CN111461090B - 一种基于环境样本基云模型的声振信号处理方法及系统 - Google Patents

一种基于环境样本基云模型的声振信号处理方法及系统 Download PDF

Info

Publication number
CN111461090B
CN111461090B CN202010556146.XA CN202010556146A CN111461090B CN 111461090 B CN111461090 B CN 111461090B CN 202010556146 A CN202010556146 A CN 202010556146A CN 111461090 B CN111461090 B CN 111461090B
Authority
CN
China
Prior art keywords
signal
cloud
environment
target
energy
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
CN202010556146.XA
Other languages
English (en)
Other versions
CN111461090A (zh
Inventor
蔡绍滨
王宇昊
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.)
Suzhou Bintai Intelligent Technology Co ltd
Original Assignee
Hangzhou Yunzhisheng Intelligent Technology Co ltd
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 Hangzhou Yunzhisheng Intelligent Technology Co ltd filed Critical Hangzhou Yunzhisheng Intelligent Technology Co ltd
Priority to CN202010556146.XA priority Critical patent/CN111461090B/zh
Publication of CN111461090A publication Critical patent/CN111461090A/zh
Application granted granted Critical
Publication of CN111461090B publication Critical patent/CN111461090B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明给出了一种基于环境样本基云模型的声振信号处理方法及系统，包括采集环境中的声振信号作为环境原始信号，利用时频分析方法对环境原始信号进行预处理；通过能量聚类法区分预处理后的环境原始信号中的环境信号和突发噪音信号，构建环境样本云，通过多次提取计算交集，生成环境样本基云；采集含有目标信号的原始信号，通过能量聚类法生成云模型，再基于云模型状态匹配的方法进行对比分析，将目标信号、环境基和突发噪音进行信号分离，建立新的目标特征云；基于待测设备的多种状态建立相应的理想云，与目标特征云进行云模型状态匹配，确定目标信号的状态类型。能有效降低外部噪声，显著提高对目标信号的声振信号状态监测的准确性。

Description

一种基于环境样本基云模型的声振信号处理方法及系统
技术领域
本发明涉及声音信号处理的技术领域，具体涉及一种基于环境样本基云模型的声振信号处理方法及系统。
背景技术
声振信号处理是一种状态监测中常用的手段，在机电设备状态监测和地埋管道状态监测中都有广泛应用。传统的声振信号处理方法，往往以在理想环境下采集的目标信号为样本，通过比对和分析的方法来进行信号处理，存在准确性低、功能单一、操作复杂、降噪不理想的问题。在实际操作中往往不能有效提取出目标信号，在噪音环境下，尤其是强噪音环境下，容错率低，只能给出一个模糊的参考，不能成为信号监测的核心工具。
综上所述，传统模式下声振信号处理存在诸多问题，针对这些问题，本发明旨在提高设备状态监测的准确性和易用性。
发明内容
本发明提出了一种基于环境样本基云模型的声振信号处理方法及系统。
在一个方面，本发明提出了一种基于环境样本基云模型的声振信号处理方法，该方法包括以下步骤：
S1：采集环境中的声振信号作为环境原始信号，利用时频分析方法对环境原始信号进行预处理；
S2：通过能量聚类法区分每一段长度为T的预处理后的环境原始信号中的环境信号和突发噪音信号，提取环境信号的多个特征参数作为参考，构建环境样本云，多次进行环境样本云的提取，计算提取到的多个环境样本云的交集，生成环境样本基云；
S3：采集含有目标信号的原始信号，将含有目标信号的原始信号通过能量聚类法生成云模型，再基于云模型状态匹配的方法将生成的云模型和环境样本基云进行对比分析和信号拟合，将目标信号、环境基和突发噪音进行信号分离，使用目标信号的频率特征和能量特征建立新的目标特征云；
S4：基于待测设备的多种状态使用云生成器建立相应的理想云，将目标特征云和理想云进行云模型状态匹配，确定目标信号的状态类型。
在具体的实施例中，步骤S1中所述声振信号在当前环境下不同位置进行采集，具体包括：
通过单个多次的方法：使用单个节点进行多次不同位置的环境样本采集；
通过多个单次的方法：使用两个或以上节点进行单次不同位置环境样本采集；
通过多个多次的方法：使用两个或以上节点进行单次不同位置环境样本采集。利用多采样的方法采集声振信号，充分考虑环境信号和突发噪音信号对声振信号采集的影响，使生成的环境样本基云具有更高的可靠性。
在具体的实施例中，步骤S1中对环境原始信号进行预处理使用改进的经验模态分解法(EMD，Empirical Mode Decomposition)，具体包括：
在传统EMD基础上，定义自适应因子λ, 将平均包络m改写为
Figure 998717DEST_PATH_IMAGE001
其中式中，λ∈(0,0.5]，u是信号上包络，I是信号下包络，
Figure 711458DEST_PATH_IMAGE002
其中式中，P表示正交程度，N表示拆分出的本征模型个数，IMF i 表示EMD拆分出的第i个本征模函数，x(t)为原始信号，根据上式,对λ在(0,0.5]区间内连续取值以使得IMF i 尽可能正交，取值间隔定义为Δ=0.01，将P最小时所对应的λ确定为最优因子λ。在传统的EMD基础上添加了一个自适应变量，对环境原始信号进行时频分析，可降低环境基信号和突发噪音信号对后期信号处理的负面影响，排除了后期降噪的取样随机性，显著提高对目标信号的声振信号状态监测的准确性。
在优选的实施例中，采集所述声振信号所使用的设备采用集成式或分布式形式。
在具体的实施例中，步骤S3和步骤S4中使用了云模型状态匹配的方法将信号和基准信号进行对比分析和信号拟合，具体包括：
定义两朵云的距离：
Figure 307655DEST_PATH_IMAGE003
在有效论域表示
Figure 738637DEST_PATH_IMAGE004
下，两朵云的相似度：
Figure 570326DEST_PATH_IMAGE005
其中M 1 、M 2 分别表示两朵云，Ex 1 、En 1 、He 1 为云M 1 的期望、熵、超熵，Ex 2 、En 2 、He 2 为云M 2 的期望、熵、超熵，X min 表示论域的最小值，X max 表示论域的最大值，sim值越大表示两朵云越相似，基于相似度将目标信号、环境基和突发噪音进行信号分离，以此确定信号的状态类型。基于云模型的理论对信号的特征云进行匹配，快速将采集到的声振信号进行分类。
根据本发明的第二方面，提出了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机处理器执行时上述方法。
根据本发明的第三方面，提出了一种基于环境样本基云模型的声振信号处理系统，该系统包括：
环境原始信号预处理单元：配置用于采集环境中的声振信号作为环境原始信号，利用时频分析方法对环境原始信号进行预处理；
环境样本基云构建单元：配置用于通过能量聚类法区分每一段长度为T的所述预处理后的环境原始信号中的环境信号和突发噪音信号，提取环境信号的多个特征参数作为参考，构建环境样本云，多次进行环境样本云的提取，计算提取到的多个环境样本云的交集，生成环境样本基云；
目标特征云构建单元：配置用于采集含有目标信号的原始信号，将含有目标信号的原始信号通过能量聚类法生成云模型，再基于云模型状态匹配的方法将生成的云模型和所述环境样本基云进行对比分析和信号拟合，将目标信号、环境基和突发噪音进行信号分离，使用目标信号的频率特征和能量特征建立新的目标特征云；
目标信号状态确定单元：配置用于基于待测设备的多种状态使用云生成器建立相应的理想云，将所述目标特征云和理想云进行云模型状态匹配，确定目标信号的状态类型。
本发明通过多次采集环境中不同位置的声振信号作为环境原始信号，利用时频分析方法对信号进行特征分解，使用能量聚类法得到其中的环境信号部分，利用多项特征参数构建环境样本基云，采集目标的声振信号后，生成目标声振信号的云模型，和环境样本基云进行状态匹配，得到新的目标特征云，再将其与基于待测设备建立的理想云进行状态匹配，即可确定目标信号的状态类型。以声振信号的云模型为基础，利用云模型匹配的方法将信号和基准信号进行对比分析和信号拟合，以此确定目标信号的状态类型，降低了环境基信号和突发噪音信号对后期信号处理的负面影响，排除了后期降噪的取样随机性。在实际场景中，能有效降低外部噪声，保证目标信号的高效和稳定提取，显著提高对目标信号的声振信号状态监测的准确性。
附图说明
包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点，因为通过引用以下详细描述，它们变得被更好地理解。通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明的一个实施例的基于多采样的环境样本基云模型的声振信号处理方法流程图；
图2是本发明的一个具体实施例的基于多采样的环境样本基云模型的声振信号处理方法实验方案示意图；
图3是本发明的一个具体实施例的基于多采样的环境样本基云模型的声振信号处理方法实验装置示意图；
图4是本发明的一个具体实施例的环境样本采样位置示意图；
图5是本发明的一个实施例的基于多采样的环境样本基云模型的声振信号处理系统的框架图；
图6是本发明的一个具体实施例的一次检测实验结果图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本发明的一个实施例的基于多采样的环境样本基云模型的声振信号处理方法，图1示出了根据本发明的实施例的基于多采样的环境样本基云模型的声振信号处理方法的流程图。如图1所示，该方法包括以下步骤：
S101：采集环境中的声振信号作为环境原始信号，利用时频分析方法对环境原始信号进行预处理。
在具体的实施例中，步骤S101中声振信号在当前环境下不同位置进行采集，具体包括：
通过单个多次的方法：使用单个节点进行多次不同位置的环境样本采集；
通过多个单次的方法：使用两个或以上节点进行单次不同位置环境样本采集；
通过多个多次的方法：使用两个或以上节点进行单次不同位置环境样本采集。
在优选的实施例中，环境样本采集区域为四边形，通过单个多次的方法，在四边形区域的四个端点处使用单个节点进行多组环境样本采集；通过多个单次的方法，在四边形区域的四个端点各放置一个节点进行一组环境样本采集；通过多个多次的方法，在四边形区域的四个端点各放置一个节点进行多组采集环境样本采集。
在优选的实施例中，采集声振信号所使用的设备采用集成式或分布式形式。
在具体的实施例中，步骤S101中对环境原始信号进行预处理使用改进的经验模态分解法(EMD，Empirical Mode Decomposition)，具体包括：
在传统EMD基础上，定义自适应因子λ, 将平均包络m改写为
Figure 291901DEST_PATH_IMAGE006
其中式中,λ∈(0,0.5]，u是信号上包络，I是信号下包络，
Figure 59000DEST_PATH_IMAGE007
其中式中，P表示正交程度，N表示拆分出的本征模型个数，IMF i 表示EMD拆分出的第i个本征模函数，x(t)为原始信号，根据上式，对λ在(0,0.5]区间内连续取值以使得IMF i 尽可能正交，取值间隔定义为Δ=0.01，将P最小时所对应的λ确定为最优因子λ。
S102：通过能量聚类法区分每一段长度为T的预处理后的环境原始信号中的环境信号和突发噪音信号，提取环境信号的多个特征参数作为参考，构建环境样本云，多次进行环境样本云的提取，计算提取到的多个环境样本云的交集，生成环境样本基云。
在具体的实施例中，一般认为环境信号为较小的平稳能量，突发噪声信号为较大突变能量。在进行能量聚类时，初始设定两个聚类中心，一个为最大值Max，一个为最小值Min，计算能量距离差，相近的聚成一类。聚类后将聚类中心移动到聚类的平均值处，再进行聚类，循环N次直至聚类平稳，分成高能量类和低能量类，即分成突发噪音和环境信号。
在具体的实施例中，构建环境样本云时用环境信号的能量均值特征、能量复杂度和频率复杂度作为参考，构建环境样本云的能量均值特征云CEA1、能量复杂度云CEC1和频率复杂度云CFC1，其中：
能量均值（EA，Energy Average）用于表示能量的平均水平，
Figure 977278DEST_PATH_IMAGE008
其中式中，E i 表示第i个采样点的能量值；
能量复杂度（EC，Energy complexity）用于表示各个能量成分之间的复杂程度，平稳能量以外的能量成分越多，能量复杂度越大。直接反映环境信号和突发噪声的比重关系，
Figure 2871DEST_PATH_IMAGE009
Figure 424625DEST_PATH_IMAGE010
其中式中，n为能量成分的类型个数，E i 表示第i种类型的能量成分的加权能量值，A i 为第i种类型的能量成分的振动谐波幅值大小，w i 为第i种类型的能量成分的权重系数，p i 表示E i 在全部能量中的占比，EC为E i 在全部能量中的熵;
频率复杂度（FC，Frequency complexity）用于表示当状态变化时，特定频率所占的能量比重会减少，频率复杂度表示各个频率成分之间的复杂程度，特定频率以外的高频成分越多，频率复杂度越大，反应目标的状态变化；
定义频率为f的谐波比重为
Figure 628205DEST_PATH_IMAGE011
Figure 768199DEST_PATH_IMAGE012
其中式中，定义f∈[100,2000]Hz，E f 表示频率为f的能量值，A f 为频率为f的振动谐波幅值大小，w f 为频率为f的权重系数，P表示E f 在全部频率中的占比，FC为E f 在全部能量中的熵。
在具体的实施例中，环境样本云的特征云构建方法如下：
取N个采样信号的特征H（H 1 ,H 2 ,…, H n ）；
Figure 207271DEST_PATH_IMAGE013
Figure 375209DEST_PATH_IMAGE014
Figure 874323DEST_PATH_IMAGE015
Figure 376980DEST_PATH_IMAGE016
其中，Ex为特征云的期望，En为特征云的熵，He为特征云的超熵，Δ为取值间隔。通过将特征云的3个数字特征Ex、En、He输入正向云发生器实现从定性到定量的映射，产生云滴，绘制出云图。应当认识到，上式中的特征H i 可以是环境信号的能量均值特征、能量复杂度和频率复杂度。
在具体的实施例中，通过进行K次环境样本云提取，获得K个环境样本云（C1,C2,...，Ck），计算环境样本云的交集，得到环境样本基云参数：能量均值特征云CEA、能量复杂度云CEC、频率复杂度云CFC。
S103：采集含有目标信号的原始信号，将含有目标信号的原始信号通过能量聚类法生成云模型，再基于云模型状态匹配的方法将生成的云模型和环境样本基云进行对比分析和信号拟合，将目标信号、环境基和突发噪音进行信号分离，使用目标信号的频率特征和能量特征建立新的目标特征云。
在具体的实施例中，将采集到的含有目标信号的原始信号通过能量聚类法提取能量均值、能量复杂度、频率复杂度，生成原始信号的云模型参数：原始能量均值特征云CIEA、原始能量复杂度云CIEC、原始频率复杂度云CIFC，将原始信号的云模型参数和环境样本基云参数进行对比分析和信号拟合，将目标信号、环境基和突发噪音进行信号分离，生成目标信号的云模型参数：目标能量均值特征云COEA、目标能量复杂度云COEC、目标频率复杂度云COFC。
Figure 619743DEST_PATH_IMAGE017
Figure 140723DEST_PATH_IMAGE018
Figure 810738DEST_PATH_IMAGE019
其中式中，α表示环境样本能量均值系数，β表示环境样本能量复杂度系数，γ表示环境样本频率复杂度系数。
S104：基于待测设备的多种状态使用云生成器建立相应的理想云，将所述目标特征云和理想云进行云模型状态匹配，确定目标信号的状态类型。
在具体的实施例中，基于云模型的原理，根据如下公式将（COEA、COEC、COFC）集结得到目标特征云CO：
Figure 800691DEST_PATH_IMAGE020
Figure 315986DEST_PATH_IMAGE021
Figure 455587DEST_PATH_IMAGE022
其中式中，w i 表示第i个待集结云的权重，Ex i 表示第i个待集结云的期望，En i 表示第i个待集结云的熵，He i 表示第i个待集结云的超熵，Ex为目标特征云CO的期望，En为目标特征云CO的熵，He为目标特征云CO的超熵。
在具体的实施例中，在步骤S103和S104中，使用云模型状态匹配的方法将信号和基准信号进行对比分析和信号拟合，具体包括：
定义两朵云的距离：
Figure 296504DEST_PATH_IMAGE023
在有效论域表示
Figure 773753DEST_PATH_IMAGE024
下，两朵云的相似度：
Figure 358318DEST_PATH_IMAGE025
其中M 1 、M 2 分别表示两朵云，Ex 1 、En 1 、He 1 为云M 1 的期望、熵、超熵，Ex 2 、En 2 、He 2 为云M 2 的期望、熵、超熵，X min 表示论域的最小值，X max 表示论域的最大值，sim值越大表示两朵云越相似，基于相似度将目标信号、环境基和突发噪音进行信号分离，以此确定信号的状态类型。
在优选的实施例中，本发明应用于地埋水管状态声振监测，地埋水管状态声振监测实验方案和实验装置如图2和图3所示，主要包括：
1、合适大小的土箱201，供水管道202贯穿其中，装一定压实度的土壤。
1）钢板焊接成长宽高分别为3m,1m,1.3m的箱体；
2）管道在距离土箱201底部0.3米的位置穿过；
3）据实际工程中管道的埋设要求，在管道下方铺设砂垫层301；
4）箱内所填土壤经过夯机压实达到实际工程标准；
5）在箱底铺设0.1米厚的碎石粗砂层302，以便泄漏水的下渗并从箱底的缝隙中排出；
6）土箱201填满后，管道的最大埋设深度为1.0米。
2、整个管道系统采用气压水罐供水。避免了水泵运行时的复杂干扰噪声，能够采集到更为纯净的泄漏信号，便于后续分析。
1）试验开始前，用高扬程水泵203为压力罐204供水。水压达到设定值后，电接点压力表控制水泵203立即关闭；
2）试验开始后，由压力罐204将高压水流打入管道205并最终流向水箱206；
3）在压力罐204供水的过程中，随着管内水量的减少，水压也会逐步降低。为了使管道内水压保持稳定，在压力罐204出水口处安装稳压阀207，以保证整个试验过程的水压恒定。
3、选用了DN50的PPR塑料管，为了减小稳压阀207中流态紊乱引起的振动，在稳压阀207后安装弹性接头。在各个管道分支处以及试验管道末端安装手动调节的球阀，以配合压力罐204实现不同压力条件下的试验。
4、试验过程中，通过制造随机噪声，模拟真实的随机噪声环境。
如图3所示，将采集节点304放置于土箱之上，在地埋管道上刺出1mm的小孔，先关闭阀门，如图4摆放探测节点401，进行单个多次模式采集环境样本。当然，图4仅示出了探测节点布置的一种方式，本发明所适用的探测节点布置形式不局限于图4所示的这种。
采集一段时间，通过智能算法建立环境样本基。打开阀门，将管道水压加至0.3MPa，持续采集时间，同时制造随机噪声。将采集到的信号数据传输到云平台上，智能分析结果如图5所示，纵坐标501表示目标信号的能量，横坐标502表示目标信号的时间，目标信号为去除环境噪声后的信号，经过智能处理后能有效的提取出目标信号的能量情况。综上可见，使用本发明在实际场景中，能保证目标信号的高效和稳定提取，能够有效的进行声振状态监测。
图6示出了根据本发明的一个实施例的基于多采样的环境样本基云模型的声振信号处理系统的框架图。该系统包括环境原始信号预处理单元601、环境样本基云构建单元602、目标特征云构建单元603和目标信号状态确定单元604。
在具体的实施例中，环境原始信号预处理单元601被配置用于采集环境中的声振信号作为环境原始信号，利用时频分析方法对环境原始信号进行预处理。
在具体的实施例中，环境样本基云构建单元602被配置用于通过能量聚类法区分每一段长度为T的所述预处理后的环境原始信号中的环境信号和突发噪音信号，提取环境信号的多个特征参数作为参考，构建环境样本云，多次进行环境样本云的提取，计算提取到的多个环境样本云的交集，生成环境样本基云。
在具体的实施例中，目标特征云构建单元603被配置用于采集含有目标信号的原始信号，将含有目标信号的原始信号通过能量聚类法生成云模型，再基于云模型状态匹配的方法将生成的云模型和所述环境样本基云进行对比分析和信号拟合，将目标信号、环境基和突发噪音进行信号分离，使用目标信号的频率特征和能量特征建立新的目标特征云。
在具体的实施例中，目标信号状态确定单元604被配置用于基于待测设备的多种状态使用云生成器建立相应的理想云，将所述目标特征云和理想云进行云模型状态匹配，确定目标信号的状态类型。
本发明的实施例还涉及一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被计算机处理器执行时实施上文中的方法。该计算机程序包含用于执行流程图所示的方法的程序代码。需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。
本发明通过多次采集环境中不同位置的声振信号作为环境原始信号，利用时频分析方法对信号进行特征分解，使用能量聚类法得到其中的环境信号部分，利用多项特征参数构建环境样本基云，采集目标的声振信号后，生成目标声振信号的云模型，和环境样本基云进行状态匹配，得到新的目标特征云，再将其与基于待测设备建立的理想云进行状态匹配，即可确定目标信号的状态类型。以声振信号的云模型为基础，利用云模型匹配的方法将信号和基准信号进行对比分析和信号拟合，以此确定目标信号的状态类型，降低了环境基信号和突发噪音信号对后期信号处理的负面影响，排除了后期降噪的取样随机性。在实际场景中，能有效降低外部噪声，保证目标信号的高效和稳定提取，显著提高对目标信号的声振信号状态监测的准确性。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (7)

1.一种基于环境样本基云模型的声振信号处理方法，其特征在于，包括以下步骤：
S1：采集环境中的声振信号作为环境原始信号，利用时频分析方法对环境原始信号进行预处理；
S2：通过能量聚类法，设定两个聚类中心，将每一段长度为T的所述预处理后的环境原始信号聚类为高能量类和低能量类，并将高能量类作为突发噪音信号，将低能量类作为环境信号，提取环境信号的包括但不限于能量均值特征、能量复杂度、频率复杂度和振动平稳性的多个特征参数作为参考，构建环境样本云，多次进行环境样本云的提取，计算提取到的多个环境样本云的交集，生成环境样本基云；
S3：采集含有目标信号的原始信号，将含有目标信号的原始信号通过能量聚类法生成云模型，再基于云模型状态匹配的方法将生成的云模型和所述环境样本基云进行对比分析和信号拟合，将目标信号、环境基和突发噪音进行信号分离，使用目标信号的频率特征和能量特征建立新的目标特征云；
S4：基于待测设备的多种状态使用云生成器建立相应的理想云，将所述目标特征云和理想云进行云模型状态匹配，确定目标信号的状态类型。
2.根据权利要求1所述的一种基于环境样本基云模型的声振信号处理方法，其特征在于，所述步骤S1中所述声振信号在当前环境下不同位置进行采集，具体包括：
通过单个多次的方法：使用单个节点进行多次不同位置的环境样本采集；
通过多个单次的方法：使用两个或以上节点进行单次不同位置环境样本采集；
通过多个多次的方法：使用两个或以上节点进行单次不同位置环境样本采集。
3.根据权利要求1所述的一种基于环境样本基云模型的声振信号处理方法，其特征在于，所述步骤S1中对所述环境原始信号进行预处理使用改进的经验模态分解法(EMD，Empirical Mode Decomposition)，具体包括：
在传统EMD基础上，定义自适应因子λ,将平均包络m改写为
m＝λ(u(t)+I(t))
其中式中,λ∈(0,0.5]，u(t)是信号上包络，I(t)是信号下包络，
Figure FDA0002625860230000021
其中式中，P表示正交程度，N表示拆分出的本征模型个数，IMFi表示EMD拆分出的第i个本征模函数，x(t)为原始信号，根据上式,对λ在(0,0.5]区间内连续取值以使得IMFi尽可能正交，取值间隔定义为Δ＝0.01，将P最小时所对应的λ确定为最优因子λ。
4.根据权利要求2所述的一种基于环境样本基云模型的声振信号处理方法，其特征在于，采集所述声振信号所使用的设备采用集成式或分布式形式。
5.根据权利要求1所述的一种基于环境样本基云模型的声振信号处理方法，其特征在于，所述步骤S3和所述步骤S4中使用了云模型状态匹配的方法将信号和基准信号进行对比分析和信号拟合，具体包括：
定义两朵云的距离：
Figure FDA0002625860230000022
在有效论域表示U＝{Xmin,Xmax}下，两朵云的相似度：
Figure FDA0002625860230000023
其中M1、M2分别表示两朵云，Ex1、En1、He1为云M1的期望、熵、超熵，Ex2、En2、He2为云M2的期望、熵、超熵，Xmin表示论域的最小值，Xmax表示论域的最大值，sim值越大表示两朵云越相似，基于相似度将目标信号、环境基和突发噪音进行信号分离，以此确定信号的状态类型。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被计算机处理器执行时实施权利要求1至5中任一项所述的方法。
7.一种基于环境样本基云模型的声振信号处理系统，其特征在于，包括：
环境原始信号预处理单元：配置用于采集环境中的声振信号作为环境原始信号，利用时频分析方法对环境原始信号进行预处理；
环境样本基云构建单元：配置用于通过能量聚类法，设定两个聚类中心，将每一段长度为T的所述预处理后的环境原始信号聚类为高能量类和低能量类，并将高能量类作为突发噪音信号，将低能量类作为环境信号，提取环境信号的包括但不限于能量均值特征、能量复杂度、频率复杂度和振动平稳性的多个特征参数作为参考，构建环境样本云，多次进行环境样本云的提取，计算提取到的多个环境样本云的交集，生成环境样本基云；
目标特征云构建单元：配置用于采集含有目标信号的原始信号，将含有目标信号的原始信号通过能量聚类法生成云模型，再基于云模型状态匹配的方法将生成的云模型和所述环境样本基云进行对比分析和信号拟合，将目标信号、环境基和突发噪音进行信号分离，使用目标信号的频率特征和能量特征建立新的目标特征云；
目标信号状态确定单元：配置用于基于待测设备的多种状态使用云生成器建立相应的理想云，将所述目标特征云和理想云进行云模型状态匹配，确定目标信号的状态类型。
CN202010556146.XA 2020-06-17 2020-06-17 一种基于环境样本基云模型的声振信号处理方法及系统 Active CN111461090B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010556146.XA CN111461090B (zh) 2020-06-17 2020-06-17 一种基于环境样本基云模型的声振信号处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010556146.XA CN111461090B (zh) 2020-06-17 2020-06-17 一种基于环境样本基云模型的声振信号处理方法及系统

Publications (2)

Publication Number Publication Date
CN111461090A CN111461090A (zh) 2020-07-28
CN111461090B true CN111461090B (zh) 2020-09-22

Family

ID=71682043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010556146.XA Active CN111461090B (zh) 2020-06-17 2020-06-17 一种基于环境样本基云模型的声振信号处理方法及系统

Country Status (1)

Country Link
CN (1) CN111461090B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112082094A (zh) * 2020-08-12 2020-12-15 苏州聆听智能科技有限公司 基于异构传感器的管道异常信号定位检测方法及装置
CN112161755B (zh) * 2020-08-12 2023-01-24 苏州聆听智能科技有限公司 地埋管道检测方法、装置、异构传感器阵列及存储介质
CN115540998A (zh) * 2022-10-18 2022-12-30 广州小声智能科技有限公司 基于声级计的环境噪声监测方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228979B (zh) * 2016-08-16 2020-01-10 重庆大学 一种公共场所异常声音特征提取及识别方法
CN110310667A (zh) * 2019-07-12 2019-10-08 莫毓昌 一种基于声学特征的设备故障检测方法
CN111157099B (zh) * 2020-01-02 2022-07-15 河海大学常州校区 一种分布式光纤传感器振动信号分类方法及识别分类系统

Also Published As

Publication number Publication date
CN111461090A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN111461090B (zh) 一种基于环境样本基云模型的声振信号处理方法及系统
Sang A practical guide to discrete wavelet decomposition of hydrologic time series
CN110454687A (zh) 一种基于改进vmd的管道多点泄漏定位方法
Zhang et al. Rainfall-runoff modelling in a catchment with a complex groundwater flow system: application of the Representative Elementary Watershed (REW) approach
WO2017024692A1 (zh) 一种单测量节点模拟电路故障诊断方法
CN109827081A (zh) 一种基于声学主动检测的埋地排水管道堵塞故障及管道三通件诊断方法
SadeghpourHaji et al. A wavelet support vector machine combination model for daily suspended sediment forecasting
CN113514743B (zh) 一种基于多维特征的gis局部放电模式识别系统构建方法
CN115978464A (zh) 基于变分模态分解和神经网络的管网泄漏检测与定位方法
CN106960433B (zh) 一种基于图像熵以及边缘的全参考声纳图像质量评测方法
Gao et al. A framework for automatic calibration of SWMM considering input uncertainty
CN109214402A (zh) 一种结合小波模糊熵和gg模糊聚类的同调机组分群方法
CN106767834A (zh) 一种基于模糊熵值的auv水下地形匹配适配区划分方法
CN110288022A (zh) 一种提取参数非线性关系的水电机组振动故障诊断算法
CN116663889A (zh) 一种基于改进高斯模型的新型电力系统风险评估方法
CN113970073A (zh) 一种基于ResNet的供水管网泄漏精准定位方法
Singh Aquifer boundaries and parameter identification simplified
Padilla et al. THE ARMA MODELS APPLIED TO THE FLOW OF KARSTIC SPRINGS 1
Chintalapudi et al. High-resolution, fully distributed hydrologic event-based simulations over a large watershed in Texas
CN118350880B (zh) 一种现有建筑改造成本预测方法
CN118133587B (zh) 基于排水管网分区降维的监测点优化布置方法和装置
CN107977680A (zh) 一种信号稀疏重构的方法
CN112302638B (zh) 一种油藏的流线场表征方法及装置
Bittner et al. On the relation between parameters and discharge data for a lumped karst aquifer model
CN112908356B (zh) 一种基于bse和gmm-hmm的埋地排水管道声纹识别方法

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20211223

Address after: 300304 room 2-561, block a, No. 6, Huafeng Road, Huaming high tech Industrial Zone, Dongli District, Tianjin

Patentee after: Tianjin Zhisheng Technology Co.,Ltd.

Address before: 311400 room 605, 6th floor, building 12, Fuchun Park, Zhongguo Zhigu, Yinhu street, Fuyang District, Hangzhou City, Zhejiang Province

Patentee before: Hangzhou yunzhisheng Intelligent Technology Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221216

Address after: Room 31,550, Floor 3, Building 1, No. 88, Puyan Road, Puyan Street, Binjiang District, Hangzhou City, Zhejiang Province (self declared)

Patentee after: Hangzhou Dehu Technology Co.,Ltd.

Address before: 300304 room 2-561, block a, No. 6, Huafeng Road, Huaming high tech Industrial Zone, Dongli District, Tianjin

Patentee before: Tianjin Zhisheng Technology Co.,Ltd.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231130

Address after: No. 88 Hengxin Avenue, East Side of Government Building, Taoyuan Town, Wujiang District, Suzhou City, Jiangsu Province, 215000 (Room Y1026, East of Building C, Oriental Hengxin Capital Holding Group Co., Ltd.)

Patentee after: Suzhou Bintai Intelligent Technology Co.,Ltd.

Address before: Room 31,550, Floor 3, Building 1, No. 88, Puyan Road, Puyan Street, Binjiang District, Hangzhou City, Zhejiang Province (self declared)

Patentee before: Hangzhou Dehu Technology Co.,Ltd.