CN118708951A - 一种基于信息熵算法的频谱峰值点检测方法、装置 - Google Patents

Abstract

本发明提供了一种基于信息熵算法的频谱峰值点检测方法、装置，方法包括将批次振动信一种基于信息熵算法的频谱峰值点检测方法、装置号，通过快速傅里叶变换转换为频谱数据；对频谱数据进行滑窗切片；各窗口幅值数组进行离散化处理，并计算信息熵；利用三角阈值法，获取窗口存在峰值的信息熵阈值；可选择根据已标记峰值数据，依照评估指标，确定增益系数，微调阈值；通过窗口信息熵与阈值比较，确定哪些窗存在峰值，寻找极值，替换极值及半峰宽内数据，重新计算窗口信息熵，循环执行这一过程，直至找到窗口内的所有峰值点；添加过滤机制，过滤掉不关注的峰值点。本方法可以自适应捕获频谱中的峰值点，可应用于未知工业场景振动信号分析。

Description

一种基于信息熵算法的频谱峰值点检测方法、装置

技术领域

本发明涉及频谱分析技术领域，具体涉及一种基于信息熵算法的频谱峰值点检测方法、装置。

背景技术

振动信号的频谱分析在制造、工程等众多行业中具有极其重要的作用，主要作用于设备故障诊断、设备状态监测和预测性维护。寻峰在频谱分析中扮演至关重要的角色，峰值获取对于理解信号的组成成分、识别信号的特征频率，以及进行信号的分类和识别至关重要。当前市面上，频谱寻峰常用的方法为寻找局部最大值，但其高度阈值、显著性阈值等参数较难设定。

有鉴于此，提出本申请。

发明内容

本发明提供了一种基于信息熵算法的频谱峰值点检测方法、装置，能至少部分的改善上述问题。

为实现上述目的，本发明采用以下技术方案：

一种基于信息熵算法的频谱峰值点检测方法，其包括：

获取设备运转时的振动批次数据，并对所述振动批次数据进行预处理，将所述振动批次数据中的时域数据转换成频谱数据；

采用滑动窗口技术对所述频谱数据进行滑窗切片处理，将频谱数据分段，对各窗口数据进行连续数据离散化处理，并计算其信息熵；

将所述信息熵进行分箱处理，得到分箱后各箱子的边界值和频数，并利用三角阈值法获取窗口存在峰值的信息熵阈值，依照预设评估指标，根据已标记的记峰值数据，确定增益系数，微调信息熵阈值；

对窗口的信息熵和熵阈值进行比较，确认存在峰值的窗口，并寻找极值，替换极值以及半峰宽内的数据，重新计算窗口信息熵，比较信息熵和阈值的大小，重复此步骤，直至找到窗口内的所有峰值点；

限定峰值能量大小，两峰值点频率间隔需大于半峰宽，剔除噪声和不重要的信号。

本发明还提供了一种基于信息熵算法的频谱峰值点检测装置，其包括：

转换单元，用于获取设备运转时的振动批次数据，并对所述振动批次数据进行预处理，将所述振动批次数据中的时域数据转换成频谱数据；

信息熵计算单元，用于采用滑动窗口技术对所述频谱数据进行滑窗切片处理，将频谱数据分段，对各窗口数据进行连续数据离散化处理，并计算其信息熵；

阈值计算单元，用于将所述信息熵进行分箱处理，得到分箱后各箱子的边界值和频数，并利用三角阈值法获取窗口存在峰值的信息熵阈值，依照预设评估指标，根据已标记的记峰值数据，确定增益系数，微调信息熵阈值；

峰值点找寻单元，用于对窗口的信息熵和熵阈值进行比较，确认存在峰值的窗口，并寻找极值，替换极值以及半峰宽内的数据，重新计算窗口信息熵，比较信息熵和阈值的大小，重复此步骤，直至找到窗口内的所有峰值点；

剔除单元，用于限定峰值能量大小，两峰值点频率间隔需大于半峰宽，剔除噪声和不重要的信号。

综上，所述基于信息熵算法的频谱峰值点检测方法将批次振动信号，通过快速傅里叶变换转换为频谱数据；对频谱数据进行滑窗切片；各窗口幅值数组进行离散化处理，并计算信息熵；利用三角阈值法，获取窗口存在峰值的信息熵阈值；可选择根据已标记峰值数据，依照评估指标，确定增益系数，微调阈值；通过窗口信息熵与阈值比较，确定哪些窗存在峰值，寻找极值，替换极值及半峰宽内数据，重新计算窗口信息熵，循环执行这一过程，直至找到窗口内的所有峰值点；添加过滤机制，过滤掉不关注的峰值点。本方法可自适应捕获频谱峰值点，减少需调节参数，可应用于未知工业场景振动信号分析，具有较好的鲁棒性。

附图说明

图1是本发明第一实施例提供的一种基于信息熵算法的频谱峰值点检测方法的流程示意图；

图2是本发明第二实施例提供的一种基于信息熵算法的频谱峰值点检测装置的模块示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面结合实施例，进一步详细说明本发明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参考图1所示，本发明第一实施例公开了一种基于信息熵算法的频谱峰值点检测方法，其可由基于信息熵算法的频谱峰值点检测设备（以下简称检测设备）来执行，特别的，由所述检测设备内的一个或者多个处理器来执行，以实现如下方法：

S1，获取设备运转时的振动批次数据，并对所述振动批次数据进行预处理，将所述振动批次数据中的时域数据转换成频谱数据；

具体地，步骤S1包括：获取设备运转时的振动批次数据，使用高通滤波器对所述振动批次数据进行滤波处理；

采用汉宁窗函数对滤波后的振动批次数据进行预处理，并使用FFT技术将所述振动批次数据中的时域数据转换成频谱数据；

保留频谱数据的正频率部分，构建幅度谱。

在本实施例中，在设备运行过程中，采集批次数据时，设定采样频率为50000 Hz，批次时长为50s。对采集到的数据应用高通滤波器，滤波截止频率设为0.1 Hz，目的是有效剔除信号中的直流分量及低频噪声。采用汉宁窗函数对信号进行预处理，汉宁窗能有效减少频谱泄漏现象，同时提高频率分辨率。利用FFT技术，将时域信号转换至频域。在获得的频谱信号中，取其绝对值，以此量化频域内各频率分量的幅度大小。对上述数据，保留频谱的正频率部分，构建幅度谱。

S2，采用滑动窗口技术对所述频谱数据进行滑窗切片处理，将频谱数据分段，对各窗口数据进行连续数据离散化处理，并计算其信息熵；

具体地，步骤S2包括：采用窗口大小与步长相等的滑动窗口技术，对所述频谱数据进行滑窗切片处理，窗长计算法公式为：

其中，为向上取整。

确认区间数量，根据窗口内幅值范围，计算区间宽度，区间宽度的计算公式为：区间宽度=(最大值 - 最小值) / 区间数量；

根据所述区间宽度将窗口数据划分成多个连续且不重叠的区间；

将区间内连续数据映射为区间的下限，生成离散化数组；

针对各窗口离散化处理后的数组，计算去重元素在窗口中出现的概率p和信息熵H(U)，信息熵计算公式为：

其中，n为去重元素，p_i为去重元素出现的概率。

在本实施例中，采用窗口大小与步长相等的滑动窗口技术，对数据进行切片。选择窗口大小为2hz，带入下式计算公式中：

计算可得频率分辨率为0.02hz，窗长为100个数据点。针对各窗口数据，进行离散化处理。首先设定区间数量为20，根据窗口内幅值范围，计算区间宽度。区间宽度为(最大值- 最小值) / 区间数量。根据区间宽度，将窗口数据划分成20个连续且不重叠的区间。将区间内连续数据映射为区间的下限，生成离散化数组。

将p带入到下式，计算信息熵H(U)：

S3，将所述信息熵进行分箱处理，得到分箱后各箱子的边界值和频数，并利用三角阈值法获取窗口存在峰值的信息熵阈值，依照预设评估指标，根据已标记的记峰值数据，确定增益系数，微调信息熵阈值；

具体地，步骤S3包括：确定分箱数量为N，并基于信息熵的最小值和最大值，按照信息熵从小到大的顺序进行排序，等宽分成N个箱子，并遍历信息熵数组，将各信息熵映射至对应的箱子中，记录每个箱子的频数，获得箱子边界值和频数数组；

其中，对于频数为0的箱子，延续上一个非0频数，并剔除频数过大的箱子。

选择两峰值点，其中，一个为左测边界值x0、y0，另一个为直方图的最大值点x1、y1；

遍历信息熵箱子，将箱子的x轴中心值作为x，箱子的频数作为y，并计算点（x，y）到两峰值点连线的垂直距离d，垂直距离公式为：

选择垂直距离最大的点的x坐标值作为初始信息熵阈值。

选择一个附近、等间距数组，作为候选增益系数，遍历候选增益系数，选择已标记好峰值点的频谱数据作为训练集，并将初始设定的阈值与增益系数相乘，得到调整后的阈值；

比较每个窗口的信息熵与调整后的阈值，当判断到信息熵小于阈值时，认为信息熵小于阈值的窗口存在峰值；

使用召回率作为关键性能评估指标，选择召回率最高时的增益系数乘以初始阈值，以实现对阈值的精准微调，其中，召回率的计算公式为：召回率=真正例/(真正例+假负例)。

在本实施例中，确定分箱数量N，基于信息熵的最小值和最大值，从小到大排序，等宽分成N个箱子，遍历信息熵数组，将各信息熵映射至对应的箱子中，记录每个箱子的频数，以此获得箱子边界值和频数数组。

对于频数为0的箱子，延续上一个非0频数，具体步骤如下：输入频数数组x，生成与输入数组 x长度相同的一维数组 new_x，其中包含从 0 到 数组x长度减一的整数。在x数组中频数为0的位置，new_x对应位置也设置为0。遍历new_x数组并填入累计最大值。遍历结束后，获得处理后的频数数组。

剔除频数过大的箱，具体步骤如下：计算各箱子的相对密度，计算方式为频数除以最大频数。按相对密度对箱子进行排序，若存在最大相对密度大于第二相对密度的两倍时，认为存在频数过大的箱，将该箱的频数修改为第二相对密度的箱的频数。

信息熵用来量化信息内容的平均信息量，可被视为系统无序度的一种度量。较于无峰值的窗，存在峰值时的信息熵更小，且存在峰值的窗口数量远小于不存在峰值的窗口数量，故信息熵直方图表现为在左侧存在长尾，数据集中在直方图的右侧。故三角阈值法中，两峰值点的选择，一个为左测边界值x0、y0，另一个为直方图的最大值点x1、y1。遍历信息熵分箱，箱子的x轴中心值作为x，箱子的频数作为y，计算（x，y）到两峰值点连线的垂直距离。垂直距离公式如下:

选择垂直距离最大的点的x坐标值作为初始信息熵阈值。

比较每个窗口的信息熵与调整后的阈值，若信息熵小于阈值，则判断该窗口存在峰值点。采用召回率作为关键性能指标，其计算公式为：召回率=真正例/(真正例+假负例)，其中真正例指的是那些实际含有峰值点且被模型正确识别为含有峰值点的窗口，而假负例则是那些实际含有峰值点但被模型错误地判定为不含有峰值点的窗口。寻找能够使召回率达到最大值的增益系数，然后将该系数与初始阈值相乘，实现阈值的精准微调。

具体的，在本实施例中，确定分箱数量200，基于信息熵的最小值和最大值，从小到大排序，等宽分成200个箱子，遍历信息熵数组，将各信息熵映射至对应的箱子中，记录每个箱子的频数，以此获得箱子边界值和频数数组。

对于频数为0的箱子，延续上一个非0频数。步骤如下：输入频数数组x，生成与输入数组 x长度相同的一维数组 new_x，其中包含从 0 到 数组x长度减一 的整数。在x数组中频数为0的位置，new_x对应位置也设置为0。遍历new_x数组并填入累计最大值。遍历结束后，获得处理后的频数数组。

剔除频数过大的箱。步骤如下：计算各箱子的相对密度，计算方式为频数除以最大频数。按相对密度对箱子进行排序，若存在最大相对密度大于第二相对密度的两倍时，认为存在频数过大的箱，将该箱的频数修改为第二相对密度的箱的频数。

使用三角阈值方法，获取窗口内存在峰值的信息熵阈值，可选择根据已标记的峰值数据，依照评估指标，确定增益系数，微调阈值，具体步骤如下：

两峰值点的选择，一个为左测边界值x0、y0，另一个为直方图的最大值点x1、y1。遍历信息熵分箱，箱子的x轴中心值作为x，箱子的频数作为y，计算（x，y）到两峰值点连线的垂直距离。垂直距离公式如下:

选择垂直距离最大的点的x坐标值作为初始信息熵阈值。

可根据已标记峰值数据，依照评估指标，确定增益系数，微调信息熵阈值，步骤如下：选择范围为0.9到1.1，步长为0.01数组，作为候选增益系数。遍遍历候选增益系数，已标识峰值点的频谱数据用作训练样本集。通过将初始设定的阈值与增益系数相乘，得到调整后的阈值。比较每个窗口的信息熵与调整后的阈值，若信息熵小于阈值，则判断该窗口存在峰值点。采用召回率作为关键性能指标，其计算公式为：召回率=真正例/(真正例+假负例)，其中真正例指的是那些实际含有峰值点且被模型正确识别为含有峰值点的窗口，而假负例则是那些实际含有峰值点但被模型错误地判定为不含有峰值点的窗口。寻找能够使召回率达到最大值的增益系数，然后将该系数与初始阈值相乘，实现阈值的精准微调。

S4，对窗口的信息熵和熵阈值进行比较，确认存在峰值的窗口，并寻找极值，替换极值以及半峰宽内的数据，重新计算窗口信息熵，比较信息熵和阈值的大小，重复此步骤，直至找到窗口内的所有峰值点；

具体地，步骤S4包括：计算各窗口的信息熵，将窗口信息熵与预设阈值进行比较，筛选出信息熵低于阈值的窗口，并将这些窗口认定为包含峰值；

定位窗口内的极值点，该极值点为峰值点，剔除这些峰值点及其左右半峰宽的数据，由窗口均值进行填补；

重复上述步骤，直至所有窗口的信息熵均高于阈值，捕获所有峰值点。

在本实施例中，阈值比较与峰值窗口的筛选，峰值点定位，数据替换与均值填充，循环执行这一过程，直至找到窗口内的所有峰值点。具体的，通过计算各窗口的信息熵并与预设阈值进行比较，筛选出信息熵低于阈值的窗口，这些窗口被认为包含峰值。随后，定位窗口内的极值点，即峰值点，并剔除这些峰值点及其左右半峰宽的数据，由窗口均值进行填补。这一过程循环执行，持续计算窗口信息熵、阈值比较、峰值点定位与替换，直至所有窗口的信息熵均高于阈值，从而捕获所有峰值点。

具体的，在本实施例中，信息熵与阈值进行比较，筛选出信息熵低于阈值的窗口，这些窗口被标记为‘包含峰值’的候选区域。在标记的窗口中，通过找极大值的方式，进一步定位峰值点。为了消除峰值对后续分析的影响，将识别到的峰值点及其左右半峰宽数据剔除，并用窗口的均值进行填补。以上过程循环执行，直至所有窗口的信息熵均高于阈值，从而捕获所有峰值点。

S5，限定峰值能量大小，两峰值点频率间隔需大于半峰宽，剔除噪声和不重要的信号。

具体地，步骤S5包括：确定最小峰值能量，剔除能量值小于最小峰值能量的峰；

确认半峰宽，当判断到两峰之间的间隔小于预设半峰宽时，表明两峰实际上是同一个信号成分的不同表现，保留能量更大的峰，并记录这段范围内的最大幅值及其对应的频率将该段范围内的所有点更新为最大幅值点的频率和幅值，同时清空频率缓存器和幅值缓存器；

遍历结束后，从更新后的频率数组和幅值数组中获取筛选后的峰值频率数组和幅值数组，以实现剔除噪声和不重要的信号。

在本实施例中，确定最小峰值能量。剔除能量值小于最小峰值能量的峰。确认半峰宽，若两峰之间的间隔小于某个半峰宽，则意味着两峰实际上是同一个信号成分的不同表现，保留能量更大的峰，以减少重复计数或误判。步骤如下：遍历频率数组x 和幅值数组 y，使用索引变量i。在每次迭代中，判断当前频率x[i]与上一个频率x[i - 1]之间的差值是否小于半峰宽。如果满足该条件，则将当前的频率x[i]和幅值y[i]加入到频率缓存器和幅值缓存器中，直到遇到当前频率x[i]与上一个频率x[i - 1]之间的差值大于半峰宽为止。在此过程中，记录这段范围内的最大幅值及其对应的频率，并将该段范围内的所有点更新为最大幅值点的频率和幅值，同时清空频率缓存器和幅值缓存器。遍历结束后，从更新后的频率数组和幅值数组中获取筛选后的峰值频率数组和幅值数组。

具体的，在本实施例中，各频率幅值反映了该频率成分的振动强度，强度过小的峰为我们不关注的峰，可通过与峰值点能量最小值比较，剔除能量较小的峰值点。两个相邻窗口监测到同一个峰时，会造成峰值的频率间隔小于半峰宽。为解决这一问题，按照半峰宽的大小，进一步筛选峰值点。

请参阅图2，本发明第二实施例还提供了一种基于信息熵算法的频谱峰值点检测装置，其包括：

转换单元201，用于获取设备运转时的振动批次数据，并对所述振动批次数据进行预处理，将所述振动批次数据中的时域数据转换成频谱数据；

信息熵计算单元202，用于采用滑动窗口技术对所述频谱数据进行滑窗切片处理，将频谱数据分段，对各窗口数据进行连续数据离散化处理，并计算其信息熵；

阈值计算单元203，用于将所述信息熵进行分箱处理，得到分箱后各箱子的边界值和频数，并利用三角阈值法获取窗口存在峰值的信息熵阈值，依照预设评估指标，根据已标记的记峰值数据，确定增益系数，微调信息熵阈值；

峰值点找寻单元204，用于对窗口的信息熵和熵阈值进行比较，确认存在峰值的窗口，并寻找极值，替换极值以及半峰宽内的数据，重新计算窗口信息熵，比较信息熵和阈值的大小，重复此步骤，直至找到窗口内的所有峰值点；

剔除单元205，用于限定峰值能量大小，两峰值点频率间隔需大于半峰宽，剔除噪声和不重要的信号。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种基于信息熵算法的频谱峰值点检测方法，其特征在于，包括：

获取设备运转时的振动批次数据，并对所述振动批次数据进行预处理，将所述振动批次数据中的时域数据转换成频谱数据；

采用滑动窗口技术对所述频谱数据进行滑窗切片处理，将频谱数据分段，对各窗口数据进行连续数据离散化处理，并计算其信息熵；

将所述信息熵进行分箱处理，得到分箱后各箱子的边界值和频数，并利用三角阈值法获取窗口存在峰值的信息熵阈值，依照预设评估指标，根据已标记的记峰值数据，确定增益系数，微调信息熵阈值；

对窗口的信息熵和熵阈值进行比较，确认存在峰值的窗口，并寻找极值，替换极值以及半峰宽内的数据，重新计算窗口信息熵，比较信息熵和阈值的大小，重复此步骤，直至找到窗口内的所有峰值点；

限定峰值能量大小，两峰值点频率间隔需大于半峰宽，剔除噪声和不重要的信号。

2.根据权利要求1所述的一种基于信息熵算法的频谱峰值点检测方法，其特征在于，获取设备运转时的振动批次数据，并对所述振动批次数据进行预处理，将所述振动批次数据中的时域数据转换成频谱数据，具体为：

获取设备运转时的振动批次数据，使用高通滤波器对所述振动批次数据进行滤波处理；

采用汉宁窗函数对滤波后的振动批次数据进行预处理，并使用FFT技术将所述振动批次数据中的时域数据转换成频谱数据；

保留频谱数据的正频率部分，构建幅度谱。

3.根据权利要求1所述的一种基于信息熵算法的频谱峰值点检测方法，其特征在于，采用滑动窗口技术对所述频谱数据进行滑窗切片处理，将频谱数据分段，具体为：

采用窗口大小与步长相等的滑动窗口技术，对所述频谱数据进行滑窗切片处理，窗长计算法公式为：

其中，为向上取整。

4.根据权利要求1所述的一种基于信息熵算法的频谱峰值点检测方法，其特征在于，对各窗口数据进行连续数据离散化处理，并计算其信息熵，具体为：

确认区间数量，根据窗口内幅值范围，计算区间宽度，区间宽度的计算公式为：区间宽度=(最大值 - 最小值) / 区间数量；

根据所述区间宽度将窗口数据划分成多个连续且不重叠的区间；

将区间内连续数据映射为区间的下限，生成离散化数组；

针对各窗口离散化处理后的数组，计算去重元素在窗口中出现的概率p和信息熵H(U)，信息熵计算公式为：

其中，n为去重元素，p_i为去重元素出现的概率。

5.根据权利要求1所述的一种基于信息熵算法的频谱峰值点检测方法，其特征在于，将所述信息熵进行分箱处理，得到分箱后各箱子的边界值和频数，具体为：

确定分箱数量为N，并基于信息熵的最小值和最大值，按照信息熵从小到大的顺序进行排序，等宽分成N个箱子，并遍历信息熵数组，将各信息熵映射至对应的箱子中，记录每个箱子的频数，获得箱子边界值和频数数组；

其中，对于频数为0的箱子，延续上一个非0频数，并剔除频数过大的箱子。

6.根据权利要求1所述的一种基于信息熵算法的频谱峰值点检测方法，其特征在于，利用三角阈值法获取窗口存在峰值的信息熵阈值，具体为：

选择两峰值点，其中，一个为左测边界值x0、y0，另一个为直方图的最大值点x1、y1；

遍历信息熵箱子，将箱子的x轴中心值作为x，箱子的频数作为y，并计算点（x，y）到两峰值点连线的垂直距离d，垂直距离公式为：

选择垂直距离最大的点的x坐标值作为初始信息熵阈值。

7.根据权利要求1所述的一种基于信息熵算法的频谱峰值点检测方法，其特征在于，依照预设评估指标，根据已标记的记峰值数据，确定增益系数，微调信息熵阈值，具体为：

选择一个附近、等间距数组，作为候选增益系数，遍历候选增益系数，选择已标记好峰值点的频谱数据作为训练集，并将初始设定的阈值与增益系数相乘，得到调整后的阈值；

比较每个窗口的信息熵与调整后的阈值，当判断到信息熵小于阈值时，认为信息熵小于阈值的窗口存在峰值；

使用召回率作为关键性能评估指标，选择召回率最高时的增益系数乘以初始阈值，以实现对阈值的精准微调，其中，召回率的计算公式为：召回率=真正例/(真正例+假负例)。

8.根据权利要求1所述的一种基于信息熵算法的频谱峰值点检测方法，其特征在于，对窗口的信息熵和熵阈值进行比较，确认存在峰值的窗口，并寻找极值，替换极值以及半峰宽内的数据，重新计算窗口信息熵，比较信息熵和阈值的大小，重复此步骤，直至找到窗口内的所有峰值点，具体为：

计算各窗口的信息熵，将窗口信息熵与预设阈值进行比较，筛选出信息熵低于阈值的窗口，并将这些窗口认定为包含峰值；

定位窗口内的极值点，该极值点为峰值点，剔除这些峰值点及其左右半峰宽的数据，由窗口均值进行填补；

重复上述步骤，直至所有窗口的信息熵均高于阈值，捕获所有峰值点。

9.根据权利要求1所述的一种基于信息熵算法的频谱峰值点检测方法，其特征在于，限定峰值能量大小，两峰值点频率间隔需大于半峰宽，剔除噪声和不重要的信号，具体为：

确定最小峰值能量，剔除能量值小于最小峰值能量的峰；

确认半峰宽，当判断到两峰之间的间隔小于预设半峰宽时，表明两峰实际上是同一个信号成分的不同表现，保留能量更大的峰，并记录这段范围内的最大幅值及其对应的频率将该段范围内的所有点更新为最大幅值点的频率和幅值，同时清空频率缓存器和幅值缓存器；

遍历结束后，从更新后的频率数组和幅值数组中获取筛选后的峰值频率数组和幅值数组，以实现剔除噪声和不重要的信号。

10.一种基于信息熵算法的频谱峰值点检测装置，其特征在于，包括：

转换单元，用于获取设备运转时的振动批次数据，并对所述振动批次数据进行预处理，将所述振动批次数据中的时域数据转换成频谱数据；

信息熵计算单元，用于采用滑动窗口技术对所述频谱数据进行滑窗切片处理，将频谱数据分段，对各窗口数据进行连续数据离散化处理，并计算其信息熵；

阈值计算单元，用于将所述信息熵进行分箱处理，得到分箱后各箱子的边界值和频数，并利用三角阈值法获取窗口存在峰值的信息熵阈值，依照预设评估指标，根据已标记的记峰值数据，确定增益系数，微调信息熵阈值；

峰值点找寻单元，用于对窗口的信息熵和熵阈值进行比较，确认存在峰值的窗口，并寻找极值，替换极值以及半峰宽内的数据，重新计算窗口信息熵，比较信息熵和阈值的大小，重复此步骤，直至找到窗口内的所有峰值点；

剔除单元，用于限定峰值能量大小，两峰值点频率间隔需大于半峰宽，剔除噪声和不重要的信号。