CN114649001A - 基于自适应随机共振的营运风机水下声信号特征提取方法 - Google Patents
基于自适应随机共振的营运风机水下声信号特征提取方法 Download PDFInfo
- Publication number
- CN114649001A CN114649001A CN202210265673.4A CN202210265673A CN114649001A CN 114649001 A CN114649001 A CN 114649001A CN 202210265673 A CN202210265673 A CN 202210265673A CN 114649001 A CN114649001 A CN 114649001A
- Authority
- CN
- China
- Prior art keywords
- frequency
- signal
- stochastic resonance
- underwater acoustic
- acoustic 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001228 spectrum Methods 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 22
- 239000002245 particle Substances 0.000 claims description 26
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 abstract description 16
- 238000005457 optimization Methods 0.000 abstract description 12
- 238000009774 resonance method Methods 0.000 abstract description 7
- 230000001360 synchronised effect Effects 0.000 abstract description 3
- 230000005236 sound signal Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 241000251468 Actinopterygii Species 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000006461 physiological response Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Feedback Control In General (AREA)
Abstract
基于自适应随机共振的营运风机水下声信号特征提取方法，涉及海上风电场水下噪声领域。采用自适应随机共振方法，以基于支持向量回归建立的时‑频‑幅综合指标作为适应度函数，以平衡优化器作为优化算法，根据海洋背景噪声强度自适应调节系统参数，实现海上风机营运期水下声信号特征频率的自适应提取。该方法采用的时‑频‑幅综合指标可以反映信号在时域、频域和幅域三方面的信息，解决变化的海洋背景噪声下海上风机营运期水下声信号未知频率的提取问题，具有较高的准确性。此外，该方法采用的平衡优化器能够实现多个系统参数的同步优化，大大缩短运算时间，提高营运期水下声信号线谱频率提取的效率，具有简单、易于实现的特点。
Description
技术领域
本发明涉及海上风电场水下噪声检测领域，尤其涉及一种基于自适应随机共振的营运风机水下声信号特征提取方法。
背景技术
([1]白旭.中国海上风电发展现状与展望[J].船舶工程,2021,43(10):12-15.)海上风电在给我们带来经济效益的同时，其在长达20～30年的营运期内会持续向水中辐射声波。这种声信号通常表现为连续、低强度、在1000Hz以下具有一个或多个线谱分量的特征，可能会对海洋生物产生影响，特别是对声敏感的石首科鱼类的影响，如掩蔽海洋生物间的声交流，干扰觅食、产卵，引发生理反应。此外，营运期水下声信号携带风机内部机械运转状态的信息，通过水下声信号反演可以实现海上风机的健康监测。然而，海洋背景噪声相当复杂，噪声级动态范围广，在风浪、潮流等较大的情况下，营运期水下声信号容易被这些物理海洋现象所产生的水下噪声淹没，导致难以准确地针对营运风机所产生的水下声信号进行分析。因此，有效地从复杂的海洋背景噪声中提取和分析营运期水下声信号，是评估海上风机营运期水下声信号对海洋生物影响和反演风机运行状态的前提依据，也为开展海上风电场健康监测和海洋生物声学保护提供理论指导。
常用的微弱信号提取方法包括数字滤波器、离散小波变换、经验模态分解等。这些传统的提取方法认为噪声是一种干扰，都立足于抑制噪声来达到信号提取的目的，但它们无法应用于存在强噪声干扰的情况。随机共振方法则将噪声视为有益对象，可以克服强噪声的干扰，增强目标信号的特征。它描述布朗粒子在周期信号和噪声的协同下，以信号频率在势阱间周期性跃迁从而将噪声能量转化为信号能量的现象。通过调节随机共振系统的参数，可以实现最优随机共振输出，达到微弱信号检测与提取的目的。由于海洋背景噪声级动态范围较大，不同时刻、不同风速下海洋背景噪声强度会发生较大的变化，需要寻找不同的系统参数来实现不同海洋背景噪声强度下的营运期水下声信号的特征提取；因此，可通过自适应随机共振来实现，即通过评价指标和优化算法自适应寻找最优的系统参数。
衡量随机共振效果需采用合适的评价指标。在随机共振的研究中，通常使用信噪比作为评价指标。然而，海上风机营运期水下声信号常淹没在海洋背景噪声下，无法准确估计信号频率，因此信噪比不适用。针对信号频率未知的随机共振问题，一些学者在旋转机械故障诊断的研究中提出替代指标。这些替代指标通过乘除法将功率谱峭度、输入/输出信号的相关系数等基本指标结合在一起而建立，并成功地在机械转动部件故障诊断中运用。([2]Wang J,He Q,Kong F.Adaptive Multiscale Noise Tuning Stochastic Resonancefor Health Diagnosis of Rolling Element Bearings[J].IEEE Transactions onInstrumentation&Measurement,2014, 64(2):564-577.)然而，采用简单的乘除法所建立的替代指标不能很好地将各基本指标的优点融合在一起，且在噪声较强时容易提取到错误的频率。支持向量回归是支持向量机推广到回归模型中的一种扩展形式，它的基本思想是将实际样本点通过非线性变换映射到高维特征空间，在该空间中构造近似线性函数以确定一个超平面，使所有样本点尽可能的贴近超平面。支持向量回归根据有限的样本信息在模型的复杂性和经验误差之间寻求最佳折衷，具有较好的泛化能力。利用支持向量回归，可以实现基本指标的信息融合与优缺互补。
传统随机共振通过网格搜索法寻找最优参数，该方法运算量大，耗时长，效率较差。为准确快速找到最优参数，一些群智能优化算法被应用到自适应随机共振中。平衡优化器是 Faramarzi等人于2019年提出的一种全新的基于受控容积质量动态平衡的物理现象的元启发式优化算法。相比于人工鱼群算法、粒子群算法和灰狼优化算法等，平衡优化器具有计算简单、寻优能力强、收敛速度快的特点。([3]Faramarzi A,Heidarinejad M,Stephens B,Mirjalili S. Equilibrium optimizer:A novel optimization algorithm[J].Knowledge-Based Systems,2020,191: 105190.)
发明内容
本发明的目的在于解决现有技术中的上述问题，提供一种基于自适应随机共振的营运风机水下声信号特征提取方法，该方法可以应对大动态变化强度的海洋背景噪声，根据不同的海洋背景噪声强度自适应寻找系统参数并提取海上风机营运期水下声信号的特征。同时，该方法以时-频-幅综合指标TFAI作为适应度函数，以平衡优化器作为优化算法，提高营运期水下声信号特征提取的准确率和效率。
本发明包括以下步骤：
1)将采集得到的海上风机营运期水下声信号s输入数字带通滤波器，得到滤波信号sf；
2)将时域指标平滑度SMO、频域指标峰值信噪比PSNR、幅域指标分段均值PMV进行指标融合，生成一个时-频-幅综合指标(Time-Frequency-Amplitude ComprehensiveIndex，以下简称TFAI)；
3)建立一个二阶欠阻尼双稳态随机共振系统，对系统进行普通变尺度，使其满足经典随机共振的小参数条件；
4)设定随机共振系统的参数范围a1,b1∈(0,2]、k1∈(0,1]、平衡优化器的粒子数NC、最大迭代次数Itermax，初始化粒子个体的起始浓度；
5)将步骤1)得到的滤波信号sf输入随机共振系统中获得输出信号x，以步骤2)生成的时-频-幅综合指标TFAI作为适应度函数，计算粒子个体的适应度；
6)计算平衡状态浓度Ceq、指数项系数F、质量生成系数G；
7)更新粒子个体的浓度C；
8)判断迭代次数Iter是否达到设定的最大迭代次数Itermax，若达到最大迭代次数Itermax，则保存适应度最大值对应的粒子浓度Ceq(1)，执行步骤9)，否则令Iter＝Iter+1，执行步骤5)；
9)根据步骤8)得到的适应度最大值对应的粒子浓度Ceq(1)确定最优系统参数a1opt、b1opt、 k1opt，使用这些参数对步骤1)中的滤波信号sf进行随机共振，获得最优随机共振输出信号 xopt；
10)对步骤9)得到的最优随机共振输出信号xopt进行傅里叶变换FFT，确定频谱中的线谱频率，即为海上风机营运期水下声信号的特征线谱频率fm。
在步骤2)中，所述指标融合是以平滑度SMO、峰值信噪比PSNR、分段均值PMV作为输入向量，以目标信号输出信噪比作为输出向量建立支持向量回归模型，经过模型训练后得到的支持向量回归模型的输出即为时-频-幅综合指标TFAI。
在步骤6)中，所述平衡状态浓度Ceq、指数项系数F、质量生成系数G的计算方法分别为：
平衡状态浓度Ceq是从当前适应度最好的4个粒子浓度Ceq(1)、Ceq(2)、Ceq(3)、Ceq(4)及它们的平均状态Ceq(ave)构成的平衡池中随机选择，即：
Ceq＝rand{C(1),C(2),C(3),C(4),Ceq(ave)}；
指数项系数F的表达式如下：
F＝α1sign(r-0.5)[e-λt-1]
其中，t是迭代次数Iter的函数，α1和α2分别为控制全局搜索和局部搜索的权重常系数，通常分别取2和1，r和λ为0至1的随机向量；
质量生成速率G的表达式如下：
其中，r1、r2为0至1的随机数。
在步骤7)中，所述粒子个体浓度C的更新方法为：
C＝Ceq+(C-Ceq)F+G(1-F)/λV
其中，V为容积的大小，一般取常数1。
与现有方法技术相比，本发明具有如下优点：
(1)本发明将自适应随机共振引入到海上风机营运期水下声信号的特征提取中，解决海洋背景噪声较大时营运期水下声信号容易被淹没的问题，且该方法可以根据海洋背景噪声强度自适应调节系统参数，实现营运期水下声信号特征频率的自适应提取，进一步为营运期水下声信号对海洋生物的影响评估和风机运行状态的反演提供理论支撑。
(2)本发明采用的时-频-幅综合指标TFAI是通过支持向量回归将时域指标平滑度SMO、频域指标峰值信噪比PSNR、幅域指标分段均值PMV进行融合而建立的，可有效反映信号在时域、频域和幅域三方面的信息，实现了指标的信息融合与优缺互补。以该时-频-幅综合指标TFAI作为自适应随机共振的适应度函数，可解决变化的海洋背景噪声下海上风机营运期水下声信号频率未知的问题，实现微弱信号特征的提取，同时提高自适应随机共振方法的检测与提取能力。
(3)本发明以平衡优化器算法作为自适应随机共振的优化算法，实现多个系统参数的同步优化，大大缩短了运算时间，提高了营运期水下声信号线谱频率的提取效率，具有简单、易于实现的特点。
附图说明
图1为本发明的流程框图。
图2为实测海上风机营运期水下声信号的频谱图。
图3为支持向量回归模型的训练与测试结果。
图4为实测海上风机营运期水下声信号经本发明处理后得到的最优输出信号的频谱图。
图5为实测海上风机营运期水下声信号经本发明处理后提取的线谱频率变化图。
图6为实测海上风机营运时的叶轮转速变化图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下实施例将结合附图对本发明进行作进一步的说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，以下对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
图1为本发明的流程框图。本发明包括以下步骤：
1)对采集得到的海上风机营运期水下声信号s预处理。图2给出某时刻采集到的海上风电场营运期水下声信号的频谱图。由于风浪噪声与潮流噪声主要集中在低频段，且营运期水下声信号在200Hz以下具有较强的线谱分量，将营运期水下声信号s输入通带截止频率为 40～200Hz的数字带通滤波器，得到滤波信号sf。
2)利用支持向量回归建立一个时-频-幅综合指标TFAI。考虑到随机共振系统输入/输出信号的特点，以频率f＝100Hz、幅度A＝0.1的周期信号为例，将信号叠加上噪声强度D＝10 的加性高斯白噪声作为输入信号；将信号叠加上不同强度的加性高斯白噪声作为输出信号，其中噪声强度D的变化范围为0.1～10，变化步长为0.1。根据输入、输出信号，计算对应的平滑度SMO、峰值信噪比PSNR、分段均值PMV作为样本的特征值，输出信噪比SNRout作为样本的目标值，共获得100个样本，每个样本值为100次重复计算的平均结果。其中，平滑度SMO、峰值信噪比PSNR、分段均值PMV、输出信噪比SNRout的计算方法分别为：
其中，x(n)为输出信号，y(n)为输入信号，N为信号点数。
其中，X(n)是输出信号的频谱，n0为频谱中峰值频率对应的序号。
其中，输出序列被i个过零点划分为i-1个子段，i为过零点数，Xj为第j个时域片段的平均幅度，Xmean为整个时域信号的平均幅度。
其中，X(n)是输出信号的频谱，d为频谱中目标信号频率对应的序号。为了防止某个特征值过大或过小，导致在回归中的作用不平衡，先对样本进行归一化预处理，并随机选取总样本的80％作为支持向量回归的训练集，20％作为测试集。之后，设置惩罚系数c和核函数参数γ的变化范围为2-10～210，采用交叉验证对c、γ进行网格搜索，得到c的值为22.6531，g 的值为0.0032。通过训练集对支持向量回归模型进行训练，并利用测试集验证模型，最后得到的支持向量回归模型的输出即为时-频-幅综合指标TFAI。图3给出支持向量回归模型的训练与测试结果。可以看出，训练集、测试集的预测值与真实值均较为接近，平方相关系数均大于0.95，表明建立的时-频-幅综合指标TFAI可以在目标信号频率未知的情况下代替输出信噪比，反映目标信号的特征。
3)建立一个二阶欠阻尼双稳态随机共振系统，其表达式如下：
其中，a、b为系统参数，k为阻尼系数，S(t)＝Asin(2πft)是幅度为A、频率为f的周期信号，
是强度为D、均值为0的高斯白噪声。x为系统输出，它描述了单位质量布朗粒子在双稳态势阱中的运动轨迹。由于经典随机共振假设输入信号频率远小于双稳态系统在两个稳态间的切换速率，且输入信号幅值与噪声强度均远小于1，即随机共振只能用于处理极低频的微弱信号(f<<1Hz，A<<1，D<<1)。为了适用于海上风电场营运期水下声信号的参数范围，先对系统进行普通变尺度，即引入如下变换：
x(t)＝z(τ)，τ＝mt
其中，m为尺度系数，将式子代入二阶欠阻尼双稳态随机共振系统的表达式得：
其中，a1＝a/m2，b1＝b/m2，k1＝k/m，f1＝f/m，A1＝A/m2，
经过普通变尺度后，信号频率f1变为原频率f的1/m，信号幅度变为原来的1/m2，通过设置合适的尺度系数m即可使海上风电场营运期水下声信号的频率等参数满足经典随机共振的小参数条件，这里令m＝1000。
4)经过普通变尺度后，设定随机共振系统的参数范围a1,b1∈(0,2]、k1∈(0,1]、平衡优化器的粒子数NC＝50、最大迭代次数Itermax＝50，并根据a1、b1、k1的范围初始化粒子个体的起始浓度。
5)将步骤1)得到的滤波信号sf输入随机共振系统中获得输出信号x，根据输出信号x对应的平滑度SMO、峰值信噪比PSNR、分段均值PMV计算步骤2)中的时-频-幅综合指标TFAI，并将其作为粒子个体的适应度。
6)计算平衡状态浓度Ceq、指数项系数F、质量生成系数G，其中平衡状态浓度Ceq是从当前适应度最好的4个粒子浓度Ceq(1)、Ceq(2)、Ceq(3)、Ceq(4)及它们的平均状态Ceq(ave)构成的平衡池中随机选择，即：
Ceq＝rand{C(1),C(2),C(3),C(4),Ceq(ave)}；
指数项系数F是更新容积浓度的重要规则，起到了平衡了局部搜索和全局搜索的作用，其表达式如下：
F＝α1sign(r-0.5)[e-λt-1]
其中，t是迭代次数Iter的函数，α1和α2分别为控制全局搜索和局部搜索的权重常系数，通常分别取2和1，r和λ为0至1的随机向量；
质量生成速率G也是算法中重要的一项，起到了增强算法局部搜索的作用，其表达式如下：
其中，r1、r2为0至1的随机数。
7)更新粒子个体的浓度C，更新方法为：
C＝Ceq+(C-Ceq)F+G(1-F)/λV
其中，V为容积的大小，一般取常数1。
8)判断迭代次数Iter是否达到设定的最大迭代次数Itermax，若达到最大迭代次数Itermax，则保存适应度最大值对应的粒子浓度Ceq(1)，并执行步骤9)，否则令Iter＝Iter+1，并执行步骤5)。
9)根据步骤8)得到的适应度最大值对应的粒子浓度Ceq(1)确定最优系统参数a1opt、b1opt、 k1opt，并使用这些参数对步骤1)中的滤波信号sf进行随机共振，获得最优随机共振输出信号xopt。
10)对步骤9)得到的最优随机共振输出信号xopt进行傅里叶变换FFT，确定频谱中的线谱频率，即为海上风机营运期水下声信号的特征线谱频率fm。图4为实测海上风电场营运期水下声信号经本发明处理后得到的最优输出信号的频谱图，其中线谱频率116Hz即为提取的营运期水下声信号的特征线谱频率。
图5给出一段时间内采集到的营运期水下声信号经本发明方法处理后提取的线谱频率变化图(1min平均值)，图6给出同一段时间内风机叶轮转速的变化图。对比图5与图6，可以看出在同一测量时间段内，两者具有一致的变化趋势。若将提取的频率与叶轮转速进行线性拟合，可以得到拟合的相关系数高达0.985。从对比结果上看，本发明涉及的基于自适应随机共振的营运风机水下声信号特征提取方法具有较高的准确性。
表1给出本发明方法与基于人工鱼群算法的自适应随机共振方法在提取同一营运期水下声信号特征频率时所需的运行时间。为避免其他因素的干扰，人工鱼群算法的参数设置及人工鱼起始位置与平衡优化器的设置一致，且两个方法的计算在同一电脑上运行。经过比较，两个方法所得结果的输出信噪比差不多，但采用平衡优化器的自适应随机共振方法的运行时间大大减少，进一步说明本发明涉及的基于自适应随机共振的营运风机水下声信号特征提取方法的高效性。
表1
本发明方法为克服强海洋背景噪声的干扰，解决海上风机营运期水下声信号被海洋背景噪声淹没的问题，提出采用自适应随机共振的方法提取海上风机营运期水下声信号的特征频率。本发明方法可以根据不同海洋背景噪声强度自适应调节系统参数，实现营运期水下声信号特征频率的自适应提取。其次，本发明提出的时-频-幅综合指标TFAI融合了信号在时域、频域和幅域三方面的信息，可以应对变化的海洋背景噪声下海上风机营运期水下声信号未知频率的提取问题，准确提取出营运期水下声信号的特征频率。此外，本发明方法以平衡优化器算法作为自适应随机共振的优化算法，实现多个系统参数的同步优化，大大缩短了方法的运算时间，提高了营运期水下声信号线谱频率提取的效率，具有简单、易于实现的特点。
Claims (4)
1.基于自适应随机共振的营运风机水下声信号特征提取方法，其特征在于包括如下步骤：
1)将采集得到的海上风机营运期水下声信号s输入数字带通滤波器，得到滤波信号sf；
2)将时域指标平滑度SMO、频域指标峰值信噪比PSNR、幅域指标分段均值PMV进行指标融合，生成一个时-频-幅综合指标TFAI；
3)建立一个二阶欠阻尼双稳态随机共振系统，对系统进行普通变尺度，使其满足经典随机共振的小参数条件；
4)设定随机共振系统的参数范围a1,b1∈(0,2]、k1∈(0,1]、平衡优化器的粒子数NC、最大迭代次数Itermax，初始化粒子个体的起始浓度；
5)将步骤1)得到的滤波信号sf输入随机共振系统中获得输出信号x，以步骤2)生成的时-频-幅综合指标TFAI作为适应度函数，计算粒子个体的适应度；
6)计算平衡状态浓度Ceq、指数项系数F、质量生成系数G；
7)更新粒子个体的浓度C；
8)判断迭代次数Iter是否达到设定的最大迭代次数Itermax，若达到最大迭代次数Itermax，则保存适应度最大值对应的粒子浓度Ceq(1)，执行步骤9)，否则令Iter＝Iter+1，执行步骤5)；
9)根据步骤8)得到的适应度最大值对应的粒子浓度Ceq(1)确定最优系统参数a1opt、b1opt、k1opt，使用上述参数对步骤1)中的滤波信号sf随机共振，获得最优随机共振输出信号xopt；
10)对步骤9)得到的最优随机共振输出信号xopt进行傅里叶变换FFT，确定频谱中的线谱频率，即为海上风机营运期水下声信号的特征线谱频率fm。
2.如权利要求1所述基于自适应随机共振的营运风机水下声信号特征提取方法，其特征在于在步骤2)中，所述指标融合以平滑度SMO、峰值信噪比PSNR、分段均值PMV作为输入向量，以目标信号输出信噪比作为输出向量建立支持向量回归模型，经过模型训练后得到的支持向量回归模型的输出即为时-频-幅综合指标TFAI。
3.如权利要求1所述基于自适应随机共振的营运风机水下声信号特征提取方法，其特征在于在步骤6)中，所述平衡状态浓度Ceq、指数项系数F、质量生成系数G的计算方法分别为：
平衡状态浓度Ceq是从当前适应度最好的4个粒子浓度Ceq(1)、Ceq(2)、Ceq(3)、Ceq(4)及它们的平均状态Ceq(ave)构成的平衡池中随机选择，即：
Ceq＝rand{C(1),C(2),C(3),C(4),Ceq(ave)}；
指数项系数F的表达式如下：
F＝α1sign(r-0.5)[e-λt-1]
其中，t是迭代次数Iter的函数，α1和α2分别为控制全局搜索和局部搜索的权重常系数，通常分别取2和1，r和λ为0至1的随机向量；
质量生成速率G的表达式如下：
其中，r1、r2为0至1的随机数。
4.如权利要求1所述基于自适应随机共振的营运风机水下声信号特征提取方法，其特征在于在步骤7)中，所述粒子个体的浓度C的更新方法为：
C＝Ceq+(C-Ceq)F+G(1-F)/λV
其中，V为容积的大小，一般取常数1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210265673.4A CN114649001A (zh) | 2022-03-17 | 2022-03-17 | 基于自适应随机共振的营运风机水下声信号特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210265673.4A CN114649001A (zh) | 2022-03-17 | 2022-03-17 | 基于自适应随机共振的营运风机水下声信号特征提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114649001A true CN114649001A (zh) | 2022-06-21 |
Family
ID=81994677
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210265673.4A Pending CN114649001A (zh) | 2022-03-17 | 2022-03-17 | 基于自适应随机共振的营运风机水下声信号特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114649001A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116380714A (zh) * | 2023-03-15 | 2023-07-04 | 中国科学院地理科学与资源研究所 | 一种水样含沙量测量装置及使用其的测量方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000052625A2 (en) * | 1999-02-22 | 2000-09-08 | Vialogy Corporation | Method and apparatus for analyzing hybridized biochip patterns using resonance interactions |
| GB0407803D0 (en) * | 2004-04-06 | 2004-05-12 | Univ Warwick | Coding and encoding |
| CN108549105A (zh) * | 2018-07-02 | 2018-09-18 | 西北工业大学 | 一种自适应随机共振的地震波特征提取方法 |
| CN108875685A (zh) * | 2018-07-02 | 2018-11-23 | 西北工业大学 | 一种自适应匹配随机共振的水下auv检测方法 |
| CN112257530A (zh) * | 2020-10-13 | 2021-01-22 | 西安电子科技大学 | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 |
| CN112326987A (zh) * | 2020-10-29 | 2021-02-05 | 厦门大学 | 基于水下声信号的海上风机非接触式叶轮转速监测方法 |
| CN113688502A (zh) * | 2021-07-21 | 2021-11-23 | 智寰科技(常州)有限公司 | 一种基于随机共振系统的变频信号去噪方法 |
-
2022
- 2022-03-17 CN CN202210265673.4A patent/CN114649001A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000052625A2 (en) * | 1999-02-22 | 2000-09-08 | Vialogy Corporation | Method and apparatus for analyzing hybridized biochip patterns using resonance interactions |
| GB0407803D0 (en) * | 2004-04-06 | 2004-05-12 | Univ Warwick | Coding and encoding |
| CN108549105A (zh) * | 2018-07-02 | 2018-09-18 | 西北工业大学 | 一种自适应随机共振的地震波特征提取方法 |
| CN108875685A (zh) * | 2018-07-02 | 2018-11-23 | 西北工业大学 | 一种自适应匹配随机共振的水下auv检测方法 |
| CN112257530A (zh) * | 2020-10-13 | 2021-01-22 | 西安电子科技大学 | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 |
| CN112326987A (zh) * | 2020-10-29 | 2021-02-05 | 厦门大学 | 基于水下声信号的海上风机非接触式叶轮转速监测方法 |
| CN113688502A (zh) * | 2021-07-21 | 2021-11-23 | 智寰科技(常州)有限公司 | 一种基于随机共振系统的变频信号去噪方法 |
Non-Patent Citations (3)
| Title |
|---|
| 朱兆彤;邹哲光;许肖梅;吕连港;: "基于LabVIEW的海洋声学仪器信号识别方法", 声学与电子工程, no. 02, 15 June 2011 (2011-06-15) * |
| 牛富强;杨燕明;许肖梅;周在明;黄跃坤;: "海上风电场运营期水下噪声测量及特性初步分析", 振动与冲击, no. 12, 28 June 2016 (2016-06-28) * |
| 童峰;许肖梅;方世良;: "一种单频水声信号多径时延估计算法", 声学学报(中文版), no. 01, 15 January 2008 (2008-01-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116380714A (zh) * | 2023-03-15 | 2023-07-04 | 中国科学院地理科学与资源研究所 | 一种水样含沙量测量装置及使用其的测量方法 |
| CN116380714B (zh) * | 2023-03-15 | 2023-09-22 | 中国科学院地理科学与资源研究所 | 一种水样含沙量测量装置及使用其的测量方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110647867B (zh) | 基于自适应抗噪声神经网络的轴承故障诊断方法及系统 | |
| CN109993280A (zh) | 一种基于深度学习的水下声源定位方法 | |
| Hu et al. | Denoising and baseline drift removal method of MEMS hydrophone signal based on VMD and wavelet threshold processing | |
| CN108875685B (zh) | 一种自适应匹配随机共振的水下auv检测方法 | |
| CN108921014A (zh) | 一种基于改进噪声包络信号识别的螺旋桨轴频搜索方法 | |
| CN110136745A (zh) | 一种基于卷积神经网络的汽车鸣笛识别方法 | |
| CN110376575B (zh) | 一种基于阻尼参数匹配随机共振的低频线谱检测方法 | |
| CN106682615A (zh) | 一种水下弱小目标检测方法 | |
| CN114782745B (zh) | 一种基于机器学习的海洋声速剖面分类方法及装置 | |
| CN114970378B (zh) | 一种基于gan网络的海杂波样本库构建方法 | |
| CN113642484B (zh) | 一种基于bp神经网络的大地电磁信号噪声压制方法及系统 | |
| CN114649001A (zh) | 基于自适应随机共振的营运风机水下声信号特征提取方法 | |
| Zhang et al. | Research on the fault diagnosis method for rolling bearings based on improved VMD and automatic IMF acquisition | |
| CN113642508A (zh) | 基于参数自适应vmd与优化svm的轴承故障诊断方法 | |
| Wang et al. | Convolutional neural network-based moving ground target classification using raw seismic waveforms as input | |
| CN114813123A (zh) | 一种基于pso-vmd-mckd的滚动轴承微弱故障诊断方法 | |
| Xiao et al. | An improved simplex-based adaptive evolutionary digital filter and its application for fault detection of rolling element bearings | |
| CN111929666A (zh) | 一种基于序贯环境学习的弱水声目标线谱自主提取方法 | |
| CN114065822B (zh) | 海洋潮流涨落的电磁识别方法及系统 | |
| Saffari et al. | Classification of marine mammals using trained multilayer perceptron neural network with whale algorithm developed with fuzzy system | |
| CN115880572A (zh) | 一种基于异步学习因子的前视声呐目标识别方法 | |
| Luo et al. | Rolling bearing diagnosis based on adaptive probabilistic PCA and the enhanced morphological filter | |
| Farrokhrooz et al. | Ship noise classification using probabilistic neural network and AR model coefficients | |
| Duan et al. | A novel adaptive fault diagnosis method for wind power gearbox | |
| Das et al. | Realistic ambient noise analysis for passive surveillance algorithm design |
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 |