CN103944655B - 电力线载波通信故障检测系统中的噪声识别方法 - Google Patents

Abstract

本发明公开了一种电力线载波通信故障检测系统中的噪声识别方法，属于电磁兼容技术领域。将测得被测设备的M组近场时域信号组成一个矩阵用为观测信号x(t)，对观测信号x(t)进行独立分量分析，即寻找一个分离矩阵W，使y=Wx有最大的高斯性，在进行白化处理后，代入牛顿迭代公式将其分离M成个独立的近场时域信号并与被测设备的远场时域信号进行波形比对，确定出引起辐射噪声超标的信号。本发明方法简洁高效且更趋于系统化，能够精确地识别出到被测产品超标辐射噪声频点，从而有针对性地对该辐射源进行整改措施，抑制其辐射噪声。

Description

电力线载波通信故障检测系统中的噪声识别方法

技术领域

本发明涉及一种通信故障检测系统中的噪声识别方法，具体讲是一种电力线载波通信故障检测系统中的噪声识别方法，属于电磁兼容技术领域。

技术背景

随着高速数字芯片、开关器件、无线通讯模块等广泛使用，大量电子噪声以电磁场的形式在空间传播，产生的电磁兼容问题也越来越复杂，严重影响其它设备正常运行。国内外的各种标准也明确规定，各类电子设备在销售前必须通过辐射噪声标准检测。为了解决电子设备在辐射噪声检测时噪声超标的问题，必须对辐射噪声问题进行深入研究。

电力线载波通信故障检测系统在进行辐射噪声检测时，针对超标噪声需采取一系列的抑制措施，但是由于该系统存在多个电力线载波信号，在采取噪声抑制措施时，需要单独找出引起辐射噪声超标的载波信号后再进行有效整改，因此快速、准确地找到引起辐射噪声超标的载波信号是采取噪声抑制措施的关键。目前，现有的噪声识别方法大都是步骤烦琐且识别精度相对较低，无法精确地识别出引起辐射噪声超标的载波信号。

发明内容

本发明所要解决的技术问题在于现有技术的缺陷，提供一种基于独立分量分析ICA算法的电力线载波通信故障检测系统中的噪声识别方法。

独立分量分析ICA算法是在源信号未知的情况下,仅对观测信号或检测信号进行分析而获得源信号及信号传输通道特性，其原理如图1所示。该问题的求解通常可看作一个最优化问题,先确定衡量独立性准则的目标函数,再采用优化算法来优化该目标函数,最终求出最优解。该最优解是各个源信号的最大程度地逼近。

设观测信号由测得的M组时域信号x₁(t),...,x_N(t)混合组成，即x(t)=[x₁(t),...,x_M(t)]^T、源信号是由N组独立的信号s₁(t),...,s_N(t)组成，即s(t)=[s₁(t),...,s_N(t)]^T，观测信号与源信号之间的关系为x(t)＝As(t)，其中Ａ为混合矩阵。独立分量分析即要在Ａ、s(t)未知的条件下，根据观察信号x(t)，通过衡量变量的独立性准则的目标函数寻找出分离矩阵W，从而求得s(t)的最大估计。设输出的分离信号为y(t)=[y₁(t),...,y_N(t)]，则有

y_N(t)＝W_N×Mx_M(t)＝W_N×MA_M×Ns_N(t)＝s_N(t)（1）

其中，y(t)是源信号s(t)的一个最大估计，且各分离信号y_i(t)之间尽可能的相互独立。在一般模型中源信号数N大于或等于观测信号数M。在本发明中，取源信号数N与观察信号数M相同。

为了解决上述技术问题，本发明提供的电力线载波通信故障检测系统中的噪声识别方法,包括以下步骤：

1)、测得被测设备的M组近场时域信号并导出，将这M组近场时域信号x_i(t),i=1,2,...,M，构成列向量x(t)=[x₁(t),...,x_M(t)]^T作为观测信号；

2)、对观测信号x(t)进行独立分量分析：

2-1)、对观测信号x(t)进行白化预处理，所述白化预处理是：寻找一个线性变换R₀，使得变换后的R₀x(t)为白化向量:

R₀＝Λ^-1/2U^T（2）

其中：x(t)的协方差矩阵C_x=E[xx^T]，Λ=diag[d1...dn]是以C_x的特征值为对角元素的对角矩阵，U为C_x的特征向量矩阵；

2-2)、寻找一个分离矩阵W，使y=Wx有最大的高斯性，y为分离后的近场时域信号；根据Kuhn-Tucker条件，确定E{G(W^Tx)}在约束E{G(W^Tx)²}＝||W||²＝1条件下的极值：

E{xg(W^Tx)}+βW＝0（3）

其中，W^T为W的转置矩阵，E表示数学期望，β是一个恒定值，W₀是优化后的W值，x为经白化处理后的观测信号，g(·)是G(·)的导数；

2-3)、按照下列数学模型，确定E{xg(W^Tx)}+βW的梯度J_F(W)：

J_F(W)＝E{xx^Tg(W^Tx)}+βI（5）

其中，I为单位矩阵；

2-4)、将梯度J_F(W)变为对角化矩阵，得到近似的牛顿迭代公式：

W^*＝W-[E{xg(W^Tx)}-βW]/[E{g(W^Tx)-β}]（6）

W＝W^*/||W^*||

式（6）中，W^*是W的新值，β＝E{W^Txg(W^Tx)}；

2-5)、将迭代之后得到的W，代入y=Wx中得到分离后的M组近场时域信号；

3)、测得被测设备的远场时域信号，得到其辐射噪声超标频点；

4)、将分离后的M组近场时域信号分别与远场时域信号波形进行对比，确定引起辐射噪声超标的信号。

本发明有益效果在于：相较于传统的方法来说,本发明方法简洁高效且更趋于系统化，能够精确地识别出到被测产品超标辐射噪声频点，从而有针对性地对该辐射源进行整改措施，抑制其辐射噪声。

附图说明

图1为独立分量分析ICA算法原理框图；

图2为本发明实验装置连接图；

图3为Matlab中产生的四组源信号；

图4为源信号进行随机混合后的观测信号；

图5为分离后得到的四组信号。

具体实施方式

下面结合附图对本发明作进一步说明。

第一步：将被测设备、示波器、4个磁场探头（探头数量M取决于源信号数N，M≥N）、导线连接放置于3m电波暗室的实验台上，测得被测设备的4组近场时域信号并导出，如图2所示；或在Matlab中产生4组近场时域信号，如图3所示；

第二步：将上述4组近场时域信号x_i(t),i=1,2,3,4，构成列向量x(t)=[x₁(t),x₂(t),x₃(t),x₄(t)]^T作为观测信号；

第三步：对观测信号x(t)进行独立分量分析：

首先，对观测信号x(t)进行白化预处理。用主分量分析方法去除各信号源之间的相关性，使之不相关，即寻找一个线性变换R₀，使得变换后的R₀x(t)为白化向量。R₀可由式（2）得到，令x(t)的协方法矩阵C_x=E[xx^T]，Λ=diag[d1...dn]是以C_x的特征值为对角元素的对角矩阵，U为C_x的特征向量矩阵，则

R₀＝Λ^-1/2U^T（2）

其次，要寻找一个分离矩阵W，使y=Wx有最大的高斯性，y为分离后的近场时域信号，实际上这是一种寻找W^Ｔx(W^T为W的转置矩阵）的非高斯性最大值的不动点迭代方案，可以用近似的牛顿迭代法严谨地导出。首先注意到W^Ｔx的近似负熵的极大值通常在E{G(W^Tx)}的极值点处取得。根据Kuhn-Tucker条件，E{G(W^Tx)}在约束E{G(W^Tx)²}＝||W||²＝1条件下的极值，是在那些使得下面的Kuhn-Tucker乘子式的梯度为零的点处取得：

E{xg(W^Tx)}+βW＝0（3）

其中，E表示数学期望；β是一个恒定值，W₀是优化后的W值，这里的x为进行白化处理后的观测信号，g(·)是G(·)的导数，可以从以下函数中选取：

$G_1\left(u\right)=\frac{1}{a_1}\log \cosh \left(a_{1}u\right);g_1\left(u\right)=\tanh \left(a_{1}u\right)$

$G_2\left(u\right)=-\frac{1}{a_2}\exp (-a_2{u}^2/2);g_2\left(u\right)=\mathrm{uexp}(-a_2{u}^2/2)---\left(4\right)$

$G_3\left(u\right)=\frac{1}{4}{u}^4;g_3\left(u\right)=u^3$

其中，a₁，a₂是常数，1≦a₁≦2，a₂≈1。

现在采用牛顿迭代法求解方程（3）。用F表示式（3）左侧的部分，求其梯度J_F(W)为：

J_F(W)＝E{xx^Tg(W^Tx)}+βI（5）

其中I为单位矩阵。为简化矩阵的求逆，对式（5）的第一项进行近似。因为数据已白化处理过，E{xx^T}＝I,似乎

E{xx^Tg(W^Tx)}≈E{xx^T}·E{g(W^Tx)}＝E{g(W^Tx)}I可作为一个合理的近似。因而梯度J_F(W)变成了对角化矩阵，并且能比较容易地求逆，得到近似的牛顿迭代公式：

W^*＝W-[E{xg(W^Tx)}-βW]/[E{g(W^Tx)-β}]（6）

W＝W^*/||W^*||

这里，W^*是W的新值，β＝E{W^Txg(W^Tx)}。该算法可以通过在公式（6）两边同时乘以β+E{g(W^Tx)}进一步简化，得到简化后的迭代公式：

W^*＝E{xg(W^Tx)}-E{g'(W^Tx)}W

W＝W^*/||W^*||（7）

经过迭代之后，得到W，代入y=Wx中，得到分离后的4组近场时域信号，即为近场测试或模拟中分离出的独立辐射噪声信号；

第四步：采用电波暗室对被测设备进行远场时域测试，测得其远场时域信号，得到其辐射噪声超标频点；

第五步：将分离出的4组近场时域信号与远场时域信号进行波形对比，看哪组信号波形与远场时域信号波形的相似性最大，最终确定引起辐射噪声超标的信号。

通过对比图3、图4、图5可以看出本发明分离出的近场时域信号除了波形的次序、极性和波幅发生变化之外，源信号的波形被很好地分解出来，能比较真实、完整地反映源信号。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下还可以做出若干改进，这些改进也应视为本发明的保护范围。

Claims (1)

1.一种电力线载波通信故障检测系统中的噪声识别方法,其特征在于包括以下步骤：

1)、测得被测设备的M组近场时域信号并导出，将这M组近场时域信号x_i(t),i＝1,2,...,M，构成列向量x(t)＝[x₁(t),...,x_M(t)]^T作为观测信号；

2)、对观测信号x(t)进行独立分量分析：

2-1)、对观测信号x(t)进行白化预处理，所述白化预处理是：寻找一个线性变换R₀，使得变换后的R₀x(t)为白化向量:

R₀＝Λ-¹/²U^T(1)

其中，x(t)的协方差矩阵C_x＝E[xx^T]，Λ＝diag[d1...dn]是以C_x的特征值为对角元素的对角矩阵，U为C_x的特征向量矩阵；

2-2)、寻找一个分离矩阵W，使y＝Wx有最大的高斯性，y为分离后的近场时域信号；根据Kuhn-Tucker条件，确定E{G(W^Tx)}在约束E{G(W^Tx)²}＝||W||²＝1条件下的极值：

E{xg(W^Tx)}+βW＝0(2)

其中，W^T为W的转置矩阵，E表示数学期望，β是一个恒定值，W₀是优化后的W值，x为经白化处理后的观测信号，g(·)是G(·)的导数；

2-3)、按照下列数学模型，确定E{xg(W^Tx)}+βW的梯度J_F(W)：

J_F(W)＝E{xx^Tg(W^Tx)}+βI(3)

其中，I为单位矩阵；

2-4)、将梯度J_F(W)变为对角化矩阵，得到近似的牛顿迭代公式：

W^*＝W-[E{xg(W^Tx)}-βW]/[E{g(W^Tx)-β}](4)

W＝W^*/||W^*||

式(4)中，W^*是W的新值，β＝E{W^Txg(W^Tx)}；

2-5)、将迭代之后得到的W，代入y＝Wx中得到分离后的M组近场时域信号；

3)、测得被测设备的远场时域信号，得到其辐射噪声超标频点；

4)、将分离后的M组近场时域信号分别与远场时域信号波形进行对比，确定引起辐射噪声超标的信号。