CN116502076B - 一种微弱信号识别方法、装置和可读存储介质 - Google Patents
一种微弱信号识别方法、装置和可读存储介质 Download PDFInfo
- Publication number
- CN116502076B CN116502076B CN202310785801.2A CN202310785801A CN116502076B CN 116502076 B CN116502076 B CN 116502076B CN 202310785801 A CN202310785801 A CN 202310785801A CN 116502076 B CN116502076 B CN 116502076B
- Authority
- CN
- China
- Prior art keywords
- signal
- resonance
- optimal
- quality factor
- potential function
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 37
- 230000009466 transformation Effects 0.000 claims abstract description 22
- 230000004888 barrier function Effects 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 239000002245 particle Substances 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 76
- 238000005457 optimization Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000010183 spectrum analysis Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000005036 potential barrier Methods 0.000 claims description 4
- 101100075747 Drosophila melanogaster Lztr1 gene Proteins 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 3
- 238000013016 damping Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000001914 filtration Methods 0.000 abstract description 3
- 238000009774 resonance method Methods 0.000 abstract description 3
- 230000003313 weakening effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000003672 processing method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Wind Motors (AREA)
- Feedback Control In General (AREA)
Abstract
本发明属于海上风电领域，具体涉及一种微弱信号识别方法、装置和可读存储介质，本发明首先建立一个变尺度三稳态随机共振信号处理模型；其次，本发明提出了一个基于势函数势垒高度比不变的单参数调节方法；接下来，基于粒子群算法优化随机共振系统的参数，获得最佳的系统参数；根据最优的系统参数，求解系统的最佳随机共振输出；最后利用可调小波变换稀疏分解方法对随机共振输出信号进行处理，进一步提升微弱信号的可识别率和信噪比。本发明的优点在于：本发明提出基于随机共振和可调小波变换稀疏分解的微弱特征信号提取方法，利用随机共振方法，避免了直接滤波处理对微弱信号的进一步削弱。
Description
技术领域
本发明属于海上风电领域，具体涉及一种微弱信号识别方法、装置和可读存储介质。
背景技术
在信号的采集和处理过程中，信号往往被背景噪声干扰，如何从强背景噪声中有效提取出有用微弱特征信号，一直以来是研究热点之一。在海上风电领域，支撑结构固有频率和发电机组早期故障信号的检测对于海上风电机组的正常运行，及提升海上风电机组经济效益具有重要意义。然而固有频率信号和海上风电机组早期故障信号都属于微弱信号，在测试过程中极易被环境噪声干扰，信号的信噪比很低，极易被淹没在背景噪声中，使得微弱信号提取显得尤为困难。因此，实现海上风电微弱信号的提取显得尤为重要。此外，微弱信号提取技术对于信号传输与通信、语音识别等同样具有重要意义。传统的微弱信号处理方法有基于噪声消除的信号处理方法和噪声增强的信号处理方法。若单独采用噪声消除方法直接滤除在信号中的背景噪声，会在一定程度上损坏特征信号，并不能获得理想的效果。基于噪声增强的方法能够将噪声的能量部分转移到微弱特征信号，从而在一定程度上增强了微弱信号，因此提升了信号的信噪比和可识别率。然后，由于噪声增强方法转移噪声的能量是有限的，处理后的信号中仍然会包含很多干扰成分，因为单独采用噪声增强的方法，同样不能取得理想的结果。
基于上述问题，本发明提出了一种微弱信号识别方法、装置和可读存储介质，本发明可以实现背景噪声中，极低信噪比微弱信号的识别，同时本发明提出的方法，能够结合随机共振和可调小波变换信号处理的优势，算法简单可靠。
发明内容
为了弥补现有技术的不足，本发明提供一种微弱信号识别方法、装置和可读存储介质技术方案。
一种微弱信号识别方法，包括以下步骤：
步骤1，对信号进行随机共振处理，包括：首先建立一个广义变尺度对称三稳态随机共振信号处理模型；其次，提出一个基于势函数势垒高度比不变的单参数调节方法；通过PSO算法优化随机共振系统的参数，获得最佳的系统参数，PSO算法即为粒子群优化算法；最后根据最优的系统参数，求解系统的最佳随机共振输出；
步骤2，对随机共振信号进行可调小波变换稀疏分解，包括：首先利用可调小波变换，将随机共振获得的最优输出信号分解为具有大品质因子Q值的高共振分量和具有小品质因子Q值的低共振分量；利用PSO算法，基于最大信号可识别率，即目标函数，获取最优的高共振品质因子Qh，低共振品质因子Ql；基于最优的高共振品质因子Qh和低共振品质因子Ql确定高共振分解层数jh和低共振分解层数jl；最后根据最优的品质因子和分解层数参数，进行可调小波稀疏共振分解，获得最优的可调小波变换分解分量。
进一步地，所述步骤1具体包括：
步骤1.1，将收集到的振动信号转换数据格式，选定数据长度，确定信号的采样频率以及特征频率的数值；
步骤1.2，建立广义变尺度对称三稳态随机共振信号处理模型，具体的模型表达式为：
，
式中，，t代表时间，R是频率尺度变换系数，fs是采样频率，/>表示变尺度后系统的输出，c为系统的阻尼比，e是幅值尺度变换系数，/>是经过尺度变换后的系统输入信号；ki是三稳态势函数系数(i=1, 2, 3, 4, 5)，其满足下式：
，
式中，xi (i=1, 2, 3, 4, 5)是三稳态势函数的平衡点，满足关系,，/>，p和q分别是稳定平衡点处和不稳定平衡点处的数值；
步骤1.3，提出基于势函数势垒高度比不变的势函数单参数调节方法；
步骤1.4，基于，设定k5和/>分别为常数1和0.6；建立基于p值的势函数单参数调节模型；
步骤1.5，提出信号可识别率作为模型信号处理的评估指标，信号可识别率γ的表达式为：
，
式中，表示在输出信号频谱中特征频率（/>）的幅值，/>表示除特征频率幅值外频谱中的最大幅值；
步骤1.6，利用四阶龙格库塔算法求解广义变尺度对称三稳态随机共振信号处理模型输出响应，得到随机共振处理信号；
步骤1.7，设置参数c，e，R和p的参数优化范围，并初始PSO参数；
步骤1.8，建立PSO算法随机共振参数优化算法，选取目标函数为，根据步骤1.7设置的参数优化范围，根据步骤1.1-步骤1.6的过程，进行循环迭代计算，根据最大信号可识别率，获得最优c，e，R和p参数值；
步骤1.9，根据最优的c，e，R和p参数值，利用四阶龙格库塔处理算法求最优随机共振输出信号，将随机共振输出信号作为可调小波变换的输入信号。
进一步地，所述步骤1.3中，势函数单参数调节方法具体过程为：
步骤1.3.1，定义为对称三稳态随机共振势函数的形函数；
步骤1.3.2，计算势函数势垒的高度及势垒的高度比，如下：
，
式中，是两侧势垒的高度，/>是中间势垒的高度，U(p)是势函数在平衡点x1和x5处势函数值，U(q)是势函数在平衡点x2和x4处势函数值，U(0)是势函数在平衡点x3处的势函数值；由上式可知，当/>不变时，势函数的高度比为一常数。
进一步地，所述步骤1.4中，势函数单参数调节模型的具体模型函数如下：
。
进一步地，所述步骤2具体包括：
步骤2.1，定义可调小波变换的品质因子Q，其表达式如下：
，
式中，为信号振荡的中心频率，BW为带宽；
步骤2.2，设置冗余度的值，并根据品质因子Q的值，确定在可调小波变换中高、低通滤波器组的尺度参数α和β，对应表达如下：
；
步骤2.3，根据品质因子和冗余度/>的值，确定高，低滤波的表达式；
步骤2.4，根据品质因子，冗余度/>的值，以及数据的长度N，确定数据的最大分解层数，最大分解层数/>表达式为：
，
其中，为向下取整符号；
步骤2.5，根据步骤2.1-步骤2.4，可以确定可调小波变换的基本参数，进一步根据品质因子的不同，建立高品质因子滤波器组TQWTh和低品质因子滤波器组TQWTl；
步骤2.6，根据形态分量分析方法建立信号稀疏分解的目标函数，其表达式为：
，
式中，表示高共振分量，/>表示低共振分量，/>为低共振分量的最大分解层数，为高共振分量的最大分解层数；/>表示低品质因子滤波器组TQWTl的变换系数，/>表示高品质因子滤波器组TQWTh的变换系数，/>和/>表示第j个子带信号的正则化参数；
步骤2.7，利用分裂增广拉格朗日收缩算法对迭代计算，当取得最小值时，可得到高共振分量、低共振分量/>和冗余信号/>的表达式如下：
，
式中和/>是最优的变换系数；
步骤2.8，根据品质因子和Ql的参数范围，建立基于PSO算法的可调小波变换参数优化算法，算法优化目标函数为/>，根据步骤2.1-步骤2.7，进行循环迭代计算，根据最大信号可识别率，获得最优/>，Ql，jl和jh；
步骤2.9，根据最优，Ql，jl和jh的参数值，重复步骤2.1-步骤2.7，获得最佳的高共振分量/>，最佳的低共振分量/>和冗余信号/>；
步骤2.10，若特征信号为时间聚集性信号，则选择高共振分量，对高共振分量进行频谱分析，即可获得提取结果；若特征信号为频率聚集性信号，则选择低共振分量，对低共振分量/>进行频谱分析，即可获得提取结果。
进一步地，所述步骤2.3中高通滤波器的表达式如下：
，
其中ω表示圆频率，为一个函数，可写为：/>，。
进一步地，所述步骤2.3中低通滤波器的表达式如下：
。
进一步地，所述步骤2.6中，和/>可通过下式计算：
，
式中nowl(j)表示经低品质因子滤波器组TQWTl输出的第j个子带信号的L2范数，nowh(j)表示经高品质因子滤波器组TQWTh输出的第j个子带信号的L2范数。
本发明还提供一种微弱信号识别装置，包括一个或多个处理器，用于实现如上所述的微弱信号识别方法。
本发明还提供一种可读存储介质，其上存储有程序，该程序被处理器执行时，实现如上所述的微弱信号识别方法。
与现有技术相比，本发明的有益效果是：
1）本发明提出基于随机共振和可调小波变换稀疏分解的微弱特征信号提取方法，利用随机共振方法，避免了直接滤波处理对微弱信号的进一步削弱；
2）本发明提升基于变尺度的随机共振微弱信号增强模型，即当微弱信号满足随机共振发生条件时，同样可以利用尺度变换系数获取更佳的输出结果；
3）本方发明提出了基于随机共振势函数高度比不变的单参数调节方法，可实现在单参数变换时，势阱高度和宽度的变换，减少了参数优化的个数，降低计算成本，可提升参数优化效率；
4）本发明提出利用信号可识别率作为信号处理结果的评价指标，根据此指标可更直观有效地评价本发明的微弱信号处理性能；
5）本发明提出进一步利用可调小波变换稀疏分解对随机共振输出信号进行滤波降噪，可进一步提升微弱信号的可识别率；
6）本发明结合随机共振和可调小波变化的方法优点，可行性高，结合PSO参数优化算法可以获得更优的随机共振输出。
附图说明
图1为本发明的一种微弱信号识别方法流程图；
图2为本发明的一种微弱信号识别方法中对称三稳态势函数示意图；
图3为本发明的一种微弱信号识别方法中基于PSO算法的随机共振参数优化算法流程图；
图4为本发明的一种微弱信号识别方法中随机共振输入和输出信号示意图；
图5为本发明的一种微弱信号识别方法中基于PSO算法的可调小波变换参数优化算法流程图；
图6为本发明的一种微弱信号识别方法中可调小波变换稀疏分解后的信号成分示意图；
图7本发明的一种微弱信号识别方法中经处理后微弱信号频率分析结果示意图；
图8为本发明的一种微弱信号识别装置结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。
请参阅图1，一种微弱信号识别方法，该方法针对海上风电结构及风电机组的微弱特征信号提出，该方法基于对称三稳态随机共振（Stochastic Resonance，SR）和可调小波变换（Tunable Q-factor wavelet transform，TQWT），所提出的方法主要包括信号随机共振处理和信号的可调小波变换分解两部分，详细的微弱信号提取流程如下：
步骤1，随机共振信号处理
由于微弱信号信噪比很低，本方法首先利用随机共振方法，利用随机共振可以转移噪声能量到微弱信号的特性增强微弱信号特征。本方法首先建立一个广义化变尺度三稳态随机共振信号处理模型，尽管微弱信号可能满足随机共振小参数条件的限制，但同样可以利用尺度方法提升系统的输出性能；其次，为减少在参数优化过程中对称三稳态随机共振系统参数的个数，提升参数优化的效率，本方法提出了一个基于势函数势垒高度比不变的单参数调节方法；接下来，粒子群算法（Particle Swarm Optimization, PSO）优化算法优化随机共振系统的参数，获得最佳的系统参数；最后根据最优的系统参数，求解系统的最佳随机共振输出。本方法提出的基于随机共振信号处理的详细步骤如下：
步骤1.1，将收集到的振动信号转换数据格式，选取数据长度为2N，确定信号的采样频率以及特征频率的数值。
步骤1.2，建立对称三稳态随机信号处理模型，具体的模型表达式为：
，
式中，，t代表时间，R是频率尺度变换系数，fs是采样频率，/>表示变尺度后系统的输出，c为系统的阻尼比，e是幅值尺度变换系数，/>是经过尺度变换后的系统输入信号；ki是三稳态势函数系数(i=1, 2, 3, 4, 5)；利用尺度变换方法可以提升微弱信号的输出性能。一个典型的对称三稳态势函数图形如图2所示，三稳态势函数系数ki满足以下：
，
式中，xi (i=1, 2, 3, 4, 5)是三稳态势函数的平衡点，满足关系,，/>，p和q分别是稳定平衡点处和不稳定平衡点处的数值。
步骤1.3，为减少三稳态势函数参数优化的个数，提高随机共振参数寻优优化效率，提出基于势函数势垒高度比不变的势函数单参数调节方法，具体过程如下：
步骤1.3.1，定义为对称三稳态随机共振势函数的形函数；
步骤1.3.2，势函数势垒的高度和高度比能被计算为：
，
式中，是两侧势垒的高度，/>是中间势垒的高度，U(p)是势函数在平衡点x1和x5处势函数值，U(q)是势函数在平衡点x2和x4处势函数值，U(0)是势函数在平衡点x3处的势函数值；由上式可知，当/>不变时，势函数的高度比为一常数。
步骤1.4，基于，并设定k5和/>的分别为常数1和0.6。可以建立基于p值的势函数单参数调节模型，具体模型函数如下：
。
步骤1.5，为评估单参数调节随机共振信号模型的微弱信号提取性能，提出信号可别率作为模型信号处理的评估指标，信号可识别率的表达式为：
，
式中，表示在输出信号频谱中特征频率（/>）的幅值，/>表示除特征频率幅值外频谱中的最大幅值。
步骤1.6，利用四阶龙格库塔算法求解广义变尺度对称三稳态随机共振信号处理模型的输出响应，得到随机共振处理信号，四阶龙格库塔处理算法为公知技术，不做赘述。
步骤1.7，设置参数c，e，R和p的参数优化范围，并初始PSO参数。
步骤1.8，建立PSO算法随机共振参数优化算法，选取目标函数为，根据步骤1.7设置的参数优化范围，根据步骤1.1-步骤1.6的过程，进行循环迭代计算，根据最大信号可识别率，获得最优c，e，R和p参数值。PSO算法随机共振参数优化算法的流程如图3所示。
步骤1.9，根据最优的c，e，R和p参数值，利用四阶龙格库塔处理算法求最优随机共振输出信号，随机共振输入和输出信号如图4所示。将随机共振输出信号作为可调小波变换的输入信号。
步骤2，信号的可调小波变换过程
可调小波变换可以根据信号品质因子Q的不同，将信号分解为高共振分量和低共振分量。因此，为进一步提升微弱信号的可识别性，本方法提出进一步利用可调小波变换，将随机共振方法获得的最优输出信号分解为具有大Q值的高共振分量和具有小Q值的低共振分量。为获得系统的最优的分解性能，本方法利用PSO算法，基于目标函数，获取最优的高共振品质因子Qh，低共振品质因子Ql；接下来基于最优品质因子确定高共振分解层数Jh和低共振分解层数Jl。最后根据最优参数，获得最优可调小波变换分解分量。基于可调小波变换分级最优随机共振的输出结果如下：
步骤2.1，定义可调小波变换的品质因子Q，其表达式如下：
，
式中，为信号振荡的中心频率，BW为带宽。
步骤2.2,设置冗余度的值，并根据品质因子Q的值，确定在可调小波变换中高、低通滤波器组的尺度参数α和β，对应表达如下：
。
步骤2.3，根据品质因子和冗余度/>的值，确定高，低滤波的表达式，其中高通滤波器/>的表达式如下：
，
低通滤波器的表达式如下：
，
其中ω表示圆频率，为一个函数，可写为：/>，。
步骤2.4，根据品质因子，冗余度/>的值，以及数据的长度N，确定数据的最大分解层数，分解层数/>表达式为：
，
其中，为向下取整符号。
步骤2.5，根据步骤2.1-步骤2.4，可以确定可调小波变换的基本参数。进一步根据品质因子的不同，建立高品质因子滤波器组TQWTh和低品质因子滤波器组TQWTl。
步骤2.6，根据形态分量分析方法建立信号稀疏分解的目标函数，其表达式为：
，
式中，表示高共振分量，/>表示低共振分量，/>为低共振分量的最大分解层数，为高共振分量的最大分解层数；/>表示低品质因子滤波器组TQWTl的变换系数，/>表示高品质因子滤波器组TQWTh的变换系数，/>和/>表示第j个子带信号的正则化参数；/>和/>可通过下式计算：
，
式中nowl(j)表示经低品质因子滤波器组TQWTl输出的第j个子带信号的L2范数，nowh(j)表示经高品质因子滤波器组TQWTh输出的第j个子带信号的L2范数。
步骤2.7，利用分裂增广拉格朗日收缩算法对迭代计算，当取得最小值时，可得到高共振分量、低共振分量/>和冗余信号/>的表达式如下：
，
式中和/>是最优的变换系数。
步骤2.8，根据品质因子和Ql的参数范围，建立基于PSO算法的可调小波变换参数优化算法，算法优化目标函数为/>，根据步骤2.1-步骤2.7，进行循环迭代计算，根据最大信号可识别率，获得最优/>，Ql，jl和jh。基于PSO算法的可调小波变换参数优化算法的流程如图5所示。
步骤2.9，根据最优，Ql，jl和jh的参数值，重复步骤2.1-步骤2.7，获得最佳高共振分量/>，最佳低共振分量/>和冗余信号/>，如图6所示。
步骤2.10，若特征信号为时间聚集性信号，如海上风电支撑结构固有频率信号，则选择高共振分量，对高共振分量/>进行频谱分析，即可获得提取结果。若特征信号为频率聚集性信号，如海上风电机组早期故障信号，则选择低共振分量/>，对低共振分量/>进行频谱分析，即可获得提取结果。如图7所示为支撑结构的固有频率信号，该信号特征属于时间聚集信号，因此选择高共振分量进行处理，可以看到该特征信号能被有效识别。
与前述一种微弱信号识别方法的实施例相对应，本发明还提供了一种微弱信号识别装置的实施例。
参见图8，本发明实施例提供的一种微弱信号识别装置，包括一个或多个处理器，用于实现上述实施例中的微弱信号识别方法。
本发明一种微弱信号识别装置的实施例可以应用在任意具备数据处理能力的装置上，该任意具备数据处理能力的装置可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图8所示，为本发明一种微弱信号识别装置所在任意具备数据处理能力的装置的一种硬件结构图，除了图8所示的处理器、内存、网络接口，以及非易失性存储器之外，实施例中设备所在的任意具备数据处理能力的制造通常根据该任意具备数据处理能力的装置的实际功能，还可以包括其他硬件，对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
本发明实施例还提供一种可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的一种微弱信号识别方法。
所述可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的装置的内部存储单元，例如硬盘或内存。所述可读存储介质也可以是外部存储设备，例如所述装置上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的装置所需的其他程序和数据，还可以用于暂时存储已经输出或者将要输出的数据。
以上所述实施例仅表达了本申请描述较为具体和详细的实施例，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种微弱信号识别方法，其特征在于，包括以下步骤：
步骤1，对信号进行随机共振信号处理，包括：首先建立一个广义变尺度对称三稳态随机共振信号处理模型；其次，提出一个基于势函数势垒高度比不变的单参数调节方法；通过PSO算法优化随机共振系统的参数，获得最佳的系统参数，PSO 算法为粒子群算法（Particle Swarm Optimization, PSO）优化算法；最后根据最优的系统参数，求解系统的最佳随机共振输出，具体包括：
步骤1.1，将收集到的振动信号转换数据格式，选定数据长度，确定信号的采样频率以及特征频率的数值；
步骤1.2，建立广义变尺度对称三稳态随机共振信号处理模型，具体的模型表达式为：
，
式中，，t代表时间，R是频率尺度变换系数，fs是采样频率，/>表示变尺度后系统的输出，c为系统的阻尼比，e是幅值尺度变换系数，/>是经过尺度变换后的系统输入信号；ki是三稳态势函数系数(i=1, 2, 3, 4, 5)，其满足下式：
，
式中，xi (i=1, 2, 3, 4, 5)是三稳态势函数的平衡点，满足关系,，/>，p和q分别是稳定平衡点处和不稳定平衡点处的数值；
步骤1.3，提出基于势函数势垒高度比不变的势函数单参数调节方法，势函数单参数调节方法具体过程为：
步骤1.3.1，定义为对称三稳态随机共振势函数的形函数；
步骤1.3.2，计算势函数势垒的高度及势垒的高度比，如下：
，
式中，是两侧势垒的高度，/>是中间势垒的高度，U(p)是势函数在平衡点x1和x5处势函数值，U(q)是势函数在平衡点x2和x4处势函数值，U(0)是势函数在平衡点x3处的势函数值；由上式可知，当/>不变时，势函数的高度比为一常数；
步骤1.4，基于，设定k5和/>分别为常数，如分别为1和0.6；建立基于p值的势函数单参数调节模型，势函数单参数调节模型的具体模型函数如下：
；
步骤1.5，提出信号可识别率作为模型信号处理的评估指标，信号可识别率γ的表达式为：
，
式中，表示在输出信号频谱中特征频率（/>）的幅值，/>表示除特征频率幅值外频谱中的最大幅值；
步骤1.6，利用四阶龙格库塔算法求解广义变尺度对称三稳态随机共振信号处理模型输出响应，得到随机共振处理信号；
步骤1.7，设置参数c，e，R和p的参数优化范围，并初始PSO参数；
步骤1.8，建立PSO算法随机共振参数优化算法，选取目标函数为，根据步骤1.7设置的参数优化范围，根据步骤1.1-步骤1.6的过程，进行循环迭代计算，根据最大信号可识别率，获得最优c，e，R和p参数值；
步骤1.9，根据最优的c，e，R和p参数值，利用四阶龙格库塔处理算法求最优随机共振输出信号，将随机共振输出信号作为可调小波变换的输入信号；
步骤2，对随机共振信号进行可调小波变换稀疏分解，包括：首先利用可调小波变换，将随机共振获得的最优输出信号分解为具有大品质因子Q值的高共振分量和具有小品质因子Q值的低共振分量；利用PSO算法，基于最大信号可识别率γ，目标函数，获取最优的高共振品质因子Qh，低共振品质因子Ql；基于最优的高共振品质因子Qh和低共振品质因子Ql确定高共振分解层数jh和低共振分解层数jl；最后根据最优的品质因子和分解层数参数，进行可调小波稀疏共振分解，获得最优的可调小波变换分解分量。
2.根据权利要求1所述的一种微弱信号识别方法，其特征在于，所述步骤2具体包括：
步骤2.1，定义可调小波变换的品质因子Q，其表达式如下：
，
式中，为信号振荡的中心频率，BW为带宽；
步骤2.2，设置冗余度的值，并根据品质因子Q的值，确定在可调小波变换中高、低通滤波器组的尺度参数α和β，对应表达如下：
；
步骤2.3，根据品质因子和冗余度/>的值，确定高，低滤波的表达式；
步骤2.4，根据品质因子，冗余度/>的值，以及数据的长度N，确定数据的最大分解层数，最大分解层数/>表达式为：
，
其中，为向下取整符号；
步骤2.5，根据步骤2.1-步骤2.4，可以确定可调小波变换的基本参数，进一步根据品质因子的不同，建立高品质因子滤波器组TQWTh和低品质因子滤波器组TQWTl；
步骤2.6，根据形态分量分析方法建立信号稀疏分解的目标函数，其表达式为：
，
式中，表示高共振分量，/>表示低共振分量，/>为低共振分量的最大分解层数，/>为高共振分量的最大分解层数；/>表示低品质因子滤波器组TQWTl的变换系数，/>表示高品质因子滤波器组TQWTh的变换系数，/>和/>表示第j个子带信号的正则化参数；
步骤2.7，利用分裂增广拉格朗日收缩算法对迭代计算，当取得最小值时，可得到高共振分量、低共振分量/>和冗余信号/>的表达式如下：
，
式中和/>是最优的变换系数；
步骤2.8，根据品质因子和Ql的参数范围，建立基于PSO算法的可调小波变换参数优化算法，算法优化目标函数为/>，根据步骤2.1-步骤2.7，进行循环迭代计算，根据最大信号可识别率，获得最优/>，Ql，jl和jh；
步骤2.9，根据最优，Ql，jl和jh的参数值，重复步骤2.1-步骤2.7，获得最佳的高共振分量/>，最佳的低共振分量/>和冗余信号/>；
步骤2.10，若特征信号为时间聚集性信号，则选择高共振分量，对高共振分量/>进行频谱分析，即可获得提取结果；若特征信号为频率聚集性信号，则选择低共振分量/>，对低共振分量/>进行频谱分析，即可获得提取结果。
3.根据权利要求2所述的一种微弱信号识别方法，其特征在于，所述步骤2.3中高通滤波器的表达式如下：
，
其中ω表示圆频率，为一个函数，可写为：/>，。
4.根据权利要求3所述的一种微弱信号识别方法，其特征在于，所述步骤2.3中低通滤波器的表达式如下：
。
5.根据权利要求2所述的一种微弱信号识别方法，其特征在于，所述步骤2.6中，和可通过下式计算：
，
式中nowl(j)表示经低品质因子滤波器组TQWTl输出的第j个子带信号的L2范数，nowh(j)表示经高品质因子滤波器组TQWTh输出的第j个子带信号的L2范数。
6.一种微弱信号识别装置，其特征在于，包括一个或多个处理器，用于实现权利要求1-5中任一项所述的微弱信号识别方法。
7.一种可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-5中任一项所述的微弱信号识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310785801.2A CN116502076B (zh) | 2023-06-30 | 2023-06-30 | 一种微弱信号识别方法、装置和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310785801.2A CN116502076B (zh) | 2023-06-30 | 2023-06-30 | 一种微弱信号识别方法、装置和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116502076A CN116502076A (zh) | 2023-07-28 |
| CN116502076B true CN116502076B (zh) | 2023-10-17 |
Family
ID=87321747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310785801.2A Active CN116502076B (zh) | 2023-06-30 | 2023-06-30 | 一种微弱信号识别方法、装置和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116502076B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107702921A (zh) * | 2017-09-04 | 2018-02-16 | 西安交通大学 | 参数诱导的欠阻尼稳态匹配随机共振微弱特征增强方法 |
| CN108550116A (zh) * | 2018-03-12 | 2018-09-18 | 西安理工大学 | 低信噪比下的硅单晶生长图像的自适应随机共振去噪方法 |
| CN109446975A (zh) * | 2018-10-25 | 2019-03-08 | 重庆邮电大学 | 多尺度噪声调节随机共振的微弱信号检测 |
| CN111628750A (zh) * | 2020-05-17 | 2020-09-04 | 西北工业大学 | 一种阱内匹配随机共振的非线性滤波方法 |
| CN115146687A (zh) * | 2022-08-31 | 2022-10-04 | 武昌理工学院 | 基于二阶变尺度参数自匹配随机共振的故障特征提取方法 |
| CN115795298A (zh) * | 2022-12-19 | 2023-03-14 | 大连理工大学 | 一种基于最优非线性共振响应的离心压缩机喘振早期微弱特征识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5900848B2 (ja) * | 2011-12-23 | 2016-04-06 | 株式会社豊田中央研究所 | 信号再生装置及び信号再生方法 |
-
2023
- 2023-06-30 CN CN202310785801.2A patent/CN116502076B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107702921A (zh) * | 2017-09-04 | 2018-02-16 | 西安交通大学 | 参数诱导的欠阻尼稳态匹配随机共振微弱特征增强方法 |
| CN108550116A (zh) * | 2018-03-12 | 2018-09-18 | 西安理工大学 | 低信噪比下的硅单晶生长图像的自适应随机共振去噪方法 |
| CN109446975A (zh) * | 2018-10-25 | 2019-03-08 | 重庆邮电大学 | 多尺度噪声调节随机共振的微弱信号检测 |
| CN111628750A (zh) * | 2020-05-17 | 2020-09-04 | 西北工业大学 | 一种阱内匹配随机共振的非线性滤波方法 |
| CN115146687A (zh) * | 2022-08-31 | 2022-10-04 | 武昌理工学院 | 基于二阶变尺度参数自匹配随机共振的故障特征提取方法 |
| CN115795298A (zh) * | 2022-12-19 | 2023-03-14 | 大连理工大学 | 一种基于最优非线性共振响应的离心压缩机喘振早期微弱特征识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| Study on Algorithm of Image Restoration Based on Stochastic Resonance and Wavelet Transforming;Yuan Jiang;《 2016 Sixth International Conference on Instrumentation & Measurement, Computer, Communication and Control (IMCCC)》;全文 * |
| 基于幂函数型双稳随机共振的故障信号检测方法;贺利芳;崔莹莹;张天骐;张刚;宋莹;;仪器仪表学报(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116502076A (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103576060B (zh) | 基于小波自适应阈值的局部放电信号去噪方法 | |
| CN101882964A (zh) | 瞬变电磁探测回波信号的降噪方法 | |
| CN107895354A (zh) | 一种基于非下采样Shearlet变换的高分三SAR图像降斑方法 | |
| CN115359771B (zh) | 一种水声信号降噪方法、系统、设备及存储介质 | |
| Fan et al. | Image denoising based on wavelet thresholding and Wiener filtering in the wavelet domain | |
| CN113222812A (zh) | 一种基于信息流加强深度展开网络的图像重建方法 | |
| CN116502076B (zh) | 一种微弱信号识别方法、装置和可读存储介质 | |
| CN103199889A (zh) | 一种迭代频域抗干扰算法的fpga实现方法 | |
| CN116405100B (zh) | 一种基于先验知识的失真信号还原方法 | |
| Ghosh | Comparative DNN Model Analysis for Detection of Various types of Optical Noise | |
| Qiu et al. | DeepSIG: A Hybrid Heterogeneous Deep Learning Framework for Radio Signal Classification | |
| Tseng et al. | Closed-form designs of frequency-selective graph filters using polynomial approximations | |
| CN105700019B (zh) | 一种基于Born‑Jordan时频分布的地震信号时频峰值滤波方法 | |
| CN116129935A (zh) | 一种针对矿用变压器的声纹数据采集系统 | |
| CN111414354A (zh) | 一种风电场数据的处理方法、装置及计算机可读存储介质 | |
| CN111431507B (zh) | 以半周期简谐波函数构造包络线的自适应信号分解、滤波方法 | |
| CN108649926A (zh) | 基于小波基张量稀疏表示的das数据去噪方法 | |
| CN101355367A (zh) | 干扰消除的方法和装置 | |
| CN103427845A (zh) | 基于二维分块dct变换的电力系统谐波数据压缩与重构方法 | |
| Lakshman et al. | Image interpolation using shearlet based sparsity priors | |
| Xie et al. | Remote sensing image enhancement based on wavelet analysis and histogram specification | |
| Zhong et al. | Stationary Wavelet Transform Aided Fault Detection for LDTV Systems | |
| Cui et al. | The joint optimization method of the graph filter design: the vertex sampling and the integration method | |
| CN112600617B (zh) | 自由空间光通信的信号去噪方法 | |
| Zhang et al. | An NSCT image denoising method based on genetic algorithm to optimize the threshold |
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 |