一种基于降噪自编码器的声发射信号去噪方法

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；

二项分布取决于参数n，p，通过分布期望值生成与输入声发射信号采样点数相同的一维数据序列；

步骤33：将所述加噪损坏声发射信号输入到DAE的声发射信号消噪模型的输入层，对信号进行编码，提取深层次表示特征；

步骤34：对提取出的特征利用进行解码，用于信号重构。

进一步地，步骤33中所述的编码的公式为：

步骤34中所述的解码的公式为：

其中，z为DAE隐层某一神经单元的输出，其计算公式为：

其中，n为与该神经单元所连接的输入单元数，w

进一步地，步骤32中对采集到的声发射信号均先采取z-score标准化处理，计算公式为：

其中，x'为声发射信号标准化后数据，μ为声发射信号均值，σ为声发射信号标准差，x为声发射信号原始数据。

本方法与现有技术相比，具有以下有益效果：

首先，本发明提出的方法基于无监督学习方式训练降噪自编码器对加噪声发射信号重构从而达到去噪目的，实验结果表明当隐层神经元数300时DAE去噪模型去噪效果具有优势，提出的DAE消噪模型相比小波阈值去噪法有更优的去噪性能和泛化性，为下一步声发射信号识别提供了基础。

附图说明

图1为AE的原理图；

图2为DAE的去噪原理图；

图3为基于DAE的声发射信号消噪模型原理结构图；

图4为实施例中腐蚀声发射信号样本的示意图；

图5为实施例中经z-score标准化后腐蚀声发射信号样本的示意图；

图6为实施例中加入高斯白噪声的腐蚀声发射信号的示意图；

图7为实施例中加噪损坏后的腐蚀声发射信号样本的示意图；

图8(a)-(e)分别为隐层神经元数为500、400、300、200和100的DAE模型训练过程图；

图9为不同隐层神经元数的DAE对声发射信号消噪后的SNR分布直方图拟合曲线；

图10为DAE神经网络模型结构示意图；

图11为实施例中DAE去噪模型与小波阈值去噪法的SNR分布。

具体实施方式

为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。

1、降噪自编码器去噪原理

DAE是自编码器(AE,Autoencoder)的衍生模型，AE结构如附图1所示。AE本质上类似于非监督学习神经网络模型，通常隐层节点数小于输入节点数，输出节点与输入节点数相同，通过训练AE以期得到近似重构信号。

AE包括编码(encoder)和解码(decoder)过程，输入X＝(x

其编码(encoder)过程为：

h＝σ(WX+b) (1)，

解码(decoder)过程为：

Y＝σ(W'h+b') (2)，

其中，W，b，W’，b’为相应的权重和偏置，σ为激活函数；

定义损失函数为最小二乘函数为：

DAE的核心理念为对输入数据X进行加噪损坏，加噪方式为按照一定概率将输入数据置零，概率分布一般采用二项分布，如附图2所示，其余部分与AE类似。DAE其实质是对信号编码、解码过程中，在重构信号过程中“擦除”了输入噪声，从而达去噪目的。

2、基于DAE的声发射信号消噪模型

基于DAE的声发射信号消噪模型原理结构如附图3所示，一般隐层神经元数小于输入神经元数，为了达到重构的目的，输出层神经元数与输入层相等。

对采集的声发射信号按照二项分布概率进行加噪损坏，二项分布如式(4)所示，该分布期望值为式(5)所示。

E(X)＝np (5)，

其中，二项分布取决于参数n，p，通过该分布生成与输入声发射信号采样点数相同的一维数据序列，将序列中的0元素索引作为将声发射信号相应输入数据置零的依据，为保证生成一定的零元素，这里取n＝10，p＝0.1。

降噪自编码器为单隐层，编码器和解码器激活函数可选择Logistic sigmoid函数或Positive saturating linear transfer函数，Logistic sigmoid函数由式(6)确定，Positive saturating linear transfer函数由式(7)确定：

式(6)中的z由式(8)确定，z为DAE隐层某一神经单元的输出；

式(8)中的n为与该神经单元所连接的输入单元数，w

3、声发射信号的采集与处理

腐蚀声发射信号通过前期5％盐水腐蚀模拟试验共采集到3011个腐蚀声发射信号样本，采样点数为8192。腐蚀声发射信号样本如附图4所示，为消除信号数据之间的差异性，提高DAE模型准确识别率和收敛速度，对采集的每个声发射信号采取z-score标准化处理，按照公示(9)计算。

其中，x'为声发射信号标准化后数据，μ为声发射信号均值，σ为声发射信号标准差，x为声发射信号原始数据；

经过经过z-score标准化后声发射信号样本如附图5所示，为便于后续实验检验去噪性能，这里在对标准化后的声发射信号添加高斯白噪声，噪声功率为10dBW，加入高斯白噪声的声发射信号如附图6所示。

在对声发射信号加入高斯白噪声后输入DAE前，需对声发射信号进行加噪损坏，即按照二项分布概率将输入数据置零，二项分布相关参数取n＝10，p＝0.1。加噪损坏后的声发射信号样本如附图7所示。

实施例

1、算例例证

(1)DAE隐层神经元数的确定

DAE为单隐层结构神经网络，隐层神经元数的确定需根据DAE根据实际去噪应用场景设置，这里采用信噪比衡量去噪性能，如式(10)所示：

其中，P

DAE编码激活函数选择Logistic sigmoid函数，解码激活函数选择Positivesaturating linear transfer函数，损失函数采用均方误差函数MSE(Mean SquaredError)，如式(11)所示：

其中，x

神经网络训练函数采用量化共轭梯度反向传播算法(Scaled conjugategradient backpropagation)，该训练算法能够自适应训练，不需要设置参数，训练效率较高。

从经过处理的3011个腐蚀声发射信号样本中提取30％作为DAE测试数据，70％作为DAE训练数据，最大训练轮数MaxEpochs为20。隐层神经元数为500、400、300、200和100的DAE模型训练过程依次如图8(a)-(e)所示。从附图8可以看出，随着隐层神经元数减少模型性能表现原来越差，但是性能差距也越来越小。

DAE去噪模型训练收敛后对提取的30％的声发射信号测试数据共904个样本进行消噪测试，实验采用MATLAB 2019a为实验平台，不同隐层神经元数的DAE对声发射信号消噪后的SNR分布直方图拟合曲线如附图9所示，图中M为隐层神经元数，其取值分别为500、400、300、200和100。由附图9可以看出，随着隐层神经元数的减少，DAE消噪能力总体减弱，在隐层神经元数为300与200间有一个较大跨度，考虑到DAE输入为8192个采样点，模型训练收敛时间较长，综合考虑去噪性能与模型运行时间，本实施例设置DAE隐层神经元数为300，且DAE神经网络模型的结构如附图10所示。

(2)与小波阈值去噪法比较去噪性能

接下来将声发射信号DAE消噪模型与Donoho小波阈值去噪法进行去噪性能对比，并对两者的去噪性能进行分析：

从经过处理的声发射信号中随机提取1000个样本作为测试数据，DAE去噪模型与小波阈值去噪法的SNR分布如图11所示。有图中可以看出，1000个声发射信号样本经DAE去噪后SNR均值为6.12，方差为0.25，经小波阈值去噪后SNR均值为5.23，方差为0.45。

在声发射信号去噪性能上，DAE去噪模型去噪性能总体优于小波阈值去噪法，且方差较小，具有更好的健壮性。

2、实验结论

通过上述验证过程可以看出，本发明提出了一种基于DAE的声发射信号消噪模型，基于无监督学习方式训练降噪自编码器对加噪声发射信号重构，进而去噪。实验结果表明，当隐层神经元数300时DAE去噪模型去噪效果和模型收敛速度上具有优势，提出的DAE消噪模型相比Donoho小波阈值去噪法有更优的去噪性能和健壮性。该DAE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。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。尽管参照前述实施例对本发明专利进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。