微弱信号检测方法的现状分析_精品文档资料下载.pdf

微弱信号检测方法的现状分析_精品文档资料下载.pdf

《微弱信号检测方法的现状分析_精品文档资料下载.pdf》由会员分享，可在线阅读，更多相关《微弱信号检测方法的现状分析_精品文档资料下载.pdf（6页珍藏版）》请在冰豆网上搜索。

基于非线性理论的检测法中重点分析随机共振。

分析认为基于非线性理论的微弱信号检测法、多种检测方法的结合是未来微弱信号检测的研究方向。

关键词：

振动与波；

微弱信号检测；

时域；

频域；

随机共振中图分类号：

TN911.23文献标识码：

ADOI编码：

10.3969/j.issn.1006-1355-2011.03.037AnalysisofMethodsofWeakSignalDetectionAnalysisofMethodsofWeakSignalDetectionXIAJun-zhong1,LIUYuan-hong1,LENYong-gang2,GEJi-tao1（1.AutomotiveEngineeringDepartment,MilitaryTransportationUniversity,Tianjin300161,China2.SchoolofMechanicalEngineering,TianjinUniversity,Tianjin300072,China）Abstract:

Abstract:

Weakcharacteristicsignaldetectionembeddedinstrongnoisebackgroundisadifficultprobleminengineeringapplications.Inthispaper,themethodsofweaksignaldetectionintimedomain,frequencydomain,time-frequencydomainbasedonlineartheoryandnon-lineartheory,aresystematicallystudied.Thebasicprinciplesandcharacteristicsofthesemethodsareanalyzed.Inthemethodsofcorrelationdetectioninthetimedomain,samplingintegral,digitalaveragingandtimeaveragingareanalyzed;

whileinthemethodoffrequencydomaindetection,thewidelyusedmethodoffrequencyspectrumanalysisisstudied.Inthemethodoftime-frequencydomainanalysis,thewidelyappliedSTFTandwavelettransformationareanalyzed.Thestochasticresonanceisemphasizedinthemethodbasedonthenonlineartheory.Finally,itisconcludedthatthemethodsofweaksignaldetectionbasedonthenonlineartheoryandcombinedmethodsmaybecomearesearchconcentrationinthefuture.Keywords:

Keywords:

vibrationandwave;

weaksignaldetection;

timedomain;

frequencydomain;

stochasticresonance微弱信号检测技术是运用电子学、信息论、计算机和物理学等方法，研究被测信号和噪声的统计特性及其差别；

采用一系列信号处理方法，从噪声中检测出有用的微弱信号，从而满足现代科学研究和技术应用需要的检测技术1,2。

微弱信号检测特点是第一，在较低的信噪比中检测微弱信号。

造成信噪比低的原因，一方面是由于特征信号本身十分微弱；

另一方面是由于强噪声干扰使得信噪比降低。

收稿日期：

2010-09-06；

修改日期：

2010-10-25项目基金：

国家自然科学基金：

50975202作者简介：

夏均忠（1967-），男，山东济宁泗水县人，博士，目前从事汽车故障诊断与智能检测研究。

E-mail：

如在机械设备处在故障早期阶段时，故障对应的各类特征信号往往以某种方式与其它信源信号混合，使得特征信号相当微弱；

同时设备在工作时，又有强噪声干扰。

因此，特征信号多为低信噪比的微弱信号。

第二，要求检测具有一定的快速性和实时性。

工程实际中所采集的数据长度或持续时间往往会受到限制，这种在较短数据长度下的微弱信号检测在诸如通讯、雷达、声纳、地震、工业测量、机械系统实时监控等领域有着广泛的需求3-5。

微弱特征信号检测方法日新月异，从传统的频谱分析、相关检测、取样积分和时域平均方法到新近发展起来的小波分析理论、神经网络、混沌振子、高阶统计量，随机共振等方法，在微弱特征信号检测中均有广泛的应用。

微弱信号检测方法的现状分析11时域检测法微弱特征信号的时域检测方法主要有相关检测、取样积分与数字式平均、时域平均等方法。

11.11相关检测相关检测是上世纪60年代发展起来的一门技术，最早的实用相关检测系统是1953年贝尔实验室的Bennett等利用磁带记录仪技术实现，1961年，Weinreb的文章描述了利用自相关法从随机噪声中提取周期信号。

此后，人们进行了大量的工作，这项技术已经得到广泛的应用6-8。

相关检测主要是对信号和噪声进行相关性分析，相关函数R（）是相关性分析的主要物理量。

确定性信号的不同时刻取值一般都有较强的相关性；

而对干扰噪声，因为其随机性较强，不同时刻取值的相关性一般较差。

利用这一差异，把确定性信号和干扰噪声区分开来。

相关检测包括自相关法和互相关法，自相关法通过自相关函数度量同一个随机过程前后的相关性；

而互相关法用互相关函数来度量两个随机过程间的相关性。

相比自相关法，互相关法提取信号能力越强，对噪声抑制得较彻底9。

通常，互相关是根据接收信号的重复周期或已知频率，在接收端发出与待测信号频率相同的参考信号，将参考信号与混有噪声的输入信号进行相关。

互相关函数表达式为：

Rxy（）=limT01T0Tx（）y（t-）dt设待测信号为x（t）=S（t）+n（t），其中S（t）为特征信号，n（t）为噪声。

y（t）为参考信号，Rxy（）为x（t）与y（t）信号的互相关函数，则互相关函数为：

Rxy（）=Ex（t）y（t-）=ES（t）y（t-）+En（t）y（t-）RSy（）+Rny（）=若n（t）与y（t）不相关，则Rny=0。

因此，Rxy（）=RSy（），式中RSy（）为S（t）信号和y（t）参考信号的互相关函数。

在众多微弱信号检测方法中，相关检测是较为常用和有效的方法之一。

利用相关检测技术对系统进行辨识的精度将受积分时间和信号带宽的影响。

信号带宽越宽，积分时间越长，则精度越高。

11.22取样积分与数字式平均取样积分和数字式平均的工作原理是根据恢复信号的精度要求，将每个信号周期划分为若干个时间间隔，再对这些分隔信号进行取样，将各周期中处于相同位置的取样信号进行积分或平均。

取样积分过程用模拟电路实现，数字式平均过程用计算机的数字处理方式实现10-12。

取样积分技术包括取样和积分两个连续过程，其基本原理如图1所示，待测信号x（t）=S（t）+n（t）经过放大输入到取样开关，r（t）是与待测信号同频的参考信号或待测信号本身。

触发电路根据参考信号波形情况（如幅度或是上升速率）形成脉冲信号，再经过延时后，生成一定宽度的取样脉冲，在取样开关K的控制下，完成对输入信号x（t）的取样，积分仅在取样时间内进行，其余时间积分结果处于保持状态。

图1取样积分基本原理图假设取样周期为T，经过N次积累平均，则输出为：

U（t）=1Ni=0N-1x（t+iT）=1Ni=0N-1S（t+iT）+1Ni=0N-1n（t+iT）当N较大时，由于噪声的随机性1Ni=0N-1n（t+iT）=0所以U（t）=1Ni=0N-1x（t+iT）=1Ni=0N-1S（t+iT）S（t）取样积分和数字式平均是检测已知频率信号的一种有效方法，且适用于具有复杂频谱的信号。

对于任何伴有噪声的重复信号，在其出现期间对信号重复N次取样并累积积分或平均，输出信噪比的改善与N成正比，平均次数N越大，信噪比的改善越大。

11.33时域平均信号时域平均处理是从混有噪声干扰的复杂周期信号中提取有效周期分量的过程，它可以抑制混杂于信号中的随机干扰，消除与给定频率无关的信号分量，包括噪声和无关的周期信号，提取与给定频率有关的周期信号。

因此，能在噪声环境下工作，提高分析信号的信噪比13。

假设以为采样间隔对信号x（t）进行采样，得到离散序列x（n），n=0,1,2。

按有效周期分量的频率f0提取相应周期信号，把x（n）按等长度连续截取N段，每段对应周期为T=1/f0，每段的点数为M，则有序列：

y（n）=1Ni=0N-1x（n-iM）

（1）1572011年6月噪声与振动控制第3期n=（N-1）M,（N-1）M+1,NM-1称为x（n）经过时域平均处理得到的新序列。

序列的y（n）长度为M，M=T/=1/f0。

对式

（1）作Z变换，并根据Z变换的时移特性得Y（Z）=1Ni=0N-1Zx（n-iM）=1Ni=0N-1X（z）z-iM=1NX（z）1-z-MN1-z-M令z=ej2f，化简得时域平均的频率响应函数为H（f）=1-e-j2fMNN（1-e-j2fM）=1-e-2jfN/f0N（1-e-j2f/f0）=e-jfN/f0（ejfN/f0-e-jfN/f0）Ne-jf/f0（ejf/f0-e-jf/f0）时域平均的幅频和相频响应特性分别为|H（f）=1N|sinNf/f0sinf/f0（f）=（N-1）ff0当平均次数N较大时，通带宽度很窄，因此能有效提取与频率f0相关的周期分量。

22频域检测法频谱分析法是最常用的一种频域检测法，用于从背景噪声中提取出信号的特征频率成分，较多地用于微弱周期信号的检测14。

频谱分析是应用傅立叶变换将时域问题转换为频域问题，其原理是把复杂的时间历程波形，经傅立叶变换为若干单一的谐波分量来研究，以获得信号的频率结构以及各谐波幅值、相位、功率及能量与频率的关系。

它是用于研究平稳随机过程性能的一种信号处理技术，常用的频谱分析方法有多种，主要包括功率谱分析、幅值谱分析、相位谱分析等15。

频谱分析的分辨率f是很重要的参数，它取决于所分析信号的时间长度T（Tf=1），微弱信号检测性能与观测时间成正比。

假定观测的正弦信号S（t）=Asin（t），淹没在方差为2的白噪声中，则检测性能正比于A2/（22f），频域分辨率f将全频带分成以f为带宽的小频带。

当噪声为白噪声时，每个小带内的噪声能量相等，且随着f的减小而下降，而信号在包含其频率的带宽内的能量恒为A22，并不依赖于f。

因此，时间长度T越长，f就越小，频率分辨率越高，就可以将很小的频率确定的正弦信号检测出来。

在工程实际中，信号的统计特性可能在长时间内发生变化，因此傅里叶变换在分辨率上有一定的局限性，另外用傅里