CN101799494A - 基于盲信号处理技术的传导电磁干扰噪声软分离方法 - Google Patents

Abstract

本发明公开了一种基于盲信号处理技术的传导电磁干扰噪声软分离方法，属于传导电磁干扰噪声抑制领域。该方法先对两个电流探头进行探头频谱特性估计并进行补偿，再利用这两个电流探头和双踪示波器同时测量出电子系统火线和中线上的电磁干扰噪声时域信号，利用盲信号处理方法中的Fast ICA算法进行电磁干扰噪声盲分离，得到信号源矢量估计值，最后根据盲分离信号与共模或差模参考信号的最大互相关系数来判定分离信号的性质。本发明克服了使用射频变压器或功率分配器对共模、差模噪声进行硬分离的缺陷，分离精度高，实用性好，降低了成本。

Description

基于盲信号处理技术的传导电磁干扰噪声软分离方法

技术领域

本发明涉及电磁兼容技术中的一种基于盲信号处理的传导电磁干扰噪声软分离方法，属于传导电磁干扰噪声抑制领域。

背景技术

随着大量的传导电磁干扰问题在现实中不断出现并且未能得到很好的解决，以及电磁顺从性测试在各国的强制执行，为了有效抑制传导电磁干扰噪声，对噪声进行模态分离是十分必要的。

传导电磁干扰噪声包括共模噪声和差模噪声，由于共模和差模噪声产生的机理不同，因此需要采取不同的抑制方法，设计相应的滤波网络。在干扰噪声测量中，如何实现共模、差模噪声的正确区分是传导电磁干扰噪声抑制的首要问题。

目前，共模、差模噪声的分离方法是基于射频变压器或功率分配器的硬分离方法，该方法的缺陷是：1、在高频时，由于射频变压器和功率分配器存在寄生参数，导致高频特性较差；2、使用射频变压器或功率分配器的成本均较高。

发明内容

本发明针对背景技术中的电磁干扰噪声模态分离方法存在的缺陷，而提出一种利用示波器和电流探头测量传导干扰，并结合盲信号处理技术的传导电磁干扰噪声软分离方法。

本发明的基于盲信号处理技术的传导电磁干扰噪声软分离方法，包括如下步骤：

(1)电流探头频谱特性估计

射频信号源经0°功分器产生两路相同的信号，一路直接送入双踪示波器的Ch1通道，另一路通过电流探头后连接50欧电阻负载，电流探头将其感应信号送入双踪示波器的Ch2通道，根据示波器的两个通道信号来估计该电流探头的频谱特性；

电流探头频谱特性估计步骤如下：

A.电流探头频谱特性H_i(ω)，i＝1，2，i为两个电流探头编号，下同

用双踪示波器的Ch1通道信号作为激励源c(t)，Ch2通道的电流探头感应信号作为响应r_i(t)，两者同时由双踪示波器采集到计算机，按下式对H_i(ω)进行估计：

${\hat{H}}_i\left(\mathrm{\ω}\right)=\frac{R_i\left(\mathrm{\ω}\right)}{C\left(\mathrm{\ω}\right)}$

其中：ω为角频率；t表示时间，下同；R_i(ω)和C(ω)分别为r_i(t)和c(t)经傅立叶变换得到的频域值；

B.电流探头频谱特性补偿

利用电流探头频谱特性的估计值

对相应的电流探头检测信号y_i(t)在频域进行补偿：y_i(t)经傅立叶变换得到其频域值Y_i(ω)，按下式进行补偿，得到电流探头频谱特性补偿后的频域信号：

$X_i\left(\mathrm{\ω}\right)=\frac{Y_i\left(\mathrm{\ω}\right)}{{\hat{H}}_i\left(\mathrm{\ω}\right)}$

再通过对X_i(ω)进行傅立叶反变换得出电流探头频谱特性补偿后的时域信号x_i(t)；

(2)电磁干扰噪声测量

利用上述两个电流探头同时测量被测设备火线和中线上的电磁干扰噪声信号，并对这两个信号分别进行相应的电流探头频谱特性补偿，得到被测设备火线和中线上的电磁干扰时域噪声I_O1(t)和I_O2(t)；

(3)干扰噪声盲分离

以I_O1(t)、I_O2(t)为传感器信号构成混合信号矩阵x(t)＝[I_O1(t)I_O2(t)]^T，以电磁干扰噪声的共模、差模信号I_CM(t)、I_DM(t)为独立源信号定义信号源矢量s(t)＝[I_CM(t)I_DM(t)]^T，采用Fast ICA算法对混合信号矩阵x(t)进行盲信号处理，得到信号源矢量估计值：

$\hat{s}\left(t\right)={\left[{\hat{I}}_{\mathrm{CM}}\left(t\right){\hat{I}}_{\mathrm{DM}}\left(t\right)\right]}^T$

(4)共模、差模噪声信号性质判定

根据差模参考信号进行判定：将两个电容分别并联在火线与地线、中线与地线间，并将共模扼流圈直接接在火线与中线间，再用电流探头测量电路中的电磁干扰噪声，该电磁干扰噪声信号经电流探头频谱特性补偿后作为差模参考信号d₁(t)，然后估计两个盲分离得到的信号

和

分别与差模参考信号d₁(t)的最大互相关系数，其中最大互相关系数较大的为差模噪声信号，另一个则为共模噪声信号；

根据共模参考信号进行判定：将一个电容并联在电路的火线与中线间，再用电流探头测量电路中的电磁干扰噪声，该电磁干扰噪声信号经电流探头频谱特性补偿后作为共模参考信号d₂(t)，然后估计两个盲分离得到的信号

和

分别与共模参考信号d₂(t)的最大互相关系数，其中最大互相关系数较大的为共模噪声信号，另一个则为差模噪声信号。

本发明用于分离传导电磁干扰噪声，分离时无需使用射频变压器或功率分配器等射频器件，仅采用盲信号处理技术对传导电磁干扰时域噪声进行分析即可实现噪声软分离；利用双踪示波器和电流探头对电磁干扰噪声进行测量，在测量前还对电流探头的频谱特性进行补偿，提高了分离精度；针对分离后独立分量信号的共模、差模噪声性质提出了基于相关性度量的判定方法，使本方法更具可行性。本发明实用性好，分离成本较低。

附图说明

图1为本发明中电流探头频谱特性估计实验示意图。

图2为本发明传导电磁干扰噪声软分离方法实验示意图，图中：I_CM为共模电流；I_DM为差模电流；I_L是火线噪声电流；I_N是中线噪声电流；I_O1是火线电流探头感应信号；I_O2是中线电流探头感应信号。

图3为本发明实施例1的模拟实验示意图。

图4为实施例1中两个信号源1、2的波形图。

图5为实施例1的软分离结果波形图，其中：(a)两个电流探头感应的模拟混合信号波形；(b)未经探头特性补偿的混合信号软分离结果波形；(c)经电流探头特性补偿后的混合信号软分离结果波形。

图6为图2所示实验(实施例2)中电流探头感应的混合信号波形图。

图7为图2所示实验(实施例2)的软分离结果波形图。

图8为图2所示实验(实施例2)中以共模扼流圈CHOKE为核心的共模滤波器电路图。

图9为图2所示实验(实施例2)中共模滤波器滤波得到的差模参考信号d₁(t)波形图。

具体实施方式

本发明的基于盲信号处理技术的传导电磁干扰噪声软分离方法，包括电流探头频谱特性估计及补偿、传导电磁干扰噪声测量、传导电磁干扰噪声的盲信号处理及分离信号的性质判定，具体内容如下：

(1)电流探头频谱特性估计，如图1所示

射频信号源经0°功分器产生两路相同的信号，一路直接送入双踪示波器的Ch1通道，另一路通过电流探头后连接50欧电阻负载，电流探头将其感应信号送入双踪示波器的Ch2通道，根据示波器的两个通道信号来估计该电流探头的频谱特性；

由于本方法要用到两个电流探头，所以电流探头频谱特性估计步骤如下：A.电流探头频谱特性H_i(ω)，i＝1，2，i为两个电流探头编号，下同

用双踪示波器的Ch1通道信号作为激励源c(t)，Ch2通道的电流探头感应信号作为响应r_i(t)，两者同时由双踪示波器采集到计算机，按下式对H_i(ω)进行估计：

${\hat{H}}_i\left(\mathrm{\ω}\right)=\frac{R_i\left(\mathrm{\ω}\right)}{C\left(\mathrm{\ω}\right)}$

其中：ω为角频率；t表示时间，下同；R_i(ω)和C(ω)分别为r_i(t)和c(t)经傅立叶变换得到的频域值；

B.电流探头频谱特性补偿

利用电流探头频谱特性的估计值

对相应的电流探头检测信号y_i(t)在频域进行补偿：y_i(t)经傅立叶变换得到其频域值Y_i(ω)，按下式进行补偿，得到电流探头频谱特性补偿后的频域信号：

$X_i\left(\mathrm{\ω}\right)=\frac{Y_i\left(\mathrm{\ω}\right)}{{\hat{H}}_i\left(\mathrm{\ω}\right)}$

再通过对X_i(ω)进行傅立叶反变换得出电流探头频谱特性补偿后的时域信号x_i(t)；

(2)按图2进行电磁干扰噪声测量

将上述两个电流探头分别装在被测设备的火线L、中线N上，并将两个电流探头输出端连接双踪示波器的两个通道，同时测量火线和中线上的电磁干扰噪声信号，并对这两个信号分别进行相应的电流探头频谱特性补偿，得到被测设备火线和中线上的电磁干扰时域噪声I_O1(t)和I_O2(t)；

(3)干扰噪声盲分离

传导电磁干扰(EMI)噪声由两部分构成，即差模DM电流I_DM和共模CM电流I_CM，由于前者流经火线与中线时大小相等方向相反，后者不仅大小相等而且方向也相同，因此火线和中线上的噪声电流分别为I_CM与I_DM的和信号及差信号，火线和中线的电流探头感应信号I_O1和I_O2为I_CM和I_DM的线性混合。

盲信号处理的方法有多种，这里采用一种性能比较稳定的自适应类算法，即Fast ICA算法。

以I_O1(t)、I_O2(t)为传感器信号构成混合信号矩阵x(t)＝[I_O1(t)I_O2(t)]^T，以电磁干扰噪声的共模、差模信号I_CM(t)、I_DM(t)为独立源信号定义信号源矢量s(t)＝[I_CM(t)I_DM(t)]^T，采用Fast ICA算法对混合信号矩阵x(t)进行盲信号处理，处理步骤如下：

A)对混合信号矩阵x(t)进行中心化，使x(t)为零均值向量；

B)对零均值的x(t)进行白化处理，得到x(t)的白化矢量

其中：D＝diag(d₁，d₂)是x(t)的协方差矩阵特征根构成的对角阵；E是x(t)的协方差矩阵正交归一特征向量构成的特征矩阵；预白化后，

的协方差矩阵为单位阵；

C)基于负熵最大准则分离矩阵W的盲估计，内容如下：

将W表示为W＝[w₁ w₂]^T，对该矩阵中的矢量w_i，i＝1，2按如下步骤进行迭代估计：

a.随机选取w_i；

b.令 $W_i^{+}=E\left[\tilde{X}\left(t\right)g\left(W_i^T\tilde{X}\left(t\right)\right)\right]-E\left[g^{\′}\left(W_i^T\tilde{X}\left(t\right)\right)\right]W_i,$

其中：设函数g(u)＝uexp(-u²/2)；E表示求期望；

c.归一化

d.若没有收敛，返回步骤b，否则进入步骤e；

e.当i＝2，令

且

f.i＝i+1；

D)信号源矢量估计为

则信号源矢量估计值为：

(4)共模、差模噪声信号性质判定

由于盲信号处理的模糊性，传导电磁干扰噪声软分离得到的独立分量信号通常并不恰好是[I_CM(t)I_DM(t)]^T，可能出现次序颠倒、幅度被放大或缩小的情况，因此需要对分离信号的性质进行判定，以区分其是共模噪声信号还是差模噪声信号。

利用LC辅助滤波器提取传导电磁干扰噪声的共模或差模参考信号，根据分离信号与参考信号的相关性对其共模、差模性质进行判定。

根据差模参考信号进行判定：将两个电容分别并联在火线与地线、中线与地线间，并将共模扼流圈直接接在火线与中线间，再用电流探头测量电路中的电磁干扰噪声，该噪声信号经电流探头频谱特性补偿后作为差模参考信号d₁(t)，然后估计两个盲分离得到的信号

和

分别与差模参考信号d₁(t)的最大互相关系数，其中最大互相关系数较大的为差模噪声信号，另一个则为共模噪声信号；

根据共模参考信号进行判定：将一个电容并联在电路的火线与中线间，再用电流探头测量电路中的电磁干扰噪声，该噪声信号经电流探头频谱特性补偿后作为共模参考信号d₂(t)，然后估计两个盲分离得到的信号

和分别与共模参考信号d₂(t)的最大互相关系数，其中最大互相关系数较大的为共模噪声信号，另一个则为差模噪声信号。

下面结合附图说明本发明的两个实施例：

实施例1

基于盲信号处理的软分离方法模拟实验。该实验利用信号发生器模拟传导电磁干扰噪声，通过电流探头感应采集信号，并进行软分离处理，以验证本发明方法可以对混合信号进行分离。如图3所示，采用泰克公司双路信号发生器作为信号源1、2，采用mini-circuit公司的三个0°功率分配/混合器和一个180°功率分配器作为信号分配与合成设备，采用泰克公司的双踪示波器TDS 2022作为时域信号接收设备。

实验时，调节信号发生器使得信号源1输出一个8MHz信号至0°功分器，信号源2输出一个5MHz信号至180°功分器，两个信号源的波形如图4所示。

然后，将0°功分器输出的两路信号与180°功分器输出的两路信号按图3所示接入两个0°功率混合器，两个0°功率混合器的输出均连接一个50欧电阻接地，从而模拟出火线与中线噪声信号，并分别经电流探头感应后送入示波器通道1和通道2，示波器采集的感应信号波形如图5(a)所示。

最后，采用盲信号处理算法重现信号源1与信号源2。图5(b)所示是直接对图5(a)的信号进行软分离后得到的信号源重现信号；图5(c)所示是利用估计的电流探头频谱特性对图5(a)的信号进行补偿后再进行软分离得到的信号源重现信号。将图5(b)、图5(c)所示的补偿前、后的软分离结果与图4所示的源信号相比可见，若不考虑软分离的幅度、极性模糊，那么在软分离之前先进行电流探头频谱特性预估及测量数据补偿可以改善源信号的重建质量。这不仅说明了电流探头的非理想频谱特性可以补偿，而且也验证了基于盲信号处理的软分离方法的有效性。

实施例2

为了验证传导电磁干扰噪声的软分离方法的实用性，进行了如下实验。实验如图2所示，其中被测设备EMI噪声源采用Boost开关电源，采用罗德施瓦茨公司和A.H.System Inc.公司的两个电流探头作为测量设备，采用泰克公司的TDS 2022双踪示波器作为时域信号接收设备进行同步采样，测得的感应混合信号I_O1(t)、I_O2(t)如图6所示。对I_O1(t)、I_O2(t)先进行电流探头频谱特性补偿，再进行软分离，得到如图7所示的共模、差模噪声源估计结果

的波形。然后，采用如图8所示的以CHOKE为核心的共模滤波器电路，测得如图9所示的差模参考信号d₁(t)的波形。最后，根据软分离结果与d₁(t)的相关性对其共模、差模噪声性质进行判定。表1给出了

与d₁(t)的最大相关系数估计，可见

与d₁(t)的最大相关系数0.7417大于0.5，具有与参考信号d₁(t)相同的性质，为差模噪声信号I_DM(t)；而

与d₁(t)的最大相关系数为0.34，小于0.5，为共模噪声信号I_CM(t)。由于，I_DM(t)与硬分离差模参考信号d₁(t)的最大相关系数远大于I_CM(t)与d₁(t)的最大相关系数，所以本发明提出的基于盲信号处理的软分离方法既可以实现传导电磁干扰噪声的有效分离，又可以判定分离的干扰噪声源的共模、差模性质，达到硬分离的效果。

表1

Claims (2)

1.一种基于盲信号处理技术的传导电磁干扰噪声软分离方法，其特征在于包括如下步骤：

(1)电流探头频谱特性估计

射频信号源经0°功分器产生两路相同的信号，一路直接送入双踪示波器的Ch1通道，另一路通过电流探头后连接50欧电阻负载，电流探头将其感应信号送入双踪示波器的Ch2通道，根据示波器的两个通道信号来估计该电流探头的频谱特性；

电流探头频谱特性估计步骤如下：

A.电流探头频谱特性H_i(ω)，i＝1，2，i为两个电流探头编号，下同

用双踪示波器的Ch1通道信号作为激励源c(t)，Ch2通道的电流探头感应信号作为响应r_i(t)，两者同时由双踪示波器采集到计算机，按下式对H_i(ω)进行估计：

${\hat{H}}_i\left(\mathrm{\ω}\right)=\frac{R_i\left(\mathrm{\ω}\right)}{C\left(\mathrm{\ω}\right)}$

其中：ω为角频率；t表示时间，下同；R_i(ω)和C(ω)分别为r_i(t)和c(t)经傅立叶变换得到的频域值；

B.电流探头频谱特性补偿

利用电流探头频谱特性的估计值

对相应的电流探头检测信号y_i(t)在频域进行补偿：y_i(t)经傅立叶变换得到其频域值Y_i(ω)，按下式进行补偿，得到电流探头频谱特性补偿后的频域信号：

$X_i\left(\mathrm{\ω}\right)=\frac{Y_i\left(\mathrm{\ω}\right)}{{\hat{H}}_i\left(\mathrm{\ω}\right)}$

再通过对X_i(ω)进行傅立叶反变换得出电流探头频谱特性补偿后的时域信号x_i(t)；

(2)电磁干扰噪声测量

利用上述两个电流探头同时测量被测设备火线和中线上的电磁干扰噪声信号，并对这两个信号分别进行相应的电流探头频谱特性补偿，得到被测设备火线和中线上的电磁干扰时域噪声I_O1(t)和I_O2(t)；

(3)干扰噪声盲分离

以I_O1(t)、I_O2(t)为传感器信号构成混合信号矩阵x(t)＝[I_O1(t)I_O2(t)]^T，以电磁干扰噪声的共模、差模信号I_CM(t)、I_DM(t)为独立源信号定义信号源矢量s(t)＝[I_CM(t)I_DM(t)]^T，采用Fast ICA算法对混合信号矩阵x(t)进行盲信号处理，得到信号源矢量估计值：

$\hat{s}\left(t\right)={\left[\begin{array}{cc}{\hat{I}}_{\mathrm{CM}}\left(t\right)& {\hat{I}}_{\mathrm{DM}}\left(t\right)\end{array}\right]}^T$

(4)共模、差模噪声信号性质判定

根据差模参考信号进行判定：将两个电容分别并联在火线与地线、中线与地线间，并将共模扼流圈直接接在火线与中线间，再用电流探头测量电路中的电磁干扰噪声，该电磁干扰噪声信号经电流探头频谱特性补偿后作为差模参考信号d₁(t)，然后估计两个盲分离得到的信号

和

分别与差模参考信号d₁(t)的最大互相关系数，其中最大互相关系数较大的为差模噪声信号，另一个则为共模噪声信号；

根据共模参考信号进行判定：将一个电容并联在电路的火线与中线间，再用电流探头测量电路中的电磁干扰噪声，该电磁干扰噪声信号经电流探头频谱特性补偿后作为共模参考信号d₂(t)，然后估计两个盲分离得到的信号

和

分别与共模参考信号d₂(t)的最大互相关系数，其中最大互相关系数较大的为共模噪声信号，另一个则为差模噪声信号。

2.根据权利要求1所述的基于盲信号处理技术的传导电磁干扰噪声软分离方法，其特征在于：所述步骤(3)中采用Fast ICA算法对混合信号矩阵x(t)进行盲信号处理的具体步骤如下：

A)对混合信号矩阵x(t)进行中心化，使x(t)为零均值向量；

B)对零均值的x(t)进行白化处理，得到x(t)的白化矢量 $\tilde{x}\left(t\right)={\mathrm{ED}}^{-1/2}{E}^{T}x\left(t\right),$

其中：D＝diag(d₁，d₂)是x(t)的协方差矩阵特征根构成的对角阵；E是x(t)的协方差矩阵正交归一特征向量构成的特征矩阵；预白化后，

的协方差矩阵为单位阵；

C)基于负熵最大准则分离矩阵W的盲估计，内容如下：

将W表示为W＝[w₁ w₂]^T，对该矩阵中的矢量w_i，i＝1，2按如下步骤进行迭代估计：

a.随机选取w_i；

b.令 $w_i^{+}=E\left[\tilde{x}\left(t\right)g\left(w_i^T\tilde{x}\left(t\right)\right)\right]-E\left[g^{\′}\left(w_i^T\tilde{x}\left(t\right)\right)\right]w_i,$

其中：设

函数g(u)＝u exp(-u²/2)；E表示求期望；

c.归一化 $w_i=w_i^{+}/\left|\right|w_i^{+}\left|\right|;$

d.若没有收敛，返回步骤b，否则进入步骤e；

e.当i＝2，令 $w_i=w_i-{\mathrm{\Σ}}_{j=1}^{i-1}{w}_j^T{w}_j{w}_j,$ 且 $w_i=w_i/\sqrt{w_i^T{w}_i};$

f.i＝i+1；

D)信号源矢量估计为 $\hat{s}\left(t\right)=W\tilde{x}\left(t\right).$

Images