微弱电流检测

2024-05-20

微弱电流检测（精选7篇）

微弱电流检测篇1

摘要：准确度和稳定性是光学电流互感器(OCT)的主要性能指标。文中在自适应光学传感器的基础上进行研究和改进,提出采用新型的稳定性高的传感头设计与锁定放大器进行微弱光电信号检测相结合的方法,即在磁光传感系统中采用螺线管聚磁光路结构,并缩短磁光传感材料,提高OCT的长期运行稳定性,信号处理部分采用锁定放大器和与传统电流互感器互补结合的方法综合提高OCT的暂态和稳态准确度。最后通过虚拟仪器LabVIEW对检测系统进行仿真实验。

关键词：光学电流互感器,锁定放大器,运行稳定性,测量精度,输出信噪比

0 引言

随着数字化变电站的发展,以法拉第磁光效应[1,2]为原理的自适应光学电流互感器(AOCT)[3]逐步实现了实用化[4]。以往的AOCT传感部分通常采用顺磁性磁光材料以便于实现自适应光学传感过程[5],然而顺磁性磁光材料Verdet常数比较大,当AOCT测量暂态大电流时法拉第旋转角非常大,导致非线性误差及各谐波所引起的畸变比较大。为了进一步完善和发展AOCT,解决其存在的问题,本文在螺线管聚磁光学传感头中采用抗磁性磁光材料,并缩短磁光材料的长度,以减小AOCT的非线性误差及各谐波所引起的畸变,并进一步提高其长期运行稳定性。但此时AOCT测量小电流得到的光电信号主要被AOCT内部固有噪声影响,严重时会被湮没,其测量值存在较大误差。因此,如何有效地去除噪声的影响,同时得到高精度的数据以确保实现自适应光学传感过程是必须解决的问题。在原有AOCT的基础上,本文通过在信号处理部分采用锁定放大器(LIA),使得改进后的AOCT实现大范围电流的高精度测量,综合提高AOCT的暂态和稳态准确度。通过基于虚拟仪器LabVIEW的检测系统对本文提出的电流测量过程进行仿真实验。

1 AOCT的电流测量过程

根据对光学电流互感器(OCT)数学模型[4]的分析可知,被测电流包括50 Hz的基波电流及各次谐波电流,各种电流成分作用下的光学传感系统所表现的特性始终是一致的[1],而且外界对OCT的影响也不会由于电流成分的不同而有所变化。因此,基波电流与其他电流成分所对应的OCT的比例系数相同。AOCT的系统原理如图1所示。

图1中的稳态电流参考模型是以传统电流互感器为传感元件的电子式互感器,提供高精度的基波电流量测量。在电力系统稳态时,稳态电流参考模型的测量值经过横向滤波器组直接输出,同时光学传感元件OCT部分通过整周期累加平均法计算基本光强P0,利用稳态电流参考模型所测得的电流信号作为光学传感元件的锁定放大器部分的同频率基波参考信号,在稳态电流参考模型和光学传感元件所测得的电流信号经锁定放大器后应用自适应算法计算自适应校正系数。

由于采用基于电磁感应原理的电流互感器作为参考模型来提高其稳态测量精度,当电力系统发生故障时,稳态电流参考模型会因电流中出现的非周期分量产生磁饱和现象而导致严重的波形失真。因此,在电力系统出现故障后必须停止计算自适应校正系数,以避免稳态电流参考模型的失真波形影响OCT的输出,同时需要停止计算P0。由于电力系统中故障时间非常短,外界因素如温度等对光学传感元件的影响在暂态过程中是不变的,故障前后的自适应校正系数也就不变,此时系统采用故障前一时刻稳态所计算出的自适应校正系数,使故障后AOCT的准确度也达到参考模型稳态准确度的水平;同时可认为短时间内OCT中的P0不变,将稳态情况下计算出的P0代入,在后续电路中直接减去该值,通过滤波器组直接输出故障电流信息。故障后的校正参数并不是以故障后参考模型的输出为基础计算得到的,因此故障后由饱和等因素引起的参考模型输出误差不会影响AOCT的暂态准确度。另外,由于通过直接减去P0而得到故障电流,保留了非周期分量,解决了原OCT的单光源单探测器交流/直流法不能测量非周期分量的问题。

为了能将稳态测量期间所获得的自适应校正系数以及P0值应用到暂态测量中,以更好地消除温度、双折射等因素的影响,必须在电流突变瞬间就捕获突变时刻和突变量的大小。本文采用突变量检测方法,检测出电力系统由稳态向暂态转变瞬间会在被测电流中出现的奇异点,以闭锁基本光强的计算过程及校正参数的自适应算法。当电力系统发生故障时,通过突变量检测立即停止计算P0,利用暂态测量通道输出故障电流值,此时不经过稳态测量通道,因此停止计算新的校正参数,并采用故障前一时刻的P0和稳态所计算出的自适应校正系数,通过横向滤波器组直接输出,如图1中虚线所示。

需要指出的是,由于在稳态电流参考模型和光学传感元件的输出信号之后都采用了锁定放大器,因此改进后的AOCT有效地抑制了AOCT内部噪声,提高了信噪比。在保证AOCT的非线性误差及各谐波畸变很小的前提下,提高了改进AOCT对大范围电流测量的精确度和其暂态及稳态准确度。

2 锁定放大器

将锁定放大器应用到AOCT微弱信号系统中,对光电探测器中的噪声[6]有很好的抑制作用。本文采用了正交矢量型锁定放大器[7]进行AOCT微弱信号的检测,其系统结构如图2所示。

电力系统稳态运行时,在不考虑谐波输出的情况下,对于被测稳态电流i=Imsin(ωt+φ),光电探测器输出的电压信号为[4]:

u(t)=P0(1+2θ)=P0+2P0VImsin(ωt+φ) (1)

式中:θ为法拉第旋转角;V为磁光材料的Verdet常数。

经过整周期累加平均方法可得P0,在后续电路中减去该值,即可得到携带有用电流信息的交流量,通过带通滤波器(BPF)及前置放大器后的输出信号为:

$V_{s} (t) = V_{s} \sin (ω t + φ) + n (t) (2)$

式中:Vs=2k1P0VNIm。

忽略光电探测器中白噪声,通过BPF后变成的以ω为中心频率的窄带噪声为n(t),选择参考信号为Vr1(t)=sin ωt,Vr2(t)=cos ωt,则相敏检测器PSD1的输出为:

up1(t)=-0.5Vscos(2ωt+φ)+0.5Vscos φ (3)

相敏检测器PSD2的输出为:

up2(t)=0.5Vssin(2ωt+φ)+0.5Vssin φ (4)

通过LPF和GDC后,便可以得到同相输出I和正交输出Q:

$\begin{array}{l} Ι = 0.5 k_{2} V_{s} \cos φ = V_{0} \cos φ (5) \\ Q = 0.5 k_{2} V_{s} \sin φ = V_{0} \sin φ (6) \end{array}$

根据 $V_{0} = \sqrt{Ι^{2} + Q^{2}}, θ = \arctan (Q / Ι)$ 可计算有用电压信号的幅值和被测信号与参考信号的相位差,然后通过电流和电压的转换系数得到被测电流的信息。

考虑窄带噪声n(t)的影响[8],n(t)可分解为:

$n (t) = n_{c} (t) \cos ω t - n_{s} (t) \sin ω t (7)$

式中:nc(t)和ns(t)是2个相互独立的低频平稳随机过程,它们的均值都为0,幅度分布为高斯分布,功率谱密度在-B/2~B/2带宽范围内恒定为N0/2,且nc(t)和ns(t)的功率相同,都等于n(t)的功率。

n(t)Vr1(t)=(nc(t)cos ωt-ns(t)sin ωt)sin ωt=

0.5nc(t)sin 2ωt+0.5ns(t)cos 2ωt-

0.5ns(t) (8)

n(t)Vr2(t)=(nc(t)cos ωt-ns(t)sin ωt)cos ωt=

0.5nc(t)cos 2ωt+0.5nc(t)-

0.5ns(t)sin 2ωt (9)

噪声的和频项被滤除后,其噪声分别主要表现为-0.5ns(t)和0.5nc(t),且由于nc(t)和ns(t)的均值都为0,通过长时间的积分作用后,可大大滤除噪声。

由此可见,虽然磁光材料的缩短会使得改进AOCT输入信噪比降低,但其非线性误差及各谐波的畸变很小,所受外界温度干扰的影响也大为降低,使得其长期运行稳定性大为提高;同时,通过微弱信号检测过程可看出在信号处理部分采用锁定放大器能有效抑制光电探测器的主要噪声,将信号从噪声中分离出来,输出最初正确的微弱电流信号,从而提高了改进AOCT的输出信噪比和测量精度。

3 AOCT交流电流检测实验

为了检验改进AOCT的测量性能,需要进行交流电流的检测实验。实验电路如图3所示。

实验采用的设备包括调压器、400匝螺线管、滑线变阻器(取值100 Ω)、47 μF电容器、用于测量线路电流的PROVA-11型微电流交直流钳形表、HKA0.5-NP霍尔小电流传感器、LXYA 100 V/3.5 V微型精密高精度变换器、NI USB-6251数据采集卡。由于在实验室中没有直接产生600 A~1 000 A的大电流发生器,为此采用提高安匝数的办法将通过螺线管的小电流等效放大,以达到发生大电流的效果。需要强调的是,在实验中所采用的螺线管不是前文所述的光学传感系统中通过一次大电流的聚磁螺线管。在实际应用中,AOCT光学传感系统中的聚磁螺线管的匝数通常是几匝。

NI USB-6251是一款高速多功能数据采集模块,在高采样率下也能保持高精度。通过DAQ Assistant软件可以实现数据采集并将模拟信号与所编写好的LabVIEW程序[9,10]相连。本文采取用传统电流互感器作为参考信号,经移相得到正交的参考信号,计算AOCT测量值与电流互感器测量值,并得到两信号在噪声情况下的测量误差。AOCT信号检测结构如图4所示。

由于实验在非恒温条件下进行,所采集的AOCT和传统电流互感器信号会受到温度变化的影响,因此需要在运行一段时间后重新计算其整定值。调节接触调压器输出所要测量的AOCT信号和电流互感器信号,采样率选择10 kHz,被测信号频率为50 Hz,采样点数为105时,连续运行400次,记录每次AOCT测量值与电流互感器测量值之间的电流幅值最大误差,如图5所示。

实验结果证明AOCT与电流互感器通过锁定放大器后的测量值误差在0.2%以内,检测系统能有效滤除噪声,提高了输出信噪比和测量准确度。

4 结语

本文在采用AOCT中的螺线管聚磁光学传感头的基础上,改用抗磁性材料并缩短磁光材料的长度,提高了OCT的长期运行稳定性。在信号处理部分采用锁定放大器和与传统电流互感器互补结合的方法综合提高OCT的暂态和稳态准确度。同时,利用LabVIEW对检测系统进行了仿真实验,证明检测系统能有效滤除噪声,提高了输出信噪比和测量准确度。

感谢华北电力大学校内博士学位教师基金的资助。

参考文献

[1]张甦英,王玉宏,黄健.基于电子剪切散斑干涉技术的光学电流互感器.电力系统自动化,2007,31(17):83-86.ZHANG Suying,WANG Yuhong,HUANG Jian.An optical current transducer based on the electronic speckle-shearing patterninterferometer.Automation of Electric Power Systems,2007,31(17):83-86.

[2]王夏霄,张春熹,张朝阳,等.一种新型全数字闭环光纤电流互感器方案.电力系统自动化,2006,30(16):77-80.WANG Xiaxiao,ZHANG Chunxi,ZHANG Chaoyang,et al.A new all digital closed-loop fiber optic current transformer.Automation of Electric Power Systems,2006,30(16):77-80.

[3]李岩松,张国庆,于文斌,等.提高光学电流互感器准确度的组合方法.电力系统自动化,2003,27(19):43-47.LI Yansong,ZHANG Guoqing,YU Wenbin,et al.Combined method to improve the accuracy of optical current transducer.Automation of Electric Power Systems,2003,27(19):43-47.

[4]李岩松,郭志忠,杨以涵,等.自适应光学电流互感器的基础理论研究.中国电机工程学报,2005,25(22):21-26.LI Yansong,GUO Zhizhong,YANG Yihan,et al.Research on the basic theory of adaptive optical current transducer.Proceedings of the CSEE,2005,25(22):21-26.

[5]李岩松,刘君.自适应光学电流互感器的信号处理方法.电力系统自动化,2008,32(10):53-56.LI Yansong,LI U Jun.Signal processing method for adaptive optical current transducer.Automation of Electric Power Systems,2008,32(10):53-56.

[6]叶嘉雄,常大定,陈汝均.光电系统与信号处理.北京:科学出版社,1997.

[7]高晋占.微弱信号检测.北京:清华大学出版社,2004.

[8]陈佳圭.微弱信号检测.北京:中央广播电视大学出版社,1987.

[9]尚秋峰,杨以涵,于文斌,等.光电电流互感器测试与校验方法.电力系统自动化,2005,29(9):77-81.SHANG Qiufeng,YANG Yihan,YU Wenbin,et al.Test and calibration of optical electrical current transformer.Automation of Electric Power Systems,2005,29(9):77-81.

[10]陈锡辉,张银鸿.LabVIEW8.20程序设计从入门到精通.北京:清华大学出版社,2007.

微弱电流信号测量系统的设计篇2

本文设计的微弱电流测量系统采用高阻抗低漂移的运算放大器构成的电流电压转换电路将微弱电流的变化转换成电压信号的变化，然后通过前置放大、信号调理。再将该模拟信号送入STM32单片机进行A/D转换、信号处理以及数字显示。

1 系统硬件设计

本系统硬件设计的关键就是通过把电流测量电路和计算机应用技术联系起来应用来实现高精度微弱电流信号的测量。用于测量的微弱电流我们采用光纤传感器和PIN二极管来提供。光纤传感器的输出光强与光纤传感器的输入电流呈线性关系。而PIN二极管在本设计中将作为光电二极管来使用。它将光纤传感器的光强变化转换成微弱电流的变化，送入测量系统。由于PIN二极管的输出电流非常小，所以测量系统将先对该信号进行前置放大，同时依靠前置放大电路中的电流电压转换电路将电流信号转换成电压信号。由于放大后的电压信号还不能达到单片机处理的大小，所以在前置放大之后又加入了信号调理电路。完成调理的信号将通过单片机完成A/D转换、信号处理及数字显示的过程。图1为整个系统的硬件结构简图。

1.1 前置放大电路的设计

PIN二极管可以产生与照度成正比的小电流，图2给出了PIN二极管的等效电路。

本设计要求的是对微弱电流信号的高进度测量而不要求其有很高的切换速度，因而PIN二极管采用光伏模式。为了将PIN二极管产生的微弱的电流信号转换成电压信号，本设计是使用一个运算放大器做为电流-电压转换电路，前置放大电路的电路图如图3所示。二极管偏置有运算放大器的虚地维持在零电位上，短路电流被转换成电压。PIN二极管的输出电流的数量级为10-8A,所以设计的前置放大电路的放大倍数大约是104～105之间。

1.2 信号调理电路的设计

为了实现使用单片机对于数据的处理，因此对于经过前置放大后的信号还需要进行必要的处理。因为虽然在前置放大电路部分电压信号经过了放大，但是其输出也只能达到mV级，而这个数要要用AD转换器对其进行处理，AD转换器的输入电压要求达到5～10V的数量级，因此前置放大器的输出还需要一个具有放大功能的信号条理电路对其进行条理。具体的电路如图4所示。

1.3 单片机数据处理电路

经过处理后的模拟量，将首先依靠单片机进行A/D转换，然后进行数据的处理以及最后的数据显示。

在本设计中，我们采用STM32单片机进行最后的数据处理。STM32系列是基于专为要求高性能、低成本、低功耗的嵌入式应用专门设计的ARM Cortex-M3内核，它除了比传统的单片机有更高的性能以外，还能通过USB接口与电脑进行通信。

系统的主流程图如图5所示。

2 实验结果及分析

图6是根据实验数据绘制出来的曲线。在光强很弱的时候，输出电压并不是和输入电流成线性关系，而且输入电流为零时，输出电压并不为零。因为实验并不是在理想的环境中进行的，存在着外部杂散光的影响，此时相对信号光来说，外部干扰可以与其相当，所以对测量精度的影响很大。当光强增加的时候，二者基本上是线性关系，随着光强的增加，外部干扰相对减弱。当光强增加到一定程度的时候，输出电压不再变大，这是由放大器本身所决定的，放大器采用双电源供电，供电电压为±5V。所以设计电路的电压输出最大值被控制在+5V以内，由于放大器以及电路的影响一般要比+5V要小，而这个设计电路的满度输出即为+4.254V，当输入电流达到7以后，输出电压就已经满度输出，因此当输入电流继续增加，输出电流都不再变化。

3 结束语

实验数据表明，该系统可以对较微弱的电流信号进行直接且精确的测量。同时也可以间接的应用于其他方面的测量，例如温度的变化，压力的变化等等，先把它们的变化转化为电流信号，就可以很精确的检测出它们所发生的即使是很微弱的变化。

摘要：随着微电子技术的迅速发展,电子产品已经进入了国民经济的各个领域。展望21世纪,信息高速公路的开通,以计算机为核心的多媒体信息网将进入千家万户,对人类社会的生活方式将再一次进行重大的变革,其前途不可限量。同时,对于测量技术也是一样的,当测量电路与计算机接轨以后,测量一起以其测量精度高、测量的速度快、以及操作的简便性价比高而得到了广泛的发展和应用。

关键词：光纤传感仪,自发辐射过程,激光辐射过程,多媒体信息网

参考文献

[1]传感器的接口及信号调理电路[M].北京:国防工业出版社,1984.

[2]高光天.传感器与信号调理器件应用技术[M].张伦,冯新强,吴常津,编译.北京:科学出版社,2002.

[3]STMicroelectronics.STM32 Reference Manual[Z],2008.

生物微弱信号检测与分析篇3

关键词：QNX,PC/104控制器,力平台

0前言

随着科学技术的深入发展, 微弱特征信号的检测在国民经济及军事等领域有广泛应用。在军事变革的趋势下, 武器装备向着隐形化、信息化发展, 提升对隐形战机、潜艇的侦查能力至关重要。在国民经济中适用范围更广, 包括光、磁、热、声、电、力学、生物、通信、地震、机械、医学及材料等领域。如工业测量, 生物电测量, 医学信号处理以及机电系统的状态监测都会遇到微弱信号监测问题[1]。微弱信号检测是一门综合技术, 涉及信息理论、电子学、非线性科学、信号处理及计算机技术等学科, 是研究提取有用信号的一种新技术。微弱信号检测方法与理论日新月异。从传统的时域平均法、同步相关检测、频谱分析到最近发展的小波分析、混沌理论、神经网络等, 在微弱信号检测中均有广泛应用[2]。

1 方法

为了更精确地采集生物微弱信号, 本实验要求被测者静止直立站位于力检测平台中心, 用力传感器实时采集人体重心数据并通过C编程实时显示重心点的运动轨迹, 通过力检测平台采集人体重心数据并经串口传送给上位机, 由上位机软件对数据进行分析、显示和存储, 应用混沌理论中的方法对数据进行处理, 得到相关参数, 并进行结果分析, 可以得到一个评估受试者平衡能力的指标。静态站位评测系统由以下四部分组成:PC/104模块, AD与嵌入式单片机, 显示装置和人体压力中心 (center of pressure, COP) 检测装置。完整的评测系统如图1所示。

操作系统采用加拿大QNX软件系统公司开发的一种分布式、多用户、多任务嵌入式实时操作系统——QNX操作系统。对比Windows操作系统而言, QNX操作系统可靠性更高, 速度更快, 实时性更强。QNX操作系统对力检测平台采集的数据进行读取和保存。

系统控制器采用PC/104单板微机作为中央处理器, 该模块与PC总线系统在体系结构、软硬件方面完全兼容, 开发者可以很快掌握其软、硬件的使用。费用低, 风险小, 大大的缩短了产品的开发周期;同时它采用了适于嵌入式应用的紧凑型堆栈式结构, 体积小、重量轻、可靠性高、配置灵活, 因此在工控领域得到了广泛的应用。

实验对象为男女比例1:1的20名健康的大学生。测量时, 在一间安静的屋内, 要求被测者双脚站立于力检测平台中心, 上身自然站立, 双手自然下垂于身体两侧, 不能扭头、人为晃动身体。本研究提出一种新的评价指标, 将人体平衡能力定义为最大Lyapunov指数 (largest Lyapunov exponent, LLE) [3]。

现将20名被测者详细实验数据的LLE的数据以柱状图的形式显示于图2。

2 结论

随着电子技术的不断发展, 微弱信号的检测能力得到了大大提高。所有信号检测仪器正朝着微元化、数字化发展。本文设计了一套生物微弱信号采集系统, 具有结构简单、响应速度快、可靠性及精确度高的特点, 实现了程序化、数字化。为精确采集生物微弱信号提供了强有力的支持。

参考文献

[1]高晋占.微弱信号检测[M].清华大学出版社有限公司, 2004.

[2]江国舟, 江超.微弱信号检测的基本原理与方法研究[J].湖北师范学院学报 (自然科学版) , 2001 (04) :45-52.

微弱电流检测篇4

针对待测信号是大参数条件，冷永刚、赖志慧等人提出了利用二次采样的方法来实现大参数随机共振[6,7]，林敏、夏均忠等人提出了调制随机共振[8,9]。在研究以上方法的基础上本文提出了系统参数调整法，不需要对待测微弱信号进行预处理，通过对系统参数的调整直接将待测大参数信号输入非线性系统就能实现随机共振。

1 双稳系统随机共振模型

在随机共振的研究中，采用二阶Duffing振子非线性系统，其Langevin方程[10]如下:

式(1)中，k为阻尼比系数，U(x)为非线性系统势函数，s(t)表示外加微弱信号且s(t)=Acos(2πft),x表示系统输出信号;n(t)是均值为0，噪声强度为D的高斯白噪声，满足

白噪声可以表示为

式(3)中，σ2表示噪声方差，ξ(t)表示均值为0，方差为1的高斯白噪声。方程(1)描述了双势阱粒子收到驱动信号s(t)，随机力n(t)共同作用时，在过阻尼条件下的运动。令系统势函数为计算可知系统势函数存在一个势垒点(x=0)和两个势阱点()，当非线性系统中只收到周期驱动力s(t)作用的时候存在系统临界值当A<Ac时，粒子只能在单个势阱中运动而不能越过势垒完成跃迁;当A≥Ac时，粒子将越过势垒做大范围的跃迁运动。这是由于足够大周期驱动力引入，使得粒子能够越过势垒，从而打破系统的平衡。然而，将驱动信号噪声同时加入非线性系统时，即使A<Ac时，只要系统、信号和噪声达到最佳匹配，随着周期驱动力和噪声的系统作用，将噪声部分能量转移到信号能量，从而放大信号，实现随机共振，并且在系统输出功率谱中出现谱峰值特征。

当输入信号满足绝热近似理论的小参数条件时，设输入正弦信号幅值A=0.1，频率f0=0.01 Hz，采用频率fs=5 Hz，噪声强度D=0.4，系统参数a=b=1。将以上参数带入方程(1)，采用四阶RungeKutta算法进行数值求解，采样点数为4 096，图1(a)和(b)为未加入噪声系统输入波形和输出功率谱图，图1(c)和(d)为加入适量噪声的系统输出波形和功率谱图，由图1分析可知，即使输入信号幅值小于临界值，只有加入适当的噪声使得系统产生协同效应，系统就能达到随机共振。

2 大参数随机共振

2.1 信号频率为大参数

基于绝热近似理论的随机共振产生条件中，输入信号频率必须满足其中rk为Kramers逃逸率[11,12]，其表达式为

当参数a=b=1时，由式(4)可以计算出Kramers逃逸率极限值因此，双稳Duffing系统随机共振只能在频率为小参数条件下实现，理论上输入信号频率必须满足0<f0<0.112 Hz。将双稳系统势垒ΔU=a2/4b代入式(4)得

从Kramers逃逸率极限值可以看出，增大参数a可以使极限值rklim增大，由式(5)可知，随着参数a的增大，rk将更快的减小并趋于0，因此只调整参数a并不实现大频率信号的随机共振。增大参数b可以使rk增大趋近于极限值rklim，但是并不能改变极限值rklim的大小，因而只调整参数b也不能实现大频率信号的随机共振。由此可知，只有同时对参数a、b进行调整，使得rk、rklim能够同时增大，即rklim增大，ΔU变小，这样才能实现大频率信号随机共振。令a2=Ra,b2=R3b(R≥1)，代入式(1)得

经过参数调整，rklim 1=Rrklim，ΔU2=ΔU/R。因此只需要调整适当的R就能实现大频率随机共振。

2.2 噪声强度为大参数

当输入信号中包含高强度噪声[13](即噪声强度D>>1)，双稳系统将会产生过共振，使得微弱信号特征难以被检测。大量的仿真数据表明，调整阻尼比k能够改变系统输出功率谱的形状特征。当阻尼比k越小，功率谱中高频成分越多，低频成分越少然而当阻尼比k越大，功率谱中高频成分越少，低频成分越多，说明了阻尼比k决定了噪声能量的转移特性。由此可知，只有选择适当的阻尼比k才能使得系统在某一特定噪声强度下达到最佳随机共振输出。

3 数值仿真分析

3.1 输入微弱信号频率为大参数

设输入正弦信号幅值A=0.1 V，频率f0=5Hz，采样频率fs=100 Hz，噪声强度D=0.4，取Duffing方程系统参数k=0.5,a=b=1。系统输出信号波形及功率谱如图2(a)和(b)，由图2(a)、(b)可以看出，大频率信号经过未经调整的双稳系统之后，输出信号中仍然包含较多的噪声信号，所以波形也较为混乱，从功率谱图中可以看出，在频率f0=5 Hz处也没有出现谱峰值，由此可知系统未能产生随机共振。令R=100，即理论上最大可以满足频率为1.12 Hz<f0<11.2 Hz的信号产生随机共振。调整参数后系统输出信号波形及频率如图2(c)和(d)，由图2(c)和(d)可以看出，系统输出信号中只包含少部分噪声信号且波形较为整洁，输出信号频谱中f0=5 Hz也出现了谱峰值特征。由以上分析可以得出结论，通过调整系统参数，能够实现大频率信号随机共振。

3.2 输入微弱信号噪声强度为大参数

设输入正弦信号幅值A=0.1 V，频率f0=0.01Hz，采样频率fs=5 Hz，噪声强度D=5,Duffing方程系统参数k=0.5，α=β=1。系统输出信号功率谱如图3(a)，由图可知噪声强度过大使得系统不能产生随机共振，微弱特征信号湮没在噪声中不能被识别。调整阻尼比参数分别为1.2,1.9和2.6，其系统输出功率谱如图3(b)、(c)和(d)。从功率谱图中可以看出对于噪声强度D=5的输入信号，在k=1.9即图3(c)的时候达到最佳系统输出，从而产生随机共振。在特征频率f0=0.01 Hz处出现了明显的谱峰值特征，由图3(b)可以看出，当阻尼比较小的时候系统输出功率谱包含大量的高频成分，然而由图3(d)可以看出，当阻尼比较大的时候系统输出功率谱中又包含过多的低频成分，由此可见在阻尼比k=0.5,1.2,2.6的时候系统都不能实现最佳系统输出，使得特征信号难以识别。

4 结论

微弱电流检测篇5

关键词：级联分段线性系统,随机共振,降噪,故障诊断

0 引言

随机共振 (stochastic resonance, SR) 的概念是意大利学者Benzi等[1]在1981年研究古气象冰川问题时提出的, 其独特的微弱信号检测机制使它成为近年来弱信号检测领域的研究热点之一。SR的基本思想如下:在一个非线性双稳系统中, 当仅在小信号的周期驱动下时, 不足以使系统响应在两个稳态间进行跃迁, 但当有噪声协助时, 系统响应会按小信号的频率在两稳态间进行切换, 最终达到强化周期信号的效果。

现有的信号降噪方法如经验模态分解 (empirical mode decomposition, EMD) [2]、奇异值分解降噪[3]等, 其主要思想大都是立足于抑制噪声以增大信号的信噪比。但这些方法在降低噪声的同时, 也削弱了微弱信号。与传统的弱信号检测机制相比, SR的不同之处在于它是利用噪声甚至只有增大噪声才能检测到微弱信号, 通过调节双稳系统结构参数和噪声强度来实现微弱信号的检测。经典SR理论只适用于小参数信号 (幅值、频率和噪声强度远小于1) 。这极大地限制了SR在工程领域中的应用, 近年来, 对于大参数信号发生随机共振的研究已取得了一定成果, 研究者们相继采用了归一化变换随机共振[4]、调制随机共振[5]、变尺度随机共振[6]、变尺度频移随机共振[7]等方法, 使大参数信号实现了随机共振, 这些方法的使用极大地拓宽了随机共振在工程实际中的应用领域。以上研究大多是以经典的双稳态模型展开的。文献[8]提出了一种分段线性双稳态模型, 并证明了该模型相对于连续双稳态模型的优越性, 最后通过硬件电路进行了微弱信号检测的实验研究。文献[9]对大参数信号的分段线性随机共振进行了仿真分析。分段线性模型的提出进一步提前了随机共振处理强背景噪声下微弱信号的能力。当噪声强度更大时, 可以通过分段线性系统级联的形式, 将高频噪声能量不断向低频部分转移, 达到降噪目的。文献[10]验证了级联双稳系统的低通滤波特性, 并成功应用于轴承的故障诊断。文献[11]研究了级联双稳随机共振下的EMD分解, 级联双稳系统在去除高频噪声的同时, 减少了EMD的层数。

结合利用分段线性模型随机共振方法处理强噪声下弱信号的优点, 本文提出一种基于级联分段线性系统检测微弱信号的方法。仿真分析和实验结果表明, 该方法可以提高信噪比, 实现滚动轴承微弱信号的检测。

1 随机共振理论

1.1 双稳系统随机共振模型

随机共振利用输入信号和噪声的非线性系统中的协同作用, 将噪声能量部分转移到有用信号, 产生共振输出, 使信号能量增强, 从而达到识别微弱信号的目的。随机共振产生的三个条件是:非线性系统、输入周期信号和噪声。且三者达到最佳匹配时, 随机共振对信号的放大作用最明显。在研究中最常用的随机共振模型是双稳态系统, 双稳态系统的郎之万方程[4]为

式中, s (t) 为输入信号;U (x) 为势函数;a、b为双稳系统大于0的结构参数;n (t) 为噪声信号;D为噪声强度;ξ (t) 为高斯分布白噪声。

n (t) 满足如下条件:

式中, σ (τ) 为信号的统计特性。

双稳系统U (x) 在信号s (t) 和噪声n (t) 的协同作用下, 输出随机共振响应x (t) 。双稳系统描述了一个过阻尼质点的布朗运动。在没有噪声和调制作用时, 质点处于两个势阱中的任意一个势阱, 由系统的初始状态决定。如图1所示, 势函数在处有极小值U (x) =-a2/4b, 在x=0处有极大值U (x) =0, 势垒高度ΔU=-a2/4b, 左右两外侧曲线与轴U (x) =0相交于。当外部输入为0时, 势能最小, 系统响应x (t) 处于势阱的最低点。当给系统输入一个微弱信号s (t) 时, 输出响应x (t) 只能在一个势阱内运动;当同时输入微弱信号和噪声时, 噪声部分能量将会转移给信号能量, 造成两双稳态势阱位置之间的差值ΔU远大于输入信号的幅值, 使得输出信号幅值被有效放大, 从而提高了输出信号的信噪比。

1.2 分段线性随机共振模型

分段线性随机共振数学模型[8]的势函数为

其中, a1>b1>0, c1>0, 均为实参数。势函数U1 (x) 的图形如图1所示, 曲线由一条分段线性函数组成, 左右外侧与横坐标轴交x=a1, 在x=±b1处, 系统有极小值U1 (x) =-c1, 在x=0处, U1 (x) =0。势阱底部位于x=±b1处, 仅与参数b1有关。势垒高度ΔU=c1, 仅与参数c1有关。

根据式 (1) , 系统模型可以写为如下形式:

其中, H (t) =K (s (t) +n (t) ) , s (t) 和n (t) 同式 (1) , K为系数。对于大频率信号, 分段线性模型也可以处理。当频率大于1的信号被输入模型时, 通过增大系统参数c1来达到加深势阱深度的目的, 同时, 加大信号幅值放大倍数K使其发生随机共振[9]。然后采用四阶Runge-Kutta法对双稳系统的微分方程进行求解即可。

图1所示两种势函数具有相同的势垒高度和势底位置。对比两曲线可知, 分段线性模型要想改变势垒高度ΔU大小, 调节系统参数c1即可, 要想改变势底位置调节b1即可, 单独调节b1和c1互不影响。而对于双稳系统模型要达到同样的目的则需同时调节a和b。另外, 前者可通过调节单个参数a1来改变势函数左右外侧线与横坐标的交点, 而后者则无法改变势函数的局部形状。显然, 在调节参数个数增加的前提下, 前者参数调节更容易和灵活。

1.3 级联分段线性随机共振

将若干个分段线性系统串联, 就形成了级联分段线性系统, 其结构如图2所示, 其中x1 (t) 、x2 (t) 、…分别为第一级分段线性系统Uα (t) 、第二级双稳系统Uβ (t) 、…的输出信号。分段线性系统的级联用来将高频能量不断地向低频转移, 这样高频成分逐渐被滤除, 低频成分凸显, 达到良好的降噪效果。

2 仿真信号分析

为了验证级联分段线性模型检测信号的能力, 对仿真信号x (t) =0.3cos (2π×0.01t) 进行分析, 采样频率fs=10Hz, 采样点数N=8000。图3为叠加噪声 (强度D=0.5) 后的时域波形和频域图。对于分段线性模型参数, 取参数a1=1.5, b1=1, c1=0.25 (势函数如图1所示) , 得到的第一级级联分段线性随机共振系统输出信号和频谱图见图4, 第二级级联分段线性随机共振系统输出信号和谱图见图5, 从这3个图中可以看到, 高频噪声随着级联次数的增加而减少, 时域波形越来越光滑, 频谱能量越来越集中在低频成分上, 说明分段线性系统和级联分段线性系统均具有良好的降噪性能。在模型的势垒高度、势阱位置相同, 输入信号和噪声完全相同情况下, 得到如图6和图7所示的第一级和第二级级联双稳随机共振系统 (参数为a=b=1) 输出信号波形和频谱, 可以看出, 虽然双稳系统及其级联也达到了较好的降噪效果, 但仔细观察图5和图7, 发现图5第二级分段线性系统输出信号振幅变大, 而图7所示第二级双稳系统输出信号振幅相对平稳, 这是由于双稳模型的响应一旦越过势垒就趋于饱和, 振幅不再增大, 而分段线性模型随着输入信号的增强, 输出信号振幅成倍增强。也正是由于分段线性模型的这种特性, 使它比双稳模型具有更强的在强背景噪声下检测信号的能力。

3 应用实例

滚动轴承的故障信号具有典型的非平稳性、调制性和微弱性。本文采用级联分段线性随机共振对这种微弱故障进行检测分析。选用美国Case Western Reserve University[12]电气实验室滚动轴承故障实验数据。实验装置中轴承采用6205-2RS SKF深沟球轴承, 轴承转速为1772r/min, 计算得转频fr=29.53Hz, 轴承结构参数如表1所示。

滚动轴承的内圈故障特征频率按下式计算:

式中, n为滚子个数;Dz为轴承节径;d为滚子直径;α为轴承压力角。

采样频率为12kHz, 采样点数为4800, 由式 (6) 计算得内圈故障频率fi=159.93Hz。内圈故障信号波形如图8所示。时域波形存在较为明显的周期性冲击成分, 而在频域图中看不到明显的低频故障特征, 只能看到频谱能量分布在一个很宽的频率范围内。对图8所示的故障信号依次进行第一级 (参数a1=1.05, b1=1, c1=100, K=50 000) 和第二级 (参数a1=1.05, b1=1, c1=800, K=20 000) 分段线性随机共振处理, 输出信号波形和频谱如图9、图10所示。由图9中频谱可以得知, 通过第一级分段线性系统后, 频率成分高于3kHz的被滤掉, 同时, 低于500Hz的频率成分出现了, 这一现象说明分段线性系统可以滤掉高频成分, 把能量转移到低频区域, 这时故障频率fi出现, 大小为159.7Hz。然而, 在故障频率fi附近仍然存在一些幅值较大的干扰成分, 对故障识别造成一定影响。为此, 对信号进行第二级分段线性随机共振, 由图10中频谱看出, 高频成分被进一步滤掉, 低频特征得到凸显, 并且159.7Hz的频率非常明显。对比图8中的频谱, 图10中fi清晰可见, 从而确定了故障频率。由于分段线性模型不存在饱和现象, 使得图10输出信号振幅随着输入信号幅值的增大而成倍增大。

图11和图12分别为采用二次采样小参数化得到的第一级和第二级双稳随机共振系统 (参数a=0.001, b=1) 输出信号及频谱, 双稳系统的级联取得了较好的降噪效果, 但是对于双稳系统, 为了达到最优效果, 需要同时调节相互关联的参数a和b, 而对于分段线性系统, 参数a1、b1和c1是不关联的, 调节起来更为灵活方便。

4 结论

本文在研究典型非线性系统———双稳系统的随机共振发生机理和条件要求的基础上, 提出了一种基于级联分段线性随机共振系统的滚动轴承微弱故障检测方法。对分段线性模型和双稳模型的势函数进行了对比分析, 通过数值计算, 考察了相同条件下两种模型分别进行一级和二级级联时在强噪声背景下提取微弱周期信号的效果。分段线性模型随着输入信号的增大振幅不断加大, 可以适应更低信噪比信号检测。利用该模型的级联, 可以逐步消除高频噪声, 加强低频信号能量。滚动轴承内圈故障信号的验证结果表明, 该方法可以提高信噪比并有效检测出强噪声背景下的微弱信号, 准确提取出故障信息。

参考文献

[1]Benzi R, Sutera A, Vulpiana A.The Mechanism of Stochastic Resonance[J].Journal of Physics A:Mathematical and General, 1981, 14:453-257.

[2]Huang N E, Shen Z, Long S R.The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-stationary Time Series Analysis[J].Proceedings of the Royal Society of London, 1998, 454 (1) :903-995.

[3]赵学智, 叶邦彦, 陈统坚.基于小波奇异值分解差分谱的弱故障特征提取方法[J].机械工程学报, 2012, 48 (7) :37-47.Zhao Xuezhi, Ye Bangyan, Chen Tongjian.Extraction Method of Faint Fault Feature Based on Wavelet-SVD Difference Spectrum[J].Journal of Mechanical Engineering, 2012, 48 (7) :37-47.

[4]陈敏, 胡茑庆, 秦国军.参数调节随机共振在机械系统早期故障检测中的应用[J].机械工程学报, 2009, 45 (4) :131-135.Chen Mi, Hu Niaoqing, Qin Guojun.Application of Parameter-tuning Stochastic Resonance for Detecting Early Mechanical Faults[J].Journal of Mechanical Engineering.2009, 45 (4) :131-135.

[5]林敏, 黄咏梅.调制与解调用于随机共振的微弱周期信号检测[J].物理学报, 2006, 55 (7) :3277-3282.Lin Min, Huang Yongmei.Modulation and Demodulation for Detecting Weak Periodic Signal of Stochastic Resonance[J].Acta Physica Sinica, 2006, 55 (7) :3277-3282.

[6]Leng Yonggang, Wang Taiyong, Guo Y, et al.Engineering Signal Processing Based on Bistable Stochastic Resonance[J].Mechanical Systems and Signal Processing, 2007, 21:138-150.

[7]Tan Jiyong, Chen Xuefeng, Wang Junying, et al.Study of Frequency-shifted and Re-scaling Stochastic Resonance and Its Application to Fault Diagnosis[J].Mechanical Systems and Signal Processing, 2009, 23 (3) :811-822.

[8]王林泽, 赵文礼, 陈旋.基于随机共振原理的分段线性模型的理论分析与实验研究[J].物理学报, 2012, 61 (16) :1-7.Wang Linze, Zhao Wenli, Chen Xuan.Theory and Experiment Research on a Piecewise-linear Model Based on Stochastic Resonance[J].Acta Physica Sinica, 2012, 61 (16) :1-7.

[9]Wang Linze, Zhao Wenli.A New Piecewise-linear Stochastic Resonance Model[C]//IEEE International Conference on Systems, Man and Cybernetics.San Antonio, Texas, 2009:5209-5214.

[10]He Huilong, Wang Taiyong, Leng Yonggang, et al.Study on Non-linear Filter Characteristic and Engineering Application of Cascaded Bistable Stochastic Resonance System[J].Mechanical Systems and Signal Processing, 2007, 21 (3) :2740-2749.

[11]赵艳菊, 王太勇, 冷永刚, 等.级联双稳随机共振降噪下的经验模式分解[J].天津大学学报, 2009, 42 (2) :123-128.Zhao Yanju, Wang Taiyong, Leng Yonggang, et al.Empirical Mode Decomposition Based on Cascaded Bistable Stochastic Resonance Denoising[J].Journal of Tianjin University, 2009, 42 (2) :123-128.

微弱电流检测篇6

众所周知, 一个理想的电力系统和供电系统是以单一恒定频率和恒定幅值的稳定电压供电的, 它的电压和电流理论是纯粹的正弦波形。随着现代工业、交通等行业使用的换流设备数量越来越多、容量越来越大, 另外电弧炉、家用电器等非线性用电设备接入电网, 将其产生的谐波和间谐波电流注入电网, 所有这些都影响了电能质量。谐波为基波频率整数倍的电压或电流信号, 间谐波为任何非整数倍基波频率的电压或电流信号。谐波使电能的生产、传输和利用的效率降低, 使电气设备过热、产生振动和噪声, 并使绝缘老化, 使用寿命缩短, 甚至发生故障或烧毁;频率高于基波频率的间谐波会干扰音频设备正常工作, 引起感应电机噪声和振动等, 频率低于基波频率的间谐波会引起电压闪变, 低频继电器的异常运行等等。谐波和间谐波的危害使得治理和检测就变得十分紧迫, 然而间谐波多表现为微弱信号, 其精准检测成为难点, 本论文利用混沌振子对周期信号十分敏感和噪声的免疫特性, 探索实现对微弱间谐波信号精准检测及对虚假间谐波的识别[1,2,3,4,5]。

1 频谱泄漏

在谐波和间谐波测量中, 所要处理的信号均是经过采样和A/D转换得到的数字信号。设待测信号为x (t) , 采样间隔为Ts秒, 采样频率fs=1/Ts满足采样定理, 即fs大于信号最高频率分量的两倍。则采样信号为x (n) =x (n·Ts) , 并且采样信号的长度总是有限的, 即n=0, 1, …, N-1。也就是说, 所分析的信号的持续时间为T=N·Ts, 这相当于对无限长的信号做了截断———相当于给无限长的信号加了一个矩形窗, 因而造成离散傅立叶变换的泄漏现象[6]。

频谱泄漏现象如图1所示, 显然泄漏误差来自两个方面, 由信号负频分量引入的长范围泄漏 (Long-Range Leakage) 和由窗的扇形损失引入的短范围泄漏 (Short-Range Leakage) 。由于泄漏频谱的存在, 使得微弱电力信号淹没在泄漏频谱中难于检测, 同时由于频谱泄露产生虚假间谐波, 探索新的检测方法就十分必要。

2 Duffing混沌振子特性分析

2.1 Duffing混沌振子对噪声免疫特性分析[1]

常用的Duffing混沌振子方程为

其等价系统为

对于给定的阻尼比k, 随着γ的变化, Duffing系统表现出的复杂的动力学行为:

(1) 当γ=0时, 系统任意初值的演化轨线将收敛到其中的一个焦点;

(2) 当γ从0逐渐增加时, 系统解在相空间中的轨线将出现偶阶次分岔, 系统按外加周期策动力的周期或倍周期振荡;

(3) 当γ进一步增加至γc (混沌临界值) , 系统将会产生Smale马蹄意义下的混沌运动;

(4) 当γ>γp (大周期临界值) 时, 系统将进入大尺度周期振荡。

混沌系统随参数变化的分岔图见图2所示:

假设Duffing系统处在混沌临界状态的混沌解为x, 由于0均值、方差为σ2的高斯白噪声n (t) 的影响, 混沌解受到扰动△x。那么此时的Duffing方程为

可以证明, E{△x (t) }=0, 方差D{△x (t) }→0。这说明噪声对混沌系统的扰动几乎不存在, 在实际检测中t不可能为无穷大, 所以噪声会对系统产生一定的影响, 但其影响较小, 不会改变系统原有的运行轨迹, 只会使轨迹变得粗糙。因此, 可以说混沌系统对噪声表现出较强的免疫特性。

2.2 Duffing混沌振子对周期信号敏感特性分析[1]

考虑一种变形的Duffing方程

其中γcos (ωt) 为周期策动力, ω为策动力角频率, γ为周期策动力幅值, 方程 (2-26) 改写为

将系统状态调整到混沌和大周期的临界状态, 此时γ=γp, 外加信号假设为单频信号, s (t) =acos ( (ω+△ω) t+φ) , 其中△ω为外加信号与振子策动力频率差, φ为相位差, 噪声为0均值的高斯白噪声n (t) , 则检测系统表示为

可以证明, 若△ω=0, 当时, 系统仍保持混沌演化, 当φ不在这个区间时, 系统将由混沌态跃迁到大周期态。若△ω≠0, 此时系统将间歇性地出现混沌现象, 间歇周期为2π/△ω。可见频差不能太大, 如果频差太大会导致间歇混沌周期很小, 而无法观察间歇混沌行为。

3 Duffing混沌振子对微弱电力信号的检测

3.1 电力信号模型

考虑噪声的信号模型为[7,8,9,10]

根据v (t) 噪声类型不同, 又可以分为白噪声和色噪声情况下的电力系统谐波和间谐波检测。目前较多考虑的情况为

其中v (t) 为白噪声, 工程中信号的初始采样点具有随机性, 可以反映为初始相位的随机性, 可以把φm看作服从0~2π范围内均匀分布的随机变量。

3.2 检测步骤

第一步:利用FFT算法检测电力信号基波和谐波成分;

第二步:进行陷波器设计, 滤除电力信号基波和谐波成分, 保留残余电力信号;

第三步:构建Duffing混沌振子电路, 参数置于大周期临界值;

第四步:间谐波信号作为Duffing混沌振子电路, 观察电路输出特性。

3.3 检测结果判断

由于间谐波在残余信号中, 无可避免会受到噪声干扰, 然而Duffing混沌振子电路对噪声具有特殊的免疫特性, 不会对周期信号间谐波的检测产生干扰。观察Duffing混沌振子电路的输出特性, 按照Duffing混沌振子电路出现分叉的动力学行为, 可以判断间谐波的存在和虚假间谐波的识别。

4 结论

利用Duffing混沌振子对噪声的免疫特性和对微弱周期信号的敏感特性, 可以高精度实现对微弱信号间谐波的检测和对虚假间谐波的识别, 但是该方法只能对微弱电力信号间谐波的存在和虚假进行识别, 对信号的频谱特征识别还需要应用谱估计和FFT算法进一步识别。

参考文献

[1]魏恒东.混沌直扩信号检测与与混沌同步研究[D].成都:电子科技大学, 2010.

[2]梅永.同步采样的最佳实现与误差校正新算法[D].南京:河海大学, 2006.

[3]戴先中.准同步采样及其在非正弦功率测量中的应用[J].仪器仪表学报, 1984 (4) :390-396..

[4]王柏林, 梅永.电力系统谐波分析的近似同步法[J].仪器仪表学报, 2006, 27 (5) :484-488.

[5]王柏林.频谱小偏差校正新方法[J].电力系统自动化, 2005, 29 (20) :46-49.

[6]王柏林.随机环境下电力系统谐波分析算法[J].电力系统自动化, 2008, 32 (3) :22-25.

[7]张贤达.现代信号处理[M].北京:清华大学出版社, 2002.

[8]王柏林, 刘华.用准同步离散Hilbert变换测量无功功率[J].电测与仪表, 2003, 40 (12) :13-15.

[9]Jiefeng Xiong, Boling Wang, Shaoyong Zhang.Interharmonics analysis based on windowed interpolation and prony algorithm[C]//in Proc.of the 2nd International Asia Conference on Informatics in Control, Automation and Robotics, Wuhan, China, Mar.2010.

微弱电流检测篇7

1 传感器信号的互相关处理

由于信号和噪声是相互独立的过程,根据互相关函数的定义,信号与噪声不相关,利用参考信号与输入的有用信号具有相关性,而参考信号与噪声互不相关,可以达到抑制噪声的目的[1]。

设x(t)是伴有噪声的待测信号,即

其中,s(t)为有用信号,其幅度为A,角频率为ωc,初相角为φ;n(t)为噪声信号。正弦型参考信号为y(t)=B sinωc(t),则二者的互相关函数为

理论上,若T无限长,则有Rny(τ)=0,因此有

式(3)说明,Rxy(τ)正比于有用信号的幅值,若取ωcτ-φ=0,即y(t)与s(t)同相,则Rxy(τ)取最大值。

2 检测电路设计

2.1 电路结构

为了克服极化效应,传感器都采用交流激磁[2],若输入imsin(ωt+φ),则传感器在信号电极间将产生一个交变磁场,可表示为Bmsin(ωt+φ),设两电极间距离为L,且两电极连线安装与舰艇艏艉线相垂直,则感应电势e(t)=BmLv(sinωt+φ),由于噪声的影响,e(t)=BmLv(sinωt+φ)+n(t)。激磁电流幅值和频率均会有微小变动,输出也会随之线性变化,由于采用相关处理的方法,这些不会影响输出结果[3]。

将输入电流i(t)作为检测仪的参考输入信号,参考信号通道包含0~180°移相器[4]。e(t)作为输入信号。图1为检测系统框图,e(t)经过前置放大滤波,与参考信号i(t)同时经过A/D转换,数据送入DSP中先进行频谱分析,由滤波器滤除无用频段,再将参考信号与输入信号进行互相关运算,由于信号频率、相位与参考信号频率、相位均一致,得到的互相关输出噪声很低,互相关函数保留了输入信号的振幅等信息,由此可以检测出微弱的电压信号,后续处理及控制由主板来完成[5]。

2.2 前置放大滤波电路

传感器输出阻抗较高,且其值随环境条件而变化,因此前置放大电路采用了高输入阻抗的高精度仪表放大器AD524[6]。其输入阻抗高达109Ω,低噪音,线性度较好,低失调电压,低漂移且具有高共模抑制比[7]。为了方便改变放大倍数,在AD524输出端串联一块可编程增益放大器AD526,可通过主板编程进行增益的控制[8]。

滤波器采用max267构成的4阶契比雪夫带通滤波器来实现。max267是一种应用非常广泛的4阶开关电容滤波器,中心频率与Q值均可通过芯片引脚方便地选择。芯片有外部时钟的输入引脚,可精确地设定滤波器的中心频率与时钟频率的比值。其中心频率范围0.4 Hz~40 k Hz,时钟频率范围40 Hz~4MHz。max267内部有2个二阶滤波器,每个滤波器均由开关电容网络组成,性能相同,参数也相同,可以级联成4阶、6阶或8阶等更高级的滤波器使用。由于激励源采用50 Hz交流电,故滤波器中心频率f0取50 Hz,带宽BW=f2--f1=80-31.25=48.75 Hz。电路原理图如图2所示。

3 仿真分析

根据检测原理设计仿真。由于传感器激磁信号频率为50 Hz,输出信号也为50 Hz,输出感应电势大小约350μV,放大倍数为200倍。模拟仿真输入信号为x(t)=0.1sin(100πt+φ0)+0.1sin(100πt+φ0+90)+n(t V[9],其中第二项为传感器的90°干扰,n(t)为模拟的高斯噪声,均值为0 V,方差为1。设参考信号为y(t)=2sin(100πt+φ)V。设置采样频率为1 000 Hz,采样点数为N,对输入信号和参考信号进行采样,按照算法进行FFT运算,经过滤波处理后做互相关运算。调节φ的值,当φ=φ0时互相关函数取最大值,这样就得到了输入信号幅值和相位的信息。图3是模拟的含噪声波形。可以看出,信号完全被噪声淹没。图4为仿真结果。从图4可以看出,当增大采样点数时,得到的曲线更加光滑,互相关结果也更接近真值。由于参考信号与输入信号同频同相,所以不仅噪声受到抑制,且传感器的90°干扰信号也受到了抑制。

4 结语

设计了电磁传感器的检测电路,并通过仿真分析提取出了微弱信号的幅值信息。由仿真分析可以看出,即使经过互相关处理,输出波形仍然包含噪声,其幅值信息含有少量噪声信息,故仍需进一步处理,得到更高精度的输入信号信息,例如可以使用小波分析、混沌理论对信号进行预处理。

科技的迅速发展,各种学科相互交叉,提供了很多判断传感器工作状态的方法,例如利用导体在海水中的电化学性质对传感器进行检测,对电磁传感器动态特性进行建模等,这些都将是以后研究的要点。

参考文献

[1]聂春燕,石要武.基于互相关检测和混沌理论的微弱信号检测方法研究[J].仪器仪表学报,2001,22(1).

[2]徐科军.传感器动态特性的实用研究方法[M].合肥:中国科学技术大学出版社,1999:28-62.

[3]戴逸松.微弱信号检测方法及仪器[M].北京:国防工业出版社,1994.

[4]张三慧.大学物理学(第三册)电磁学[M].北京:清华大学出版社,2005.

[5]曾庆勇.微弱信号检测[M].杭州:浙江大学出版社,1994.

[6]刘红丽,李昌禧.一种测量微弱信号的锁定放大电路设计[J].武汉理工大学学报,2002,26(5):619-621.

[7]韩磊,宋诗哲.基于虚拟仪器的便携式腐蚀电化学测试装置[J].仪器仪表学报,2008,29(5).

[8]陈佳圭.微弱信号检测[M].北京:中央广播电视大学出版社,1987.