郭 亮, 高宏力, 黃海鳳, 張?bào)愠?/p>
(西南交通大學(xué)機(jī)械工程學(xué)院,四川成都 610031)
近年來,隨著計(jì)算機(jī)技術(shù)的發(fā)展和企業(yè)設(shè)備管理要求的提高,大型機(jī)械設(shè)備的在線監(jiān)測與診斷系統(tǒng)正朝著網(wǎng)絡(luò)化和遠(yuǎn)程化的方向發(fā)展.但是工業(yè)現(xiàn)場采集信號(hào)數(shù)據(jù)量大,且有一定的冗余度,這給網(wǎng)絡(luò)實(shí)時(shí)傳輸帶來一定挑戰(zhàn).另外由于現(xiàn)場工況復(fù)雜和傳感系統(tǒng)自身的原因,采集信號(hào)含有噪聲.所以在傳輸過程中需對(duì)信號(hào)進(jìn)行壓縮和去噪處理,無論對(duì)減少傳輸時(shí)所用帶寬還是提高信號(hào)的信噪比都具有重要意義[1].
大部分的機(jī)械振動(dòng)信號(hào)都是時(shí)變信號(hào),目前,常用的時(shí)變信號(hào)壓縮方法主要有無損編碼的算術(shù)編碼、霍夫曼編碼和有損編碼的數(shù)據(jù)稀疏化、正交變換、預(yù)測編碼[1-2]等,其中,基于小波變換的數(shù)據(jù)稀疏化壓縮方法是目前較通用的方法,也是效果較好的一種方法[3].小波變換能較好地刻畫信號(hào)的時(shí)頻局部特征,適用于機(jī)械振動(dòng)時(shí)變信號(hào)的壓縮和編碼.由于信號(hào)的壓縮與去噪效果與小波基的選擇有很大的關(guān)系,因此基于小波變換的信號(hào)壓縮和去噪需要有處理信號(hào)的先驗(yàn)知識(shí),自適應(yīng)能力不強(qiáng).
壓縮感知是繼小波分析和多尺度集合分析之后,于2006年由Candes等[4-7]提出的一種新的信號(hào)分析理論.其基本思想是:若信號(hào)是稀疏的或者是可壓縮的(或者是在某個(gè)變換域內(nèi)滿足這兩個(gè)條件),那么信號(hào)可以由測量矩陣將原始信號(hào)變換為低維信號(hào),再通過重構(gòu)算法優(yōu)化求解得到原始信號(hào).在該理論框架下,信號(hào)采樣和壓縮不取決于信號(hào)帶寬,而取決于信號(hào)本身的結(jié)構(gòu)和內(nèi)容.壓縮感知理論與傳統(tǒng)的內(nèi)奎斯特采樣定義不同,它提出了將模擬信號(hào)直接采樣壓縮為數(shù)字形式的有效途徑,給信號(hào)采樣方法帶來了一次新的革命[8],其在圖像壓縮、圖像識(shí)別和圖像去噪[9-11]領(lǐng)域取得了突破性的進(jìn)展.但是,目前應(yīng)用壓縮感知理論進(jìn)行機(jī)械振動(dòng)信號(hào)處理的研究還鮮見報(bào)道[12-13].
針對(duì)上述問題,本文提出了一種基于壓縮感知的時(shí)變信號(hào)壓縮算法(time-varyingsignal compressed algorithm based on compressed sensing,TvCS).該算法以壓縮感知理論為基礎(chǔ),應(yīng)用有限等距性質(zhì)作為限制條件構(gòu)造稀疏矩陣和測量矩陣,在稀疏矩陣上構(gòu)建壓縮信號(hào),再通過正交匹配追蹤算法重構(gòu)出原始信號(hào).理論分析和實(shí)驗(yàn)都證明了該算法的有效性和實(shí)用性.
在傳統(tǒng)的內(nèi)奎斯特(Nyquist)采樣模式下,
式中:x∈RN為原始信號(hào);yk為采樣點(diǎn);φk為采樣向量(函數(shù)),采樣過程需要滿足fs≥2f,其中fs為采樣頻率,f為原始信號(hào)頻率.
若取M?N,即當(dāng)原始信號(hào)x∈RN在具有一定稀疏性的情況下,測量值的大小遠(yuǎn)小于原始信號(hào)小大,這個(gè)過程稱為壓縮感知:
式中:x∈RN為 k-稀疏原始高維信號(hào);y∈RN為M 維的低維壓縮測量向量;Φ =[φ1,φ2,…,φM]為M×N階測量矩陣,或稱為抽樣矩陣.
但在現(xiàn)實(shí)中,信號(hào)x∈RN并不都具有稀疏性,需要構(gòu)造稀疏矩陣,使信號(hào)在稀疏矩陣ψ空間內(nèi)可以稀疏表示.假設(shè){ψi}∈RN是一組基向量,則任何信號(hào)x∈RN都可以線性表示為
式中:s是 x在 ψ 域的變換向量,si=〈 x,ψi〉=x,ψ=[ψ ,ψ ,…,ψ ]是 N × N 階變換矩陣.12N如果式(3)的線性表示只需不大于K的基向量{ψi}i∈Ω,Ω∈{1,2,…,N},|Ω| ≤K,可以說變換向量s中最多有K個(gè)非零項(xiàng){si≠0}i∈Ω.
因此,壓縮感知的過程變?yōu)?/p>
式中:Φ為測量矩陣;ψ為稀疏矩陣;s為原始信號(hào);y為壓縮采集信號(hào);θ為測度矩陣.
壓縮感知的信號(hào)重構(gòu)是研究從測量值y∈RN中恢復(fù)出x.該問題在數(shù)學(xué)上是一個(gè)求l0范數(shù)最小化問題:
l0范數(shù)最小化的問題是一個(gè)NP難問題,通常用貪婪方法求解,主要包括匹配追蹤(MP)[7]、正交匹配追蹤(OMP)[9]等,貪婪方法需要的測量數(shù)m較多,而且恢復(fù)精度相對(duì)不高[14].
Candes等提出了受限等距性(restricted isometric property,RIP)的概念[15].對(duì)于任意常數(shù)K=1,2…,矩陣θ的受限等距常數(shù)δk為使式(6)成立的最小數(shù):
式中:s為任意的k-稀疏向量.
若δk?1,則稱測量滿足RIP性質(zhì).當(dāng)測量滿足RIP性質(zhì)時(shí),可以將重構(gòu)問題轉(zhuǎn)化為l1范數(shù)最小化.而l1范數(shù)最小化是一個(gè)凸優(yōu)化問題,Lasso[10]、最小角度回歸(LARS)[11]等多種稀疏重構(gòu)算法都可以解決.
含噪時(shí)變信號(hào)可以由壓縮信號(hào)y表示為
式中:z為隨機(jī)噪聲;x(t)為原始信號(hào).
在機(jī)械振動(dòng)信號(hào)中,原始時(shí)變信號(hào)x(t)在時(shí)域內(nèi)一般是非稀疏的,因此,θ=Φφ.本文算法流程如圖1所示.
圖1 算法流程Fig.1 Flow chart of TvCS algorithm
信號(hào)x(t)的稀疏性或可壓縮性是壓縮感知的重要前提[16],因此,壓縮感知的首要研究任務(wù)就是信號(hào)的稀疏表示.傅里葉變換可以有效地稀疏表示振蕩時(shí)變信號(hào),離散傅里葉變換(discrete fourier transform,DFT)是傅里葉變換在時(shí)域和頻率都呈離散的形式,將信號(hào)的時(shí)域采樣變換為其DFT的頻率采樣.對(duì)于 N 點(diǎn)序列{x[n]}0≤n≤N,它的離散傅里葉變換為
測量矩陣的設(shè)計(jì)直接影響信號(hào)的壓縮率和信號(hào)的重構(gòu)精度.獨(dú)立同分布地從均值為零、方差為1/M的正態(tài)分布生成測量矩陣 Φ,即 φi∈(0,1/M).由RIP準(zhǔn)則可知,當(dāng)測量數(shù)據(jù)滿足不等式(9),壓縮信號(hào)能夠完整地被重構(gòu).
式中:M為測量個(gè)數(shù);C為常數(shù);K為稀疏系數(shù);N為原始信號(hào)長度.
因?yàn)樵夹盘?hào)x在稀疏域上具有稀疏性,基于Lasso的信號(hào)重構(gòu)算法可以轉(zhuǎn)化為以下優(yōu)化問題:
式中:γ>0為正則項(xiàng)參數(shù),控制重構(gòu)信號(hào) ^x的稀疏度.
由式(10)可知,Lasso參數(shù)估計(jì)是一個(gè)非線性和非可微的函數(shù),因此很難通過最小二乘法取得準(zhǔn)確解.本文中,采用坐標(biāo)下降(coordinate descent)算法進(jìn)行求解,坐標(biāo)下降算法的思想是在多維變量情況下固定其它所有維向量,僅進(jìn)行一維處理.
基于壓縮感知的時(shí)變信號(hào)壓縮與重構(gòu)算法流程有以下幾步:
(1)信號(hào)稀疏:利用DFT矩陣變換原始信號(hào)s,得到原始信號(hào)在DFT矩陣空間內(nèi)的稀疏信號(hào)x;
(2)信號(hào)測量:選擇合適的隨機(jī)測量矩陣Φ,計(jì)算稀疏信號(hào)在測量矩陣下的壓縮表示y=Φx;
(3)信號(hào)重構(gòu):信號(hào)采集過程滿足RIP性質(zhì),通過Lasso算法重構(gòu)出原始信號(hào)^x;
(4)信號(hào)恢復(fù):在重構(gòu)稀疏信號(hào)^x上乘以DFT稀疏變換矩陣,恢復(fù)出原始信號(hào)^s.
為驗(yàn)證提出算法對(duì)時(shí)變信號(hào)的壓縮和去噪性能,本文進(jìn)行了如下實(shí)驗(yàn),分別通過對(duì)時(shí)域稀疏信號(hào)、無噪聲非時(shí)域稀疏信號(hào)和含噪聲非時(shí)域稀疏信號(hào)運(yùn)用小波壓縮方法和TvCS算法進(jìn)行壓縮與重構(gòu)實(shí)驗(yàn),比較2種方法的壓縮重構(gòu)效果和去噪能力.本文的仿真硬件環(huán)境為AMD 3.0 GHz處理器,內(nèi)存為4 GB,操作系統(tǒng)為Windows7.軟件環(huán)境平臺(tái)為MATLAB R2012a.
機(jī)械裝備中,當(dāng)某個(gè)零件出現(xiàn)松動(dòng)、脫落后將會(huì)產(chǎn)生沖擊信號(hào),一定條件下,沖擊信號(hào)呈現(xiàn)一定的時(shí)域稀疏性.為研究提出算法對(duì)時(shí)域稀疏時(shí)變信號(hào)的壓縮性能,隨機(jī)生成一個(gè)信號(hào)長度N=512的稀疏信號(hào).由于信號(hào)在時(shí)域是稀疏的,采樣過程中只需測量矩陣對(duì)原始信號(hào)進(jìn)行采樣,試驗(yàn)中兩種算法的壓縮比均取為50%.小波壓縮重構(gòu)算法采用Morlet小波作為母小波進(jìn)行小波包分解,分解層數(shù)為3層.采用Huffman編碼對(duì)系數(shù)記性編碼.圖2中,f指原始信號(hào),xp指TvCS算法重構(gòu)信號(hào),sd指小波壓縮重構(gòu)信號(hào).RMSE1:0.000 025是原始信號(hào)與TvCS算法重構(gòu)信號(hào)之間的均方根誤差,RMSE2:4.502 514是原始信號(hào)與小波壓縮重構(gòu)信號(hào)之間的均方根誤差.試驗(yàn)結(jié)果表明,在同等壓縮比的情況下,TvCS算法的信號(hào)重構(gòu)能力要好于小波壓縮重構(gòu)算法.上文RMSE的計(jì)算式為
圖2 時(shí)域稀疏信號(hào)的壓縮與重構(gòu)Fig.2 Compression and reconstruction of time-domain sparse signal
為更近一步說明本文算法的時(shí)變信號(hào)壓縮能力,選擇非時(shí)域稀疏信號(hào)作為測試信號(hào),對(duì)提出的算法進(jìn)行實(shí)驗(yàn),測試信號(hào)長度N=102 4.信號(hào)是以3.4和9.1 Hz為基頻的正弦及其各次諧波的線性疊加,表達(dá)式如下:
頻域稀疏信號(hào)的壓縮與重構(gòu)如圖3所示.
由圖3可知,小波壓縮重構(gòu)信號(hào)與原始信號(hào)之間的均方根誤差為0.260 2,本文提出算法的均方根誤差為0.142 0.由此可知,對(duì)于非時(shí)域稀疏無噪聲信號(hào),TvCS算法的信號(hào)重構(gòu)能力要好于小波壓縮重構(gòu)算法.
為研究提出算法壓縮比例對(duì)信號(hào)恢復(fù)的影響,本文進(jìn)行如下對(duì)比實(shí)驗(yàn).在不同的壓縮比下分別測試相應(yīng)重構(gòu)信號(hào)與原始信號(hào)的均方根誤差.實(shí)驗(yàn)結(jié)果如圖4所示.由圖可知,隨著采樣原子的個(gè)數(shù)增加(壓縮比例減小),算法的信號(hào)恢復(fù)能力逐漸增強(qiáng).當(dāng)壓縮比例為25%時(shí),算法的信號(hào)恢復(fù)能力基本趨于穩(wěn)定,RMSE達(dá)到0.25左右.
圖3 頻域稀疏信號(hào)的壓縮與重構(gòu)Fig.3 Compression and reconstruction of frequency-domain sparse signal
圖4 壓縮率與重構(gòu)信號(hào)均方根誤差關(guān)系Fig.4 Relationship between compression rate and RMSE of the reconstructed signal
工業(yè)現(xiàn)場工況復(fù)雜,采集的數(shù)據(jù)往往是振動(dòng)信號(hào)和噪聲的混合信號(hào)[17].因此,為驗(yàn)證提出的算法對(duì)于含噪聲信號(hào)的壓縮和去噪能力,本文進(jìn)行了如下實(shí)驗(yàn)進(jìn)行驗(yàn)證:
在實(shí)驗(yàn)信號(hào)中加入隨機(jī)噪聲z,即信號(hào)表達(dá)式變?yōu)?/p>
式中:z∈N(0,t).在原始信號(hào)有噪聲情況下,壓縮感知的優(yōu)化問題變?yōu)?/p>
式中:ε為誤差項(xiàng).
圖5中,由上至下分別是非時(shí)域稀疏含噪信號(hào)、本文算法壓縮重構(gòu)信號(hào)和小波壓縮重構(gòu)信號(hào).本文提出的算法選取DFT矩陣為稀疏矩陣,隨機(jī)矩陣為測量矩陣,重構(gòu)算法采用基于l1范數(shù)最小化的Lasso算法.信號(hào)長度為N=1 024,稀疏性為256,松弛稀疏為1×10-5.小波壓縮算法中,小波基函數(shù)為Morlet小波,對(duì)原始信號(hào)進(jìn)行3層分解.選用全局閥值進(jìn)行信號(hào)的壓縮處理,閥值取為40.由圖5可知,在當(dāng)前參數(shù)條件下,本文算法重構(gòu)后的信號(hào)與未加入噪聲的原始信號(hào)之間的RMSE為0.545 1,信噪比(RNS)為 -23.801 1.而小波壓縮重構(gòu)后的信號(hào)與未加入噪聲的原始信號(hào)之間的RMSE 為0.864 3,信噪比 RNS 為 -24.033 3.結(jié)果表明,本文提出的方法相對(duì)于小波重構(gòu)的方法壓縮性能好,并且有較強(qiáng)的去噪能力.
圖5 頻域稀疏含噪信號(hào)的壓縮與重構(gòu)Fig.5 Compression and reconstruction of frequency-domain sparse signal tainted by noise
為進(jìn)一步驗(yàn)證TvCS的有效性和實(shí)用性,在長征718機(jī)床上采集主軸系統(tǒng)正常狀態(tài)振動(dòng)信號(hào)并進(jìn)行實(shí)驗(yàn),實(shí)驗(yàn)系統(tǒng)如圖6所示.
圖6 試驗(yàn)平臺(tái)示意圖Fig.6 Schematic of experimental platform
在圖6中,主軸系統(tǒng)前端安裝INV9832型加速度振動(dòng)傳感器,監(jiān)測主軸系統(tǒng)狀態(tài).振動(dòng)信號(hào)經(jīng)過INV1870型調(diào)理儀調(diào)理后,由PCI-1710采集卡采集至工控機(jī).振動(dòng)信號(hào)采樣頻率為10 kHz,采樣持續(xù)時(shí)間20 s.
為驗(yàn)證本文算法TvCS的有效性,將TvCS與小波壓縮進(jìn)行對(duì)比.圖7分別正常工作狀態(tài)下不同壓縮比的保留能量百分比和均方根誤差的關(guān)系.
圖7 壓縮比與均方根誤差和保留能量百分比關(guān)系Fig.7 Compression rate vs RMSE and energy retention rate
由圖7可以看出,在同樣壓縮比的情況下,TvCS比小波的壓縮效果要好,TvCS更能保障振動(dòng)信號(hào)的質(zhì)量.設(shè)置壓縮比為45%,比較兩種在此壓縮比下的重構(gòu)信號(hào),如圖8所示.圖8由上至下分別為原始信號(hào)、TvCS壓縮重構(gòu)信號(hào)、小波壓縮重構(gòu)信號(hào).由圖8可以看出,TvCS的重構(gòu)RMSE為4.6×10-6,小波壓縮的重構(gòu) RMSE 為6.6 ×10-6.
圖8 對(duì)主軸振動(dòng)信號(hào)通過不同壓縮算法的重構(gòu)信號(hào)Fig.8 Spindle vibration signals reconstructed by different algorithms
本文以機(jī)械振動(dòng)時(shí)變信號(hào)為研究對(duì)象,以壓縮感知技術(shù)為理論基礎(chǔ),構(gòu)造了稀疏矩陣和信號(hào)感知矩陣,實(shí)現(xiàn)了原始信號(hào)的壓縮,最后通過優(yōu)化求解的方法對(duì)原始信號(hào)進(jìn)行重構(gòu).理論和實(shí)驗(yàn)結(jié)果表明,本文提出的方法對(duì)于時(shí)變信號(hào)具有很好的壓縮能力,并且能夠有效地去除信號(hào)中的噪聲成分.本文算法可應(yīng)用于機(jī)械振動(dòng)信號(hào)的采集、遠(yuǎn)程傳輸和信號(hào)去噪等工程實(shí)踐.
[1]趙貽玖.稀疏模擬信號(hào)壓縮采樣與重構(gòu)算法研究[D].成都:電子科技大學(xué),2012.
[2]馬曉建,陳瑞琪.機(jī)械裝備中跌落物沖擊信號(hào)的恢復(fù)[J].振動(dòng)與沖擊,2001,20(1):31-33.
MA Xiaojian,CHEN Ruiqi.The recovery of falling part impact signal in mechanical equipment[J].Journal of Vibration and Shock,2001,20(1):31-33.
[3]CHEN X,DU Z,LI J,et al.Compressed sensing based on dictionary learning for extracting impulse components[J].Signal Processing,2014,96:94-109.
[4]DONOHO D L. Compressed sensing[J]. IEEE Transactions on Information Theory,2006,52(4):1289-1306.
[5]CANDES E J,ROMBERG J K,TAO T.Stable signal recovery from incomplete and inaccurate measurements[J]. Communications on Pure and Applied Mathematics,2006,59(8):1207-1223.
[6]CHEN W, WASSELL I J. Energy-efficient signal acquisition in wireless sensor networks:a compressive sensing framework[J].IET Wireless Sensor Systems,2012,2(1):1-8.
[7]MAMAGHANIAN H,KHALED N,ATIENZA D,et al.Compressed sensing for real-time energy-efficient ECG compression on wireless body sensor nodes[J].IEEE Transactions on Biomedical Engineering, 2011,58(9):2456-2466.
[8]閆斌,陳浩,王文東,等.一種基于盲運(yùn)算的1比特壓縮感知重建算法[J].西南交通大學(xué)學(xué)報(bào),2015,50(2):264-269.
YAN Bin,CHEN Hao,WANG Wendong,et al.1 bit compressed sensing reconstruction algorithm based on blind operation[J].Journal of Southwest Jiaotong University,2015,50(2):264-269.
[9]LI S,DA X L,WANG X.Compressed sensing signal and data acquisition in wireless sensor networks and internet of things[J].IEEE Transactions on Industrial Informatics,2013,9(4):2177-2186.
[10]TIBSHIRANI R.Regression shrinkage and selection via the lasso[J]. Journal of the Royal Statistical Society,1996,58(1):267-288.
[11]DAVENPORT M A,BOUFOUNOS P T,WAKIN M B, et al. Signal processing with compressive measurements[J].IEEE Journal of Selected Topics in Signal Processing,2010,4(2):445-460.
[12]CHEN F,CHANDRAKASAN A P,STOJANOVIC V.A signal-agnostic compressed sensing acquisition system for wireless and implantable sensors[C]∥Custom Integrated Circuits Conference(CICC).[S.l.]:IEEE,2010:1-4.
[13]MASIERO R,QUER G,MUNARETTO D,et al.Data acquisition through jointcompressive sensing and principal component analysis[C]∥ Global Telecommunications Conference,2009.[S.l.]:IEEE,2009:1-6.
[14]GURBUZ A C,MCCLELLAN J H,SCOTT W R.A compressive sensing data acquisition and imaging method for stepped frequency GPRs[J]. IEEE Transactions on Signal Processing,2009,57(7):2640-2650.
[15]CANDES E J.The restricted isometry property and its implicationsforcompressed sensing[J]. Comptes Rendus Mathematique,2008,346(9):589-592.
[16]DO T T,GAN L,NGUYEN N,et al.Sparsity adaptive matching pursuitalgorithm forpractical compressed sensing[C]∥42nd Asilomar Conference on,Signals,Systems and Computers.[S.l.]:IEEE,2008:581-587.
[17]高宏力,李登萬,許明恒.基于人工智能的絲杠壽命預(yù)測技術(shù)[J].西南交通大學(xué)學(xué)報(bào),2010,45(5):685-691.
GAO Hongli,LI Dengwan,XU Mingheng.Intelligent monitroing system for screw life evaluation[J].Journal of Southwest Jiaotong University,2010,45(5):685-691.