一种基于改进半经典信号分析的微弱信号检测方法

摘要

本发明公开了一种基于改进半经典信号分析的微弱信号检测方法，包括以下步骤：(1)获取强噪声背景下包含微弱目标信息的振动信号；(2)对振动信号进行量子域转换，便于对量子域中的信号进行降噪处理和微弱目标信号检测；(3)对量子域中的信号进行特征提取；(4)利用自相关算法对量子域信号特征进行降噪处理；(5)对降噪后的量子域信号特征进行重构，将量子域信号恢复为时域信号，此信号即为所需微弱目标信号。本发明使半经典信号分析算法应用于微弱信号检测，解决了相关检测算法无法检测相关性噪声问题，精确检测‑30dB噪声下的微弱信号，有效改善信号信噪比，提高微弱信号检测精度，易于实现。

说明书

技术领域

本发明属于微弱振动信号分析处理领域，具体涉及一种基于改进半经典信号分析的微弱信号检测方法。

背景技术

微弱信号泛指在强噪声背景下，目标信号幅值远远小于噪声信号幅值的信号。噪声信号幅值是目标信号的十倍甚至更高，信噪比为-10dB甚至更低，目标信号完全湮没在强噪声之中，如何将这样的目标信号从强噪声中检测并分离，即微弱信号检测问题。

在生产生活中，强噪声背景非常常见，如汽车发动机噪声和胎噪的复合强噪声、航空发动机运行是产生的强噪声、轮船轮机噪声和海浪水声复合的强噪声等等。在这样背景下采集的振动信号很容易湮没在强噪声中，振动信号中包含的运行状态参数、故障特征等目标信息无法及时、准确、有效的被识别和传递，会对设备整体运行稳定性和安全性产生极大不良影响。因此，对微弱信号检测问题的研究有着非常重要的意义。

一些传统的微弱信号检测方法，如锁定放大法，可以避免低频噪声的污染，能保证较高的检测精度，但是有无法处理同频干扰及较高频率的信号，相敏检测器存在相位误差等缺点；相关检测方法，具有原理简单和易于软硬件实现等优点，但是，随着噪声功率的增加或出现相关性噪声时，微弱信号的检测成功率和检测精度会严重下降。

半经典信号分析(Semi-Classical Signal Analysis,SCSA)由Taous-Meriem教授在2013年提出，主要用于血压、核磁共振谱检测等医学用途中，对脉冲信号降噪和重构都有很好的效果，但是微弱信号的信噪比远远低于血压、核磁共振谱的信噪比，SCSA算法无法直接用于微弱信号检测中。因此，本发明探索一种检测精度更高的，可用于微弱信号检测的改进半经典信号分析方法。

发明内容

针对现有技术中存在的上述问题，本发明的目的是提供一种基于改进半经典信号分析的微弱信号检测方法，以提高微弱信号检测精度。

为实现上述目的，本发明采用如下技术方案：

一种基于改进半经典信号分析的微弱信号检测方法，包括以下步骤：

(1)获取强噪声背景下包含微弱目标信息的振动信号；

(2)对步骤(1)获取的振动信号进行量子域转换，便于对量子域中的信号进行降噪处理和微弱目标信号检测；

(3)对步骤(2)得到的量子域中的信号进行特征提取；

(4)利用自相关算法对步骤(3)提取的量子域信号特征进行降噪处理；

(5)对经步骤(4)降噪后的量子域信号特征进行重构，将量子域信号恢复为时域信号，此信号即为所需微弱目标信号。

所述步骤(2)中，量子域转换通过式(1)所示的薛定谔乘法算子Φ的离散谱公式实现：

其中，H

对式(1)进行简化和替换，

其中，h是SCSA算法参数。

所述步骤(3)中，通过式(3)进行特征提取：

H

其中，λ是H

所述步骤(4)中，自相关算法如式(5)所示：

其中，R

当混叠高斯白噪声信息的特征向量经自相关计算后，能够实现对量子域特征信号的降噪。

所述步骤(5)中，通过式(12)进行信号重构：

其中，y

有益效果：本发明使半经典信号分析算法应用于微弱信号检测，解决了相关检测算法无法检测相关性噪声问题，精确检测-30dB噪声下的微弱信号，有效改善信号信噪比，提高微弱信号检测精度，易于实现。

附图说明

图1为基于改进半经典信号分析的微弱信号检测技术总体流程图；

图2为仿真验证中无噪声目标信号的时域波形图；

图3为仿真验证中无噪声目标信号的频谱图；

图4为仿真验证中加入-30dB白噪声的仿真信号的时域波形图；

图5为仿真验证中加入-30dB白噪声的仿真信号的频谱图；

图6为仿真验证中使用SCSA算法后信噪比为-1.24dB的时域波形图；

图7为仿真验证中使用SCSA算法后的频谱图；

图8为仿真验证中使用改进SCSA算法后信噪比为19.10dB的时域波形图；

图9为仿真验证中使用改进SCSA算法后的频谱图。

具体实施方式

下面结合附图对本发明做更进一步的解释。

本发明提供一种基于改进半经典信号分析(Semi-Classical Signal Analysis,SCSA)的微弱信号检测方法，总体流程图如图1所示。

本实施例中，以车辆发动机和胎噪的复合噪声作为强噪声背景，采集车辆传动轴振动信号，检测其中的微弱目标信号，具体包括以下步骤：

步骤1：获取强噪声背景下包含微弱目标信息的振动信号。

利用传感器采集传动轴振动信号，将振动信号转换为模拟电信号，再将模拟信号转化为数字信号。

步骤2：对强噪声背景下包含微弱目标信息的振动信号进行量子域转换，便于对量子域中的信号进行降噪处理和微弱目标信号检测。

量子域转换：利用公式(1)薛定谔乘法算子Φ的离散谱公式，计算薛定谔算子的谱H

其中，H

为方便计算，对公式进行简化和替换，

其中，h是SCSA算法参数。

步骤3：对量子域中的信号进行特征提取。

特征提取：利用公式(3)计算薛定谔算子的谱H

H

其中λ是H

由特征方程的性质可知，随着n的增加，平方特征向量ψ

步骤4：利用自相关算法对量子域信号特征进行降噪处理。

自相关降噪：对每个负特征值对应的特征向量ψ

其中，R

设特征向量为：

Y(t)＝s(t)+q(t) (6)

其中s(t)为目标信息，q(t)为噪声信息。对特征向量做一次自相关后：

R

其中R

R

如果q(t)是标准的高斯白噪声，则E[q(t)]、E[q(t+τ)]都是0，从而E[s(t).q(t+τ)]、E[s(t+τ).q(t)]都为0，因此R

R

理论上当τ≠0时R

步骤5：对降噪后的量子域信号特征进行重构，将量子域信号恢复为时域信号，此信号即为所需微弱目标信号。

信号重构：利用公式(12)进行信号重构，

其中，y

去除步骤4的自相关计算即为SCSA算法。

在SCSA算法中，当h逐渐减小时，重构后的信号y

相关检测方法在检测微弱信号时，若出现相关性噪声，微弱信号的检测成功率和检测精度会严重下降。本发明所提改进SCSA算法通过将信号转化为薛定谔算子谱，再分解为特征向量的方式，降低了噪声信号和目标信号的相关性，弥补了相关检测方法的缺点。即使出现相关噪声，也可以保证微弱信号检测精度，提高检测成功率。

利用本发明提供的一种基于改进半经典信号分析的微弱信号检测技术进行仿真验证。首先选取目标信号s(t)＝2sin(2*π*50*t)，采样点数200，采样频率1000Hz。仿真信号为目标信号混叠信噪比为-30dB的高斯白噪声，无噪声目标信号的时域波形和频谱图如图2、图3所示，添加-30dB噪声的仿真信号的时域波形和频谱图如图4、图5所示。观察图5仿真信号频谱图，虽然可以找到目标信号的频率，但是幅值产生了很大变化，而且其他频率的幅值也非常突出，无法进行信号分析。信噪比定义如公式(13)所示，

为了更加清晰的展示改进SCSA算法的效果，对仿真信号分别使用SCSA算法和改进SCSA算法进行降噪重构，SCSA算法重构后时域波形图和频谱图如图6、图7所示，改进SCSA算法重构后时域波形图和频谱图如图8、图9所示。根据式(13)计算的降噪前后信噪比如表1所示。

表1算法使用前后信噪比

图6是使用SCSA算法后信噪比为-1.24dB的时域图，图8是使用改进SCSA算法后信噪比为19.10dB的时域图。观察表中的数据和结果图，虽然SCSA算法可以改善信噪比，但是从图6时域图和图7频谱图中明显看到降噪效果并不理想，在图7频谱图中目标信号的频率非常微弱，算法检测精度极低，无法作为特征进行识别，由此说明SCSA算法无法对微弱信号后进行检测。观察使用改进SCSA算法后的结果图，图8时域图结果和图2目标信息时域图非常接近，计算信噪比为19.10dB，降噪前后信噪比大幅提升，降噪效果非常明显，图9频谱图中最高峰频率和目标信号的频率相同，幅值非常近似，算法检测精度高，目标特征非常突出，为后续信号分析奠定良好的基础。综上所述，本发明所提的改进SCSA微弱信号检测技术可以很好的改善微弱信号的信噪比，大幅提高检测精度。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。