通知公告:

全国服务热线: 400 688 6499

持续声发射信号

您现在的位置是: 首页 > 持续声发射信号

基于K-均值聚类与小波分析的声发射信号去噪

更新日期:2019/8/30 16:16:03

基于K-均值聚类与小波分析的声发射信号去噪

周俊1,2  刘丽川1  杨继平1,2

(后勤工程学院军事供油工程系,重庆,401331)  

摘要:为准确识别声发射信号模式,必须剔除声发射信号中的噪声,传统滤波去噪手段效果并不理想,小波阈值去噪方法显示了独特的优势。针对小波阈值去噪方法中阈值设置风险问题,利用K-均值聚类方法对小波分解后的高频系数进行分类,确定去除噪声对应小波系数的阈值,然后进行小波系数重构达到去噪目的。采用硬阈值法与软阈值法对声发射信号进行小波阈值去噪,将基于K-均值聚类方法生成的阈值和改进Donoho方法生成的阈值分别作为小波去噪阈值,实验结果表明,在信噪比、均方根误差和平滑度三个指标上,本文提出的方法优于改进Donoho方法。

关键词:声发射信号,K-均值聚类,改进Donoho方法,小波分析,阈值,去噪

                             

ZHOU Jun, LIU Li-Chuan,YANG Ji-Ping

(Department of military oil supply, Logistical Engineering University ,Chongqing 401331, China)

 

Abstract:For accurately identifying the mode of AE signal , the noise in the AE signal must be removed. The denoising results by conventional means of filtering are unsatisfactory, the denoising method by threshold on wavelet coefficients shows unique advantages. Aiming at threshold selection risky problem in the denoising method by threshold on wavelet coefficients,    K-means clustering method was used to classify the high-frequency coefficients by wavelet decomposition, determining the removal threshold for the wavelet coefficients corresponds to the noise, then the wavelet coefficients were reconstructed to achieve the de-noising purpose. Hard-threshold method and soft-threshold method was applied on denoising method by threshold on wavelet coefficients for AE signal, threshold generated by K-means clustering approach and threshold generated by the improved Donoho method were respectively used as the threshold for the denoising method by threshold on wavelet coefficients, experimental results shows that in the three indicators of signal to noise ratio, root mean square error and smoothness , the proposed method is superior to the improved Donoho method.

Keywords: AE signal, K-means clustering, improved Donoho method, wavelet transform,Threshold , De-noising

1 引言

材料受外力或内力作用产生变形或断裂,以弹性波形式释放出应力-应变的现象称为声发射[1]。通过对传感器接受的声发射信号进行特征分析可以得到材料的内部变化状态,在材料研究、压力容器评价和飞机构件的强度监视和测定等方面有着广泛的应用[2]。然而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,如何从采集的声发射信号中去除噪声,提取实际反映材料内部结构状态的声发射信号,是声发射信号特征分析中亟待解决的问题。声发射信号是一种非平稳随机信号,信噪比较低[3],传统的线性滤波方法去噪效果并不理想[4],而以Donoho的小波阈值去噪方法[5]为代表的非线性滤波方法取得了更好的去噪效果[6],该方法在几乎完全抑制噪声的同时,可以最大程度的保留真实信号的特征。Donoho认为通过小波分解后,真实信号与噪声信号的小波系数幅值分布不同,通过设置阈值去除噪声小波系数后,再利用小波重构达到去除噪声的目的。其中阈值的选取是关键性问题,选取过大会损失真实信号,过小则影响去噪效果,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,这样比较简便,但是忽略了噪声对应小波系数幅值随着分解层数增加而减小这一特点,也有学者对Donoho的阈值设置方法进行了改进[7],改进的Donoho阈值设置方法针对每一层高频小波系数幅值生成相应的阈值,增强了去噪效果,但是Donoho阈值设置方法及其改进方法需要知道噪声的方差,实际计算中往往采用估计值代替,这样也影响去噪效果。针对以上阈值选取问题,提出一种基于K-均值(K-means)聚类方法的小波系数分类方法,将真实信号与噪声信号的小波系数幅值分为两类,根据分类确定阈值。采用改进Donoho方法与基于K-均值聚类方法分别生成去噪阈值,进行小波阈值去噪,实验结果表明,基于K-均值聚类方法在信噪比、均方根误差和平滑度三个指标上优于改进Donoho方法。