《智能化信息处理在智能仪器中应用》由会员分享，可在线阅读，更多相关《智能化信息处理在智能仪器中应用（86页珍藏版）》请在金锄头文库上搜索。
1、3、智能化信息处理在智能仪器中的应用与设计开发 3.1微弱信号检测技术 3.2神经网络在故障检测中的应用 3.3 信号分析与处理,3.1、微弱信号检测技术 3.1.1 概论 3.1.2 微弱信号检测的常用方法,1概述,3.1.1 概论,3.1、微弱信号检测技术,什么是微弱信号1. 幅度极微小的信号2. 被噪声淹没的信号 应用领域微弱信号检测技术是一门新兴的技术学科，应用 范围遍及光、电、声、热、生物、力学、地质、环保、医学、激光、材料等领域。,泄漏电流 几个MA.裂解气体浓度几个ppm介质损耗10-4,信号远距离传输的应用场合,光纤超声传感器,微弱信号与噪声 背景噪声、放大器噪声微弱信号检测的
2、目的：抑制噪声，提取有用信号。途径：分析噪声产生的原因和规律，研究被测信号和噪声的不同特点与相关性，采用电子学、信息处理技术等方法，抑制噪声干扰，提取微弱信号。,3.1.2. 微弱信号检测的常用方法,微弱信号检测的主要方法有：滤波技术（模拟滤波器、数字滤波器）相关检测技术基于混沌振子的微弱信号检测技术硬件设计：调制解调、同步累积、锁相放大硬件系统和软件数据处理技术的有机结合， 是解决微弱信号检测的有效途径。,1 调制解调技术,（1） 目的,解决微弱缓变信号的放大以及信号的传输问题。,（2） 调制方法,a) 幅度凋制(AM),b) 频率调制(FM),c) 相位调制(PM),幅度调制,调幅是将一个
3、高频正弦信号（或称载波）与测试信号相乘，使载波信号幅值随测试信号的变化而变化,幅度调制与解调过程（波形分析）,乘法器,放大器,乘法器,滤波器,x(t),幅度调制与解调过程（数学分析）,2. 低噪声前置放大器的设计,低噪声前置放大器是微弱信号检测系统的第一级，是系统的关键部件之一，用来放大微弱信号。微弱信号检测时需要尽可能减少测量时引入的观测噪声，前置放大器是引入噪声的主要部件之一。所以虽然前置放大器不具备抑制噪声的能力，但是自身产生噪声的高低是决定整个系统最高灵敏度的关键。,低噪声设计目的：给定信号源的条件下，使在信号工作频率范围内有最小的噪声，同时满足通频带、输入阻抗、电路工作点稳定性等多种
4、要求。,主要设计内容：半导体器件及其工作点的选择，满足信号源阻抗与放大器的噪声匹配；根据信号源和被测信号的特点使噪声系数最小或等效输入噪声最小；尽量避免外来的各种干扰。,3. 锁定放大器,锁定放大器是利用互相关的原理设计的一种同 步相干检测仪，是一种对检测信号和参考信号进行 相关运算的电子设备，特点如下：极高的放大倍数，能检测极微弱信号；交流输入，直流输出；非相干信号输入过载电压可达60dB以上。,3.1 锁定放大器的构成原理,当 ，加低通滤波后，得到与被测频率分量成正比的直流信号,波形分析,相敏检波器抑制低频干扰,VP经过低通滤波器后，不产生输出，说明能够抑制低频干扰信号,相敏检波器对高频干
5、扰的抑制,4. 同步累积法,在信号多次重复的情况下，按照信号的规律周 期性重复累加时，噪声被逐渐消除，原始信号逐渐 恢复，重复的次数越多，信噪比越高，系统抑制噪 声的能力就越强。,4.1 同步累积原理,基本原理：利用信号的重复性和噪声的随机性，对信号重复测量多次，使信号同相地累积起来。噪声则无法同相累积，使信噪比得到改善。 测量次数越多，则信噪比的改善越明显。,若测量次数为n，则累积的信号：其中 为累积信号的平均值，另一方面，重复测量n次后，根据各次噪声的不相关性，则累积的噪声等于：式中最后的En为累积噪声的均方根值。,得到信噪比为 : 所以，测量次数n越大，则信噪比的改善越明显。而增加测量次
6、数，就意味着延长测量时间， 所以信噪比的改善是以耗费时间换来的。 输出信噪比与输入信噪比之间的关系 :即:由此可得 :,根据输入信噪比的大小以及对输出信噪比的数值要求，可计算重复测量的次数n。 例如，若已知输入信噪比 ，要求输出信噪比则测量次数:,同步累积器的原理框图,同步累积器的原理框图如图所示:,其中V1（t）为输入信号，V2（t）为与V1（t）周期相同的参考信号， 同步开关受V2（t）产生的控制信号控制，保证V1（t）在累积器中同相地累积起来。,注意: 在实际应用同步累积法的时候，必须注意满足三个条件：（1） 信号应为周期信号（2） 有适当的累积器（3） 能做到同相累积 要保证做到同相累
7、积，则要根据不同的被检测信号波形，确定不同的参考信号。,2.4.2 同步积分器,同步积分器又称相干滤波器，是一种抗噪声能力很强的电路，它采用信号和噪声多次累积平均的方法，将已知频率的信号从强噪声中提取出来。用同步累积器提取正弦信号或者方波图示如下：,输入信号为偶次谐波，信号正负半周分别对电容充放电，相互抵消，积分为零，输出为0 输入信号为k次奇次谐波，输出方波幅度为输入信号幅度的1/K,报告内容：,3.2 神经网络在故障检测中的应用 3.2.1 神经网络的基本概念 3.2.2 神经网络用于故障诊断的基本原理 3.2.3 神经网络用于故障诊断的基本设计过程 3.2.4 应用举例,3.2.1 神经
8、网络的基本概念,人工神经网络是参照复杂的生物神经网络发展起来的，仿照生物的神经元，可以用数学方式表示神经元，引入人工神经元的概念，并由神经元的互连可以定义出不同种类的神经网络，模拟人脑的某些功能。在模式识别、知识工程、故障检测、机器人运动控制等领域有着广泛的运用,根据神经生理学和解剖学的研究，我们人脑中 存在1011左右个神经元（神经细胞），每个神经细 胞大约发出104个连接。,神经元互相连接，形成 神经网络，可以处理大 量的信息。使人脑具有 学习，记忆、认知、推 断等智能,3.2.1 神经网络的基本概念,1、人脑神经系统的模拟,2、生物神经元,生物神经元主要作用：接受和传递信息,3、生物神经
9、网络,不同神经元通过树突与轴突之间突触相连接， 构成神经网络。,4、生物神经元的工作：,神经元具有两种状态,兴奋：膜电压向正偏移超过一定阈值,抑制：膜电压向负偏移,神经元工作是一种电化学过程，神经膜内外存在 电位差（膜电压），静息时为-70mV（膜外正，膜 内负）,当神经元兴奋（膜电压超过阈值）时，会产生 动作电位，即神经冲动由轴突输出。,连接权值,5、人工神经元模型：,神经元输出特性函数,阈值,a,（阈值）,1,0,静止状态,兴奋状态,特性函数常用形式之一为阶跃函数：,. 神经网络的结构,由若干个神经元相互连接，则构成神经网络。由于连接方式的不同，神经网络的类型也不同，一般有分层型和互连型两
10、种。分层型又分为简单前馈网络、反馈型前馈网络和内层互连前馈网络。互连型神经网络有全互连型和局部互连型,6、神经网络的结构,一般前馈网络,神经网络的学习方式,人工神经网络的学习过程，实际就是调节权值和阈值的过程。主要有两种学习方法：有教师学习、无教师学习,7、神经网络学习过程,8常用神经网络：前馈BP网络,网络分为输入层、输出层、隐层，每一层只接受前一层输出作为输入采用误差反向传播算法（BP）,三层BP模型神经网络,8常用神经网络：前馈BP网络,输入层i节点的输出等于其输入xi,隐层j节点的输入，输出分别为：,输出层k节点的输入，输出分别为：,前馈BP网络学习过程：有教师学习算法，其学习方法遵循
11、的是 学习规则,如果任意设置网络初始权值，对于每个样本p（p=1,2,M）,网络的输出与期望输出一般总有误差，定义网络误差为：,那么：,假设BP网络的某层有N个节点，训练集包含M个样本模式对，对于第p个样本，单元j的输入总和记为 ，输出记为 ，该层的期望输出为 上一层的输出记为,该方法称为学习规则,因为：,误差修正学习规则实质是利用梯度最速下降法，使权值沿误差函数的负梯度方向改变，若权值 对于第p个样本的变化量记为,那么：,这里令：,于是,在实际BP学习中，输出单元层和隐层的误差计算是不同的,以三层前馈BP网络为例，说明隐层和输出层权值修正的计算方法,输入学习样本p个,设 为迭代次数，第 次迭
12、代，输出层权值和阈值修正公式为：,与其对应的教师为,为步长,第p1个样本网络输出与期望输出的误差为：,对于第p1（p1=1,2,p）个样本,其输出层第k个节点输入总和为：,输出层第k个节点输出为：,其第k个节点误差修正值为：,隐层单元的误差修正量是通过加权求和所有与j节点相连的输出层的误差修正量，根据隐层输出函数导数按比率减少得到的,对于第p1（p1=1,2,p1）个样本,其隐层第j个节点输入总和为：,隐层第j个节点输出为：,其第j个节点误差修正值为：,当p个样本学习时，当总误差满足,连接权值和阈值训练完毕,为任意正小数， 取决于网络训练精度,设 为迭代次数，第 次迭代，隐层权值和阈值修正公式
13、为：,3.2.2 神经网络用于故障诊断的基本原理,将人们多年积累的工作经验输入计算机，通过学习训练，使之具备在故障诊断方面与人脑相似的分析判断能力,故障诊断逻辑步骤,3.2.3.神经网络用于故障诊断的一般设计过程,合理选择特征量（准确表征故障信息）；收集样本；构建神经网络一般输入层为特征量，输出层对应故障类型或故障部位；神经网络结构的选取，常用的：BP网络；神经网络结构优化；训练神经网络；检测信号送入神经网络，网络即输出故障判断结果；,3.2.4 应用举例,1. 神经网络在机械故障诊断中的应用,某旋转机械中的10 个实际故障样本,网络输入层、隐层和输出层节点数分别取9、6 和10 系统误差 =
14、 0. 001,1. 神经网络在机械故障诊断中的应用,三层BP 神经网络采用正向推理策略进行故障诊断推理 步骤如下: (1) 将故障样本输入给输入层各节点, 并将其 作为该层神经元的输出; (2) 根据相关公式求出隐层神经元的输出作为输出层的输入; (3)根据相关公式求出输出层神经元的输出; (4) 由阈值函数判定输出层神经元的最终输出 结果. 假设用Fk 表示故障类型, 则故障类型阈值判 定函数为,例如设,1. 神经网络在机械故障诊断中的应用,2. 神经网络在变压器故障诊断中的应用基于溶解气体分析(DGA) 的变压器故障诊断各国已研究了多年,已提出了具有实用价值的判断准则,如Dorncnbu
15、rg、Duval、Rogcrs、HAE 法和西德的四比值法、日本的电协研法和IEC 的三比值法。变压器的故障诊断是一个技术和经验相结合的过程,很难用一个简单的物理模型把变压器的故障和各气体联系起来。因为各气体的组成是变压器的形式、容量、电压等级、绝缘油的化学性能、变压器的运行环境及方式等因素的多维函数,即使是同样的变压器,在同样的条件下用不同的判断准则亦可能得出不同的结论。,2 神经网络在变压器故障诊断中的应用,特征量的选取：油中溶解气体H2、CH4、C2H6、C4H4 、C2H2 、CO、CO2 的浓度网络结构： BP网络； 网络输入：油中溶解气体H2、CH4、C2H6、C4H4 、C2H2
16、 、CO、CO2 的浓度； 网络输出：两种故障性质(过热和电弧放电)； 一层隐层(含22 个神经元) 组成BP 网络；,样本构建： 9 个学习样本,19 个检测样本采用训练样本训练网络；采用检测样本检测网络,2 神经网络在变压器故障诊断中的应用,4.1 神经网络在变压器故障诊断中的应用,2 神经网络在变压器故障诊断中的应用,3.3 信号分析与处理 3.3.1傅立叶级数及周期信号频谱特点 3.3.2傅立叶变换的概念 3.3.3 DFT的概念及其公式推导 3.3.4 频谱混迭现象及采样定理 3.3.5 时域有限化和频谱泄漏 3.3.6 抑制频谱泄漏、栅栏效应的措施 3.3.7 DFT参数选择,信号的频谱分析是揭示信号在频域特征的 信号分析方法。理论依据：由法国工程师傅立叶于1807年 提出的，后人称为傅立叶分析理论。,概 述,第6章 信号分析与处理,
