电磁干扰环境中电气火花信号的识别

河北建材职业技术学院 童夏敏 高敬媛

由于电气设备环境中不可避免的会存在电磁信号，要监测和识别电气故障放电火花的电磁信号，必须消除环境中的电磁干扰信号。信号去噪方法有频域滤波技术、自适应滤波、神经网络、小波变换及高价谱等方法。其中频域滤波方法适合于稳定的周期性信号，不适合间隙时的电气火花信号处理；自适应滤波方法，对延时要求较高，突发性火花电磁信号难以满足要求；神经网络适合有规律信号的去噪，不适合随机出现的电气火花电磁信号处理；高价谱适合去除高斯干扰，对火花信号电磁噪声的消除效果也不好；小波变换适合处理干扰信号强度小于提取信号的情况，如果背景干扰电磁信号强度大于或等于电气火花电磁信号，采用常规的噪声处理方法也难以识别电气火花信号。此时我们需要研究另一种特殊的方法－分离技术，将背景干扰电磁信号与电气放电火花信号进行分离，从而达到电气火花信号的提取识别目的。下面对这种强电磁干扰环境中电气火花电磁信号的识别进行研究。

1 信号分离原理

信号的盲源分离原理是首先由多个传感器接收若干来自未知信号源的混叠信号。然后通过数学方法建立未知信号混合方程，采用一定的方法求解方程即可获得未知信号源的信号。目前信号盲分离的基本方法是独立分量分析法（ICA），其原理是：假设存在m个统计独立的源信号S(n)=[S1(n)，…，Sm(n)]和至少m个获得的混叠信号X(n)=[X1(n)，…，Xm(n)]，其解可表达为：

其中，B(n)=[b1(n)，…，bm(n)]是噪声信号。

通过解式(1)的解我们发现要得到一个估计Y(n)，Y(n)来源信号S(n)，其实是要找到满足估计Y(n)的独立条件的一个未知的分离函数。由此我们可以认为来自信号源的m个观测信号X(n)和统计独立信号S(n)是和瞬时的发生并线性存在的。

独立分量分析（ICA）模型主要用于未知信号的盲源分离。它是一种统计和神经网络方法，将一组多维观测值作为未知变量的组合进行探索。图1所示是ICA的原理图。

图1 ICA原理框图

2 ICA优化算法

ICA主要要解决的关键问题是如何确定解混模型的参数，使目标函数达到极小或极大，以获得较好的信号分离效果，为此提出了四种自适应优化算法。

（1）极大峰度法；

（2）特征矩阵近似对角化法(JADE)；

（3）Infomax算法；

（4）FastICA算法。

3 四种自适应优化算法的实验比较

实验中为了获得比较稳定的电气火花，我们采用TW-50E电气火花发生器，该装置本由高压变压器和高频振荡发射器组成，利用高压变压器将220V交流电压升高到2500V或3000V，使发射器两电极间产生高频电流，并将高频电流馈送至串联的谐振电路中，再经高频变压器升压至180～210KV，最后在尖端电极上放射出强力火花。该装置如图2所示。

图2 电气放电火花发生器

为了定量比较四种算法的分离效果，计算了四种算法分离后信号与原火花信号对比的均方根误差、信噪比和相关系数，如表1所示。

表1 不同优化算法分离火花信号的效果

结果表明，在四种算法中，采用FastICA算法分离的火花信号与原火花信号对比的相关系数最高，表明分离信号的效果最好，但分离信号还含有较多的噪声信号，为了进一步改善去噪效果，我们尝试采用小波去噪方法进一步处理。

4 基于小波去噪方法的信号处理

采用小波去噪方法对FastICA算法分离的火花信号进行去噪处理中，阈值是否合理至关重要，如果算法中阈值取值太高，会使一部分有用信号被误当做噪声被去除掉，导致火花信号的丢失；反之太小的阈值，导致信噪比较小，结果去噪效果不理想。因此，所选阈值的取值是否合理至关重要，理想结果是既能完成又能避免火花信号的丢失。

常用选择阈值的方法包括固定阈值（sqtwolong）、极小最大方差阈值（minimaxi）、无偏估计阈值（rigrsure）和启发式阈值（heursure）四种。

以上四种阈值选择方法不同，各有优劣，最终效果也有所差异。其中固定阈值和启发式阈值的解决方法比较相似，均涉及全部小波系数的处理，噪声去除较彻底，但容易发生过度去噪的情况；极小最大方差阈值和无偏估计阈值方法也有类似的地方，都是未针对所有小波系数，这种折中的形式虽然可以防止过度去噪，但噪声的去除不彻底，适合低频部位的处理。显然，如果小波系数均选用单一的阈值方法，很容易出现去噪过度或者去噪不彻底的情况。

前面介绍的四种阈值选择方法均有一个特点，即选择的是单个“阈值”，根据阈值方法的分析和放电火花的信号特点，我们可以尝试采用“多阈值”方法，可以依照不同分量选用不一样的处理方式，以获得更好的去噪效果。

以1KHz为分解点，小于1KHz和高于或等于1KHz选择不同的阈值选择方法。低频段选用涉及全部小波系数的处理的固定阈值，中高频段选用未针对所有小波系数的极小最大方差阈值，小波包分解采用以“db4”为小波基，分解层次为3层，阈值函数选用软阈值函数，同样，为了定量比较不同阈值小波处理的去噪效果，我们计算了去噪处理后信号与原火花信号对比的均方根误差、信噪比和相关系数，见表2所示。

表2 不同阈值的去噪效果对比

以上结果表明，对电磁噪声环境中的火花信号，采用先分离后去噪的方法，能够较好的获取火花电磁信号，但与原始火花信号的相似度达到93%，可以基本上满足对火花信号的监测需求。

针对电磁噪声环境中的电气火花信号的识别问题，我们采用了盲分离原理进行处理，比较了极大峰度法、特征矩阵近似对角化法(JADE)、Infomax算法和FastICA等四种优化算法，结果表示采用FastICA算法的分离效果最好，但是去噪处理后信号与原火花信号对比的相关系数为0.75，不是理想的结果。为此我们对分离后的信号再采用小波变换进一步处理，分析了固定阈值、极小最大方差阈值、无偏估计阈值和启发式阈值等四种阈值选取对去噪效果的影响四种阈值选择方法后，提出了采用固定阈值和极小最大方差阈值结合的多阈值方法小波算法，处理后的信号与原信号相比，均方根误差、信噪比和相关系数分别为18.52、0.58和0.93，获得了满意的去噪结果。