智能化信息处理在智能仪器中的应用

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 微弱信号检测的目的：抑制噪声

2、，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 调幅是将一个高频正弦信号（或称载

3、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缓变信号调制高频信号放大放大高频信号解调放大缓变信号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)乘法器放大器x(t)z(t)x m(t)乘法器滤波器z(t)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

4、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

5、频干扰VRt参考电压低频干扰VNPSD输出VPttVP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扰的抑制f3f参考平均值f4f参考平均值=04. 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

6、，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

7、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

8、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

9、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）10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

10、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、神经网络的结构第1隐层第3隐层121111x2x1y1h3h2h输入层输出层第2隐层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nml8常用神经网络：前馈BP网络输入层i节点的

11、输出等于其输入xi隐层j节点的输入，输出分别为：nml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为步长为误差修正量因为：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

12、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

13、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

14、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 = 0. 0011. 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)

15、 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Dorncnburg、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

16、构：BP网络；网络输入：油中溶解气体H2、CH4、C2H6、C4H4 、C2H2 、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

17、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3.3.1 傅立叶级数1. 傅立叶级数的基本思想 任一周期函数（信号）都可由基波及与基波频率成整数倍的幅值不同的三角函数合成，称之为傅立叶级数。 对非周期函数，若是时限的，则将函数以其持续时间为周期，对信号进行周期延拓，变成周期信号后，可用傅立叶级数展开。 第6章 信号分析与处理 设 为一周期信号并满足狄里赫利条件，则可用傅立叶级数展开，展开形式分实数（三角函数）形式和复数形式。2. 傅里叶级数

18、的数学基础 第6章 信号分析与处理（1）傅立叶级数的三角函数形式称为幅频谱；信号中的 m 次谐波分量的幅值；信号中的 m 次谐波分量的初相角；称为相频第6章 信号分析与处理式中 为傅里叶级数系数，也称频谱系数。记为第6章 信号分析与处理（2）傅立叶级数的复数形式3 周期信号的频谱特点 （1） 离散性 （2） 谐波性 （3） 收敛性第6章 信号分析与处理3.3.2 傅立叶变换和非周期信号频谱（1）由傅立叶级数推导出傅立叶变换公式 （2）非周期信号频谱的特点离散谱连续谱第6章 信号分析与处理3.3.3 离散傅里叶变换（DFT）1 基本概念 离散傅立叶变换是傅立叶变换CFT经过时域和频域有限化和离散

19、化处理后导出的计算机系统分析信号频谱的公式。它实际来源于CFT。第6章 信号分析与处理2 离散傅立叶变换式的推导 在理解对信号在时域上离散化和有限化处理过程的基础上，加深对采样定理、频谱泄漏、栅栏效应等物理概念的理解，从而掌握对信号进行频谱分析时，各主要参数的选择方法。 先将CFT的正、逆公式合写为： 对信号在时域上进行离散化： 采样的长度是有限的，信号长度为： 频域上离散化： 显然输出最高频率为：其它：代入（1）式中得：得正、逆离散傅立叶变换式：DFT：IDFT： （1）原连续信号在时域离散化后所得信号与原信号的频谱是否一致？都相应发生那些变化？ 采样周期如何选择？（2）对信号进行时域有限化

20、处理后所得信号频谱会发生那些变化？ 采样长度L如何选择？思考第6章 信号分析与处理3.3.4 频谱混迭与采样定理1 频谱混迭 频谱为原信号频谱的周期延拓，延拓周期为采样频率的倒数。第6章 信号分析与处理（a）无混叠象（ ） （b）频谱混叠（ ） 第6章 信号分析与处理 （1） 信号经采样后，其频谱为原信号频谱的周期延拓，延拓的周期为 ，且在幅值上为原信号频谱幅值的 倍。 （2）若连续信号的最高频率为 则当 时，频域波形会产生混叠。香农采样定理第6章 信号分析与处理3.3.5 时域有限化与频谱泄漏1 频谱泄漏产生的原因 以余弦信号为例，说明对一个非时限信号进行有限化处理所引起的泄漏问题。 对余弦信号有限化得到信号的频谱为中心频率分别在 处的两个sinc函数的叠加。 截短（有限化处理），就等于将该序列乘以一个矩形窗: