CN104155546A - 基于电压参数测试ica算法的传导电磁干扰噪声源识别方法 - Google Patents

Abstract

本发明公开了一种基于电压参数测试ICA算法的传导电磁干扰噪声源识别方法，具体步骤为：首先，采用人工电源网络提取被测设备的噪声电压信号；其次，根据独立量分析ICA算法对所得噪声电压信号进行独立分量分解，得出噪声电压信号的波形特征结果；最后，将所得噪声电压信号的波形特征结果与被测设备中各个电子器件产生的信号特征进行对比分析，确定产生噪声电压信号的特定电子器件，最终确定出传导电磁干扰噪声源。本发明精确、快速地解决了以电子器件为核心的传导噪声源识别方面的问题，简洁高效且系统化，基于ICA算法对噪声信号进行有效的分离，更加准确的判断产生传导噪声信号的电子器件，能够更有针对性的减少电磁干扰。

Description

基于电压参数测试ICA算法的传导电磁干扰噪声源识别方法

技术领域

本发明涉及一种基于电压参数测试独立分量分析ICA算法的传导电磁干扰噪声源识别方法，属于电磁兼容技术领域。

背景技术

电磁兼容EMC是英文electromagnetic compatibility的缩写。它包括两层含义，一是设备在工作中产生的电磁辐射必须限制在一定水平内，二是设备本身要有一定的抗干扰能力。EMC必须具备三个要素：干扰源、耦合通道、敏感体。给电子线路供电的开关电源对于干扰的抑制对保证电子系统的正常稳定运行具有重要意义

随着开关电源变换器等电力变换设备的大量使用，使得电力线上产生的传导电磁干扰问题不断涌现并愈演愈烈，严重影响其它设备正常运行，产生的电磁兼容问题也越来越复杂。电磁干扰造成的各种损失是通过电子装置有效性能或技术指标下降来体现的，无线和有线电话，收到电磁干扰会使信号发生畸变失真，严重时可完全被电磁干扰淹没；电磁干扰使数字系统误码率增大，降低了系统信息的可靠性，严重时会发生错误和信息丢失；电磁干扰使金属之间因电磁感应电压而产生电火花或飞弧，损坏金属设备。在一个系统中，各种用电设备能够正常工作而不致相互发生电磁干扰造成性能改变和设备的损坏，就可以称这个系统中的用电设备是相互兼容的。

随着设备功能的多样化、结构的复杂化、功率的加大和频率的提高，同时它们的灵敏度也越来越高，这种相互兼容的状态越来越难获得，为了使系统达到电磁兼容，必须以系统的电磁环境为依据，要求每个用电设备不产生超过一定限度的电磁发射，同时还要求系统本身具备一定的抗干扰能力，随着国家对电子设备传导电磁干扰标准的相继出台，使得电磁兼容问题被各个电子设备制造商所关注。并且，国内外的各种标准明确规定，各类电子设备在销售前必须通过传导噪声标准检测。为了解决电子设备在传导噪声检测时噪声超标的问题，必须对传导噪声问题进行深入研究。

电子设备在进行传导电磁干扰噪声检测时，针对超标噪声需进行一系列的抑制措施，但是由于电子设备存在多个电子器件，且绝大多数电子器件产生的信号波形具有其独特的特征，在采取噪声抑制措施时，针对引起传导电磁干扰噪声超标的电子器件进行整改的方法更为有效、快速，因此找到引起传导电磁干扰噪声超标的电子器件显得尤为重要。

理想状态下，要求每个设备都既可以尽可能的保证其产生的电磁发射在一定的限度内，同时又要求每个设备本身具有一定的抗干扰能力，这是非常难以实现的，在实现这两个要求前，必须对每个设备的电磁发射具有一定的了解才可有针对性的进行提高，但是目前为止还没有一个有效的方法同时检测所有电子器件发出的电磁干扰，对电磁干扰进行有效的识别，从而有针对性的改善需要提高其电磁兼容的设备，这是目前急需要解决的问题之一。

发明内容

本发明所要解决的技术问题是：针对现有技术的缺陷，提供一种基于电压参数测试ICA算法的传导电磁干扰噪声源识别方法，将独立分量分析ICA算法应用于以多个电子器件为核心的电子设备，对该设备中检测出的传导电磁干扰噪声进行分离，针对性地对引起噪声超标的电子器件进行噪声抑制。

本发明为解决上述技术问题采用以下技术方案：

一种基于电压参数测试ICA算法的传导电磁干扰噪声源识别方法，具体步骤包括：

步骤一、采用人工电源网络提取被测设备的噪声电压信号；

步骤二、根据独立量分析ICA算法对步骤一所得噪声电压信号进行独立量分解，得出噪声电压信号的波形特征结果；

步骤三、将步骤二所得噪声电压信号的波形特征结果与被测设备中各个电子器件产生的信号特征进行对比分析，确定产生噪声电压信号的特定电子器件，最终确定出传导电磁干扰噪声源。

作为本发明的优选方案之一，所述步骤二中对噪声电压信号进行独立量分解的具体过程为：

(201)将步骤一所得被测设备的噪声电压信号分别记作V₁、V₂…V_M，其中，当被测设备为单相供电时，M的取值为2；当被测设备为三相供电时，M的取值为3或4；

(202)通过示波器测得V₁、V₂…V_M的图像数据，将上述M组观测信号标记为x_i(t),其中，t为离散时间序列，取值为0,1,2…,i＝1,2,...,M，M组观测信号构成列向量x(t)＝[x₁(t),...,x_M(t)]^T，T表示矩阵的转置；

(203)采用Infomax算法对(202)所得的列向量x(t)进行独立分量分析，以信息最大化作为目标函数，其目标函数L_H(W)的具体表达式为：

$L_H\left(W\right)=\log \left|\det \left(W\right)\right|+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}E\left\{{\log g}_i^{\′}\left(y_i\right)\right\}+(-E\{\log p_z\left(z\right)\left\}\right)---\left(1\right)$

其中，W为分离矩阵，z是由观测信号的列向量x(t)白化处理后得到的向量，E为数学期望，p_z(z)为向量z的边缘概率密度，y＝Wz，y为输出的分离信号，g为非线性函数，g的选取由M取值而决定，具体如下：

g₁＝tanh(ay)；

g₂＝yexp(-y²/2)；    (2)

g₃＝y³；

g₄＝sec²(y)；

其中，a为任意常数；

(204)采用随机梯度下降法对目标函数进行优化，目标函数的等式两边对W进行求导：

$\frac{{\∂L}_H}{\∂W}=\frac{\∂\log \left|\det \left(W\right)\right|}{\∂W}+\frac{\∂{\mathrm{\Σ}}_{i=1}^{M}E\left\{{\log g}_i^{\′}\left(y_i\right)\right\}}{\∂W}---\left(3\right)$

对于公式(3)右边有：

$\frac{\∂\log \left|\det \left(W\right)\right|}{\∂W}={\left(W^T\right)}^{-1}=W^{-T}$

$\frac{\∂{\mathrm{\Σ}}_{i=1}^M\log g_i^{\′}\left(y_i\right)}{\∂W}=-\mathrm{\ψ}\left(y\right)z^T---\left(4\right)$

其中，ψ(y)为评价函数，且：

$\mathrm{\ψ}\left(y\right)={[-\frac{g_1^{\′\′}\left(y_1\right)}{g_1^{\′}\left(y_1\right)},...,-\frac{g_M^{\′\′}\left(y_M\right)}{g_M^{\′}\left(y_M\right)}]}^T---\left(5\right)$

用瞬时值代替将公式(5)式中右边数学期望得：

$\frac{{\∂L}_H\left(W\right)}{\∂W}=W^{-T}-\mathrm{\ψ}\left(y\right)z^T---\left(6\right)$

进而得出：

ΔW＝η(W^-T-ψ(y)z^T)    (7)

其中，△W为分离矩阵W的增量，η为根据迭代次数所更新的迭代率，且0＜η＜1；

因此得出相对梯度算法：

ΔW＝η(W^-T-ψ(y)z^T)W^TW    (8)

化简为：

ΔW＝η(I-ψ(y)y^T)W    (9)

(205)经过迭代求解出最优解的W，将其代入y＝Wz得到分离后的M组独立信号，即为从V₁、V₂…V_M中分离出的独立的噪声电压信号。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

第一、本发明精确、快速地解决了以电子器件为核心的传导噪声源的识别方面的问题，相较于传统的方法来说更加简洁高效、更加系统化；

第二、本发明能够精确地识别出被测设备的传导电磁干扰噪声源，从而能更加有针对性地对该传导干扰噪声源进行整改措施，抑制其传导噪声，使设备通过电磁兼容检测标准；

第三、本发明基于ICA算法对噪声信号进行有效的分离，更加准确的判断产生噪声源信号的电子设备，保证各个设备的正常工作，有针对性的减少电磁干扰。

附图说明

图1是本发明基于电压参数测试ICA算法的传导电磁干扰噪声源识别方法的实验装置系统结构图；

图2是测试系统电路原理图；

图3是正弦波发生器V2所产生的正弦波信号；

图4是方波发生器V3所产生的方波信号；

图5是火线L上的噪声电压波形；

图6是零线N上的噪声电压波形；

图7是经过ICA算法分离出来的方波波形；

图8是经过ICA算法分离出来的正弦波波形；

上述图3至图8中，横坐标均为时间，纵坐标均为电压。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

人工电源网络又称线路阻抗稳定网络，英文全称是Line ImpedanceStabilization Network，通常简写成LISN，也可以叫做AMN(Artificial MainsNetwork)，是一种非常重要的电磁兼容测试器件，主要应用于测量EUT沿电源线向电网发射的骚扰电压。LISN是本发明所述的方法中需要使用到的一个重要设备。

本发明所公开的一种基于电压参数测试ICA算法的传导电磁干扰噪声源识别方法，具体步骤包括：

步骤一、采用人工电源网络提取被测设备的噪声电压信号；

步骤二、根据独立量分析ICA算法对步骤一所得噪声电压信号进行独立量分解，得出噪声电压信号的波形特征结果，这一步骤可以具体为如下的分步骤：

(201)将步骤一所得被测设备的噪声电压信号分别记作V₁、V₂…V_M，其中，当被测设备为单相供电时，M的取值为2；当被测设备为三相供电时，M的取值为3或4；

(202)通过示波器测得V₁、V₂…V_M的图像数据，将上述M组观测信号标记为x_i(t),其中，t为离散时间序列，取值为0,1,2…,i＝1,2,...,M，M组观测信号构成列向量x(t)＝[x₁(t),...,x_M(t)]^T，T表示矩阵的转置；

(203)采用Infomax算法对(202)所得的列向量x(t)进行独立分量分析，以信息最大化作为目标函数，其目标函数L_H(W)的具体表达式为：

$L_H\left(W\right)=\log \left|\det \left(W\right)\right|+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}E\left\{{\log g}_i^{\′}\left(y_i\right)\right\}+(-E\{\log p_z\left(z\right)\left\}\right)---\left(1\right)$

其中，W为分离矩阵，z是由观测信号的列向量x(t)白化处理后得到的向量，E为数学期望，p_z(z)为向量z的边缘概率密度，y＝Wz，y为输出的分离信号，g为非线性函数，g的选取由M取值而决定，具体如下：

g₁＝tanh(ay)；

g₂＝yexp(-y²/2)；    (2)

g₃＝y³；

g₄＝sec²(y)；

其中，a为任意常数；

(204)采用随机梯度下降法对目标函数进行优化，目标函数的等式两边对W进行求导：

$\frac{{\∂L}_H}{\∂W}=\frac{\∂\log \left|\det \left(W\right)\right|}{\∂W}+\frac{\∂{\mathrm{\Σ}}_{i=1}^{M}E\left\{{\log g}_i^{\′}\left(y_i\right)\right\}}{\∂W}---\left(3\right)$

对于公式(3)右边有：

$\frac{\∂\log \left|\det \left(W\right)\right|}{\∂W}={\left(W^T\right)}^{-1}=W^{-T}$

$\frac{\∂{\mathrm{\Σ}}_{i=1}^M\log g_i^{\′}\left(y_i\right)}{\∂W}=-\mathrm{\ψ}\left(y\right)z^T---\left(4\right)$

其中，ψ(y)为评价函数，且：

$\mathrm{\ψ}\left(y\right)={[-\frac{g_1^{\′\′}\left(y_1\right)}{g_1^{\′}\left(y_1\right)},...,-\frac{g_M^{\′\′}\left(y_M\right)}{g_M^{\′}\left(y_M\right)}]}^T---\left(5\right)$

用瞬时值代替将公式(5)式中右边数学期望得：

$\frac{{\∂L}_H\left(W\right)}{\∂W}=W^{-T}-\mathrm{\ψ}\left(y\right)z^T---\left(6\right)$

进而得出：

ΔW＝η(W^-T-ψ(y)z^T)    (7)

其中，△W为分离矩阵W的增量，η为根据迭代次数所更新的迭代率，且0＜η＜1；

因此得出相对梯度算法：

ΔW＝η(W^-T-ψ(y)z^T)W^TW    (8)

化简为：

ΔW＝η(I-ψ(y)y^T)W    (9)

(205)经过迭代求解出最优解的W，将其代入y＝Wz得到分离后的M组独立信号，即为从V₁、V₂…V_M中分离出的独立的噪声电压信号。

步骤三、将步骤二所得噪声电压信号的波形特征结果与被测设备中各个电子器件产生的信号特征进行对比分析，确定产生噪声电压信号的特定电子器件，最终确定出传导电磁干扰噪声源。

下面结合附图对本发明的技术方案做进一步的详细说明：

在本发明的一个具体实施例中，应用所公开的基于电压参数测试ICA算法的传导电磁干扰噪声源识别方法，其具体的实验装置系统结构图和测试系统电路原理图分别如图1、图2所示，将被测设备、人工电源网络(LISN)、示波器、导线等按照附图1连接放置于测试实验台上。附图2所示的测试系统电路原理图中，V2为正弦波发生器，其产生的信号频率为200KHz，峰峰值为4V，其波形如附图3所示；V3为方波发生器，其产生的信号频率为200KHz，峰峰值为4V，其波形如附图4所示。由V2、V3、50Ω电阻R1、50Ω电阻R5组成模拟噪声源。由0.1uf电容C1、C2，50Ω电阻R2、R3组成人工电源网络LISN的射频输出端口。其中，电阻R2、R3为数字示波器的内阻抗，即电阻R2两端的电压为火线L上所提取的噪声电压(V2与V3的混合噪声)，其波形如附图5所示；电阻R3两端的电压为零线N上所提取的噪声电压(V2与V3的混合噪声)，其波形如附图6所示。

接下来，针对测得的火线L和零线N的传导噪声电压，先将这两组混合信号组成一个2*N的矩阵x，对观测信号x进行白化处理得到矩阵z，进行独立分量分析，针对目标函数寻找分离矩阵W的最优解，使y＝Wz具有最大的高斯性，代入简化后的公式(9)，将信号分离成两个独立的信号。

然后，将经过ICA算法分离出的信号与模拟噪声源V2、V3进行对比，其中，分离出的两个信号如附图7、附图8所示。经过对比分析可得，分离出的两个信号的波形特征与V2、V3产生的波形特征一致。

最终，确定引起传导电磁干扰噪声超标的器件即为V2与V3。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (2)

1.一种基于电压参数测试ICA算法的传导电磁干扰噪声源识别方法，其特征在于，具体步骤包括：

步骤一、采用人工电源网络提取被测设备的噪声电压信号；

步骤二、根据独立分量分析ICA算法对步骤一所得噪声电压信号进行独立分量分解，得出噪声电压信号的波形特征结果；

步骤三、将步骤二所得噪声电压信号的波形特征结果与被测设备中各个电子器件产生的信号特征进行对比分析，确定产生噪声电压信号的特定电子器件，最终确定出传导电磁干扰噪声源。

2.如权利要求1所述的一种基于电压参数测试ICA算法的传导电磁干扰噪声源识别方法，其特征在于，所述步骤二中对噪声电压信号进行独立分量分解的具体过程为：

(201)将步骤一所得被测设备的噪声电压信号分别记作V₁、V₂…V_M，其中，当被测设备为单相供电时，M的取值为2；当被测设备为三相供电时，M的取值为3或4；

(202)通过示波器测得V₁、V₂…V_M的图像数据，将上述M组观测信号标记为x_i(t),其中，t为离散时间序列，取值为0,1,2…,i＝1,2,...,M，M组观测信号构成列向量x(t)＝[x₁(t),...,x_M(t)]^T，T表示矩阵的转置；

(203)采用Infomax算法对(202)所得的列向量x(t)进行独立分量分析，以信息最大化作为目标函数，其目标函数L_H(W)的具体表达式为：

$L_H\left(W\right)=\log \left|\det \left(W\right)\right|+\underset{i=1}{\overset{M}{\mathrm{\Σ}}}E\left\{{\log g}_i^{\′}\left(y_i\right)\right\}+(-E\{\log p_z\left(z\right)\left\}\right)---\left(1\right)$

其中，W为分离矩阵，z是由观测信号的列向量x(t)白化处理后得到的向量，E为数学期望，p_z(z)为向量z的边缘概率密度，y＝Wz，y为输出的分离信号，g为非线性函数，g的选取由M取值而决定，具体如下：

g₁＝tanh(ay)；

g₂＝yexp(-y²/2)；    (2)

g₃＝y³；

g₄＝sec²(y)；

其中，a为任意常数；

(204)采用随机梯度下降法对目标函数进行优化，目标函数的等式两边对W进行求导：

$\frac{{\∂L}_H}{\∂W}=\frac{\∂\log \left|\det \left(W\right)\right|}{\∂W}+\frac{\∂{\mathrm{\Σ}}_{i=1}^{M}E\left\{{\log g}_i^{\′}\left(y_i\right)\right\}}{\∂W}---\left(3\right)$

对于公式(3)右边有：

$\frac{\∂\log \left|\det \left(W\right)\right|}{\∂W}={\left(W^T\right)}^{-1}=W^{-T}$

$\frac{\∂{\mathrm{\Σ}}_{i=1}^M\log g_i^{\′}\left(y_i\right)}{\∂W}=-\mathrm{\ψ}\left(y\right)z^T---\left(4\right)$

其中，ψ(y)为评价函数，且：

$\mathrm{\ψ}\left(y\right)={[-\frac{g_1^{\′\′}\left(y_1\right)}{g_1^{\′}\left(y_1\right)},...,-\frac{g_M^{\′\′}\left(y_M\right)}{g_M^{\′}\left(y_M\right)}]}^T---\left(5\right)$

用瞬时值代替将公式(5)式中右边数学期望得：

$\frac{{\∂L}_H\left(W\right)}{\∂W}=W^{-T}-\mathrm{\ψ}\left(y\right)z^T---\left(6\right)$

进而得出：

ΔW＝η(W^-T-ψ(y)z^T)    (7)

其中，△W为分离矩阵W的增量，η为根据迭代次数所更新的迭代率，且0＜η＜1；

因此得出相对梯度算法：

ΔW＝η(W^-T-ψ(y)z^T)W^TW    (8)

化简为：

ΔW＝η(I-ψ(y)y^T)W    (9)(205)经过迭代求解出最优解的W，将其代入y＝Wz得到分离后的M组独立信号，即为从V₁、V₂…V_M中分离出的独立的噪声电压信号。