CN113065387B - 一种机泵系统的小波降噪方法及系统 - Google Patents

一种机泵系统的小波降噪方法及系统 Download PDF

Info

Publication number
CN113065387B
CN113065387B CN202110149129.9A CN202110149129A CN113065387B CN 113065387 B CN113065387 B CN 113065387B CN 202110149129 A CN202110149129 A CN 202110149129A CN 113065387 B CN113065387 B CN 113065387B
Authority
CN
China
Prior art keywords
signal
noise
obtaining
result
data
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
CN202110149129.9A
Other languages
English (en)
Other versions
CN113065387A (zh
Inventor
马吉林
但家梭
蔡玉良
于淳
孙宁
孙东昊
张旋武
赵天义
王新宇
王潇
赵轩
毕玉军
王在忠
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.)
China Classification Society
Original Assignee
China Classification Society
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 China Classification Society filed Critical China Classification Society
Priority to CN202110149129.9A priority Critical patent/CN113065387B/zh
Publication of CN113065387A publication Critical patent/CN113065387A/zh
Application granted granted Critical
Publication of CN113065387B publication Critical patent/CN113065387B/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
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Abstract

本发明公开了一种机泵系统的小波降噪方法及系统，通过所述数据读取模块获得第一含噪训练集，通过所述数据读取模块获得第一信号训练集，通过所述特征提取模块对所述第一含噪训练集和所述第一信号训练集进行特征提取，获得第一提取结果，将所述第一提取结果作为第一输入信息；将所述第一输入信息输入滤波模型，获得第一含噪信号，获得第一处理结果，将幅度谱输入经过训练的所述维纳滤波器；获得第一输出结果，根据第一输出结果获得第一滤波信号；将所述第一滤波信号输入小波降噪模块；获得第二输出结果，第二输出结果包括降噪信号。解决了现有技术中缺少针对离心泵机舱噪声特定环境下的噪声抑制，导致对离心泵信号的处理不准确的技术问题。

Description

一种机泵系统的小波降噪方法及系统
技术领域
本发明涉及离心泵噪声处理相关领域，尤其涉及一种机泵系统的小波降噪方法及系统。
背景技术
振动监测是工业预测性维护中常用的方法，由于在信号采集过程中，环境噪声会影响采集到的振动监测信号，对故障诊断的结果造成影响。信号增强在地震勘探、数值分析以及故障诊断等领域均有着广泛的应用，是国内外研究的重点。传统的信号增强方法大多假定白噪声为噪声类型，应用范围受到限制。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术中缺少针对离心泵机舱噪声特定环境下的噪声抑制，导致对离心泵信号的处理不准确的技术问题。
发明内容
本申请实施例通过提供一种机泵系统的小波降噪方法及系统，解决了现有技术中缺少针对离心泵机舱噪声特定环境下的噪声抑制，导致对离心泵信号的处理不准确的技术问题，达到深度结合离心泵机舱噪声特性，对离心泵信号进行更加准确的处理的技术效果。
鉴于上述问题，提出了本申请实施例提供一种机泵系统的小波降噪方法及系统。
第一方面，本申请实施例提供了一种机泵系统的小波降噪方法，所述方法应用于一机泵小波降噪系统，所述机泵小波降噪系统与数据读取模块、特征提取模块、小波降噪模块通信连接，所述方法包括：通过所述数据读取模块获得第一含噪训练集，其中，所述第一含噪训练集为含噪信号的数据集；通过所述数据读取模块获得第一信号训练集，其中，所述第一信号训练集为与所述第一含噪信号的数据集中的数据一一对应的非噪信号的数据集；通过所述特征提取模块对所述第一含噪训练集和所述第一信号训练集进行特征提取，获得第一提取结果，将所述第一提取结果作为第一输入信息；将所述第一输入信息输入滤波模型，所述滤波模型为以维纳滤波器为训练目标的模型；获得第一含噪信号，根据第一处理指令对所述第一含噪信号进行处理；获得第一处理结果，所述第一处理结果包括所述第一含噪信号的幅度谱，将所述幅度谱输入经过训练的所述维纳滤波器；获得第一输出结果，根据所述第一输出结果获得第一滤波信号；将所述第一滤波信号输入所述小波降噪模块；获得第二输出结果，其中，所述第二输出结果包括降噪信号。
另一方面，本申请还提供了一种机泵系统的小波降噪系统，所述系统包括：第一获得单元，所述第一获得单元用于通过数据读取模块获得第一含噪训练集，其中，所述第一含噪训练集为含噪信号的数据集；第二获得单元，所述第二获得单元用于通过所述数据读取模块获得第一信号训练集，其中，所述第一信号训练集为与所述第一含噪信号的数据集中的数据一一对应的非噪信号的数据集；第三获得单元，所述第三获得单元用于通过特征提取模块对所述第一含噪训练集和所述第一信号训练集进行特征提取，获得第一提取结果，将所述第一提取结果作为第一输入信息；第一输入单元，所述第一输入单元用于将所述第一输入信息输入滤波模型，所述滤波模型为以维纳滤波器为训练目标的模型；第四获得单元，所述第四获得单元用于获得第一含噪信号，根据第一处理指令对所述第一含噪信号进行处理；第五获得单元，所述第五获得单元用于获得第一处理结果，所述第一处理结果包括所述第一含噪信号的幅度谱，将所述幅度谱输入经过训练的所述维纳滤波器；第六获得单元，所述第六获得单元用于获得第一输出结果，根据所述第一输出结果获得第一滤波信号；第二输入单元，所述第二输入单元用于将所述第一滤波信号输入小波降噪模块；第七获得单元，所述第七获得单元用于获得第二输出结果，其中，所述第二输出结果包括降噪信号。
第三方面，本发明提供了一种机泵系统的小波降噪系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了获得第一含噪训练集和第一信号训练集，其中，所述第一含噪训练集与所述第一信号训练集的数据一一对应，通过特征提取模块对所述第一含噪训练集和所述第一信号训练集进行特征提取，获得第一提取结果，将所述第一提取结果作为第一输入信息输入滤波模型，以维纳滤波器作为网络的训练目标，获得训练后的维纳滤波器，将所述第一含噪信号进行处理，获得含噪信号的幅度谱，将所述幅度谱输入所述维纳滤波器，通过所述维纳滤波器获得第一滤波信号，将所述第一滤波信号进行小波降噪模块的降噪处理，获得降噪信号，达到深度结合离心泵机舱噪声特性，对离心泵信号进行更加准确的处理的技术效果。
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
图1为本申请实施例一种机泵系统的小波降噪方法的流程示意图；
图2为本申请实施例一种机泵系统的小波降噪系统的结构示意图；
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明：第一获得单元11，第二获得单元12，第三获得单元13，第一输入单元14，第四获得单元15，第五获得单元16，第六获得单元17，第二输入单元18，第七获得单元19，总线300，接收器301，处理器302，发送器303，存储器304，总线接口306。
具体实施方式
本申请实施例通过提供一种机泵系统的小波降噪方法及系统，解决了现有技术中缺少针对离心泵机舱噪声特定环境下的噪声抑制，导致对离心泵信号的处理不准确的技术问题，达到深度结合离心泵机舱噪声特性，对离心泵信号进行更加准确的处理的技术效果。下面，将参考附图详细的描述根据本申请的示例实施例。显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
振动监测是工业预测性维护中常用的方法，由于在信号采集过程中，环境噪声会影响采集到的振动监测信号，对故障诊断的结果造成影响。信号增强在地震勘探、数值分析以及故障诊断等领域均有着广泛的应用，是国内外研究的重点。传统的信号增强方法大多假定白噪声为噪声类型，应用范围受到限制。但现有技术中缺少针对离心泵机舱噪声特定环境下的噪声抑制，导致对离心泵信号的处理不准确的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请实施例提供了一种机泵系统的小波降噪方法，所述方法应用于一机泵小波降噪系统，所述机泵小波降噪系统与数据读取模块、特征提取模块、小波降噪模块通信连接，所述方法包括：通过所述数据读取模块获得第一含噪训练集，其中，所述第一含噪训练集为含噪信号的数据集；通过所述数据读取模块获得第一信号训练集，其中，所述第一信号训练集为与所述第一含噪信号的数据集中的数据一一对应的非噪信号的数据集；通过所述特征提取模块对所述第一含噪训练集和所述第一信号训练集进行特征提取，获得第一提取结果，将所述第一提取结果作为第一输入信息；将所述第一输入信息输入滤波模型，所述滤波模型为以维纳滤波器为训练目标的模型；获得第一含噪信号，根据第一处理指令对所述第一含噪信号进行处理；获得第一处理结果，所述第一处理结果包括所述第一含噪信号的幅度谱，将所述幅度谱输入经过训练的所述维纳滤波器；获得第一输出结果，根据所述第一输出结果获得第一滤波信号；将所述第一滤波信号输入所述小波降噪模块；获得第二输出结果，其中，所述第二输出结果包括降噪信号。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种机泵系统的小波降噪方法，所述方法应用于一机泵小波降噪系统，所述机泵小波降噪系统与数据读取模块、特征提取模块、小波降噪模块通信连接，其中，所述方法包括：
步骤S100：通过所述数据读取模块获得第一含噪训练集，其中，所述第一含噪训练集为含噪信号的数据集；
步骤S200：通过所述数据读取模块获得第一信号训练集，其中，所述第一信号训练集为与所述第一含噪信号的数据集中的数据一一对应的非噪信号的数据集；
具体而言，机泵小波降噪系统为通过对输入含噪信号进行处理的系统，所述数据读取模块为提供数据接口，对数据进行读取的模块，所述特征提取模块为至少包含信号处理及噪声特征提取功能的模块，所述小波降噪模块为对含噪信号进行分解处理的模块，通过所述第一数据读取模块获得第一含噪训练集和第一信号训练集，其中，所述第一含噪训练集和所述第一信号训练集的信号数据为一一对应关系，即每一含噪信号均有与其对应的非噪信号，通过所述训练集中的信号的对应关系，为后续准确的确定噪声的特征，获得准确的噪声处理结果夯实了基础。
步骤S300：通过所述特征提取模块对所述第一含噪训练集和所述第一信号训练集进行特征提取，获得第一提取结果，将所述第一提取结果作为第一输入信息；
具体而言，所述特征提取过程包括第一提取过程和第二提取过程，其中，所述第一提取过程为对所述训练集中的信号进行聚类，即区分不同的信号聚类集，获得不同聚类集对应的归一化后的对数功率谱，将所述归一化后的对数功率谱作为第一输入信息；所述第二提取结果为对噪声进行特征提取，构建特有的离心泵机舱噪声特征集。
步骤S400：将所述第一输入信息输入滤波模型，所述滤波模型为以维纳滤波器为训练目标的模型；
具体而言，特征提取模块主要对输入的数据集进行输入特征和训练目标的构建，采用归一化后的对数功率谱作为网络的输入特征，以维纳滤波器作为网络的训练目标，其中维纳滤波器是理想比例掩膜的一种，根据采集数据的不同，可以表示为
Figure BDA0002931564490000071
或
Figure BDA0002931564490000072
其中，|X(k)|，|Y(k)|,|N(k)|分别为纯净信号，含噪信号以及噪声的幅度谱，式中|X(k)|2+|N(k)|2是对|Y(k)|2的估计。通过反向传播方法(Back Propagation，BP)，用三层滤波模型和一层BP构成了经典的DBN结构。首先分别对每一层滤波模型进行无监督的预训练，然后进行有监督的训练。充分训练后的DBN可以实现从含噪信号的归一化对数功率谱到频域维纳滤波器的非线性映射。
步骤S500：获得第一含噪信号，根据第一处理指令对所述第一含噪信号进行处理；
具体而言，所述含噪信号为含有噪声的机泵信号，根据所述第一处理指令对所述第一含噪信号进行处理，其中，所述处理过程包括根据所述含噪信号获得所述含噪信号的幅度谱。
步骤S600：获得第一处理结果，所述第一处理结果包括所述第一含噪信号的幅度谱，将所述幅度谱输入经过训练的所述维纳滤波器；
步骤S700：获得第一输出结果，根据所述第一输出结果获得第一滤波信号；
具体而言，将所述第一含噪信号的幅度谱输入所述训练后的维纳滤波器，根据所述维纳滤波器中含噪信号的归一化对数功率谱到频域维纳滤波器的非线性映射，获得第一输出结果，其中，所述第一输出结果包括第一滤波信号。
进一步而言，本申请实施例步骤S700还包括：
步骤S710：根据所述第一处理结果，获得所述第一含噪信号的相位谱；
步骤S720：根据所述相位谱对所述第一输出结果进行波形重构；
步骤S730：获得所述波形重构结果，所述波形重构结果包括第一滤波信号。
具体而言，所述第一处理结果不但包括获得所述第一含噪信号的幅度谱，还包括根据所述第一含噪信号获得的相位谱，根据所述相位谱和所述经过维纳滤波器处理后的幅度谱信息，进行频域滤波以及傅里叶逆变换，实现时域增强信号的预测，即进行波形重构，获得经过波形重构的第一滤波信号。通过对幅度谱信息的过滤后，结合相位谱进行傅里叶逆变换的波形重构，可获得更加准确的非噪信号的预测，进而达到获得更加准确的第一滤波信号的技术效果。
步骤S800：将所述第一滤波信号输入所述小波降噪模块；
步骤S900：获得第二输出结果，其中，所述第二输出结果包括降噪信号。
具体而言，所述小波降噪模块为对滤波信号进行小波分解，进行自适应阈值设定，以达到降噪结果的模块，所述小波降噪模块支持Haar、Daubechies、Symlets等小波基函数，本申请实施例优选db4作为小波基函数。达到深度结合离心泵机舱噪声特性，对离心泵信号进行更加准确的处理的技术效果。
进一步而言，所述将所述第一滤波信号输入小波降噪模块，本申请实施例步骤S800还包括：
步骤S810：获得第一分解指令；
步骤S820：根据所述第一分解指令，对所述第一滤波信号进行小波分解；
步骤S830：获得第一小波分解系数，将所述第一小波分解系数作为第一指标；
步骤S840：获得第一噪声评估指令；
步骤S850：根据所述第一噪声评估指令对所述第一小波分解系数进行噪声评估；
步骤S860：获得第一评估结果，将所述第一评估结果作为第二指标；
步骤S870：根据所述第一指标和所述第二指标获得自适应阈值；
步骤S880：将所述第一滤波信号通过所述自适应阈值进行降噪处理，获得降噪信号。
具体而言，通过所述第一分解指令，所述小波降噪模块对所述第一滤波信号进行小波分解，根据所述应用的小波基函数，获得小波分解系数，将所述第一小波分解系数作为第一指标；通过所述噪声评估指令，对所述小波分解系数进行噪声评估，其中，所述噪声评估包括两种方式，一种为对每层小波分解系数进行噪声评估，一种为只对第一层小波分解系数进行噪声评估，根据上述不同的评估方式，获得噪声标准差，将所述噪声标准差作为第一评估结果，将所述第一评估结果作为第二指标，所述小波降噪模块通过启发式sure阈值实现自适应的阈值设定，所述自适应阈值根据所述第一指标和第二指标获得，将所述第一滤波信号通过所述自适应阈值进行降噪处理，获得降噪信号。
进一步而言，所述将所述滤波信号通过所述自适应阈值进行降噪处理，获得降噪信号之前，本申请实施例步骤S880还包括：
步骤S881：获得所述噪声评估的第二评估结果，其中，所述第二评估结果包括噪声的信噪比，将所述信噪比作为第三指标；
步骤S882：根据所述第一指标和第三指标，获得第一分解尺度；
步骤S883：获得第二分解指令，根据所述第二分解指令通过所述第一分解尺度对所述第一滤波信号进行分解，获得第一分解结果；
步骤S884：根据所述第一分解结果通过所述自适应阈值进行降噪处理，获得降噪信号。
具体而言，获得所述噪声评估的第二评估结果，其中，所述第二评估结果包括所述噪声在所述第一滤波信号中的信号的比例，即信噪比信息，将所述信噪比信息作为第三指标，根据所述第一指标和第三指标，进行权重分析融合，获得第一分解尺度，所述第一分解尺度为求解的最佳分解尺度，获得第二分解指令，根据所述第二分解指令通过所述第一分解尺度对所述第一滤波信号进行小波分解，获得第一分解结果，将所述分解结果进行上述自适应阈值的降噪，获得降噪信号。通过对所述最佳分解尺度及阈值的自适应设定，进而可达到更好的降噪效果。
进一步而言，所述通过所述特征提取模块对所述第一含噪训练集和所述第一信号训练集进行特征提取，获得第一提取结果，将所述第一提取结果作为第一输入信息，本申请实施例步骤S300还包括：
步骤S310：获得第一聚类指令；
步骤S320：根据所述第一聚类指令对所述第一含噪训练集和所述第一信号训练集进行聚类处理；
步骤S330：获得第一聚类处理结果，其中，所述第一聚类处理结果包括纯净信号聚类集、含噪信号聚类集和噪声聚类集；
步骤S340：获得第一特征提取指令；
步骤S350：根据所述第一特征提取指令对所述第一聚类处理结果进行特征提取；
步骤S360：获得第一提取结果，所述第一提取结果包括所述第一聚类处理结果中不同聚类对应的幅度谱；
步骤S370：将所述第一提取结果作为第一输入信息。
具体而言，所述聚类是指将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。将所述第一含噪训练集和所述第一信号训练集进行聚类处理，获得纯净信号聚类集、含噪信号聚类集和噪声聚类集，获得第一特征提取指令，根据所述第一特征提取指令，对所述聚类集进行处理，所述处理包括输入特征和训练目标的构建，方法采用归一化后的对数功率谱作为模型的输入特征，获得第一提取结果，将所述第一提取结果作为第一输入信息。
进一步而言，本申请实施例还包括：
步骤S341：获得第二特征提取指令；
步骤S342：根据所述第二特征提取指令对所述噪声聚类集进行噪声特征提取；
步骤S343：获得第二提取结果；
步骤S344：根据所述第二提取结果，构建噪声特征集；
步骤S345：根据所述噪声特征集对所述第一含噪信号进行降噪处理。
具体而言，为了使所述含噪信号的降噪处理更加准确、迅速，可进行噪声特征集的构建，即获得第二特征提取指令，根据所述第二特征提取指令，对所述噪声聚类集进行噪声特征提取，根据所述噪声特征提取结果，进行噪声特征集的构建。所述噪声特征集用于对后续含噪信号输入所述维纳滤波器前的预处理，达到对特征噪声准确有效的剔除，进而获得更加准确的信号的技术效果。
进一步而言，本申请实施例还包括：
步骤S1010：获得所述第一信号训练集的第一数据和第二数据，其中，所述第一数据和第二数据为同一条信号的数据；
步骤S1020：获得第一判断指令；
步骤S1030：根据所述第一判断指令对所述第一数据和所述第二数据的采样率进行判断；
步骤S1040：当所述第一数据和所述第二数据的采样率一致时，获得第二判断指令；
步骤S1050：根据所述第二判断指令对所述第一数据和所述第二数据的采样点数进行判断；
步骤S1060：当所述第一数据和所述第二数据的采样点数一致时，将所述第一数据和所述第二数据作为所述第一信号训练集的中同一信号的训练数据。
具体而言，对于同一条信号的数据，需保证所述信号的数据的采样率与采样点数的一致性，采样率定义了每秒从连续信号中提取并组成离散信号的采样个数，采样点数是反映了信号丰富程度的数据，根据第一判断指令，对所述第一数据和第二数据的一致性进行判断，当所述第一数据和所述第二数据的采样率一致时，获得第二判断指令，根据所述第二判断指令，对所述第一数据和第二数据的采样点数是否一致进行判断，当所述第一数据和所述第二数据的采样点数一致时，将所述第一数据和所述第二数据作为所述第一信号训练集的中同一信号的训练数据。
综上所述，本申请实施例所提供的一种机泵系统的小波降噪方法及系统具有如下技术效果：
1、由于采用了获得第一含噪训练集和第一信号训练集，其中，所述第一含噪训练集与所述第一信号训练集的数据一一对应，通过特征提取模块对所述第一含噪训练集和所述第一信号训练集进行特征提取，获得第一提取结果，将所述第一提取结果作为第一输入信息输入滤波模型，以维纳滤波器作为网络的训练目标，获得训练后的维纳滤波器，将所述第一含噪信号进行处理，获得含噪信号的幅度谱，将所述幅度谱输入所述维纳滤波器，通过所述维纳滤波器获得第一滤波信号，将所述第一滤波信号进行小波降噪模块的降噪处理，获得降噪信号，达到深度结合离心泵机舱噪声特性，对离心泵信号进行更加准确的处理的技术效果。
2、由于采用了通过对幅度谱信息的过滤后，结合相位谱进行傅里叶逆变换的波形重构的方式，获得更加准确的非噪信号的预测，进而达到获得更加准确的第一滤波信号的技术效果。
3、由于采用了通过对所述最佳分解尺度及阈值的自适应设定的方式，进而可达到更好的降噪效果。
实施例二
基于与前述实施例中一种机泵系统的小波降噪方法同样发明构思，本发明还提供了一种机泵系统的小波降噪系统，如图2所示，所述系统包括：
第一获得单元11，所述第一获得单元11用于通过数据读取模块获得第一含噪训练集，其中，所述第一含噪训练集为含噪信号的数据集；
第二获得单元12，所述第二获得单元12用于通过所述数据读取模块获得第一信号训练集，其中，所述第一信号训练集为与所述第一含噪信号的数据集中的数据一一对应的非噪信号的数据集；
第三获得单元13，所述第三获得单元13用于通过特征提取模块对所述第一含噪训练集和所述第一信号训练集进行特征提取，获得第一提取结果，将所述第一提取结果作为第一输入信息；
第一输入单元14，所述第一输入单元14用于将所述第一输入信息输入滤波模型，所述滤波模型为以维纳滤波器为训练目标的模型；
第四获得单元15，所述第四获得单元15用于获得第一含噪信号，根据第一处理指令对所述第一含噪信号进行处理；
第五获得单元16，所述第五获得单元16用于获得第一处理结果，所述第一处理结果包括所述第一含噪信号的幅度谱，将所述幅度谱输入经过训练的所述维纳滤波器；
第六获得单元17，所述第六获得单元17用于获得第一输出结果，根据所述第一输出结果获得第一滤波信号；
第二输入单元18，所述第二输入单元18用于将所述第一滤波信号输入小波降噪模块；
第七获得单元19，所述第七获得单元19用于获得第二输出结果，其中，所述第二输出结果包括降噪信号。
进一步的，所述系统还包括：
第八获得单元，所述第八获得单元用于根据所述第一处理结果，获得所述第一含噪信号的相位谱；
第一重构单元，所述第一重构单元用于根据所述相位谱对所述第一输出结果进行波形重构；
第九获得单元，所述第九获得单元用于获得所述波形重构结果，所述波形重构结果包括第一滤波信号。
进一步的，所述系统还包括：
第十获得单元，所述第十获得单元用于获得第一分解指令；
第一分解单元，所述第一分解单元用于根据所述第一分解指令，对所述第一滤波信号进行小波分解；
第十一获得单元，所述第十一获得单元用于获得第一小波分解系数，将所述第一小波分解系数作为第一指标；
第十二获得单元，所述第十二获得单元用于获得第一噪声评估指令；
第一评估单元，所述第一评估单元用于根据所述第一噪声评估指令对所述第一小波分解系数进行噪声评估；
第十三获得单元，所述第十三获得单元用于获得第一评估结果，将所述第一评估结果作为第二指标；
第十四获得单元，所述第十四获得单元用于根据所述第一指标和所述第二指标获得自适应阈值；
第十五获得单元，所述第十五获得单元用于将所述第一滤波信号通过所述自适应阈值进行降噪处理，获得降噪信号。
进一步的，所述系统还包括：
第十六获得单元，所述第十六获得单元用于获得所述噪声评估的第二评估结果，其中，所述第二评估结果包括噪声的信噪比，将所述信噪比作为第三指标；
第十七获得单元，所述第十七获得单元用于根据所述第一指标和第三指标，获得第一分解尺度；
第十八获得单元，所述第十八获得单元用于获得第二分解指令，根据所述第二分解指令通过所述第一分解尺度对所述第一滤波信号进行分解，获得第一分解结果；
第十九获得单元，所述第十九获得单元用于根据所述第一分解结果通过所述自适应阈值进行降噪处理，获得降噪信号。
进一步的，所述系统还包括：
第二十获得单元，所述第二十获得单元用于获得第一聚类指令；
第一聚类单元，所述第一聚类单元用于根据所述第一聚类指令对所述第一含噪训练集和所述第一信号训练集进行聚类处理；
第二十一获得单元，所述第二十一获得单元用于获得第一聚类处理结果，其中，所述第一聚类处理结果包括纯净信号聚类集、含噪信号聚类集和噪声聚类集；
第二十二获得单元，所述第二十二获得单元用于获得第一特征提取指令；
第一特征提取单元，所述第一特征提取单元用于根据所述第一特征提取指令对所述第一聚类处理结果进行特征提取；
第二十三获得单元，所述第二十三获得单元用于获得第一提取结果，所述第一提取结果包括所述第一聚类处理结果中不同聚类对应的幅度谱；
第二十四获得单元，所述第二十四获得单元用于将所述第一提取结果作为第一输入信息。
进一步的，所述系统还包括：
第二十五获得单元，所述第二十五获得单元用于获得第二特征提取指令；
第二特征提取单元，所述第二特征提取单元用于根据所述第二特征提取指令对所述噪声聚类集进行噪声特征提取；
第二十六获得单元，所述第二十六获得单元用于获得第二提取结果；
第一构建单元，所述第一构建单元用于根据所述第二提取结果，构建噪声特征集；
第一处理单元，所述第一处理单元用于根据所述噪声特征集对所述第一含噪信号进行降噪处理。
进一步的，所述系统还包括：
第二十七获得单元，所述第二十七获得单元用于获得所述第一信号训练集的第一数据和第二数据，其中，所述第一数据和第二数据为同一条信号的数据；
第二十八获得单元，所述第二十八获得单元用于获得第一判断指令；
第一判断单元，所述第一判断单元用于根据所述第一判断指令对所述第一数据和所述第二数据的采样率进行判断；
第二十九获得单元，所述第二十九获得单元用于当所述第一数据和所述第二数据的采样率一致时，获得第二判断指令；
第二判断单元，所述第二判断单元用于根据所述第二判断指令对所述第一数据和所述第二数据的采样点数进行判断；
第三十获得单元，第三十获得单元用于当所述第一数据和所述第二数据的采样点数一致时，将所述第一数据和所述第二数据作为所述第一信号训练集的中同一信号的训练数据。
前述图1实施例一中的一种机泵系统的小波降噪方法的各种变化方式和具体实例同样适用于本实施例的一种机泵系统的小波降噪系统，通过前述对一种机泵系统的小波降噪方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种机泵系统的小波降噪系统的实施方法，所以为了说明书的简洁，在此不再详述。
示例性电子设备
下面参考图3来描述本申请实施例的电子设备。
图3图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种机泵系统的小波降噪方法的发明构思，本发明还提供一种机泵系统的小波降噪系统，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种机泵系统的小波降噪方法的任一方法的步骤。
其中，在图3中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他系统通信的单元。
处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本发明实施例提供的一种机泵系统的小波降噪方法，所述方法应用于一机泵小波降噪系统，所述机泵小波降噪系统与数据读取模块、特征提取模块、小波降噪模块通信连接，所述方法包括：通过所述数据读取模块获得第一含噪训练集，其中，所述第一含噪训练集为含噪信号的数据集；通过所述数据读取模块获得第一信号训练集，其中，所述第一信号训练集为与所述第一含噪信号的数据集中的数据一一对应的非噪信号的数据集；通过所述特征提取模块对所述第一含噪训练集和所述第一信号训练集进行特征提取，获得第一提取结果，将所述第一提取结果作为第一输入信息；将所述第一输入信息输入滤波模型，所述滤波模型为以维纳滤波器为训练目标的模型；获得第一含噪信号，根据第一处理指令对所述第一含噪信号进行处理；获得第一处理结果，所述第一处理结果包括所述第一含噪信号的幅度谱，将所述幅度谱输入经过训练的所述维纳滤波器；获得第一输出结果，根据所述第一输出结果获得第一滤波信号；将所述第一滤波信号输入所述小波降噪模块；获得第二输出结果，其中，所述第二输出结果包括降噪信号。解决了现有技术中缺少针对离心泵机舱噪声特定环境下的噪声抑制，导致对离心泵信号的处理不准确的技术问题，达到深度结合离心泵机舱噪声特性，对离心泵信号进行更加准确的处理的技术效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.一种机泵系统的小波降噪方法，所述方法应用于一机泵小波降噪系统，所述机泵小波降噪系统与数据读取模块、特征提取模块、小波降噪模块通信连接，其中，所述方法包括：
通过所述数据读取模块获得第一含噪训练集，其中，所述第一含噪训练集为含噪信号的数据集；
通过所述数据读取模块获得第一信号训练集，其中，所述第一信号训练集为与所述含噪信号的数据集中的数据一一对应的非噪信号的数据集；
通过所述特征提取模块对所述第一含噪训练集和所述第一信号训练集进行特征提取，获得第一提取结果，将所述第一提取结果作为第一输入信息；
将所述第一输入信息输入滤波模型，所述滤波模型为以维纳滤波器为训练目标的模型；
获得第一含噪信号，根据第一处理指令对所述第一含噪信号进行处理；
获得第一处理结果，所述第一处理结果包括所述第一含噪信号的幅度谱，将所述幅度谱输入经过训练的所述维纳滤波器；
获得第一输出结果，根据所述第一输出结果获得第一滤波信号；
将所述第一滤波信号输入所述小波降噪模块；
获得第二输出结果，其中，所述第二输出结果包括降噪信号；
其中，所述通过所述特征提取模块对所述第一含噪训练集和所述第一信号训练集进行特征提取，获得第一提取结果，将所述第一提取结果作为第一输入信息，包括：
获得第一聚类指令；
根据所述第一聚类指令对所述第一含噪训练集和所述第一信号训练集进行聚类处理；
获得第一聚类处理结果，其中，所述第一聚类处理结果包括纯净信号聚类集、含噪信号聚类集和噪声聚类集；
获得第一特征提取指令；
根据所述第一特征提取指令对所述第一聚类处理结果进行特征提取；
获得第一提取结果，所述第一提取结果包括所述第一聚类处理结果中不同聚类集对应的归一化后的对数功率谱；
将所述第一提取结果作为第一输入信息；
获得第二特征提取指令；
根据所述第二特征提取指令对所述噪声聚类集进行噪声特征提取；
获得第二提取结果；
根据所述第二提取结果，构建噪声特征集；
根据所述噪声特征集对所述第一含噪信号进行降噪处理。
2.如权利要求1所述的方法，其中，所述获得第一输出结果，根据所述第一输出结果获得第一滤波信号，所述方法还包括：
根据所述第一处理结果，获得所述第一含噪信号的相位谱；
根据所述相位谱对所述第一输出结果进行波形重构；
获得所述波形重构结果，所述波形重构结果包括第一滤波信号。
3.如权利要求2所述的方法，其中，所述将所述第一滤波信号输入小波降噪模块，所述方法还包括：
获得第一分解指令；
根据所述第一分解指令，对所述第一滤波信号进行小波分解；
获得第一小波分解系数，将所述第一小波分解系数作为第一指标；
获得第一噪声评估指令；
根据所述第一噪声评估指令对所述第一小波分解系数进行噪声评估；
获得第一评估结果，将所述第一评估结果作为第二指标；
根据所述第一指标和所述第二指标获得自适应阈值；
将所述第一滤波信号通过所述自适应阈值进行降噪处理，获得降噪信号。
4.如权利要求3所述的方法，其中，所述将所述滤波信号通过所述自适应阈值进行降噪处理，获得降噪信号之前，所述方法包括：
获得所述噪声评估的第二评估结果，其中，所述第二评估结果包括噪声的信噪比，将所述信噪比作为第三指标；
根据所述第一指标和第三指标，获得第一分解尺度；
获得第二分解指令，根据所述第二分解指令通过所述第一分解尺度对所述第一滤波信号进行分解，获得第一分解结果；
根据所述第一分解结果通过所述自适应阈值进行降噪处理，获得降噪信号。
5.如权利要求1所述的方法，其中，所述方法还包括：
获得所述第一信号训练集的第一数据和第二数据，其中，所述第一数据和第二数据为同一条信号的数据；
获得第一判断指令；
根据所述第一判断指令对所述第一数据和所述第二数据的采样率进行判断；
当所述第一数据和所述第二数据的采样率一致时，获得第二判断指令；
根据所述第二判断指令对所述第一数据和所述第二数据的采样点数进行判断；
当所述第一数据和所述第二数据的采样点数一致时，将所述第一数据和所述第二数据作为所述第一信号训练集的中同一信号的训练数据。
6.一种机泵系统的小波降噪系统，其中，所述系统包括：
第一获得单元，所述第一获得单元用于通过数据读取模块获得第一含噪训练集，其中，所述第一含噪训练集为含噪信号的数据集；
第二获得单元，所述第二获得单元用于通过所述数据读取模块获得第一信号训练集，其中，所述第一信号训练集为与所述含噪信号的数据集中的数据一一对应的非噪信号的数据集；
第三获得单元，所述第三获得单元用于通过特征提取模块对所述第一含噪训练集和所述第一信号训练集进行特征提取，获得第一提取结果，将所述第一提取结果作为第一输入信息；
第一输入单元，所述第一输入单元用于将所述第一输入信息输入滤波模型，所述滤波模型为以维纳滤波器为训练目标的模型；
第四获得单元，所述第四获得单元用于获得第一含噪信号，根据第一处理指令对所述第一含噪信号进行处理；
第五获得单元，所述第五获得单元用于获得第一处理结果，所述第一处理结果包括所述第一含噪信号的幅度谱，将所述幅度谱输入经过训练的所述维纳滤波器；
第六获得单元，所述第六获得单元用于获得第一输出结果，根据所述第一输出结果获得第一滤波信号；
第二输入单元，所述第二输入单元用于将所述第一滤波信号输入小波降噪模块；
第七获得单元，所述第七获得单元用于获得第二输出结果，其中，所述第二输出结果包括降噪信号；
其中，所述系统还包括：
第二十获得单元，所述第二十获得单元用于获得第一聚类指令；
第一聚类单元，所述第一聚类单元用于根据所述第一聚类指令对所述第一含噪训练集和所述第一信号训练集进行聚类处理；
第二十一获得单元，所述第二十一获得单元用于获得第一聚类处理结果，其中，所述第一聚类处理结果包括纯净信号聚类集、含噪信号聚类集和噪声聚类集；
第二十二获得单元，所述第二十二获得单元用于获得第一特征提取指令；
第一特征提取单元，所述第一特征提取单元用于根据所述第一特征提取指令对所述第一聚类处理结果进行特征提取；
第二十三获得单元，所述第二十三获得单元用于获得第一提取结果，所述第一提取结果包括所述第一聚类处理结果中不同聚类集对应的归一化后的对数功率谱；
第二十四获得单元，所述第二十四获得单元用于将所述第一提取结果作为第一输入信息；
第二十五获得单元，所述第二十五获得单元用于获得第二特征提取指令；
第二特征提取单元，所述第二特征提取单元用于根据所述第二特征提取指令对所述噪声聚类集进行噪声特征提取；
第二十六获得单元，所述第二十六获得单元用于获得第二提取结果；
第一构建单元，所述第一构建单元用于根据所述第二提取结果，构建噪声特征集；
第一处理单元，所述第一处理单元用于根据所述噪声特征集对所述第一含噪信号进行降噪处理。
7.一种机泵系统的小波降噪系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现权利要求1-5任一项所述方法的步骤。
CN202110149129.9A 2021-02-03 2021-02-03 一种机泵系统的小波降噪方法及系统 Active CN113065387B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110149129.9A CN113065387B (zh) 2021-02-03 2021-02-03 一种机泵系统的小波降噪方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110149129.9A CN113065387B (zh) 2021-02-03 2021-02-03 一种机泵系统的小波降噪方法及系统

Publications (2)

Publication Number Publication Date
CN113065387A CN113065387A (zh) 2021-07-02
CN113065387B true CN113065387B (zh) 2022-03-18

Family

ID=76559130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110149129.9A Active CN113065387B (zh) 2021-02-03 2021-02-03 一种机泵系统的小波降噪方法及系统

Country Status (1)

Country Link
CN (1) CN113065387B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115659150B (zh) * 2022-12-23 2023-03-14 中国船级社 一种信号处理方法、装置及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102832908A (zh) * 2012-09-20 2012-12-19 西安科技大学 基于小波变换与变步长lms自适应滤波的信号降噪方法
CN103901882A (zh) * 2014-04-15 2014-07-02 北京交通大学 一种列车动力系统在线监控故障诊断的系统及其方法
CN106441288A (zh) * 2016-08-31 2017-02-22 北斗时空信息技术（北京）有限公司 一种加速度计的自适应小波降噪方法
CN111046824A (zh) * 2019-12-19 2020-04-21 上海交通大学 一种时间序列信号高效去噪和高精度重构建模方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9008329B1 (en) * 2010-01-26 2015-04-14 Audience, Inc. Noise reduction using multi-feature cluster tracker
CN110097011A (zh) * 2019-05-06 2019-08-06 北京邮电大学 一种信号识别方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102832908A (zh) * 2012-09-20 2012-12-19 西安科技大学 基于小波变换与变步长lms自适应滤波的信号降噪方法
CN103901882A (zh) * 2014-04-15 2014-07-02 北京交通大学 一种列车动力系统在线监控故障诊断的系统及其方法
CN106441288A (zh) * 2016-08-31 2017-02-22 北斗时空信息技术（北京）有限公司 一种加速度计的自适应小波降噪方法
CN111046824A (zh) * 2019-12-19 2020-04-21 上海交通大学 一种时间序列信号高效去噪和高精度重构建模方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于小波分析方法的含噪声语音信号增强技术研究;刘雪飞;《中国优秀硕士学位论文全文数据库（信息科技辑）》;20060831;I136-68 *
基于小波阈值算法的数字图像降噪研究;王晓君;《信息记录材料》;20180613;第9卷(第6期);17-20 *
基于紫外图像的小波域内维纳滤波降噪方法;谢俊等;《科技创新与应用》;20180308;18-20 *

Also Published As

Publication number Publication date
CN113065387A (zh) 2021-07-02

Similar Documents

Publication Publication Date Title
CN110600017B (zh) 语音处理模型的训练方法、语音识别方法、系统及装置
CN109643554B (zh) 自适应语音增强方法和电子设备
Üstündağ et al. Denoising of weak ECG signals by using wavelet analysis and fuzzy thresholding
CN108335694B (zh) 远场环境噪声处理方法、装置、设备和存储介质
CN111860273B (zh) 基于卷积神经网络的磁共振地下水探测噪声抑制方法
CN111429932A (zh) 语音降噪方法、装置、设备及介质
Wang Sound quality estimation for nonstationary vehicle noises based on discrete wavelet transform
CN113065387B (zh) 一种机泵系统的小波降噪方法及系统
CN114077854B (zh) 一种基于自适应VMD的φ-OTDR水声信号处理方法和装置
CN115211869A (zh) 一种基于经验模态分解和卡尔曼滤波的脑电信号去噪方法、装置及系统
CN113723171A (zh) 基于残差生成对抗网络的脑电信号去噪方法
Fu et al. An improved VMD-based denoising method for time domain load signal combining wavelet with singular spectrum analysis
Jha et al. Neutrosophic approach for enhancing quality of signals
CN111982489A (zh) 选择集成的改进局部特征分解的微弱故障特征提取方法
CN115859054B (zh) 基于mic-ceemdan的水电机组尾水管压力脉动信号去噪方法
CN115797318A (zh) 一种光谱数据预处理方法、装置、计算机设备及存储介质
Hu et al. A novel detrended fluctuation analysis method for gear fault diagnosis based on variational mode decomposition
Yang et al. Unknown fault diagnosis of planetary gearbox based on optimal rank nonnegative matrix factorization and improved stochastic resonance of bistable system
Ma et al. SVMD coupled with dual-threshold criteria of correlation coefficient: A self-adaptive denoising method for ship-radiated noise signal
CN115859048A (zh) 一种局放信号的噪声处理方法及装置
CN110569966A (zh) 一种数据处理方法、装置及电子设备
CN116183013A (zh) 一种基于变分模态分解改进的das信号去噪方法
CN113876354B (zh) 胎心率信号的处理方法、装置、电子设备及存储介质
CN103903631A (zh) 基于变步长自然梯度算法的语音信号盲分离方法
CN114333912A (zh) 语音激活检测方法、装置、电子设备和存储介质

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