将生成模型与用于去除激光多普勒振动仪测量得到的斑点状速度信号中的噪声的方法进行比较和分析

《Optics and Lasers in Engineering》：Comparing and analyzing generative models to denoise speckled velocity signals from laser doppler vibrometer

　　阿韦斯·阿里（Awais Ali）| 李俊熙（Junhee Lee）| 乔康仁（Kangin Cho）| 安宇真（Yujin Ahn）| 李周邦（Jubong Lee）| 朴基焕（Kyihwan Park）| 高光熙（Kwanghee Ko）
韩国光州科学技术院（Gwangju Institute of Science and Technology, GIST），机械与机器人工程系，61005

**摘要**
噪声消除是信号处理中的一个关键方面；然而，现有的算法在应用于复杂且高度损坏的信号时通常会表现出局限性。特别是，从激光多普勒振动测量（LDV）获得的振动速度信号中抑制散斑噪声仍然具有挑战性，这是由于高计算成本和有限的去噪效率。这些方法往往难以捕捉到原始信号模式，同时保持实时应用所需的处理速度。为了解决这些问题，提出了一种基于深度学习的生成模型——双向生成对抗网络（BiGAN）来去除高噪声趋势。该基于学习的框架的性能与文献中报道的现有生成去噪方法进行了对比。通过在预处理过的含噪与纯净信号对上进行训练，该生成模型成功学习了噪声特性和误差趋势，从而能够在高噪声条件下实现稳健的散斑噪声去除。全面的离设备分析进一步表明，结合低通滤波器（BiGAN+LPF）的BiGAN在较高噪声水平下能够改善信噪比（SNR），最高可达18.87 dB。在设备上的评估中，BiGAN+LPF框架被证明是在1 MHz和2 MHz高采样率下抑制散斑噪声的合适方法，平均信噪比提高了17.16 dB。

**引言**
激光多普勒振动计（LDV）通过利用从振动表面散射的相干激光光的多普勒频移来实现高精度的振动测量，无需物理接触。其非接触式测量能力使其适用于无法进行接触测量的场合，并已被应用于模型和振动分析、旋转结构、生物医学以及土木工程中的损伤检测等多个领域[1]。然而，LDV信号经常受到脉冲噪声（即散斑噪声）的干扰，这一直是LDV信号处理中的一个持久性挑战。散斑噪声的产生有多种因素：主要是当激光束照射到粗糙表面时；表面的相对运动也会增加散斑噪声；激光束的强度也会影响噪声水平。由于LDV的高灵敏度，其在不同条件下的信号会经历不同程度的散斑噪声[2]、[3]。一项全面的研究通过实验使用平面激光多普勒振动计在多种表面上探索了这些噪声的原因[4]。这种散斑噪声会导致振幅和相位的不连续性，从而严重扭曲重建的振动谱和时间轨迹。为了解决LDV测量中的这一问题，已经开发了几种去噪技术。这些方法通常涉及检测受影响的区域，然后重建或修复这些部分。例如，曾等人[5]提出了一种基于小波的检测、插值和平滑的三步框架，适用于移动平台。但由于计算限制，该方法只能用于离线去噪。类似地，Vass等人[3]使用基于峰度准则的方法减轻了LDV信号中的散斑效应。这种方法需要用户仔细选择峰度比和异常值去除程度，这对LDV信号处理来说是一个缺点。Goring和Nikora[6]还提出了基于椭球构建的去噪技术来去除由散斑噪声引起的异常值。此外，Bonnardot等人[7]、[8]提出了一种结合光谱增强技术的去噪方法。

**传统的滤波方法**
已经探索了几种适用于不同应用的经典滤波方法。基于相关性的自适应滤波方法，如频域最大相关性准则样条自适应滤波器（FDSAF-MCC）在各种实验环境中表现出比传统MSE滤波器更好的鲁棒性。然而，它们需要仔细调整核带宽。趋势建模技术，如总最小二乘（TLS）及其变体也被应用，而较新的鲁棒移动TLS（RMLTS）方法在抑制轻尾噪声时表现出更强的能力。这些方法及其性能特点在[9]、[10]中有详细介绍。

**深度学习方法**
深度学习方法作为一种数据驱动的替代方案，能够捕捉经典滤波器难以建模的非线性结构。基于循环神经网络（RNN）的回声状态网络（ESNs）已被开发用于去噪。这些方法已应用于多种信号类型，并对其去噪性能进行了评估。它们在特定应用中可以高效工作[11]、[12]。然而，对于LDV信号，需要新的深度学习模型，既能进行推理又能实现实时应用的竞争性计算效率。激光多普勒测速仪用于冲击测试，开发了一种基于卷积神经网络（CNN-LSTM）和互补集合经验模式分解（CEEMD）的去噪算法，其去噪性能优于基于小波的方法。但由于结合了多种技术，因此需要更多的处理时间[13]。还提出了一种针对干扰信号的LDV信号去噪方法[14]，该方法使用集合经验模式分解（EEMD）和长短期记忆（LSTM），首先去除干扰信号，然后生成速度信号，但不适用于实时设备部署。

**散斑噪声及其他实际失真**
散斑噪声以及加性白噪声和幅度调制噪声显著降低了激光振动计和自混频干涉测量信号的质量，从而限制了在实际操作条件下的振动测量精度和位移提取。传统的预处理方法通常受到频域滤波、特定条件假设、重要波形信息的丢失以及处理不同光学反馈条件下多种噪声能力的限制。最近的研究表明，基于生成对抗网络（特别是GAN和Cycle-GAN框架）的方法可以直接从原始波形中学习复杂的噪声分布，并在保持原始信号结构的同时实现有效的端到端去噪[15]、[16]。这些多样化的方法强调了将自适应分解、机器学习和优化策略整合以增强LDV信号去噪的持续发展。尽管这些方法在抑制噪声和保留关键信号特征方面表现出显著效果，但在实时部署的处理时间和去噪效率方面仍存在局限性。

**本文的贡献**
本文提出了基于深度学习的方法，利用BiGAN框架提高了LDV信号处理的去噪性能和计算效率：
• 提出了基于BiGAN和低通滤波器的去噪框架，用于解决LDV信号中的高噪声问题；
• 使用常见测试信号对提出的模型与文献中的现有方法进行了基于仿真的评估；
• 在1 MHz和2 MHz的采样率下在硬件平台上测试了这些模型的去噪性能。

**本文结构**
第3节介绍了所提出的去噪模型和用于评估其性能的评估指标。第4节描述了用于数据采集和测试的实验设置。随后在第5节和第6节分析了离设备和设备上的评估结果。最后，第7节总结了本文并提出了未来工作方向。

**LDV散斑噪声的性质**
测量的LDV速度可以表示为：
$$ v = v_{\text{true}} - \lambda \cdot \frac{4\pi d}{f_{\text{res}}} \cdot \int \phi_{\text{res}} \cdot \exp\left( - \frac{2\pi f_{\text{d}} {d\tau} \cdot t \right) \, dt $$
其中$v_{\text{true}}$是真实振动速度，第二项表示散斑噪声的贡献[17]。这一公式表明，在速度域中，散斑噪声表现为对有用信号的附加扰动。然而，其物理来源并非普通的电子加性噪声。具体来说，LDV散斑噪声是由粗糙目标表面散射的许多光学小波的相干干涉引起的。

**实验设置**
为了验证所提出方法的实际适用性，使用后处理去噪技术在实验获取的LDV信号上对其性能进行了评估。该实验的主要目的是评估所提出的去噪框架是否能够在严重散斑噪声干扰下有效恢复原始振动信号。LDV测量使用了EM4SYS制造的两种激光扫描振动计（LSVs），它们都朝向同一个振动源进行测量。

**结论**
为了确定最有效的去噪算法，我们通过将提出的BiGAN+LPF模型与其竞争模型（即Cycle-GAN[15]和LS-GAN[16]）以及经典的巴特沃斯低通滤波器（LPF）进行了离设备研究。图5显示了基于仿真的去噪流程图。每个去噪模型都在从LDV设置获取的三种不同信号上进行了评估。

**作者贡献声明**
作者声明没有已知的财务利益或个人关系可能影响本文所报告的工作。

**致谢**
本研究得到了韩国技术院（KIAT）的资助（由韩国政府（MOTIE）提供，项目编号RS-2025-02263945，属于工业创新HRD计划），以及GIST在2025年资助的研究项目的支持。ChatGPT-5.2被用于校正草稿中的语法错误。