王月
摘 要: 傳統(tǒng)微弱信息檢測(cè)方法不能過(guò)濾純?cè)胄盘?hào),常因純?cè)胄盘?hào)幅值、強(qiáng)度過(guò)大,造成信息檢測(cè)結(jié)果失真。為解決此問(wèn)題,設(shè)計(jì)基于小波變換的微弱信息檢測(cè)模型。通過(guò)微弱信息小波分解尺度確定、小波作用閾值改進(jìn)、微弱信息小波變換系數(shù)重構(gòu),完成微弱信息的小波變換去噪;通過(guò)小波Duffing振子重構(gòu)信號(hào)檢測(cè)、微弱信息待測(cè)信號(hào)頻率確定、微弱信息幅值測(cè)量,完成基于小波變換微弱信息檢測(cè)模型的搭建。模擬該模型的使用環(huán)境,設(shè)計(jì)對(duì)比實(shí)驗(yàn)。結(jié)果表明,應(yīng)用基于小波變換微弱信息檢測(cè)模型后,純?cè)胄盘?hào)幅值與強(qiáng)度明顯降低。
關(guān)鍵詞: 小波變換; 微弱信息檢測(cè); 去噪分析; Duffing振子; 信號(hào)檢測(cè); 幅值測(cè)量
中圖分類號(hào): TN911?34 文獻(xiàn)標(biāo)識(shí)碼: A 文章編號(hào): 1004?373X(2018)19?0071?04
Abstract: The traditional weak information detection method can′t filter the pure noise signal, and may cause the distortion of the information detection result due to the high amplitude and strong intensity of the pure noise signal. Therefore, a weak information detection model based on wavelet transform is designed to solve the above problem. The wavelet transform denoising of the weak information is accomplished by means of determination of wavelet decomposition scale of weak signal, improvement of the wavelet action threshold and reconstruction of the wavelet transform coefficients of weak information. The weak information detection model based on wavelet transform is built by means of detection of wavelet Duffing oscillator reconstruction signal, determination of signal frequency of weak information, and amplitude measurement of weak information. The service environment of the model is simulated. The contrast experimental results show that the amplitude and intensity of the pure noise signal are significantly reduced by using the weak information detection model based on wavelet transform.
Keywords: wavelet transform; weak information detection; denoising analysis; Duffing oscillator; signal detection; amplitude measurement
傳統(tǒng)微弱信號(hào)檢測(cè)方法利用電子學(xué)、物理學(xué)和信息學(xué)基礎(chǔ)理論,以小電容、弱磁、微振動(dòng)等信號(hào)作為檢測(cè)對(duì)象,利用相應(yīng)傳感技術(shù),將檢測(cè)信號(hào)轉(zhuǎn)變?yōu)楹愣ǖ碾妷?、電流或電量。通過(guò)檢測(cè)恒定電力常量的相關(guān)參數(shù),進(jìn)而檢測(cè)出信號(hào)的微弱量。有時(shí)待檢測(cè)信號(hào)過(guò)于微弱,常被強(qiáng)度過(guò)大的純?cè)胄盘?hào)掩蓋,造成檢測(cè)結(jié)果與真實(shí)結(jié)果間差距過(guò)大[1?2]。為從純?cè)胄盘?hào)中提取出完整的微弱信息,引入小波變換原理。小波變換降低了信號(hào)檢測(cè)過(guò)程中所設(shè)置的目標(biāo)門(mén)限,使檢測(cè)所得的微弱信號(hào)精度得到了有效提升。微弱信號(hào)檢測(cè)是一項(xiàng)在噪聲中發(fā)現(xiàn)有用信號(hào)的新興技術(shù),在研究過(guò)程中通過(guò)待測(cè)信號(hào)與噪聲幅度、相位、變化頻率等特征的不同,確定噪聲的產(chǎn)生原因及規(guī)律,并根據(jù)確定結(jié)果,研究去除純?cè)胄盘?hào)的有效方法[3?4]?;谛〔ㄗ儞Q的微弱信息檢測(cè)模型利用小波變換的所有優(yōu)點(diǎn),提高信號(hào)檢測(cè)系統(tǒng)中的輸出信噪比,達(dá)到降低純?cè)胄盘?hào)幅值與強(qiáng)度的目的,進(jìn)而提升微弱信息檢測(cè)結(jié)果的真實(shí)性。
微弱信息小波變換去噪過(guò)程包括微弱信息小波分解尺度確定、小波作用閾值改進(jìn)、微弱信息小波變換系數(shù)重構(gòu)三階段。
1.1 微弱信息小波分解尺度確定
完成微弱信息小波變換去噪處理后,可按照如下步驟,搭建基于小波變換的微弱信息檢測(cè)模型。
2.1 小波Duffing振子的重構(gòu)信號(hào)檢測(cè)
小波Duffing振子重構(gòu)信號(hào)的振動(dòng)幅度可以用于描述微弱信息信號(hào)的振動(dòng)過(guò)程。通常情況下,描述小波Duffing振子的振動(dòng)幅度需要控制阻尼率、韌度、動(dòng)力的非線性度、驅(qū)動(dòng)力的振幅、驅(qū)動(dòng)力的圓頻率等多個(gè)物理量,且小波Duffing振子的振動(dòng)幅度沒(méi)有具體表達(dá)式[8?9]。若小波Duffing振子振動(dòng)幅度恒大于0,則振子始終保持極限環(huán)振動(dòng)狀態(tài);若小波Duffing振子振動(dòng)幅度恒小于0,則振子所代表的系統(tǒng)進(jìn)入混沌狀態(tài),系統(tǒng)相圖也一直保持吸引子形態(tài);因?yàn)樾〔―uffing振子始終維持振動(dòng)狀態(tài),所以小波Duffing振子振動(dòng)幅度[10]不可能為0。檢測(cè)到的小波Duffing振子重構(gòu)信號(hào)如圖1所示。
of wavelet Duffing oscillator
2.2 微弱信息待測(cè)信號(hào)頻率的確定
通過(guò)小波Duffing振子重構(gòu)后的信號(hào)被稱為輸入信號(hào)。當(dāng)檢測(cè)模型接收到輸入信號(hào)后,首先與標(biāo)準(zhǔn)信號(hào)進(jìn)行第一次對(duì)比,若輸入信號(hào)中微弱信息頻率過(guò)低,則標(biāo)準(zhǔn)信號(hào)將代替輸入信號(hào)與下一個(gè)標(biāo)準(zhǔn)信號(hào)進(jìn)行對(duì)比;若輸入信號(hào)中微弱信息頻率可被檢測(cè),則輸入信號(hào)直接與下一個(gè)標(biāo)準(zhǔn)信號(hào)進(jìn)行對(duì)比[11?12]。通過(guò)[n]次對(duì)比后,確定微弱信息待測(cè)信號(hào)頻率。具體操作流程如圖2所示。
2.3 基于小波變換的微弱信息幅值測(cè)量
基于小波變換的微弱信息幅值測(cè)量,利用混沌振子的信號(hào)檢測(cè)思路,通過(guò)Duffing振子的非線性恢復(fù)力,有規(guī)律地調(diào)節(jié)周期策動(dòng)幅值的變化。當(dāng)小波Duffing振子重構(gòu)信號(hào)的振動(dòng)幅度確定后,微弱信息待測(cè)信號(hào)頻率也可按照上述步驟確定。當(dāng)待測(cè)信號(hào)經(jīng)過(guò)節(jié)點(diǎn)位置時(shí),小波變換的幅度會(huì)發(fā)生改變,微弱信息的幅值也會(huì)隨之發(fā)生改變[13]。每次改變發(fā)生時(shí),對(duì)節(jié)點(diǎn)處微弱信息的具體幅值進(jìn)行一次測(cè)量,整理每次測(cè)量結(jié)果,即可完成基于小波變換的微弱信息幅值測(cè)量。具體測(cè)量原理如圖3所示。
通過(guò)微弱信息小波變換去噪、小波Duffing振子重構(gòu)信號(hào)檢測(cè)、微弱信息待測(cè)信號(hào)頻率確定、基于小波變換的微弱信息幅值測(cè)量,即可完成基于小波變換微弱信息檢測(cè)模型的搭建。
為驗(yàn)證基于小波變換微弱信息檢測(cè)模型的實(shí)用價(jià)值,以2臺(tái)頻率相同的信號(hào)發(fā)射器作為實(shí)驗(yàn)對(duì)象,隨機(jī)挑選一臺(tái)作為實(shí)驗(yàn)組,另一臺(tái)作為對(duì)照組。實(shí)驗(yàn)開(kāi)始前按照表1完成實(shí)驗(yàn)參數(shù)的設(shè)定。
3.1 實(shí)驗(yàn)參數(shù)設(shè)置
表1中參數(shù)名稱依次為純?cè)胄盘?hào)強(qiáng)度、純?cè)胄盘?hào)幅值、信號(hào)強(qiáng)度、凈信號(hào)強(qiáng)度、凈信號(hào)幅值、微弱信息含量,其中信號(hào)強(qiáng)度為Ⅴ級(jí),代表發(fā)射器發(fā)射出的信號(hào)為穩(wěn)定可接受的。
3.2 純?cè)胄盘?hào)幅值對(duì)比
完成參數(shù)設(shè)定后,同時(shí)打開(kāi)2臺(tái)信號(hào)發(fā)射器,發(fā)射夾雜純?cè)胄盘?hào)的微弱信號(hào)。令實(shí)驗(yàn)組應(yīng)用基于小波變換的微弱信息檢測(cè)模型過(guò)濾純?cè)胄盘?hào),對(duì)照組應(yīng)用普通方法過(guò)濾純?cè)胄盘?hào)。完成過(guò)濾后,用接收器接收去除純?cè)胄盘?hào)的微弱信號(hào)。完成信號(hào)接收后,對(duì)比兩組接收到微弱信號(hào)中純?cè)胄盘?hào)的幅值。純?cè)胄盘?hào)幅值與REV曲線存在正比關(guān)系,當(dāng)REV曲線越密集時(shí),純?cè)胄盘?hào)幅值越高,反之則越低。分別對(duì)比實(shí)驗(yàn)組與對(duì)照組在低頻情況下與高頻情況下的純?cè)胄盘?hào)幅值,具體結(jié)果如圖4,圖5所示。
分析圖4可知,在低頻情況下,實(shí)驗(yàn)組與對(duì)照組REV曲線的極限都能達(dá)到1.20 cm,但對(duì)照組REV曲線的密集程度明顯高于實(shí)驗(yàn)組。分析圖5可知,在高頻情況下,實(shí)驗(yàn)組與對(duì)照組REV曲線的極限都能達(dá)到2.41 cm,但對(duì)照組REV曲線的密集程度依然明顯高于實(shí)驗(yàn)組。所以可以證明應(yīng)用基于小波變換的微弱信息檢測(cè)模型可以大幅降低純?cè)胄盘?hào)幅值。
3.3 純?cè)胄盘?hào)強(qiáng)度對(duì)比
完成純?cè)胄盘?hào)幅值對(duì)比后,保持信號(hào)發(fā)射器的工作狀態(tài),實(shí)驗(yàn)組繼續(xù)使用基于小波變換的微弱信息檢測(cè)模型過(guò)濾純?cè)胄盘?hào),對(duì)照組使用普通方法過(guò)濾純?cè)胄盘?hào)。過(guò)濾完成后,對(duì)比接收到微弱信號(hào)中純?cè)胄盘?hào)的強(qiáng)度。純?cè)胄盘?hào)強(qiáng)度與FEW曲線存在制約關(guān)系,F(xiàn)EW曲線變化幅度越大,純?cè)胄盘?hào)強(qiáng)度越小,反之則越大。分別對(duì)比實(shí)驗(yàn)組與對(duì)照組在低頻情況下與高頻情況下的純?cè)胄盘?hào)強(qiáng)度,具體結(jié)果如圖6,圖7所示。
分析圖6可知,在低頻情況下,實(shí)驗(yàn)組FEW曲線最大值為3.04,最小值低于2.07,二者差值大于0.97;對(duì)照組最大值與最小值的差值明顯低于實(shí)驗(yàn)組。分析圖7可知,在高頻情況下,實(shí)驗(yàn)組FEW曲線最大值為6.08,最小值接近1.43,二者差值約等于4.65;對(duì)照組最大值與最小值的差值明顯低于實(shí)驗(yàn)組。所以可證明應(yīng)用基于小波變換的微弱信息檢測(cè)模型可以大幅降低純?cè)胄盘?hào)強(qiáng)度。
本文針對(duì)傳統(tǒng)微弱信息檢測(cè)方法存在的弊端,提出基于小波變換的微弱信息檢測(cè)模型,通過(guò)本文所提方法,可完成基于小波變換微弱信息檢測(cè)模型的搭建,并通過(guò)對(duì)比實(shí)驗(yàn)的方式驗(yàn)證了該模型的實(shí)用性價(jià)值。
參考文獻(xiàn)
[1] 歐芬蘭,郭金泉,鐘劍鋒,等.基于平穩(wěn)小波變換的懸臂梁微小缺陷檢測(cè)方法研究[J].機(jī)電工程,2015,32(6):762?767.
OU Fenlan, GUO Jinquan, ZHONG Jianfeng, et al. Small crack identification in cantilever beams by stationary wavelet transform [J]. Journal mechanical & electrical engineering, 2015, 32(6): 762?767.
[2] 王鍇,劉志國(guó),劉剛,等.基于自適應(yīng)層數(shù)分解的小波變換濾除沖擊信號(hào)[J].湖南大學(xué)學(xué)報(bào)(自然科學(xué)版),2015,42(10):65?71.
WANG Kai, LIU Zhiguo, LIU Gang, et al. Shock signal filtering based on adaptive decomposition level of wavelet transformation [J]. Journal of Hunan University (natural sciences), 2015, 42(10): 65?71.
[3] 藍(lán)和慧,胡浩瀚,孟祥冉,等.基于小波變換濾波算法的便攜心電測(cè)試儀設(shè)計(jì)[J].渤海大學(xué)學(xué)報(bào)(自然科學(xué)版),2015,36(3):249?255.
LAN Hehui, HU Haohan, MENG Xiangran, et al. Filtering algorithm based on wavelet transform of the portable ECG test instrument design [J]. Journal of Bohai University (natural science edition), 2015, 36(3): 249?255.
[4] 賀利芳,崔瑩瑩,張?zhí)祢U,等.基于冪函數(shù)型雙穩(wěn)隨機(jī)共振的故障信號(hào)檢測(cè)方法[J].儀器儀表學(xué)報(bào),2016,37(7):1457?1467.
HE Lifang, CUI Yingying, ZHANG Tianqi, et al. Fault signal detection method based on power function type bistable stochastic resonance [J]. Chinese journal of scientific instrument, 2016, 37(7): 1457?1467.
[5] 王一丁,買(mǎi)熱哈巴·優(yōu)素甫江.透明液體中低對(duì)比度雜質(zhì)檢測(cè)方法的研究[J].計(jì)算機(jī)測(cè)量與控制,2016,24(10):57?60.
WANG Yiding, MAIREHABA Yousufujiang. Study on detection method of low contrast impurities in transparent liquid [J]. Computer measurement & control, 2016, 24(10): 57?60.
[6] 賈繼德,吳春志,賈翔宇,等.基于壓縮小波變換與增強(qiáng)的發(fā)動(dòng)機(jī)故障特征提取[J].軍事交通學(xué)院學(xué)報(bào),2016,18(12):43?47.
JIA Jide, WU Chunzhi, JIA Xiangyu, et al. Engine failure feature extraction based on synchrosqueezed wavelet transform and enhancement [J]. Journal of Academy of Military Transportation, 2016, 18(12): 43?47.
[7] 王友仁,陳偉,孫燦飛,等.基于能量聚集度經(jīng)驗(yàn)小波變換的齒輪箱早期微弱故障診斷[J].中國(guó)機(jī)械工程,2017,28(12):1484?1490.
WANG Youren, CHEN Wei, SUN Canfei, et al. Early weak fault diagnosis of gearboxes based on energy aggregation and EWT [J]. China mechanical engineering, 2017, 28(12): 1484?1490.
[8] 侯新國(guó),牛超,楊忠林.基于最優(yōu)Morlet小波自適應(yīng)包絡(luò)解調(diào)的弱故障特征提取方法[J].電機(jī)與控制學(xué)報(bào),2016,20(10):88?93.
HOU Xinguo, NIU Chao, YANG Zhonglin. Method to extract weak fault feature based on optimal Morlet wavelet adaptive envelope demodulation [J]. Electric machines and control, 2016, 20(10): 88?93.
[9] 張炳剛,許四祥,侍海東,等.基于小波變換圖像融合的鎂熔液弱小目標(biāo)檢測(cè)[J].安徽工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2015,32(1):55?59.
ZHANG Binggang, XU Sixiang, SHI Haidong, et al. Weak and dim target detection based on image fusion of wavelet transform in magnesium alloy melt [J]. Journal of Anhui University of Technology (natural science), 2015, 32(1): 55?59.
[10] 梁豐,張志利,李向陽(yáng),等.基于小波變換和Kalman濾波的虛擬人空間位置處理[J].系統(tǒng)仿真學(xué)報(bào),2016,28(1):213?219.
LIANG Feng, ZHANG Zhili, LI Xiangyang, et al. Processing method of space locations of virtual human based on wavelet transform and Kalman filter [J]. Journal of system simulation, 2016, 28(1): 213?219.
[11] RAFA? G, KAROL G, PAWE? L, et al. Reasons for the experimental research of gas outflows based on the signals of weak interactions between the tested model of the gas pipeline, and tested equalizer [J]. Journal of Konbin, 2015, 34(1): 39?48.
[12] QUANDT V I, PACOLA E R, PICHORIM S F, et al. Pulmonary crackle characterization: approaches in the use of discrete wavelet transform regarding border effect, mother?wavelet selection, and subband reduction [J]. Res. biomed. Eng., 2015, 31(2): 148?159.
[13] WANG H C, GUO Z Q, XIANG G Q, et al. Time?frequency feature extraction of rolling bearing′s early weak fault based on wavelet de?noising using neighboring coefficients [J]. Journal of aerospace power, 2017, 32(5): 1266?1272.