A Classification-Based Adaptive Bayesian Wavelet Packet Denoising Method for Additive Gaussian-Impulse Mixed Noise in Industrial Sensor and Measurement Signals
Dit artikel stelt een classificatiegebaseerde adaptieve Bayesiaanse wavelet-pakkettransformatie-methode (CABWPT) voor die ruisclassificatie, SNR-adaptieve hybride drempelverwerking en Bayesiaanse optimalisatie gebruikt om industriële sensor- en meetsignalen die corrupt zijn door niet-stationaire additieve Gaussische-impuls gemengde ruis effectief te denoisen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de lawaaierige wereld van industriële machines en menselijke spraak zijn signalen zelden puur. Een trillingssensor op een fabrieksvloer of een microfoon die een gesprek opneemt, vangt vaak een rommelige mix op van het gewenste geluid en ongewenste interferentie. Deze interferentie komt meestal in twee vormen voor: een constante, brommende achtergrondstatische ruis en plotselinge, scherpe pieken van statische elektriciteit die onvoorspelbaar opduiken. Wanneer ingenieurs proberen deze signalen te reinigen om verborgen defecten in machines te vinden of om spraak duidelijker te maken, worden ze geconfronteerd met een moeilijk probleem. Traditionele hulpmiddelen voor het reinigen van signalen werden gebouwd op de aanname dat ruis altijd die constante, brommende statische ruis is. Wanneer de ruis die scherpe, onvoorspelbare pieken bevat, falen deze oude hulpmiddelen vaak, of ze laten te veel ruis achter, of ze snijden per ongeluk delen van het echte signaal weg die ze juist bedoeld waren te redden.
Onderzoekers aan de Beibu Gulf University hebben een nieuwe methode ontwikkeld om dit specifieke probleem van gemengde ruis op te lossen. Hun benadering, beschreven in een recente studie, behandelt de ruis niet als een enkelvoudig, uniform probleem, maar als een situatie die verandert afhankelijk van het soort ruis dat aanwezig is. In plaats van één enkele, rigide regel te gebruiken om het signaal te reinigen, luistert hun systeem eerst even om de karakteristiek van de ruis te identificeren. Het controleert of de ruis van de constante soort is, de piekende soort, of een combinatie van beide. Zodra het weet waarmee het te maken heeft, schakelt het over naar het specifieke reinigingsinstrument dat het best geschikt is voor dat type. Dit maakt het systeem veel nauwkeuriger, waardoor de ongewenste statische ruis wordt verwijderd terwijl de belangrijke details van het oorspronkelijke geluid intact blijven, of dat geluid nu een machinevibratie of een menselijke stem is.
De kern van deze nieuwe methode is een proces van classificatie en adaptatie. Stel je een signaal voor als een complex wandtapijt van draden. Het systeem van de onderzoekers kijkt eerst naar de hoogfrequente draden, waar de ruis zich meestal het meest verbergt. Door te meten hoe "piekend" en hoe "scheef" de ruis is, kan het systeem de ruis in één van vier categorieën sorteren: constant, piekend, scheef of een mix. Voor elke categorie heeft het systeem een andere strategie. Als de ruis constant is, gebruikt het een ander type wiskundig filter. Als de ruits piekend is, gebruikt het een ander filter dat beter is in het negeren van die plotselinge pieken. Als de ruis een mix is, combineert het deze strategieën. Dit voorkomt dat het systeem een veelvoorkomende fout maakt waarbij het in de war raakt door de pieken en vervolgens het echte signaal weg snijdt, of omgekeerd, de pieken ongemoeid laat omdat het denkt dat ze deel uitmaken van het signaal.
Om het reinigingsproces zo effectief mogelijk te maken, hebben de onderzoekers twee verschillende manieren gecombineerd om te beslissen hoeveel ruis er verwijderd moet worden. De ene manier is zeer zorgvuldig en bekijkt elk klein stukje van het signaal afzonderlijk, terwijl de andere een brede, algemene regel is die goed werkt voor het hele signaal. De nieuwe methode mengt deze twee benaderingen en past de balans aan afhankelijk van hoe hard de ruis is in vergelijking met het signaal. Wanneer de ruis erg hard is, leunt het systeem meer op de zorgvuldige, individuele benadering. Wanneer de ruis stiller is, vertrouwt het meer op de brede regel. Deze balans wordt beheerd door een reeks strikte regels die voorkomen dat het systeem te agressief is en het signaal beschadigt. Zo controleert het systeem voortdurend of het niet te veel van het oorspronkelijke geluid heeft verwijderd, en als dat het geval is, neemt het automatisch afstand.
Na de initiële reiniging passen de onderzoekers een laatste polijststap toe. Soms zijn er, zelfs nadat de hoofdruis verdwenen is, nog vage echo's of vervormingen achtergebleven. Het systeem gebruikt een techniek die naar de algehele structuur van het resterende signaal kijkt om deze imperfecties glad te strijken, zodat het eindresultaat zo dicht mogelijk bij het origineel ligt. Om de perfecte instellingen voor al deze stappen te vinden, gebruikten de onderzoekers een computergestuurd proces van trial-and-error dat duizenden combinaties testte om de beste instellingen voor verschillende soorten signalen te vinden. Ze testten hun methode op twee zeer verschillende soorten gegevens: vibratiesignalen van kogellagers in een fabriek en opnames van menselijke spraak.
De resultaten toonden aan dat deze nieuwe methode tien andere bestaande technieken versloeg over een breed scala aan omstandigheden. In tests met fabrieksvibraties, waarbij de ruis bijzonder hard was, was de nieuwe methode de enige die er succesvol in slaagde de signaalkwaliteit te verbeteren bij alle ruisniveaus, inclusief de allerzwakste niveaus waar andere methoden het signaal zelfs slechter maakten. In de spraaktests presteerde het ook beter dan de anderen, waarbij de helderheid van de stem behouden bleef terwijl de achtergrondruis werd verwijderd. De studie concludeerde dat de meest significante verbeteringen voortkwamen uit het vermogen van het systeem om het type ruis correct te identificeren en zijn slimme manier van het balanceren van verschillende reinigingsstrategieën. Door zich aan te passen aan de specifieke aard van de ruis in plaats van een enkele oplossing op elke situatie te dwingen, creëerden de onderzoekers een robuust hulpmiddel dat de rommelige, onvoorspelbare realiteit van industriële en akoestische omgevingen kan aan.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.