智能检测要求和信号处理

1、智能检测要求和信号处理Intelligent Measuring & Signal ProcessingChapter 1 概论1.1智能检测系统概述一、传感测量（检测）技术的作用与发展信息技术三大支柱（测控、通信、计算机）之一，位于信息技术的前端，是获得信息的基础技术。应用十分普遍广泛。重要性在20世纪70年代末凸现，80年代之后“传感器热”。日本：列为80年代十大技术之首；美国：列为90年代22项关键技术之一；欧洲：80-90年代传感器销售增长20多倍。检测技术的发展随着社会生产方式的变化而不断进步。人类的每一种生产方式，都以相应的科学技术水平为基础。二、智能检测技术发展的历史背景微电子技

2、术和微型计算机技术的发展为检测过程自动化、测量结果智能化处理和检测仪器功能仿人化等提供了技术平台。1946 电子管计算机，分立元件，第一代1958 晶体管， 分立元件，第二代1964 集成电路（SSI、MSI），第三代1971 （V）LSI（超）大规模集成电路，第四代1971年Intel公司美 第一个单片（4位）微处理器I4004问世，1976年MCS-48（8位），1980年MCS-51 .。之后，16位高性能单片机以及DSP等相继问世。高性能、高速、微型化、低功耗、低价格人工智能技术、信息处理技术的快速发展，为检测系统智能化提供了强有力的工具和条件。专家系统、神经网络、模糊理论等；FFT

3、、自适应滤波、小波分析技术等。技术发展形成的对传感器的巨大需求和广阔的市场前景，以及传感测量技术进步所带来的巨大的社会经济效益 强大推动力。两位数增长、近千亿的市场；美国：电站应用先进检测技术效益110亿美元。传统的检测系统，特别是传感技术的相对落后对技术发展的约束，是导致智能化检测系统发展的内在动因。控制系统三种主要功能模块价格性能比发展变化情况功能模块上世纪70年代上世纪90年代计算机11/1000执行器（以电机为例）11 / 10传感器11 / 3传统的传感器技术在过去的几十年里取得了巨大进步，但已达到技术极限，难于取得性能价格比的突破。手工艺品式的制作过程以及多品种、高性能要求 导致成

4、品率低、高成本、高价格。存在的缺陷：结构尺寸大，动态性能差；输入/输出非线性，且随时间漂移；环境敏感性，且随时间漂移；抗干扰性能差，性噪比低；交叉灵敏度影响，选择性、分辨率不高；结果：稳定性、可靠性、测量精度受影响。现代控制系统发展对检测技术提出了数字化、智能化、标准化的迫切要求。20世纪生产过程自动化技术的发展：60年代 集中控制70年代 分散型控制系统（DCS)，提高可靠性80年代 基于现场总线的开放型控制系统（FCS），是DCS的继承、完善和发展。现场总线是连接控制系统中各智能装置的双向数字通讯（控制）网络，特点和要求为：传输数字信号每一个现场装置通过数字总线挂接在总线上，从而大大减少与

5、上位机之间一对一的连接，可简化系统、提高可靠性、降低成本。标准化接口是系统具有兼容性和开放性，以余户联户界呼唤和扩展。现场装置智能化为提高系统的快速响应与可靠性能，FCS采用“测控职能分散下放到现场装置”，智能现场装置是整个控制管理系统的主体。三、检测系统技术发展现状与特点传感技术与微电子技术，特别是微处理器技术完美结合，密不可分任何一种智能检测系统必然是上述两者的结合。传感技术半导体技术、光电子技术、生物技术等微处理器单片微机由4位、8位、16位到32位；专用 或通用型芯片，DSP、FFT以及ANN芯片等传感器智能化技术智能传感器系统（Intelligent Sensor System）结构

6、集成化、微型化，功能模块化智能化信息处理技术广泛应用FFT、小波分析、数字滤波、非线性补偿、自适应补偿、ANN、Fuzzy算法、信息融合技术等。通用化、标准化接口技术普遍应用串行标准接口RS-232、485HP-ILIC（Inner Integrate Circuit Bus,Philip二线通讯）CAN（控制局域网现场总线Control Area Network）；并行标准接口IEC-625（美国 IEEE-488,国内 ）CAMAC 等四、智能检测（系统）的概念智能传感器（系统）Smart/Intelligent Sensor （System ）智能仪器（系统）Intelligent In

7、strument（System）智能检测（系统）Intelligent Measuring（System）传感器与微处理器赋予智能的结合，兼有信息检测和信息处理功能的系统。具有感知、学习、推理、通讯及管理等功能的系统。以微计算机为核心的具有信息检测功能、并具有模仿人类专家进行分析、诊断和决策等信息综合处理能力的传感测量系统1.2智能检测系统的特征与一般组成结构一、特征测量过程软件控制硬件功能软件化；通过软件实现自动稳零放大、极性判断、量程切换、报警、过载保护、非线性补偿、多功能测试和自动巡回检测等。智能数据处理测量数据线性化处理、平均值处理，频域分析，相关分析，数据融合计算等。高度的灵活性（功

8、能柔性化）以软件为核心，功能和性能指标修改、扩展容易方便。多参数检测和数据融合通过多个高速数据通道，在进行多参数检测的基础上，依据各路信息的相关特性，可实现系统多传感器信息融合，提高检测系统的准确度、可靠性和容错性。测量速度快通过高速数据采样和实时在线的高速数据处理实现。智能化功能强测量选择功能（如量程转换、采样通道和方式选择等），故障诊断功能，人机对话、控制输出等具有高的可靠稳定性、满足系统要求的高精度和自适应能力二、系统一般组成结构系统组成硬件：传感器、信号调理电路、A/D、I/O、微处理器、通讯接口及总线等；软件：检测、控制、诊断、数据处理以及界面生成等程序等。硬件组成结构智能检测系统的

9、三种结构实现途径非集成化实现经典传感器+信号调理模块+数字接口+微处理器+总线接口等集成化实现通过微机械加工技术和大规模集成电路工艺技术，利用半导体基制作敏感元件、信号调理电路和微处理器以及接口电路等。混合结构实现上述两种方式的部分组合课程论文：“智能检测与信号处理技术的发展与应用”要求：1、紧密结合所从事的研究方向和课题；2、以综述性论文格式，要求不少于2000字；3、提交时间：2008-07-05以前。Chpt.2 智能检测系统经典传感技术与数据处理技术基础2.1 传感器一、传感器的工作机理及构成 1. 工作机理守恒定律：能量、动量、电荷守恒定律场定律：力场运动定律 （加速度传感器ma=F

10、）；电磁场感应定律（电容式、电感式、电涡流式位移传感器等）。物质定律：虎克定律、欧姆定律、半导体物质法则（压电、压阻、热阻、光阻、湿阻效应等）其他法则：统计法则等2. 构成与分类按构成原理分类结构型：通常为按场定律构成的传感器，通过传感元件结构参数变化实现信号转换。物性型：一般为利用物质定律构成的传感器，以传感元件物理特性变化实现信号转换。按能量关系分类自源型：输出信号直接由被测量的能量转变而成。如：热电偶、压电式、电磁感应式传感器等。外源型：输出信号由外部电源提供能量，但受被测量控制。如：应变电桥、阻抗变换式传感器等。按环境补偿结构形式分类两相同传感元件置于同一测量环境 差动补偿不同传感元件

11、置于相同或不同一测量环境二、传感器基本特性静态特性通常可表为输入x与输出y的多项式：y=s0+s1x+s2x+snx 基本参数零位：输入x=0时的输出y=s0量程：系统示值范围上、下限之差（满刻度值）灵敏度：s=y/x分辨率：灵敏度阈值。在A/D系统中即为最小量化单位q实际传感器系统通常为多输入-单输出系统：y=f（x1，x2，,xn)y=(f/x1) x1+ (f/x2) x2+ (f/xn) xn交叉灵敏度概念：Sn= f/xn 静态性能指标迟 滞（系统误差）H=|Hm|/yFS重复性（随机误差） R=|Rm|/yFS线性度（系统误差） L=|Lm|/yFS精 度 A=H + R + L温

12、度系数 =ym /(t yFS)2. 动态特性动态特性表述方式：微分方程（一阶、二阶等）传递函数（拉氏变换）H(s)频率（幅频、相频）特性 H(j)、(j)动态误差：=(|H()|-| H(0) |)/| H(0) |2.2 检测误差与数据处理一、检测误差基本概念1. 误差的定义及表示方法绝对误差 x=x-x0 x、x0 分别表示被测量的检测值和真值相对误差 三种表示形式 (a) 相对（真）误差 = x/x0(b) 分贝误差 (在电子学、声学测量中使用较多） x=x0+x=x0(1+x/x0) 20lg x= 20lg x0+ 20lg(1+x/x0) xdB=x0dB+ 20lg(1+ )d

13、B或为： 20lg(1+ )= xdB - x0dB定义分贝误差 ： dB= 20lg(1+ )(c) 引用误差m= x/xm xm为测量系统量程(Full scale)常用电工仪表按m分为7级： 已知仪表为s级，检测误差为： xxms% =(xms%) / x0 为减小，应该尽量使被测量接近量程，一般应选： xm x0(2 /3)2.误差分类系统误差 -在实际相同条件下对同一物理量进行多次测量，误差绝对值和符号保持恒定或按某种确定的规律变化的误差。 -引起：检测系统固有缺陷，检测方法不完善，仪表安装使用不当等。 -处理：可根据误差规律采取一定的技术措施予以减小或消除。粗大误差（人为、偶然误差

14、） -超出在规定条件下预期的（明显偏离真值）误差。 -引起：人为（读数）误差，测量方法错误，仪表缺陷等。 -处理：按一定规则剔除含粗大误差的检测数据随机误差 -在实际相同条件下对同一物理量进行多次测量，误差绝对值和符号已不 可预知方式变化着的误差。 -由互不相关的、对测量值影响较微小的因素共同作用引起：空气扰动、热骚动、噪声、电磁场微变等。 -一般接近正态分布特点：有界性、对称性、抵偿性、单峰性。 -采用数理统计方法减小随机性误差3.检测结果的数学期望和方差对被测量作n次等精度测量，得到n个测量值：数学期望：随机误差：方差：标准方差：- 测量值 X 是一个随机变量- 用于描述检测结果的离散程度

15、，即随机误差对检测结果的影响。4.误差对检测结果的影响随机误差和系统误差的影响关于检测结果的评价计量器具检定规程常用名次术语定义：正确度（Correctness）精密度（Precision）准（精）确度（Accuracy）二、检测误差估计与数据处理基本假定检测数据（误差）接近正态分布：随机误差分布检测值分布用有限次测量数据估计E(X)和(X)数学期望和方差估计值：3. 检测结果置信概率-判定检测结果的可信程度如：已知测量值（误差）分布，希望确定测量结果在数学期望附近某一确定范围的可能性有多大4. 异常数据剔除技术（粗大误差处理）莱特准则Grubbs准则分布图法5. 减小随机误差影响的数据处理的

16、一些技巧采用算术平均值先平均后计算有效数字末位舍入规则不等精度测量的加权平均利用插值和回归函数进行数据再现或预测Chapt.3 智能检测系统硬件结构组成 与接口总线技术3.1 系统硬件结构 单片计算机系统 嵌入式微机系统 PC机系统3.2 接口与总线技术串行接口总线RS-232、485HP-ILIC（Inner Integrate Circuit Bus,Philip二线通讯）CAN（控制局域网现场总线Control Area Network）并行接口总线IEC-625（美国 IEEE-488, 国内 ）CAMAC 等3.3 系统抗干扰设计 Chapt.4 智能检测系统智能化功能 实现方法4.

17、1 检测系统非线性自校正技术非线性是影响检测系统精确度的重要因素，引起的误差属于 “系统误差”的范畴。智能检测系统非线性自校正技术特点：主要通过软件而不是硬件来实现。功能强大、灵活，易于调整，自适应性只要能获得系统各环节的非线性特性（反非线性特性），可不受非线性严重程度的限制可采用系统综合校正方法基本原理：通过求取系统反非线性特性曲线 进行校正1. 分段线性插值法对检测系统（通常主要为前端传感器和信号调理电路）进行静态标定，获得标定点数据对(xi,ui)，i=1,2,n。标定数据反映了系统输入-输出的非线性特性u=f(x)，同时也确定了反非线性校正曲线y=x=g(u)（g是f的反函数）。在相邻

18、标定点建立线性方程-用多段折线逼近反非线性特性曲线y=x=g(u)。建立实际检测数据uy(=x)的分段线性插值实时计算程序，由检测值ui求得对应的被测量xi。标定点数n的确定：根据系统检测精度要求（允许的最大逼近误差）确定。一般当系统非线性程度较严重时，所需n值较大。2. 曲线拟合法最小二乘非线性曲线拟合求取表定点数据(xi,ui)，i=1,2,N (N3)。确定反非线性特性方程，一般可设为多项式： 式中：n根据拟合精度要求确定；ai为待定常数。按最小二乘法确定待定常数ai，令：当J取得最小值应有：可得(n+1)个方程：整理后可得联立线性方程组： A、B为常数矩阵，求解上述方程可确定ai检测系

19、统根据=检测值u，按式(1)求得被测量x值。问题：当标定数据存在噪声，且n较大时，可能遇到 ( ) A为病态矩阵情况，导致求解方程受阻。 解决方法：采用正交多项式函数集k(u) 取代 ，从而使矩阵A为对角阵。采用函数链神经网络方法 3.函数链神经网络方法 求取表定点数据(xi,ui)，i=1,2,N (N3)。确定反非线性特性方程，一般可设为多项式：构建函数链神经网络：联接权值即为待定系数wj，网络输入为： 网络输出为：式中：k为迭代学习次数； 为经过第k次调整后的权值系数； 为第k次迭代学习后，对应输入 的输出估计值。学习算法计算网络输出偏差：权值（待定系数）调整 ：式中： 为学习因子，影响

20、迭代过程稳定性和收敛速度。一般 1.0 迭代终止条件： 几个注意点：函数链神经网络模型实质上为参数化模型；更一般情况，可用BP网络实现检测系统非线性校正（非参数化模型）。网络学习过程标定点数据预处理防止饱和、减小运算误差初始权值的产生随机数学习因子的选取学习速率与稳定性网络泛化能力（generalization)与学习训练方法神经网络的可学习性，模型的动态修正和跟踪4.2 检测系统自校零和自校准技术自校零和自校准概念设系统输入输出静态特性为：实际应用中，由于环境影响或系统参数的变化使： 校零和校准的目的是使系统在实际测量前跟踪零点和灵敏度变化，减小检测误差。传统方法：主要通过精心设计、制造和严

21、格挑选高质量的材料与元器件，工艺品般制作过程和手段等，在一定测量范围内控制a0、a1在某一容许的限度内。智能系统：传感器与微处理器的职能化结合，通过实时校准和标定来自动减小或消除a0、a1的漂移，实现高性价比的检测系统。智能系统自校零和自校准的通常采用的三种方法：三步测量校准法-静态校准方法斜率比动态校准方法-适合于宽量程、多（档位）增益系统非线性输入/输出系统实时在线标定方法-实时在线三点非线性（最小二乘）拟合方法-适合有较大漂移和非线性和快速标定要求系统4.3 检测数据噪声抑制技术噪声抑制技术是智能检测系统实现从受干扰信号中自动快速、准确定量地提取有用信号特征信息的最重要手段。噪声抑制的基

22、本方法：-当噪声或干扰频谱与有用信号频谱不重合时，通过滤波技术减小或消除噪声干扰。-当两者频带重叠时，需采用其他方法（如相关技术、平均技术等）加于处理。4.3.1 数字滤波技术一、滤波器概述频率响应特性：截止频率，频带：低通、高通、带通、带阻等，理想滤波器特性；例：一阶R-C滤波器传递函数及幅频特性模拟滤波器与数字滤波器-连续时间系统与离散时间系统数字滤波器线性非时变数字滤波器所实现的运算可用常系数线性差分方程表示：递归型与非递归型滤波器当bi全为零时，称为非递归型滤波器，其当前输出与过去的输出无关。当bi不全为零时，称为递归型滤波器，其当前输出不仅与过去的输入有关，而且与过去的输出有关。二、

23、数字滤波器基础系统描述方法连续时间系统：时域微分方程x(t) y(t)传递函数H(s)频率特性H(j)离散时间系统：时域差分方程x(n) y(n)离散系统脉冲传递函数H(Z)数字频率特性H(j)2. 离散数字序列的Z变换Z变换的定义从拉氏变换到Z变换离散函数的Z变换Z变换的逆变换三种方法：幂级数展开法、留数法、部分分式展开法Z变换的基本性质三、由连续时间系统模拟滤波器H(s)求等效离 散时间系统数字滤波器H(z)基本思路利用成熟的模拟滤波器设计和分析方法实现等效数字滤波器设计求解方法按系统要求首先设计对应的模拟滤波器，使幅频特性满足给定的|H(j)|，求得传递函数H(s)找出可按H(s)确定待

24、设计数字滤波器H(z)各系数的变换方法，使H(j)特性逼近H(j)由离散系统传递函数到差分方程 近似等效变换方法：冲击响应不变法双线性变换法阶跃响应法微分映射法匹配z变换法等冲击响应不变法使得数字滤波器的单位采样响应等于模拟滤波器冲击响应的等间隔采样序列（的T倍） 例：一阶R-C低通滤波器的等效数字滤波器实现双线性变换法梯形积分（Tustin）变换法基本变换公式为：例：由一阶R-C低通滤波器推导双线性变换公式关于上述等效变换方法的讨论频率响应分析-冲击响应不变法变换中的信号频域混迭问题Tustin变换中数字频率与模拟频率的尺度变换关系4.3.2 其他滤波技术频谱分析处理技术 利用FFT实现的频

25、域谱分析处理滤波法平均滤波技术 同步加算平均、移动平均、中值滤波陷波滤波器设计对特定频率噪声抑制方法4.3.3 自适应滤波技术概念： 在信号统计特性非先验和非平稳条件下，即在很少统计知识情况下，滤波器通过对输入信号的连续递归处理，来调整改变其参数，逐步逼近最优滤波结果。特点：滤波器的脉冲响应函数h(T)是时变的，主要是通过内部有限参数随外部环境变化而调整，达到最佳滤波；具有按一定准则调整修改上述参数的自适应算法；滤波器通常是线性的（时变）系统。4.3.4 相关分析技术 当有用信号和噪声的频带重叠或噪声幅值比有用信号幅值大时，利用相关分析可将有用信号从噪声中提取出来。利用自相关函数检测和识别淹没

26、在随机噪声中的周期信号；利用相关估计去除信号中的特定频率（如工频等）干扰信号；利用自相关分析提取淹没在噪声中的微弱信号。4.4 频率补偿技术目的：通过频率补偿达到改善传感检测系统动态特性，扩展系统频率响应特性频段以满足特定的信号检测要求。方法：数字滤波法：在信号通道中，通过附加补偿传递函数（数字滤波器）环节，使补偿后的总传递函数达到动态性能要求。频域校正法：已知系统传递函数W(s),通过FFT求得X(m)=Y(m)/W(m),再通过IFFT变换，求得X(m)x(t)。4.5 信息（数据）融合技术概念： 数据融合（Data fusion）是指智能检测系统模拟人类大脑对多种感官信息进行综合处理的功

27、能，充分利用多个传感器资源，通过对传感器及其观测信息的合理支配和使用，把在空间和时间上余冗或互补的信息，依据某种准则进行组合来获得对被测对象的一致性解释或描述。定义： 传感器数据融合就是充分利用不同时间和空间的多传感器信息资源，采用计算机技术对按时序获得的多种传感器信息在一定准则下加于自动分析、综合、支配和利用，获得对被测对象的一致性解释与描述，以完成所需的决策与估计，使系统获得比其各组成部分单独作用时更加优越的性能。数据融合的结构及层次： 结构：串行、并行和混合融合结构 层次：像素级融合 特征级融合 决策级融合 关键技术： 数据转换 融合算法数据融合方法：基于数据加权处理的融合方法基于（n维）曲面数据拟合的融合方法基于神经网络模型的数据融合方法基于状态最近邻域法的数据特征融合方法其他数据融合方法Chapt.5