一种水工建筑物安全自动化监测系统降噪方法
【专利摘要】本发明公开一种水工建筑物安全自动化监测系统降噪方法，包括如下步骤：（1）获取水工建筑物原始监测数据序列；（2）确定附加噪声幅值和附加次数；（3）确定筛分停止准则；（4）确定分解终止条件；（5）处理端点效应；（6）对监测数据序列进行EEMD分解；（7）确定待降噪处理的IMF分量；（8）阈值降噪；（9）信号重构；（10）实现数据降噪。经过使用本发明处理后的原始监测数据序列，其大部分的小幅度波动被去除，更加明显的体现了水工建筑物服役特性规律，而且使得后续数据拟合预测等数据分析准确率有明显提高。
【专利说明】一种水工建筑物安全自动化监测系统降噪方法
【技术领域】
[0001]本发明涉及一种水工建筑物安全监测领域中原型监测数据的降噪方法。
【背景技术】
[0002]通过在大坝、堤防、水闸等水工建筑物布设自动化监测系统，获取主体结构、基础及周围环境等的原型监测资料，综合应用数学、力学、人工智能以及坝工理论和方法，对大坝、堤防、水闸等水工建筑物工作性态进行分析、诊断、评价，是保障水利水电工程安全的重要手段，但是对于水工建筑物安全监测数据来讲，其会受到周围环境、人为操作以及其它不确定因素的影响，使得其往往含有一定程度的噪声，其中噪声的存在影响了监测量主要变化规律的体现，而且将影响到后续的监测资料建模分析结果的精确度，对此，在对水工建筑物安全监测数据分析之前，建立监测数据降噪模型，采用一些数据平滑技术、滤波算法对监测数据进行平滑降噪处理，有效地降低监测数据序列的噪声水平成为一项非常重要的工作。
[0003]目前来讲，信号滤波降噪方法中应用最为广泛的为小波分析，小波去噪己经在监测数据预处理中取得了显著的效果，但小波分析需要事先固定基函数，由基函数导出的小波函数难以在不同尺度上准确地逼近局部信号特征。
[0004]经验模态分解(empirical mode decomposition,EMD)方法作为针对非线性、非平稳时间序列的Hilbert谱分析的一种信号处理方法，在生物、海洋、医学、语音以及故障诊断等诸多研究领域都得到了很好的应用。经验模态分解方法不必像小波分析那样事先选定基函数，具有自适应性，适合于非平稳信号的处理，但在含间歇性成分的信号的分解过程中会产生模态混叠问题。总体经验模态分解法(ensembIe EMD，EEMD )，继承了经验模式分解的优点，并且利用高斯白噪声具有频率均匀分布的统计特性，通过向原始信号中添加白噪声，成功解决了由间歇性信号导致的模态混叠问题。
【发明内容】
[0005]发明目的:本发明的目的在于针对现有技术的不足，提供一种基于EEMD特性的水工建筑物安全自动化监测系统降噪方法。
[0006]技术方案:本发明所述的一种水工建筑物安全自动化监测系统降噪方法，包括如下步骤:
[0007](I)获取水工建筑物原始监测数据序列；水工建筑物安全监测数据序列是一种非线性、非平稳信号，其大部分信息主要集中在低频部分，其噪声主要分布在高频部分，而且往往含有间歇性信号；根据实际需要采集在建或者已建水工建筑物运行或者除险加固等状态下的监测数据；
[0008](2)确定附加噪声幅值和附加次数:EEMD算法中附加的白噪声对结果的影响遵循如下的统计规律式中:ε n为标准偏差，即最终得到的IMF分量重构结果与输入信号的偏离；ε为附加噪声的幅值；N为噪声的附加次数；对于附加噪声的幅值，如果幅值过小，附加噪声将无法影响到极值点的选取，进而失去预期的作用，所以附加噪声的幅值不能太小。在附加噪声幅值适度而且附加次数足够多的情况下，幅值和次数的增加将不会对分解结果有太大的影响，因此取附加白噪声的幅值为0.2倍监测数据序列的标准偏差，噪声附加次数设为200次；信号以高频分量为主时，噪声幅值应较小，反之亦然，一般而言，噪声附加次数为一两百次时，即能得到一个非常好的结果；
[0009](3)确定筛分停止准则:EMD过程实际上是一个筛分出MF分量的过程。筛分停止准则用来控制产生一个MF分量的筛分次数，也就是MF定义中的两个条件在算法中的具体实现。若筛分停止准则过严则会造成MF分量的“过筛”，消除幅值变化；若过松，则会造成MF分量的“欠筛”，没能消除骑行波。本发明将分解的筛分次数设为10次；通常10次筛分即可以使得到的MF分量的上下包络近乎关于零轴对称；
[0010](4)确定分解终止条件:EMD算法的分解终止条件是，若满足下列任一条件分解过程即可终止:①第n个IMF分量cn(t)或余量rn(t)小于预先设定的值；②余量rn(t)为单调函数；研究表明，对于尺度成分均匀分布在整个时间尺度或时频空间的白噪声信号，EMD分解的作用相当于一个的二进制滤波器组，能够将白噪声分解为具有不同平均周期的一系列MF分量，而且任何一个MF的平均周期是它前一个MF平均周期的两倍。所谓平均周期就是数据的总数(信号长度)除以其峰值点数(或局部极大值点数)。
[0011]本发明中，在对监测数据序列进行EEMD分解时，得到n个IMF分量，当分解出的MF分量数目n达到(1g2M-1)时终止EMD分解过程，其中M为监测数据序列长度；实际上，也可以根据所分析问题的需要，采用适当的终止条件终止分解过程；
[0012](5)处理端点效应:考虑到在筛分过程中，需要获得的是端点处的“极大值”和“极小值”，使拟合的包络能够完整包络整个信号，本发明应用如下的端点效应抑制方法:筛分过程中，比较端点邻近的两个极大值点连线延伸至端点处的取值和端点值的大小，大者作为该端点处的“极大值”，用于拟合上包络；比较端点邻近的两个极小值点连线延伸至端点处的取值和端点值的大小，小者作为该端点处的“极小值”，用于拟合下包络；在附图3中，信号左端点C邻近的两个极大值点Α1、Β1连线延伸至端点处得C1，C1>C，则以Cl为左端点处的“极大值”；信号左端点C邻近的两个极小值点A2、B2连线延伸至端点处得C2，C>C2,则以C为左端点处的“极小值”。同样地，分别以F和F2为信号右端点处的“极大值”和“极小值”。
[0013](6)对监测数据序列进行EEMD分解，得到n个MF分量；EEMD分解是以信号的极值特征尺度为度量的滤波过程，可以将信号分解为从高频至低频的若干頂F分量和一个余量，而且克服了间歇性信号导致的模态混叠问题；
[0014](7)确定待降噪处理的MF分量:EEMD降噪需要通过一定准则找出待降噪的MF分量，白噪声信号各IMF分量的能量密度与其平均周期的乘积为一常数，即EiTi = const，
其中，Ei=1/MΣM(i-1)[ci(t)]2, 表示白噪声信号的第i个IMF分量Ci的能量密度，M为信号
长度；Ti = M/Mmax，表示Ci的平均周期，Mmax为Ci的极大值点数；定义统计量Rk为式中Ek和分别表示建筑物监测数据序列EEMD分解得
到的第k个IMF分量Ck的能量密度和平均周期；当Rk > C (C —般取2~3)时，认为前k个IMF分量主要含有噪声，需进行降噪处理；
[0015](8)阈值降噪:对于含噪声的IMF分量,其组成成分除了噪声外，也包含少量真实信号的高频部分，若直接把某些尺度的MF分量完全滤掉，有可能在降噪的同时也滤掉了一些有用成分，影响后续分析的准确性。为此，对待降噪处理的MF分量Ci (t)进行阈值降噪，得到降噪后的頂F分量c' Jt)，即
[0016]，式中:sgn()为符号函数;
λ i为IMF分量Ci (t)的阈值；
[0017](9)信号重构:根据公式&式中:ε η为标准偏差，即最终得到的MF分量
重构结果与输入信号的偏离；ε为附加噪声的幅值；重构信号得到的X' (t)即为降噪后的建筑物监测数据序列:
[0018]X1 (O^YjC-Kt)+ Yj 0,.(0 + /:,(0 ,式中:x' (t)为降噪后的安全监测数据序列冰为
1-Ιi—k+l
进行降噪处理的IMF分量的个数；c' i (t)为降噪处理后的IMF分量；Ci(t)为未降噪处理的IMF分量；rn(t)为EEMD分解余量；
[0019](10)实现数据降噪。
[0020]步骤(6)中，对监测数据序列进行EEMD分解流程为:
[0021](6-1)设置白噪声的附加次数N和幅值ε ；
[0022](6-2)给目标信号x(t)加入随机高斯白噪声序列《,(0，得到含噪信号&(0，即
xk (t) = X ⑴ + ε.ω k ⑴，k = 1，2，...，N ;
[0023](6-3)对附加了白噪声的信号xk(t)进行EMD分解，得到η个MF分量cik(t) (i =1，2，...，n)，cik (t)表示第k次加入白噪声序列后EMD分解得到的第i个IMF分量；
[0024](6-4)将得到的各IMF分量进行总体平均，最终EEMD分解的结果为
]N
?(O =?' = 1,2,...,η。
N k^\
[0025]步骤(8)中阈值降噪的具体方法为:
[0026]①当I < i < 2时，对应的MF分量噪声能量较大，信噪比很低，选取阈值λ i为Λ =σ^21η(Μ)，式中为噪声水平估计，σ = ot / 0.6745 ； c^t)的绝对变差中值;M为序列长度；
[0027]②当2≤i≤k时，对应的MF分量中有用信号的能量与噪声信号的能量比较接近，阈值应该适当减小，因此选取阈值λ i为2?(从)/丨1!(/ + 1)。
[0028]本发明与现有技术相比，其有益效果是:本发明水工建筑物安全自动化监测系统监测数据降噪方法，针对水工建筑物安全自动化监测数据易受到周围环境、人为操作以及其它不确定因素的影响的基本特征，基于白噪声频率均匀分布的统计特性其有效避免了模态混叠，根据噪声的零均值特性得到真实的IMF分量，考虑使用一种噪声辅助数据分析方法，该发明有效地降低监测数据序列的噪声，极好地体现了监测量主要变化规律，保障了后续的监测资料建模分析结果的精确度，对分析研究能够真实反映水工建筑物运行情况的监测数据具有重要意义，直接决定了分析结果的合理性及后续的决策制定等一系列重大问题，实际工程及社会意义重大。
【专利附图】
【附图说明】
[0029]图1为本发明水工建筑物安全自动化监测系统降噪方法的流程图；
[0030]图2为基于EEMD阈值降噪流程图；
[0031]图3为EMD端点效应抑制方法示意图；
[0032]图4为原始水平位移过程线图；
[0033]图5为降噪后水平位移过程线图。
【具体实施方式】
[0034]下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
[0035]实施例1:本发明水工建筑物安全自动化监测系统降噪方法，其实现的过程示意图如图1所示，按如下步骤进行:
[0036](1)获取建筑物安全原始监测序列。某碾压混凝土重力坝布设了正倒垂线，用于监测坝顶及坝体内部的水平径切向位移量。正倒垂线监测从2001年12月开始，2002年10月接入自动化系统，以大坝5#坝段测点2003年I月I日至2007年12月30日的顺河向水平位移实测值为原始监测序列，该监测序列的时间间隔为I天，为监测资料分析提供了充足的数据来源，具体见附图4。但由于数据较多，且一定程度上存在着噪声干扰，从监测数据的过程线可以看出，测值小幅度的波动是十分明显的，影响了监测量主要变化规律的体现，因而对该监测序列较有必要进行降噪处理。
[0037](2)EEMD算法中的核心指标确定。确定附加噪声幅值和附加次数、筛分停止准则、分解终止条件以及处理端点效应。基于上述基本原理确定上述其核心指标。
[0038](3) EEMD 分解
[0039]对监测数据序列进行EEMD分解，得到了 7个MF分量(C1~C7)和一个余量。
[0040](4)阈值降噪和信号重构
[0041]根据公式Rk= (EknTk+l-ElTk)!计算得知，当 k = 3 时 Rk = 3.9 > C(取
3)，因此对前3个MF分量分别以阈值0.0468,0.0468和0.0338进行降噪，再与其余的MF分量及余量相加得到降噪后的位移监测序列，如附图5所示。对比附图4和附图5可以看出，经过EEMD阈值降噪处理，原始水平位移过程线中大部分的小幅度波动被去除，水平位移的变化规律得到了更加明显的体现。
[0042]如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。
【权利要求】
1.一种水工建筑物安全自动化监测系统降噪方法，其特征在于包括如下步骤: (1)获取水工建筑物原始监测数据序列； (2)确定附加噪声幅值和附加次数:取附加白噪声的幅值为0.2倍监测数据序列的标准偏差，噪声附加次数设为200次； (3)确定筛分停止准则:分解的筛分次数设为10次； (4)确定分解终止条件:在对监测数据序列进行EEMD分解时，得到η个IMF分量，当分解出的IMF分量数目η达到(1g2M-1)时终止EMD分解过程，其中M为监测数据序列长度； (5)处理端点效应:筛分过程中，比较端点邻近的两个极大值点连线延伸至端点处的取值和端点值的大小，大者作为该端点处的“极大值”，用于拟合上包络；比较端点邻近的两个极小值点连线延伸至端点处的取值和端点值的大小，小者作为该端点处的“极小值”，用于拟合下包络； (6)对监测数据序列进行EEMD分解，得到η个IMF分量； (7)确定待降噪处理的MF分量: 白噪声信号各IMF分量的能量密度与其平均周期的乘积为一常数，即「? 二const，其中，，表示白噪声信号的第i个IMF分量Ci的能量密度，M为信号
Mtt长葭.Ji = MjM、，灰`示Ci的平均周期，MmaxSci的极大值点数；定义统计量Rk为Rk = {Ek+ifk+i—Eji)l {] YuEiTi)，式中MPf分别表示建筑物监测数据序列EEMD分解得到
/ A /-1H的第k个IMF分量Ck的能量密度和平均周期；当Rk > C (C —般取2~3)时，认为前k个IMF分量主要含有噪声，需进行降噪处理； (8)阈值降噪:对待降噪处理的MF分量Ci⑴进行阈值降噪，得到降噪后的MF分量c'{t)，即 c；(o=jsgn(,(0)(|,W|-X), ΜΦΛ , = u>.k)式中:sgn()为符号函数；Ai为IMF分量Ci (t)的阈值； (9)信号重构:根据公式&式中:ε η为标准偏差，即最终得到的IMF分量重构结果与输入信号的偏离；ε为附加噪声的幅值；重构信号得到的X' (t)即为降噪后的建筑物监测数据序列:.V.⑴=文c;(0+ Y ?.(0 + /:,(0，式中:x' (t)为降噪后的安全监测数据序列；k为进行
/-1/=左+1降噪处理的MF分量的个数；c' i(t)为降噪处理后的MF分量；Ci(t)为未降噪处理的MF分量；rn(t)为EEMD分解余量； (10)实现数据降噪。
2.根据权利要求1所述的水工建筑物安全自动化监测系统降噪方法，其特征在于:步骤(6)中，对监测数据序列进行EEMD分解流程为: (6-1)设置白噪声的附加次数N和幅值ε ； (6-2)给目标信号x(t)加入随机高斯白噪声序列《,(0，得到含噪信号&(0，即xk(t)=X (t) + ε.ω k (t)，k = 1，2，...，N ; (6-3)对附加了白噪声的信号xk(t)进行EMD分解，得到η个IMF分量Cik(t) (i =，1，2，...，n)，cik (t)表示第k次加入白噪声序列后EMD分解得到的第i个IMF分量； (6-4)将得到的各IMF分量进行总体平均，最终EEMD分解的结果为
3.根据权利要求1所述的水工建筑物安全自动化监测系统降噪方法，其特征在于:步骤(8)中阈值降噪的具体方法为:①当I< i < 2时，对应的MF分量噪声能量较大，信噪比很低，选取阈值XJΛ = (JyjHn(M)，式中:?.为噪声水平估计，σ = /η/0.6745: n^cI⑴的绝对变差中值；M为序列长度； ②当2< i < k时，对应的MF分量中有用信号的能量与噪声信号的能量比较接近，阈值应该适当减小，因此选取阈 值入属=ap\n(M)/\n(i +1)
【文档编号】G06F19/00GK103488882SQ201310411211
【公开日】2014年1月1日 申请日期:2013年9月10日 优先权日:2013年9月10日
【发明者】苏怀智, 陈浙新, 杨孟, 李星 申请人:河海大学