CN112968886B - 振动信号压缩方法及装置、存储介质、计算机设备 - Google Patents
振动信号压缩方法及装置、存储介质、计算机设备 Download PDFInfo
- Publication number
- CN112968886B CN112968886B CN202110141876.8A CN202110141876A CN112968886B CN 112968886 B CN112968886 B CN 112968886B CN 202110141876 A CN202110141876 A CN 202110141876A CN 112968886 B CN112968886 B CN 112968886B
- Authority
- CN
- China
- Prior art keywords
- domain
- frequency
- vibration signal
- time
- time domain
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/04—Protocols for data compression, e.g. ROHC
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Complex Calculations (AREA)
Abstract
本申请公开了一种振动信号压缩方法及装置、存储介质、计算机设备,该方法包括:获取目标振动信号,并按预设长度对所述目标振动信号进行切分确定与所述目标振动信号对应的预设数量的时域振动信号片段;分别将每个所述时域振动信号片段变换到频域上,并使用实部‑频率的方式对所述时域振动信号片段进行表达确定第一频域信号片段,使用虚部‑频率的方式对所述时域振动信号片段进行表达确定第二频域信号片段;基于所述第一频域信号片段和所述第二频域信号片段,确定频域振动信号片段;对所述时域振动信号片段进行压缩得到所述时域振动信号片段对应的时域压缩码,以及所述频域振动信号片段进行压缩得到所述频域振动信号片段对应的频域压缩码。
Description
技术领域
本申请涉及信号处理技术领域,尤其是涉及到一种振动信号压缩方法及装置、存储介质、计算机设备。
背景技术
基于历史数据驱动的机械设备故障诊断方法检测设备运行时的振动信号,并以此训练学习模型用于长期的故障诊断当中。深度学习方法经过近几年的迅速发展,已经在故障诊断领域取得了很好的效果,基于深度学习的故障诊断算法具有诊断准确率高,鲁棒性好等优点。
虽然深度学习神经网络具有诸多优点,但是其需要大量的历史信号作为学习样本进行故障诊断。在长达几个月甚至几年的多点振动信号采集过程中,极大的数据量对硬盘的容量、数据的存储和传输产生了挑战。基于编码冗余Hoffmann编码等方法在一定程度上可以对振动信号进行无损压缩,但也可以首先利用基于内容的有损压缩方法对振动信号进行初步的压缩。
综上,需要设计一种更加有效的振动信号数据压缩方法,使得在信号压缩率较高的情况下,压缩信号能够具有较高保真度。
发明内容
根据本申请的一个方面,提供了一种振动信号压缩方法,包括:
获取目标振动信号,并按预设长度对所述目标振动信号进行切分确定与所述目标振动信号对应的预设数量的时域振动信号片段;
使用快速傅里叶变换算法分别将每个所述时域振动信号片段变换到频域上,并使用实部-频率的方式对所述时域振动信号片段进行表达确定第一频域信号片段,使用虚部-频率的方式对所述时域振动信号片段进行表达确定第二频域信号片段;
基于所述第一频域信号片段和所述第二频域信号片段,确定具有实部通道和虚部通道的预设数量的频域振动信号片段;
利用预设神经网络模型的时域编码器对所述时域振动信号片段进行压缩得到所述时域振动信号片段对应的时域压缩码,以及利用所述预设神经网络模型的频域编码器对所述频域振动信号片段进行压缩得到所述频域振动信号片段对应的频域压缩码。
可选地,所述利用预设神经网络模型的时域编码器对所述时域振动信号片段进行压缩得到所述时域振动信号片段对应的时域压缩码,以及利用所述预设神经网络模型的频域编码器对所述频域振动信号片段进行压缩得到所述频域振动信号片段对应的频域压缩码之后,所述方法还包括:
响应于信号还原指令,利用所述预设神经网络模型的时域解码器对所述时域压缩码进行解码,确定第一时域还原表征;
利用所述预设神经网络模型的频域解码器对所述频域压缩码进行解码,确定频域还原表征,并使用快速傅里叶反变换算法对所述频域还原表征进行变换得到第二时域还原表征;
基于预设第一时域权重和预设第二时域权重,对所述第一时域还原表征以及所述第二时域还原表征进行加权求和,确定还原振动信号片段。
可选地,所述确定还原振动信号之后,所述方法还包括:
对所述还原振动信号片段进行拼接,确定与所述目标振动信号对应的还原振动信号。
可选地,所述基于所述第一频域信号片段和所述第二频域信号片段,确定具有实部通道和虚部通道的多个频域振动信号片段之后,所述方法还包括:
基于振动信号的频域对称性,删除所述频域振动信号片段的对称部分;
相应地,所述使用快速傅里叶反变换算法对所述频域还原表征进行变换得到第二时域还原表征之前,所述方法还包括:
基于振动信号的频域对称性,对所述第二时域还原表征进行对称补齐。
可选地,所述使用实部-频率的方式对所述时域振动信号片段进行表达确定第一频域信号片段,使用虚部-频率的方式对所述时域振动信号片段进行表达确定第二频域信号片段,可替换为:使用幅值-频率的方式对所述时域振动信号片段进行表达确定第一频域信号片段,使用相位-频率的方式对所述时域振动信号片段进行表达确定第二频域信号片段。
可选地,所述预设神经网络模型包括时域模型和频域模型,所述时域模型包括时域编码器、时域解码器以及时域对抗器,所述时域编码器的输出层维度基于所述预设数量以及预设时域压缩率确定,通过将时域对抗损失loss11的权重设置为0,将时域重构损失在收敛时的取值作为时域对抗损失权重b11,通过将时域重构损失loss12的权重设置为0,将时域对抗损失在收敛时的取值作为时域重构损失权重b12,所述时域模型对应的反向传播损失loss1计算公式为loss1=α1*b12*loss11+(1-α1)b11*loss12,α1为第一预设系数;
所述频域模型包括频域编码器、频域解码器以及频域对抗器,所述频域编码器的输出层维度基于所述预设数量以及预设频域压缩率确定,通过将频域对抗损失loss21的权重设置为0,将频域重构损失在收敛时的取值作为频域对抗损失权重b21,通过将频域重构损失loss22的权重设置为0,将频域对抗损失在收敛时的取值作为频域重构损失权重b22,所述频域模型对应的反向传播损失loss2计算公式为loss2=α2*b22*loss21+(1-α2)b21*loss22,α2为第二预设系数。
可选地,所述时域模型的时域编码器和时域解码器对应的衰减系数小于所述时域对抗器对应的衰减系数,所述频域模型的频域编码器和频域解码器对应的衰减系数小于所述频域对抗器对应的衰减系数。
根据本申请的另一方面,提供了一种振动信号压缩装置,包括:
切分模块,用于获取目标振动信号,并按预设长度对所述目标振动信号进行切分确定与所述目标振动信号对应的预设数量的时域振动信号片段;
变换模块,用于使用快速傅里叶变换算法分别将每个所述时域振动信号片段变换到频域上,并使用实部-频率的方式对所述时域振动信号片段进行表达确定第一频域信号片段,使用虚部-频率的方式对所述时域振动信号片段进行表达确定第二频域信号片段;
合成模块,用于基于所述第一频域信号片段和所述第二频域信号片段,确定具有实部通道和虚部通道的预设数量的频域振动信号片段;
压缩模块,用于利用预设神经网络模型的时域编码器对所述时域振动信号片段进行压缩得到所述时域振动信号片段对应的时域压缩码,以及利用所述预设神经网络模型的频域编码器对所述频域振动信号片段进行压缩得到所述频域振动信号片段对应的频域压缩码。
可选地,所述装置还包括:
第一解码模块,用于所述利用预设神经网络模型的时域编码器对所述时域振动信号片段进行压缩得到所述时域振动信号片段对应的时域压缩码,以及利用所述预设神经网络模型的频域编码器对所述频域振动信号片段进行压缩得到所述频域振动信号片段对应的频域压缩码之后,响应于信号还原指令,利用所述预设神经网络模型的时域解码器对所述时域压缩码进行解码,确定第一时域还原表征;
第二解码模块,用于利用所述预设神经网络模型的频域解码器对所述频域压缩码进行解码,确定频域还原表征,并使用快速傅里叶反变换算法对所述频域还原表征进行变换得到第二时域还原表征;
还原模块,用于基于预设第一时域权重和预设第二时域权重,对所述第一时域还原表征以及所述第二时域还原表征进行加权求和,确定还原振动信号片段。
可选地,所述装置还包括:
信号拼接模块,用于所述确定还原振动信号之后,对所述还原振动信号片段进行拼接,确定与所述目标振动信号对应的还原振动信号。
可选地,所述装置还包括:
删除模块,用于所述基于所述第一频域信号片段和所述第二频域信号片段,确定具有实部通道和虚部通道的多个频域振动信号片段之后,基于振动信号的频域对称性,删除所述频域振动信号片段的对称部分;
相应地,所述装置还包括:
补齐模块,用于所述使用快速傅里叶反变换算法对所述频域还原表征进行变换得到第二时域还原表征之前,基于振动信号的频域对称性,对所述第二时域还原表征进行对称补齐。
可选地,所述使用实部-频率的方式对所述时域振动信号片段进行表达确定第一频域信号片段,使用虚部-频率的方式对所述时域振动信号片段进行表达确定第二频域信号片段,可替换为:使用幅值-频率的方式对所述时域振动信号片段进行表达确定第一频域信号片段,使用相位-频率的方式对所述时域振动信号片段进行表达确定第二频域信号片段。
可选地,所述预设神经网络模型包括时域模型和频域模型,所述时域模型包括时域编码器、时域解码器以及时域对抗器,所述时域编码器的输出层维度基于所述预设数量以及预设时域压缩率确定,通过将时域对抗损失loss11的权重设置为0,将时域重构损失在收敛时的取值作为时域对抗损失权重b11,通过将时域重构损失loss12的权重设置为0,将时域对抗损失在收敛时的取值作为时域重构损失权重b12,所述时域模型对应的反向传播损失loss1计算公式为loss1=α1*b12*loss11+(1-α1)b11*loss12,α1为第一预设系数;
所述频域模型包括频域编码器、频域解码器以及频域对抗器,所述频域编码器的输出层维度基于所述预设数量以及预设频域压缩率确定,通过将频域对抗损失loss21的权重设置为0,将频域重构损失在收敛时的取值作为频域对抗损失权重b21,通过将频域重构损失loss22的权重设置为0,将频域对抗损失在收敛时的取值作为频域重构损失权重b22,所述频域模型对应的反向传播损失loss2计算公式为loss2=α2*b22*loss21+(1-α2)b21*loss22,α2为第二预设系数。
可选地,所述时域模型的时域编码器和时域解码器对应的衰减系数小于所述时域对抗器对应的衰减系数,所述频域模型的频域编码器和频域解码器对应的衰减系数小于所述频域对抗器对应的衰减系数。
依据本申请又一个方面,提供了一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述振动信号压缩方法。
依据本申请再一个方面,提供了一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述振动信号压缩方法。
借由上述技术方案,本申请提供的一种振动信号压缩方法及装置、存储介质、计算机设备,首先将目标振动信号分割成指定长度,然后通过快速傅里叶变换(FFT)生成信号的频域表征(即实部_频率和虚部_频率)。接着,将信号的时域形式使用GAN-SAE1进行学习压缩,将信号的频域表征使用GAN-SAE2进行学习压缩。训练完毕后,得到时域编码器、时域解码器、频域编码器、频域解码器。使用时域编码器、频域编码器对全部信号进行压缩并得到信号的时域压缩码和频域压缩码。本申请实施例通过时域、频域的同步压缩保证了时域和频域的重要特征都得到有效保留,十分利于满足后期的故障诊断、寿命预测任务。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了本申请实施例提供的一种振动信号压缩方法的流程示意图;
图2示出了本申请实施例提供的一种神经网络模型的框架示意图;
图3(a)示出了本申请实施例提供的一种振动信号压缩的流程示意图;
图3(b)示出了本申请实施例提供的一种振动信号解压的流程示意图;
图4示出了本申请实施例提供的一种原始振动信号和经压缩-解压后的还原效果图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。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。
在本实施例中提供了一种振动信号压缩方法,如图1所示,该方法包括:
步骤101,获取目标振动信号,并按预设长度对所述目标振动信号进行切分确定与所述目标振动信号对应的预设数量的时域振动信号片段;
本申请实施例中,目标振动信号具体可以为机械设备结构产生的振动信号、建筑结构产生的振动信号等等,例如采集一段时间内的机械设备的振动信号,用于对机械设备进行故障诊断。在该实施例中获取目标振动信号后,将一个目标振动信号X按照固定长度如1024个采样点进行切分得到1024个时域振动信号片段(末尾信号不足1024个采样点则补0),并按顺序命名为Xi(如:X1,X2,…)。
步骤102,使用快速傅里叶变换算法分别将每个所述时域振动信号片段变换到频域上,并使用实部-频率的方式对所述时域振动信号片段进行表达确定第一频域信号片段,使用虚部-频率的方式对所述时域振动信号片段进行表达确定第二频域信号片段;
在该实施例中,使用FFT(快速傅里叶变换)将每个时域振动信号片段Xi变换到频域上,以复数序列F(Xi)表示,再使用实部-频率和虚部-频率的方式进行表达,获得第一频域信号片段与第二频域信号片段两者长度分别为1024个点,此处也可使用幅值-频率和相位-频率的方式表达,但需合适缩放系数β1和β2分别缩放第一频域信号片段和第二频域信号片段以确保两者都被较好的学习,选用何种方式及是否利用频域对称性先行取半再行操作可由技术人员根据实际情况进行选择。
步骤103,基于所述第一频域信号片段和所述第二频域信号片段,确定具有实部通道和虚部通道的预设数量的频域振动信号片段;
步骤104,利用预设神经网络模型的时域编码器对所述时域振动信号片段进行压缩得到所述时域振动信号片段对应的时域压缩码,以及利用所述预设神经网络模型的频域编码器对所述频域振动信号片段进行压缩得到所述频域振动信号片段对应的频域压缩码。
在该实施例中,预设神经网络模型如图2所示,包括神经网络框架1和神经网络框架2用于对振动信号的时域表达和频域表达进行压缩,得到时域压缩码以及频域压缩码对故障诊断和设备维护而言,时域振幅、波形和频域的较大幅值所在频率等信息十分重要,因此使用两个网络结构分别对时域、频域进行压缩以保证重要信息不丢失。神经网络框架1、2的主体架构相同,两者都使用无监督学习,因此不需要任何标签。
在本申请实施例中,可选地,所述预设神经网络模型包括时域模型和频域模型,所述时域模型包括时域编码器、时域解码器以及时域对抗器,所述时域编码器的输出层维度基于所述预设数量以及预设时域压缩率确定,通过将时域对抗损失loss11的权重设置为0,将时域重构损失在收敛时的取值作为时域对抗损失权重b11,通过将时域重构损失loss12的权重设置为0,将时域对抗损失在收敛时的取值作为时域重构损失权重b12,所述时域模型对应的反向传播损失loss1计算公式为loss1=α1*b12*loss11+(1-α1)b11*loss12,α1为第一预设系数;所述频域模型包括频域编码器、频域解码器以及频域对抗器,所述频域编码器的输出层维度基于所述预设数量以及预设频域压缩率确定,通过将频域对抗损失loss21的权重设置为0,将频域重构损失在收敛时的取值作为频域对抗损失权重b21,通过将频域重构损失loss22的权重设置为0,将频域对抗损失在收敛时的取值作为频域重构损失权重b22,所述频域模型对应的反向传播损失loss2计算公式为loss2=α2*b22*loss21+(1-α2)b21*loss22,α2为第二预设系数。
在上述实施例中,根据压缩率要求,设定GAN-SAE1(即神经网络框架1,也即时域模型)和GAN-SAE2(即神经网络框架2,也即频域模型)中编码器最后一层的维度。例如1024个片段,压缩率为75%,则设置编码器最后一层的维度均为128,共256。要注意的是,两个编码器的维度并非必须相同,可以根据对时频、频域重要性设定预设时域压缩率以及预设频域压缩率,以权衡分配两者的维度。另外需要注意,压缩率越小,信息失真越严重。建议压缩率在20%~75%之间。默认情况下,应保持重构损失和对抗损失在一个数量级上。推荐方法是,首先通过乘以一个缩放系数β(例如本处取值为5.0)将第一频域信号片段与第二频域信号片段的量级缩小至与X相近;以时域模型为例,首先设置对抗损失的权重为0,观察重构损失在收敛时的取值,记为b11;然后,设置重构损失的权重为0,观察对抗损失在收敛时的取值b12。则最终用于SAE反向传播的损失按如下公式计算:
loss1=α1*b12*loss11+(1-α1)b11*loss12,α越大,越利于增加信号总体的相似性,越小,越利于保留微弱而重要的特征并具有一定的噪声抑制功能。推荐噪声干扰较大时,适当减小α保留微弱而重要的特征。
另外,网络整体框架以卷积网络为主体。在各个卷积层后使用batchnormalization加速学习过程,使用Dropout抑制过拟合,遗忘率推荐全部使用0.25。除最终输出层以外,全连接层均使用LeakyReLU()作为激活函数,“死区”斜率取0.2。
在本申请实施例中,可选地,所述时域模型的时域编码器和时域解码器对应的衰减系数小于所述时域对抗器对应的衰减系数,所述频域模型的频域编码器和频域解码器对应的衰减系数小于所述频域对抗器对应的衰减系数。
其中,模型学习时,令GAN-SAE的AE部分(编码器、解码器)和对抗器D的初始学习率保持一致,默认为0.001。设置采用指数衰减的学习率在每个epoch进行学习率衰减,推荐对抗器D的衰减系数为0.99,AE部分的衰减系数为0.98,即AE学习率衰减的更快。默认情形下,每更新一次迭代对抗器D,对应更新一次AE部分。推荐使用Adam算法作为各个优化算法。推荐使用早停机制。通常按迭代次数算,20000次迭代后基本收敛。
通过应用本实施例的技术方案,首先将目标振动信号分割成指定长度,然后通过快速傅里叶变换(FFT)生成信号的频域表征(即幅频谱和相频谱)。接着,将信号的时域形式使用GAN-SAE1进行学习压缩,将信号的频域表征使用GAN-SAE2进行学习压缩。训练完毕后,得到时域编码器、时域解码器、频域编码器、频域解码器。使用时域编码器、频域编码器对全部信号进行压缩并得到信号的时域压缩码和频域压缩码。本申请实施例通过时域、频域的同步压缩保证了时域和频域的重要特征都得到有效保留,十分利于满足后期的故障诊断、寿命预测任务。
在本申请实施例中,可选地,步骤104之后还可以包括:
步骤105,响应于信号还原指令,利用所述预设神经网络模型的时域解码器对所述时域压缩码进行解码,确定第一时域还原表征;
步骤106,利用所述预设神经网络模型的频域解码器对所述频域压缩码进行解码,确定频域还原表征,并使用快速傅里叶反变换算法对所述频域还原表征进行变换得到第二时域还原表征;
步骤107,基于预设第一时域权重和预设第二时域权重,对所述第一时域还原表征以及所述第二时域还原表征进行加权求和,确定还原振动信号片段;
步骤108,对所述还原振动信号片段进行拼接,确定与所述目标振动信号对应的还原振动信号。
在该实施例中,当信号需要被还原使用时,需要解压操作。使用训练完毕的神经网络框架1和神经网络框架2中的解码器1和解码器2分别对时域压缩码和频域压缩码进行解压,得到第一时域还原表征以及频域还原表征使用快速傅里叶反变换IFFT对频域还原表征进行逆变换,得到信号第二时域还原表征进一步对第一时域还原表征和第二时域还原表征进行加权求和,确定各还原振动信号片段例如对第一时域还原表征和第二时域还原表征取均值作为还原振动信号片段最后对各个还原振动信号片段按顺序进行拼接,得到最终的与目标振动信号对应的还原振动信号。
在本申请实施例中,为减少压缩数据的数据大小,可选地,步骤103和步骤104之间还可以包括:基于振动信号的频域对称性,删除所述频域振动信号片段的对称部分;相应地,步骤106中所述使用快速傅里叶反变换算法对所述频域还原表征进行变换得到第二时域还原表征之前,还可以包括:基于振动信号的频域对称性,对所述第二时域还原表征进行对称补齐。
在上述实施例中,对于频域振动信号片段,基于其对称性可以只保留一半的数据,减少数据量,并在后续进行信号还原时将删除掉的一半数据进行补齐。
在本申请实施例中,可选地,所述使用实部-频率的方式对所述时域振动信号片段进行表达确定第一频域信号片段,使用虚部-频率的方式对所述时域振动信号片段进行表达确定第二频域信号片段,可替换为:使用幅值-频率的方式对所述时域振动信号片段进行表达确定第一频域信号片段,使用相位-频率的方式对所述时域振动信号片段进行表达确定第二频域信号片段。
如图3所示,通过应用本实施例的技术方案,首先将目标振动信号分割成指定长度,然后通过快速傅里叶变换(FFT)生成信号的频域表征(即幅频谱和相频谱)。接着,将信号的时域形式使用GAN-SAE1进行学习压缩,将信号的频域表征使用GAN-SAE2进行学习压缩。训练完毕后,得到时域编码器、时域解码器、频域编码器、频域解码器。使用时域编码器、频域编码器对全部信号进行压缩并得到信号的时域压缩码和频域压缩码。当信号需要解码时,使用时域解码器、频域解码器对信号的时域压缩码和频域压缩码进行解码,可以得到信号的时域还原表征1(即第一时域还原表征)、频域还原表征。对信号频域还原表征进行快速傅里叶反变换(IFFT)得到信号的时域还原表征2(即第二时域还原表征)。将时域还原表征1和时域还原表征2相加平均得到最终的信号还原。本申请所提供的基于GAN-SAE的振动信号压缩方法,通过一个对抗学习过程极大提升了压缩模型对重要特征的保留效果,通过时域、频域的同步压缩保证了时域和频域的重要特征都得到有效保留,十分利于满足后期的故障诊断、寿命预测任务。本申请的另一个优点是使用便捷,由于GAN-SAE远比单独的GAN和SAE要稳定,因此不需要任何预训练操作,只需要一次训练即可。
在具体的应用场景中,将一段长为1024的原始信号及其幅频谱、相频谱打印出图,如图4所示。将压缩-解压后的还原信号及其幅频谱、相频谱打印出图,如图4所示。该段信号被压缩成256个浮点数。直观可见,本算法能够有效的还原出信号的重要特征和细节。图4所示的还原数据的保真效果可使用余弦相似度进行度量,余弦相似度为为0.986。其中。(a)为原始信号,(b)为还原信号。
进一步的,作为图1方法的具体实现,本申请实施例提供了一种振动信号压缩装置,该装置包括:
切分模块,用于获取目标振动信号,并按预设长度对所述目标振动信号进行切分确定与所述目标振动信号对应的预设数量的时域振动信号片段;
变换模块,用于使用快速傅里叶变换算法分别将每个所述时域振动信号片段变换到频域上,并使用实部-频率的方式对所述时域振动信号片段进行表达确定第一频域信号片段,使用虚部-频率的方式对所述时域振动信号片段进行表达确定第二频域信号片段;
合成模块,用于基于所述第一频域信号片段和所述第二频域信号片段,确定具有实部通道和虚部通道的预设数量的频域振动信号片段;
压缩模块,用于利用预设神经网络模型的时域编码器对所述时域振动信号片段进行压缩得到所述时域振动信号片段对应的时域压缩码,以及利用所述预设神经网络模型的频域编码器对所述频域振动信号片段进行压缩得到所述频域振动信号片段对应的频域压缩码。
可选地,所述装置还包括:
第一解码模块,用于所述利用预设神经网络模型的时域编码器对所述时域振动信号片段进行压缩得到所述时域振动信号片段对应的时域压缩码,以及利用所述预设神经网络模型的频域编码器对所述频域振动信号片段进行压缩得到所述频域振动信号片段对应的频域压缩码之后,响应于信号还原指令,利用所述预设神经网络模型的时域解码器对所述时域压缩码进行解码,确定第一时域还原表征;
第二解码模块,用于利用所述预设神经网络模型的频域解码器对所述频域压缩码进行解码,确定频域还原表征,并使用快速傅里叶反变换算法对所述频域还原表征进行变换得到第二时域还原表征;
还原模块,用于基于预设第一时域权重和预设第二时域权重,对所述第一时域还原表征以及所述第二时域还原表征进行加权求和,确定还原振动信号片段。
可选地,所述装置还包括:
信号拼接模块,用于所述确定还原振动信号之后,对所述还原振动信号片段进行拼接,确定与所述目标振动信号对应的还原振动信号。
可选地,所述装置还包括:
删除模块,用于所述基于所述第一频域信号片段和所述第二频域信号片段,确定具有实部通道和虚部通道的多个频域振动信号片段之后,基于振动信号的频域对称性,删除所述频域振动信号片段的对称部分;
相应地,所述装置还包括:
补齐模块,用于所述使用快速傅里叶反变换算法对所述频域还原表征进行变换得到第二时域还原表征之前,基于振动信号的频域对称性,对所述第二时域还原表征进行对称补齐。
可选地,所述使用实部-频率的方式对所述时域振动信号片段进行表达确定第一频域信号片段,使用虚部-频率的方式对所述时域振动信号片段进行表达确定第二频域信号片段,可替换为:使用幅值-频率的方式对所述时域振动信号片段进行表达确定第一频域信号片段,使用相位-频率的方式对所述时域振动信号片段进行表达确定第二频域信号片段。
可选地,所述预设神经网络模型包括时域模型和频域模型,所述时域模型包括时域编码器、时域解码器以及时域对抗器,所述时域编码器的输出层维度基于所述预设数量以及预设时域压缩率确定,通过将时域对抗损失loss11的权重设置为0,将时域重构损失在收敛时的取值作为时域对抗损失权重b11,通过将时域重构损失loss12的权重设置为0,将时域对抗损失在收敛时的取值作为时域重构损失权重b12,所述时域模型对应的反向传播损失loss1计算公式为loss1=α1*b12*loss11+(1-α1)b11*loss12,α1为第一预设系数;
所述频域模型包括频域编码器、频域解码器以及频域对抗器,所述频域编码器的输出层维度基于所述预设数量以及预设频域压缩率确定,通过将频域对抗损失loss21的权重设置为0,将频域重构损失在收敛时的取值作为频域对抗损失权重b21,通过将频域重构损失loss22的权重设置为0,将频域对抗损失在收敛时的取值作为频域重构损失权重b22,所述频域模型对应的反向传播损失loss2计算公式为loss2=α2*b22*loss21+(1-α2)b21*loss22,α2为第二预设系数。
可选地,所述时域模型的时域编码器和时域解码器对应的衰减系数小于所述时域对抗器对应的衰减系数,所述频域模型的频域编码器和频域解码器对应的衰减系数小于所述频域对抗器对应的衰减系数。
需要说明的是,本申请实施例提供的一种振动信号压缩装置所涉及各功能单元的其他相应描述,可以参考图1至图4方法中的对应描述,在此不再赘述。
基于上述如图1至图4所示方法,相应的,本申请实施例还提供了一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述如图1至图4所示的振动信号压缩方法。
基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施场景所述的方法。
基于上述如图1至图4所示的方法,以及虚拟装置实施例,为了实现上述目的,本申请实施例还提供了一种计算机设备,具体可以为个人计算机、服务器、网络设备等,该计算机设备包括存储介质和处理器;存储介质,用于存储计算机程序;处理器,用于执行计算机程序以实现上述如图1至图2所示的振动信号压缩方法。
可选地,该计算机设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency,RF)电路,传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等,可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、WI-FI接口)等。
本领域技术人员可以理解,本实施例提供的一种计算机设备结构并不构成对该计算机设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理和保存计算机设备硬件和软件资源的程序,支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信,以及与该实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现,也可以通过硬件实现首先将目标振动信号分割成指定长度,然后通过快速傅里叶变换(FFT)生成信号的频域表征(即幅频谱和相频谱)。接着,将信号的时域形式使用GAN-SAE1进行学习压缩,将信号的频域表征使用GAN-SAE2进行学习压缩。训练完毕后,得到时域编码器、时域解码器、频域编码器、频域解码器。使用时域编码器、频域编码器对全部信号进行压缩并得到信号的时域压缩码和频域压缩码。本申请实施例通过时域、频域的同步压缩保证了时域和频域的重要特征都得到有效保留,十分利于满足后期的故障诊断、寿命预测任务。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本申请所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述,不代表实施场景的优劣。以上公开的仅为本申请的几个具体实施场景,但是,本申请并非局限于此,任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (10)
1.一种振动信号压缩方法,其特征在于,包括:
获取目标振动信号,并按预设长度对所述目标振动信号进行切分确定与所述目标振动信号对应的预设数量的时域振动信号片段;
使用快速傅里叶变换算法分别将每个所述时域振动信号片段变换到频域上,并使用实部-频率的方式对所述时域振动信号片段进行表达确定第一频域信号片段,使用虚部-频率的方式对所述时域振动信号片段进行表达确定第二频域信号片段;
基于所述第一频域信号片段和所述第二频域信号片段,确定具有实部通道和虚部通道的预设数量的频域振动信号片段;
利用预设神经网络模型的时域编码器对所述时域振动信号片段进行压缩得到所述时域振动信号片段对应的时域压缩码,以及利用所述预设神经网络模型的频域编码器对所述频域振动信号片段进行压缩得到所述频域振动信号片段对应的频域压缩码。
2.根据权利要求1所述的方法,其特征在于,所述利用预设神经网络模型的时域编码器对所述时域振动信号片段进行压缩得到所述时域振动信号片段对应的时域压缩码,以及利用所述预设神经网络模型的频域编码器对所述频域振动信号片段进行压缩得到所述频域振动信号片段对应的频域压缩码之后,所述方法还包括:
响应于信号还原指令,利用所述预设神经网络模型的时域解码器对所述时域压缩码进行解码,确定第一时域还原表征;
利用所述预设神经网络模型的频域解码器对所述频域压缩码进行解码,确定频域还原表征,并使用快速傅里叶反变换算法对所述频域还原表征进行变换得到第二时域还原表征;
基于预设第一时域权重和预设第二时域权重,对所述第一时域还原表征以及所述第二时域还原表征进行加权求和,确定还原振动信号片段。
3.根据权利要求2所述的方法,其特征在于,所述确定还原振动信号之后,所述方法还包括:
对所述还原振动信号片段进行拼接,确定与所述目标振动信号对应的还原振动信号。
4.根据权利要求2所述的方法,其特征在于,所述基于所述第一频域信号片段和所述第二频域信号片段,确定具有实部通道和虚部通道的多个频域振动信号片段之后,所述方法还包括:
基于振动信号的频域对称性,将所述频域振动信号片段的对称部分删除一半,保留一半的数据;
相应地,所述使用快速傅里叶反变换算法对所述频域还原表征进行变换得到第二时域还原表征之前,所述方法还包括:
基于振动信号的频域对称性,以将基于振动信号的频域对称性所删除的一半数据进行补齐。
5.根据权利要求1所述的方法,其特征在于,
所述使用实部-频率的方式对所述时域振动信号片段进行表达确定第一频域信号片段,使用虚部-频率的方式对所述时域振动信号片段进行表达确定第二频域信号片段,可替换为:使用幅值-频率的方式对所述时域振动信号片段进行表达确定第一频域信号片段,使用相位-频率的方式对所述时域振动信号片段进行表达确定第二频域信号片段。
6.根据权利要求1所述的方法,其特征在于,所述预设神经网络模型包括时域模型和频域模型,所述时域模型包括时域编码器、时域解码器以及时域对抗器,所述时域编码器的输出层维度基于所述预设数量以及预设时域压缩率确定,通过将时域对抗损失loss11的权重设置为0,将时域重构损失在收敛时的取值作为时域对抗损失权重b11,通过将时域重构损失loss12的权重设置为0,将时域对抗损失在收敛时的取值作为时域重构损失权重b12,所述时域模型对应的反向传播损失loss1计算公式为loss1=α1*b12*loss11+(1-α1)b11*loss12,α1为第一预设系数;
所述频域模型包括频域编码器、频域解码器以及频域对抗器,所述频域编码器的输出层维度基于所述预设数量以及预设频域压缩率确定,通过将频域对抗损失loss21的权重设置为0,将频域重构损失在收敛时的取值作为频域对抗损失权重b21,通过将频域重构损失loss22的权重设置为0,将频域对抗损失在收敛时的取值作为频域重构损失权重b22,所述频域模型对应的反向传播损失loss2计算公式为loss2=α2*b22*loss21+(1-α2)b21*loss22,α2为第二预设系数。
7.根据权利要求6所述的方法,其特征在于,所述时域模型的时域编码器和时域解码器对应的衰减系数小于所述时域对抗器对应的衰减系数,所述频域模型的频域编码器和频域解码器对应的衰减系数小于所述频域对抗器对应的衰减系数。
8.一种振动信号压缩装置,其特征在于,包括:
切分模块,用于获取目标振动信号,并按预设长度对所述目标振动信号进行切分确定与所述目标振动信号对应的预设数量的时域振动信号片段;
变换模块,用于使用快速傅里叶变换算法分别将每个所述时域振动信号片段变换到频域上,并使用实部-频率的方式对所述时域振动信号片段进行表达确定第一频域信号片段,使用虚部-频率的方式对所述时域振动信号片段进行表达确定第二频域信号片段;
合成模块,用于基于所述第一频域信号片段和所述第二频域信号片段,确定具有实部通道和虚部通道的预设数量的频域振动信号片段;
压缩模块,用于利用预设神经网络模型的时域编码器对所述时域振动信号片段进行压缩得到所述时域振动信号片段对应的时域压缩码,以及利用所述预设神经网络模型的频域编码器对所述频域振动信号片段进行压缩得到所述频域振动信号片段对应的频域压缩码。
9.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。
10.一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110141876.8A CN112968886B (zh) | 2021-02-02 | 2021-02-02 | 振动信号压缩方法及装置、存储介质、计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110141876.8A CN112968886B (zh) | 2021-02-02 | 2021-02-02 | 振动信号压缩方法及装置、存储介质、计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112968886A CN112968886A (zh) | 2021-06-15 |
CN112968886B true CN112968886B (zh) | 2021-12-03 |
Family
ID=76273291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110141876.8A Active CN112968886B (zh) | 2021-02-02 | 2021-02-02 | 振动信号压缩方法及装置、存储介质、计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112968886B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113840328B (zh) * | 2021-09-09 | 2023-10-20 | 锐捷网络股份有限公司 | 一种数据压缩方法、装置、电子设备及存储介质 |
CN114090950A (zh) * | 2021-11-25 | 2022-02-25 | 成都飞机工业(集团)有限责任公司 | 平稳振动信号的宽频噪声等相位压缩方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110233626A (zh) * | 2019-07-05 | 2019-09-13 | 重庆邮电大学 | 基于二维自适应量化的机械振动信号边缘数据无损压缩方法 |
CN111120388A (zh) * | 2020-03-31 | 2020-05-08 | 浙江上风高科专风实业有限公司 | 一种风机状态联合监测方法及系统 |
CN111898321A (zh) * | 2020-08-07 | 2020-11-06 | 湖南工业大学 | 基于深度学习的叶片欠采样叶端定时信号压缩重构方法 |
CN112152633A (zh) * | 2020-09-30 | 2020-12-29 | 石家庄铁道大学 | 振动信号压缩方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102394658A (zh) * | 2011-10-16 | 2012-03-28 | 西南科技大学 | 一种面向机械振动信号的复合压缩方法 |
US10135599B2 (en) * | 2016-08-05 | 2018-11-20 | Nokia Technologies Oy | Frequency domain compression for fronthaul interface |
CN108304778B (zh) * | 2017-12-27 | 2022-01-25 | 兰州理工大学 | 一种基于压缩域的振动信号特征提取方法 |
-
2021
- 2021-02-02 CN CN202110141876.8A patent/CN112968886B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110233626A (zh) * | 2019-07-05 | 2019-09-13 | 重庆邮电大学 | 基于二维自适应量化的机械振动信号边缘数据无损压缩方法 |
CN111120388A (zh) * | 2020-03-31 | 2020-05-08 | 浙江上风高科专风实业有限公司 | 一种风机状态联合监测方法及系统 |
CN111898321A (zh) * | 2020-08-07 | 2020-11-06 | 湖南工业大学 | 基于深度学习的叶片欠采样叶端定时信号压缩重构方法 |
CN112152633A (zh) * | 2020-09-30 | 2020-12-29 | 石家庄铁道大学 | 振动信号压缩方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于自适应学习的量子神经网络振动信号压缩;王怀光等;《振动工程学报 》;20180615;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112968886A (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11250595B2 (en) | Tiled image compression using neural networks | |
CN112968886B (zh) | 振动信号压缩方法及装置、存储介质、计算机设备 | |
CN110892419B (zh) | 停止码容忍的图像压缩神经网络 | |
CN109785847B (zh) | 基于动态残差网络的音频压缩算法 | |
CN115050378B (zh) | 音频编解码方法及相关产品 | |
CN115668777A (zh) | 用于改进的机器学习压缩的系统和方法 | |
US11990148B2 (en) | Compressing audio waveforms using neural networks and vector quantizers | |
WO2022213825A1 (zh) | 基于神经网络的端到端语音增强方法、装置 | |
CN115426075A (zh) | 语义通信的编码传输方法及相关设备 | |
CN114450938B (zh) | 多速率神经图像压缩方法、装置以及电子设备 | |
KR20220061223A (ko) | 적대적 발생기들에 의한 레이트-적응형 신경 이미지 압축을 위한 방법 및 장치 | |
CN105379280A (zh) | 使用运动场的图像序列编码/解码 | |
CN113990347A (zh) | 一种信号处理方法、计算机设备及存储介质 | |
WO2021231218A1 (en) | Method and apparatus for feature substitution for end-to-end image compression | |
CN112639832A (zh) | 识别生成网络的显著特征 | |
CN111565314A (zh) | 图像压缩方法、编解码网络训练方法、装置及电子设备 | |
US20240214591A1 (en) | Multi-receptive fields in vision transformer | |
KR102650523B1 (ko) | 심층 강화 학습에 의한 종단 간 신경 압축을 위한 방법 및 장치 | |
KR20220065306A (ko) | 연속 심층 영상 압축을 위한 장치 및 방법 | |
US20240236346A1 (en) | Efficient neural network module for image compression | |
US20230186081A1 (en) | System, method, and computer program for iterative content adaptive online training in neural image compression | |
KR20240025629A (ko) | 광학 흐름를 이용한 비디오 압축 | |
CN116011556A (zh) | 一种训练音频编解码器的系统和方法 | |
KR20230158597A (ko) | 신경 이미지 압축에서의 온라인 트레이닝 기반 인코더 튜닝 | |
JP2024512652A (ja) | ニューラル画像圧縮における複数ブロック用のコンテンツ適応型オンライン訓練のためのシステム、方法、およびコンピュータプログラム |
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 |