[发明专利]基于改进胶囊网络的多频带谱减法振动信号去噪方法

权利要求书

1.一种基于改进胶囊网络的多频带谱减法振动信号去噪方法，其特征在于，具体实现步骤如下：

步骤1：获取两路振动信号，分别为含噪振动信号y(n)以及纯净振动信号x(n)；

其中，含噪振动信号y(n)是由纯净振动信号x(n)和加性噪声d(n)组成，其表达式为：

y(n)＝x(n)+d(n)

式中，n表示采样点；

步骤2：对含噪振动信号进行加窗，分帧，傅里叶变换得到含噪振动信号的幅度谱|Y(f)|和相位谱f表示频率；

步骤3：将含噪振动信号的幅度谱|Y(f)|切割成任意不重复且彼此互不干扰的多个子带；

步骤4：采用谱减法对每个子带中含噪振动信号进行初步去噪，获得初步去噪后的振动信号；

步骤4.1：任意子带K的第1帧信号的处理

步骤4.1.1：设置第1帧噪声信号幅度谱估计值并将其代入谱减公式计算第1帧去噪振动信号幅度谱估计值

其中，|Y₁(f)|为第1帧含噪振动信号的幅度谱，δ为减法因子，β为谱下限参数；

步骤4.1.2：给定第1帧自适应平滑参数c₁，c₁＝min[θ,1]，θ为平滑控制常数，θ＞0；

步骤4.1.3：计算第1帧平滑的噪声谱估计；

步骤4.1.4：计算第1帧去噪信号的平滑功率谱；

步骤4.2：第j帧去噪振动信号幅度谱估计值的求解，j≥2；

步骤4.2.1：基于第j-1帧平滑的噪声谱估计以及第j-1帧去噪信号的平滑功率谱构建第j帧维纳滤波器模型，具体表达式为：

步骤4.2.2：计算第j帧噪声幅度谱的估计值

其中，|Y_j(f)|为第j帧含噪振动信号的幅度谱；

步骤4.2.3：根据谱减法获取第j帧去噪振动信号的幅度谱估计值

步骤4.2.4：确定第j帧自适应平滑参数c_j；

式中:θ为平滑控制常数，θ＞0；

步骤4.2.5：计算第j帧平滑的噪声谱估计

步骤4.2.6：计算第j帧去噪信号的平滑功率谱

步骤4.2.7：重复步骤4.2.1-4.2.6，获取当前子带K内所有帧去噪振动信号的幅度谱估计值

步骤4.3：对每个子带重复执行步骤4.1和4.2，获得每个子带初步去噪后的振动信号幅度谱；

步骤4.4：对每个子带初步去噪后的振动信号幅度谱进行叠加，并结合含噪振动信号的相位谱进行逆傅里叶变换，恢复出初步去噪后的振动信号；

步骤5：采用神经网络对初步去噪后的振动信号进行二次去噪；

步骤5.1：将步骤4.4中恢复出初步去噪后的振动信号，结合纯净振动信号组合生成数据集，并将该数据集分为训练集和测试集；

步骤5.2：利用训练集对神经网络进行训练；

所述神经网络模型包括输入层、空洞卷积层、BiLSTM网络、胶囊网络层、第一全连接层、特征融合层、第二全连接层以及输出层，且神经网络模型中从输入层至输出层的各个连接权值赋予取值范围为[-1,1]的随机值，初始化胶囊网络动态路由过程中间变量b_ij为0；

步骤5.3：将测试集输入训练完成的神经网络模型中进一步去噪；

步骤5.3.1：首先空洞卷积层提取一维振动信号Y′的卷积特征；

步骤5.3.2：空洞卷积层输出的卷积特征经胶囊网络层处理得到为特征标量，然后通过第一全连接层进行映射，并输出特征图I^q；

同时，空洞卷积层输出卷积特征经BiLSTM网络处理输出特征图I^p；

步骤5.3.3：利用特征融合层对特征图I^q以及特征图I^p进行拼接得到特征图I^join，再进行降维处理得到特征图y^conv；

步骤5.3.4：最后对特征图y^conv通过第二全连接层进行映射，最终得到进一步去噪后的振动信号。