新论文：为提升AI振动识别效果，小波、HHT、MFCC、CNN、LSTM我们都试一试

0

推送太长，懒得看的版本

1

研究背景

在课题组与振动（震动）的长时间打交道过程中，我们发现：振动控制效果提升【链接： 新论文：给振动信号拍个照，可以提升振动控制效果！ 】、城市区域（建筑）震损应急评估【链接： 新论文 | 卷积神经网络 + 小波时频图：基于地震动时频域特征的震害评估新方法 】、结构模型更新【链接： 新论文：基于数字孪生的强震下大跨斜拉桥倒塌易损性评估 】等一系列应用中（图1），均需要一套有效的振动识别方法。因此，我们开展了本研究。

深度学习应用广泛，近期研究发展也非常快。但深度学习的应用过程绕不开小样本的难题，并且实际问题的独特性经常使得常规小样本解决方法不适用，限制了深度学习的应用。在振动识别问题中，我们可以通过信号处理算法 提取 振动信号的特征 ，降低 后续深度神经网络的 深度特征提取难度， 提升了整体的振动识别效果。

2

信号处理-深度学习联合的振动信号识别

本方法的实现过程如图2，重点是特征提取和训练神经网络实现振动识别。过程如下：

(1) 信号数据采集与清洗：在周围环境中采集多种典型振动的信号，据振动源设定标签。对采集的数据进行清洗，提取数据的有效片段，建立振动信号数据库；

(2) 信号时频域特征提取：通过WT、HHT和MFCC三种信号处理方式对信号进行时频域特征提取，扩充三种时频域系数数据；

(3) 基于深度学习的信号识别训练：以步骤(1)(2)所构建数据库中的时频域振动信号作为输入，振动源类型作为数据标签，对CNN、LSTM以及两者结合的(CNN+LSTM)三类神经网络进行模型训练，得到具备振动识别能力的模型；

(4) 深度学习模型的评估验证：对步骤(3)中训练得到的神经网络模型进行评估验证，对比不同方法的型号识别准确率。

3

具体方法说明

3.1 信号数据采集与清洗

首先采用加速度传感仪对工作环境中的典型振动进行采集，获取四类数据：公交汽车、建筑施工、地铁轻轨和高铁动车引发的振动。采用短时能量分析进行数据的快速清洗（图3）。初始振动经过清洗后，四种类型的振动信号数据量分别为476、302、477和266。

3.2 信号时频域特征提取

3.3 基于深度学习的信号识别训练

本研究采用三种典型的神经网络进行训练，CNN、LSTM和CNN+LSTM。由于数据量较少，且每条数据的信息有限，网络层数不能过多，以防止过拟合，影响识别正确率。训练和测试结果表明，以WT和MFCC系数矩阵作为输入的CNN识别效果最佳。

1) 时序振动信号输入: 由于数据有限，测试的结果比训练的结果差太多，出现过拟合（表1）

2)  WT矩阵输入:  CNN训练和测试准确率基本可达95%，LSTM则稍差测试准确率约85%（表2）

3) HHT矩阵输入: CNN和LSTM训练和测试准确率约85%，不够理想（表3）

4) MFCC矩阵输入: CNN和LSTM训练和测试准确率均可达95%（表4）

3.4 深度学习模型的评估验证

选取与训练测试数据完全不同的振动，进行振动识别性能的验证。振动信号图6所示,代号Bus、Cons、Sub、HSR分别指公交、施工、地铁和高铁，代号前的数字代表预测顺序。

振动的预测结果如表5所示，其中加粗并带下划线的信号类型指错误地识别成其他信号。WT矩阵和MFCC矩阵作为输入，准确率100%；HHT矩阵作为输入，效果稍差（准确率90%）；原始时序数据输入，准确率最低（60%）。验证结果与训练结果基本一致。

4

总结

在以前WT-CNN做振动识别的基础上，开展了一次相对全面的研究，具体结论如下：

1. WT-CNN 方法的效果值得肯定，尤其是在针对数据样本较小的问题时，信号处理算法的引入可以有效改善深度神经网络的识别能力；

2. 训练神经网络时，需要采集振动数据并标记，采集的原始数据含有大量无关信息，可运用短时能量分析清洗，提取信号有效片段；

3. WT、HHT和MFCC三种信号处理方法获取的振动特征相当不错，并且以系数矩阵（非图像）作为神经网络的输入效果更佳；

4. WT+CNN和MFCC+CNN最终的表现最优。小样本时不宜采用LSTM网络（需要训练的参数太多，容易欠拟合）；一定范围内，HHT提取的特征不如WT和MFCC好。

本研究感谢SRT项目袁舟、汪子涵、安芃、冯昊龙和唐浩然等同学帮助。