文献速读 Mech. Syst. Signal Pr. :基于深度学习的振动信号自适应模态分解与瞬时频率估计 题目 Deep learning-based adaptive mode decomposition and instantaneous frequency estimation for vibration signal 基于深度学习的振动信号自适应模态分解与瞬时频率估计 关键词 时频分析;非线性和非稳态;自适应模式分解;单成分;瞬时频率;深度学习 来源 出版年份:2023 来源:Mechanical Systems and Signal Processing 课题组:哈尔滨工业大学土木工程学院鲍跃全课题组 研究背景 结构健康监测是保证结构安全的先进方法。结构振动监测数据在时间变化环境和荷载下具有非平稳性,在复杂环境和荷载下具有非线性。上述非线性和非稳态信号的瞬时频率为结构健康状况评估和损伤检测提供丰富信息。因此,准确时频分析以及评估非线性和非稳态信号对结构健康监测至关重要。非线性和非稳态信号的时频分析关键在于自适应模式分解过程,即把振动信号分解为多个本征模式函数(IMF)。每个IMF对应一种时变频率分量,对信号进行精准模态分解是后续一系列结构健康状况评估和损伤检测的前提。传统模态分解方法利用形式上已知的正交基数分解信号,存在不灵活和不适应的缺点,且无法为非线性和非平稳信号提供足够精度。现有方法在周围有大量背景噪声情况下难以从振动信号中精确分解模态,容易获得虚假单成分。除传统模态分解方法,自适应模式分解和瞬时频率估计也是目前常用的方法,但对目标IMF进行人工过滤,且使用傅立叶变换频率分量作为基向量,导致其对非三角函数信号的适应性明显不足。 研究出发点 为提高模态分解适应性、克服分解后信号模式混合和分解到虚假单成分问题,需提出一种全新的模态分解方法。 研究内容 本文提出一种基于深度学习的新型数据驱动方法,用于信号的自适应稀疏模式分解和瞬时频率估计。具体为:将时频分析转化为深度学习优化问题,并提出了一种内置自适应冗余滤波器的稀疏正则化深度神经网络(DNN);利用DNN强大的优化能力,获得精确的固有模态函数分解和高分辨率瞬时频率。 总结 本文提出一种基于深度学习的自适应模式分解和瞬时频率估计方法,用于结构健康监测的非线性和非平稳信号分析:为实现提取准确且不含模式混合和虚假成分的本征模式函数(IMFs),并实现高准确度的瞬时频率估计,构建了一种新型深度神经网络(DNN)框架;在本文设计的DNN中,应用自适应滤波器提取单一成分谱,并在层中嵌入希尔伯特变换(HT)进行瞬时频率估计;通过考虑光谱重叠和不同级别的噪声干扰的数字信号,以及不同张力下的长电缆模型的实验振动数据,证明了所提方法的有效性。 本文提出的方法可自适应地分解紧密间隔的单分量合成信号,信号分解误差为1.48%,低于集合经验模式分解(EEMD)和变分模态分解(VMD)对弱频谱重叠的单成分分解误差;所提方法对噪声具有鲁棒性,在信噪比为5 dB情况下,瞬时频率的识别误差为4.90%,而EEMD为53.12%,VMD为36.56%;与EEMD和VMD相比,所提方法得到更多正交分解IMF,合成信号和实验信号的正交值分别为10-5和10-6。 从电缆振动数据结果来看,电缆力估计值与测量值之间的识别误差小于2.80%;本文还研究了IMFs能量与电缆力识别误差关系,能量更高的IMFs识别准确性更高;最高能量的IMF识别误差降至0.98%;本文所提方法更适应实际监测数据;DNN模型可被重新训练,且非常适合各种结构的新输入数据。 |
|