CN104849590A - 一种混合噪声干扰下微弱脉冲信号检测方法 - Google Patents

Abstract

本发明公开了一种用于检测微弱脉冲信号的方法，其先对实测信号进行一维多尺度小波分解，即通过一维小波变换将实测信号分解为N层，并利用小波分解系数对信号的高频部分进行重构，得到N个高频重构信号dj和1个低频重构信号a；然后对重构信号dj分别进行滑动峰态处理，并得到相应的滑动峰态时间序列cj；最后对滑动峰态时间序列cj进行叠加合成和归一化处理，得到最终的滑动峰态时间序列c。通过一维多尺度小波分解预处理，实测信号在不同的分解尺度上表现出了不同的时频域特征，在对其进行滑动峰态处理时，可以实现多滑动窗同步作用的检测效果，有利于对实测信号中混合的噪声、干扰和待检测脉冲等实现差异化分析和处理。

Description

一种混合噪声干扰下微弱脉冲信号检测方法

技术领域

本发明涉及信号处理方法研究领域，特别涉及一种在混合噪声干扰下检测微弱脉冲信号的方法。

背景技术

微弱信号通常是指深埋在噪声干扰中极其微弱的有用信号，这里的微弱主要表示有用信号的能量或幅值因相对于噪声干扰能量或幅值较小而淹没在噪声干扰中。目前，微弱信号处理技术在通信工程、电子对抗、生物医学等领域的微弱周期信号检测中已得到广泛应用，且取得了显著成效。而在实际工程应用领域，还有大量的脉冲信号需要检测，比如地震勘探、故障诊断、无损检测等工程应用中产生的脉冲回波信号、放电脉冲信号、振动冲击信号、超声脉冲信号等，在上述脉冲信号的检测过程中，受实测环境下背景噪声干扰、信号传播衰减以及测试系统灵敏度等因素的影响，均会导致待检测脉冲信号被噪声干扰淹没的情况出现，即实测信号的信噪比显著降低，无法直接判断待检测脉冲信号是否存在，从而严重影响其特征信息的准确提取。在信号处理领域，高阶统计量在抑制高斯噪声、反映非高斯信号特性方面具有显著优势，并得到广泛关注和应用。比如，零均值、零时滞的四阶累积量即峰态对非高斯信号就非常敏感，能够有效描述信号偏离高斯分布的程度。由于脉冲信号具有典型的非高斯特性，因此有科研人员将基于四阶累积量的滑动峰态算法应用在机械故障弱冲击信号的处理和特征提取中。例如，《振动与冲击》第28卷第4期中《基于滑动峰态算法的信号弱冲击特征提取及应用》给出了滑动峰态算法原理，同时，杨富春等人认为机械故障振动信号中往往含有故障引起的弱冲击成分,冲击信号具有显著的非高斯特性,而零时滞四阶累积量即峰态能够描述信号偏离高斯分布的程度；基于峰态这一特性,提取一种基于滑动峰态算法的弱冲击特征提取方法,首先对原信号进行滑动峰态计算,获得一个新的峰态时间序列,然后对该峰态时间序列进行傅里叶变换,提取出信号中冲击成分的频率特征。通过强背景信号及噪声环境下弱冲击特征提取的仿真研究,证明了该方法具有很好的冲击特征提取能力。

在这些现有滑动峰态算法中，滑动窗宽度的取值对微弱脉冲信号的检测结果有直接影响，而滑动窗宽度值的最优取值可以根据峰态值最大化原则计算得到，且其在计算信号的滑动峰态时间序列时是固定不变的。但在实际应用中发现，背景噪声干扰对最优滑动窗宽度的取值确定影响较大，不同类型、甚至同类型不同强度的噪声干扰信号，均会影响最优滑动窗宽度值的计算结果，从而直接影响微弱脉冲信号检测结果。因此，现有滑动峰态算法在混合噪声干扰下对微弱脉冲信号的检测性能会显著劣化，无法达到预期的检测效果。

发明内容

本发明要解决的技术问题是提供一种能够在混合噪声干扰下提取微弱脉冲信号的检测方法，以提高测试系统在低信噪比条件下对微弱脉冲信号的检测能力。

为解决上述技术问题，本发明提供了一种混合噪声干扰下检测微弱脉冲信号的方法，其关键技术在于：其包括下述步骤：

第一步：对实测信号进行一维多尺度小波分解，即通过一维小波变换将实测信号分解为N层，并利用小波分解系数对信号的高频部分进行重构，得到N个高频重构信号dj(j＝1,2,...,N)和1个低频重构信号a；

其中，在进行多尺度小波分解时，小波基函数的选择根据待检测脉冲信号的先验知识来确定；小波分解层数N的选择根据待检测脉冲的提取结果来确定，具体来说，就是当待检测脉冲的提取结果随分解层数N的增加不再发生变化时，此时的N就是满足要求的最小且最优分解层数；N个高频重构信号dj(j＝1,2,...,N)中，d1的分布频段最高，dN的分布频段最低，其余各重构信号按照分布频段从高到低依次排序；

第二步，对重构信号dj(j＝2,3,...,N)分别进行滑动峰态处理，并得到相应的滑动峰态时间序列cj(j＝2,3,...,N)；

其中，滑动峰态处理方法为：对于一个具有n个采样点的实测信号x(i)(i＝1,2,...,n),峰态值c_4x定义为c_4x＝E[x⁴(i)]-3{E[x²(i)]}²，滑动峰态定义为这里表示对x(i)到x(i+L-1)的L个点计算峰态值并取绝对值,利用滑动峰态遍历实测信号x(i)后，就得到与x(i)相对应的滑动峰态时间序列c(i)。这里L是计算滑动峰态时选取的滑动窗宽度，它的取值根据峰态值最大化原则来确定，具体来说，就是对应不同的L值，当滑动峰态时间序列中计算得到的峰态值最大时所对应的L值就是最优的滑动窗宽度；

第三步，对滑动峰态时间序列cj(j＝2,3,...,N)进行叠加合成和归一化处理，得到最终的滑动峰态时间序列c，该时间序列中的脉冲个数及其峰值所对应时刻与实测信号中待检测微弱脉冲信号的个数及其发生时刻相对应，从而实现了对微弱脉冲信号的检测。

采用上述技术方案所产生的有益效果是：由于滑动窗宽度L的选择对峰态序列的计算结果影响较大，而L的最佳取值又与待处理信号的类型、信噪比等因素密切相关。因此，现有峰态滤波算法在利用单一固定滑动窗宽度来检测混合噪声干扰中的微弱放电脉冲信号时，其检测性能会显著劣化，甚至无法实现对微弱放电脉冲信号的准确检测。相比之下，本发明所提出的信号检测方法，通过一维多尺度小波分解预处理，对实测信号进行局部分析和细化，使其在不同的分解尺度上表现出不同的时频域特征，实现了在同一个信号内部利用多个滑动窗宽度进行“区别性对待、针对性处理”的优化检测方案，可以实现多个滑动窗宽度同步作用的检测效果，其检测性能相比采用单一固定滑动窗宽度的现有峰态滤波算法有显著提升，非常适合在复杂背景噪声干扰和低信噪比下实现对微弱放电脉冲信号的检测和特征提取。

附图说明

图1是混合噪声干扰下微弱脉冲信号检测的流程框图；

图2是待检测微弱脉冲信号的时域波形；

图3是混合噪声干扰后实测信号的时域波形；

图4是对图3进行4层小波分解和重构后的结果；

图5是对图4中3个重构信号分别进行滑动峰态处理后的结果；

图6是对图5中滑动峰态时间序列叠加合成和归一化处理后的结果；

图7是利用现有滑动峰态算法对图3进行处理后的结果。

具体实施方式

以下结合具体实施例和附图对本发明作进一步说明。

参见附图1，本发明所述的用于混合噪声干扰下微弱脉冲信号检测方法，包括以下步骤：

第一步：对实测信号进行一维多尺度小波分解，即通过一维小波变换将实测信号分解为N层，并利用小波分解系数对信号的高频部分进行小波重构，得到N个高频重构信号dj(j＝1,2,...,N)和1个低频重构信号a。

其中，在进行多尺度小波分解时，小波基函数的选择根据待检测脉冲信号的先验知识来确定；小波分解层数N的选择根据微弱脉冲信号的检测结果来确定，具体来说，就是当微弱脉冲信号的检测结果随分解层数N的增加不再发生变化时，此时的N就是满足要求的最小且最优分解层数；N个高频重构信号dj(j＝1,2,...,N)中，d1的分布频段最高，dN的分布频段最低，其余各重构信号按照分布频段从高到低依次排序。

举例来说，以检测局部放电产生的微弱脉冲信号为例，其时域波形如图2所示，该信号的采样频率设置为2GHz，采样时间长度设置为1μs，峰峰值约为8.8mV，放电脉冲的发生时刻在第400ns处。受背景噪声干扰、测试系统灵敏度等因素的影响，该微弱脉冲信号在实测环境下经常处于被噪声干扰淹没的状态，即实测信号的信噪比非常低，正如图3所示，无法直接从实测信号的时域波形上判断是否有放电脉冲信号存在，进而也无法准确提取放电脉冲的个数、发生时刻等特征信息。

对图3所示的实测信号进行一维多尺度小波分解，根据放电脉冲信号的时频域特征，选择db8小波为小波基函数；根据放电脉冲信号的检测结果，小波分解层数N选择为4，具体来说，就是当小波分解层数N>4时，根据图1所示的检测流程得到的放电脉冲信号检测结果与N＝4时得到的检测结果一致，因此这里选择N＝4作为最优的小波分解层数。

对实测信号进行4层小波分解后，会得到与实测信号相对应的小波分解系数，利用该小波分解系数对实测信号的高频部分进行小波重构，得到4个高频重构信号d1、d2、d3、d4和1个低频重构信号a，这5个重构信号的时域波形如图4所示。这里从d1到d4，重构信号的分布频段从高到低依次排序。

第二步，对重构信号dj(j＝2,3,4)分别进行滑动峰态处理，并得到相应的滑动峰态时间序列cj(j＝2,3,4)，如图5所示。

从图5中可以看出，根据峰态值最大化原则，由于不同尺度上的重构信号由于其时频域特征、信噪比等存在差异，计算得到的滑动窗宽度L的最优取值也存在一定差异，而正是这种差异性才使得微弱脉冲信号所表现的峰态特征得以从噪声和干扰中分离并凸显出来，但这种差异性在现有的峰态滤波算法中却无法得以体现，这也正是该算法在混合噪声干扰下检测性能将显著劣化的主要原因。

第三步，对滑动峰态时间序列cj(j＝2,3,4)进行叠加合成和归一化处理，得到最终的滑动峰态时间序列c，如图6所示。

从图6中可以看出，滑动峰态时间序列c中出现了一个明显的脉冲特征信号，且该脉冲的峰值对应时刻为401ns，与图2中待检测放电脉冲信号的放电发生时刻基本相符，且放电脉冲个数一致，从而实现了混合噪声干扰下对微弱放电脉冲信号的检测。

这里为了更好的表现本发明提供的检测方法相比现有滑动峰态算法的优越性，利用现有滑动峰态算法对图3所示实测信号进行了分析处理，得到的滑动峰态时间序列如图7所示。从图7中可以看出，在混合噪声干扰下，利用现有滑动峰态算法计算得到的峰态时间序列中，出现了多个脉冲特征信号，其个数与图2中待检测放电脉冲个数明显不一致；且该峰态时间序列中最大脉冲的峰值对应时刻为374ns，与图2中待检测放电脉冲的放电发生时刻也明显不符，即现有滑动峰态算法无法从图3中检测出微弱放电脉冲信号。

本发明通过一维多尺度小波分解预处理，实测信号在不同的分解尺度上表现出了不同的时频域特征，在对其进行滑动峰态处理时，可以实现多滑动窗同步作用的检测效果，有利于对实测信号中混合的噪声、干扰和待检测脉冲等实现差异化分析和处理，弥补了采用单一固定滑动窗宽度的现有滑动峰态算法在抗噪声干扰方面的不足，有利于在复杂背景噪声干扰和低信噪比下实现对微弱放电脉冲信号的检测和特征提取。

虽然本发明已以具体实例进行了描述，但所述实施例仅为了便于说明而举例，并非用以限定本发明，本领域的技术人员在不脱离本发明精神和范围的前提下做进行的各种修改和替换都涵盖在本发明的保护范围内。

Claims (3)

1.一种混合噪声干扰下微弱脉冲信号检测方法，其特征在于：其包括下述步骤：

1)对实测信号进行一维多尺度小波分解：通过一维小波变换将实测信号分解为N层，并利用小波分解系数对信号的高频部分进行重构，得到N个高频重构信号dj(j＝1,2,...,N)和1个低频重构信号a；

2)对重构信号dj(j＝2,3,...,N)分别进行滑动峰态处理，并得到相应的滑动峰态时间序列cj(j＝2,3,...,N)；

3)对滑动峰态时间序列cj(j＝2,3,...,N)进行叠加合成和归一化处理，得到最终的滑动峰态时间序列c，该时间序列中的脉冲个数及其峰值所对应时刻与实测信号中待检测微弱脉冲信号的个数及其发生时刻相对应，从而实现了对微弱脉冲信号的检测。

2.根据权利要求1所述的混合噪声干扰下微弱脉冲信号检测方法，其特征在于:所述步骤1)中，在进行多尺度小波分解时，小波基函数的选择根据待检测脉冲信号的先验知识来确定；小波分解层数N的选择根据待检测脉冲的提取结果来确定：当待检测脉冲的提取结果随分解层数N的增加不再发生变化时，此时的N就是满足要求的最小且最优分解层数；N个高频重构信号dj(j＝1,2,...,N)中，d1的分布频段最高，dN的分布频段最低，其余各重构信号按照分布频段从高到低依次排序。

3.根据权利要求1所述的混合噪声干扰下微弱脉冲信号检测方法，其特征在于:所述步骤2)中，滑动峰态处理方法为：对于一个具有n个采样点的实测信号x(i)(i＝1,2,...,n),峰态值c_4x定义为c_4x＝E[x⁴(i)]-3{E[x²(i)]}²，滑动峰态定义为这里表示对x(i)到x(i+L-1)的L个点计算峰态值并取绝对值,利用滑动峰态遍历实测信号x(i)后，就得到与x(i)相对应的滑动峰态时间序列c(i)；L是计算滑动峰态时选取的滑动窗宽度，它的取值根据峰态值最大化原则来确定：就是对应不同的L值，当滑动峰态时间序列中计算得到的峰态值最大时所对应的L值就是最优的滑动窗宽度。