A Classification-Based Adaptive Bayesian Wavelet Packet Denoising Method for Additive Gaussian-Impulse Mixed Noise in Industrial Sensor and Measurement Signals
Dieses Paper schlägt eine klassifikationsbasierte adaptive Bayes-Wavelet-Packet-Transformationsmethode (CABWPT) vor, die Rauschklassifizierung, SNR-adaptive hybride Schwellenwertbildung und Bayes-Optimierung nutzt, um industrielle Sensor- und Messsignale, die durch nicht-stationäres additives Gauß-Impuls-Mischrauschen korrumpiert sind, effektiv zu entrauschen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der lärmintensiven Welt von Industriemaschinen und menschlicher Sprache sind Signale selten rein. Ein Vibrationssensor auf einem Fabrikboden oder ein Mikrofon, das ein Gespräch aufzeichnet, erfasst oft eine unordentliche Mischung aus dem gewünschten Klang und unerwünschten Störungen. Diese Interferenzen treten meist in zwei Formen auf: einem stetigen, summenden Hintergrundrauschen und plötzlichen, scharfen Spitzen von statischem Rauschen, die unvorhersehbar auftauchen. Wenn Ingenieure versuchen, diese Signale zu bereinigen, um verborgene Fehler in Maschinen zu finden oder die menschliche Sprache deutlicher zu machen, stehen sie vor einem schwierigen Problem. Traditionelle Werkzeuge zur Signalbereinigung wurden unter der Annahme entwickelt, dass Rauschen immer dieses stetige, summende statische Rauschen ist. Wenn das Rauschen jedoch diese scharfen, unvorhersehbaren Spitzen enthält, versagen diese alten Werkzeuge oft – entweder bleibt zu viel Rauschen zurück oder es werden versehentlich Teile des eigentlichen Signals weggeschnitten, die eigentlich bewahrt werden sollten.
Forscher der Beibu Gulf University haben eine neue Methode entwickelt, um genau dieses Problem des gemischten Rauschens zu lösen. Ihr Ansatz, der in einer kürzlich veröffentlichten Studie beschrieben wird, behandelt das Rauschen nicht als ein einzelnes, einheitliches Problem, sondern als eine Situation, die sich je nach Art des vorhandenen Rauschens verändert. Anstatt eine einzige, starre Regel zur Signalbereinigung anzuwenden, hört das System zuerst kurz hinein und identifiziert den Charakter des Rauschens. Es prüft, ob das Rauschen der stetigen Art, der sprunghaften Art oder eine Kombination aus beidem ist. Sobald es weiß, womit es es zu tun hat, wechselt es zu dem spezifischen Reinigungswerkzeug, das am besten für diesen Typ geeignet ist. Dies ermöglicht es dem System, viel präziser zu sein, indem es das unerwünschte statische Rauschen entfernt und gleichzeitig die wichtigen Details des ursprünglichen Klangs – sei es eine Maschinenvibration oder eine menschliche Stimme – intakt hält.
Der Kern dieser neuen Methode ist ein Prozess der Klassifizierung und Anpassung. Stellen Sie sich ein Signal als einen komplexen Wandteppich aus Fäden vor. Das System der Forscher betrachtet zuerst die hochfrequenten Fäden, in denen sich das Rauschen meist am stärksten versteckt. Durch die Messung, wie „spitz“ und wie „asymmetrisch“ das Rauschen ist, kann das System das Rauschen in eine von vier Kategorien sortieren: stetig, sprunghaft, asymmetrisch oder eine Mischung. Für jede Kategorie hat das System eine andere Strategie. Wenn das Rauschen stetig ist, verwendet es eine Art mathematischen Filter. Wenn das Rauschen sprunghaft ist, verwendet es einen anderen, der besser darin ist, diese plötzlichen Aussetzer zu ignorieren. Wenn das Rauschen eine Mischung ist, kombiniert es diese Strategien. Dies verhindert, dass das System den häufigen Fehler macht, durch die Spitzen verwirrt zu werden und dadurch das eigentliche Signal wegzuschneiden, oder umgekehrt die Spitzen unangetastet lässt, weil es denkt, sie seien Teil des Signals.
Um den Reinigungsprozess so effektiv wie möglich zu gestalten, kombinierten die Forscher zwei verschiedene Wege, um zu entscheiden, wie viel Rauschen entfernt werden soll. Ein Weg ist sehr sorgfältig und betrachtet jedes kleine Stück des Signals individuell, während der andere eine breite, allgemeine Regel ist, die gut für das gesamte Signal funktioniert. Die neue Methode mischt diese beiden Ansätze und passt die Balance an, je nachdem, wie laut das Rauschen im Vergleich zum Signal ist. Wenn das R']]auschen sehr laut ist, neigt sich das System eher dem sorgfältigen, individuellen Ansatz zu. Wenn das Rauschen leiser ist, verlässt es sich eher auf die allgemeine Regel. Dieses Gleichgewicht wird durch einen Satz strenger Regeln verwaltet, die verhindern, dass das System zu aggressiv vorgeht und das Signal beschädigt. Beispielsweise überprüft das System ständig, ob es zu viel des ursprünglichen Klangs entfernt hat, und wenn dies der Fall ist, regelt es sich automatisch zurück.
Nach der anfänglichen Reinigung wenden die Forscher einen abschließenden Polierschritt an. Manchmal sind selbst dann noch schwache Echos oder Verzerrungen vorhanden, wenn das Hauptrauschen verschwunden ist. Das System nutzt eine Technik, die die Gesamtstruktur des verbleibenden Signals betrachtet, um diese Unvollkommenheiten zu glätten und sicherzustellen, dass das Endergebnis dem Original so nah wie möglich kommt. Um die perfekten Einstellungen für alle diese Schritte zu finden, nutzten die Forscher einen computergestützten Trial-and-Error-Prozess, der tausende Kombinationen testete, um die besten Einstellungen für verschiedene Arten von Signalen zu finden. Sie testeten ihre Methode an zwei sehr unterschiedlichen Arten von Daten: Vibrationssignalen von Kugellagern in einer Fabrik und Aufnahmen menschlicher Sprache.
Die Ergebnisse zeigten, dass diese neue Methode zehn andere bestehende Techniken über ein breites Spektrum an Bedingungen hinweg übertraf. In Tests mit Fabrikvibrationen, bei denen das Rauschen besonders hart war, war die neue Methode die einzige, die die Signalqualität bei allen Rauschpegeln erfolgreich verbesserte, einschließlich der sehr leisen Bereiche, in denen andere Methoden das Signal tatsächlich verschlechterten. Auch in den Sprachtests schnitt sie besser als die anderen ab, indem sie die Klarheit der Stimme bewahrte und gleichzeitig das Hintergrundrauschen entfernte. Die Studie stellte fest, dass die signifikantesten Verbesserungen aus der Fähigkeit des Systems resultierten, die Art des Rauschens korrekt zu identifizieren und aus seiner klugen Art, verschiedene Reinigungsstrategien auszubalancieren. Indem sie sich an die spezifische Natur des Rauschens anpasste, anstatt eine einzige Lösung auf jede Situation zu erzwingen, schufen die Forscher ein robustes Werkzeug, das die unordentliche, unvorhersehbare Realität industrieller und akustischer Umgebungen bewältigen kann.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.