摘要
现有的工程信号处理方法都是基于完整的数据采集,并没有考虑缺失信号的处理。而在工程实际中,由于人为因素和自然界不可抗拒的因素,有时会造成传感器失效,从而造成信号采集的缺失。为了消除信号缺失对工程信号处理的消极影响,提出了一种基于变分贝叶斯平行因子分解的信号恢复方法。首先利用平行因子分析理论将采集的振动信号构造成三维张量,同时结合贝叶斯方法,引入潜在变量和超参数,建立贝叶斯平行因子概率图模型;其次采用变分贝叶斯算法推导出因子矩阵和超参数的后验分布,从而进一步推断出缺失元素的分布预测;最后通过分析该模型的下界,初始化参数的选择,使该算法更好的解决信号缺失问题。利用均方根误差和相对平方根误差对该算法的性能进行评估,仿真和实验结果表明,随着缺失比例的增大,变分贝叶斯平行因子分解算法相较于传统的低秩张量补全算法,误差更小,能够更加有效的恢复缺失的信号,有效地解决了工程信号处理中因传感器失效而引起的信号缺失的问题。
The existing engineering signal processing methods are based on complete data acquisition,which do not consider the missing signal processing.However,in engineering practice,due to human factors and natural irresistible factors,the sensor may fail and result the lack of signal acquisition.To eliminate the negative influence of signal loss on engineering signal processing,a signal recovery method based on the variational Bayesian parallel factorization is proposed.Firstly,the collected vibration signal is constructed into a three-dimensional tensor by the parallel factor analysis theory.Meanwhile,combined with the Bayesian method,potential variables and super parameters are introduced to formulate Bayesian parallel factor probability graph model.Then,the posterior distribution of the factor matrix and the super parameters are derived by the variational Bayes algorithm.Therefore,the distribution prediction of the missing element can be further deduced.Finally,the proposed algorithm can better solve the problem of signal loss by analyzing the lower bound of the model and the selection of initialization parameters.Two evaluation indexes(i.e.root mean square error and root relative squared error)are used to evaluate the performance of the algorithm.The simulation and experiment results show that with the increase of missing ratio,the variational Bayesian parallel factorization algorithm has smaller error than the traditional low rank tensor completion algorithm,which can more effectively restore the missing signal.The proposed method provides an effective way to solve the problem of signal missing caused by sensor failure in engineering signal processing.
作者
李琼
李志农
周世健
谷士鹏
陶俊勇
Li Qiong;Li Zhinong;Zhou Shijian;Gu Shipeng;Tao Junyong(Key Laboratory of Nondestructive Testing Ministry of Education,Nanchang Hangkong University,Nanchang 330063,China;Laboratory of Science and Technology on Integrated Logistics Support,National University of Defense Technology,Changsha 410073,China;China Flight Test and Research Institute,Xi′an 710089,China)
出处
《仪器仪表学报》
EI
CAS
CSCD
北大核心
2022年第3期49-58,共10页
Chinese Journal of Scientific Instrument
基金
国家自然科学基金(52075236)
江西省自然科学基金重点项目(20212ACB202005)
航空科学基金重点项目(20194603001)
装备预研基金项目(6142003190210)
陕西省矿山机电装备智能监测重点实验室开放基金重点项目(SKL-MEEIM201901)
南昌航空大学研究生创新专项基金项目(YC2020S549)资助。
关键词
平行因子分解
变分贝叶斯
信号缺失
信号恢复
parallel factorization
variational Bayesian
signal loss
signal recovery
作者简介
李琼,2019年于河南工程学院获得学士学位,现为南昌航空大学硕士研究生,主要研究方向为信号处理,机械故障诊断。E⁃mail:18337159026@163.com;通信作者:李志农,2003年于浙江大学获得博士学位,现为南昌航空大学教授,主要研究方向为智能检测与信号处理、机械状态监测与故障诊断。E⁃mail:lizhinong@tsinghua.org.cn;周世健,1982年于华东地质学院(现东华理工大学)获得学士学位,1988年于武汉测绘科技大学(现武汉大学)获得硕士学位,1994年于武汉测绘科技大学(现武汉大学)获得博士学位,现为南昌航空大学教授,主要研究方向为空间数据处理与智能分析。E⁃mail:shjzhou@nchu.edu.cn;谷士鹏,2010年于哈尔滨工业大学获得学士学位,2013年于东南大学获得硕士学位,现为中国飞行试验研究院高级工程师,主要研究方向为飞行试验与测试。E⁃mail:fywodeshijie@126.com;陶俊勇,分别在1991年、1997年、2000年于国防科学技术大学获得学士、硕士、博士学位,现为国防科技大学智能科学学院教授,主要研究方向为:智能集群韧性与抗毁性、系统状态监测与故障诊断、复杂系统可靠性评估等。E⁃mail:taojunyong@nudt.edu.cn。
