文摘

为了解决工业传感器信号去噪的问题,一个集成的传感器混合噪声去噪方法提出了基于小波包变换和energy-correlation分析。方法设计的体系结构和关键技术,如小波包变换,energy-correlation分析和处理基于energy-correlation分析、小波包系数的方法。最后,仿真例子为一个特定的信号和一个应用程序的希勒切割电流信号,主要含有高斯白噪声和噪声影响,进行,仿真和应用结果表明,该方法是有效的,优于他人。

1。介绍

一般来说,传感器信号传输过程中经常吵和高斯白噪声是一种常见的和频繁的噪声模型(1]。同时,传感器信号也受到影响噪声造成的各种具体情况,如高频干扰,瞬时扰动大的启动设备,和工作条件变化的传感器2,3]。这两种声音有负面影响在多传感器信息融合系统4]。为了保证传感信息的准确性和可靠性,设备运行的噪音应该过滤信息和原始传感器信号的特点应该保存在最大(5]。

传统信号理论是建立在傅里叶分析的基础上,但基于傅里叶分析去噪方法可能是限制由于其弱点在获取传感器信号的局部特征6)和可能的吉布斯现象(7]。小波分析的关键性质描述局部特征在时域和频域都有迅速成为信号处理领域的一个重要工具,图像编码、模式识别自命名的一般方法构造小波的基础上建立了多分辨率分析在1992年由Mallat [8]。随着小波理论的发展,小波包的概念从提出的正交小波变换Coifman等人的研究吸引了大量关注,近年来,带来新的发展对信号去噪9]。与经典的小波技术相比,小波包分析可以分解信号在小波空间不仅在尺度空间中,也可能意味着噪音不良的细节(10]。

记住以上的观察,基于小波包变换的去噪算法和energy-correlation分析提出了消除传感器混合噪声和本文的其余部分组织如下。节2根据文献,一些相关的作品概述。节3、体系结构等关键技术的方法,小波包变换,energy-correlation分析和小波包系数处理方法,提出了基于energy-correlation分析。仿真例子为一个特定的信号进行去噪和希勒切割电流信号去噪的应用提出了部分4。总结了结论部分5。

2。文献综述

最近的出版物相关本文主要关注三个研究流:去噪方法,小波包变换,energy-correlation分析。在本节中,我们试图总结相关文献。

2.1。去噪方法

传感器信号去噪,传统方法主要依赖于低通滤波基于信号的原则分配在低频率的有限区间,而在高频噪声,如傅里叶变换(11)移动平均滤波器(12和维纳滤波器13]。近年来提出了创造性的算法。时间频率分析是去噪方法的一个重要分支。例如,一个新颖的二元宽带噪声滤波器组构造基于经验模态分解(EMD)和数值实验进行分数高斯噪声(14]。把地震的贡献从姿势由加速度计信号测量,简要地转换方法包括EMD和希尔伯特谱分析,提出了评估的功能水平平衡控制PD患者(15]。滚动轴承的故障分类,应用小波分析去噪的初步振动数据(16]。

基于统计理论的一些方法也应用于噪声去除。为了消除高斯噪声,利用高阶谱对溢流阀故障分析(17]。采用支持向量机(SVM)作为一种自适应噪声消除器消除噪声和扰动以达到良好的控制效果的离散混沌系统基于回声状态网络(18]。独立分量分析(ICA)和主成分分析(PCA)是两种常见的统计理论基于去噪方法(19,20.]。一些其他的方法也研究了国内外研究人员,如奇异值分解(计算)21[],稀疏分解22),和各种自适应滤波器(23,24]。

2.2。小波包变换

小波包变换的实用价值,比其前任更有利,小波变换,和很多的努力和精力一直致力于探索转换参数的影响去噪效果,如母小波的影响(25),小波包基地(26),分解水平(27),和阈值选择28]。作为一个新的有用的工具在信号分析,小波包变换最近出现在各领域的应用。在[29日],基于小波包去噪和谐波检测算法,和突出的区别的有效性通过实验验证了模型的噪声和所需的信号。抑制干扰的乐队在脑电图,搜索一个新的过滤器通过小波包变换和脑电图的研究动态特性在过滤过程中显示了良好的性能(30.]。在[31日),一个自适应各向异性dual-tree复小波包与二元统计模型应用于图像去噪和达到更有吸引力的图像与2 d dual-tree复小波变换进行比较。

2.3。Energy-Correlation分析

为了评价去噪效果和确定最优小波包变换分解水平,均方根误差(RMSE)等指标,利用信噪比和光滑比(RS) (32]。在[33),小波包节点能量是首先提出一个创新的特征选择方法,将小波包变换应用到振动信号的分类。小波包节点的能量比率之间的原始描述和重建信号脉冲无线电信号去噪的方法,并通过小波包变换检测(34]。相关分析的方法来判断信号之间的关系通常是用来表示一种去噪方法的优越性对他人(35,36]。峰值检测导致神经科学研究新算法利用小波系数之间的相关性在不同采样尺度来创建一个健壮的峰值检测器(37]。

2.4。讨论

尽管上述方法基于小波包变换的信号去噪或其他创造性的算法是非常重要的,大多数人要么专注于单一的干扰信号或初衷,消除噪声在某些特殊应用情况的基础上,分析其统计特性和频谱分布。因此,这些方法不能满足信号的多样性。此外,尽管能源和相关的索引通常被用来评价去噪效果,分别很少集成到能源和相关性去噪过程。

因此,本文采用小波包去噪算法,从信号能量的角度,结合相关分析的能量特性是用来修改小波包系数,以便更有效地去除高斯白噪声和噪声影响。

3所示。该方法

3.1。该方法的体系结构

在本节内,一个通用框架影响噪声和高斯白噪声的去噪方法,提出的框架主要由小波包(WP)分解系数修改和WP重建如图1。关键理论支持通过下面的阐述。

3.2。小波包变换(WPT)

在WPT,对于一个给定的标准正交尺度函数和小波函数,双尺度方程(38,39可以描述如下: 在哪里和是一对共轭正交滤波器系数。小波包函数可以定义如下:

然后,当,,。小波包由吗假设尺度函数可以构造标准正交小波基。因此,尺度函数和小波函数小波包中有两个重要属性:正交性在规模和翻译,如下面所示:

WP分解过程中,尺度空间由尺度函数和小波空间由小波函数可以用一个统一的方式表达:

从,然后 在那里,表示平方可积空间的闭子空间,生成的小波包的线性组合后平移和缩放操作。

在多分辨率分析的过程,目标函数分解为子空间,在根据二进制模式,进行进一步分解如下:

最后,小波包系数可以计算40)如下: 在哪里

3.3。Energy-Correlation分析

一般数字信号能量的计算方法是提取和方波信号振幅在时间域的不同位置,并将它们添加在一起(41,42]。为了避免重要的归一化处理,消除的影响相对大型能源如[43,44),在每个采样点的振幅绝对值的总和是选为近似评估能源、和计算方法可以显示如下:

相关性分析是用来探测不确定的两个或两个以上变量之间的关系。因此,不同类型的信号可以被探索内部分化与相关分析。和分别表示两个随机变量;可以给相关系数的计算公式如下: 在哪里

相关系数是命名为“皮尔逊积差相关系数”,通常缩写为皮尔森的。当使用皮尔森的估计相对论,必须遵循以下原则。(1)接近皮尔森的r绝对值接近1,变量之间的相关性就越高。如果皮尔森的绝对值接近0,相关性弱。(2)相关系数的符号表示的不同方向的相关性。在相关规则,加号和减号表示正相关和负相关,分别。

3.4。处理方法对小波包系数基于Energy-Correlation分析

根据energy-correlation关系重构信号经小波包系数和原始信号,实时在线过滤高斯白噪声过程和影响噪声提出了如下。

一步1。开展WP分解原始信号以适当的分解级别和母亲小波系数和获得相应的团体。

一步2。在多分辨率分析的过程中,比较所有的系数在每个子空间和消除奇异数据其中基于预设的阈值。

一步3所示。其余系数重构信号小波包节点。然后,计算能量的比率原始信号之间的相关关系,重构节点信号与原始信号。阈值用于子空间的处理不满意的系数。一系列新的系数从而生成。

一步4所示。获取信号的重建基础上修改后的系数在每个节点上,删除和噪音。最后,检查结果是否匹配过滤要求。如果是这样的话,这个过程可以完成。否则,增加分解水平,重复上述过程。处理方法的流程图基于energy-correlation分析的小波包系数图所示2。

4所示。仿真例子和应用

为了验证本文算法的有效性,进行仿真实验。

4.1。仿真例子

为了进行仿真,模拟正弦信号,噪声是高斯白噪声,影响整合到一个指定的信号。波形如图3和组件指定信号的分析结果如表所示1。

的有效能量,有效信号的能量。在这个例子中,它指模拟正弦信号的能量,高斯高斯白噪声的能量,能量和影响噪声能量的能量的影响。Effective-Gaussian相关系数是有效信号之间的相关系数和高斯白噪声和有效影响相关系数之间的相关系数是有效信号和噪声的影响。

从组件指定信号的分析,我们可以看到相关系数绝对值之间是否在高斯白噪声和正弦信号或脉冲噪声和正弦信号很小。因此,利用相关分析的可行性指数分离高斯白噪声和脉冲噪声的正弦信号证明指定。

基于小波包分解系数和节点的分析重建信号,停止去噪过程当有用信号和干扰信号的强度满足energy-correlation要求。系数在第三层小波包分解的节点图所示4。

有效的信号通过拟议中的去噪方法呈现在图5(一个),删除信号如图5 (b)。从图5 (b),影响信号的高斯白噪声在第112个采样点和313采样点就被消除了。

使用小波去噪方法相比,相同的信号过滤在接下来的仿真,结果显示在图6。图解表明,小波去噪方法消除高斯白噪声,但保留噪音的影响在第112个抽样点和313采样点由于小波去噪方法的属性45]。

信号通过小波变换的梯状的信号。这是因为不仅高斯白噪声,而且一些细节的原始模拟正弦信号通过小波变换过滤过程。信号细节的程度是由小波变换的阈值选择。

为指定的信号,小波包变换的去噪效果基于energy-correlation分析和小波变换进行了分析和比较,研究结果总结在表2。

从表2我们可以看到,去除噪声能量之和越接近预设的混合噪声和较小的原始噪声和正弦信号之间的相关系数都表明本文去噪方法有良好的特点和更好的信号去噪效果,而基于小波变换的去噪算法。因此,去噪方法可以进一步应用到信号去噪。

4.2。应用程序

在本节中,提出的去噪算法应用于煤矿采矿机的自动监测系统在河南,中国,提议去噪算法的应用程序接口如图7。

为了获得最初的希勒切割电流和去噪希勒切割电流的实验中,我们改变了主系统和开发一个接口对于这个应用程序,如图7(一)。只需单击按钮,原始希勒切割电流和去噪希勒切割电流将获得,如图7 (b)。

矿山机械是最重要的设备在地下完全机械化采煤的脸上。采矿机的最重要特征,希勒切割电流信号实时揭示了外部负载的切割。因此,它是非常重要的获得完美的传感希勒切割电流信号。最初的希勒切割电流信号由系统导出,和信号波形如图8。

的信号去噪算法基于小波包变换和energy-correlation分析。去噪的结果如图9。

图9(一个)表明,去噪希勒切割电流信号是光滑的和详细的信息主要是保存。因此,希勒的实时运行状态,可以适当地反映。这是发现从图9 (b)去除噪声信号包含许多突变组件的消除传感器信号的稳定具有重要意义。希勒切割电流信号的去噪结果总结在表3。

从表3我们可以推断的影响受到希勒切割电流信号不明显。然而,我们也实现良好的去噪效果,因为该方法获得的有用信号和噪声是不相关的。

5。结论

从原始信号中提取有用的信息收集的传感器是重要的是否反映设备运行状态或传感器节点之间的数据融合。一个集成的传感器混合噪声去噪方法提出了基于小波包变换和energy-correlation分析。建议的方法的关键技术,如提出的架构方法,小波包变换,energy-correlation分析和处理方法的细节,描述。此外,一个仿真例子为一个特定的信号和剪切的一个应用切割电流信号自动监测系统的采矿机,进行仿真和应用结果表明,该方法是有效的。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

支持中国国家重点基础研究计划(973计划),关键基础研究无人采矿设备深陷危险煤层(2014 cb046300),中国国家高技术研究发展计划(2013 aa06a411), Xuyi矿山设备和材料研发中心创新基金项目(没有。CXJJ201306),江苏省清局域网项目,优先级的学术程序开发江苏高等教育机构在执行这项研究。