CN113903348A - 一种基于sgn的火电厂发电设备声频去噪方法 - Google Patents

Abstract

本发明涉及一种基于SGN的火电厂发电设备声频去噪方法，包括如下步骤：步骤S1：通过麦克风阵列采集电厂内转机设备运行过程中的声频信号，记为采样信号；步骤S2：对采样信号进行拉普拉斯变换，在复频域对信号特征进行提取；步骤S3：将复频域特征送入改进的SGN网络进行去噪处理，改进的SGN网络通过分层级联的网络结构利用大规模上下文信息实现更精细的数据去噪，去除噪声的能量分量，恢复原始声频信号。本发明方法能够有效的对火电厂发电设备采集到的声音信号进行去噪处理，去噪后的声频信号能够满足声频诊断的一般要求，并且得到的平均信噪比优于其他同类方法，同时，本方法在对声频信号进行处理时，对噪声具有更强的抑制效果，可以保留更多的声频细节信息。

Description

一种基于SGN的火电厂发电设备声频去噪方法

技术领域

本发明涉及一种基于SGN的火电厂发电设备声频去噪方法，属于故障诊断及智能检测技术领域。

背景技术

声音的本质是振动，通过狄利克雷条件可知，人耳听到的声音实际上是由不同频率下的正弦振动叠加形成的。通常情况下声音的时域波形只能表示振幅随时间变换。因此声音特征分析必须要在频域继续展开。通过对火电厂转机设备不同故障程度下的频谱图进行分析，可以发现设备平稳运行时声频信号大多是处于低频区间的平稳信号，而随着故障的发生和扩大，声频中逐渐出现高频的非平稳分量。通过对高频分量的分析，可以对设备当前的运行状态进行评估。

利用转机设备运行时的声频信号作为故障诊断依据可以在故障发生的最早期实现对故障状态的捕捉。但是火电厂生产区域环境嘈杂，采集特定设备声频数据困难，极易被环境噪声所干扰，对故障诊断带来极大的影响。因此对所采集到的原始声频信号进行去噪处理非常重要，通过对噪声信号进行抑制，保留有用的声频信号细节信息，从而实现转机设备的故障预警。

发明内容

本发明所要解决的技术问题是在火电厂生产区域，噪声信号十分复杂，转机设备运行的声频信号会被环境噪声所淹没，很难获取有用的声频信息用于设备故障诊断。

本发明提供了解决上述问题的一种基于SGN的火电厂发电设备声频去噪的方法，通过研究设计一种声频信号去噪方法，对火电厂发电设备采集到的声音信号进行去噪处理，去噪后的声频信号能够满足声频诊断的一般要求，并且得到的平均信噪比优于其他同类方法，同时，本方法在对声频信号进行处理时，对噪声具有更强的抑制效果，可以保留更多的声频细节信息。

本发明通过以下技术方案来实现上述目的：

一种基于SGN的火电厂发电设备声频去噪方法，该方法包括如下步骤：

步骤S1：通过麦克风阵列采集电厂内转机设备运行过程中的声频信号，记为采样信号；

步骤S2：对采样信号进行拉普拉斯变换，在复频域对信号特征进行提取；

步骤S3：将复频域特征送入改进的SGN网络进行去噪处理，改进的SGN网络通过分层级联的网络结构利用大规模上下文信息实现更精细的数据去噪，去除噪声的能量分量，恢复原始声频信号。

工作原理是：通过对声频信号进行分析，通常情况下声音的时域波形只能表示振幅随时间变换，因此声音特征分析必须要在频域继续展开。针对火电厂生产区域环境嘈杂，所采集的声频信号存在大量噪声干扰，不能直接用于故障诊断的情况，本发明提出一种基于SGN的火电厂发电设备声频去噪方法，它首先将信号进行拉普拉斯变换提取频域特征，然后将其送入到改进的SGN网络中进行去噪处理，去除噪声分量。改进的SGN网络自上而下分为顶层子网络、中层子网络、底层子网络。通过分层级联的网络结构利用大规模上下文信息来实现更精细的数据去噪过程。本发明方法对声频信号中的噪声具有更强的抑制效果，同时可以保留更多的声频细节信息。

进一步地，所述步骤S3中将复频域特征送入改进的SGN网络进行去噪处理包括如下步骤：

S31：对采样信号进行shuffle操作，获得多分辨率输入的声频信号；

S32：将不同分辨率的声频信号送入不同尺寸的卷积层中进行处理；

S33：自上而下通过SGN顶层子网络，SGN中层子网络、SGN底层子网络，并进行激活数优化、池化层优化，对信号进行降噪处理；；具体地：

S331：SGN顶层子网络步骤如下：

1)假设输入数据的原始尺寸为M×N×C,经过一次shuffle/2操作后，数据尺寸变换为M/2×N/2×4C,即降低数据的分辨率，增加其输入通道；

2)假设第i层的输入通道数为，自网络为，那么第K层得到的特征矩阵的数量可用公式表示为c^k＝2^k×c⁰

3)经顶层子网络特征提取后，对数据进行shuffle×2操作使其与下一级网络相等，实现特征数据的连接。

S332：SGN中层子网络步骤如下：

1)SGN中层子网络在顶层结构基础上增加了数据连接层用于将顶层提取的特征与本层特征进行拼接。假设本层为k+1层，上一层为k层，则将f^k(·)获得的特征图进行shuffle×2操作，并与f^k-1(·)的特征进行拼接。通过连接操作，获取的映射数量变换的公式为：c^k→(c^k+c^k+1/4)；

2)通过加入池化层用于特征映射的降低使其特征映射恢复到c^k。

S333：SGN底层子网络步骤如下：

1)采用与中间层合并的引导方法，由于输入数据与最终的恢复数据之间具有全局残差快，因此SGN底层子网络采用m个Conv+ReLu对特征图进行处理；

2)将处理后的数据送入卷积层生成估计结果。

S334：对激活函数进行优化。在SGN的底层子网络的卷积层中使用函数h-Swish作为激活函数，其他层数依旧使用ReLu函数作为激活函数。既可以提高网络准确率又能进一步的减少系统的开销。h-Swish激活函数表达式为

S335：对池化层进行优化。为了保证恢复信号的细节信息，网络删除池化层，采用步长为2的卷积层进行替代，以此降低特征损失对细节恢复的影响。

本发明与现有技术相比，具有如下的优点和有益效果：

1、本发明是一种能够对噪声环境下采集的声频信号进行去噪的方法，能够对噪声有较强的抑制效果；

2、本发明是一种基于SGN的火电厂发电设备声频去噪的方法，该方法能够在对声频信号进行去噪的同时，保留更多的原始声频信号的细节信息，去噪后的声频信号能够满足声频诊断的一般要求，并且去噪后的平均信噪比优于其他同类方法。

附图说明

图1为一种基于SGN的火电厂发电设备声频去噪的方法流程图；

图2为本发明实施例中某火电厂厂房内获取的转机设备声频信息实测数据图；

图3为改进的SGN网络结构图；

图4为本发明实施例中对实测信号进行去噪时原始波形、含噪波形、去噪波形对比图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

实施例

如图1至图4所示，本发明是一种基于SGN的火电厂发电设备声频去噪的方法，包括如下步骤：

步骤S1：通过麦克风阵列采集电厂内转机设备运行过程中的声频信号，记为采样信号；

步骤S2：对采样信号进行拉普拉斯变换，在复频域对信号特征进行提取；

步骤S3：将复频域特征送入改进的SGN网络进行去噪处理，改进的SGN网络通过分层级联的网络结构利用大规模上下文信息实现更精细的数据去噪，去除噪声的能量分量，恢复原始声频信号。

本实施例的工作原理是：

通过对声频信号进行分析，通常情况下声音的时域波形只能表示振幅随时间变换，因此声音特征分析必须要在频域继续展开。针对火电厂生产区域环境嘈杂，所采集的声频信号存在大量噪声干扰，不能直接用于故障诊断的情况，本发明提出一种基于SGN的火电厂发电设备声频去噪方法，它首先将信号进行拉普拉斯变换提取频域特征，然后将其送入到改进的SGN网络中进行去噪处理，去除噪声分量。改进的SGN网络自上而下分为顶层子网络、中层子网络、底层子网络。通过分层级联的网络结构利用大规模上下文信息来实现更精细的数据去噪过程。本发明方法对声频信号中的噪声具有更强的抑制效果，同时可以保留更多的声频细节信息。

如图2所示是在某火电厂厂房内获取的转机设备声频信息，可以就看出，转机设备的运行声音被环境噪声所淹没很难获取有用的声频信息。

具体的，改进的SGN网络进行去噪处理包括如下步骤：

S31：对采样信号进行shuffle操作，获得多分辨率输入的声频信号；

S32：将不同分辨率的声频信号送入不同尺寸的卷积层中进行处理；

S33：自上而下通过SGN顶层子网络，SGN中层子网络、SGN底层子网络，并进行激活函数优化、池化层优化，对信号进行降噪处理；

将本方法中通过shuffle操作获取多分辨率输入的方式与下采样进行实验对比，可以看出与下采样相比shuffle在降低分辨率的同时保留了细节信息，SGN的每一层都可以自适应的提取不同尺度上的特征，从而更好地完成去噪任务。如表1所示为采用shuffle和下采样时，对统一数据集去噪效果的对比：

表1 shuffle与下采样去噪效果对比(σ＝50)

	平均信噪比
		下采样	18.7
Shuffle	19.1

如图3所示为改进的SGN网络的基础结构，其中输入层用于输入数据以及shuffle后的数据；输出层用于输出处理后的数据；数据连接层用于将本层数据与上一级输出的数据进行串联；卷积层用于特征提取。

S331：SGN顶层子网络步骤如下：

1)假设输入数据的原始尺寸为M×N×C,经过一次shuffle/2操作后，数据尺寸变换为M/2×N/2×4C,即降低数据的分辨率，增加其输入通道；

2)假设第i层的输入通道数为cⁱ，自网络为fⁱ(·)，那么第K层得到的特征矩阵的数量可用公式表示为c^k＝2^k×c⁰

3)经顶层子网络特征提取后，对数据进行shuffle×2操作使其与下一级网络相等，实现特征数据的连接。

S332：SGN中层子网络步骤如下：

1)SGN中层子网络在顶层结构基础上增加了数据连接层用于将顶层提取的特征与本层特征进行拼接。假设本层为k+1层，上一层为k层，则将f^k(·)获得的特征图进行shuffle×2操作，并与f^k-1(·)的特征进行拼接。通过连接操作，获取的映射数量变换的公式为：c^k→(c^k+c^k+1/4)；

2)通过加入池化层用于特征映射的降低使其特征映射恢复到c^k。

S333：SGN底层子网络步骤如下：

1)采用与中间层合并的引导方法，由于输入数据与最终的恢复数据之间具有全局残差快，因此SGN底层子网络采用m个Covn+ReLu对特征图进行处理；

2)将处理后的数据送入卷积层生成估计结果。

S334：对激活函数进行优化。在SGN的底层子网络的卷积层中使用函数h-Swish作为激活函数，其他层数依旧使用ReLu函数作为激活函数。既可以提高网络准确率又能进一步的减少系统的开销。h-Swish激活函数表达式为

S335：对池化层进行优化。为了保证恢复信号的细节信息，网络删除池化层，采用步长为2的卷积层进行替代，以此降低特征损失对细节恢复的影响。

图4为本发明实施例中对实测信号进行去噪时原始波形、含噪波形、去噪波形对比图。从图中可以看出，SGN算法可以恢复出被噪声淹没的信号，同时可以几乎无失真的保留细节信息。

通过对100组数据的测试，经过去噪后的声频信息平均信噪比达到19.7，满足声频分析的基本要求。如表2所示为SGN算法与其他去噪算法恢复后信号信噪比的对比，由表中可以看出本文算法在恢复信号信噪比方面明显优于其他对比算法，比最优的MemNet算法信噪比高出约6％。

表2信噪比对比(dB)

	本文算法	Unet	DnCNN	MemNet
					实际数据集	19.7	18.29	18.43	18.46

可见，本发明中基于SGN的火电厂发电设备声频去噪的方法去噪效果优于其他同类技术，取得了较好的去噪效果。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步的说明，所应理解的是，以上所述为本发明的具体实施方式而已，并不限定本发明的保护范围，凡在本发明的精神和原则之内，所做出的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于SGN的火电厂发电设备声频去噪方法，其特征在于，该方法包括如下步骤:

步骤S1：通过麦克风阵列采集电厂内转机设备运行过程中的声频信号，记为采样信号；

步骤S2：对采样信号进行拉普拉斯变换，在复频域对信号特征进行提取；

步骤S3：将复频域特征送入改进的SGN网络进行去噪处理，改进的SGN网络通过分层级联的网络结构利用大规模上下文信息实现更精细的数据去噪，去除噪声的能量分量，恢复原始声频信号。

2.根据权利要求1所述的一种基于SGN的火电厂发电设备声频去噪方法，其特征在于，所涉及的步骤S3中将复频域特征送入改进的SGN网络进行去噪处理包括如下步骤：

S31：对采样信号进行shuffle操作，获得多分辨率输入的声频信号；

S32：将不同分辨率的声频信号送入不同尺寸的卷积层中进行处理；

S33：自上而下通过SGN顶层子网络，SGN中层子网络、SGN底层子网络，并进行激活函数优化、池化层优化，对信号进行降噪处理。

3.根据权利要求2所述的一种基于SGN的火电厂发电设备声频去噪方法，其特征在于步骤S33的步骤具体包括：

S331：SGN顶层子网络步骤如下：

1)假设输入数据的原始尺寸为M×N×C，经过一次shuffle/2操作后，数据尺寸变换为M/2×N/2×4C，即降低数据的分辨率，增加其输入通道；

2)假设第i层的输入通道数为cⁱ，自网络为fⁱ(·)，那么第K层得到的特征矩阵的数量可用公式表示为c^k＝2^k×c⁰

3)经顶层子网络特征提取后，对数据进行shffle×2操作使其与下一级网络相等，实现特征数据的连接。

S332：SGN中层子网络步骤如下：

1)SGN中层子网络在顶层结构基础上增加了数据连接层用于将顶层提取的特征与本层特征进行拼接。假设本层为k+1层，上一层为k层，则将f^k(·)获得的特征图进行shuffle×2操作，并与f^k+1(·)的特征进行拼接。通过连接操作，获取的映射数量变换的公式为c^k→(c^k+c^k+1/4)；

2)通过加入池化层用于特征映射的降低使其特征映射恢复到c^k；

S333：SGN底层子网络步骤如下：

1)采用与中间层合并的引导方法，由于输入数据与最终的恢复数据之间具有全局残差快，因此SGN底层子网络采用m个Conv+ReLu对特征图进行处理；

2)将处理后的数据送入卷积层生成估计结果；

S334：对激活函数进行优化。在SGN的底层子网络的卷积层中使用函数h-Swish作为激活函数，其他层数依旧使用ReLu函数作为激活函数。既可以提高网络准确率又能进一步的减少系统的开销。h-Swish激活函数表达式为

S335：对池化层进行优化。为了保证恢复信号的细节信息，网络删除池化层，采用步长为2的卷积层进行替代，以此降低特征损失对细节恢复的影响。

Images