-
在MEEMD方法实现过程中,时间序列重构延迟时间
$\tau $ 、嵌入维数m以及熵阈值$\eta $ 的设定对算法的执行效果有着至关重要的影响。延迟时间
$\tau $ 通过互信息法来判断$I(t)$ 和$I(t + \tau )$ 之间的相关性,将第一个IMF分量${I_1}(t)$ 作为原始数据序列R,Q作为${I_1}(t)$ 的时间延迟$\tau $ 数据序列${I_1}(t + \tau )$ ,两者互信息计算公式是:式中:
${P_r}({r_i})$ 、${P_q}({q_j})$ 为边缘分布的概率;${P_{rq}}({r_i},{q_j})$ 为当${{R}} = {r_i},Q = {q_j}$ 时重构的联合分布概率,延迟时间$\tau $ 是当互信息函数第一次达到极小值时对应的时间,文中将延迟时间设置为1。嵌入维数m通过伪近邻法进行确定,逐渐增加m值,计算
${I_1}(t)$ 的虚假最近邻点的比例,直到伪近邻点不再随着m的增加而减少时,m为最小嵌入维数。通过对数据特点的分析以及实验经验总结[14, 18],文中将嵌入维数设置为6。为确定排列熵阈值,仿真生成典型的有用信号和噪声信号,采样频率设置为1 kHz,采样时间为2 s,分别计算各自的排列熵值,其中非异常信号包括高频谐波信号
${x}_{1}\left(t\right)$ 、低频谐波信号${x_2}\left( t \right)$ 、调幅调频信号${x_3}\left( t \right)$ 、混频信号${x_4}\left( t \right)$ 、脉冲信号${x_5}\left( t \right)$ 和分段信号${x_6}\left( t \right)$ ;异常信号包括间歇噪声${x_7}\left( t \right)$ 和高斯白噪声${x_8}\left( t \right)$ ,可分别以公式(14)中表示:八种信号的排列熵值如表1所示。由表1可知,非异常信号中,高频谐波信号
${x_1}\left( t \right)$ 的排列熵最高,为0.4610;而异常信号中,间歇噪声${x_7}\left( t \right)$ 的排列熵值最低,为0.6163。参考文献[14]建议排列熵阈值取0.55~0.6较为合适,结合仿真信号排列熵结果考虑,文中将排列熵${H_p}$ 的阈值设置为0.55。${x_1}\left( t \right)$ ${x_2}\left( t \right)$ ${x_3}\left( t \right)$ ${x_4}\left( t \right)$ ${x_5}\left( t \right)$ ${x_6}\left( t \right)$ ${x_7}\left( t \right)$ ${x_8}\left( t \right)$ ${H_p}$ 0.4610 0.1753 0.2002 0.1427 0.0060 0.2273 0.6163 0.9689 Table 1. Permutation entropy of eight signals
采用频率为80 Hz的高频周期信号
${x_1}$ 、频率为10 Hz的低频周期信号${x_2}$ 、调幅信号${x_3}$ 以及功率为0.2的高斯白噪声信号$n\left( t \right)$ 进行信号仿真,以模拟解调后的振动信号:公式(15)中,t=2 s,采样频率为1 kHz,合成的仿真振动信号及其各成分的时域波形图如图2所示。
对上述仿真信号分别进行EMD、CEEMD以及MEEMD分解,分别如图3~5所示。IMFi表示第几个分量,RS表示剩余残余的趋势项。
由图3~5可以看出,由于存在噪声的干扰,EMD分解存在模态混叠,且虚假分量较多;CEEMD通过添加噪声的方式,对模态混叠有一定程度的抑制作用,但是存在较多的伪分量,耗时最长;而MEEMD方法克服了上述方法的缺点,分解后的分量与实际的信号成分非常吻合,且强度损耗最小。三种方法的重构误差图如图6所示。
可见,MEEMD方法对无序的噪声信号有较强的抑制作用,与EMD和CEEMD方法相比,重构误差最小,对振动信号特征提取有一定的优势。与算法相关的各项指标如表2所示。其中完备性以重构误差的均方差(Mean Squared Error,MSE)表示,正交性(Index of Orthogonality,IO)以公式(17)表示[19],IO越接近0,表明各模态分量
${C_j}\left( t \right)$ 、${C_k}\left( t \right)$ 越各自独立,模态之间的混叠越小。Method Added noise’ amplitude:${a_i}$ Added noise’ number: ${N_e}$ Computing time/s Completeness Index of orthogonality IMF’s number EMD None None 0.1819 0.2664 0.4171 7 CEEMD 0.3 50 6.5873 0.1897 0.2053 7 MEEMD 0.3 50 1.2732 0.0152 0.0027 4 Table 2. Each method index
由表2中的各个参数可知,由于EMD方法没有添加噪声信号抑制模态混叠,运算时间最短,但信号重构误差最大,分解准确性最差;MEEMD方法时间相对CEEMD方法时间较短,IMF个数少,几乎没有伪分量的存在,完备性和正交性最优。
-
采用如图1所示的分布式光纤振动传感系统,传感光纤长度为6000 m,在4985 m处接入一个压电陶瓷PZT模拟振动源,分别采用已知的、不同频率的单频和混频的信号驱动PZT,以验证MEEMD-HHT方法用于振动信号特征提取的有效性。振动事件的频率范围一般集中在4~512 Hz之间[20],实验中选取100 Hz和200 Hz两组单频信号以及50、200、350 Hz和150、250、450 Hz两组混频信号,分别驱动PZT以模拟振动源。振动信号经相位解调后的时间-相位变化如图7(a)~(d)所示。
Figure 7. Phase-time change curves of vibration signals of different frequencies demodulated by the system
对解调所得上述四种时间-相位信号分别进行EMD、CEEMD和MEEMD分解,并对各自获得的IMF分量分别进行Hilbert变换,得到的相对应的Hilbert谱。其中100 Hz单频信号分别经三种分解方法的Hilbert谱图如图8(a)~(c)所示。由图8(a)可知,EMD-HHT方法得到的Hilbert谱图在100 Hz处频率随时间变化不稳定,特别是在0.02~0.06 s之间极易受其他率分量的影响,频率成分复杂,使其出现模态混叠问题,且含有较多的伪分量;由图8(b)可知,CEEMD-HHT方法得到的Hilbert谱图在100 Hz频率处得到了明显改善,但是在100 Hz附近位置处仍存在伪分量问题;由图8(c)可知,MEEMD-HHT方法得到的Hilbert谱图频率随时间稳定分布在100 Hz处,有效避免了EMD和CEEMD方法出现的模态混叠和伪分量问题。
Figure 8. Hilbert spectrum after three kinds of empirical mode decomposition and Hilbert transforn of vibration signal whose frequency is 100 Hz
对于200 Hz单频信号,同样经三种分解方法获得对应的Hilbert谱图,如图9(a)~(c)所示。由图9(a)可知,EMD-HHT方法得到的Hilbert谱图在200 Hz频率处随时间变化极不稳定,特别是在0.02 s、0.04 s、0.06 s、0.08 s和0.1 s附近处频率变化很大,且含有多个频率成分;由图9(b)可知,CEEMD-HHT方法得到的Hilbert谱图效果明显改善,但仍在200 Hz附近存在起伏变化;由图9(c)可知,MEEMD-HHT方法得到的Hilbert谱图频率稳定分布在200 Hz位置处。
Figure 9. Hilbert spectrum after three kinds of empirical mode decomposition and Hilbert transforn of vibration signal whose frequency is 200 Hz
同样地,经相位解调后的50、200、350 Hz混频时间-相位信号,分别求其EMD、CEEMD和MEEMD方法的Hilbert谱图,如图10(a)~(c)所示,其中①、②、③分别代表三种分解方法提取的50、200、350 Hz频率特征。由图10(a)可知,EMD-HHT方法提取的三种频率特征极其杂乱,在高频350 Hz处尤为明显,在200 Hz处也存在较大的起伏,在0~0.01 s、0.04~0.05 s处未提取到50 Hz的特征;由图10(b)可知,CEEMD-HHT方法得到的Hilbert谱图在高频350 Hz处杂乱程度得到了改善,但是仍存在较大的起伏,不能正确提取频率特征;由图10(c)可知,MEEMD-HHT方法得到的Hilbert谱图可稳定、清晰地提取的三种频率特征,且无伪分量产生。
Figure 10. Hilbert spectrum after three kinds of empirical mode decomposition and Hilbert transforn of vibration signal whose frequency is 50 Hz,200 Hz,350 Hz
150、250、450 Hz的混频时间-相位信号,经三种分解方法得到的Hilbert谱图分别如图11(a)~(c)所示。其中①、②、③分别代表三种分解方法提取的150 、250、450 Hz频率特征。由图11(a)可知,EMD-HHT提取的150 Hz频率特征随时间存在较大起伏,而250 Hz的特征并未提取到,对于450 Hz频率特征随时间变化更为杂乱,模态混叠现象严重;由图11(b)可知,CEEMD-HHT方法虽然改善了150 Hz特征的起伏程度,但是仍然没有提取到250 Hz特征,且高频450 Hz特征随时间变化程度较大;由图11(c)可知,MEEMD-HHT方法可以准确、稳定地获取150、250、450 Hz三种频率特征。
Figure 11. Hilbert spectrum after three kinds of empirical mode decomposition and Hilbert transforn of vibration signal whose frequency is 150 Hz,250 Hz,450 Hz
由以上结果可以看出,无论是对单频信号还是混频信号的分析,相对于其他两种方法,MEEMD方法所对应的Hilbert谱中振动信号频率所对应的能量最为集中,无模态混叠和伪分量问题,有用特征最为清晰。若在Hilbert图某一频率上存在着能量,意味着振动信号一定含有该频率分量,而该振动出现的具体时刻已在Hilbert谱中给出,将上述Hilbert谱在0.1 s时间上进行积分,使之从时间-频率-幅值三者间的关系转变为频率-幅值两者间的关系,即为边际谱,它可以更精确地反映信号的实际频率成分。四种信号求得的边际谱如图12(a)~(d)所示。
由图12(a)可知,EMD方法求得的边际谱峰值频率点为99 Hz,存在特征提取偏差,且在0~50 Hz范围内仍存在伪分量频率成分;CEEMD方法求得的边际谱虽然得到了正确的100 Hz频率特征,但是在100 Hz附近也存在伪分量频率;而MEEMD方法能够准确提取到100 Hz频率特征,且幅值最高,分布更为集中。
由图12(b)可知,EMD方法求得的边际谱峰值频率点为201 Hz,与正确频率相差1 Hz,且在0~200 Hz范围内存在虚假的频率成分;CEEMD方法提取到的频率为198 Hz,同样存在误差;而MEEMD方法准确提取到200 Hz的频率特征。
由图12(c)可知,与EMD、CEEMD方法相比,MEEMD方法准确提取到50、200、350 Hz的频率特征,且分布高度集中。
由图12(d)可知,MEEMD方法同样可以准确、集中地提取到150、250 、450 Hz的三种频率特征,相对于EMD和CEEMD方法,频率混叠和伪分量成分占比非常小,且有用的特征频率幅值较高,获得的振动信号的特征量最为准确。
为进一步显示MEEMD方法的准确性,分别选取10、50、100、150、200、300、400、500 Hz信号各50组单频信号,依次采用三种方法进行频率特征提取的测试和实验,频率检测在±0.05 Hz范围内视为正确,检测结果如表3所示。
Test frequency/Hz 10 50 100 150 200 300 400 500 Average accuracy The average time/s Sample number/Group 50 50 50 50 50 50 50 50 EMD’s accuracy 78% 80% 84% 86% 88% 86% 83% 80% 83.1% 0.1635 CEEMD’s accuracy 90% 86% 94% 94% 92% 96% 91% 90% 91.6% 3.2534 MEEMD’s accuracy 98% 98% 100% 100% 100% 100% 100% 98% 99.2% 1.0387 Table 3. Frequency extraction accuracy test
由表3可以看出,三种方法均有被误判的情况发生,而MEEMD对单一频率的振动信号有较好的提取准确性,随着样本的数量增加,准确率会更高,适用于分布式光纤振动传感系统。此外,对于20组包含三种不同频率的混频信号进行特征提取测试,频率检测在±2 Hz范围内视为正确,对比结果如表4所示。
Feature extraction method Average accuracy Average number of eigenvectors Average time/s EMD-HHT 82.5% 9.2 3.8634 CEEMD-HHT 91.1% 7.1 7.1857 MEEMD-HHT 98.1% 4.2 3.8259 Table 4. Three methods of experimental results
由表4可以看出,MEEMD特征提取方法在获得相对较少的特征向量个数的情况下,保证对混频信号较高的识别准确率,且Hilbert变换提取特征向量的过程中耗时最短,随着频率成分的增加,该方法相对于其他经验模态分解方法的各性能指标的优势将更加明显,能够满足分布式光纤振动传感系统模式识别过程中对于特征提取准确率、实时性的要求。
Signal feature extraction method based on MEEMD-HHT for distributed optical fiber vibration sensing system
doi: 10.3788/IRLA20210223
- Received Date: 2021-04-03
- Rev Recd Date: 2021-04-29
- Publish Date: 2021-07-25
-
Key words:
- distributed fiber vibration sensing /
- MEEMD /
- Hilbert transform /
- feature extraction of vibration signal
Abstract: In practical application, the signals measured by distributed optical fiber vibration sensing system are mostly non-stationary random signals, and the key to realize pattern recognition is to obtain the amplitude-time-frequency instantaneous characteristics of the signals accurately. Existing related research shows that Hilbert transform combined with empirical mode decomposition can obtain the instantaneous energy and instantaneous frequency of the intrinsic modal component of measuring signal. The subsequent improved ensemble empirical mode decompostion method, has pseudo component and large reconstruction error, while complementary ensemble empirical mode decompostion method reduces the reconstruction error, but increases the amount of computation, which cannot guarantee the efficiency and accuracy of feature extraction and classification. In this paper, the feature extraction of distributed optical fiber vibration sensing system was realized based on modified ensemble empirical mode decompostion with Hilbert transform, the evaluation mechanism of permutation entropy was introduced to optimize the iteration times of random noise in the decomposition process. Through simulation analysis and experimental comparison, it was verified that the method could effectively solve the problems existing in the above methods and improve the system's performance in processing time and feature accuracy. Experimental results show that the average extraction accuracy of the proposed method for single-frequency vibration signals is 99.2%. Compared with EMD and CEEMD, the average feature extraction accuracy of mixed vibration signal is 98.1%, which is 15.6% and 7% higher than EMD and CEEMD respectively. The average time of the algorithm is the shortest, which is 3.8259 s. It provides a reliable and efficient method for signal feature extraction of distributed fiber vibration sensing system.