一种基于信号智能降噪算法的状态监测方法

1.本发明涉及信号处理和机器学习技术领域。更具体地，涉及一种基于信号智能降噪算法的状态监测方法。


背景技术：

2.状态监测被广泛应用于土木工程、机械工程、电气工程、车辆工程等各个领域中。这些行业的从业人员常常需要根据传感器采集的信号对基础设施或工业设备等进行状态监测，以便及时识别异常状态，避免事故的发生。
3.常用的状态监测方法首先对传感器采集的信号采用短时傅里叶变换(stft)、梅尔谱变换(mel spectrogram)、小波包分解(wpt)或fdwt等手段变换到时频域或小波域，然后进行特征提取，根据提取的信号特征训练分类模型，将训练完成的模型用于状态识别。这些状态监测方法采用传统算法对信号进行变换，由此提取的信号特征对意外的噪声或变化的工况敏感，从而导致状态识别的准确性降低。
4.为了解决上述问题，国内外一些学者采用卷积神经网络学习类似于傅里叶变换或小波变换的卷积核，实现在有监督机器学习的情况下将信号变换到时频域或小波域，并赋予信号降噪的效果。然而，这些方法由于采用有监督机器学习，不仅需要人为设置标签，还对计算机配置的要求较高。后来，基于无监督机器学习的信号变换算法逐渐被开发出来，消除了对这类学习任务的人为干涉，同时缓解了对计算机配置的高度需求。然而，当信号数量或信号长度增加时，无监督机器学习的模型训练时间也会变得难以接受。另外，如果训练集样本的数量较少，无监督学习陷入过拟合的风险也会大大增加。
5.结合传统信号变换算法与无监督机器学习算法可以对信号成分进行有针对性的降噪和分解，降低计算成本与模型过拟合风险，对于噪声干扰情况下的状态识别任务提供了新的思路。


技术实现要素：

6.本发明的目的在于提供一种基于信号智能降噪算法的状态监测方法，降低计算成本，提高状态识别的准确性。
7.为达到上述目的，本发明采用以下技术方案：
8.一种基于信号智能降噪算法的状态监测方法，包括以下步骤：
9.s1、将采集的不同状态下的信号样本划分为训练集和测试集；
10.s2、利用快速离散小波变换(fdwt)将训练集信号分解为多层小波系数；
11.s3、提取各层小波系数的最大值和平均值作为信号特征并评估它们对于状态识别的有效性；
12.s4、记录有效性高的信号特征对应的分解层编号；
13.s5、建立信号智能降噪模型并利用训练集信号进行模型训练，该模型对有效性高的信号特征对应的分解层采用fdwt分解信号，对其余分解层采用智能降噪算法分解信号；
14.s6、利用训练好的智能降噪模型将训练集和测试集信号分解为降噪后的多层小波系数并提取各层小波系数的最大值和平均值作为信号特征；
15.s7、根据训练集信号的特征训练分类模型，采用测试集信号的特征测试状态识别效果。
16.优选地，所述步骤s1中训练集和测试集样本数量的比例在2:1至5:1之间。
17.优选地，所述步骤s2中多层小波系数的分解层数根据信号采样点数n确定为log2n计算结果的向下取整值l。
18.优选地，所述步骤s3中评估信号特征对于状态识别的有效性采用fisher score指标，该指标表示为：
[0019][0020]
其中，qi是第i个信号特征的fisher score值，nj是第j个状态类别中的样本数量，μ
ij
和σ
ij
是第i个信号特征在第j个状态类别下的均值和标准差，μi是第i个信号特征在所有状态类别下的均值，j为状态类别总数。
[0021]
优选地，所述步骤s4中有效性高的信号特征表示其对应的fisher score值超过所有特征的fisher score值的平均值的特征。
[0022]
优选地，所述步骤s5中的智能降噪模型，模型的建立和训练包括以下子步骤：
[0023]
s5.1、搭建与fdwt算法分解流程一致的l层信号分解框架，即能够对输入信号连续进行l次高通和低通滤波获取小波系数的信号分解框架；该框架除第一次高通和低通滤波针对原始信号以外，剩余(l-1)次高通和低通滤波均针对前一次低通滤波后的信号；
[0024]
s5.2、在有效性高的信号特征对应的分解层采用与fdwt算法中的小波基函数功能一致的滤波系数向量作为信号分解的卷积运算因子；
[0025]
s5.3、在其余分解层的每一层都搭建神经网络模型，用于学习滤波系数向量并进行信号降噪；其中，神经网络模型的激活函数采用具有降噪功能的硬阈值激活函数，表示为：
[0026][0027]
其中，b1和b2表示可学习的激活函数偏置。
[0028]
s5.4、采用训练集信号对整个信号分解框架对应的智能降噪模型进行训练，模型训练的目标函数表示为：
[0029][0030]
其中，s表示原始信号，表示原始信号经本分解框架分解后再逐步逆运算得到的重构信号，c
l
表示原始信号经l层分解后得到的小波系数集。
[0031]
优选地，所述步骤s6中多层小波系数对应的分解层数与步骤s2中的分解层数保持一致。
[0032]
优选地，所述步骤s7中训练分类模型采用支持向量机进行训练。
[0033]
本发明的有益效果如下：
[0034]
本发明可对信号成分进行有针对性的降噪，提高状态识别的准确性；智能降噪模型架构简单，模型训练全过程无需人工干预，具有自适应性；
[0035]
本发明技术方案结合传统fdwt算法和机器学习算法，过拟合风险小，计算成本低，应用场景广阔。
[0036]
本发明技术方案具有自适应性，应用场景广阔，能够提高噪声干扰情况下状态识别的准确性。
附图说明
[0037]
图1示出本发明提供的一种基于信号智能降噪算法的状态监测方法的框架流程图
[0038]
图2示出本发明提供的一种信号智能降噪模型的框架图
具体实施方式
[0039]
为了使本发明的技术方案更加容易理解，下面将结合实施例，对本发明的具体实施方式进行更加清楚的描述。
[0040]
实施例
[0041]
如图1所示基于声音信号智能降噪算法的城市轨道交通板式轨道状态监测方法包括以下步骤：
[0042]
s1、将采集的板式轨道不同状态下的声音信号样本划分为训练集和测试集；
[0043]
s2、利用fdwt将训练集信号分解为多层小波系数；
[0044]
s3、提取各层小波系数的最大值和平均值作为信号特征并评估它们对于状态识别的有效性；
[0045]
s4、记录有效性高的信号特征对应的分解层编号；
[0046]
s5、建立信号智能降噪模型并利用训练集信号进行模型训练，该模型对有效性高的信号特征对应的分解层采用fdwt分解信号，对其余分解层采用智能降噪算法分解信号；
[0047]
s6、利用训练好的智能降噪模型将训练集和测试集信号分解为降噪后的多层小波系数并提取各层小波系数的最大值和平均值作为信号特征；
[0048]
s7、根据训练集信号的特征训练分类模型，采用测试集信号的特征测试板式轨道的状态识别效果。
[0049]
具体的，所述步骤s1中采集声音信号样本利用设置在三种不同状态下(即正常状态、中度损伤状态、严重损伤状态)的板式轨道旁边的声学传感器采集列车经过时产生的声音信号，每段信号的采样点数为512415。每种板式轨道状态下采集到144个声音信号样本(一共432个样本)，将其按2:1的比例划分到训练集和测试集中，最终训练集和测试集分别包含288和144个信号样本；
[0050]
具体的，所述步骤s2中因每段信号的采样点数为512415，根据log2512415计算结果的向下取整值18确定信号分解层数为18层，利用fdwt将训练集的声音信号分解为18层小波系数；
[0051]
具体的，所述步骤s3中评估信号特征对于状态识别的有效性采用fisher score指标，该指标表示为：
[0052][0053]
其中，qi是第i个信号特征的fisher score值，nj是第j个状态类别中的样本数量，
spectrogram、wpt或fdwt变换到时频域或小波域，然后进行特征提取和状态识别)进行本实施例中的城市轨道交通板式轨道状态监测，它们的状态识别准确性见表3所示。可以看出，本发明提供的基于信号智能降噪算法的状态监测方法的状态识别准确性相比现有常见方法有明显的提升。
[0072]
表3本发明提供的状态监测方法与现有常见状态监测方法的状态识别准确性对比
[0073][0074][0075]
本发明的上述实施例仅仅是本发明的优选实施方式，而并非对本发明实施方式的限定。对于本技术领域的普通技术人员来说，在不脱离本发明的精神和范围内，还可以做出若干变化或变动。这里无法对所有的实施方式予以列举，凡是在本发明的技术方案的基础上做出的显而易见的变化或变动仍处于本发明的保护范围之列。