本發(fā)明涉及機(jī)械故障診斷，具體涉及一種全局局部特征掩碼降噪的振動(dòng)信號(hào)自適應(yīng)去噪方法。

背景技術(shù)：

1、振動(dòng)信號(hào)是機(jī)械健康狀態(tài)分析中應(yīng)用最廣泛且直接有效的數(shù)據(jù)源之一。然而，在實(shí)際測(cè)量中，各類設(shè)備存在電磁干擾與各類噪聲，這導(dǎo)致采集到的振動(dòng)信號(hào)中與設(shè)備健康狀態(tài)相關(guān)的振動(dòng)特征極易被掩蓋，因此振動(dòng)信號(hào)去噪一直以來(lái)都是振動(dòng)信號(hào)分析不可或缺的關(guān)鍵部分。

2、基于信號(hào)處理的振動(dòng)信號(hào)去噪方法主要包括濾波、小波去噪和時(shí)頻分析等方法。濾波主要對(duì)特定干擾頻段進(jìn)行去除；小波變換方法能較好處理非平穩(wěn)振動(dòng)信號(hào)，能夠有效地將信號(hào)的有用成分和噪聲區(qū)分開(kāi)；時(shí)頻分析如emd、vmd及其衍生方法適用于信號(hào)的非線性和非平穩(wěn)性較強(qiáng)情況，能夠提供更豐富的信號(hào)特征信息。針對(duì)不同設(shè)備振動(dòng)信號(hào)、不同噪聲特性、以及不同噪聲水平，最適去噪方法各異，需專家經(jīng)驗(yàn)進(jìn)行選擇。研究人員也通過(guò)融合各類指標(biāo)如峰度值指標(biāo)以及pso等超參數(shù)優(yōu)化方法來(lái)提升基于信號(hào)處理去噪方法的自適應(yīng)性。

3、基于信號(hào)處理的去噪方法能較好去除噪聲，但在處理復(fù)雜噪聲時(shí)仍然需要大量專家經(jīng)驗(yàn)，對(duì)復(fù)雜環(huán)境下不同類型噪聲適應(yīng)性仍存在不足。深度學(xué)習(xí)能夠提供端到端的學(xué)習(xí)方式，直接從原始信號(hào)中學(xué)習(xí)到最終去噪信號(hào)，還可通過(guò)引入噪聲特性、形式等要素，對(duì)環(huán)境不確定性進(jìn)行建模，提高模型的魯棒性和可靠性。因此，將去噪策略嵌入深度學(xué)習(xí)框架，融合深度學(xué)習(xí)框架與去噪策略的優(yōu)點(diǎn)，具有更好的準(zhǔn)確率與自適應(yīng)性。例如，一些研究采用了基于cnn的去噪模型，通過(guò)構(gòu)建多層卷積層來(lái)提取信號(hào)中的特征，并利用反卷積層或上采樣層來(lái)重構(gòu)去噪后的信號(hào)。這種方法在處理一維振動(dòng)信號(hào)時(shí)取得了較好的效果，一般基于生成式網(wǎng)絡(luò)架構(gòu)如vae、dae、cae等。此外，還有一些研究將rnn或長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（lstm）應(yīng)用于振動(dòng)信號(hào)去噪中。這些網(wǎng)絡(luò)結(jié)構(gòu)能夠捕捉信號(hào)中的時(shí)序信息，對(duì)于處理連續(xù)性的振動(dòng)信號(hào)具有較好的效果。

4、盡管深度網(wǎng)絡(luò)在振動(dòng)信號(hào)去噪領(lǐng)域取得了一些進(jìn)展，但仍存在不足。（1）現(xiàn)有深度智能去噪網(wǎng)絡(luò)還未具備大范圍尺度特征學(xué)習(xí)能力，難以保證去噪過(guò)程對(duì)各頻段故障特征充分學(xué)習(xí)，難以有效去除全頻段常見(jiàn)噪聲和窄帶非高斯干擾，因此信號(hào)保真泛化能力較差。（2）振動(dòng)信號(hào)為一種時(shí)序信號(hào)，產(chǎn)生機(jī)理注定其短程與長(zhǎng)程時(shí)序特性并存，需要rnn、lstm以外更為有效的時(shí)序關(guān)系提取方法，現(xiàn)有基于transformer的去噪網(wǎng)絡(luò)研究極少，且現(xiàn)有transformer在振動(dòng)信號(hào)周期沖擊特性中的適用性需要進(jìn)一步研究。（3）現(xiàn)有生成方法中去噪過(guò)程可解性差，也是智能去噪網(wǎng)絡(luò)實(shí)際使用較少的原因之一。如果能夠?qū)⒄駝?dòng)信號(hào)時(shí)域、頻域分析中相關(guān)分析經(jīng)驗(yàn)作為去噪過(guò)程中的優(yōu)化約束或目標(biāo)函數(shù)融入，將進(jìn)一步提升智能去噪過(guò)程可解釋性及信號(hào)保真效果。

技術(shù)實(shí)現(xiàn)思路

1、發(fā)明目的：針對(duì)現(xiàn)有去噪方法自適應(yīng)去噪能力較差問(wèn)題，本發(fā)明提出一種全局局部特征掩碼降噪的振動(dòng)信號(hào)自適應(yīng)去噪方法，以提升去噪準(zhǔn)確率。

2、技術(shù)方案：為實(shí)現(xiàn)本發(fā)明的目的，本發(fā)明所采用的技術(shù)方案是：一種全局局部特征掩碼降噪的振動(dòng)信號(hào)自適應(yīng)去噪方法，包括以下步驟：

3、步驟一，數(shù)據(jù)預(yù)處理：對(duì)原始數(shù)據(jù)進(jìn)行加噪處理，得到包含噪聲-干凈配對(duì)樣本的數(shù)據(jù)集，將數(shù)據(jù)分割為幀，再使用堆疊將數(shù)據(jù)處理成維度為三的張量作為編碼器的輸入；

4、步驟二，數(shù)據(jù)編碼：考慮振動(dòng)信號(hào)多尺度特性，搭建具有質(zhì)數(shù)空洞系數(shù)序列的卷積模塊作為編碼器，處理變轉(zhuǎn)速與變故障程度下故障脈沖尺度變化，輸出特征矩陣；

5、步驟三，噪聲掩碼：構(gòu)建混合transformer進(jìn)行二維時(shí)域信號(hào)局部與全局特征提取，自適應(yīng)地學(xué)習(xí)高低頻噪聲并形成一種新型掩碼進(jìn)行去噪；

6、步驟四，信號(hào)重組：解碼器與編碼器結(jié)構(gòu)相同，利用解碼器從掩碼去噪后得到的特征矩陣中重構(gòu)出原始信號(hào)樣本；

7、步驟五，重疊加法：采用重疊加法生成去噪后的振動(dòng)信號(hào)波形，根據(jù)步驟一中信號(hào)樣本切片為片段幀過(guò)程的位置編碼，對(duì)重構(gòu)的信號(hào)進(jìn)行逆向還原；

8、步驟六，模型訓(xùn)練：以振動(dòng)信號(hào)為輸入，全頻段去噪結(jié)果為輸出，使用包含噪聲-干凈配對(duì)樣本的數(shù)據(jù)集訓(xùn)練步驟一至步驟五所構(gòu)建的自適應(yīng)去噪網(wǎng)絡(luò)；

9、步驟七，信號(hào)去噪：將需要進(jìn)行去噪的振動(dòng)信號(hào)輸入到訓(xùn)練完成的自適應(yīng)去噪網(wǎng)絡(luò)，對(duì)全頻段的噪聲進(jìn)行去除。

10、進(jìn)一步，步驟一中數(shù)據(jù)預(yù)處理包括：

11、對(duì)長(zhǎng)度為的原始一維信號(hào)進(jìn)行切割處理，切割為長(zhǎng)度，跳躍大小為的幀；

12、再將處理后得到的幀通過(guò)堆疊輸出形狀為的張量作為編碼器的輸入，其中是通道個(gè)數(shù)，為幀數(shù)，為幀的長(zhǎng)度，的計(jì)算公式為：

13、；

14、在數(shù)據(jù)預(yù)處理階段，原始信號(hào)通過(guò)搭載重疊分幀策略的重疊塊被劃分為若干時(shí)間片段，各片段間保留預(yù)設(shè)比例的重疊區(qū)域，從原始未受污染信號(hào)中提取的純凈數(shù)據(jù)塊，作為去噪系統(tǒng)的參照目標(biāo)。

15、進(jìn)一步，步驟二中所述編碼器由卷積塊組成；

16、首先編碼器輸入數(shù)據(jù)通過(guò)1×1卷積塊并進(jìn)行歸一化，接著構(gòu)建密集空洞卷積塊形成各尺度感受野，其中四個(gè)并行空洞卷積使用不同質(zhì)數(shù)空洞率序列為擴(kuò)張系數(shù)，獲取多尺度的特征；

17、最后通過(guò)卷積塊降低單幀維度，進(jìn)行層歸一化并以prelu函數(shù)進(jìn)行激活，prelu公式如下：

18、，

19、其中，是通過(guò)prelu對(duì)特征數(shù)據(jù)施加非線性激活的結(jié)果，為經(jīng)過(guò)編碼器處理后的特征數(shù)據(jù)，為各特征通道獨(dú)立的可學(xué)習(xí)參數(shù)，用于適應(yīng)各通道不同的非線性程度需求。

20、進(jìn)一步，步驟三構(gòu)建混合transformer進(jìn)行特征提取，包括：

21、首先使用兩個(gè)包含局部transformer和全局transformer的混合transformer模塊進(jìn)行級(jí)聯(lián)；

22、所述transformer采用包含多頭注意力塊、層歸一化、gru層、殘差連接以及激活函數(shù)的簡(jiǎn)化transformer；

23、其中，局部transformer模塊應(yīng)用于輸入的單個(gè)數(shù)據(jù)幀，從維度并行處理片段內(nèi)部短期上下文信息；全局transformer模塊應(yīng)用于信號(hào)樣本內(nèi)所有片段，即從維度上執(zhí)行以學(xué)習(xí)全局依賴；

24、然后通過(guò)一個(gè)以prelu為激活函數(shù)的卷積塊，構(gòu)建全局和局部時(shí)序關(guān)系融合的噪聲掩碼策略；在此過(guò)程中特征通道數(shù)c保持不變，形成掩碼矩陣；

25、最后，將步驟二輸出的特征矩陣與上述提取的掩碼矩陣進(jìn)行哈達(dá)瑪積，實(shí)現(xiàn)掩碼操作，即獲得去噪后的特征矩陣。

26、進(jìn)一步，步驟四中信號(hào)重組包括：

27、首先通過(guò)與編碼器相同形狀的密集空洞卷積塊進(jìn)行信息提取，之后采用反卷積層增強(qiáng)其分辨率；

28、接著，對(duì)前兩層的輸出進(jìn)行層歸一化和prelu非線性操作，并采用1×1大小的二維卷積調(diào)整通道數(shù)為1，使每個(gè)樣本的輸出回歸。

29、進(jìn)一步，步驟五在優(yōu)化過(guò)程中，整體損失函數(shù)在時(shí)域中通過(guò)去噪后重構(gòu)信號(hào)與對(duì)應(yīng)原始信號(hào)的均方誤差衡量，在頻域通過(guò)譜圖差異衡量，損失函數(shù)公式如下：

30、，

31、，

32、，

33、其中，和分別為時(shí)間維度和時(shí)頻域維度的損失函數(shù)，為總損失函數(shù)，是輸入的原始信號(hào)，是去噪后的重構(gòu)信號(hào)；為信號(hào)樣本數(shù)量，為真實(shí)原始信號(hào)在時(shí)域上的表示，為對(duì)應(yīng)去噪重構(gòu)信號(hào)在時(shí)域上的表示，和分別為原始信號(hào)的譜圖和去噪重構(gòu)信號(hào)的譜圖，和分別表示復(fù)變量的實(shí)部和虛部，表示原始信號(hào)譜圖在時(shí)間幀、頻率處的實(shí)部，表示原始信號(hào)譜圖在時(shí)間幀、頻率處的虛部，表示去噪重構(gòu)信號(hào)譜圖的實(shí)部，表示去噪重構(gòu)信號(hào)譜圖的虛部；表示時(shí)間幀數(shù)，表示頻率數(shù)，為權(quán)重參數(shù)；

34、在損失函數(shù)中增加附加特征損失，其中為每個(gè)樣本經(jīng)過(guò)數(shù)據(jù)預(yù)處理獲得的輸入矩陣，是信號(hào)重組輸出的重構(gòu)矩陣；

35、最終損失函數(shù)為，其中為權(quán)重參數(shù)。

36、有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明的技術(shù)方案具有以下有益的技術(shù)效果：

37、本發(fā)明針對(duì)振動(dòng)信號(hào)天然具有多尺度關(guān)鍵特征問(wèn)題，搭建質(zhì)數(shù)核序列密集空洞卷積模塊處理不同轉(zhuǎn)速與故障程度下故障脈沖所需感受野變化問(wèn)題，構(gòu)建契合振動(dòng)信號(hào)的混合transformer進(jìn)行局部與全局時(shí)序特征的有效提取，形成一種新型掩碼去噪方法，有效保證高低頻噪聲學(xué)習(xí)。使用開(kāi)源的凱斯西儲(chǔ)大學(xué)測(cè)試數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，在低信噪比如snr=-10、-5下，去噪網(wǎng)絡(luò)能夠顯著提升診斷效果，診斷精度提升從10~30%不等。