一种多模态自适应分类的弱冲击信号去噪系统
本发明涉及低速冲击领域,特别涉及一种多模态自适应分类的弱冲击信号去噪系统。
背景技术:
1、在复合材料结构健康监测与低速冲击载荷辨识领域,冲击响应信号的有效提取是后续损伤评估与定位的前提。低速冲击作用下的响应信号具有能量微弱、持续时长短暂且呈现显著的非平稳特性,同时实测信号中不可避免地混杂来自传感器噪声、环境振动及结构边界反射等多种来源的强噪声干扰。上述因素共同导致原始冲击信号的信噪比偏低,有效冲击特征往往被淹没于背景噪声之中。为此,需对采集到的冲击响应信号进行去噪预处理,以抑制噪声成分并保留反映冲击事件本质的特征信息。现有去噪方法按处理域可大致归为时域方法、频域方法、变换域方法以及基于深度学习的方法四大类。
2、时域方法(如移动平均滤波、中值滤波等)依赖信号的局部连续性假设,对非平稳冲击信号的突变特征保持能力不足,易造成边缘细节的过度平滑;频域方法(如低通/带通滤波、维纳滤波等)适用于频带集中的平稳信号,但当信号与噪声频谱发生重叠时,难以在有效成分保留与噪声抑制之间取得平衡;变换域方法(以小波变换和经验模态分解为代表)虽具备时频局部化分析能力,但其去噪效果高度依赖于分解参数(如小波基函数、分解层数、模态数量及惩罚因子等)的人工预设,参数选择缺乏统一的客观准则;基于深度学习的方法能够从数据中隐式学习信号与噪声之间的映射关系,但其性能严重依赖大规模标注训练样本,且网络结构与超参数的确定多依赖经验试错,在样本获取困难的低速冲击场景中泛化能力受限。综合来看,面向强噪声环境下非平稳、弱能量的低速冲击响应信号,现有方法尚缺乏一种能够自适应确定分解参数、精准识别信号模态并有效保留微弱冲击特征的去噪方案。因此,基于上述难题,本发明提出了一种多模态自适应分类的弱冲击信号去噪系统。
技术实现思路
1、为了解决上述问题,本发明的目的在于提供一种多模态自适应分类的弱冲击信号去噪系统,针对强噪声环境下低速冲击响应信号所具有的非平稳、弱能量及易被背景噪声湮没的特性,提供一种无需人工预设关键分解参数、能够根据信号自身特征自适应识别并分类信号模态,进而在有效抑制强噪声成分的同时精准保留微弱冲击瞬态特征的去噪方案。
2、为了实现上述目的,本发明提供一种多模态自适应分类的弱冲击信号去噪系统。所述系统通过信号采集模块获取被测结构上的应变传感器冲击响应信号;以包络熵作为适应度函数,采用人工旅鼠优化算法在逐次变分模态分解算法逐阶提取固有模态分量的过程中,针对当前阶的惩罚因子分别进行全局寻优;根据各阶对应的最优惩罚因子,采用逐次变分模态分解算法对冲击响应信号进行连续迭代分解,每次迭代基于当前阶的最优惩罚因子提取一个固有模态分量并同步更新残差信号,直至满足分解终止条件;基于表征信号冲击性特征的稀疏测度以及表征固有模态分量与原始信号之间能量分布关联程度的相关系数构建多维评价指标,通过聚类算法将分解所得全部固有模态分量自适应划分为特征分量、含噪分量和纯噪声分量三个类别;通过小波包变换对含噪分量进行阈值量化去噪处理,并基于多性能指标加权融合的评价函数优选小波基函数与分解水平;最终将特征分量与去噪后的含噪分量进行重构,获得去噪后的冲击响应信号。
3、第一方面,本发明提供了一种多模态自适应分类的弱冲击信号去噪系统,包括:
4、信号采集模块,用于获取被测结构上的应变传感器的冲击响应信号;
5、参数自适应优化模块,用于在逐次变分模态分解算法逐阶提取固有模态分量的过程中,以包络熵作为适应度函数,采用人工旅鼠优化算法针对当前阶的惩罚因子分别进行全局寻优,获得与当前分解阶段相匹配的最优惩罚因子;
6、信号分解模块,用于根据各阶对应的最优惩罚因子,采用逐次变分模态分解算法对所述冲击响应信号进行连续迭代分解,每次迭代基于当前阶的最优惩罚因子提取一个固有模态分量并同步更新残差信号,直至满足分解终止条件,得到若干固有模态分量;
7、模态分类模块,用于基于表征信号冲击性特征的稀疏测度以及表征固有模态分量与原始信号之间能量分布关联程度的相关系数构建多维评价指标,通过聚类算法将所述若干固有模态分量自适应划分为特征固有模态分量、含噪固有模态分量和纯噪声固有模态分量三个类别;
8、精细去噪模块,用于通过小波包变换对所述含噪固有模态分量进行阈值量化去噪处理,并基于多性能指标加权融合的评价函数优选小波基函数与分解水平;
9、信号重构模块,用于将所述特征固有模态分量与经小波包变换去噪后的含噪固有模态分量进行重构,得到去噪后的冲击响应信号。
10、进一步的,所述人工旅鼠优化算法通过模拟旅鼠的长距离迁徙行为和挖洞行为实现搜索空间的全局探索,通过模拟旅鼠的觅食行为和躲避天敌行为实现局部开发,并依据随迭代进程递减的能量因子在探索阶段与开发阶段之间进行自适应切换。
11、进一步的,所述包络熵用于表征信号能量在包络分布中的有序程度,冲击信号的能量在时域上集中于少数时刻从而对应较小的包络熵值,噪声信号的能量在时域上分布均匀从而对应较大的包络熵值,所述人工旅鼠优化算法以包络熵值最小化为寻优方向迭代更新种群个体的位置。
12、进一步的,所述逐次变分模态分解算法在提取当前阶固有模态分量的过程中,以当前阶模态分量围绕其中心频率的带宽最小化、当前阶模态分量与残差信号之间的频谱重叠最小化以及当前阶模态分量在已提取各阶模态分量的中心频率处的能量最小化为联合优化目标,构建增广拉格朗日函数并通过交替方向乘子法迭代求解。
13、进一步的,所述稀疏测度包括峭度指标和负熵指标,所述峭度指标用于量化所述固有模态分量的冲击脉冲特性,所述负熵指标用于量化所述固有模态分量偏离高斯分布的程度,两者联合表征所述固有模态分量中所包含的瞬态冲击特征的显著程度。
14、进一步的,所述相关系数为能量分配相关系数,通过计算所述固有模态分量的能量分布与原始冲击响应信号的能量分布之间的协方差与各自方差乘积的比值,度量两者在能量分配上的线性关联程度。
15、进一步的,所述聚类算法为k均值聚类算法,以各固有模态分量的多维评价指标作为聚类特征向量,将全部固有模态分量无监督地聚合为三个簇,分别对应特征固有模态分量、含噪固有模态分量和纯噪声固有模态分量。
16、进一步的,所述小波包变换的阈值量化去噪处理包括:基于对数能量熵准则确定小波包分解的最优分解树结构,根据所述含噪固有模态分量的噪声水平与预设噪声阈值的比较结果,在硬阈值函数与软阈值函数之间择一作为阈值处理函数,并依据信号长度与噪声标准差的估计值计算自适应阈值对各层小波包系数进行量化处理;其中,当所述噪声水平表明噪声成分占主导时选择硬阈值函数,否则选择软阈值函数。
17、进一步的,所述多性能指标加权融合的评价函数对信噪比、均方根误差和相关系数三个性能指标分别进行归一化处理后予以加权求和,以综合评价值最大化为准则从多个小波族及不同分解水平中优选最佳的小波基函数与分解水平组合。
18、进一步的,所述适应度函数为复合适应度函数,所述复合适应度函数包含第一子项和第二子项,所述第一子项为在候选惩罚因子下对冲击响应信号进行分解后所得各固有模态分量包络熵的综合度量,所述第二子项为分解后残差信号的能量集中程度度量;所述人工旅鼠优化算法在迭代寻优过程中,依据当前迭代次数通过单调非线性递减函数动态调整所述第一子项与所述第二子项在所述复合适应度函数中的权重配比,所述权重配比的动态权重系数随迭代次数增加由趋近于1的初始值单调非线性递减至趋近于0,使优化初期以所述第一子项为主导、优化后期逐步向所述第二子项转移,以获得与当前分解阶段残差频谱结构相匹配的最优惩罚因子。
19、进一步的,所述精细去噪模块中将所述特征固有模态分量叠加构建参考信号,分别计算各含噪固有模态分量与所述参考信号之间的交叉熵值,所述交叉熵值用于度量各含噪分量与所述参考信号在概率分布层面的差异程度;依据所述交叉熵值将全部含噪固有模态分量划分为两个以上去噪等级,并为不同去噪等级的分量匹配差异性的小波包去噪参数组合,以各分量实际含噪水平为依据实施分级去噪处理。
20、第二方面,本发明还提供了一种多模态自适应分类的弱冲击信号去噪方法,所述方法基于前述第一方面所述系统,包括:
21、获取被测结构上的应变传感器的冲击响应信号;
22、以包络熵作为适应度函数,采用人工旅鼠优化算法在逐次变分模态分解算法逐阶提取固有模态分量的过程中,针对当前阶的惩罚因子分别进行全局寻优,获得与当前分解阶段相匹配的最优惩罚因子;
23、根据各阶对应的最优惩罚因子,采用逐次变分模态分解算法对所述冲击响应信号进行连续迭代分解,每次迭代基于当前阶的最优惩罚因子提取一个固有模态分量并同步更新残差信号,直至满足分解终止条件,得到若干固有模态分量;
24、基于表征信号冲击性特征的稀疏测度以及表征固有模态分量与原始信号之间能量分布关联程度的相关系数构建多维评价指标,通过聚类算法将所述若干固有模态分量自适应划分为特征固有模态分量、含噪固有模态分量和纯噪声固有模态分量三个类别;
25、通过小波包变换对所述含噪固有模态分量进行阈值量化去噪处理,并基于多性能指标加权融合的评价函数优选小波基函数与分解水平;
26、将所述特征固有模态分量与经小波包变换去噪后的含噪固有模态分量进行重构,得到去噪后的冲击响应信号。
27、本发明通过人工旅鼠优化算法与逐次变分模态分解的联动机制,使分解参数与冲击信号自身固有振荡模式自动匹配,在不依赖人工预设参数的前提下保障分解结果的本征物理一致性;在此基础上,通过稀疏测度与相关系数联合构建的多维评价指标,结合聚类算法的无监督分类能力,将各固有模态分量精准划分为特征分量、含噪分量与纯噪声分量,使有效冲击成分与噪声成分在特征层面获得明确区分;进一步地,通过小波包变换对含噪分量实施针对性阈值量化处理,并基于多性能指标融合评价对变换参数进行自适应优选,在残余噪声精细抑制的同时保持信号波形的局部形态与幅值保真度;最终,通过特征分量与去噪后分量的重构,在强噪声背景下实现了弱冲击瞬态特征的高保真提取与全自动、端到端的去噪处理。
28、有益效果
29、通过实施上述本发明提供的一种多模态自适应分类的弱冲击信号去噪系统,具有以下技术效果:
30、(1)在提取每一阶固有模态分量时,以当前模态分量围绕其中心频率的带宽最小化、当前模态分量与残差信号之间的频谱重叠最小化以及当前模态分量在已提取各阶模态中心频率处的能量最小化为联合优化目标,通过增广拉格朗日函数和交替方向乘子法迭代求解。该多目标联合约束机制从频域全局视角对每一阶模态分量的提取过程实施多重物理约束,有效抑制了模态混叠现象与频谱泄漏问题,提升了各阶模态分量在频域上的分离度与物理可解释性,使分解结果与实际冲击信号的多模态构成之间具有一一对应的物理映射关系。
31、(2)利用峭度与负熵两个高阶统计量指标联合表征各固有模态分量中瞬态冲击特征的显著程度,同时引入能量分配相关系数量化各分量与原始信号在能量分布层面的线性关联程度,以三维评价指标构建聚类特征向量,并通过k均值聚类算法实现固有模态分量的无监督自适应分类。该机制通过稀疏测度与能量关联判据的互补融合,在时域波形形态和能量分布两个维度上建立了综合分类依据,有效避免了单一指标在低信噪比条件下对微弱冲击与随机噪声的误判,使分类结果能够自适应匹配不同冲击响应信号的能量分布差异,提升了模态分类的准确性与泛化性能。
32、(3)通过在人工旅鼠优化算法的适应度函数中引入随迭代次数非线性递减的动态权重系数,使惩罚因子的寻优方向在逐次变分模态分解的不同阶段实现自适应转移。该机制使得每一阶模态分量在被提取的时刻均获得与当前残差频谱结构相匹配的最优惩罚因子,有效规避了固定惩罚因子在逐次分解后期因残差信号频谱结构变化而导致的模态提取失配问题,提升了分解过程在各阶段的适应性与各阶模态分量的整体质量。
33、(4)通过计算各含噪固有模态分量与特征分量集合所构建的参考信号之间的交叉熵,量化各含噪分量与典型冲击成分在概率分布层面的差异程度,并据此将含噪分量划分为差异化的去噪等级,为不同等级自动匹配差异性的小波基函数类型、分解层数及阈值收缩强度。该机制使去噪强度与各分量实际含噪水平实现了精确匹配,避免了统一去噪参数对低噪声分量造成的过度平滑以及对高噪声分量造成的去噪不足,在有效抑制各频带残余噪声的同时,最大限度地保留了含噪分量中的微弱冲击细节。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com