CN106596735B - 一种钢轨裂纹声发射信号去噪及特征提取方法 - Google Patents

一种钢轨裂纹声发射信号去噪及特征提取方法 Download PDF

Info

Publication number
CN106596735B
CN106596735B CN201611127793.9A CN201611127793A CN106596735B CN 106596735 B CN106596735 B CN 106596735B CN 201611127793 A CN201611127793 A CN 201611127793A CN 106596735 B CN106596735 B CN 106596735B
Authority
CN
China
Prior art keywords
signal
acoustic emission
independent
carried out
emission signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201611127793.9A
Other languages
English (en)
Other versions
CN106596735A (zh
Inventor
梁维海
侯运华
何获
秦大勇
王平
肖杰灵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Development Of Ltd By Share Ltd Of Sichuan Railway Southwest Jiaotong University
Original Assignee
Development Of Ltd By Share Ltd Of Sichuan Railway Southwest Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Development Of Ltd By Share Ltd Of Sichuan Railway Southwest Jiaotong University filed Critical Development Of Ltd By Share Ltd Of Sichuan Railway Southwest Jiaotong University
Priority to CN201611127793.9A priority Critical patent/CN106596735B/zh
Publication of CN106596735A publication Critical patent/CN106596735A/zh
Application granted granted Critical
Publication of CN106596735B publication Critical patent/CN106596735B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/023—Solids
    • G01N2291/0234—Metals, e.g. steel
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/0289—Internal structure, e.g. defects, grain size, texture
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/26—Scanned objects
    • G01N2291/262—Linear objects
    • G01N2291/2623—Rails; Railroads

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开一种钢轨裂纹声发射信号去噪及特征提取方法，包括步骤：由监测分机将采集到的数据进行预处理；对采集信号进行独立源数目估计；对采集信号进行升维得到感知信号，直到总感知信号满足独立源数目；对感知信号进行独立成分分析处理，得到独立源信号；对独立源信号通过自适应匹配方法进行幅度恢复；对恢复后的独立源信号通过奇异值分解方法进行分类，并判断每个独立源信号是否具有声发射信号；若为有声发射信号，求解声发射信号的数字特征，并根据数字特征进行不同的响应，并通过监控主机发送至监控中心。本发明利用独立成分分析实现声发射信号和噪音信号的分离；对钢轨裂纹的监测更加全面且更加精确可靠。

Description

一种钢轨裂纹声发射信号去噪及特征提取方法
技术领域
本发明属于钢轨信号采集技术领域，特别是涉及一种钢轨裂纹声发射信号去噪及特征提取方法。
背景技术
现有的应用钢轨裂纹声发射信号的采集方法主要有工作模态法和主动导波法，但这两种方法都存在各自的缺点。其中，工作模态法：对局部伤损不敏感，无法精确且全面的监测到钢轨裂纹的声发射信号；而主动导波法：存在很大的盲区，监测不全面。
在信号处理方面目前对于钢轨裂纹声发射信号的处理方法主要有滤波器或者滤波器组和小波分析等方法。
滤波器或者滤波器组方面本质上是二阶统计量方法，计算精度低，对信号的噪音处理质量差。
小波分析是一种优秀的确知非平稳信号分析的数学工具，并已成功应用于很多领域。但是，在我们这个系统中，在分析确知非平稳信号之前，我们需要的是对信号的有效过滤，而背景噪音在频域和钢轨声发射信号的频域完全重叠，而这个工作是小波分析不能胜任的。
发明内容
为了解决上述问题，本发明提出了一种钢轨裂纹声发射信号去噪及特征提取方法。
利用独立成分分析实现声发射信号和噪音信号的分离，通过数字特征矩阵的奇异值分解实现声发射信号和其他信号的聚类，通过最优化技术求解声发射信号的幅度，通过联合数字特征实现自动响应。
为达到上述目的，本发明采用的技术方案是：
一种钢轨裂纹声发射信号去噪及特征提取方法，包括步骤：
S100：由监测分机将采集到的数据进行预处理得到采集信号；
S200：对采集信号进行独立源数目估计；
S300：对采集信号进行升维得到感知信号，直到总感知信号满足所估计的独立源数目；
S400：对感知信号进行独立成分分析，得到独立源信号；
S500：对独立源信号通过自适应匹配方法进行幅度恢复；
S600：对恢复后的独立源信号通过奇异值分解方法进行分类，并判断每个独立源信号是否具有声发射信号；
S700：如果为有声发射信号，求解声发射信号的数字特征，并根据数字特征进行响应，并通过监控主机发送至监控中心。
进一步的是，步骤S100中的预处理方法采用信号中心化处理方法；采用压电能量法采集钢轨声发射信号。
进一步的是，步骤S200中的独立源数目估计方法采用FFT方法。
进一步的是，步骤S300中升维方法采用Gabor变换。
进一步的足，步骤S300具体包括步骤：
S301：对采集信号进行Gabor变换，得到幅度系数和相位系数；
S302：对所述相位系数进行重构；
S303：对所述幅度系数和重构后的相位系数进行Gabor逆变换，得到新的感知信号；
S304：重复步骤S301至S303，得到不同的感知信号，直到总感知信号满足所述独立源数目终止。
进一步的是，步骤S500中所述自适应匹配方法包括步骤：
S501：以独立源信号为叠加源信号源，采集信号为叠加目的信号，建立误差的代价函数；
S502：求解代价函数的导数；
S503：设置初值和迭代终止条件，开始迭代；
S504：满足迭代终止条件则终止迭代，不满足则继续迭代；
S505：输出各个独立源信号的幅度。
进一步的是，步骤S600中的奇异值分解方法进包括步骤：
S601：求解各独立源信号的各数字特征，形成一个数字特征矩阵；
S602：然后对所述数字特征矩阵进行奇异值分解，并根据分解后特征进行分类。
进一步的是，所述数字特征包括幅度、时间和时空分布。
另一方面，本发明还提供了一种钢轨裂纹声发射信号去噪及特征提取方法的应用系统，包括：
监测分机：部署于被监测道岔轨旁，采集处理数据，并向监测主机发送处理结果；
监测主机：管理监测分机传输的数据，向监测中心及与其连接的客户端发布信息；
监测中心：管理监测主机传输的数据，并向各级客户端发布信息；
监测终端：系统的末端服务平台；
进一步的是，所述监测分机包括依次连接的数据采集模块、数据处理模块、工业交换机和光电转换器，以及辅助功能的雷电防护模块和电源模块。
采用本技术方案的有益效果：
利用独立成分分析实现声发射信号和噪音信号的分离。通过数字特征矩阵的奇异值分解实现声发射信号利具他信号的聚类，通过最优化技术求解声发射信号的幅度，通过联合数字特征实现自动响应；对钢轨裂纹的监测更加全面且探测过程更加敏感。
本系统通过独立成分分析后的信号模型是一种基于高阶统计量或者信息论方法，其用到的更多高阶统计量信息，使获取的声发射信号更加精确可靠。
在我们这个系统中，在分析确知非平稳信号之前，我们需要的是对信号的有效过滤，而背景噪音在频域和钢轨声发射信号的频域完全重叠，我们这里利用独立成分分析方法核心目的就是去噪，能够较好的去除声发射信号中的噪声干扰，提高了声发射信号的精确度，使提取的特征更加真实可靠。
附图说明
图1为本发明的一种钢轨裂纹声发射信号去噪及特征提取方法的流程示意图；
图2为本发明实施例中步骤S300的流程示意图；
图3为本发明实施例中步骤S500的流程示意图；
图4为本发明中一种钢轨裂纹声发射信号去噪及特征提取方法的应用系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。
在实施例一中，参见图1所示，本发明提出了一种钢轨裂纹声发射信号去噪及特征提取方法，
一种钢轨裂纹声发射信号去噪及特征提取方法，包括步骤：
S100：由监测分机将采集到的数据进行预处理得到采集信号。
其中，步骤S100中的预处理方法采用信号中心化处理方法；
其过程包括以下几个步骤：
(1)求信号的均值，然后信号序列减去其均值；
(2)求信号的标准差，然后信号序列除以标准差；
(3)处理后的信号序列构成采集信号。
信号的中心化处理从物理上解释就是把信号序列“标准化”为一个半径为1的球面体。
由于本系统采用了独立成分分析，而独立成分分析不能解决信号幅度问题，通过中心化处理可以简单化整个流程，中心化的目的本质上就是让中心化后的伪感知信号均值为0、方差为1、且相互不相干。
S200：对采集信号进行独立源数目估计。
其中，步骤S200中的独立源数目估计方法采用FFT方法；其主要由以下步骤构成：
(1)对原始信号进行Gabor变换，并分别得到其幅度系数和相位系数；
(2)对相位系数进行重构并进行Gabor逆变换，得到一个伪信号；
(3)重复(2)步过程，得到足够多的伪感知信号，足够多的解释为我们的伪感知信号大于假定的独立信号个数N；
(4)对一系列的感知信号及伪感知信号信号求解FFT；
(5)对FFT结果进行PCA分析，PCA的个数即为信源个数。
ICA(独立成分分析)算法中，感知信号个数如果小于独立成分个数的情况统称为欠正定问题，欠正定问题的解决第一步都是从估计信源个数开始的，FFT方法是其中的一种，与之平行的方法有STFD方法、PAPRFAC方法、Gobor方法和SVD方法等，我们团队通过实验和海量级数据的验证，发现FFT方法比较适合我们这种情况。
S300：对采集信号进行升维得到感知信号，直到总感知信号满足所估计的独立源数目。
其中，如图2所示，步骤S300中升维方法采用Gabor变换。
步骤S300具体包括步骤：
S301：对采集信号进行Gabor变换，得到幅度系数和相位系数；
S302：对所述相位系数进行重构；
S303：对所述幅度系数和重构后的相位系数进行Gabor逆变换，得到新的感知信号；
S304：重复步骤S301至S303，得到不同的感知信号，直到总感知信号满足所述独立源数目终止。
S400：对感知信号进行独立成分分析，得到独立源信号；处理过程由以下几个步骤构成：
(1)对感知信号进行数据标准化，即中心化；
(2)设置分离矩阵的起点值，可随机数生成；
(3)对标准化后的感知信号进行分离；
(4)计算分离后信号的高斯性度量值，并更新分离矩阵；
(5)如果高斯性度量值达到指定阈值，则停止迭代，如果没有，返回到第(3)步继续迭代；
(6)分离后信号和分离矩阵作为独立源信号输出。
此问题变成了已知感知信号，已知独立信号源，而求混合矩阵和独立信号的问题，这是一个典型的独立成分分析问题(ICA)。
S500：对独立源信号通过自适应匹配方法进行幅度恢复。
其中，如图3所示，步骤S500中所述自适应匹配方法包括步骤：
S501：以独立源信号为叠加源信号源，采集信号为叠加目的信号，建立误差的代价函数；
S502：求解代价函数的导数；
S503：设置初值和迭代终止条件，开始迭代；
S504：满足迭代终止条件则终止迭代，不满足则继续迭代；
S505：输出各个独立源信号的幅度。
S600：对恢复后的独立源信号通过奇异值分解方法进行分类，并判断每个独立源信号是否具有声发射信号；
其中，步骤S600中的奇异值分解方法进包括步骤：
S601：求解各独立源信号的各数字特征，形成一个数字特征矩阵；
S602：然后对所述数字特征矩阵进行奇异值分解，并根据分解后特征进行分类。
其中，所述数字特征包括幅度、时间和时空分布。
这里利用了声发射信号的先验知识：
1.声发射信号是一个类似的反指数信号的调制信号等信息，声发射信号的包络类似一个典型的反指数信号；
2.声发射信号的调制频率是固定的(传输介质固定、采集设备固定)。
S700：如果为有声发射信号，求解声发射信号的数字特征，并根据数字特征进行响应，并通过监控主机发送至监控中心。
为配合本发明方法的实现，基于相同的发明构思，如图4所示，本发明还提供了一种钢轨裂纹声发射信号去噪及特征提取方法的应用系统，包括：
监测分机：部署于被监测道岔轨旁，采集处理数据，并向监测主机发送处理结果；
监测主机：管理监测分机传输的数据，向监测中心及与其连接的客户端发布信息；
监测中心：管理监测主机传输的数据，并向各级客户端发布信息；
监测终端：系统的末端服务平台；
其中，所述监测分机包括依次连接的数据采集模块、数据处理模块、工业交换机和光电转换器，以及辅助功能的雷电防护模块和电源模块。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。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。

Claims (5)

1.一种钢轨裂纹声发射信号去噪及特征提取方法，其特征在于，包括步骤：
S100：由监测分机将采集到的数据进行预处理得到采集信号；
S200：采用FFT方法对采集信号进行独立源数目估计；
S300：对采集信号进行升维得到感知信号，直到总感知信号满足所估计的独立源数目；步骤S300具体包括步骤：
S301：对采集信号进行Gabor变换，得到幅度系数和相位系数；
S302：对所述相位系数进行重构；
S303：对所述幅度系数和重构后的相位系数进行Gabor逆变换，得到新的感知信号；
S304：重复步骤S301至S303，得到不同的感知信号，直到总感知信号满足所述独立源数目终止；
S400：对感知信号进行独立成分分析，得到独立源信号；
S500：对独立源信号通过自适应匹配方法进行幅度恢复；
所述自适应匹配方法包括步骤：
S501：以独立源信号为叠加源信号源，采集信号为叠加目的信号，建立误差的代价函数；
S502：求解代价函数的导数；
S503：设置初值和迭代终止条件，开始迭代；
S504：满足迭代终止条件则终止迭代，不满足则继续迭代；
S505：输出各个独立源信号的幅度；
S600：对恢复后的独立源信号通过奇异值分解方法进行分类，并判断每个独立源信号是否具有声发射信号；
S700：如果为有声发射信号，求解声发射信号的数字特征，并根据数字特征进行响应，并通过监控主机发送至监控中心；如果没有声发射信号则排除此独立源信号。
2.根据权利要求1所述的一种钢轨裂纹声发射信号去噪及特征提取方法，其特征在于，步骤S100中的预处理方法采用信号中心化处理方法；采用压电能量法采集钢轨声发射信号。
3.根据权利要求1所述的一种钢轨裂纹声发射信号去噪及特征提取方法，其特征在于，步骤S300中升维方法采用Gabor变换。
4.根据权利要求1所述的一种钢轨裂纹声发射信号去噪及特征提取方法，其特征在于，步骤S600中的奇异值分解方法进包括步骤：
S601：求解各独立源信号的各数字特征，形成一个数字特征矩阵；
S602：然后对所述数字特征矩阵进行奇异值分解，并根据分解后特征进行分类。
5.根据权利要求4所述的一种钢轨裂纹声发射信号去噪及特征提取方法，其特征在于，所述数字特征包括幅度、时间和时空分布。
CN201611127793.9A 2016-12-09 2016-12-09 一种钢轨裂纹声发射信号去噪及特征提取方法 Active CN106596735B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611127793.9A CN106596735B (zh) 2016-12-09 2016-12-09 一种钢轨裂纹声发射信号去噪及特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611127793.9A CN106596735B (zh) 2016-12-09 2016-12-09 一种钢轨裂纹声发射信号去噪及特征提取方法

Publications (2)

Publication Number Publication Date
CN106596735A CN106596735A (zh) 2017-04-26
CN106596735B true CN106596735B (zh) 2019-11-19

Family

ID=58598150

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611127793.9A Active CN106596735B (zh) 2016-12-09 2016-12-09 一种钢轨裂纹声发射信号去噪及特征提取方法

Country Status (1)

Country Link
CN (1) CN106596735B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053402B (zh) * 2018-01-04 2021-08-10 深圳信息职业技术学院 一种缺陷图像分割方法
CN110879254B (zh) * 2018-09-05 2021-09-17 哈尔滨工业大学 一种基于改进最小二乘生成式对抗网络的钢轨裂纹声发射信号检测方法
CN110596249A (zh) * 2019-09-27 2019-12-20 北京市燃气集团有限责任公司 燃气调压器的故障检测方法及装置
CN114441646A (zh) * 2021-11-17 2022-05-06 四川西南交大铁路发展股份有限公司 一种道岔轨件全生命周期伤损检测方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102043015B (zh) * 2011-01-20 2012-10-10 南昌航空大学 长距离探测钢轨轨底缺陷的超声导波装置及方法
CN102830176A (zh) * 2011-06-17 2012-12-19 中国特种设备检测研究院 基于非本征型光纤声发射的局部损伤监测系统及其方法
CN202305483U (zh) * 2011-10-28 2012-07-04 沈阳海泰仪表工业有限公司 超声导波铁轨实时在线无损探伤检测装置
CN105067707B (zh) * 2015-08-03 2019-05-10 北京航空航天大学 一种复合材料结构的损伤监测方法、装置和系统
CN205679569U (zh) * 2016-05-31 2016-11-09 中国神华能源股份有限公司 铁轨探伤监控系统
CN107037136B (zh) * 2017-06-01 2020-02-07 东北电力大学 一种管道换热污垢阵列式超声检测方法

Also Published As

Publication number Publication date
CN106596735A (zh) 2017-04-26

Similar Documents

Publication Publication Date Title
CN106596735B (zh) 一种钢轨裂纹声发射信号去噪及特征提取方法
Nenadic et al. Spike detection using the continuous wavelet transform
Zhang et al. Spatiotemporal sparse Bayesian learning with applications to compressed sensing of multichannel physiological signals
Gómez-Herrero et al. Automatic removal of ocular artifacts in the EEG without an EOG reference channel
Üstündağ et al. Denoising of weak ECG signals by using wavelet analysis and fuzzy thresholding
CN104176092B (zh) 一种道岔钢轨伤损监测方法及装置
WO2018136915A1 (en) System and methods of novelty detection using non-parametric machine learning
CN104490391B (zh) 一种基于脑电信号的战斗人员状态监测系统
US20190000390A1 (en) Signal processing for extracting a mother wavelet function
WO2019041772A1 (zh) 一种基于脑电信号的麻醉深度的监测方法及系统
Tse et al. Blind source separation and blind equalization algorithms for mechanical signal separation and identification
Pan et al. Cognitive acoustic analytics service for Internet of Things
CN117390528A (zh) 一种高压开关工作参数异常监测方法及系统
Bashar et al. Identification of arm movements using statistical features from EEG signals in wavelet packet domain
Zhang et al. An Efficient Porcine Acoustic Signal Denoising Technique Based on EEMD‐ICA‐WTD
Baranwal et al. Indian sign language gesture recognition using discrete wavelet packet transform
Martišius et al. Class-adaptive denoising for EEG data classification
CN104434143A (zh) 一种恐惧情感的实时识别方法
Zhu et al. Fault diagnosis of rolling bearing based on WT-VMD and random forest
Debbabi et al. Combining algebraic approach with extreme value theory for spike detection
Yadav et al. Image denoising using orthonormal wavelet transform with stein unbiased risk estimator
Ram et al. Application of Variational Mode Decomposition on Speech Enhancement.
Sharanya et al. Adaptive filtering of EEG and epilepsy detection using Recurrence Quantification Analysis
Azami et al. Three novel spike detection approaches for noisy neuronal data
US10951919B2 (en) Multivariable matrix spectral factorization

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Liang Weihai

Inventor after: Hou Yunhua

Inventor after: He Huo

Inventor after: Qin Dayong

Inventor after: Wang Ping

Inventor after: Xiao Jieling

Inventor before: Liang Weihai

Inventor before: Hou Yunhua

Inventor before: He Huo

Inventor before: Qin Dayong

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant