微弱光信号检测系统（共7篇）
微弱光信号检测系统 篇1
摘要：微弱信号的探测与提取是激光尾流探测的核心技术之一,详细介绍提高微弱信号检测能力的硬件实现及信号处理方法。提出了前置放大器的实现措施和以正交矢量锁定放大器为原理的光尾流信号检测方法。针对实际应用,对激光通过不同强度尾流后所接收的信号进行仿真。仿真结果表明,当尾流强度发生微弱变化时,锁定放大器输出信号幅度同时产生明显变化,利于光尾流信号的检测,验证了微弱信号检测原理在光尾流探测中的可行性。
关键词：光尾流,微弱信号,前置放大,锁定放大
尾流是舰船运动时产生的一段含大量气泡的湍流区域,存在着尺寸为几十微米到几厘米之间的气泡。由于这些气泡的存在,使海水介质的特性发生了明显变化,为尾流自导的探测和导引提供了基础。在探测过程中,通过对激光束透过气泡幕的前向散射信号进行采集及分析,得出以下结论:随着尾流中存在气泡的大小、密度的变化,光透过尾流后的散射信号的强度及光谱都将产生相应变化,然而激光探测的灵敏度很高,海洋环境复杂,存在如红外辐射、热噪声等的影响,使有用信息深埋在各种干扰噪声中。因此,如何设计低噪声信息处理系统从而有效提取微弱有用信息已成为尾流气泡探测的关键问题。为此,设计了光尾流检测系统,重点研究前置放大问题以及微弱信号检测问题,并进行仿真验证,效果良好。
1 光尾流检测处理电路的设计
光尾流检测主要测试激光通过气泡散射到达接收系统的强度变化情况。这个过程需要经过信号采集、光电转换、放大、滤波等过程,系统通过硬件设计进行信号的放大及降噪处理,提高系统的抗干扰能力,并采用数字锁定放大技术对信号进行检测,提高了系统的检测能力。
光尾流检测处理电路原理框图如图1所示。
在微弱电流检测中,前置放大电路是信号处理的第一级,该电路完成I/V变换,同时进行小信号放大,在这一级混入噪声,将会降低系统的检测性能,因此前置放大尤为重要。本系统的输入信号为固定频率的交流信号,带宽较窄,理想情况下,放大器在该频段内应有良好的线性,即放大器对各种幅度的信号放大倍数应恒定,否则会造成谱线畸变。然而在实际应用过程中,放大器的增益会受到电源电压不稳定、元件老化以及温度变化的影响,导致其线性度下降。因此该系统采用负反馈措施,将各种不稳定因素减小到最低程度,提高前置放大器的线性度。选择FET型低噪声运放芯片OPA124作为前置放大器,他具有低偏置电流、低失调电压等特性,能很好地解决微弱信号放大问题。图2为I/V变换电路原理图。
2 光尾流信号检测原理
在工程应用中,微弱信号检测方法是将信号经过前置放大,再利用锁定放大器将其提取出来。锁定放大器的基本结构包括信号通道、参考通道、相敏检测器(PSD)和滤波器等。根据不同的用途可分类为:正交矢量型锁定放大器、外差式锁定放大器等。光尾流检测利用正交矢量锁定放大器进行检测,利用两个正交的分量计算出幅度和相位,在本系统考虑幅度的变化,暂不考虑相位的变化。其原理图如图3所示。
传统的锁定放大方法是利用模拟器件实现,这种方法速度快,然而价格昂贵、体积较大、应用不灵活,因此不适合于光尾流检测系统户外试验的要求。数字锁定放大器通过软件和硬件的结合进行处理,可用来测试各种不同的微弱信号,操作性强、灵活、方便。
正交矢量锁定放大器原理如下所示:
假设被测信号为X(t)由有用信号S(t)和噪声N(t)组成,Y(t)与Y′(t)为参考信号。有用信号及参考信号为正弦函数,频率为f,对上述信号作采样,采样频率为fs,得到数字信号:X(m),S(m),N(m),Y(m),Y′(m),则有:
两个信号的互相关函数定义为:
其中n为延迟时间,当X(m)=Y(m)时,Rxx(n)为X(m)的自相关函数。取信号延时为0,则被测信号与参考信号Y(m),Y′(m)的互相关函数以及参考信号Y(m)的自相关函数分别为:
信号幅度估计误差
3 仿真分析
仿真的测量信号形式如式(1),参考信号形式如式(2),式(3),假设进入尾流的干扰为高斯白噪声,均值为0,方差为δ2,信号频率1 kHz,采样频率10 kHz,积分时间100 ms,即快拍数M=105,仿真结果如图4～图8所示。
当无尾流时,假设输入信号幅度为5 V,图4为截取50 ms时的信号波形。输出信号幅度估计如图5所示。
估算出输出信号的幅度估计均值为5.001 V,其幅度估计误差如图6所示,其最大相对误差Δ=0.18%,因此在无尾流时,利用数字锁定放大器进行输出信号的检测估计是有效的。
假设当检测系统进入尾流,根据尾流的强度不同,输出信号将产生不同程度的衰减,同时也将不可避免地混入噪声,图6仿真系统通过不同强度尾流,所得到的输出信号幅度估计值,图7为三种情况下,信号幅度估计误差。
图中·表示仿真尾流强度较弱情况,信号衰减量为0.5 V;*表示仿真尾流强度中等情况,信号衰减量为1.5 V;○表示仿真尾流强度较强情况,信号衰减量为2.5 V。
由仿真结果可以看出,尾流强度较弱时,信号衰减量较小,其输出信号幅度估计均值为4.502 6 V,最大相对误差Δ=1.17%;尾流强度中等时,输出信号幅度估计均值为3.503 3 V,最大相对误差Δ=1.13%;尾流强度较强时,输出信号幅度估计均值为2.500 1 V,最大相对误差Δ=1.11%,因此,利用数字锁定放大器对其进行检测估计,能可靠检测出有用信号的幅度值,从而为光尾流检测提供新的途径。
4 结 语
本文介绍了一种光尾流检测电路, 利用高性能运放设计的前置放大电路,具有精度高、稳定性好、体积小和量程大等优点,同时利用数字锁定放大原理对数据进行仿真研究,结果表明该方法可有效抑制噪声,提高信噪比,在光尾流检测中具有很强的实用性。
参考文献
[1]高晋占.微弱信号检测[M].北京:国防工业出版社,2002.
[2]张建华.微弱信号光电检测系统[J].光电子技术,2002,22(2):87-89.
[3]聂绍龙,黄旭初.微弱信号检测的原理及实现[J].电测与仪表,2002,39(12):9-12.
[4]李方方.弱信号检测与采集技术研究[D].哈尔滨:哈尔滨工业大学,2006.
[5]李江华,李阳,惠轶.基于单片机的微弱信号测量及数据传输[J].现代电子技术,2006,29(12):132-133,136.
生物微弱信号检测与分析 篇2
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.
一种简单微弱信号检测系统的设计 篇3
1 项目方案
1.1 总体设计方案
系统的总体设计方案如图1所示。输入正弦波信号VS的频率为1 k Hz、幅度峰峰值在200m V到2V范围内叠加VN的均方根电压值固定为1V+-0.1V的噪声源时, 能够成功检测输出正弦波, 振幅误差不超过5%。采用TI公司超低功耗单片机MSP430G2553为核心的Launchpad开发板来处理数据和驱动1602液晶屏显示正弦波信号的幅度值。
1.2 微弱信号检测电路
微弱信号检测电路是核心, 相敏检波器构成的微弱信号检测部分的原理框图如图2所示。混叠信号通过带通滤波器滤除带外噪声, 与检测标识信号经过移相器后一起通入相敏检波器, 则混叠在噪声中的原信号会被取出, 再通过低通放大后恢复出标识信号。
2 电路设计
附属电路包括加法器、带通滤波器、低通滤波器、正弦波振荡器和移相器。其中, 加法器为输入信号分别为1KHz的正弦波信号和噪声信号, 通过主要由TL084ACD构成的加法器电路后得到一个与正弦波同频同相、幅度一致的带毛刺的正弦波 (VC=VS+VN) 。带通滤波器是一个允许特定频段的波, 通过同时滤除带外噪声的电路。在本电路图中, 保留在1KHz频率左右的信号 (500Hz~2k Hz) 。移相器电路:如果一个频率为ω的正弦信号通过系统后, 它的相位落后D, 则该信号被延迟了D/的时间。所以我们利用LF353P芯片, 对相位进行调整。低通滤波器:从相敏检波器得到的交流信号经过低通滤波器后将被滤除掉 (大于40Hz的频率被滤除) , 得到平稳的直流电压信号 (幅值等于输入正弦波的VS的幅度) 。
主要电路为相敏检波电路:
两个同频信号之间的相位进行检波, 经过相敏检波后的波形为整流后的波形, 频率变成正弦频率的两倍即2KHz。如图3所示。
3 信号处理电路相关设计及测试情况
本设计以带通滤波电路、移相电路、相敏检波电路、低通滤波电路实现锁相放大的功能;加法器和电阻分压网络为辅助电路;MSP430G2553单片机实现信号输出和显示功能。测量结果见表1所示测量数据, 由表中数据知此方案性能良好, 能够达到微弱信号检测的设计要求。
结束语
该系统目前可以应用于正版光碟的防伪中。在制作光碟时, 加一个微弱的正弦信号作为防伪标记 (该微弱信号不会对光碟的音质产生任何影响) , 通过该微弱检测装置检测到防伪标记, 从而达到防伪的目的。
摘要：为了实现在强噪声背景下检测已知频率的微弱信号, 本设计主要利用锁相放大的方法进行微弱信号检测的电路设计方案, 以带通滤波电路、移相电路、相敏检波电路、低通滤波电路实现锁相放大的功能;加法器和电阻分压网络为辅助电路;MSP430G2553单片机实现检测输出信号的显示功能。该系统可以应用多领域的微弱信号检测环节中。
关键词：锁相放大,相敏检波,带通滤波,低通滤波
参考文献
[1]王卫东.高频电子线路 (第二版) [M].北京:电子工业出版社.
微弱光信号检测系统 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
微弱光信号检测系统 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.
微弱光信号检测系统 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.
微弱光信号检测系统 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.