CN105004363B - 强干扰下基于多阈值小波传感器性能在线测试装置及方法 - Google Patents
强干扰下基于多阈值小波传感器性能在线测试装置及方法 Download PDFInfo
- Publication number
- CN105004363B CN105004363B CN201510378952.1A CN201510378952A CN105004363B CN 105004363 B CN105004363 B CN 105004363B CN 201510378952 A CN201510378952 A CN 201510378952A CN 105004363 B CN105004363 B CN 105004363B
- Authority
- CN
- China
- Prior art keywords
- wavelet
- sensor
- threshold
- signal
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
Abstract
本发明涉及一种强干扰环境下基于多阈值小波的传感器性能在线自动化测试装置及方法，首先对传感器检测到的测试点环境参数信号进行滤波和采集；然后通过模糊多阈值小波变换对采集到的信号进行降噪处理，先进行小波分解求得小波系数，并求得每个小波系数的隶属度，舍去隶属度超出预设门限的小波系数，并利用隶属度在门限内的小波系数进行小波重构，得到降噪后的检测数据，根据降噪后的检测数据和测试点的环境参数值计算得到传感器特性指标，完成传感器性能在线自动化测试。本发明将滤波和模糊多阈值小波变换相结合进行降噪处理，降噪后的信号轮廓更明显、清晰并且没有损失细节信号，保持了与原始信号的逼真度，信号的信噪比增加明显。
Description
技术领域
本发明属于传感器性能测试领域，尤其涉及一种强干扰环境下基于多阈值小波的传感器性能在线自动化测试装置及方法。
背景技术
随着科学技术的发展和电子设备的普及应用，电子科学技术己经渗透到各个领域。电子、电气设备己广泛应用于人们的日常生活、国民经济的各个部门、资源开发、太空探索、国防建设等等。电子电气设备不仅数量和种类在增加，而且还在向着数字化、高速化和网络化的方向快速发展。这些电子设备工作时往往会产生一些有用或者无用的电磁能量，这些能量可能会影响自身或者其他设备、系统和生物，我们称之为电磁干扰(EMI)。电磁干扰以两种方式存在:辐射型干扰和传导型干扰。对于辐射型干扰主要靠屏蔽和接地解决，对于传导型干扰主要采用滤波器来解决。
现在传感器广泛应用在科学研究领域和工业生产领域中，只有对传感器特性各项测试达到标准，才能保证传感器的可靠性和准确性。现有的大多数的传感器指标一般都按照计量机构出具的校准书来对其检定点进行系数的修正。而在实际环境中，传感器在不同电磁干扰测试环境按照校准书标定有很大误差。目前针对传感器测试系统设计有基于PCI板卡和LabVIEW以及基于PXI总线和LabVIEW，系统的抗电磁干扰较弱。
传统消噪算法主要有通用阈值方法和Stein无偏风险阈值，在通用阈值方法中，用表示确定的第j层固定阈值，这种阈值的确定方法在个数增加时会损失更多细节小波系数。当小波分解层数N趋于∞时，细节小波系数比大的可能性趋于0。用表示利用Stein无偏风险阈值方法确定的第j层阈值，相对固定阈值更有弹性，当信号重构时，随着噪声的增大，这种阈值选取方法可以包括更多细节小波系数，但在信噪比的提高方面不具优势。
另外，现有的传感器测试仪测试传感器时，只能通过人工接线，一次测量一台传感器，测试完毕之后，拆下接线，换下一台传感器接线测试，通常一批含有数个传感器的测量工作，需要操作人员的数次重复性劳动，劳动效率低下，测量的数据受到人工操作水平的干扰，极不准确，而且加大了生产成本。
大批量的传感器测量完毕后，需要将其中的数据进行记录，组成一组做后续工业应用，现有技术中只能通过人工进行，手工记录的每支产品数据，不仅劳动强度大，而且人工记录的误差大，记录可能出现误记、漏记等现象。
发明内容
本发明的目的在于克服上述现有技术中的问题，提供一种测试准确的强干扰环境下基于多阈值小波的传感器性能在线自动化测试装置及方法。
为了实现本发明的目的，本发明采用如下技术方案：
首先对传感器检测到的测试点环境参数信号进行滤波和采集；然后通过模糊多阈值小波变换对采集到的信号进行降噪处理，先进行小波分解求得小波系数，并求得每个小波系数的隶属度，舍去隶属度超出预设门限的小波系数，并利用隶属度在门限内的小波系数进行小波重构，得到降噪后的检测数据，根据降噪后的检测数据和测试点的环境参数值计算得到传感器特性指标，完成传感器性能在线自动化测试。
进一步地，所述的模糊多阈值小波变换具体处理步骤包括：
101、信号的小波分解：选择小波基并确定小波分解的层数N，然后对信号进行N层小波分解；
102、小波分解后小波系数的阈值处理：
1021、对第1到第N层的每一层小波系数，采用隶属度函数进行阈值量化处理：
式中wj,k是第j层中第k个小波系数，m是隶属度函数曲线与横坐标轴的交点到原点的距离；n为隶属度函数曲线与直线A(wj,k)＝1的交点的横坐标值；
1022、取0＜A(wj,k)＜1作为门限，将A(wj,k)＝0和A(wj,k)＝1对应的小波系数wj,k舍去；
103、小波重构：利用0＜A(wj,k)＜1对应的小波系数，进行信号的小波重构。
进一步地，当小波系数等于Stein无偏风险阈值方法确定的第j层阈值时，将隶属度函数值设为接近0，用σ来表示；当小波系数等于通用阈值方法确定的第j层固定阈值时，将隶属度函数值设为接近1，用1-σ来表示；分别将σ、1-σ代入上式(A)得：
由公式(B)得到参数m和n：
本发明装置的技术方案是：包括依次相连的传感器测试环境调试装置、EMI滤波电路、数据采集模块、数据处理模块和显示控制模块，以及用于供电的电源模块；其中，
传感器测试环境调试装置用于安装传感器，并通过传感器对测试点的环境参数值进行检测转换成电信号；
EMI滤波电路用于对电信号进行滤波，抑制高频干扰；
数据采集模块用于对经过滤波的电信号进行采集，并传送给数据处理模块；
数据处理模块用于通过模糊多阈值小波变换对采集到的信号进行降噪处理，先进行小波分解求得小波系数，并求得每个小波系数的隶属度，舍去隶属度超出预设门限的小波系数，并利用隶属度在门限内的小波系数进行小波重构，得到降噪后的检测数据，根据降噪后的检测数据和测试点的环境参数值计算得到传感器特性指标；
显示控制模块用于根据传感器特性指标绘制其特性曲线并实现记录和界面显示。
进一步地，所述的传感器测试环境调试装置中设置了若干个传感器的采集接口。
进一步地，所述的传感器测试环境调试装置还用于调节环境参数。
进一步地，所述的数据采集模块包括依次相连的运算放大电路、A/D转换电路和数据存储器，其中，运算放大电路与EMI滤波电路相连，数据存储器与数据处理模块相连。
进一步地，所述的数据处理模块包括MSP430微处理器，MSP430微处理器通过RS232接口与显示控制模块相交互。
进一步地，所述的显示控制模块包括上位机和显示屏，其中上位机还用于向数据处理模块发出调节传感器测试环境的指令，数据处理模块通过电压转换模块与PLC相连，PLC与用于执行指令的传感器测试环境调试装置相连。
进一步地，所述的电源模块分别与数据处理模块和电压转换模块相连。
与现有技术相比，本发明具有以下有益的技术效果：
本发明测试方法中通过采集滤波后的信号，有效抑制交流电网中的高频分量对传感器测试数据的影响；再通过模糊多阈值小波变换进行降噪处理，其中，对信号进行小波变换后，噪声的影响表现在小波系数的各个尺度上，信号的主要特征分布在较大的有限个小波系数上，相对来说，信号的小波系数值必然大于能量分散的噪声的小波系数值，因而通过对小波系数进行阈值处理，舍去噪声小波系数，可达到去噪的目的；与传统消噪的算法相比，本发明将滤波和模糊多阈值小波变换相结合进行降噪处理，可以大幅提高信号的信噪比，实验表明，本发明降噪后的信号轮廓更明显、清晰并且没有损失细节信号，保持了与原始信号的逼真度，信号的信噪比增加明显，提高了49.2％～57.2％，均方根误差也有了显著下降，降低了42.8％～45.9％，降噪效果明显；本发明灵活判定系数中包含的主要是信号成分还是噪声成分，以同时实现“消噪”和“保留信号”的目的，使传感器测试结果清晰准确，实现在强电磁设备干扰环境下，对传感器各性能指标的自动化测试。本发明测试方法操作简便、检测的参数准确率高。
本发明测试装置中通过设置EMI滤波电路，对原始信号进行初步处理，再通过数据处理模块，利用模糊多阈值小波变换对信号再次进行降噪处理，不仅降低了噪声干扰，还保留了传感器自动化测试系统压力信号的细节特征，利于得到准确的传感器性能测试结果；通过设置显示控制模块，可以实时显示传感器的特性数据，同时，可对数据进行记录和存档，省去了手工记录每支产品数据的时间，不会出现漏记或误记的现象。
进一步，本发明通过采用多路采集接口，可同时采集多路传感器的信息，一次就可以得到多个传感器的特性指标，提高了效率。
进一步，本发明通过设置传感器测试环境调试装置，能够改变测试的环境参数，便于获取不同的数据，
附图说明
图1是本发明的硬件连接框图。
图2是本发明的EMI滤波器的电路图。
图3(a)是本发明的RS232公头的结构示意图，图3(b)是本发明的RS232母头的结构示意图。
图4是本发明的光电耦合控制电路图。
图5是本发明的系统流程图。
图6是本发明的实验流程图。
图7(a)是压力信号降噪前的波形图，图7(b)是压力信号降噪后的波形图。
具体实施方式
下面结合附图对本发明做进一步详细说明。
本发明测试装置的连接如图1所示，主要包括依次相连的传感器测试环境装置、EMI滤波电路、数据采集与处理模块和显示控制模块，还包括电源模块和电压转换模块等，其中，数据采集与处理模块包括数据采集模块和数据处理模块，显示控制模块包括上位机和显示屏。
传感器测试环境调试装置是为传感器的测试提供不同的环境的设备，对于不同的传感器PLC所控制的执行器也是不一样的，执行器是传感器测试环境调试装置的一部分，例如当测试的传感器为压力传感器时，PLC所控制的执行器就是可改变测试环境压力的设备；当测试的传感器为温度传感器时，PLC控制的执行器就是可以改变测试环境温度的设备，比如加热装置。单片机与PLC进行通信可由MSP430的信号来充当PLC的输入信号，再通过PLC进而控制相应的执行器的变化来改变传感器的测试环境。
传感器测试环境调试装置是电子现场设备，其电源线对传感器测试造成干扰，所以在数据采集模块之前，加入EMI滤波电路，如图2所示，EMI滤波电路包括接地的共模电容C3、C4和共模电感L1，共模电感L1是同一个磁环上绕两个绕向相反和匝数相同的线圈，当干扰出现，主要是共模电感L1为高阻抗来阻止干扰；EMI滤波电路中设置电容C1和C2，防止共模电容C3和C4失效后出现电击穿现象，以及承受干扰源的峰值电压。本发明EMI滤波电路用于给待采集的测试数据进行滤波，作用是允许设备正常工作时的频率信号进入数据采集模块，而对高频的干扰信号有较大的阻碍作用，主要是抑制交流电网中的高频分量对传感器测试数据的影响。
传感器的信号经EMI滤波器滤波后进入数据采集模块，数据采集模块包括运算放大电路、A/D转换电路和数据存储器，把采集到的信号转换后存入数据存储器中等待发送给数据处理模块。
数据处理模块采用MSP430微处理器，用于对信号进行模糊多阈值小波变换降噪处理，并将降噪后的信号通过串口通信模块传送给上位机。
如图3(a)和图3(b)所示，串口通信模块采用RS232接口，数据要从MSP430微处理器传送到上位机需要一个通道进行传输数据，RS232便是这个通道。
显示控制模块主要是由上位机完成，信号数据传送到上位机，由上位机的显示屏进行数据的显示，并可以由上位机生成报表，排除了人工记录的弊端。还可由上位机发出改变传感器测试环境的指令，指令经MSP430微处理器传送给电压转换模块最终传送到PLC的输入端。
针对传统的传感器检测手法效率低的特性，本发明从以下方面来提高检测的自动化程度。
1)在传感器测试环境调试装置中提供了多路采集接口，可同时采集多路传感器的信息，并改动传感器测试环境调试装置的环境参数使不同的数据传到数据处理模块，经相应的数据处理可算出传感器的特性指标。这样一次就可以得到多个传感器的特性指标，提高了效率。
2)同时，上位机可对传感器测试中特定时间段的数据进行记录和存档，显示屏可以实时显示传感器的特性数据，省去了手工记录每支产品数据的时间，不会出现漏记或误记的现象。
由于MSP430微处理器的输出电压为3.3V，而PLC的输入电压为24V，不能直接通信，需要电压转换，电压转换模块选择光电耦合控制电路，电路如图4所示，其中，左端连接电源模块，Ui端连接MSP430微处理器，U0端连接PLC的输入端，在左端加220V电压，Ui端加3.3V控制电压，即MSP430微处理器输出的电压，U0端输出24V电压信号；Ui端输入电压为0V，则U0端输出电压为0V，相当于完成3.3V到24V的电压转换。电源模块是为MSP430微处理器提供3.3V电压以及为电压转换模块提供220V电压。
本发明在信号采集当中的电磁干扰属于传导性干扰，为提高抗电磁干扰能力，本发明采取EMI滤波和多阈值小波变换两种途径相结合来解决抗电磁干扰能力弱的问题。
参见图5，本发明测试方法的具体步骤如下：
步骤一：传感器测试环境调试装置内的多个传感器对不同测试点的环境参数进行检测，获得测试数据，传感器能检测到被测量的信息并将检测到的信息转换成为电信号后输出，以满足信息的传输、处理、存储、显示、记录和控制等要求。
步骤二：为了抑制共模干扰，将传感器测试环境调试装内的不同传感器测试到的信号通过EMI滤波电路。该电路的作用是允许设备正常工作时的频率信号进入设备，而对高频的干扰信号有较大的阻碍作用。然后通过数据采集模块对经过EMI滤波电路滤波后的数据进行采集，数据采集模块将采集的数据发送到MSP430微处理器内进行处理。
步骤三：MSP430微处理器提取到数据后，采用模糊多阈值小波变换去噪，减小电磁干扰，保证传感器测试数据准确性，对存储数据进行处理，通过对采集到的含噪信号进行小波变换得到一组小波系数，然后对小波分解后的小波系数进行阈值处理舍去噪声小波系数，最后进行小波重构，得到降噪后的检测数据，根据降噪后的检测数据和测试点的环境参数值计算得到传感器特性指标，完成传感器性能在线自动化测试。
相对于常规去噪方法来说，模糊多阈值小波变换去噪法能更彻底的去除噪声、完整保留信号细节，模糊多阈值小波变换的具体步骤包括：
本发明引入一个模糊成员函数，充分利用通用阈值法和Stein无偏风险阈值法各自的优势,保留介于由和确定的m和n之间的小波系数。
信号的去噪过程可分为以下三步进行：
(1)信号的小波分解：选择db6或sym2小波基并确定小波分解的层数N，然后对信号进行N层小波分解。
(2)小波分解后小波系数的阈值处理：
a、对第1到第N层的每一层小波系数，选择一种阈值法进行阈值量化处理；
本发明引入升岭型隶属度函数，相应的隶属度函数为:
式中wj,k是第j层中第k个小波系数，m是隶属度函数曲线与横坐标轴的交点到原点的距离；n为隶属度函数曲线与直线A(wj,k)＝1的交点的横坐标值。
由于小于的小波系数最有可能由噪声产生，所以当小波系数等于时，将隶属度函数值设为接近0，用σ来表示，值大于最有可能由原始信号产生，当小波系数等于时，可将隶属度函数值改为接近1，用1-σ来表示，分别将σ、1-σ代入上式(A)得：
因此由式(B)可以推出参数m和n的表达式为：
b、取0＜A(wj,k)＜1作为门限，将A(wj,k)＝0和A(wj,k)＝1对应的小波系数wj,k舍去，保留隶属度函数值在门限内对应的小波系数；
(3)小波重构：根据阈值量化处理后的第1层到第N层的小波系数，利用保留下来的0＜A(wj,k)＜1对应的小波系数，进行信号的小波重构。
本方法的核心思想是：引入模糊理论，通过建立隶属度函数，计算出每个测试点信号幅值的隶属度，再利用模糊多阈值小波变换去噪法设定门限来分析隶属度，门限为小波系数在m和n之间时所对应的隶属度，保留隶属度在门限内的信号，去除隶属度在门限外的信号，从而达到保持有用信号不受损失的同时消除噪声的目的。
步骤四：将传感器特性的各项指标通过串口通信方式传给上位机，从而绘制其特性曲线并实现界面显示；在较强的电磁干扰下实际的传感器测试实验系统验证了该算法能够有效滤除实测信号中的干扰噪声，具体详见实施例及测试结果。
步骤五：上位机对MSP430微处理器发送指令，控制传感器测试环境调试装置，改变传感器测量处的环境参数。
步骤六：传感器测试环境调试装置接收到发送调的控制指令，调节各传感器测试点的环境值，达到对传感器的各种特性指标测试的目的，实现传感器电器特性自动化测试。
对信号进行小波变换后，噪声的影响表现在小波系数的各个尺度上，信号的主要特征分布在较大的有限个小波系数上，相对来说，信号的小波系数值必然大于能量分散的噪声的小波系数值，因而通过对小波系数进行阈值处理，可达到去噪的目的。
本发明中采用的模糊多阈值小波降噪算法与传统消噪算法相比，可以大幅提高信号的信噪比；采用本方法小波降噪之后，信号轮廓更明显、清晰并且没有损失细节信号，保持了与原始信号的逼真度；本方法考查某一点或某一局部的特点，灵活判定系数中包含的主要是信号成分还是噪声成分，以实现“消噪”和“保留信号”两种处理的优化。
传感器特性的测量方法，以测压力传感器为例：
通过采集到的输出数据和输入的压力数据，经过不同的数学公式和数学方法(后面有列出)可求出传感器的不同的特性，经过与厂家所给传感器的特性指标进行对比，本发明采集到的数据算出的特性指标是在标准范围之内的，也就是在强干扰环境下本发明的也能得出比较好的传感器测量特性。
传感器检测处的实际输入数值和输出的测试数值的数学关系为传感器特性。传感器静态特性是检测点输入和时间无关，即为平稳情况下测量的输出值。传感器的静态模型多项式确定方法不同，最为普遍的应用是理论线性度和最小二乘线性度。实验测试出的数据进行实验建模，来确定出多项式的每项系数。
本发明中取曲线线性部分用最小二乘法线性度拟合方法：
y＝b+kx (1)
其中，y传感器实际测量值，即实际输出电压值。x为施加的液压力，即监测点实际的压力值，k为灵敏度，具体可见灵敏度特性。第j点检测点的测量输出值yj，与拟合直线后的输出差值为：
ΔLj＝(b+kxj)-yj (2)
根据直线的拟合原理：求出所有检测点的平均值中方差的最小值。
由一阶偏导等于0，即算得
本文的传感器特征指标包括以下五个特性：
1)灵敏度
在稳态测试结果情况下，测量实际输出数值的变化差值Δy与对应的激励变化差值Δx的比值，它是拟合直线的斜率:
理想的线性测试系统的静态特性曲线为一条直线，直线的斜率为灵敏度。但实际的测试系统并不是理想的线性系统，其特性曲线不是直线，即灵敏度随输入量的变化而变化，说明不同的输入量对应的灵敏度大小是不相同的，通常用一条拟合直线代替实际特性曲线，该拟合直线的斜率作为测试系统的平均灵敏度。
2)迟滞
迟滞是指传感器对同一激励但激励施加的方向(向上和向下)不同的不同响应，两者的差最大值与标称满量程输出之比为迟滞。
ΔHm正、反向测量的最大差值，YF.S为全量程刻度输出值(即输出的最大量程值)。
3)线性度
线性度是指传感器监测点输入值与该点测量的输出值真实曲线和直线拟合后的偏差程度，非线性误差数值al来表现线性程度大小。根据拟合直线计算标定点的值y与实际标定点测量值最大偏差为ΔMmax。非线性误差表示公式:
ΔMmax是实际特定曲线与拟合直线最大差值，YF.S为全量程刻度输出值(即输出的最大量程值)。
4)重复性
重复性是按照同一维度作整个量程范围多次测试时，不同的测试数据绘制曲线不一致特性和程度。其误差αr一般为随机行误差。
其中为标准偏差，(2～3)为置信因子，(2～3)为置信区间或随机不确定度，其物理意义是：在整个测量范围内，测试系统相对于满量程输出的随机误差不超过αr的置信概率为99.7％。
5)漂移
在外部环境干扰下和一段时间间隔中，输出—输入数值的无关和不需要的变化。其中主要是零点、温度和灵敏度漂移等。通常将当输入为零时的测试系统输出值的漂移称为零漂。灵敏度漂移为测试系统的输入/输出特性曲线的斜率产生变化。
实施例一
以压力传感器为例，具体的实施步骤如下所示：
步骤一：传感器测试环境调试装置为电子现场设备，传感器测试环境调试装置内的多个液压传感器对不同测试点的压力值进行检测，传感器能感受到被测量的信息并将感受到的信息按一定规律变换成为电信号后输出，以满足信息的传输、处理、存储、显示、记录和控制等要求。
步骤二：将传感器采集到的信号通过EMI滤波电路，然后通过数据采集模块对滤波后的测试数据进行采集，并发送到MSP430微处理器。
步骤三：MSP430微处理器提取到数据后，采用模糊多阈值小波变换去噪，减小电磁干扰，保证传感器测试数据准确性。
步骤四：将传感器特性的各项指标通过串口通信方式传给上位机，从而绘制其特性曲线并实现界面显示。在较强的电磁干扰下实际的传感器测试实验系统验证了该算法能够有效滤除实测信号中的干扰噪声。
步骤五：上位机对MSP430微处理器发送指令，控制调控装置，改变传感器测量处的环境。达到对传感器的各种特性指标测试的目的，实现传感器特性自动化测试。由于MSP430微处理器的输出电压为3.3V，因此要经过一个电压转换模块，从而将PLC的输入电压转换为24V。
步骤六：传感器测试环境调试装置接收到发送调的控制指令，调节各传感器测试点的环境压力值，完成对传感器电器特性测试。
本实施例所采用的数据为传感器自动化测试系统检测到的压力信号。信号的信噪比(SNR)越高，原始信号和去噪信号的均方根误差(RMSE)越小，降噪后的信号就越接近于原始标准信号，去噪的效果也就越好。
以下进行两组实验，如图6所示，实验1是传统的不加去噪的方法处理的，实验2是通过本发明EMI滤波和模糊多阈值小波变换降噪处理的。
其中，实验1中传感器采集到的原始信号的信噪比及均方根误差如表1所示：
表1原始信号的信噪比及均方根误差
| 第一组 | 第二组 | 第三组 | 第四组 | 第五组 | 第六组 | 第七组 | 第八组 | |
| SNR | 15.2598 | 15.8637 | 15.3984 | 15.2090 | 16.0321 | 15.8326 | 15.7325 | 16.1036 |
| RMSE | 0.1652 | 0.1593 | 0.1680 | 0.1612 | 0.1638 | 0.1662 | 0.1670 | 0.1577 |
实验2中将传感器采集到的压力信号经过EMI电路滤波和多阈值小波变换降噪，得到如表2所示的降噪后信号的信噪比及均方根误差，可以看出信噪比增加明显，均方根误差也有了显著下降，经过计算可以得出经过降噪处理后信号信噪比(SNR)提高了49.2％～57.2％，均方根误差(RMSE)降低了42.8％～45.9％。
表2降噪后信号的信噪比及均方根误差
| 第一组 | 第二组 | 第三组 | 第四组 | 第五组 | 第六组 | 第七组 | 第八组 | |
| SNR | 23.8566 | 24.0261 | 24.0284 | 23.9096 | 23.9217 | 23.8832 | 23.8832 | 23.8936 |
| RMSE | 0.0907 | 0.0910 | 0.0918 | 0.0906 | 0.0909 | 0.0890 | 0.0903 | 0.0910 |
如图7(a)和图7(b)所示为压力信号降噪前后波形图对比情况，图7(a)为未经处理的原始数据采集的波形图，噪声很大；图7(b)为经过降噪处理后的波形图，噪声干扰减小，曲线特性明显，从而达到了去噪的目的。从图7(b)可以看出降噪效果明显，不仅降低了噪声干扰，还保留了传感器自动化测试系统压力信号的细节特征，说明强干扰环境下基于多阈值小波的传感器性能在线自动化测试装置一种有效的降噪装置。
本发明有较强的抗电磁干扰能力，有很高的自动化程度，操作简便、检测的参数准确率高。
Claims (8)
1.强干扰环境下基于多阈值小波的传感器性能在线自动化测试装置，其特征在于：包括依次相连的传感器测试环境调试装置、EMI滤波电路、数据采集模块、数据处理模块和显示控制模块，以及用于供电的电源模块；其中，
传感器测试环境调试装置用于安装传感器，并通过传感器对测试点的环境参数值进行检测转换成电信号；
EMI滤波电路用于对电信号进行滤波，抑制高频干扰；
数据采集模块用于对经过滤波的电信号进行采集，并传送给数据处理模块；
数据处理模块用于通过模糊多阈值小波变换对采集到的信号进行降噪处理，先进行小波分解求得小波系数，并求得每个小波系数的隶属度，舍去隶属度超出预设门限的小波系数，并利用隶属度在门限内的小波系数进行小波重构，得到降噪后的检测数据，根据降噪后的检测数据和测试点的环境参数值计算得到传感器特性指标；
显示控制模块用于根据传感器特性指标绘制其特性曲线并实现记录和界面显示。
2.根据权利要求1所述的强干扰环境下基于多阈值小波的传感器性能在线自动化测试装置，其特征在于：所述的传感器测试环境调试装置中设置了若干个传感器的采集接口。
3.根据权利要求1或2所述的强干扰环境下基于多阈值小波的传感器性能在线自动化测试装置，其特征在于：所述的传感器测试环境调试装置还用于调节环境参数。
4.根据权利要求1所述的强干扰环境下基于多阈值小波的传感器性能在线自动化测试装置，其特征在于：所述的数据采集模块包括依次相连的运算放大电路、A/D转换电路和数据存储器，其中，运算放大电路与EMI滤波电路相连，数据存储器与数据处理模块相连。
5.根据权利要求1所述的强干扰环境下基于多阈值小波的传感器性能在线自动化测试装置，其特征在于：所述的数据处理模块包括MSP430微处理器，MSP430微处理器通过RS232接口与显示控制模块相交互。
6.根据权利要求1所述的强干扰环境下基于多阈值小波的传感器性能在线自动化测试装置，其特征在于：所述的显示控制模块包括上位机和显示屏，其中上位机还用于向数据处理模块发出调节传感器测试环境的指令，数据处理模块通过电压转换模块与PLC相连，PLC与用于执行指令的传感器测试环境调试装置相连。
7.根据权利要求6所述的强干扰环境下基于多阈值小波的传感器性能在线自动化测试装置，其特征在于：所述的电源模块分别与数据处理模块和电压转换模块相连。
8.利用权利要求1所述强干扰环境下基于多阈值小波的传感器性能在线自动化测试装置进行的强干扰环境下基于多阈值小波的传感器性能在线自动化测试方法，其特征在于：首先对传感器检测到的测试点环境参数信号进行EMI滤波和采集；然后通过模糊多阈值小波变换对采集到的信号进行降噪处理，先进行小波分解求得小波系数，并求得每个小波系数的隶属度，舍去隶属度超出预设门限的小波系数，并利用隶属度在门限内的小波系数进行小波重构，得到降噪后的检测数据，根据降噪后的检测数据和测试点的环境参数值计算得到传感器特性指标，完成传感器性能在线自动化测试；经过降噪处理后信号信噪比提高了49.2％～57.2％，均方根误差降低了42.8％～45.9％；
所述的模糊多阈值小波变换具体处理步骤包括：
101、信号的小波分解：选择小波基并确定小波分解的层数N，然后对信号进行N层小波分解；
102、小波分解后小波系数的阈值处理：
1021、对第1到第N层的每一层小波系数，采用隶属度函数进行阈值量化处理：
<mrow>
<mi>A</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mi>m</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mo>&lsqb;</mo>
<mfrac>
<mi>&pi;</mi>
<mn>2</mn>
</mfrac>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>n</mi>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mi>m</mi>
</mrow>
</mfrac>
<mi>&pi;</mi>
<mo>&rsqb;</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>m</mi>
<mo><</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mi>n</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>></mo>
<mi>n</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
</mrow>
式中wj,k是第j层中第k个小波系数，m是隶属度函数曲线与横坐标轴的交点到原点的距离；n为隶属度函数曲线与直线A(wj,k)＝1的交点的横坐标值；
1022、取0<A(wj,k)<1作为门限，将A(wj,k)＝0和A(wj,k)＝1对应的小波系数wj,k舍去；
103、小波重构：利用0<A(wj,k)<1对应的小波系数，进行信号的小波重构；
当小波系数等于Stein无偏风险阈值方法确定的第j层阈值时，将隶属度函数值设为接近0，用σ来表示；当小波系数等于通用阈值方法确定的第j层固定阈值时，将隶属度函数值设为接近1，用1-σ来表示；分别将σ、1-σ代入上式(A)得：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>&sigma;</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mo>&lsqb;</mo>
<mfrac>
<mi>&pi;</mi>
<mn>2</mn>
</mfrac>
<mo>+</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&lambda;</mi>
<mi>j</mi>
<mi>S</mi>
</msubsup>
<mo>-</mo>
<mi>n</mi>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mi>m</mi>
</mrow>
</mfrac>
<mi>&pi;</mi>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>&sigma;</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mi>sin</mi>
<mo>&lsqb;</mo>
<mfrac>
<mi>&pi;</mi>
<mn>2</mn>
</mfrac>
<mo>+</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&lambda;</mi>
<mi>j</mi>
<mi>F</mi>
</msubsup>
<mo>-</mo>
<mi>n</mi>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mi>m</mi>
</mrow>
</mfrac>
<mi>&pi;</mi>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mo>)</mo>
</mrow>
</mrow>
由公式(B)得到参数m和n：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&lambda;</mi>
<mi>j</mi>
<mi>S</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&lambda;</mi>
<mi>j</mi>
<mi>F</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mi>&pi;</mi>
<mrow>
<mn>4</mn>
<mi>arcsin</mi>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>&sigma;</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&lambda;</mi>
<mi>j</mi>
<mi>F</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>&lambda;</mi>
<mi>j</mi>
<mi>S</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&lambda;</mi>
<mi>j</mi>
<mi>S</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&lambda;</mi>
<mi>j</mi>
<mi>F</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mfrac>
<mi>&pi;</mi>
<mrow>
<mn>4</mn>
<mi>arcsin</mi>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mi>&sigma;</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&lambda;</mi>
<mi>j</mi>
<mi>F</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>&lambda;</mi>
<mi>j</mi>
<mi>S</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>C</mi>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510378952.1A CN105004363B (zh) | 2015-07-01 | 2015-07-01 | 强干扰下基于多阈值小波传感器性能在线测试装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510378952.1A CN105004363B (zh) | 2015-07-01 | 2015-07-01 | 强干扰下基于多阈值小波传感器性能在线测试装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105004363A CN105004363A (zh) | 2015-10-28 |
| CN105004363B true CN105004363B (zh) | 2018-04-03 |
Family
ID=54377126
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510378952.1A Expired - Fee Related CN105004363B (zh) | 2015-07-01 | 2015-07-01 | 强干扰下基于多阈值小波传感器性能在线测试装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105004363B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106683416B (zh) * | 2017-01-06 | 2021-03-02 | 哈工大机器人集团（哈尔滨）华粹智能装备有限公司 | 一种地感车检器背景噪声去除方法和装置 |
| CN109409281A (zh) * | 2018-10-22 | 2019-03-01 | 河南科技大学 | 一种基于改进的小波阈值函数的降噪方法 |
| CN116929451B (zh) * | 2023-07-25 | 2023-12-29 | 河北九华勘查测绘有限责任公司 | 一种基于大数据的管线三维可视化管理系统 |
| CN117786333B (zh) * | 2024-01-08 | 2024-06-04 | 江苏省家禽科学研究所 | 一种肉鸡育种行为数据采集装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101575970B (zh) * | 2008-05-09 | 2012-11-14 | 高岩 | 一种随钻岩性和油藏特性识别方法 |
| CN102213667A (zh) * | 2011-03-21 | 2011-10-12 | 浙江工业大学 | 面向固-液两相软性磨粒流精密加工的测控系统 |
| JP5804409B2 (ja) * | 2011-03-31 | 2015-11-04 | 株式会社ジェイテクト | 車載装置の振動解析及び振動源の特定を行う方法及び装置 |
| CN103901111A (zh) * | 2014-03-24 | 2014-07-02 | 上海电机学院 | 风力发电机组叶片的无损检测系统及方法 |
| CN104614178A (zh) * | 2015-03-10 | 2015-05-13 | 中电投河南电力有限公司技术信息中心 | 一种基于全矢谱的故障征兆提取方法 |
-
2015
- 2015-07-01 CN CN201510378952.1A patent/CN105004363B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN105004363A (zh) | 2015-10-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105004363B (zh) | 强干扰下基于多阈值小波传感器性能在线测试装置及方法 | |
| CN101701986B (zh) | 电子设备电磁辐射干扰预测试诊断系统及其方法 | |
| CN110501631B (zh) | 一种在线间歇故障检测与诊断方法 | |
| CN104808050B (zh) | 一种限压型电涌保护器阻性电流在线监测方法和装置 | |
| Fan et al. | Intelligent fault diagnosis of rolling bearing using FCM clustering of EMD-PWVD vibration images | |
| CN110991481B (zh) | 一种基于交叉小波变换的高压并联电抗器内部松动故障诊断方法 | |
| CN103926470B (zh) | Emi滤波器加载插入损耗自动测试系统 | |
| CN109142863B (zh) | 一种电力系统测频方法及系统 | |
| CN109581268B (zh) | 一种光纤电流互感器故障诊断方法及装置 | |
| CN107133476B (zh) | 一种基于响应混叠性度量的测试激励与测点的协同优化方法 | |
| Cui et al. | Spectrum-based, full-band preprocessing, and two-dimensional separation of bearing and gear compound faults diagnosis | |
| CN106533361B (zh) | 一种基于小波分析的光伏组件故障诊断方法 | |
| CN104454790A (zh) | 一种电液伺服阀性能测试系统 | |
| CN112182490B (zh) | 一种电抗器状态诊断方法及系统 | |
| CN205374588U (zh) | 泄漏电流采集装置 | |
| CN110673000B (zh) | 一种油浸式电流互感器局部放电在线监测方法及装置 | |
| CN117290679A (zh) | 电流互感器的运行状态检测方法、装置及电子设备 | |
| Xu et al. | Rolling bearing fault feature extraction via improved SSD and a singular-value energy autocorrelation coefficient spectrum | |
| CN106124081A (zh) | 永磁同步电机精确多点实时测温方法及系统 | |
| CN105487439A (zh) | 一种应用于多路ad采集的双重隔离装置及方法 | |
| CN113238165A (zh) | 一种基于ifra和svm的电抗器匝间短路故障检测方法 | |
| Liu et al. | A pointer meter reading recognition method based on improved ORB algorithm for substation inspection robot | |
| CN203672481U (zh) | 电力设备噪声检测装置 | |
| Duan et al. | A novel adaptive fault diagnosis method for wind power gearbox | |
| CN211318672U (zh) | 一种用于多端口网络非线性模拟电路的故障诊断系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180403 Termination date: 20210701 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |