基于EEMD的应答器上行链路信号处理的研究

张友鹏， 梁鹏飞

(兰州交通大学 自动化与电气工程学院， 甘肃 兰州 730070)

应答器作为列控系统中重要的点式车-地信息传输设备对列车的安全运行有重要影响[1]。然而在高速铁路复杂的电磁环境中，影响应答器上行链路信号(Balise Uplink Signal，BUS)传输的干扰因素很多，包括地面应答器接收到列控车载设备应答器传输模块(Balise Transmission Module，BTM)天线发送的下行链路高频电磁能量、强电磁干扰以及时刻产生的噪声。这些因素影响应答器的电磁传输过程，导致列车无法正常运行。

在移频键控FSK信号检测方面，陈满堂等[2]利用相位推算法检测信号并分析产生误差的原因，孙艳朋等[3]在小波变换的基础上利用小波包的方法对车载FSK信号进行滤波处理，证明该方法的有效性，另外，有学者采用监频法、差分检波法等检测FSK信号。这些方法对检测纯净的FSK信号非常有效，而当噪声较大时，检测性能就会下降。应答器工作在噪声强、干扰强的背景下，采用以上方法对其检测无法得到精确的应答器上行链路调频信号(Balise Uplink-2FSK，BU-2FSK)。目前在BUS信号噪声处理方面国内还鲜有研究，采用新的方法对其进行检测具有重要的现实意义和运用价值。

在对BUS信号特点以及应答器系统工作原理进行详细分析的基础上，采用集合经验模态分解 (Ensemble Empirical Mode Decomposition，EEMD)对BUS信号进行处理，并进行仿真验证，结果表明该方法能够有效检测并提取BU-2FSK调频信号，提高车-地信息传输质量，保障列车的安全运行和行车效率。

1 应答器系统工作原理

应答器系统由地面、车载两部分设备组成[4]，其中地面设备包括：有源应答器、无源应答器和轨旁电子单元(Lineside Electronic Unit，LEU)。车载设备主要包括：车载天线、应答器传输模块BTM。其结构框图见图1。

应答器系统工作原理为：当列车通过地面应答器上方时，应答器接收到列控车载设备BTM天线发送的下行链路27.095 MHz的高频电磁能量作为工作电源，启动应答器工作，循环发送应答器报文，直至电能消失。

2 集合经验模态分解(EEMD)算法原理

经验模态分解 (Empirical Mode Decomposition，EMD)是对信号进行平稳化处理的过程，根据信号频率特征自适应的分解为本征项和趋势项[5-6]，选择合适的本征项能起到降噪的作用。但EMD在实际应用中不同频率的特征成分被分解到同1个内禀模式函数 (Intrinsic Mode Function，IMF)中，或者同一频率成分出现在不同的IMF中，这种现象称为模式混淆。一旦产生模式混淆，IMF没有任何物理意义，EMD的性能也会下降。

EEMD能够较好的利用噪声的统计特性和EMD的分解原则，有效的抑制EMD的模式混淆现象[7-8]，因此，采用EEMD对BUS信号进行分解。

EEMD原理为[9-10]：在整个时频空间中添加均匀分布的白噪声，则与白噪声尺度相关的信号将自动映射。因为每次被分解的信号都有白噪声，而且添加的白噪声每次都不相同，经过足够次数的分解后求平均值，噪声将会消失。唯一不变的部分是信号本身。由原理可看出，EEMD分解一个复杂信号得到若干个IMF，选取适当的IMF重构能起到降噪的作用。

3 基于EEMD的应答器上行链路信号处理

列车运行时，列控车载设备与地面应答器之间相互传输信息，包括列控车载设备接收到地面应答器发送的上行链路报文信息；地面应答器接收到列控车载设备BTM天线发送的下行链路27.095 MHz的高频电磁能量，由于列车运行过程中产生的噪声伴随着BUS的传输，使得BU-2FSK调频信号更加难以提取。信号经过降噪再进行提取是传统的2FSK信号检测的基本方法，最常用的降噪方法为小波降噪，但这种降噪方法会出现阈值选择的问题：如果阈值选择的太大，使得降噪的效果不好，不能分离与提取BU-2FSK调频信号，如果阈值选择的太小，又会丢失部分BU-2FSK调频信号，降低检测的精度。

EEMD是一种新的噪声辅助数据分析方法，避免了基函数的选择以及阈值选择的问题[11-12]，采用EEMD对BUS信号降噪处理，提取BU-2FSK调频信号。设BUS信号为x(t)，算法求解具体步骤为[13]

Step1将白噪声序列添加到BUS信号x(t)中，得到M个加入噪声后的信号x′(t)。

Step2对其中一个x′(t)进行分解，得到N个IMF分量。

Step3重复Step1、Step2，将M个x′(t)全部分解。

Step4计算N个IMF在M次试验之后的平均值作为最终的IMF。

Step5分别作出N个IMF分量的快速傅里叶变换FFT频谱图，从中识别出各个频率段所包含的频率信息。

Step6分别识别出BU-2FSK调频信号，27.095 MHz的高频电磁能量信号以及噪声信号。

Step7最后重构代表BU-2FSK调频信号的IMF，得到比较精确的BU-2FSK调频信号，并分析其FFT频谱图。

4 仿真及结果分析

初始化MATLAB编辑器，通过编程得到BUS原始信号x(t)，见图2(a)，包含的成分主要有频率分别为4.512、3.948 MHz的BU-2FSK调频信号以及27.095 MHz的高频电磁能量，为无噪声时BUS仿真信号表达式为

x(t)=cos(2πf1×t)+cos(2πf2×t)+

cos(2πf3×t)

( 1 )

式中:t为时间;f1、f2、f3为频率。

图2(b)为在x(t)中添加高斯白噪声n(t)之后的BUS信号，添加噪声时的BUS仿真信号表达式为

x′(t)=cos(2πf1×t)+cos(2πf2×t)+

cos(2πf3×t)+n(t)

( 2 )

在x(t)中加入n(t)，对其分解、均得到N个IMF分量。分别作出各个IMF分量的FFT频谱图，分析各个频率段包含的信息，识别出代表BU-2FSK调频信号的IMF分量，将其重构。EEMD算法的建模流程见图3。对BUS信号进行EEMD分解，分解结果见图4。

图2中x′(t)为要进行EEMD分解的BUS信号，从EEMD函数的OUTPUT函数中可知，图4中的第1个分量为原始数据，能够看出整个BUS信号已经被噪声“污染”，无法检测出有用的BU-2FSK信号，因此采用EEMD将BUS信号分解得到9个IMF分量。EEMD分解得到的各个IMF分量中包含BUS原信号的不同成分，对其进行FFT频率谱分析，得图5所示的频谱图。

图4中IMF1～IMF10表示信号频率从高到低依次排列。原信号的频谱图为IMF1分量。IMF2分量中包含的频率最复杂，有下行链路27.095 MHz高频能量、BU-2FSK调频信号以及噪声信号。从图4可见，原信号已经被噪声“污染”，除包含个别比较明显的频率特征之外，其余全部为噪声频谱。图5(a)～5 (e)中IMF5分量的信号主频约为27.1 MHz，对应于地面应答器接收到列控车载设备BTM天线发送的下行链路27.095 MHz的高频电磁能量；图5(f) ～5 (j)中IMF6、IMF7分量的信号主频约为4.6、3.9 MHz，对应于BU-2FSK调频信号。结合之前的分析可以得到，IMF6和IMF7这两个分量应为列控车载设备接收到地面应答器发送的BU-2FSK调频信号。这说明BUS原信号的不同成分被分解在各个IMF分量中，具有实际的物理含意。

图5(a) ～5 (e)中IMF2、IMF3、IMF4分量的幅值存在于整个频带，因此其频谱类似于噪声频谱，另外27.095 MHz的高频电磁能量存在于这3个分量中，因幅值较小，在原信号分析中基本无法检测，可经过EEMD将其分解，表明通过EEMD分解能够将现场实际信号放大。

采用EEMD对BUS原信号进行分解，将信号的不同成分频率分解到各个IMF分量中，从中提取并重构有用的IMF分量。本文除IMF6和IMF7外，其余分量相对于BU-2FSK调频信号都属于噪声，因此去除噪声重构IMF6、IMF7两个分量得到BU-2FSK调频信号见图6。

从图6和图2对比中，可见BUS原信号中含有复杂的干扰因素，波形“粗糙”，影响观察和分析，而采用EEMD分解重构后的信号基本还原了BU-2FSK调频信号特征，信号比较“干净”，去噪效果显著。

图7(a)为BUS原信号的FFT频率谱。在分析图6所示的BU-2FSK调频信号波形时，信号特征不突出，为了更直观的表示重构信号的频率分量，对其进行FFT频率谱分析，图7(b)为重构BU-2FSK调频信号的FFT频谱图。

对比图7(a)和图7 (b)，可见图7(a)中3.9、4.6 MHz的频率被淹没在噪声以及下行链路27.095 MHz高频能量中，且幅值较小，无法有效的检测及提取；图7(b)中重构后的BU-2FSK调频信号中3.9、4.6 MHz的频率比较明显且幅值较大，对应图中的两个峰值。因此，图6所示的信号即为BU-2FSK调频信号。

5 结束语

在分析车载设备与应答器信息传输的基础上，采用EEMD对BUS信号分解。该方法能够有效地分解BUS原信号的不同成分频率，结合FFT变换识别BU-2FSK调频信号并将其重构。结果表明EEMD算法分解得到的IMF分量符合实际情况，在频率幅值较小时，EEMD分解能够将信号放大，保证信号能够被有效的检测及提取。采用的基于EEMD的信号处理算法可以有效地提取出BU-2FSK调频信号，可供铁路信号检测以及保证列车的行车安全。