪声的方式，将混合信号作为输入，原始信号作为输出，搭建含噪信号与原始信号之间映射关系，进而实现对网络输入输出的数据标签设
置。
[0025]
所述的基于stft时频域特征提取的cnn结构振动信号深度降噪方法，其特征在于，在s5中，采用自编码-解码器提取含噪频谱图与干净频谱图之间的映射关系，其目的在于搭建出与的映射关系f，进而生成去噪后的频谱图来预测干净信号。
[0026]
所述的基于stft时频域特征提取的cnn结构振动信号深度降噪方法，其特征在于，在s6中，映射关系f的迭代优化目标在于减小误差函数
[0027][0028]
所述的基于stft时频域特征提取的cnn结构振动信号深度降噪方法，其特征在于，在s3或s6中，将一维时序信号stft处理后转化为二维频谱图，实现了对于振动信号高阶特征的有效提取。同时，将数据信号转化为图像信号输入到cnn网络中进行训练测试，充分利用了cnn网络在提取图像特征方面的优越性能，进一步提高了去噪网络的有效性。
[0029]
本发明为涉及之处适用于现有技术。
[0030]
本发明原理及有益效果为：利用stft将一维时序信号增维至二维频谱图，实现对振动信号高阶特征的有效提取；采用噪声嵌入的方式，成功实现对干净信号真值无法获取的非平稳振动信号进行标签设置，为网络训练提供基础；利用卷积神经网络cnn对振动信号的进行去噪，摆脱了传统去噪方法对于信号先验知识的依赖以及参数的人为设定需求，实现了振动信号的自动化、智能化降噪。
[0031]
本发明在降噪过程中无需人为干预，可以用于结构健康监测领域中大体量多元异构数据的自动化降噪，在结构健康监测系统的开发嵌入中具有极大的工程应用前景。
附图说明
[0032]
图1为本发明方法的总体流程图；
[0033]
图2为实施例的stft示意图；
[0034]
图3为本发明实施例的训练测试集数据处理及标签设置；
[0035]
图4为本发明提出的cnn深度卷积网络示意图；
[0036]
图5为本发明实施例的信号模型测试流程图
具体实施方式
[0037]
以下结合附图对本发明的实施例做进一步详述。以某高层建筑在环境激励下结构的加速度响应信号为例对本发明的技术方案进行描述。
[0038]
本发明的设计思想为:通过stft将一维振动信号转化为二维频谱图提取其高阶特征；通过在原始振动信号上嵌入噪声的方式，实现对输入信号和目标信号的标签设置；搭建cnn深度卷积网络提取含噪频谱和干净频谱的映射关系，模型经训练优化后可实现对振动信号的自动化去噪。
[0039]
一种基于stft时频域特征提取的cnn结构振动信号深度降噪方法，如图1所示，包括以下步骤：
[0040]
s1、利用加速度传感器采集某高层建筑结构在环境作用激励下的加速度时程信
号，将原始信号划分成特定长度的一维时间序列{signal
original
}。
[0041]
s2、向原始信号中加入不同类型不同水平的噪声，本发明实施例中加入水平为20％、40％、60％及80％的白噪声和粉红噪声，得到不同类型的混合信号{signal
synthetic
}其中，白噪声按下式嵌入：
[0042]
signal
synthetic
＝signal
original
+noise
×nl
ꢀꢀꢀꢀꢀꢀꢀ
(11)
[0043]
式中noise是均值为零、标准差与原信号相同的正态分布随机向量，n
l
为噪声水平。
[0044]
不同于白噪声在不同频带均匀分布，粉红噪声的功率谱密度psd与频率f成反比，定义如下：
[0045][0046]
s3、利用stft(短时傅里叶变换)将一维时序信号转变为二维频谱图，通过数据增维处理提取振动信号高阶特征。此过程中为减少频谱泄露对信号重建的影响，对原始信号加窗hamming之后做dft(离散傅里叶变换)，hamming窗长为256，移帧64，如图2所示。
[0047]
s4、将混合信号的频谱图作为输入信号，原始信号的频谱图作为目标信号，设置相应标签，如图3。
[0048]
s5、搭建cnn深度卷积网络(如图4)，其中编码器由多组卷积、批量归一化、最大池化和relu激活层重复组成，解码器由卷积、批量归一化和上采样层重复组成。cnn网络参数如下表所示：
[0049]
表1.cnn深度卷积网络结构
[0050][0051]
总参数:32,933
[0052]
训练参数:32,933
[0053]
s6、降噪网络搭建的思路为搭建出与的映射关系f，进而生成去噪后的频谱图实现对干净信号的预测。映射关系f的迭代优化目标在与减小预测误差
[0054]
[0055]
s7、采用信噪比snr和均方根误差rmse评价网络训练和测试的结果，并据此进行网络优化，即
[0056][0057][0058]
式中n表示观测数据数目，ei表示测试数据值，pi表示网络预测值。
[0059]
s8、按上述方法得到优化网络模型，将实测含噪振动信号转化为频谱图之后作为输入进行网络测试，输出去噪后的频谱图。利用stft逆变换将去噪频谱重构为一维时序信号，即得到降噪后的振动信号。
[0060]
实施例选取某建筑结构在三次不同台风下采集的结构加速度响应时程，如表2。按上述技术方案作为输入进行模型测试，测试的流程如图5所示。保存相应信号的测试结果，即降噪后信号。
[0061]
表2.台风激励下建筑结构振动信号
[0062][0063][0064]
计算各工况下测试信号的snr和rmse，并求出其平均值进行结果去噪评价，如表3。测试结果参数分析表明，去噪后信号的信噪比得到有效提高，与预测信号与干净信号的均方根误差也明显降低。该实施例表明本发明提出的去噪方法的有效性。
[0065]
表3.振动信号去噪结果参数分析
[0066][0067]
以上实施例描述了本发明的基本原理、主要特征和技术路线，同时也显示本发明在实现振动信号降噪的有效性和优越性。需要强调的是，本发明所述的实施例是说明性而非限定性的，并非因此限值本发明的专利范围，凡是由本领域技术人员根据本发明的技术方案直接或间接变化本发明的，均同理包括在本发明的专利保护范围之内。本发明要求保护范围由所附的权利要求书及其等效物界定。