CN101943324B - 基于小波和rbf神经网络的微弱信号检测装置及方法 - Google Patents

Abstract

一种基于小波和RBF神经网络的微弱信号检测装置及方法，属于信号检测技术领域，包括四阶巴特沃兹低通滤波器、A/D转换器、ARM微处理器、同步动态随机存储器SDRAM、NorFlash存储器、Nand Flash存储器，利用本发明装置，有利于抑制噪声、恢复、增强和提取有用信号；利用本发明方法，可以实现常规泄露检测装置无法实现的少量漏油事故的检测，检测到小于的3％的波动。

Description

基于小波和RBF神经网络的微弱信号检测装置及方法

技术领域

本发明属于信号检测技术领域，特别涉及一种基于小波和RBF神经网络的微弱信号检测装置及方法。

背景技术

目前管道运输业的发展极其迅速，管线越来越多，运输的距离也越来越远。但是，随着管道使用时间的增长，管道泄漏事故发生的概率也在增大。众所周知，管道内输送的流体具有危险性和污染性，比如石油、天然气，那么一旦发生泄漏事故将会造成巨大的生命及财产损失和环境污染。特别是在我国，油气管网已有相当一部分步入衰老期，并且近十余年来又遭到前所未有的人为破坏，因此由泄漏事故而造成的损失十分巨大，从而严重地影响了管道运输业的发展。

我国油气管道安装的实时泄漏检测系统主要依赖于管段两端采集到的瞬变信号(包括瞬时压力变化、瞬时流量变化等，其中最重要的是瞬时压力变化信号)而设计的。这些方法的只能检测出管道出现大波动的时候，也就是管道出现大量的漏油情况，但是如果出现小的波动，这些方法就无能为力了。例如：我们通过压力变送器采集到了1.00-5.00v的压力信号，以前的方法能处理相对噪声信号3％的电压波动信号，如果是比3％小的波动，则常规的泄漏检测装置将无法检测到该类泄漏。

发明内容

为克服上述方法之不足，本发明提出一种基于小波和RBF神经网络的微弱信号检测装置及方法，以实现对微小波动的检测。

本发明的技术方案是这样实现的：本发明基于小波和RBF神经网络的微弱信号检测装置，包括四阶巴特沃兹低通滤波器、A/D转换器、ARM微处理器、同步动态随机存储器SDRAM、Nor Flash存储器、Nand Flash存储器，四阶巴特沃兹低通滤波器的输出端连接A/D转换器的输入端，A/D转换器的输出端连接ARM微处理器的输入端，ARM微处理器的第一输入输出端连接第一同步动态随机存储器SDRAM的输入输出端，ARM微处理器的第二输入输出端连接第二同步动态随机存储器SDRAM的输入输出端，ARM微处理器的第三输入输出端连接Nor Flash存储器的输入输出端，ARM微处理器的第四输入输出端连接Nand Flash存储器的输入输出端；

四阶巴特沃兹低通滤波器由2个结构相同的两阶巴特沃兹低通滤波器组成，其中第一两阶巴特沃兹低通滤波器包括由电阻、电容组成的低通滤波器和运算放大器，低通滤波器第一电阻的一端连接运算放大器的反相输入端、低通滤波器电容的一端，低通滤波器第一电阻的另一端连接低通滤波器第二电阻的一端，低通滤波器第二电阻的另一端连接低通滤波器电容的另一端、运算放大器的输出端，其中，低通滤波器第一电阻的一端作为第一两阶巴特沃兹低通滤波器的输入端，运算放大器的输出端作为第一两阶巴特沃兹低通滤波器的输出端，第一两阶巴特沃兹低通滤波器的输出端连接第二两阶巴特沃兹低通滤波器的输入端，第二两阶巴特沃兹低通滤波器的输出端作为四阶巴特沃兹低通滤波器的输出端。

基于小波和RBF神经网络的微弱信号检测方法包括以下步骤：

步骤1：采集设于管道的压力变送器的瞬时压力信号；

步骤2：对瞬时压力信号进行消噪处理，过程如下：

步骤2-1：计算信号的小波分解层数，方法如下；

1)设置粗调节分解层数为N，保留分解的N-1次和N次小波系数w；

2)对N-1层的信号进行重构，对小波系数进行重构，计算其模极大值CD_N-1，同理求N层的模极大值CD_N，如果CD_N-1＜CD_N，则判定该信号为有用信号为主，跳到4)，否则判定该信号为噪声信号为主，转到3)；

3)取分解的层数为N＝N+1，进行N层分解，转到2)；

4)放弃最后一次分解结果，确定最终的分解层数为N-1；

步骤2-2：对分解之后信号的小波系数进行阈值量化：

1)利用阈值函数对的小波系数进行阈值量化，公式如下：

$W(j,k)=\left\{\begin{array}{cc}\left|x\right|-\mathrm{\&alpha;}\frac{e^{\mathrm{\&alpha;x}}-e^{-\mathrm{\&alpha;x}}}{e^{\mathrm{\&alpha;x}}+e^{-\mathrm{\&alpha;x}}}\mathrm{\&lambda;}& \left|x\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0& \left|x\right|<\mathrm{\&lambda;}\end{array}\right.---\left(1\right)$

式中，W(j，k)经过阈值量化后的小波系数，x为未经过阈值量化的小波系数，

σ为噪声的标准差，j，k分别是伸缩因子和平移因子；

2)信号重构；

3)提取经步骤2-2中2)处理后的信号幅度f_i，计算平均值，公式如下：

$\stackrel{\&OverBar;}{f}=\underset{i=0,i\&NotEqual;x,y}{\overset{i=n}{\mathrm{\&Sigma;}}}\left(f_i\right)/n-2---\left(2\right)$

式中，f_i是处理后信号的幅度，

是处理后信号幅度的平均值，n是采样点的个数；去掉幅度的最大值和最小值，将f^*作为理想的滤波幅值，公式如下：

$f^{*}=0.1\%\stackrel{\&OverBar;}{f}---\left(3\right)$

若处理后的信号幅度f_i≈f^*，则跳到步骤3，否则在0～1之间重新选择a值，重复步骤2-2的1)～3)；所述的a值一般初始值取0.5；

步骤3：对消噪后的信号进行分解，过程如下：

对步骤2得到的信号进行N层多分辨率分解，得到近似空间和细节间：设原信号最高频率为f_max，则一级小波分解后在近似空间和细节空间分别得到在[0，f_max/2]和[f_max/2，f_max]频段上的信号描述；经过第N级小波分解后，在近似空间和细节空间分别得到在[0，f_max/2ⁿ]和[f_max/2ⁿ，f_max/2ⁿ-1]频段上的信号描述；提取每段子信号的一个特征向量，得到一组特征向量f′(1)，f′(2)........f′(n)；

步骤4：提取压力信号中的微弱信号，方法如下；

采用负梯度结合最近邻聚类法计算微弱信号的过程如下：

(1)设定一个径向基函数的宽度r和一个误差数值e，设一组样本数据为p＝(f′(i)，f′(i+1)......f′(n-1))，t＝(f′(i+2)，f′(i+3)，.....f′(n))，i＝1，2，3..n，假设神经网络中心(c₁，c₂，...c_m)，m＝1，2，3，...p，且p＜n，取神经网络中心c_m的初始值c₁＝f′(1)，输出节点的权值w_i的初始值为w₁＝f′(3)，扩展宽度δ_i的初始值为δ₁＝r；

(2)计算神经网络的输出y_j，j＝1，2，....n-1，求出样本数据到中心的距离的最小值d min＝‖f′(i)-c_m‖，(m＝1，2，3....p)，利用式子

得到神经网络输出值与实际值的误差值E；如果E＞e，d min＞r，跳到(3)；如果E＞e，d min＜r，跳到(4)；如果E＜e，则跳到(5)；

(3)m＝m+1，c_m＝f′(i)，w_m＝f′(i+2)，δ_m＝r，跳到第(5)步；

(4)对RBF神经网络的中心、权值和宽度进行调整，公式为：

$c(m+1)=c\left(m\right)+{\mathrm{\&Delta;c}}_m=c\left(m\right)+\mathrm{\&eta;}\frac{\&PartialD;E}{{\&PartialD;\mathrm{\&delta;}}_m^2}\underset{i=1}{\overset{n-1}{\mathrm{\&Sigma;}}}{e}_{i}G\left(\right||f^{\&prime;}\left(i\right)-c_m|\left|\right)(f^{\&prime;}\left(i\right)-c_m)$

$w(m+1)=w\left(m\right)+{\mathrm{\&Delta;w}}_m=w\left(m\right)+\mathrm{\&eta;}\underset{i=1}{\overset{n-1}{\mathrm{\&Sigma;}}}{e}_{i}G\left(\right||f^{\&prime;}\left(i\right)-c_m|\left|\right)$

$\mathrm{\&delta;}(m+1)=\mathrm{\&delta;}\left(m\right)+{\mathrm{\&Delta;\&delta;}}_m=\mathrm{\&eta;}\frac{\&PartialD;E}{{\&PartialD;\mathrm{\&delta;}}_j^3}\underset{i=1}{\overset{P}{\mathrm{\&Sigma;}}}{e}_{i}G\left(\right||f^{\&prime;}\left(i\right)-c_m|\left|\right){\left|\right|f^{\&prime;}\left(i\right)-c_m\left|\right|}^2$

(5)如果i＝n时候，学习结束，确定了RBF神经网络的中心、宽度和权值；反之，i＝i+1，跳到第(2)步；

(6)输入实时数据f′(n+1)，f′(n+2)；

(7)根据以上6步确定的神经网络模型，并且可以得到神经网络的输出值y_n，E′＝|f′(n+2)-y_n|；

(8)设T为微弱信号阈值，如果E′＞T，转到第(9)步，反之，i＝i+1，n＝n+1转到(1)；

(9)检测到微弱信号大小为E′。

本发明优点：利用本发明装置，有利于抑制噪声、恢复、增强和提取有用信号；利用本发明方法，可以实现常规泄露检测装置无法实现的少量漏油事故的检测，检测到小于的3％的波动。

附图说明

图1为本发明基于小波和RBF神经网络的微弱信号检测装置系统框图；

图2为本发明基于小波和RBF神经网络的微弱信号检测装置电路原理图；

图3为本发明基于小波和RBF神经网络的微弱信号检测方法小波消噪流程图；

图4为本发明基于小波和RBF神经网络的微弱信号检测方法流程图负梯度下降法结合最近邻聚类法流程图；

图5(a)为未采用本发明方法所侧得的含有微弱信号的曲线示意图，图5(b)为未采用本发明方法检测微弱信号的曲线示意图；

图6为本发明基于小波和RBF神经网络的微弱信号检测方法去噪后检测微弱信号示意图；其中，6(a)表示含有微弱信号的管道曲线；6(b)表示小波去噪后的曲线；6(c)表示微弱信号曲线。

1四阶巴特沃兹低通滤波器，2保护电路，3A/D转换器，4ARM微处理器，5同步动态随机存储器SDRAM，6第二同步动态随机存储器SDRAM，7 Nor Flash存储器，8 Nand Flash存储器

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

图1和图2为基于小波和RBF神经网络的微弱信号检测装置的框图和电路原理图，该装置包括16位A/D转换器、ARM微处理器、同步动态随机存储器SDRAM、Nor Flash存储器、Nand Flash存储器，16位A/D转换器的输出端连接ARM微处理器的输入端，ARM微处理器的第一输入输出端连接第一同步动态随机存储器SDRAM，ARM微处理器的第二输入输出端连接第二同步动态随机存储器SDRAM，ARM微处理器的第三输入输出端连接Nor Flash存储器，ARM微处理器的第四输入输出端连接Nand Flash存储器；此外，还包括四阶巴特沃兹低通滤波器和包括电路，四阶巴特沃兹低通滤波器的输出端连接保护电路的输入端，保护电路的输出端连接16位A/D转换器的输入端；压力变送器传过来的1-5V的电压信号经过四阶巴特沃兹低通滤波器滤波后，将大于1KHz的高频信号滤掉，同时增加一个保护电路使输入的信号稳定在一定的范围内，使其幅值介于A/D转换器模拟信号输入电压的范围内；

四阶巴特沃兹低通滤波器由运算放大器、电阻和电容组成，运算放大器由第一运算放大器和第二运算放大器组成，电阻由第一电阻R10、第二电阻R11、第三电阻R12、第四电阻R13、第五电阻R14组成，电容由第一电容C1、第二电容C2、第三电容C3、第四电容C4组成，第二电容C2的一端连接第一电阻R10的一端、第二电阻R11的一端，第一电阻R10的另一端连接运算放大器的反相输入端、第一电容C1的一端，运算放大器的正相输入端接地，第一电容C1的另一端、第二电阻R11的另一端连接运算放大器的输出端后连接第三电阻R12的一端，第三电阻R12的另一端连接第三电容C3的一端、第四电阻R13的一端、第五电阻R14的一端，第四电阻R13的另一端连接第四电容C4的一端、第二运算放大器的反相输入端，第四电容C4的另一端、第五电阻R14的另一端连接第二运算放大器的输出端，第二运算放大器的4端连接-15V电压，第二运算放大器的8端连接+15V电压，第二运算放大器的输出端作为四阶巴特沃兹低通滤波器的输出端；其中，运算放大器的型号为LTL355；

保护电路由第一二极管D1和第二二极管D2组成，第一二极管D1的负极连接第二二极管D2的正极、保护电路的输出端，第一二极管D1的正极连接+1V电压，第二二极管D2的负极连接+5V电压；

16位A/D转换芯片的33脚连接保护电路的输出端，16位AD  转换芯片的1～19脚依次连接ARM9处理器的VD23脚～VD9脚、VD0脚、EINT0脚～EINT3脚；A/D转换器由A/D转换芯片组成，其中A/D转换芯片的型号为AD7656，ARM处理器的型号为S3C2440；

SDRAM存储器由两个存储器芯片组成，分别是第一存储芯片U7和第二存储芯片U8，第一存储芯片U7的16脚～19脚依次连接第二存储芯片的16脚～19脚；第一存储器芯片U7的DQ0脚～DQ6脚、BA1脚、BA0脚、DQ7脚～DQ15脚、UDQM脚、LDQM脚、SCLK脚、SCKE脚依次连接ARM9处理器的DATE16脚～DATE22脚、ADDR25脚、ADDR24脚、DATE23脚～DATE31脚、nWBE3脚、nWBE2脚、SCLK3脚、SCKE脚；第二存储器芯片U6的DQ0脚～DQ15脚、A0脚～A12脚、BA0脚、BA1脚、LDQM脚、UDQM脚、SCKE脚、SCLK脚依次连接ARM9处理器的DATE0脚～DATE15脚、ADDR2脚～ADDR14脚、ADDR24脚、ADDR25脚、nWBE0脚、nWBE1脚、SCKE脚、SCLK0脚；其中SDRAM的型号为K4S561632C-TC75；

Nand Flash存储器的RE脚、WE脚、CE脚依次连接ARM9的nFRE脚、nFWE脚、nFCE脚；其中，Nand Flash存储器的型号为K9FXX08；

Nor Flash存储器的ADDR1脚～ADDR20脚、D0脚～D15脚、nOE脚、nWE脚、nGSCS₀脚依次连接ARM9处理器的A₀脚～A₁₉脚、DATE0脚～DATE15脚、OE脚、WE脚、CE脚依次连接；Nor Flash存储器的型号为AM29LV800BB；

Nand Flash存储器的I/O0～I/O7依次连接NorFlash存储器的D7脚～D0脚；

本实施例中基于小波和RBF神经网络的微弱信号检测方法，包括以下步骤：

步骤1：采集压力变送器的瞬时压力信号，压力变送器将该信号的幅值确定在1V～5V之间；

步骤2：对瞬时压力信号进行消噪处理，过程如下：

步骤2-1：根据管道实际情况，选择小波函数为db5，粗调节的分解层数设定为N＝4，采用步骤2-1中2)-4)步的细调节确定最终的分解层数N＝6；

步骤2-2：对分解之后信号的小波系数进行阈值量化：

取a＝0.5，其中n＝10；

步骤3：对步骤2得到的信号进行5层多分辨率分解，经过5级小波分解后，在近似空间和细节空间分别得到在[0，f_max/2]、[f_max/2²，f_max/2²-1]、[f_max/2³，f_max/2³-1]、[f_max/2⁴，f_max/2⁴-1]、[f_max/2⁵，f_max/2⁵-1]频段上的信号描述；提取每段子信号的一个特征向量，得到一组特征向量f′(1)，f′(2)，f′(3)，f′(4)，f′(5)，如图3所示；

步骤4：提取压力信号中的微弱信号，如图4所示：采用3层网络结构的神经网络，输入节点数为3，神经元为2个，输出层节点数为1，即通过输入的3个节点，得到一个输出，这里离线学习数据为100个，在线学习的数据为50个，将阈值控制在T＝1.2×10^-5，即可检测检测出所有微弱信号。

从图5，图6可以看出，图5虽然能检测出信号，但是只能检测到大于0.00015的信号，图6是本发明中小波和RBF结合，效果明显，可以检测的信号可以达到1.2×10^-5。

Claims (2)

1.一种基于小波和RBF神经网络的微弱信号检测装置，其特征在于：该装置包括四阶巴特沃兹低通滤波器、A/D转换器、ARM微处理器、同步动态随机存储器SDRAM、Nor Flash存储器、Nand Flash存储器，四阶巴特沃兹低通滤波器的输出端连接A/D转换器的输入端，A/D转换器的输出端连接ARM微处理器的输入端，ARM微处理器的第一输入输出端连接第一同步动态随机存储器SDRAM的输入输出端，ARM微处理器的第二输入输出端连接第二同步动态随机存储器SDRAM的输入输出端，ARM微处理器的第三输入输出端连接Nor Flash存储器的输入输出端，ARM微处理器的第四输入输出端连接Nand Flash存储器的输入输出端；

所述的四阶巴特沃兹低通滤波器由2个结构相同的两阶巴特沃兹低通滤波器组成，其中第一两阶巴特沃兹低通滤波器包括由电阻、电容组成的低通滤波器和运算放大器，低通滤波器第一电阻的一端连接运算放大器的反相输入端、低通滤波器电容的一端，低通滤波器第一电阻的另一端连接低通滤波器第二电阻的一端，低通滤波器第二电阻的另一端连接低通滤波器电容的另一端、运算放大器的输出端，其中，低通滤波器第一电阻的一端作为第一两阶巴特沃兹低通滤波器的输入端，运算放大器的输出端作为第一两阶巴特沃兹低通滤波器的输出端，第一两阶巴特沃兹低通滤波器的输出端连接第二两阶巴特沃兹低通滤波器的输入端，第二两阶巴特沃兹低通滤波器的输出端作为四阶巴特沃兹低通滤波器的输出端。

2.采用权利要求1所述的基于小波和RBF神经网络的微弱信号检测装置的检测方法，其特征在于：包括以下步骤：

步骤1：采集设于管道的压力变送器的瞬时压力信号；

步骤2：对瞬时压力信号进行消噪处理，过程如下：

步骤2-1：计算信号的小波分解层数，方法如下；

1)设置粗调节分解层数为N，保留分解的N-1次和N次小波系数w；

2)对N-1层的信号进行重构，对小波系数进行重构，计算其模极大值CD_N-1，同理求N层的模极大值CD_N，如果CD_N-1＜CD_N，则判定该信号为有用信号为主，跳到4)，否则判定该信号为噪声信号为主，转到3)；

3)取分解的层数为N＝N+1，进行N层分解，转到2)；

4)放弃最后一次分解结果，确定最终的分解层数为N-1；

步骤2-2：对分解之后信号的小波系数进行阈值量化：

1)利用阈值函数对的小波系数进行阈值量化，公式如下：

式中，W(j，k)经过阈值量化后的小波系数，x为未经过阈值量化的小波系数， 

σ为噪声的标准差，j，k分别是伸缩因子和平移因子；

2)信号重构；

3)提取经步骤2-2中2)处理后的信号幅度f_i，计算平均值，公式如下：

式中，f_i是处理后信号的幅度， 是处理后信号幅度的平均值，n是采样点的个数；去掉幅度的最大值和最小值，将f^*作为理想的滤波幅值，公式如下：

若处理后的信号幅度f_i≈f^*，则跳到步骤3，否则在0～1之间重新选择

值，重复步骤2-2的1)～3)；所述的

值一般初始值取0.5；

步骤3：对消噪后的信号进行分解，过程如下：

对步骤2得到的信号进行N层多分辨率分解，得到近似空间和细节间：设原信号最高频率为f_max，则一级小波分解后在近似空间和细节空间分别得到在[0，f_max/2]和[f_max/2，f_max]频段上的信号描述；经过第N级小波分解后，在近似空间和细节空间分别得到在[0，f_max/2ⁿ]和[f_max/2ⁿ，f_max/2ⁿ-1]频段上的信号描述；提取每段子信号的一个特征向量，得到一组特征向量f′(1)，f′(2)........f′(n)；

步骤4：提取压力信号中的微弱信号，方法如下；

采用负梯度结合最近邻聚类法计算微弱信号的过程如下：

(1)设定一个径向基函数的宽度r和一个误差数值e，设一组样本数据为p＝(f′(i)，(i+1).......f′(n-1))，t＝(f′(i+2)，f′(i+3)，.....f′(n))，i＝1，2，3..n，假设神经网络中心(c₁，c₂，...c_m)，m＝1，2，3，...p，且p＜n，取神经网络中心c_m的初始值c₁＝f′(1)，输出节点的权值w_i的初始值为w₁＝f′(3)，扩展宽度δi的初始值为δ₁＝r；

(2)计算神经网络的输出y_j，j＝1，2，....n-1，求出样本数据到中心的距离的最小值dmin＝||f′(i)-c_m||(m＝1，2，...p)，利用式子 

得到神经网络输出值与实际值的误差值E；如果E＞e，dmin＞r，跳到(3)；如果E＞e，dmin＜r，跳到(4)；如果E＜e，则跳到(5)；

(3)m＝m+1，c_m＝f′(i)，w_m＝f′(i+2)，δ_m＝r，跳到第(5)步；

(4)对RBF神经网络的中心、权值和宽度进行调整，公式为： 

(5)如果i＝n时候，学习结束，确定了RBF神经网络的中心、宽度和权值；反之，i＝i+1，跳到第(2)步；

(6)输入实时数据f′(n+1)，f′(n+2)；

(7)根据.以上6步确定的神经网络模型，并且可以得到神经网络的输出值y_n，E′＝|f′(n+2)-y_n|；

(8)设T为微弱信号阈值，如果E′＞T，转到第(9)步，反之，i＝i+1，n＝n+1转到(1)；

(9)检测到压力信号中的微弱信号大小为E′。 

Images