CN115659150B - 一种信号处理方法、装置及设备 - Google Patents
一种信号处理方法、装置及设备 Download PDFInfo
- Publication number
- CN115659150B CN115659150B CN202211662723.9A CN202211662723A CN115659150B CN 115659150 B CN115659150 B CN 115659150B CN 202211662723 A CN202211662723 A CN 202211662723A CN 115659150 B CN115659150 B CN 115659150B
- Authority
- CN
- China
- Prior art keywords
- signal
- trained
- training
- noise
- preset
- 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
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种信号处理方法、装置及设备,所述方法包括:获取从工业设备上采集到的第一含噪信号;通过第一预设滤波器对所述第一含噪信号进行滤波处理,得到滤波信号;所述第一预设滤波器是基于训练好的预设置信网络构建得到的;对所述滤波信号进行小波降噪处理,得到降噪信号;根据所述降噪信号,确定所述工业设备的故障结果;本发明的方案提高了离心泵故障诊断的准确率,降低了噪声对诊断信号的影响,在复杂的噪声环境下,也能具有强大的噪声抑制能力。
Description
技术领域
本发明涉及信号处理技术领域,特别是一种信号处理方法、装置及设备。
背景技术
振动监测是工业预测性维护中常用的方法,振动监测故障诊断可分为在线诊断和离线诊断;其中,在线诊断是对运行状态下的机组振动故障原因作出出线条的诊断,以便运行人员作出纠正性操作,防止事故扩大;离线诊断是为了消除振动故障而进行的诊断,这种诊断在时间要求上不那么紧迫,可以将振动信号、数据拿出现成,进行仔细的分析、讨论或模拟实验;
但这两种振动监测方法均存在以下问题: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。
发明内容
本发明要解决的技术问题是提供一种信号处理方法、装置及设备,解决了噪声对故障诊断造成的较大影响。
为解决上述技术问题,本发明的技术方案如下:
一种信号处理方法,包括:
获取从工业设备上采集到的第一含噪信号;
通过第一预设滤波器对所述第一含噪信号进行滤波处理,得到滤波信号;所述第一预设滤波器是基于训练好的预设置信网络构建得到的;
对所述滤波信号进行小波降噪处理,得到降噪信号;
根据所述降噪信号,确定所述工业设备的故障结果。
可选的,所述训练好的预设置信网络通过以下过程进行训练:
获取训练集;所述训练集包括含噪训练信号和训练信号;
对所述训练集中的信号进行特征提取处理,得到所述训练集的特征向量;
对所述训练集的特征向量进行归一化处理,得到归一化后的第一对数功率谱;
以所述归一化后的第一对数功率谱作为待训练置信网络的输入值,第二预设滤波器对所述含噪训练信号和训练信号的滤波结果作为待训练置信网络的训练目标,对待训练置信网络进行训练,得到训练好的预设置信网络。
可选的,以所述归一化后的第一对数功率谱作为待训练置信网络的输入值,第二预设滤波器对所述含噪训练信号和训练信号的滤波结果作为待训练置信网络的训练目标,对待训练置信网络进行训练,得到训练好的预设置信网络,包括:
将所述归一化后的第一对数功率谱依次输入待训练置信网络的输入层、第一层、第二层以及第三层进行映射处理,分别得到输入层输出的第一值、第一层输出的第一最优值、第二层输出的第二最优值以及第三层输出的第三最优值;
根据所述第二预设滤波器对所述含噪训练信号和训练信号的滤波结果,对所述第三最优值进行反向传播处理,得到训练好的预设置信网络。
可选的,基于训练好的预设置信网络,得到第一预设滤波器,包括:
获取第二含噪信号;
对所述第二含噪信号进行特征提取处理,得到所述第二含噪信号的特征向量;
对所述第二含噪信号的特征向量进行归一化处理,得到归一化后的第二对数功率谱;
将归一化后的第二对数功率谱输入训练好的预设置信网络进行处理,得到处理后的功率谱;
根据所述归一化后的第二对数功率谱和处理后的所述功率谱,确定第一预设滤波器的统计参数;
按照所述统计参数,构建得到第一预设滤波器。
可选的,通过第一预设滤波器对所述第一含噪信号进行滤波处理,得到滤波信号,包括:
根据所述第一含噪信号,得到所述第一含噪信号的相位谱和第一幅度谱;
将所述第一含噪信号的第一幅度谱通过第一预设滤波器进行滤波处理,得到第二幅度谱;
利用所述相位谱和所述第二幅度谱进行波形重构,得到滤波信号。
可选的,对所述滤波信号进行小波降噪处理,得到降噪信号,包括:
对所述滤波信号进行小波分解处理,得到至少一层小波;
按照预设小波阈值函数,计算得到小波的小波系数;
对所述至少一层的小波进行噪声估计处理,得到估计小波系数;
将所述小波系数和所述估计小波系数进行小波重构,得到降噪信号。
可选的,对所述滤波信号进行小波分解处理,得到至少一层小波,包括:
按照预设分解尺度对所述滤波信号进行小波分解处理,得到至少一层小波;所述预设分解尺度是由信噪比、相关系数以及均方根误差进行加权融合得到的。
本发明还提供一种信号处理装置,包括:
获取模块,用于获取从工业设备上采集到的第一含噪信号;
处理模块,用于通过第一预设滤波器对所述第一含噪信号进行滤波处理,得到滤波信号;所述第一预设滤波器是基于训练好的预设置信网络构建得到的;对所述滤波信号进行小波降噪处理,得到降噪信号;根据所述降噪信号,确定所述工业设备的故障结果。
本发明提供一种计算设备,包括:处理器、存储有计算机程序的存储器,所述计算机程序被处理器运行时,执行如上述的方法。
本发明还提供一种计算机可读存储介质,存储指令,当所述指令在计算机上运行时,使得计算机执行如上述的方法。
本发明的上述方案至少包括以下有益效果:
本发明的上述方案,通过获取从工业设备上采集到的第一含噪信号;通过第一预设滤波器对所述第一含噪信号进行滤波处理,得到滤波信号;所述第一预设滤波器是基于训练好的预设置信网络构建得到的;对所述滤波信号进行小波降噪处理,得到降噪信号;根据所述降噪信号,确定所述工业设备的故障结果;解决了噪声对故障诊断造成的较大影响,提高了离心泵故障诊断的准确率,降低了噪声对诊断信号的影响,在复杂的噪声环境下,也能具有强大的噪声抑制能力。
附图说明
图1是本发明实施例的信号处理方法的流程示意图;
图2是本发明实施例的待训练置信网络的网络架构示意图;
图3是本发明提供的具体的实施例中原信号的频域信号的波形示意图;
图4是本发明提供的具体的实施例中对原信号的频域信号降噪后的波形示意图;
图5是本发明提供的具体的实施例中信号处理方法的流程示意图;
图6是本发明提供的具体的实施例中第一含噪信号的频域波形示意图;
图7是本发明提供的具体的实施例中降噪信号的波形示意图;
图8是本发明实施例的信号处理装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示,本发明的实施例提出一种信号处理方法,包括:
步骤11,获取从工业设备上采集到的第一含噪信号;
步骤12,通过第一预设滤波器对所述第一含噪信号进行滤波处理,得到滤波信号;所述第一预设滤波器是基于训练好的预设置信网络构建得到的;
步骤13,对所述滤波信号进行小波降噪处理,得到降噪信号;
步骤14,根据所述降噪信号,确定所述工业设备的故障结果。
该实施例中,通过传感器对工业设备进行采样,得到至少一条第一含噪信号,每条第一含噪信号的采样率和采样点数优选为一致的,通过第一预设滤波器对第一含噪信号进行滤波处理,得到滤波信号,该第一预设滤波器是基于训练好的预设置信网络构建得到的,可以抑制其他工业设备的振动干扰;对滤波信号进行小波降噪处理,得到降噪信号,根据处理后的降噪信号,确定该工业设备的故障结果;解决了噪声对故障诊断造成的较大影响,提高了离心泵故障诊断的准确率,降低了噪声对诊断信号的影响,在复杂的噪声环境下,也能具有强大的噪声抑制能力。
其中,预设置信网络是在深度神经网络(Deep Neural Network,DNN)的基础上,通过受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)进行训练构成的深度置信网络(Deep Belief Network,DBN)。
本发明一可选的实施例中,步骤12中所述训练好的预设置信网络通过以下过程进行训练:
步骤12a1,获取训练集;所述训练集包括含噪训练信号和训练信号;
步骤12a2,对所述训练集中的信号进行特征提取处理,得到所述训练集的特征向量;
步骤12a3,对所述训练集的特征向量进行归一化处理,得到归一化后的第一对数功率谱;
步骤12a4,以所述归一化后的第一对数功率谱作为待训练置信网络的输入值,第二预设滤波器对所述含噪训练信号和训练信号的滤波结果作为待训练置信网络的训练目标,对待训练置信网络进行训练,得到训练好的预设置信网络。
本发明的实施例中,通过获取训练集,该训练集包括含噪训练集和信号训练集,对训练集中的信号进行特征提取处理,得到训练集的特征向量,对特征向量进行归一化处理,得到归一化后的第一对数功率谱,具体的:
通过公式将特征向量归一化至[-1,1],实现了数据的正则化,将数据中正值部分的最大值归一化为1,负值部分的最小值归一化为-1,由有效的保留了数据的正负性;其中,为归一化后的第一对数功率谱,为特征向量,为平均值函数,为最大值函数;
以第一对数功率谱作为待训练置信网络的输入值,第二预设滤波器对含噪训练信号和训练信号的滤波结果作为待训练置信网络的训练目标,对待训练置信网络进行训练,得到训练好的预设置信网络,训练好的预设置信网络具有强大的非线性映射能力,能够挖掘信号的结构信息,并自动提取信号抽象化的特征;其中,第二预设滤波器用于通过平稳随机过程的相关特性和频谱特性对混有噪声的信号进行滤波。
本发明一可选的实施例中,步骤12a4包括:
步骤12a41,将所述归一化后的第一对数功率谱依次输入待训练置信网络的输入层、第一层、第二层以及第三层进行映射处理,分别得到输入层输出的第一值、第一层输出的第一最优值、第二层输出的第二最优值以及第三层输出的第三最优值;
步骤12a42,根据所述第二预设滤波器对所述含噪训练信号和训练信号的滤波结果,对所述第三最优值进行反向传播处理,得到训练好的预设置信网络。
本发明的实施例中,归一化后的信号作为训练数据输入至待训练置信网络,这里,先对待训练置信网络的网络架构进行说明:
如图2所示,待训练置信网络包括输入层、第一层、第二层、第三层以及输出层,将归一化后的第一对数功率谱通过输入层输入第一层进行映射处理,其中,输入层作为可见层(visible layer)以及第一层作为隐藏层(hidden layer)构成了第一受限玻尔兹曼机RBM1;
其中,受限玻尔兹曼机是一种可通过输入数据集学习概率分布的随机生成神经网络,具有层内无连接,层与层之间全连的特点,可根据实际需求,使用监督学习或无监督学习的方法进行训练,本发明的实施例中优选采用无监督学习的方法进行训练,在给定受限玻尔兹曼机的可见层单元状态(输入数据)时,各隐层单元的激活条件是独立的(层内无连接),同样,在给定隐层单元状态时,可见层单元的激活条件也是独立的;
同样的,第一层作为可见层以及第二层作为隐藏层构成第二受限玻尔兹曼机RBM2,第一受限玻尔兹曼机RBM1进行RBM1训练后的数据(第一最优值),作为第二受限玻尔兹曼机RBM2的可见层的输入进行训练,得到RBM2训练后的数据(第二最优值);
进而将第二层作为可见层以及第三层作为隐藏层构成第三受限玻尔兹曼机RBM3,第二受限玻尔兹曼机RBM2进行RBM2训练后的数据,作为第三受限玻尔兹曼机RBM3的可见层的输入进行训练,得到RBM3训练后的数据(第三最优值);
上述每一层的受限玻尔兹曼机将特征向量映射到不同特征空间,尽可能地保留特征信息,同时通过非监督贪婪逐层方法预训练获得权重;由于隐藏层之间是无连接的,可并行得到每个隐藏层的所有节点值,通过隐层激活单元和可视层输入之间的相关性差别,作为权值更新的主要依据。
第三层和输出层只见还设置有BP(Back Propagation,反向传播算法)网络,该网络可接收受限玻尔兹曼机的输出特征向量作为它的输入特征向量,有监督地训练实体关系分类器;
基于上述待训练置信网络,其训练过程具体为:
充分训练RBM1;
充分训练RBM2后,将RBM2堆叠在RBM1的上方;
重复上述训练过程,直至RBM3;
最后对RBM3的输出向量(第三最优值)进行反向传播处理,得到训练好的预设置信网络;
其中,如果训练集中的数据存在标签,那么在顶层的受限玻尔兹曼机训练时,该受限玻尔兹曼机的可见层中除了显性神经元,还需要有代表分类标签的神经元同时进行训练。
另外,需要说明的是,每一层受限玻尔兹曼机只能确保自身层内的权值对该层特征向量映射达到最优,并不是对整个待训练置信网络的特征向量映射达到最优,因此反向传播网络还将错误信息自顶向下传播至每一层受限玻尔兹曼机RBM,实现对整个待训练置信网络的微调;
充分训练后得到的预设置信网络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;最后进行频域滤波以及傅里叶逆变换,就可以实现时域增强信号的预测。
本发明一可选的实施例中,步骤12中基于训练好的预设置信网络,得到第一预设滤波器,包括:
步骤12b1,获取第二含噪信号;
步骤12b2,对所述第二含噪信号进行特征提取处理,得到所述第二含噪信号的特征向量;
步骤12b3,对所述第二含噪信号的特征向量进行归一化处理,得到归一化后的第二对数功率谱;
步骤12b4,将归一化后的第二对数功率谱输入训练好的预设置信网络进行处理,得到处理后的功率谱;
步骤12b5,根据所述归一化后的第二对数功率谱和处理后的所述功率谱,确定第一预设滤波器的统计参数;
步骤12b6,按照所述统计参数,构建得到第一预设滤波器。
本发明的实施例中,通过对第二含噪信号进行特征提取处理,得到所述第二含噪信号的特征向量,对第二含噪信号的特征向量进行归一化处理,得到归一化后的第二对数功率谱,这里的特征提取处理以及归一化处理的过程优选与步骤12a2和12a3相同,将归一化后的第二对数功率谱输入训练好的预设置信网络进行处理,得到处理后的功率谱,根据归一化后的第二对数功率谱和处理后的所述功率谱,确定第一预设滤波器的统计参数,按照统计参数,通过迭代的方式生成第一预设滤波器,具体利用梯度下降法迭代逼近,迭代结果可以作为维纳滤波器的近似,该第一预设滤波器优选为维纳滤波器;
本发明一可选的实施例中,步骤13包括:
步骤131,根据所述第一含噪信号,得到所述第一含噪信号的相位谱和第一幅度谱;
步骤132,将所述第一含噪信号的第一幅度谱通过第一预设滤波器进行滤波处理,得到第二幅度谱;
步骤133,利用所述相位谱和所述第二幅度谱进行波形重构,得到滤波信号。
本发明的实施例中,根据第一含噪信号,得到其相位谱和第一幅度谱,相位谱用于波形重构,将第一幅度谱输入训练好的第一预设滤波器进行滤波处理,得到第二幅度谱,最后利用相位谱和第二幅度谱进行波形重构,得到滤波信号,由于第一预设滤波器是基于训练好的预设置信网络构建的,其滤波效果好,可以在降噪处理之前对第一含噪信号进行效果较好的滤波处理。
本发明一可选的实施例中,步骤14包括:
步骤141,对所述滤波信号进行小波分解处理,得到至少一层小波;
步骤142,按照预设小波阈值函数,计算得到小波的小波系数;
步骤143,对所述至少一层的小波进行噪声估计处理,得到估计小波系数;
步骤144,将所述小波系数和所述估计小波系数进行小波重构,得到降噪信号。
本发明的实施例中,对滤波信号进行小波分解处理,得到至少一层小波,小波分解的目的是:利用小波的多分辨特性及与信号相似性捕捉非平稳信号中感兴趣成分,并使该成分对应的分解结果尽量集中在少数几个幅值较大的小波基底上;
该小波分解处理可利用多种小波基函数选择预设小波阈值函数和最大小波分解层数,并按照预设小波阈值函数,计算得到小波的小波系数;其中,小波基函数可以是Haar、Daubechies、Symlets等小波基函数,本发明的实施例中优选用db4小波基函数,该db4小波基函数适用于一维信号分析;这里,需要说明的是,对滤波信号的小波分解处理的分解尺度优选为最佳分解尺度,该最佳分解尺度可通过信噪比、相关系数以及均方根误差的加权融合值确定的;
进一步地,对至少一层的小波进行噪声估计处理,得到估计小波系数,其中,不同的小波基在不同分解尺度下的降噪效果有所区别,具体的可以通过以下两种方式进行噪声估计:
1)对每一层小波系数分别进行噪声估计;
2)仅对第一层小波系数进行噪声估计;
通过噪声估计可实现阈值的自适应,由于信号的能量在小波变换域集中在少数小波系数上,这些小波系数的取值必然大于在小波变换域内能量分散于大量小波系数上的信号或噪声的小波系数值,对小波系数进行阈值处理可以在小波变换域中去除低幅的噪声;
需要说明的是,同信号的互相关函数与内积运算类似,小波变换可表示为信号与小波函数的内积形式,小波变换可用于表征小波函数与信号的相关性。若小波与信号的相似度越大,则小波系数亦越大,且分布越集中,即越稀疏。
根据提升小波时域的特点,结合非线性变换思想,在每次对低频尺度系数进行分解时,选用不同小波同时进行分解,并以最小范数准则确定与该尺度系数特征最相似的小波,从而确定其为匹配于该尺度系数的最优小波;以实现噪声估计过程中的分解尺度阈值自适应;
按照小波系数和估计小波系数进行小波重构,将分解后的信号进行重新组合,得到降噪信号;这样经过降噪的信号保持了原有信号的特征,噪声程度很低,信号更加的平稳,易于后续分析。
如图3和图4所示,一个具体的实施例中,图3为原信号的频域信号,在0~6000Hz的范围内,其幅值在0~20m/s2,可见,原信号的频域信号存在较多噪声信号,对原信号的频域信号进行小波分解处理,得到至少一层小波;然后按照预设小波阈值函数,计算小波系数;对小波进行噪声估计处理,得到估计小波系数;最后将小波系数和估计小波系数进行小波重构,得到图4所示的降噪信号,可见可以有效地抑制原信号中混有的白噪声。
本发明一可选的实施例中,步骤141包括:
步骤1411,按照预设分解尺度对所述滤波信号进行小波分解处理,得到至少一层小波;所述预设分解尺度是由信噪比、相关系数以及均方根误差进行加权融合得到的。
本发明的实施例中,基于小波基函数的最佳分解尺度(预设分解尺度)进行分解降噪效果更优,该最佳尺度是通过信噪比、相关系数以及均方根误差的加权融合值确定的,在最佳分解尺度下可以达到更好的降噪效果,这里的信噪比、相关系数以及均方根误差均为降噪指标;按照预设分解尺度对滤波信号进行小波分解处理,得到至少一层小波,不同的小波基在不同分解尺度下的降噪效果有所区别,可根据实际情况而确定预设分解尺度。
如图5所示,一个具体的实施例中,通过传感器获取额定流量下含机舱噪声以及额定流量下不含机舱噪声的离心泵底座的振动信号,传感器采集到的信号为含噪信号,依次通过滤波阶段和小波降噪阶段进行处理,得到降噪信号,通过降噪信号可以对机舱进行更准确的故障检测;
下面对含噪信号的处理过程进行说明:
步骤51,滤波阶段:
步骤511,通过数据接口按照一定的采样率和采样点数采集第一含噪信号;
步骤512,根据第一含噪信号确定幅度谱和相位谱;
步骤513,通过第一维纳滤波器对幅度谱进行滤波处理,得到滤波后的幅度谱;
步骤514,通过滤波后的幅度谱和相位谱进行波形重构,得到滤波信号;
进一步的,对于滤波信号,进行小波降噪处理:
步骤541,获取滤波信号;
步骤542,对于滤波信号进行最佳尺度小波分解处理,得到至少一层小波;
步骤543,按照预设小波阈值函数,计算得到小波的小波系数,并对至少一层的小波进行噪声估计处理,得到估计小波系数;噪声估计处理实现了自适应阈值降噪;
步骤544,根据小波系数和估计小波系数进行小波重构,得到降噪信号;
通过上述的小波降噪抑制了信号中的白噪声,克服了傅里叶变换的缺陷,通过伸缩平移运算对信号进行多尺度分解,有着良好的时域和频域分辨能力,最大程度地还原了信号中的有用成分,为机舱的故障检测打下了良好的基础;
其中,第一维纳滤波器的构建过程为:
步骤531,获取第二含噪信号;
步骤532,对第二含噪信号进行特征提取处理,得到特征向量;
步骤533,将该特征向量进行归一化处理,得到归一化对数功率谱;
步骤534,将该归一化对数功率谱作为输入值,输入至训练好的预设置信网络进行处理,得到处理后的所述功率谱;
步骤535,基于处理后的所述功率谱,确定统计参数,按照该统计参数构建第一维纳滤波器;
其中,预设置信网络的训练过程为:
步骤521,获取含噪训练集和信号训练集;
步骤522,对含噪训练集和信号训练集中的信号进行特征提取处理,得到特征向量;
步骤523,对特征向量进行归一化处理,得到归一化后的对数功率谱;并通过第二维纳滤波器对含噪训练集和信号训练集中的信号进行滤波处理,得到滤波结果;
步骤524,将对数功率谱作为输入值,滤波结果作为训练目标,对待训练置信网络DBN进行训练,得到训练好的预设置信网络;
上述的预设置信网络鲁棒性较强;
如图6和图7所示,图6为采样得到的一条第一含噪信号,对该第一采样信号依次通过滤波和小波降噪处理,得到图7所示的降噪信号,可见上述方案可以很好地将第一含噪信号中的白噪声抑制,且最大程度地保留了信号中的有用波形,在复杂的噪声环境下,也能具有强大的噪声抑制能力,大幅提高了故障检测准确率。
本发明的实施例通过获取从工业设备上采集到的第一含噪信号;通过第一预设滤波器对所述第一含噪信号进行滤波处理,得到滤波信号;所述第一预设滤波器是基于训练好的预设置信网络构建得到的;对所述滤波信号进行小波降噪处理,得到降噪信号;根据所述降噪信号,确定所述工业设备的故障结果,从而解决了噪声对故障诊断造成的较大影响,提高了离心泵故障诊断的准确率,降低了噪声对诊断信号的影响,在复杂的噪声环境下,也能具有强大的噪声抑制能力。
如图8所示,本发明的实施例还提供一种信号处理装置80,包括:
获取模块81,用于获取从工业设备上采集到的第一含噪信号;
处理模块82,用于通过第一预设滤波器对所述第一含噪信号进行滤波处理,得到滤波信号;所述第一预设滤波器是基于训练好的预设置信网络构建得到的;对所述滤波信号进行小波降噪处理,得到降噪信号;根据所述降噪信号,确定所述工业设备的故障结果。
可选的,所述训练好的预设置信网络通过以下过程进行训练:
获取训练集;所述训练集包括含噪训练信号和训练信号;
对所述训练集中的信号进行特征提取处理,得到所述训练集的特征向量;
对所述训练集的特征向量进行归一化处理,得到归一化后的第一对数功率谱;
以所述归一化后的第一对数功率谱作为待训练置信网络的输入值,第二预设滤波器对所述含噪训练信号和训练信号的滤波结果作为待训练置信网络的训练目标,对待训练置信网络进行训练,得到训练好的预设置信网络。
可选的,以所述归一化后的第一对数功率谱作为待训练置信网络的输入值,第二预设滤波器对所述含噪训练信号和训练信号的滤波结果作为待训练置信网络的训练目标,对待训练置信网络进行训练,得到训练好的预设置信网络,包括:
将所述归一化后的第一对数功率谱依次输入待训练置信网络的输入层、第一层、第二层以及第三层进行映射处理,分别得到输入层输出的第一值、第一层输出的第一最优值、第二层输出的第二最优值以及第三层输出的第三最优值;
根据所述第二预设滤波器对所述含噪训练信号和训练信号的滤波结果,对所述第三最优值进行反向传播处理,得到训练好的预设置信网络。
可选的,基于训练好的预设置信网络,得到第一预设滤波器,包括:
获取第二含噪信号;
对所述第二含噪信号进行特征提取处理,得到所述第二含噪信号的特征向量;
对所述第二含噪信号的特征向量进行归一化处理,得到归一化后的第二对数功率谱;
将归一化后的第二对数功率谱输入训练好的预设置信网络进行处理,得到处理后的功率谱;
根据所述归一化后的第二对数功率谱和处理后的所述功率谱,确定第一预设滤波器的统计参数;
按照所述统计参数,构建得到第一预设滤波器。
可选的,通过第一预设滤波器对所述第一含噪信号进行滤波处理,得到滤波信号,包括:
根据所述第一含噪信号,得到所述第一含噪信号的相位谱和第一幅度谱;
将所述第一含噪信号的第一幅度谱通过第一预设滤波器进行滤波处理,得到第二幅度谱;
利用所述相位谱和所述第二幅度谱进行波形重构,得到滤波信号。
可选的,对所述滤波信号进行小波降噪处理,得到降噪信号,包括:
对所述滤波信号进行小波分解处理,得到至少一层小波;
按照预设小波阈值函数,计算得到小波的小波系数;
对所述至少一层的小波进行噪声估计处理,得到估计小波系数;
将所述小波系数和所述估计小波系数进行小波重构,得到降噪信号。
可选的,对所述滤波信号进行小波分解处理,得到至少一层小波,包括:
按照预设分解尺度对所述滤波信号进行小波分解处理,得到至少一层小波;所述预设分解尺度是由信噪比、相关系数以及均方根误差进行加权融合得到的。
需要说明的是,该装置是与上述方法对应的装置,上述方法实施例中的所有实现方式均适用于该装置的实施例中,也能达到相同的技术效果。
本发明提供一种计算设备,包括:处理器、存储有计算机程序的存储器,所述计算机程序被处理器运行时,执行如上述的方法。上述方法实施例中的所有实现方式均适用于该实施例中,也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质,存储有指令,所述指令在计算机上运行时,使得计算机执行如上述的方法。上述方法实施例中的所有实现方式均适用于该实施例中,也能达到相同的技术效果。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外,需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行,某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言,能够理解本发明的方法和装置的全部或者任何步骤或者部件,可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中,以硬件、固件、软件或者它们的组合加以实现,这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此,本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此,本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说,这样的程序产品也构成本发明,并且存储有这样的程序产品的存储介质也构成本发明。显然,所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是,在本发明的装置和方法中,显然,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且,执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行,但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种信号处理方法,其特征在于,包括:
获取从工业设备上采集到的第一含噪信号;
通过第一预设滤波器对所述第一含噪信号进行滤波处理,得到滤波信号;所述第一预设滤波器是基于训练好的预设置信网络构建得到的;
对所述滤波信号进行小波降噪处理,得到降噪信号;
根据所述降噪信号,确定所述工业设备的故障结果;
其中,所述训练好的预设置信网络通过以下过程进行训练:
获取训练集;所述训练集包括含噪训练信号和训练信号;
对所述训练集中的信号进行特征提取处理,得到所述训练集的特征向量;
对所述训练集的特征向量进行归一化处理,得到归一化后的第一对数功率谱;
以所述归一化后的第一对数功率谱作为待训练置信网络的输入值,第二预设滤波器对所述含噪训练信号和训练信号的滤波结果作为待训练置信网络的训练目标,对待训练置信网络进行训练,得到训练好的预设置信网络;
其中,以所述归一化后的第一对数功率谱作为待训练置信网络的输入值,第二预设滤波器对所述含噪训练信号和训练信号的滤波结果作为待训练置信网络的训练目标,对待训练置信网络进行训练,得到训练好的预设置信网络,包括:
将所述归一化后的第一对数功率谱依次输入待训练置信网络的输入层、第一层、第二层以及第三层进行映射处理,分别得到输入层输出的第一值、第一层输出的第一最优值、第二层输出的第二最优值以及第三层输出的第三最优值;
根据所述第二预设滤波器对所述含噪训练信号和训练信号的滤波结果,对所述第三最优值进行反向传播处理,得到训练好的预设置信网络。
2.根据权利要求1所述的信号处理方法,其特征在于,基于训练好的预设置信网络,得到第一预设滤波器,包括:
获取第二含噪信号;
对所述第二含噪信号进行特征提取处理,得到所述第二含噪信号的特征向量;
对所述第二含噪信号的特征向量进行归一化处理,得到归一化后的第二对数功率谱;
将归一化后的第二对数功率谱输入训练好的预设置信网络进行处理,得到处理后的功率谱;
根据所述归一化后的第二对数功率谱和处理后的所述功率谱,确定第一预设滤波器的统计参数;
按照所述统计参数,构建得到第一预设滤波器。
3.根据权利要求1所述的信号处理方法,其特征在于,通过第一预设滤波器对所述第一含噪信号进行滤波处理,得到滤波信号,包括:
根据所述第一含噪信号,得到所述第一含噪信号的相位谱和第一幅度谱;
将所述第一含噪信号的第一幅度谱通过第一预设滤波器进行滤波处理,得到第二幅度谱;
利用所述相位谱和所述第二幅度谱进行波形重构,得到滤波信号。
4.根据权利要求1所述的信号处理方法,其特征在于,对所述滤波信号进行小波降噪处理,得到降噪信号,包括:
对所述滤波信号进行小波分解处理,得到至少一层小波;
按照预设小波阈值函数,计算得到小波的小波系数;
对所述至少一层的小波进行噪声估计处理,得到估计小波系数;
将所述小波系数和所述估计小波系数进行小波重构,得到降噪信号。
5.根据权利要求4所述的信号处理方法,其特征在于,对所述滤波信号进行小波分解处理,得到至少一层小波,包括:
按照预设分解尺度对所述滤波信号进行小波分解处理,得到至少一层小波;所述预设分解尺度是由信噪比、相关系数以及均方根误差进行加权融合得到的。
6.一种信号处理装置,其特征在于,包括:
获取模块,用于获取从工业设备上采集到的第一含噪信号;
处理模块,用于通过第一预设滤波器对所述第一含噪信号进行滤波处理,得到滤波信号;所述第一预设滤波器是基于训练好的预设置信网络构建得到的;对所述滤波信号进行小波降噪处理,得到降噪信号;根据所述降噪信号,确定所述工业设备的故障结果;
其中,所述训练好的预设置信网络通过以下过程进行训练:
获取训练集;所述训练集包括含噪训练信号和训练信号;
对所述训练集中的信号进行特征提取处理,得到所述训练集的特征向量;
对所述训练集的特征向量进行归一化处理,得到归一化后的第一对数功率谱;
以所述归一化后的第一对数功率谱作为待训练置信网络的输入值,第二预设滤波器对所述含噪训练信号和训练信号的滤波结果作为待训练置信网络的训练目标,对待训练置信网络进行训练,得到训练好的预设置信网络;
其中,以所述归一化后的第一对数功率谱作为待训练置信网络的输入值,第二预设滤波器对所述含噪训练信号和训练信号的滤波结果作为待训练置信网络的训练目标,对待训练置信网络进行训练,得到训练好的预设置信网络,包括:
将所述归一化后的第一对数功率谱依次输入待训练置信网络的输入层、第一层、第二层以及第三层进行映射处理,分别得到输入层输出的第一值、第一层输出的第一最优值、第二层输出的第二最优值以及第三层输出的第三最优值;
根据所述第二预设滤波器对所述含噪训练信号和训练信号的滤波结果,对所述第三最优值进行反向传播处理,得到训练好的预设置信网络。
7.一种计算设备,其特征在于,包括:处理器、存储有计算机程序的存储器,所述计算机程序被处理器运行时,执行如权利要求1至5任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,存储指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211662723.9A CN115659150B (zh) | 2022-12-23 | 2022-12-23 | 一种信号处理方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211662723.9A CN115659150B (zh) | 2022-12-23 | 2022-12-23 | 一种信号处理方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115659150A CN115659150A (zh) | 2023-01-31 |
CN115659150B true CN115659150B (zh) | 2023-03-14 |
Family
ID=85022985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211662723.9A Active CN115659150B (zh) | 2022-12-23 | 2022-12-23 | 一种信号处理方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115659150B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104952458B (zh) * | 2015-06-09 | 2019-05-14 | 广州广电运通金融电子股份有限公司 | 一种噪声抑制方法、装置及系统 |
CN107705801B (zh) * | 2016-08-05 | 2020-10-02 | 中国科学院自动化研究所 | 语音带宽扩展模型的训练方法及语音带宽扩展方法 |
CN108089099A (zh) * | 2017-12-18 | 2018-05-29 | 广东电网有限责任公司佛山供电局 | 基于深度置信网络的配电网故障的诊断方法 |
CN108335702A (zh) * | 2018-02-01 | 2018-07-27 | 福州大学 | 一种基于深度神经网络的音频降噪方法 |
CN113065387B (zh) * | 2021-02-03 | 2022-03-18 | 中国船级社 | 一种机泵系统的小波降噪方法及系统 |
CN114169377A (zh) * | 2021-12-17 | 2022-03-11 | 郑州滕瑟电子科技有限公司 | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 |
-
2022
- 2022-12-23 CN CN202211662723.9A patent/CN115659150B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115659150A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Sparsity-based algorithm for detecting faults in rotating machines | |
CN111523509B (zh) | 融合物理和深度表达特征的设备故障诊断及健康监测方法 | |
Smith et al. | An approach to vibration analysis using wavelets in an application of aircraft health monitoring | |
Liang et al. | An information-based K-singular-value decomposition method for rolling element bearing diagnosis | |
CN112861740B (zh) | 基于复合评价指标和小波熵的小波阈值去噪参数选取方法 | |
CN115730199B (zh) | 一种滚动轴承振动信号降噪和故障特征提取方法和系统 | |
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 | |
CN113378652A (zh) | 一种基于ewt-mpe-pso-bp的扰动分类方法 | |
CN115758082A (zh) | 一种轨道交通变压器故障诊断方法 | |
CN116106013A (zh) | 轴承故障特征识别方法及系统、电子设备、存储介质 | |
CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
CN117111155B (zh) | 一种基于集成框架的微地震数据去噪方法 | |
Li et al. | Incipient detection of bearing fault using impulse feature enhanced weighted sparse representation | |
CN115659150B (zh) | 一种信号处理方法、装置及设备 | |
CN116189711B (zh) | 基于声波信号监测的变压器故障识别方法及装置 | |
CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 | |
Tran et al. | Denoising induction motor sounds using an autoencoder | |
CN115905827A (zh) | 一种基于神经网络的汽轮机故障诊断方法及装置 | |
CN113409213B (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
CN115758121A (zh) | 轴承故障分类方法及装置、电子设备及可读存储介质 | |
CN114441174A (zh) | 滚动轴承复合故障的诊断方法、系统、设备及介质 | |
CN116028840A (zh) | 最大重叠离散小波包变换时频谱的船用转子故障诊断方法 | |
CN113916463A (zh) | 一种危化品运输存储罐泄漏检测方法 | |
CN112363217A (zh) | 一种地震数据随机噪声压制方法及系统 | |
Paul et al. | Application of discrete domain wavelet filter for signal denoising |
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 |