CN116304549A - 一种隧道健康监测数据小波阈值去噪方法 - Google Patents
一种隧道健康监测数据小波阈值去噪方法 Download PDFInfo
- Publication number
- CN116304549A CN116304549A CN202211626078.5A CN202211626078A CN116304549A CN 116304549 A CN116304549 A CN 116304549A CN 202211626078 A CN202211626078 A CN 202211626078A CN 116304549 A CN116304549 A CN 116304549A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- layer
- signal
- threshold
- decomposition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Complex Calculations (AREA)
Abstract
本发明涉及一种隧道健康监测数据小波阈值去噪方法,包括以下步骤:小波分解:获取结构响应信号,选择合适的小波基函数与分解层数n,对其中的噪声信号进行n层小波分解;阈值处理:对小波分解后得到的各层细节小波系数进行阈值处理,得到对应降噪后的各层高频小波系数;小波逆运算:利用降噪后的各层高频小波系数与第n层低频小波系数,重构信号分量,即得到与原始信号采样数量相一致的降噪信号。与现有技术相比,本发明能够有效解决传统方法小波基函数、分解层数选取客观性不足以及单一指标衡量去噪效果可靠性差的问题,有效去除外部环境噪声带入***的冗余信息,有助于揭示序列的真实特征,进而可靠完成异常检测的任务。
Description
技术领域
本发明涉及隧道工程监测数据处理技术领域,尤其是涉及一种隧道健康监测数据小波阈值去噪方法。
背景技术
隧道结构的所处环境通常较为复杂,其健康监测***不可避免会受到温度、潮汐荷载、车辆荷载等各种环境噪声影响,导致健康监测数据的准确性与实用性降低。在监测过程中,监测数据中包含了噪声信号,为了提高隧道稳定性评价的准确性,有必要对所获得的监测信号进行误差分析并进行降噪处理,并要求在降噪时不仅仅只消除信号的噪声部分,还要有效地保留由于应力分布状态而导致的加速变形产生的突变表现。
因此,需要通过合理的方法剔除噪声干扰,以获得较为准确的结构响应信号。小波分析是一种常用的剔除噪声干扰的方法,对于数据量较大的结构健康监测***而言,通常利用离散小波变换进行小波分析。比如,Mallet算法通过不断的小波分解,可以将信号分解成一系列细节系数与最低层近似系数,从而实现离散小波变换,但该算法在实现过程中,存在小波基函数、分解层数选取客观性不足等问题,在一定程度上影响了去噪效果。
此外,目前在衡量去噪效果时,通常采用三种单一评价指标,即均方根误差(RMSE)、信噪比(SNR)与平滑度(SMOT),其中,均方根误差越小、信噪比越高、平滑度越小,则表明降噪效果越好,但由于单一指标存在变化规律不稳定的特性,导致实际衡量评价结果的可靠性较差。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种改进的隧道健康监测数据小波阈值去噪方法,能够解决传统方法小波基函数、分解层数选取客观性不足以及单一指标衡量去噪效果可靠性差的问题。
本发明的目的可以通过以下技术方案来实现:一种隧道健康监测数据小波阈值去噪方法,包括以下步骤:
S1、小波分解:获取结构响应信号,对其中的噪声信号进行n层小波分解;
S2、阈值处理:对步骤S1小波分解后得到的各层细节小波系数进行阈值处理,得到对应降噪后的各层高频小波系数;
S3、小波逆运算:利用降噪后的各层高频小波系数与第n层低频小波系数,重构信号分量,即得到与原始信号采样数量相一致的降噪信号。
进一步地,所述步骤S1具体包括以下步骤:
S11、选择最佳小波基函数;
S12、选择小波分解最佳层数n;
S13、基于选择的最佳小波基函数以及小波分解最佳层数n,对获取的结构响应信号中的噪声信号进行n层小波分解。
进一步地,所述步骤S11具体是基于疏离度指数SI(Sparse Index)选择最佳小波基函数,采用疏离度指数定量评价小波基与信号对象的匹配度,SI值越小、则表明该小波基对信号分解效果越好;
所述步骤S12具体是基于变异系数赋权法选择小波分解最佳层数。
进一步地,所述步骤S11的具体过程为:采用x种小波基对隧道健康监测数据进行y层分解,得到不同小波基函数对应的SI值及平均排名,由此选择出最佳小波基函数。
进一步地,所述SI值的计算公式为:
其中,ε为一个极小值,W为频域尺度为f、时域尺度为k处的小波细节系数。
进一步地,所述步骤S12的具体过程为:采用变异系数赋权法分别计算均方根误差(RMSE)、信噪比(SNR)与平滑度(SMOT)三个指标对应的指标值xij、归一化指标值与归一化加权权重/>其中,i表示小波层数,j=1,2,3,对应表示指标RMSE、SNR和SMOT;
进一步地,所述的均方根误差(RMSE)指标值xi1计算公式为:
所述的信噪比(SNR)指标值xi2计算公式为:
所述的平滑度(SMOT)指标值xi3计算公式为:
首先,计算各层均方根误差(RMSE)、信噪比(SNR)与平滑度(SMOT)的指标值xij;
信噪比(SNR)与降噪效果呈正相关,其归一化公式为:
再计算每一指标不同层数均值与标准差的商,得到各指标权重值:
最后得到各指标归一化权重值:
其中,std()为标准偏差计算函数,mean()为平均值计算函数。
进一步地,所述步骤S2具体包括以下步骤:
S21、采用固定阈值方法,选定阈值为:
其中,T为阈值,L为信号长度;
S22、针对步骤S1小波分解后得到的各层细节小波系数,将低于阈值的小波系数置零、将高于阈值的小波系数保留后进行硬阈值函数处理,得到降噪后的各层高频小波系数。
进一步地,所述硬阈值函数具体为:
其中,sω)为信号函数。
与现有技术相比,本发明通过选择最佳小波基函数和小波分解最佳层数,以对噪声信号进行小波分解,再通过对小波分解后的结果进行阈值处理以及小波逆运算,由此得到得到与原始信号采样数量相一致的降噪信号。其中,在选择最佳小波基函数时,引入疏离度指数(SI)来定量评价小波基与信号之间的匹配度,由此选出最佳小波基函数;此外,采用变异系数赋权法加权求和得出最佳的小波分解层数。能够有效解决传统方法小波基函数、分解层数选取客观性不足,单一指标衡量去噪效果可靠性差的问题,从而有效去除外部环境噪声带入***的冗余信息,有助于揭示序列的真实特征,可靠完成异常检测的任务。
附图说明
图1为本发明的方法流程示意图;
图2为实施例中沉管隧道横断面图;
图3a~3d为实施例中监测传感器分布情况示意图;
图4为实施例中混凝土应变数据局部放大图;
图5为实施例中应用小波阈值去噪的流程图;
图6为实施例中去噪前后时间序列对比示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示,一种隧道健康监测数据小波阈值去噪方法,包括以下步骤:
S1、小波分解:获取结构响应信号,对其中的噪声信号进行n层小波分解;
S2、阈值处理:对步骤S1小波分解后得到的各层细节小波系数进行阈值处理,得到对应降噪后的各层高频小波系数;
S3、小波逆运算:利用降噪后的各层高频小波系数与第n层低频小波系数,重构信号分量,即得到与原始信号采样数量相一致的降噪信号。
其中,在步骤S1中,通过选择合适的小波基函数与分解层数n,以对噪声信号进行n层小波分解,主要包括选择最佳小波基函数以及选择小波分解最佳层数两个过程,在选择最佳小波基函数时,引入指标Sparse Index(SI),即疏离度指数,来定量评价小波基与信号对象的匹配度:SI越小,说明该小波基对信号分解效果越好。实际应用中,可采用x种常用小波基函数对隧道健康监测数据进行y层分解,得到各小波基函数对应的SI值及平均排名,从而比选出最佳小波基函数。
疏离度指数SI的计算公式为:
式中,ε为一个极小值,W为频域尺度为f、时域尺度为k处的小波细节系数。
在选择小波分解最佳层数时,采取变异系数赋权法,分别计算均方根误差(RMSE)、信噪比(SNR)与平滑度(SMOT)三个指标的指标值xij、归一化指标值与归一化加权权重其中i表示小波层数,j=1,2,3,对应表示指标RMSE、SNR和SMOT,而后将三个指标的归一化加权权重与归一化指标值之积相加,得到各小波层数分值/>取分值最小层数作为最佳的小波分解层数。
均方根误差(RMSE)指标值xij计算公式为:
信噪比(SNR)指标值xij计算公式为:
平滑度(SMOT)指标值xij计算公式为:
首先,计算各层均方根误差(RMSE)、信噪比(SNR)与平滑度(SMOT)的指标值xij;然后,将各指标值归一化,得到归一化指标值均方根误差(RMSE)和平滑度(SMOT)与降噪效果呈负相关,其归一化公式为:
信噪比(SNR)与降噪效果呈正相关,其归一化公式为:
最后,计算每一指标不同层数均值与标准差的商,得到各指标权重值:
进一步得到各指标归一化权重值:
式中,std()为标准偏差计算函数,mean()为平均值计算函数。
在步骤S2中,对分解得到的各层细节小波系数cDi(高频信号),选择合适的阈值进行处理,将低于阈值的小波系数置零、高于阈值的小波系数保留,得到降噪后的各层高频小波系数cDi ′。
硬阈值函数为:
式中,sω)为信号函数,T为阈值。
本实施例应用上述技术方案,针对某沉管隧道的健康监测数据进行去噪处理,该沉管隧道横断面如图2所示。为了获取隧道健康监测的时间序列,从而保障沉管隧道的结构安全,在沉管隧道代表性、重点区域的结构安装监测***,具体监测传感器安装情况如图3a~3d所示(图3a对应为地震动传感器、图3b对应为混凝土应变传感器、图3c对应为位移传感器、图3d对应为结构温湿度传感器)。本实施例将基于2020年6月2日的隧道混凝土应变数据开展,图4展示了分析数据的时序图,从图中可以看到数据有明显的毛刺现象,数据的变化规律与趋势容易被淹没在噪声之中。
如图5所示,为了去除噪声干扰,以获得较为准确的结构响应信号,本实施例提供一种改进的隧道监测数据小波阈值去噪方法,该方法包括:
一、小波分解:选择合适的小波基函数与分解层数n,对噪声信号进行n层小波分解;
二、阈值处理:对分解得到的各层细节小波系数cDi(高频信号),选择合适的阈值进行处理,将低于阈值的小波系数置零,高于阈值的小波系数保留,得到cDi ′;
三、小波逆运算:利用降噪后的各层高频小波系数cDi ′与第n层低频小波系数cAn重构信号分量,得到与原始信号采样数量相一致的降噪信号。
具体地,步骤一包括两个子步骤,以下具体说明:
1、选择最佳小波基函数:
疏离度指数SI越小,说明该小波基对信号分解效果越好。
疏离度指数SI的计算公式为:
其中,ε为一个极小值,W为频域尺度为f、时域尺度为k处的小波细节系数。
本实施例采用常用的db、sym、coif、bior与rbio小波族小波基函数分别对混凝土应变不同月份数据进行10层分解,得到各小波基函数的SI值及平均排名,如表1所示。结果表明,对混凝土应变数据,db,sym与coif小波族的表现明显好于bior与rbio小波族,表现最佳小波基是sym12,表现最差小波基是bior3.1。
表1不同月份下的小波基SI值
2、选择小波分解最佳层数:
采取变异系数赋权法分别计算均方根误差(RMSE)、信噪比(SNR)与平滑度(SMOT)三个指标的指标值xij、归一化指标值与归一化加权权重/>其中i表示小波层数,j=1,2,3,分别对应表示指标RMSE、SNR和SMOT,而后将三个指标的归一化加权权重与归一化指标值之积相加,得到各小波层数分值i,其中,/>取分值最小层数作为最佳的小波分解层数。
均方根误差(RMSE)指标值xij计算公式为:
信噪比(SNR)指标值xij计算公式为:
平滑度(SMOT)指标值xij计算公式为:
首先,计算各层均方根误差(RMSE)、信噪比(SNR)与平滑度(SMOT)的指标值xij;然后,将各指标值归一化,得到归一化指标值均方根误差(RMSE)和平滑度(SMOT)与降噪效果呈负相关,其归一化公式为/>信噪比(SNR)与降噪效果呈正相关,其归一化公式为/>最后,计算每一指标不同层数均值与标准差的商,得到各指标权重值/>进一步,得到各指标归一化权重值/>
采用沉管隧道健康监测数据中的混凝土应变数据进行上述小波分解层数的分值计算,结果如表2所示。因此,对于混凝土应变数据,最佳分解层数为5层。
表2 不同小波层数分解的综合评分
分解层数 | 6月 | 8月 | 10月 | 12月 |
1层 | 0.5835 | 0.653 | 0.6664 | 0.6664 |
2层 | 0.2909 | 0.3429 | 0.3544 | 0.3544 |
3层 | 0.184 | 0.231 | 0.2386 | 0.2386 |
4层 | 0.152 | 0.1983 | 0.2056 | 0.2056 |
5层 | 0.1464 | 0.1945 | 0.1999 | 0.1999 |
6层 | 0.1505 | 0.2032 | 0.2043 | 0.2043 |
7层 | 0.1795 | 0.2549 | 0.2366 | 0.2366 |
8层 | 0.2063 | 0.287 | 0.2636 | 0.2636 |
9层 | 0.2626 | 0.3039 | 0.311 | 0.311 |
10层 | 0.4165 | 0.347 | 0.3336 | 0.3336 |
步骤二中阈值处理方法为:
硬阈值函数为:
其中,s(ω)为信号函数,T为阈值。
基于上述最佳小波基选择、阈值设置和最佳分解层数选择结果,对2020年6月2日的混凝土应变数据进行小波去噪,去噪结果如图6所示,可见,本技术方案提出的小波去噪方法能够有效去除外部环境噪声带入***的冗余信息,有助于揭示序列的真实特征、完成异常检测的任务。
综上可知,本技术方案首先引入疏离度指数(SI)来定量评价小波基与信号之间的匹配度,选出最佳小波基函数;然后采用变异系数赋权法加权求和得出最佳的小波分解层数。有效解决了传统方法小波基函数、分解层数选取客观性不足,单一指标衡量去噪效果可靠性差等问题。
Claims (10)
1.一种隧道健康监测数据小波阈值去噪方法,其特征在于,包括以下步骤:
S1、小波分解:获取结构响应信号,对其中的噪声信号进行n层小波分解;
S2、阈值处理:对步骤S1小波分解后得到的各层细节小波系数进行阈值处理,得到对应降噪后的各层高频小波系数;
S3、小波逆运算:利用降噪后的各层高频小波系数与第n层低频小波系数,重构信号分量,即得到与原始信号采样数量相一致的降噪信号。
2.根据权利要求1所述的一种隧道健康监测数据小波阈值去噪方法,其特征在于,所述步骤S1具体包括以下步骤:
S11、选择最佳小波基函数;
S12、选择小波分解最佳层数n;
S13、基于选择的最佳小波基函数以及小波分解最佳层数n,对获取的结构响应信号中的噪声信号进行n层小波分解。
3.根据权利要求2所述的一种隧道健康监测数据小波阈值去噪方法,其特征在于,所述步骤S11具体是基于疏离度指数SI选择最佳小波基函数,采用疏离度指数定量评价小波基与信号对象的匹配度,SI值越小、则表明该小波基对信号分解效果越好;
所述步骤S12具体是基于变异系数赋权法选择小波分解最佳层数。
4.根据权利要求3所述的一种隧道健康监测数据小波阈值去噪方法,其特征在于,所述步骤S11的具体过程为:采用x种小波基对隧道健康监测数据进行y层分解,得到不同小波基函数对应的SI值及平均排名,由此选择出最佳小波基函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211626078.5A CN116304549A (zh) | 2022-12-15 | 2022-12-15 | 一种隧道健康监测数据小波阈值去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211626078.5A CN116304549A (zh) | 2022-12-15 | 2022-12-15 | 一种隧道健康监测数据小波阈值去噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116304549A true CN116304549A (zh) | 2023-06-23 |
Family
ID=86811970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211626078.5A Pending CN116304549A (zh) | 2022-12-15 | 2022-12-15 | 一种隧道健康监测数据小波阈值去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116304549A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117093857A (zh) * | 2023-10-19 | 2023-11-21 | 深圳市魔样科技有限公司 | 一种智能戒指测试数据快速处理方法 |
CN117231407A (zh) * | 2023-08-07 | 2023-12-15 | 中国长江电力股份有限公司 | 一种高精度的水轮发电机组在线采集监测***及方法 |
CN117969958A (zh) * | 2024-04-02 | 2024-05-03 | 杭州永德电气有限公司 | 一种电阻片配组产品检测方法及*** |
-
2022
- 2022-12-15 CN CN202211626078.5A patent/CN116304549A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117231407A (zh) * | 2023-08-07 | 2023-12-15 | 中国长江电力股份有限公司 | 一种高精度的水轮发电机组在线采集监测***及方法 |
CN117093857A (zh) * | 2023-10-19 | 2023-11-21 | 深圳市魔样科技有限公司 | 一种智能戒指测试数据快速处理方法 |
CN117093857B (zh) * | 2023-10-19 | 2024-02-02 | 深圳市魔样科技有限公司 | 一种智能戒指测试数据快速处理方法 |
CN117969958A (zh) * | 2024-04-02 | 2024-05-03 | 杭州永德电气有限公司 | 一种电阻片配组产品检测方法及*** |
CN117969958B (zh) * | 2024-04-02 | 2024-06-07 | 杭州永德电气有限公司 | 一种电阻片配组产品检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116304549A (zh) | 一种隧道健康监测数据小波阈值去噪方法 | |
CN110361778B (zh) | 一种基于生成对抗网络的地震数据重建方法 | |
CN109359567B (zh) | 一种基于改进小波阈值去噪的参数化传递路径分析方法 | |
CN111222095B (zh) | 一种大坝变形监测中的粗差判别方法、装置及*** | |
CN112487604B (zh) | 海洋重力仪输出数据长时间非线性漂移补偿方法 | |
CN113160084B (zh) | 多孔硅生物传感器表面量子点荧光图像的去噪方法及装置 | |
CN114487129B (zh) | 基于声发射技术的柔性材料的损伤识别方法 | |
CN110702042B (zh) | 一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法 | |
CN115270883A (zh) | 一种基于孪生神经网络小样本学习的电机轴承故障诊断方法 | |
CN113640871B (zh) | 一种基于重加权l1范数稀疏约束的地震波阻抗反演方法 | |
CN117113008B (zh) | 基于x射线的板厚测量方法 | |
CN114813129B (zh) | 基于wpe与emd的滚动轴承声信号故障诊断方法 | |
CN111122469A (zh) | 火成岩中长石含量的确定方法 | |
CN108195932B (zh) | 一种飞行器管路损伤超声导波定量评估方法 | |
CN110702786A (zh) | 基于多尺度奇异吸引子预测误差的梁结构损伤识别方法 | |
CN116167007A (zh) | 基于门控递归单元自编码神经网络的模拟电路检测方法 | |
CN112560180B (zh) | 多点安装结构的传递路径分析方法 | |
CN114994757A (zh) | 基于非凸反正切函数ζ稀疏约束的地震波阻抗反演方法 | |
CN114383716A (zh) | 一种基于条件功率谱分析的车内噪声识别方法 | |
CN113836476A (zh) | 一种基于智能手机的路面平整度测量方法 | |
CN112558147B (zh) | 一种井中微地震数据的偏振分析方法及*** | |
CN112665858B (zh) | 一种用于对轴承故障信号进行nsst时频分析的方法 | |
CN117648537B (zh) | 基于超光谱技术的大气污染实时监测方法及*** | |
CN113295415B (zh) | 一种基于多尺度频谱感知技术的轴承故障检测方法 | |
Velis | Parametric sparse-spike deconvolution and the recovery of the acoustic impedance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |