一种用于冲击测试的差动式光栅激光干涉仪信号降噪方法技术

本发明专利技术公开的一种用于冲击测试的差动式光栅激光干涉仪信号降噪方法，属于冲击测试信号处理领域。本发明专利技术实现方法：获取训练数据和测试数据；搭建并训练CNN

【技术实现步骤摘要】
一种用于冲击测试的差动式光栅激光干涉仪信号降噪方法


[0001]本专利技术涉及一种用于冲击测试的差动式光栅激光干涉仪信号降噪方法，尤其涉及基于CEEMD和CNN
‑
LSTM的用于冲击测试的差动式光栅激光干涉仪信号降噪方法，属于冲击测试信号处理领域。

技术介绍

[0002]激光干涉仪具有无接触测量、动态响应快、测量范围广、精度高等优点，被广泛应用于各领域中。在冲击测试中，差动式激光干涉仪通常与光栅合作来测量受冲击物体的速度变化。
[0003]解调差动式光栅激光干涉仪输出的多普勒信号可得到频率信号，代入光栅参数可以计算得到目标的速度，可通过积分和微分来进一步获得位移和加速度的变化。但是在冲击测试中差动式光栅激光干涉仪输出的多普勒信号不可避免地被各种来源的噪声污染，包括合作光栅的微振动和冲击导致的环境噪声等，这些噪声使差动式光栅激光干涉仪信号解调变得困难，进而降低了对冲击测试的测量精度。
[0004]现有的差动式光栅激光干涉仪信号降噪方法主要包括小波变换等传统方法，降噪精度有限。目前还少见使用深度学习对用于冲击测试的差动式光栅激光干涉仪信号进行降噪的方法，深度学习如CNN(卷积神经网络)和LSTM(长短期记忆网络)等可以实现较高精度的降噪。但CNN忽略了时间信息而LSTM的特征提取能力有限。深度学习的降噪能力受限于训练数据的数量，会因为多普勒信号的低频段的信息不足而难以学习，进而导致对差动式光栅激光干涉仪信号低频率段的降噪效果不佳。因此开发一种能够准确有效地降低用于冲击测试的差动式光栅激光干涉仪信号噪声的方法是很有必要的。

技术实现思路

[0005]针对现有的用于冲击测试的差动式光栅激光干涉仪信号降噪精度不足的问题，本专利技术的主要目的是提供一种用于冲击测试的差动式光栅激光干涉仪信号降噪方法，能够实现对用于冲击测试的差动式光栅激光干涉仪信号的高效精准降噪处理，进而提高冲击测试的测量精度。
[0006]本专利技术的目的是通过以下技术方案实现的。
[0007]本专利技术公开的一种用于冲击测试的差动式光栅激光干涉仪信号降噪方法，根据冲击测试数据参数模拟出多组纯净的差动式光栅激光干涉仪信号，再模拟出多组噪声，将差动式光栅激光干涉仪纯净信号与噪声以预定范围内的信噪比进行结合得到差动式光栅激光干涉仪含噪信号，将差动式光栅激光干涉仪含噪信号分为训练数据和测试数据；搭建CNN
‑
LSTM(卷积神经网络
‑
长短期记忆网络)神经网络，使用训练数据和对应的差动式光栅激光干涉仪纯净信号作为训练集进行神经网络的训练，得到权重参数，使用权重参数对测试数据进行处理，得到CNN
‑
LSTM降噪结果；对测试数据进行CEEMD(互补集合经验模态分解)处理，得到各IMF(本征模态函数)分量；根据排列熵将各IMF分量进行分组，将处理组的IMF
分量在峰值之前预定范围内的数据置零，并记录最接近预定排列熵的置零点位置；将处理后的IMF分量与保留组的IMF分量加和得到测试数据的部分置零处理结果，截取所记录的最接近预定排列熵的置零点位置之前的部分置零处理结果作为前段信号，截取所记录的最接近预定排列熵的置零点位置之后的CNN
‑
LSTM降噪结果作为后段信号，将前段信号与后段信号拼接起来，得到差动式光栅激光干涉仪信号的降噪结果信号，实现对用于冲击测试的差动式光栅激光干涉仪信号的高效精准降噪处理，进而提高对冲击测试的测量精度。CNN
‑
LSTM相对于小波阈值能够更加精准有效地降低差动式光栅激光干涉仪信号噪声，但降噪效果受限于训练数据的数量，会因为多普勒信号的低频段的信息不足而难以学习，进而导致对差动式光栅激光干涉仪信号低频率段的降噪效果不佳。在不改变训练数据的数量的条件下，使用CEEMD来处理CNN
‑
LSTM不擅长的低频段多普勒信号，并将部分置零处理结果的前段替换掉CNN
‑
LSTM降噪结果的前段，保留CNN
‑
LSTM擅长处理的高频段多普勒信号降噪结果，能够进一步降低噪声提高信噪比，即CEEMD和CNN
‑
LSTM结合相比于CNN
‑
LSTM单独使用能够有效地降低频段信号的噪声，实现高精度降噪。
[0008]本专利技术公开的一种用于冲击测试的差动式光栅激光干涉仪信号降噪方法，包括如下步骤：
[0009]S1，根据冲击测试数据参数模拟出多组纯净的差动式光栅激光干涉仪信号，再模拟出多组噪声，将差动式光栅激光干涉仪纯净信号与噪声以预定范围内的信噪比进行结合得到差动式光栅激光干涉仪含噪信号，将差动式光栅激光干涉仪含噪信号分为训练数据和测试数据。
[0010]S11，根据冲击测试数据的速度等参数选择起始频率与终止频率等参数的范围，生成多组随机参数的频率为S型函数的扫频信号作为模拟的纯净差动式光栅激光干涉仪信号，瞬时频率如表达式(1)所示：
[0011][0012]其中：f
s
是起始频率，f
e
是终止频率，a、b是调整频率上升时间和上升速度的参数；
[0013]合成的纯净差动式光栅激光干涉仪信号如表达式(2)所示：
[0014][0015]S12，生成多组高斯白噪声作为模拟噪声；
[0016]S13，将步骤S11和步骤S12所生成的纯净差动式光栅激光干涉仪信号与噪声按照预定范围内的信噪比进行结合得到多组差动式光栅激光干涉仪含噪信号，将差动式光栅激光干涉仪含噪信号按比例分为训练数据与测试数据。
[0017]S2，搭建CNN
‑
LSTM神经网络，使用训练数据和对应的差动式光栅激光干涉仪纯净信号作为训练集进行神经网络的训练，得到权重参数，使用权重参数对测试数据进行处理，得到CNN
‑
LSTM降噪结果。
[0018]S21，使用卷积层、池化层、LSTM层和全连接层搭建CNN
‑
LSTM神经网络，CNN的第l层输出如表达式(3)所示：
[0019][0020]其中：f(.)是激活函数，m是特征图的数量，k是卷积核的数量，*是矩阵乘法，b是偏置矩阵；
[0021]LSTM的公式如表达式(4)
‑
(8)所示：
[0022]i
t
＝σ(x
t
W
ix
+h
t
‑1W
ih
+b
i
)
ꢀꢀꢀꢀꢀꢀꢀ
(4)
[0023]f
t
＝σ(x
t
W
fx
+h
t
‑1W
fh
+b
f
)
ꢀꢀꢀꢀꢀꢀꢀ
(5)
[0024]o
t
＝σ(x
t
W
ox
+h
t
‑1W
oh
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于冲击测试的差动式光栅激光干涉仪信号降噪方法，其特征在于，包括如下步骤，S1，根据冲击测试数据参数模拟出多组纯净的差动式光栅激光干涉仪信号，再模拟出多组噪声，将差动式光栅激光干涉仪纯净信号与噪声以预定范围内的信噪比进行结合得到差动式光栅激光干涉仪含噪信号，将差动式光栅激光干涉仪含噪信号分为训练数据和测试数据；S2，搭建CNN
‑
LSTM神经网络，使用训练数据和对应的差动式光栅激光干涉仪纯净信号作为训练集进行神经网络的训练，得到权重参数，使用权重参数对测试数据进行处理，得到CNN
‑
LSTM降噪结果；S3，对测试数据进行CEEMD处理，得到各IMF分量；S4，根据排列熵将各IMF分量进行分组，将处理组的IMF分量在峰值之前预定范围内的数据置零，并记录最接近预定排列熵的置零点位置；S5，将处理后的IMF分量与保留组的IMF分量加和得到测试数据的部分置零处理结果，截取所记录的最接近预定排列熵的置零点位置之前的部分置零处理结果作为前段信号，截取所记录的最接近预定排列熵的置零点位置之后的CNN
‑
LSTM降噪结果作为后段信号，将前段信号与后段信号拼接起来，得到差动式光栅激光干涉仪信号的降噪结果信号，实现对用于冲击测试的差动式光栅激光干涉仪信号的高效精准降噪处理，进而提高冲击测试的测量精度。2.如权利要求1所述的一种用于冲击测试的差动式光栅激光干涉仪信号降噪方法，其特征在于，步骤S1实现方法为，S11，根据冲击测试数据的速度等参数选择起始频率与终止频率等参数的范围，生成多组随机参数的频率为S型函数的扫频信号作为模拟的纯净差动式光栅激光干涉仪信号，瞬时频率如表达式(1)所示：其中：f
s
是起始频率，f
e
是终止频率，a、b是调整频率上升时间和上升速度的参数；合成的纯净差动式光栅激光干涉仪信号如表达式(2)所示：S12，生成多组高斯白噪声作为模拟噪声；S13，将步骤S11和步骤S12所生成的纯净差动式光栅激光干涉仪信号与噪声按照预定范围内的信噪比进行结合得到多组差动式光栅激光干涉仪含噪信号，将差动式光栅激光干涉仪含噪信号按比例分为训练数据与测试数据。3.如权利要求2所述的一种用于冲击测试的差动式光栅激光干涉仪信号降噪方法，其特征在于，步骤S2实现方法为，S21，使用卷积层、池化层、LSTM层和全连接层搭建CNN
‑
LSTM神经网络，CNN的第l层输出如表达式(3)所示：
其中：f(.)是激活函数，m是特征图的数量，k是卷积核的数量，*是矩阵乘法，b是偏置矩阵；LSTM的公式如表达式(4)
‑
(8)所示：i
t
＝σ(x
t
W
ix
+h
t
‑1W
ih
+b
i
)
ꢀꢀꢀ
(4)f
t
＝σ(x
t
W
fx
+h
t
‑1W
fh
+b
f
)
ꢀꢀꢀ
(5)o
t
＝σ(x
t
W
ox
+h
t
‑1W
oh
+b
o
)
ꢀꢀꢀ
(6)c
t
＝f
t
*c
t
‑1+i
t
*g
t
ꢀꢀꢀ
(7)...

【专利技术属性】
技术研发人员：张振海，张文一，滕飞，朱炜，何光，邓宏彬，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：