[发明专利]一种基于降噪自编码器的声发射信号去噪方法

说明书

本发明公开了一种基于降噪自编码器(The Denoising Autoencoder,DAE)的声发射信号去噪方法，其通过无监督学习训练降噪自编码器学习到更加稳定的不变性特征，使重构信号与原始信号误差收敛于极小值，从而达到去噪目的。并且通过对3011个腐蚀声发射信号样本进行处理的基础上开展去噪实验，实验结果表明，当隐层神经元数为300时去噪模型有着较好的去噪效果，提出的降噪自编码器去噪模型比小波阈值去噪法有更优的去噪性能和泛化性。降噪自编码器去噪模型应用于声发射信号去噪，可以有效去除噪声，对于后续声发射信号识别处理具有重要意义。

技术领域

本发明属于信号处理技术领域，具体涉及一种基于降噪自编码器的声发射信号去噪方法。

背景技术

材料受到外力或内力作用产生变形或者裂纹扩展时,以弹性波的形式释放出应变能的现象称为声发射。用仪器检测分析声发射信号和利用声发射信号推断声发射源的技术称为声发射检测技术。声发射检测技术不同于常规无损检测方法，是一种被动的动态检验方法，不需要进入被检对象检测，且具有实时性、整体性和高灵敏度等独特优势，可以动态对结构进行健康监测。

采集的声发射信号成分复杂，包含大量机械噪声和电磁噪声，故而对声发射信号消除噪声是声发射信号分析识别的前提。早期声发射信号去噪技术包括传统滤波去噪、傅里叶变换方法，存在平滑原始信号瞬变成分造成有用信号损失问题；后期将小波分析法应用于声发射信号去噪领域取得了一定成果，Donoho根据噪声信号的方差和长度设置了固定的阈值，对小波分解后所有高频系数进行阈值处理，Tang分别利用Morlet小波变换和基于连续小波变换方法对风电设备齿轮箱振动信号和滚动轴承振动信号进行降噪，取得了一定的消噪效果。小波变换虽然具有多分辨率的特性，但存在小波基函数选取、平稳性假设和参数敏感等问题。实际工程测量中对采集的AE信号分析从而推断结构中的缺陷、损伤的类型和程度是典型的非线性模式识别问题，难以通过传统的阈值设置、AE特征参数关联分析方法完成。

发明内容

针对上述存在的问题，本发明提供一种基于降噪自编码器的声发射信号去噪方法，对含噪声发射信号通过编码器提取深层次表示特征，对提取特征利用解码器重构信号，通过无监督学习训练DAE能够使网络学习到更加健壮的不变性特征，获得输入的更有效的表达，使重构信号与原始信号误差收敛于极小值，从而达到去噪目的。

为了实现上述目的，本发明目所采用的技术解决方案为：

一种基于降噪自编码器的声发射信号去噪方法，其特征在于，包括以下步骤：

步骤1：利用声发射监测仪，采集原始声发射信号；

步骤2：建立基于DAE的声发射信号消噪模型；

步骤3：将采集到的声发射信号输入到基于DAE的声发射信号消噪模型中，进行信号重构；

步骤4：通过无监督学习训练基于DAE的声发射信号消噪模型，使重构信号与原始信号误差收敛于极小值；

步骤5：最终得到去噪后的声发射信号。

进一步地，步骤2所述的DAE的声发射信号消噪模型包括输入层、隐层以及输出层，且输出层神经元数与输入层相等。

进一步地，步骤3的具体操作步骤包括：

步骤31：输入采集到的声发射信号；

步骤32：对采集到的声发射信号，依据二项分布概率进行加噪损坏，生成加噪损坏声发射信号，其二项分布式为：

其中，n为信号采样点数，p为每次试验中事件A发生的概率，所述事件A是指产生零元素；X表示n重伯努利试验中事件A发生的次数，其可能的取值为0，1，…，n；且对每一个k(0≤k≤n)，事件{X＝k}即为“n次试验中事件A恰好发生k次；