Weak signal detection based on chaotic oscillator

合集下载

微弱信号检测——基于自相关检测的微弱信号分析与仿真

5
器问世[5]，锁相放大器在微弱信号的测领域中受到了广泛的重视与应用[5]。在过去的几十年里，锁相放大器的研究有了突飞猛进的发展，锁相放大器由早期的模拟电路发展到现在的数字电路，其性能有了很大的改善，提高了系统的精度和拓宽了动态范围。锁相放大器的原理主要是应用相干检测完成对待测信号的频率迁移过程。近些年来，国内对于锁相放大器的研究有了很大的进展，主要的研究公司有南京鸿宾微弱信号检测有限公司等[5]。其对具有代表性的是 HB-211 精密双相锁相放大器，其输入信号频率范围 5Hz〜lOOKHz,输出总动态范围大于 120dB。相比与国内，国外对锁相放大器的研究比较成熟，国外代表性的锁相放大器有 SRS(sta nford Research System)公司的 SR8XX 系列[5]，日本 NF 公司的 LI5630/5640 锁相放大器和美国 SIGNAL RECOVERY 公司的 Model7265 系列锁相放大器比较具代表性的锁相放大器 Mo del7265[5]。 Model7265 为数字双相锁相放大器，输入信号频率范围为 0.001Hz〜250KHz,最大动态范围大于 100dB, 具有双参考模式。新一代的锁相放大器具有较为理想的动态范围和稳定性。目前，相比于国内，国外的输入信号频率范围、稳定性等较好与国内，国内锁相放大器的性能仍有很大的提升空间。 1.4 研究的内容本文主要讲述了微弱信号检测中的相关检测法以及 MATLAB 的仿真。第一节，相干检测的原理。简要说明了微弱信号检测的原理。详细说明了自相关检测和互相关检测的原理，并简单的对两者进行了比较。第二节，相干检测的 MATLAB 仿真。给出了 MATLAB 的仿真程序。第三节，总结。总结了这学期的课程学习，以及对微弱信号检测这门课程的理解。

天电背景下低频弱信号混沌接收方法

第54卷第2期2021年2月通信技术Communications TechnologyVol.54 No.2Feb. 2021·285·文献引用格式：张洋，芮国胜，毛忠阳，等. 天电背景下低频弱信号混沌接收方法[J].通信技术，2021，54（2）：285-291.ZHANG Yang, RUI Guosheng, MAO Zhongyang, et al. Chaotic Reception Method of Low-FrequencyWeak Signals under Background of Sky Electricity[J].Communications Technology,2021,54(2):285-291. doi:10.3969/j.issn.1002-0802.2021.02.003天电背景下低频弱信号混沌接收方法*张洋，芮国胜，毛忠阳，刘锡国，赵志勇（海军航空大学，山东烟台 264001）摘要：低频信号在大气中传输时容易受到非平稳强噪声影响，呈现弱信号特性而使其接收变得异常困难，难以发挥其应有的效能。

本文针对干扰低频信号的主要噪声源天电噪声特性进行研究，并提出了低频信号的混沌接收方法。

该方法主要通过欧拉方程构建混沌接收系统，通过非线性技术进行混沌相态判别，由实验室模拟噪声环境，实现低频弱信号的混沌接收并进行仿真比较，理论实验表明该方式可有效实现天电噪声背景下的低频信号接收，从而为低频信号传输技术的发展提供重要依据。

关键词：混沌；天电噪声；相态判别；低频信号中图分类号：TN911.23 文献标识码：A 文章编号：1002-0802(2021)-02-0285-07Chaotic Reception Method of Low-Frequency Weak Signals underBackground of Sky ElectricityZHANG Yang, RUI Guosheng, MAO Zhongyang, LIU Xiguo, ZHAO Zhiyong(Naval Aviation University, Yantai, Shandong 264001 China)Abstract: When low-frequency signals are transmitted in the atmosphere, they are extremely susceptible to non-stationary strong noise, and their reception becomes very difficult due to their weak signal characteristics, making them difficult to exert their due performance. The main noise source that interferes with low-frequency signals is explored, and the chaotic reception method of low-frequency signals is proposed. This method mainly constructs a chaotic receiving system through Euler equations, and uses nonlinear technology to discriminate the chaotic phase-state. The noise environment is simulated by the laboratory to realize the chaotic reception of low-frequency weak signals, and simulation comparisons are also done at the same time. Theoretical analysis and experiment indicate that this method can effectively realize the low-frequency signal reception under the background of sky electricity noise, thus providing an important basis for the development of low-frequency signal transmission technology.* 收稿日期：2020-10-21；修回日期：2021-01-10 Received date:2020-10-21;Revised date:2021-01-10基金项目：国家自然科学基金“微弱暂态信号的混沌高效检测方法研究”（No.61671016），国家自然科学基金“基于压缩感知的蒸发波导时空态势获取方法研究”（No.41476089），国家自然科学基金“阵发蒸发波导的非均匀压缩感知及重构方法研究”（No.41606117）Foundation Item:Foundation Item: “Research on efficient chaotic detection method of weak transient signal”, supported by National Natural Science Foundation of China (No.61671016); “Research on spatiotemporal situation acquisition method of evaporation ductbased on compressed sensing”, supported by National Natural Science Foundation of China (No.41476089); “Research onheterogeneous compressed sensing and reconstruction method of intermittent evaporation duct”, supported by National NaturalScience Foundation of China (No.41606117)通信技术2021年0 引言低频信号因其具有绕射能力可获得远距离传输的优势，且信号不易受电离层影响，在导航、标帜、低频授时、地震监测等领域获得了广泛应用，另外低频信号容易穿透海水和土壤，便于进行海洋和地质勘探研究。

基于Volterra滤波器的混沌背景弱信号检测1

Abstract：A new method to detect weak signal in chaos is presented based on Volterra filter in this paper. The optimal Volterra filter coefficients are received by solving linear equations. Compared with adaptive algorithm, solving linear equations algorithm has much better prediction and detection performance. The experimental results show this method can detect out a very weak target signal in chaos when SCR gets to –70 dB. Key words：chaos, signal detection, Volterra filter
Z −τ
Z −τ
Z −τ
Z −1
x(n +1)
Volterra滤波器
x(n
+ 1)
+
×
门限检测
H1
−
H0
图 1 Volterra 检测器
2 仿真实验及结果分析
为验证本文提出的预测检测算法，本文以 Lorenz 流 x 分量为例进行仿真研究。Lorenz 流用四阶 Runge-Kutta 算法积分，
x(n +1)
x(n +1−τ )
"
x(n +1− (m −1)τ )
x 2 (n +1)

微弱信号检测技术的研究要点

编号微弱信号检测技术的研究Research on Weak Signal DetectionTechnology学生姓名专业学号学院年月日摘要在自然现象和规律的科学研究和工程实践中,经常会遇到需要检测毫微伏量级微弱信号的问题,比如测定地震的波形和波速、材料分析时测量荧光光强、卫星信号的接收、红外探测以及物电信号测量等, 这些问题都归结为噪声中微弱信号的检测。

在物理、化学、生物医学、遥感和材料学等领域有广泛应用。

微弱信号检测技术是采用电子学、信息论、计算机和物理学方法,分析噪声产生的原因和规律,研究被测信号的特点和相关性, 检测被噪声淹没的微弱有用信号。

微弱信号检测的宗旨是研究如何从强噪声中提取有用信号,任务是研究微弱信号检测的理论、探索新方法和新技术, 从而将其应用于各个学科领域当中。

本文对弱信号的定义和弱信号的应用范围进行了概述,综述了微弱信号检测理论研究和实际应用领域的发展情况,重点比较了目前在微弱信号检测技术中应用的方法:相关检测、锁相放大器微弱信号检测、取样积分法、基于小波分析的微弱信号检测、基于混沌振子的微弱信号检测,最后总结了各个方法的特点。

关键字：微弱信号检测噪声锁相放大器ABSTRACTIn the natural phenomenon and law of scientific research and engineering practice, often be expected to test baekho microvolts middleweight weak signal issues, such as determination of earthquake wave and wave velocity, material analysis when measuring fluorescent light intensity, satellite signals, infrared detection and signal measurement of things, these problems boil down to a weak signal in the noise of the test. In the physical, chemical, biological medicine, remote sensing and material science and other fields have a widely used. Weak signal detection technology is the electronics, information theory, computer and physics method, analyzes the reasons of the noise and to study the laws of the measured signal characteristics and correlation, detection was submerged in the faint noise useful signal. The aim of the weak signal detection is studying how strong noise from the extract useful signal, the task is to study the theory of weak signal detection, explore new methods and new technology, and its application in the field of each subject.The definition of the weak signal and the application range of the weak signal were reviewed in this paper, the weak signal detection in theoretical research and practical application of the field development situation, the key is the current weak signal detection technology in the application method: related detection, lock-in amplifier weak signal detection, sampling integral method, based on the wavelet analysis, weak signal detection based on chaotic oscillator weak signal detection, finally summarized the characteristics of each method.Key words ：Weak signal, detection, and noise, lock-in amplifier目录摘要 (I)ABSTRACT (II)第1章绪论 (1)1.1 引言 (1)1.2 微弱信号的定义 (1)1.3 微弱信号的应用范围及当前的研究背景 (1)1.4 微弱信号检测的原理 (2)第2章相关检测法 (4)2.1 自相关检测 (4)2.1.1 自相关检测的举例 (5)2.2 互相关检测 (6)2.2.1 互相关检测的特点 (7)第3章锁相放大器微弱信号检测 (8)3.1 锁相放大器介绍及应用 (8)3.2 锁相放大器的原理 (9)3.3 锁相放大器特点 (11)3.4 系统中相关器的分析 (11)3.5 锁相放大器的局限性 (12)第4章取样积分法 (13)4.1 取样积分器的工作原理 (13)4.2 取样积分器的信噪比改善系数 (15)4.3 取样积分器的工作方式 (16)4.3.1 定点式取样积分器 (16)4.3.2 扫描式积分取样器 (16)第5章基于小波分析的微弱信号检测 (18)5.1 小波变换的介绍及发展 (18)5.2 小波变换应用举例 (18)第6章基于混沌振子的微弱信号检测 (21)6.1 基于混沌振子的微弱信号检测的介绍 (21)6.2 基于混沌振子的微弱信号检测的原理 (21)结束语 (23)参考文献 (24)第1章绪论1.1 引言科学技术发展到今天，人类对客观世界的认识越来越细微、越来越深入。

基于混沌理论检测微弱信号研究综述

（下转第47页）基于混沌理论检测微弱信号研究综述广东理工学院曾丽萍传统信号检测方法的最低检测信噪比有限，而Duffing 振子由于具有对微弱周期信号敏感而对白噪声免疫的特性，在极低信噪比微弱信号的检测中得到了广泛的应用。

本文对基于Dufﬁng 振子检测微弱信号在三个方面的研究进展进行了概述，即改进或提出混沌检测模型、混沌检测方法的实际应用、混沌检测方法与其他方法的结合。

本文还指出今后混沌微弱信号检测的发展方向。

1 引言微弱信号检测技术是指应用各种电子学、数学物理等检测方法检测出淹没在强噪声环境中有用的微弱信号，广泛应用于医学、通信、生命科学、电磁学等领域。

目前，传统的微弱信号检测方法主要分为以下几种：电子学检测方法、相关检测方法、高阶统计量法、自适应噪声抵消法等。

传统微弱信号检测方法大多是基于噪声抑制的角度，即通过分析噪声的规律以及信号的特点，利用噪声和信号的不同提取出微弱待测信号，所能检测的最低信噪比有限。

在微弱信号检测领域，基于混沌理论检测微弱信号的方法在近几年引起了广泛关注。

与传统的弱信号检测方法不同，混沌振子不直接抑制噪声，而是直接针对微弱的目标信号进行提取，并且基于模型的混沌运动特性直接求解出期望信号的频率、幅值和相位信息，有利于提取复杂干扰环境下的微弱周期信号。

2 混沌振子检测原理基于混沌系统检测微弱信号主要采用Dufﬁng振子，其数学模型为：其中k 是阻尼比；是非线性恢复力；是内置驱动信号。

当内置驱动信号幅值γ从零逐渐增加时，系统将历经同宿轨道、倍周期分叉、混沌、周期等运动状态。

使系统处于混沌状态，当γ增加到某一临界值γd 时，γ的微小增量都将使系统迅速进入大尺度周期状态，γd 即为系统从混沌状态到周期状态的相变临界幅值，也称为系统固有分叉值。

Dufﬁng 系统具有对微弱周期信号敏感而对高斯白噪声免疫的特性，基于这一特性可以利用Dufﬁng 振子检测微弱周期信号。

3 混沌检测方法研究概况混沌检测方法是基于混沌系统对微弱周期信号敏感而对白噪声免疫的特性，即微弱周期信号会使系统状态发生改变，而白噪声不会使系统发生相变。

基于小波和混沌的微弱信号检测的开题报告

基于小波和混沌的微弱信号检测的开题报告一、选题背景：微弱信号检测在生命科学、环境监测、物理学等领域都有广泛的应用。

然而，由于微弱信号的特殊性质，使得信号的提取和检测成为一项艰巨的任务。

传统的信号处理方法通常难以有效地提取和检测微弱信号。

近年来，小波分析和混沌理论成为信号处理领域的热门研究方向。

小波分析具有时频局部性和多分辨率分析的特点，可以有效地提取信号的特征。

混沌理论则可以将信号加密和混淆，增强信号的安全性和稳定性。

因此，本次课题选取了小波分析和混沌理论相结合的方法，研究微弱信号的检测，为深入探索微弱信号的提取和检测方法提供新思路。

二、选题目的：1、通过研究小波分析和混沌理论相结合的方法，探索微弱信号的提取和检测方法。

2、提高微弱信号的特征提取和检测的准确性和稳定性。

3、为微弱信号的检测提供新思路和方法。

三、研究内容及方案：1、对微弱信号的特点和特征进行深入研究，分析其特点及常见的干扰方式和去除方法。

2、研究小波分析的理论和方法，探究其在微弱信号特征提取中的应用。

3、研究混沌理论的理论和方法，探究其在微弱信号加密和混淆中的应用。

4、通过实验验证小波分析和混沌理论相结合的方法，提高微弱信号的检测准确性和稳定性。

四、预期成果：1、明确微弱信号特点和去除方法。

2、掌握小波分析和混沌理论的基本理论和方法。

3、通过实验研究，提高微弱信号的检测准确性和稳定性。

4、为微弱信号的检测提供新思路和方法。

五、进度计划：第一阶段：文献综述和理论研究，完成时间为2个月。

第二阶段：小波分析和混沌理论方法的实验研究，完成时间为4个月。

第三阶段：数据统计和分析，完成时间为1个月。

第四阶段：撰写论文和答辩，完成时间为2个月。

六、参考文献：1、Wang, S., Liang, S., Yang, J., & Yan, X. (2017). A Novel Adaptive Double Compression Scheme for Long-Term Wireless Information Transmission. Ieee Access, 5, 3029-3040.2、Shukla, R., & Singh, V. (2015). Denoising of ECG signals using adaptive thresholding and wavelet based soft-thresholding techniques. Biomedical Signal Processing & Control, 15, 20-28.3、Sikandar, M., Li, R., Hussain, I., Siddiqui, K., & Khan, M. K. (2020). Improved energy detection of ultra-wideband signals using ensemble empirical mode decomposition and dual-tree complex wavelet transform. Iet Signal Processing, 14(7), 515-523.4、Bilgic, E., Aydin, N., & Bicen, A. O. (2017). A new approach for ECG signal classification based on the combination of wavelet transform, PCA and KNN. Biomedical Signal Processing & Control, 34, 223-229.。

基于杜芬振子的微弱信号检测技术及其FPGA实现研究

分类号：密级：U D C：编号：河北工业大学硕士学位论文基于杜芬振子的微弱信号检测技术及其FPGA实现研究论文作者：田晓旭学生类别：全日制学科门类：工学学科专业：通信与信息系统指导教师：高振斌职称：教授资助基金项目：国家自然科学基金(61139001)Dissertation Submitted toHebei University of TechnologyforThe Master Degree ofHere Is The Subject or Specialty You EngageThe weak signal detection technology based on Duffing oscillator and its field programmable gate array implementationbyTian XiaoxuSupervisor: Prof. Gao ZhenbinMay 2017摘要本文构建了一种在现场可编程门阵列(field programmable gate arrays，FPGA)平台实现微弱信号检测的系统。

本系统采用杜芬混沌算法对淹没在强噪声下的微弱正弦信号进行检测并采用四阶龙格库塔法对杜芬方程进行求解，通过对模块合理的划分减少运算周期，提高运算速度。

论文研究了杜芬振子微弱信号检测的可行性，实现了杜芬方程的计算、杜芬系统的状态判别、信号频率计算等一系列操作。

在系统设计过程中，采用节约存储空间的递推数列的方法计算正弦值，并将该方法与查表法进行了比较，分析了该方法的可行性；运用四阶龙格库塔对杜芬方程进行数值求解，并对计算过程中所选定点数的位数进行理论分析，并验证了所选定点数的正确性；在四阶龙格库塔法计算杜芬方程部分，根据四阶龙格库塔法的迭代原理，采用模块公用的方法节省硬件资源，利用多路选择器对计算过程进行调度，通过对乘法器、计数器、单端口ROM等IP核的调用，实现了对FPGA内部器件的合理利用；在状态判别部分，根据杜芬系统在混沌和大周期2种状态下相图的明显区别，运用基于相图分割的信号检测方法，该方法与传统方法相比实现简单，经验证可有效对混沌状态进行判决；运用zedboard中自带的OLED对状态识别单元中计算出的频率值进行显示。

干涉型光纤振动传感器定位精度及解调算法研究

太原理工大学博士研究生学位论文干涉型光纤振动传感器定位精度及解调算法研究摘要分布式光纤传感具有本征安全、抗电磁干扰、耐腐蚀、可大范围连续监测等优势，近年来得到了国内外的广泛关注。

振动传感作为分布式光纤传感领域中主要的研究方向之一，在民用设施周界安防、油气管道安全监测、桥梁结构健康监测、军事基地入侵预警等领域具有广阔的应用前景。

干涉型光纤振动传感技术包括前向传输光干涉型和后向散射光干涉型两类。

基于前向传输光干涉型光纤振动传感器，如萨格纳克（Sagnac）干涉仪和马赫泽德（Mach-Zehnder）干涉仪，是将被测的振动信号转换为光纤中前向传输光的相位变化，再通过干涉将相位变化转换成光强变化。

它结构相对简单、响应速度快，但振动定位精度较低。

而后向散射光干涉型光纤振动传感器，如相位敏感光时域反射仪（phase-sensitive optical time domain reflectometer，Φ-OTDR），是利用高相干光脉冲在光纤中传输时产生的后向瑞利散射光的干涉效应，通过建立后向散射光信号与时间的关系获得振动位置信息，其定位精度高，但存在振动信号解调复杂以及实时性不高等问题。

本文围绕干涉型光纤振动传感器的定位精度及解调算法开展研究，主要内容包括：（1）研究了基于混沌光源的Sagnac高精度振动定位系统，利用外腔反馈半导体混沌激光器作为系统光源，再结合振动频谱中的高阶零频点进行定位。

实验了在12.101 km长的传感光纤上22 m的振动定位误差。

太原理工大学博士研究生学位论文（2）研究了基于计数脉冲方法的Mach-Zehnder高精度振动定位系统，将调制后的周期性脉冲序列后注入到干涉结构中，通过分析干涉脉冲序列包络特征定位振动发生的位置。

实验结果表明，当脉冲宽度为20 ns时，在总长940 m的传感光纤长度上，振动定位误差为9 m。

（3）研究了基于包络正交解调算法的Φ-OTDR振动相对振幅表征方法。

网络随机不定波动下的异常信号检测平台设计与实现

网络随机不定波动下的异常信号检测平台设计与实现方凯飞【摘要】网络随机不定波动下的异常信号杂乱无章，并混合在正常信号中，为检测工作带来不小的挑战。

因此，设计基于数字信号处理器的异常信号检测平台。

该平台利用TMS320C6748数字信号处理器，对异常信号的检测工作进行实时监管。

测量放大电路和高通滤波电路对网络信号进行放大和滤波操作，并将处理后的网络信号传输至A/D转换器。

A/D转换器将网络信号转换为数字格式，并将网络数字信号传输至TMS320C6748数字信号处理器。

平台采用数字信号处理器输出网络随机不定波动下的异常信号。

平台实现部分给出了A/D转换器数字转换流程图，以及TMS320C6748数字信号处理器检测流程图。

实验结果表明，所设计的基于数字信号处理器的异常信号检测平台，能够进行网络随机不定波动下异常信号的准确、高效检测。

%The abnormal signal in network random uncertain fluctuation is chaotic,and is mixed in the normal signal, which brings in a great challenge for detection work. Therefore,an abnormal signal detection platform based on digital signal pro⁃cessor was designed. The digital signal processor TMS320C6748 is used in the platform to supervise the detection of abnormal signal in real time. The measuring amplifying circuit and high⁃pass filtering circuit are used to amplify and filter the networksig⁃nal. And then the processed network signal is transmitted to A/D converter. The A/D converter can convert the network signal in⁃to digital format,and transmit the network digital signal to TMS320C6748. The digital signal processor is used in the platform to output the abnormal signal in network random uncertain fluctuation. For the platformimplementation,the digital conversion flow chart of A/D converter and detection flow chart of TMS320C6748 are given. The experimental results show that the built abnor⁃mal signal detection platform based on digital signal processor can detect the abnormal signal in network random uncertain fluctu⁃ation accurately and efficiently.【期刊名称】《现代电子技术》【年(卷),期】2016(039)018【总页数】5页(P119-122,126)【关键词】网络随机不定波动;异常信号;检测平台;数字信号处理器【作者】方凯飞【作者单位】安顺学院电子与信息工程学院，贵州安顺 561000【正文语种】中文【中图分类】TN926-34;TP391网络中的异常信号是由网络设备超载运行、人为错误操作以及黑客入侵等异常行为产生的。

微弱信号检测技术第一讲概述

而噪声功率谱密度相对较宽的特点，使用一个窄带通道滤波器，将有用的信号功率提取出来。
• 由于窄带滤波器只让噪声功率的很小一部分通过．而滤掉了大部分噪声功率，由此而得到了高信噪比。
窄带滤波法特性
• 窄带滤波器可以用来作周期信号的复现，以及持续时间较长的单次信号的存在与否的检测。主要实现方式：双T选频、LC调谐、晶体窄带等，但其带宽与锁定放大器．取样积分器等比较起来相对仍嫌宽，故一般只用在噪声特性要求不高的场合。
微弱信号检测技术 Weak Signal Detection
Technology
第一讲概论
1.0 微弱信号检测技术的内涵
• 1、内容 • 微弱信号检测技术是一门新兴的技术学
科，是利用电子学、信息论和物理的方法，分析噪声产生的原理和规律，研究淹没在噪声背景下的被测信号的特点与相关性，检测被测信号，得到被测信号的特性。
• ②来自检测系统内部——常称之为“噪声”——任何实际系统都将引入噪声——存在于电路内部的一种固有扰动信号，它是由于组成电路的器材材料的物理性质及温度等原因引起的电荷载流子运动发生不规则变化而产生的。
1.2.3 外部噪声特性
• 耦合途径电源耦合，电场耦合，磁场耦合，电磁辐射耦
合，传导耦合，共地耦合等等。
• 4、均方值
•
均方值表示随机噪声瞬时取值平方的数学期
望值，反映的是随机噪声的功率。
x2 E[x2 (t)] x2 (t) p(x)dx
x2 lim 1 T x2 (t)dt T 2T T
• 5、相关函数
• 均值、均方值和方差描述的是一维随机变量的统计特性，不能反映不同时刻各数值之间的相互关系。例如，随机信号x(t) 分别在t1，t2时刻的随机取值x(t1)，x(t2) 之间的关联程度如何？同样，两个随机信号x(t)和 y(t)数值之间的关联程度如何？这依靠相关函数来解答。

多时间尺度小波变换和LSTM_自编码器电弧故障检测方法

第28卷㊀第4期2024年4月㊀电㊀机㊀与㊀控㊀制㊀学㊀报Electri c ㊀Machines ㊀and ㊀Control㊀Vol.28No.4Apr.2024㊀㊀㊀㊀㊀㊀多时间尺度小波变换和LSTM 自编码器电弧故障检测方法邱婷婷,㊀曹文平,㊀刘孝宇,㊀漆星(安徽大学电气工程与自动化学院,安徽合肥230001)摘㊀要:在光伏发电系统中,电弧故障检测是维持系统安全运行的关键问题㊂以往的电弧故障检测方法大多基于单时间尺度的故障特征,然而单一时间尺度特征往往会受到环境变化的干扰,导致检测精度降低,针对这一问题,提出一种多时间尺度小波和长短时记忆(LSTM )自编码器电弧故障检测方法,该方法首先在机理分析的基础上找到电弧3个特性,即电弧初始阶段电流发生突变㊁燃弧阶段电流均值降低㊁燃弧阶段高频分量变大㊂再基于上述电弧特性进行小波变换提取对应多尺度特征,然后使用LSTM 自编码器进行端到端的自动检测㊂与以往方法不同,该方法提取了电弧特性的多种时间尺度特征,增加了故障信号的检测依据,降低了受外界干扰时检测结果出现误报漏报的可能性㊂理论分析和实验结果表明,所提出的方法降低了故障电弧检测的误报率,提高了其准确率㊂关键词:光伏发电;电弧故障;单类;小波变换;长短时记忆自编码器;多时间尺度特征DOI :10.15938/j.emc.2024.04.015中图分类号:TM501文献标志码:A文章编号:1007-449X(2024)04-0139-10㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀收稿日期:2022-08-31基金项目:科技合作专项-国际科技合作项目(2022h11020023)作者简介:邱婷婷(1999 ),女,硕士研究生,研究方向为光伏逆变器电弧故障诊断;曹文平(1969 ),男,博士,教授,博士生导师,研究方向为电机与电气故障诊断;刘孝宇(1999 ),男,硕士,研究方向为光伏逆变器电弧故障诊断;漆㊀星(1985 ),男,博士,讲师,研究方向为机器学习算法故障诊断㊂通信作者:曹文平Multi time scale wavelet transform and LSTM autoencoderarc fault detection methodQIU Tingting,㊀CAO Wenping,㊀LIU Xiaoyu,㊀QI Xing(School of Electrical Engineering and Automation,Anhui University,Hefei 230001,China)Abstract :In the photovoltaic power generation system,arc fault detection is the key to maintain the safeoperation of the system.Most of the previous arc fault detection methods are based on the fault features of single time scale.However,the single time scale features are often disturbed by environmental changes,resulting in the reduction of detection accuracy.To solve this problem,a multi time scale wavelet and long-short memory(LSTM)autoencoder arc fault detection method was proposed.Firstly,on the basis ofmechanism analysis,the method finds three characteristics of the arc,namely,the sudden change of cur-rent in the initial stage of the arc,the average value of current in the arcing stage decreases and the high frequency component in the arcing stage increases;Based on the above arc characteristics,wavelet trans-form was performed to extract the corresponding multi-scale features,and then LSTM self-encoder wasused for end-to-end automatic detection.Unlike the previous methods,this method extracts the multi-time scale features corresponding to the arc characteristics,which increases the detection basis of the faultsignal and reduces the possibility of false alarm and missing alarm in the detection result when the fault signal is interfered by the outside.Theoretical analysis and experimental results show that the proposed method reduces the false alarm rate of fault arc detection and improves its accuracy. Keywords:photovoltaic power generation;arc fault;one-class;wavelet transform;long-short memory utoencoder;multi-time scale features0㊀引㊀言光伏发电是清洁能源的重要研究领域,检测光伏逆变器的直流故障电弧是保障光伏发电系统安全有效工作的重点之一㊂直流故障电弧一般可分为串联型㊁并联型以及接地型[1-3],其中串联型故障电弧检测是研究重点,当光伏系统发生直流串联电弧故障时,负载电流会减小,相较于另外两种电弧更难被过电流保护装置检测到[4-5],从而容易导致火灾等重大事故的发生㊂针对直流串联型电弧故障,传统方法可以分为基于时频域检测方法和基于物理特性检测方法这两大类㊂基于时频域检测方法是通过故障电弧电流㊁电压的时频域特征对电弧进行检测㊂例如,SEO G S利用快速傅里叶变换(fast Fourier transform,FFT)提取电弧频率特征进行检测故障电弧[6],WANG Z 与BALOG R S利用小波变换实现对故障电弧信号的多分辨率分析,从而利用捕捉的特性对故障电弧进行检测[7]㊂这类方法可以提取到故障电弧的明显特征,但是最终检测结果往往需要人员亲自判断,增加了人力负担㊂另一类基于物理特性的检测方法是通过故障电弧的电磁辐射㊁弧光和噪声等物理特征来构建检测系统,例如KIM C J利用棒形天线和环形天线获取电弧的电磁辐射信号,从而进行检测电弧故障[8],YUVENTI J使用希尔伯特分形天线捕捉直流电弧的高频电磁辐射,然后检测电弧故障[9],这类方法可解释性强,但其往往只能检测固定位置的电弧故障且检测结果易受环境影响㊂近年来,随着机器学习理论的兴起,很多学者采用基于机器学习理论进行直流串联型故障电弧诊断方法的研究㊂相比于传统方法,机器学习的方法具有端到端的优势,其检测的最终结果不会受到人为因素的影响㊂例如,LU S提出基于领域自适应和深度卷积生成对抗网络(domain adaptive-deep convolu-tional generative adversarial networks,DA-DCGAN)的方法检测电弧故障[10]㊂PATIL D D提出基于电压特征利用卷积神经网络(convolutional neural net-work,CNN)进行故障电弧识别[11]㊂然而,这些方法通常只针对信号的单一时间尺度特征进行分析研究,而在实际工程中,单一时间尺度的特征往往会受到外部环境的干扰,进而影响最终的检测结果㊂为了解决单一时间尺度特征导致的误报和漏报问题,本文提出一种基于多时间尺度小波变换长短时记忆(long-short memory,LSTM)自编码器的单类重构算法,进行直流串联型故障电弧的检测㊂首先通过机理分析找到电弧电流3个特性:1)电弧初始阶段电流发生突变;2)燃弧阶段电流均值降低;3)燃弧阶段高频分量变大[12]㊂再基于上述电弧特性通过一组高通和低通滤波器提取对应的多时间尺度特征,然后利用LSTM自编码器模型重构多时间尺度特征,最后根据重构误差进行判断该测试数据是否为故障电弧信号㊂通常,传统方法大多基于电弧某单一时间尺度特性进行故障检测,当光伏系统受到外界因素影响时,可能会造成检测结果的误判或漏判㊂相比较而言,该方法基于电弧特性的理论分析,选取多个时间尺度作为信号特征,能够增加检测的判断依据,提高检测精度,降低误报率,并且实现端到端的自动检测㊂1㊀光伏故障电弧机理分析本节首先分析总结电弧电流的一般特性,然后采集光伏系统中两种最常见的干扰电弧检测情况的电流信号,并分析讨论基于单一时间尺度特征检测故障电弧的缺陷㊂1.1㊀电弧特性分析电弧是气体放电中的自持放电,属于低温等离子体[13]㊂理论研究表明,电弧在不同发展阶段其电流会表现出不同的时间尺度特性,具体分析如下: 1)初始阶段发生突变㊂电弧初始阶段电流会发生突变㊂电爆炸电流电压变化如图1所示,电流突然降低后又迅速上升,并出现振荡现象,这是因为在两极间发生电爆炸产生等离子体过程中,其相应电阻先变大后又减小[14-15],又因所产生的等离子体并不稳定,电流出现振荡现象㊂041电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀图1㊀电爆炸电流电压变化Fig.1㊀Electric explosion current and voltage change2)燃弧阶段均值降低㊂电弧稳定燃烧阶段电流会出现均值降低现象,可将电弧等效为一个非线性电阻,直流故障电弧等效电路原理图如图2所示㊂当电弧产生后,电弧电阻出现,回路总电阻增大,回路电流减小[16-17]㊂图2㊀直流故障电弧等效电路Fig.2㊀DC fault arc equivalent circuit3)燃弧阶段高频分量变大㊂电弧稳定燃烧阶段,电流同时也会出现高频分量变大现象,如图3所示㊂电弧燃烧阶段不仅会发生碰撞电离和热电离,使间隙中持续产生带电粒子,而且也发生带电粒子的复合等去游离过程,其外部表现为电流的持续波动,反映在频域上就是高频分量增大[12]㊂由上述分析可知,故障电弧电流存在以下3个特性:电弧发生初始阶段发生突变㊁电弧燃烧阶段出现均值降低以及高频分量变大现象㊂值得注意的是,从图1可知电爆炸过程属于纳秒级别,一般无法通过AD 采样芯片采集,因此在实际工程中使用均值降低和高频分量变大两个特性检测故障电弧,图3为光伏系统发生电弧时的电流信号㊂图3㊀故障电弧电流信号Fig.3㊀Fault arc current signal1.2㊀基于单一时间尺度特征检测故障电弧的缺陷实际电弧故障检测工程中,当光伏系统受外界干扰时,其电流会产生与上述电弧电流某一时间尺度特性类似的情况,因此只使用单一时间尺度特征可能会造成检测结果的误判㊂最为常见的情况有2种,例如:图4是光照强度降低时电流出现均值降低的情况,通常受光照强度干扰增加的是1Hz 以下的频率分量[12],因此与电弧故障情况不同的是,该情况受干扰前后电流信号的高频分量没有明显变化;图5是受电网波动干扰时电流出现高频分量变大的情况[18],与电弧故障情况不同的是,该情况受干扰前后电流信号的均值基本保持不变㊂图4㊀光照强度降低时电流信号Fig.4㊀Current signal when sunlightdecreases图5㊀受电网干扰时电流信号Fig.5㊀Current signal when disturbed by power grid综上所述,在故障电弧检测中如果只使用单一尺度特征进行判断,很难将发生故障电弧情况与其他受干扰情况进行区分,从而使检测结果产生误报㊂2㊀多时间尺度小波-LSTM 自编码器故障电弧检测方法㊀㊀为解决上述单一尺度特征问题,本文基于多时间尺度小波-LSTM 自编码器方法检测故障电弧,该方法基于电弧电流的均值降低以及高频分量变大特性,利用小波变换提取对应多时间尺度特征,增加检测的判断依据,并且使用LSTM 自编码器实现端到端自动检测㊂本文方法包含3个部分,分别为:1)利用小波变换提取多尺度特征;2)使用LSTM 自编码器重构获得重构误差;3)通过决策策略输出判断结果,方法框架如图6所示㊂141第4期邱婷婷等:多时间尺度小波变换和LSTM 自编码器电弧故障检测方法图6㊀方法框架Fig.6㊀Framework of method2.1㊀利用小波变换提取多尺度特征由第1节可知,检测故障电弧可依据电弧稳定燃烧阶段的均值降低以及高频分量变大特性㊂本文依据上述电弧特性使用多尺度小波变换提取电弧电流的特征,将原始数据进行标准化,其中标准化公式为I nor=i raw -u s㊂(1)式中:I nor 为标准化后的数据;i raw 为原始数据;u 为均值;s 为标准差㊂接着将标准化后的数据进行离散小波变换[19],即利用正交小波基将信号分解为不同尺度下的各个分量,其实现过程相当于重复使用一组高通和低通滤波器,对信号逐步分解,最终得到不同尺度下的细节系数cD i 和逼近系数cA i ,如图7所示,图中h 0和h 1分别代表高通和低通滤波器系数[20]㊂设信号长度为m ,滤波器长度为k ,则第i 层小波变换的近似系数和细节系数为:a i [m ]=ðK -1K =0a i -1[2m -k ]h 1[k ];d i [m ]=ðK -1K =0d i -1[2m -k ]h 0[k ]㊂üþýïïï(2)图7㊀离散小波变换示意图Fig.7㊀Schematic diagram of discrete wavelet transform一般检测方法使用小波变换提取故障电弧特征时只考虑高频分量变大特性,仅提取较高频段特征作为检测依据,因此可能会出现误报㊁漏报的现象,本文加入均值降低特性作为检测依据,使得故障检测更加全面,提高了检测结果的精度㊂同时,为使故障信号的多尺度特征与正常信号区分更为明显,采用五级离散小波变换, db4 作为小波基进行分解电弧信号,选取cA5以及cD4作为电弧信号的尺度特征,cA5特征为低频段对应于均值降低特性,cD4特征为高频段对应于高频分量变大特性㊂2.2㊀使用LSTM 自编码器重构获得重构误差使用小波变换后所提取的特征输入LSTM 自编码器模型进行重构,该模型可在考虑时序因素的情况下处理序列的前后联系,并实现端到端输出㊂首先利用给定的训练数据X 的特征训练LSTM 自编码器㊂图8为LSTM 自编码器结构图,该模型采用了LSTM 作为神经网络结构单元,其总体包括编码器和解码器两部分,编码器将高维输入数据映射到低维抽象表示,实现数据的特征提取,解码器则将抽象表示转换为期望输出,实现输入数据的重构㊂图8㊀LSTM 自编码器结构图Fig.8㊀LSTM autoencoder structure模型中的LSTM 含有输入门i t ㊁更新门c t ㊁遗忘门f t ㊁输出门o t[21-22],其结构图如图9所示㊂图9㊀LSTM 结构图Fig.9㊀LSTM structure数据首先通过遗忘门丢弃某些信息,其输入为当前时刻t 的输入x t 与上一时刻t -1的输出h t -1,表达式为f t =σ(W f [h t -1,x t ]+b f )㊂(3)241电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀式中:W f 表示遗忘门的权重系数矩阵;b f 表示遗忘门的偏置向量㊂输入门输入当前信息,用于决定向结构单元中添加信息的量,同时利用tanh 层创建候选向量用于当前输入的单元状态:㊀㊀i t =σ(W i [h t -1,x t ]+b i );(4)㊀㊀C ~t =tanh(W c [h t -1,x t ]+b c )㊂(5)式中:W i 表示输入门的权重系数矩阵;b i 表示输入门的偏置向量㊂其次,需要将上一个状态值C t -1更新为C t ,对记忆单元的信息进行更新,即C t =f t C t -1+i t C ~t ㊂(6)最后,通过输出门输出隐藏变量:㊀㊀㊀o t =σ(W o [h t -1,x t ]+b o );(7)㊀㊀㊀h t =o t tanh(C t )㊂(8)式中:σ为sigmoid 激活函数;tanh 为双曲正切激活函数㊂σ和tanh 的表达式为:σ=11+e -x;㊀㊀㊀㊀(9)tanh =sinh(x )cosh(x )=1-e -2x1+e -2x㊂(10)接着,利用训练后的模型重构测试数据O 的多尺度特征,最终得到O ᶄ=(cA5ᶄ,cD4ᶄ)㊂接着利用下式求每组各特征向量各点的重构误差:L n [j ][k ]=(O n [j ][k ]-O ᶄn [j ][k ])2㊂(11)式中:O n [j ][k ]表示第n 组序列的第j 个特征向量的第k 个点原数据;O ᶄn[j ][k ]表示第n 组序列的第j个特征向量的第k 个点的重构数据;L n [j ][k ]表示第n 组序列的第j 个特征向量的第k 个点的重构误差㊂最后,设置阈值求每组各特征向量的误差统计值㊂设变量e nj 为第n 组序列的第j 个特征向量的统计误差值,初始化e nj =0,计算e nj 的过程为:如设置阈值为2,当L n [j ][k ]ȡ2时,e nj 计数加一,遍历整个第n 组序列,得到e nj 的最终数值㊂2.3㊀通过决策策略输出判断结果利用所获得的e n 1㊁e n 2判断第n 组序列是否为电弧故障信号㊂经多次实验总结,本文判断第n 组序列的电流信号是否故障的公式为:S =1,if e n 1>2e x 1and e n 2>2e x 2;0,if en 1<2e x 1or e n 2<2e x 2㊂{(12)式中:S =1表示最终结果输出1,即该序列判断为故障电弧信号;S =0表示最终结果输出0,即该序列判断为正常信号;e x 1㊁e x 2表示训练数据的误差统计值㊂3㊀光伏故障电弧实验验证3.1㊀实验平台本文参照UL1699B 标准搭建实验平台,其工作电流为10A,工作电压为300V㊂实验平台中的电流信号采集部分所使用控制芯片为TI 公司的T280049C 系列,其采样频率为128kHz㊂所使用的电弧发生器由2个铜棒以及1个步进电机组成,步进电机通过拉动铜棒控制电弧的产生,图10为利用电弧发生器产生电弧的情景㊂同时本文通过Python 语言进行实验验证,模型采用Keras [23]框架㊂图10㊀实验平台产生的电弧Fig.10㊀Electric arc generated by the test platform3.2㊀使用小波进行多时间尺度特征提取本节展示了一段电弧故障电流信号并将其作为实验的测试数据,然后利用小波变换提取一段故障电弧电流的多尺度特征,作为电弧故障检测的判断依据㊂图11展示的是一段700ms 的故障电弧信号,共有89600个采样点,分为14组测试序列,一组测试序列含有6400个采样点㊂图11㊀故障电弧电流Fig.11㊀Fault arc current图12(a)㊁图12(b)分别为一段故障电弧电流信号经五级离散小波变换获得的特征cA5㊁特征cD4㊂可以看出,燃弧阶段的特征cA5均值小于未341第4期邱婷婷等:多时间尺度小波变换和LSTM 自编码器电弧故障检测方法发生电弧阶段,燃弧阶段的特征cD4幅值大于未发生电弧阶段㊂图12㊀故障电弧电流特征Fig.12㊀Fault arc current features3.3㊀端到端最终检测结果本节依据3.2节所提取的故障电弧电流多尺度特征,使用LSTM 自编码器以及决策策略进行端到端的自动检测㊂图13(a)为每组序列的特征cA5㊁cD4进行重构后所对应获得的误差统计值e n 1㊁e n 2,观察分析可知,发生电弧的电流数据的e n 1㊁e n 2比未发生电弧的电流数据的普遍要大,这个结果符合上述对故障电弧信号各特征的特点总结㊂最后,利用决策策略依据{e n 1,e n 2}对各组测试序列进行判断并直接输出检测结果,如图13(b)所示,检测结果为0代表检测该序列为正常信号,检测结果为1代表检测该序列电弧信号,可以看出其检测结果全部正确㊂图13㊀电弧故障检测实验结果Fig.13㊀Experimental results of arc fault detection3.4㊀电弧故障检测中两种常见干扰情况检测结果为分析该方法在实际电弧故障检测工程中误报率的优劣性,本节使用本文方法针对两种最为常见的干扰情况进行检测实验:实验一为阳光强度降低的情况,本文通过电流突变实验模拟并获取该情况下的电流信号;实验二为受电网波动干扰的情况,本文通过并网接入大功率感性器件模拟电网波动现象,以获取该情况下的电流信号㊂实验一:阳光强度降低㊂图14为阳光强度降低时电流信号均值降低的情况,该段信号时长700ms,共有89600个采样点,分为14组测试序列,一组测试序列含有6400个采样点㊂图14㊀阳光强度降低时电流Fig.14㊀Current when sunlight decreases图15(a)㊁图15(b)分别为一段阳光强度降低时的电流信号经五级离散小波变换得到的特征cA5㊁特征cD4㊂可以看出,阳光强度变化前的特征cA5的均值小于阳光强度变化后,阳光强度变化前与阳光强度变化后的特征cD4无明显区别㊂图15㊀阳光强度降低时电流特征Fig.15㊀Current features when sunlight decreases图16(a)为每组数据的特征cA5㊁cD4进行重构后所对应获得的误差统计值e n 1㊁e n 2,观察分析可知,阳光强度变化前的e n 1比阳光强度变化后的电流数441电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀据的普遍要大,但阳光强度变化前的e n 2与阳光强度变化后的无明显差别㊂最后利用决策策略判断的结果如图16(b)所示,检测结果为0代表检测该序列为正常信号,检测结果为1代表检测该序列电弧信号,结果表明,本文方法不会对电流信号受到干扰而均值降低的情况产生误报㊂图16㊀阳光强度降低时检测故障实验结果Fig.16㊀Experimental results of fault detection whensunlight decreases实验二:受电网波动干扰㊂图17为受到电网波动干扰时电流信号高频分量增加的情况,该段信号时长700ms,共有89600个采样点,分为14组测试序列,一组测试序列含有6400个采样点㊂图17㊀受电网波动干扰时电流Fig.17㊀Current when disturbed by power gridfluctuation图18(a)㊁图18(b)分别为一段受电网干扰时的电流信号经五级离散小波变换得到的特征cA5㊁特征cD4,可以看出,受电网干扰前与受电网干扰后的特征cA5无明显区别,而受电网干扰后的特征cD4幅值大于受电网干扰前的㊂图19(a)为每组数据的特征cA5㊁cD4进行重构后所对应获得的误差统计值e n 1㊁e n 2,观察分析可知,受电网干扰前的e n 1与受电网干扰后的无明显差别,而受电网干扰后的e n 2普遍大于受电网干扰前的㊂最后利用决策策略判断的结果如图19(b)所示,检测结果为0代表检测该序列为正常信号,检测结果为1代表检测该序列电弧信号,结果表明,本文方法不会对电流信号受到干扰而高频分量增加的情况产生误报㊂图18㊀受电网干扰时电流特征Fig.18㊀Current features when disturbed by powergrid图19㊀受电网干扰时检测实验Fig.19㊀Detection experiment when disturbed bypower grid4㊀比较实验本节使用典型的单尺度方法:FFT [5]方法和CNN [10]方法,作为与本文方法进行比较的基线方法㊂为对比分析各方法的检测效果,每种方法在3种典型工况下各进行50组故障检测模拟实验,并使用统计学中的误差棒图分析实验结果㊂最后设置比较指标,利用统计学中的均值和标准误差作为最终评估结果㊂541第4期邱婷婷等:多时间尺度小波变换和LSTM 自编码器电弧故障检测方法4.1㊀3种方法实验结果的比较电弧故障检测中通常包含3种典型工况,分别为发生电弧和3.4节中所示的阳光强度降低以及电网波动干扰㊂利用FFT 方法㊁CNN 方法和本文方法针对3种典型工况各做50组实验,每组实验包含14组测试序列,序列检测结果输出0或1,输出0表示检测该序列为正常信号,输出1表示检测该序列电弧信号㊂最后,采用误差棒统计图分析3种工况下各方法50组实验的检测结果,如图20~图22所示㊂1)发生电弧㊂图20(a)为该工况下一组实验的测试数据,分为14组测试序列㊂图20(b )~图20(d)为该工况下3种方法的50组实验结果统计图,可以看出,3种方法在未发生电弧阶段无误报情况,在燃弧阶段产生漏报的可能性都不高,但相比较而言本文方法产生漏报的可能性最低㊂图20㊀发生电弧时3种方法50组检测结果的统计Fig.20㊀Statistics of 50groups of detection results ofthree methods when arc occurs2)阳光强度降低㊂图21(a)为该工况下一组实验的测试数据,分为14组测试序列㊂图21(b)~图21(d)为该工况下3种方法的50组实验结果统计图,可以看出,3种方法在阳光强度变化前无误报情况,CNN 方法在阳光强度降低后产生误报的可能性最大,FFT 方法和本文方法没有产生误报㊂图21㊀阳光强度降低时3种方法50组检测结果的统计Fig.21㊀Statistics of 50groups of detection results bythree methods when sunlight decreases3)受到电网波动干扰㊂图22(a)为该工况下一组实验的测试数据,分为14组测试序列㊂图22(b)~图22(d)为该工况下3种方法的50组实验结果统计图,可以看出,受电网波动干扰后FFT 方法出现误报的可能性最大,本文方法出现误报的可能性最低㊂4.2㊀比较指标及评估结果为对比分析FFT 方法㊁CNN 方法和本文方法检测故障电弧的准确性,采用准确率(accuracy,641电㊀机㊀与㊀控㊀制㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀ACC)㊁假阳性率(false positive rate,FPR)和假阴性率(false negative rate,FNR)指标进行评估㊂图22㊀受电网波动干扰时3种方法50组检测结果的统计Fig.22㊀Statistics of 50groups of detection results bythree methods when disturbed by power gridACC 用于评估检测精度,该指标数据越高表明方法的检测准确率越高,其表达式为ACC =T P +T NT P +T N +F P +F N㊂(13)FPR 用于评估检测的误报率,该指标数据越低表明方法出现误报的可能性越小,其表达式为FPR =F PT N +F P㊂(14)FNR 用于评估检测的漏报率,该指标数据越低表明方法出现漏报的可能性越小,其表达式为FNR =F NT P +F N㊂(15)式中T P ㊁T N ㊁F P ㊁F N 分别为真阳性㊁真阴性㊁假阳性㊁假阴性样本个数㊂经过3种工况下的各50组模拟检测实验,利用上述比较指标的均值和标准误差评估3种方法检测故障电弧的准确性,如表1所示㊂表1㊀50组模拟检测实验结果Table 1㊀50groups of simulated test results指标FFT 方法CNN 方法本文方法ACC 0.860ʃ0.0800.910ʃ0.0600.960ʃ0.020FPR0.150ʃ0.0300.100ʃ0.0200.040ʃ0.004FNR 0.040ʃ0.0050.030ʃ0.0050.010ʃ0.001实验结果表明,FFT 方法以及CNN 方法由于只使用了故障电弧的单一尺度特征作为检测依据,当光伏系统受到干扰时产生误报的可能性会更大,尤其当受到电网波动干扰时,由于FFT 方法是基于信号高频特征进行判断检测,所以该种情况下误报率较高㊂而本文方法提取了多时间尺度特征作为电弧检测模型输入,增加了判断依据,使得检测结果更加精准,明显降低了误报率㊂5㊀结㊀论针对光伏系统的直流串联型电弧故障检测问题,本文提出一种基于多时间尺度小波变换LSTM 自编码器单类重构算法检测方法,首先利用多时间尺度小波变换对光伏系统逆变器直流侧的电流信号进行特征提取,然后将多时间尺度特征作为LSTM 自编码器模型的输入进行端到端自动检测㊂理论分析和实验结果表明,相比于传统检测方法只提取单一时间尺度作为信号特征,本文方法在电弧机理分析的基础上,选取对应电弧特性的多时间尺度作为信号特征,使得检测的判断依据更加全面,提高了检测精度,降低了检测结果受外界干扰的可能性,减少了误报率和漏报率㊂参考文献:[1]㊀VELASCO QUESADA G,GUINJOAN GISPERT F,PIQUE LOP-EZ R,et al.Electrical PV array reconfiguration strategy for energy extraction improvement in grid-connected PV systems [J].IEEE Transactions on Industrial Electronics,2009,56(11):4319.[2]㊀XIONG Qing,JI Shengchang,ZHU Lingyu,et al.A novel DC arcfault detection method based on electromagnetic radiation signal [J].IEEE Transactions on Plasma Science,2017,45(3):472.[3]㊀YAO X,HERRERA L,JI S,et al.Characteristic study and time-741第4期邱婷婷等:多时间尺度小波变换和LSTM 自编码器电弧故障检测方法。

量子人工鱼群优化的随机共振微弱信号检测

第36卷第10期____________________________计算机仿真_______________________________2019年10月文章编号:1006 -9348(2019)10 -0368 -05量子人工鱼群优化的随机共振微弱信号检测行鸿彦韩杰1’2,刘刚1’2(1.南京信息工程大学气象灾害预报预警与评估协同创新中心，江苏南京210044;2.南京信息工程大学江苏省气象探测与信息处理重点实验室，江苏南京210044)摘要:针对传统随机共振方法微弱信号检测精度低、速度慢的问题，将量子人工鱼群算法应用到随机共振方法中，提出一种量子人工鱼群算法的随机共振微弱信号检测方法。

方法以随机共振系统参数为研究对象，将随机共振问题转化为多参数同步寻优问题，实现微弱信号的增强。

分别在Langevin与Duffmg系统中仿真，表明所提方法高效可行。

同一输人条件下，Duffing随机共振微弱信号检测性能优于Langevin系统。

加人控制频率，将Duffing随机共振应用到多频大信号的检测，扩展了随机共振的应用范围。

关键词：随机共振;量子人工鱼群算法;多参数优化;微弱信号检测中图分类号:TP 202+ .4 文献标识码：BWeak Signal Detect Method Based on Quantum ArtificialFish Swarm Optimization Stochastic ResonanceXING H ong-yan' 2,HAN Jie1>2,LIU Gang1'2(1. Collaborative Innovation Center on Forecast and Evaluation of Meteorological D isasters,Nanjing University of Information Science & Technology, Nanjing Jiangsu 210044, C hina；2. Jiangsu Key Laboratory of Meteorological Observation and Information Processing,Nanjing University of Information Science & Technology, Nanjing Jiangsu 210044, China) ABSTRACT-.Traditionally, the detection method has low accuracy and slow speed. Therefore, the quantum artificial fish swarm algorithm was applied to the stochastic resonance m ethod, and a method to detect weak signals in stochastic resonance based on quantum artificial fish swarm algorithm was proposed. This method took stochastic resonance system parameters as the research target and converted the stochastic resonance into multi - param eter synchronous optimization, and thus to achieve the enhancem ent of weak signal. Respectively, the simulation was carried out in Langevin system and Duffing system. The results show that the proposed method is efficient and feasible, and under the same condition of input signal, Duffing stochastic resonance weak signal detection performance is better than that of Langevin system. After adding the control frequency, Duffing stochastic resonance was applied to the detection of multi - frequency large signal，so that the application scope of stochastic resonance was expanded.KEYWORDS：Stochastic resonance；Quantum artificial fish swarm algorithm；Multi - param eter optim ization；Weak signal detectioni引言海杂波背景下微弱信号检测是雷达信号处理领域的研究热点。

智能电网数字锁相技术和小波变换的微弱信号测量研究

智能电网数字锁相技术和小波变换的微弱信号测量研究卫程，李宁，刘卫新(国网新疆电力公司电力科学研究院，乌鲁木齐830011)摘要:针对目前数字锁相算法对低信噪比微弱信号提取质量不高、计算时间长的弊端，提出用小波变换滤波器代替传统数字锁相系统的输出滤波器，并对小波变换滤波器分解级数、阈值选取策略和小波基选择做了讨论，以脉冲信号为例进行了参数选择。

通过模拟仿真对比分析了小波滤波数字锁相系统和巴特沃斯滤波器数字锁相系统的性能，结果表明在各种信噪比下前者的性能均优于后者。

关键词:数字锁相;微弱信号检测;小波变换中图分类号:TM933 文献标识码:B文章编号:1001-1390(2018)15A"0042>04The study about weak signal detection based on digital lock-in techniqueand wavelet transformWei C heng，L i N in g，Liu W eixin(State Gird Xinjiang Electric Power Company Electric Power Research Institute,Urumqi830011, China)Abstract: In this study，an improved digital lock-in technique with a wavelet filte r is developed instead of traditional out-put filte r in digital lock-in technique to solve the problem that the quality of extracted by traditional digital lock-in system is not so well and the calculate time is long.Oreover,the wavelet De-composition Parameters Selection include the Decomposition Level Selection,The Threshold Strategy Selection and the Wavelet Basis Selection is discussed.Based on pulse signal the wavelet De-composition Parameters is selected.Through the sim ulation，comparing the performance of digital lock-in technique with a wavelet filte r and with Butterworth filte r.The conclusions suggest that digital lock-in technique with a wavelet filte r is better than with traditional filte r.Keywords ：digital phase lo ck,weak signal detection,the wavelet transform〇引言当前科技发展迅速，我国电网正在推动传统技术变革，打造坚强智能电网是当前主节奏。

第五章取样积分与数字式平均

高次谐波波形。
（2）取样积分器的输出高次谐波分量也是沿着指数曲线逐
渐积累的过程，时间常数为 RC
第五章取样积分与数字式平均
微弱信号检测 (Weak Signal Detection)
当 ns+时
uom (t)xmsin n ( n )
1
1( R C / )2
第五章取样积分与数字式平均
微弱信号检测 (Weak Signal Detection)
第五章取样积分与数字式平均
微弱信号检测 (Weak Signal Detection)
c n T 1 T T //2 2p (t)e x p (jnst)d t A T T gs in n (n s T s g T g /2 /2 )
Tg T
cn
sin(n) n
p(t)n sinn (n )exp(jnst)
采样门 R
AD tg
积分器
C
门脉冲
第五章取样积分与数字式平均
微弱信号检测 (Weak Signal Detection)
累加过程
指数累加过程是在一个RC积分器中按下式对电容进行充电：
t
Vo Vi(1e TC )
TC=RC为时间常数，当t=TC时，Vo=0.632Vi 。
但是由于充电过程是脉冲式的，门脉冲的周期为tp（也即输入信号的周期），而每个脉冲充电时间只有tg，还要考虑到
定点式取样积分器仅能在噪声中提取信号瞬时值，其功能与锁定放大器相同，不同的定点可通过手控延时电路来实现。
扫描式取样积分器利用取样脉冲在信号波形上延时取样，可以恢复被测信号波形。它主要包括可变时延的取样脉冲和在取样脉冲控制下作同步积累这两个过程。
第五章取样积分与数字式平均

微弱信号检测原理

这种多点信号平均方式可以在一个信号波形上进行次取样从而大大减少了信号测量时间例如1024则上例中则可减少为297min时间节约了1024图512多点信号平均原理多点平均方式显然不能用图512所示的电容器组来实现这不仅是因为1024只电容会使仪器价格昂贵体积庞大而且由于电容本身漏电使信号电压保持时间有限从而很难实现对低频信号的恢复
m ——是测量的总次数；
同理，对于一个电流测量系统，可以用有效噪声电流来描述，即：
I~N
I
i2 N
12
m
12
I
i2 N
/
m
i1
（5.8）
对于其它物理量测量系统，可类似有相关的有效噪声值。
2）等效噪声功率虽然，传感器类型繁多，但从物理角度看，任何传感器必须
输入一定的能量，才能将输入的信息变换成所需要的输出信息。当然信息输出时，同样也要输出能量。如：光电传感器要能输出信号电压，就必须有光能输入，入射光强时，输出信号电压大。为了方便对同类传感器的性能进行比较，通常用响应度（即物理量输入信号功率与输出信号值）来描述传感器的灵敏度。对于电压传感器，其电压响应度定义为：
Rxy
lim
T
1 2T
T
T
xt yt
dt
（5.20）
同理
Ryx lim T
1 2T
T
T
xt
ytdt
（5.21）
互相关函数具有下列重要特性： ① Rxy 仅与时间差有关，而与计算时间的起点无关； ② Rxy Ryx ③ Rxy Rx 0Ry 0 ，当两个随机过程互不相关时，则一定有 Rxy Ryx 0。例如，被检测信号与系统的观察噪声之间不存在相关性，因此采用互相关方法有利于抑制观察噪声。

测试信号处理文献综述

微弱信号检测技术综述摘要：微弱信号是一种信噪比极低的信号，强噪声背景下微弱特征信号检测，一直是工程应用领域的难题，需要利用电子学和信号处理方法从噪声中提取有用信号，这些检测方法关键在于抑制噪声，恢复和提取有用信号.本文对各种传统的微弱信号检测技术、新的检测技术的基本原理和特点进行阐述，并在最后指出了今后微弱信号检测技术的发展方向，为微弱信号处理技术提供了依据。

关键词：微弱信号检测相关分析混沌理论小波变换1.引言在自然现象和规律的科学研究和工程实践中,经常会遇到需要检测毫微伏量级信号的问题，比如测定地震的波形和波速、材料分析时测量荧光光强、卫星信号的接收、红外探测以及生物电信号测量等，这些问题都归结为噪声中微弱信号的检测.微弱信号检测技术（Weak Signal Detection）作为一门新兴的学科，应用范围遍及光、电、磁、声、热、生物、力学、地质、环保、医学、激光、材料等领域。

微弱信号检测技术主要是分析噪声产生的原因和规律,研究被测信号的特点与相关性，检测被噪声淹没的微弱有用信号.目前对微弱信号检测理论的研究，探索新的微弱信号检测方法，研制新的微弱信号检测设备是目前检测技术领域的一个热点。

微弱信号检测的特点是，第一，在较低的信噪比中检测微弱信号.造成信噪比低的原因，一方面是由于特征信号本身十分微弱; 另一方面是由于强噪声干扰使得信噪比降低。

如在机械设备处在故障早期阶段时，故障对应的各类特征信号往往以某种方式与其它信源信号混合，使得特征信号相当微弱；同时设备在工作时，又有强噪声干扰。

因此，特征信号多为低信噪比的微弱信号。

第二，要求检测具有一定的快速性和实时性.工程实际中所采集的数据长度或持续时间往往会受到限制，这种在较短数据长度下的微弱信号检测在诸如通讯、雷达、声纳、地震、工业测量、机械系统实时监控等领域有着广泛的需求。

2.传统微弱信号检测方法2.1。

滤波技术滤波技术是一种通用信号处理技术。

对于频率固定的信号使用窄带化滤波技术，用窄带滤波器滤掉宽带噪声，只让窄带宽信号通过,滤除通频带以外噪声，提高信号的信噪比。

SignalDetectionTheory：信号检测理论

miss
criterion
hit
no yes Magnitude of sensory response
noise signal + noise
19!
Magnitude of sensory response
20!
Magnitude of sensory response
"yes"
person's response
13!
Signal Detection Theory (SDT)!
Each observation (e.g., bag screening) is either a case of just noise or a signal plus noise
14!
signal +
noise
S response
- detecting faint sounds (e.g., murmur heard through stethoscope)! - interpreting blips on a radar screen (plane vs ﬂock of birds! - stock market transactions (buy or sell?)! - jury decision (innocent vs guilty)! - deciding whether or not two lines are identical in length! - diagnosing X-ray images (e.g., is it a tumor?)! - detecting weapons in screened luggage!
Patients condition no tumor tumor

类Liu系统在水声微弱信号检测中的应用研究

类Liu系统在水声微弱信号检测中的应用研究刘剑鸣;杨霞;高跃龙;刘福才【期刊名称】《物理学报》【年(卷),期】2016(0)7【摘要】Weak signal detection is a vital technology in underwater acoustic communication with strong noise background. In this area, non-autonomous Duﬃng system is still widely used, and a lot of researches focus on enhancing the ability to detect weak signal and to find out the detection limitation of the Duﬃng system. Moreover, great achievements have already made. But problems still exist such as non-convergence of the periodic state of the Duﬃng system and its narrow detection domain. Unfortunately, researches on weak signal detection by using other systems are still rare. In order to solve the above problems, a new three-dimensional similar Liu chaotic system for weak signal detection is proposed. A thorough theoretical analysis for the similar Liu chaotic system is given, and its equilibrium point and the Lyapunov index are deduced and analyzed in detail. The major conclusion is that the variable x of the new system becomes a deformation signal when the input signal amplitude is greater than a certain critical value, the variables y and z converge to zero, and the Lyapunov exponents are less than zero at the same time. This means that no matter how strong the input signal is, the detection can be achieved by using a similar Liu chaotic system as long asits amplitude exceeds the threshold value. The periodic convergence and wide area detection of the similar Liu chaotic system are proved by the Matlab simulation, the Multisim circuit simulation, and the actual circuit test. This new system solves the two problems of the period convergence and narrow detection domain for the traditional Duﬃng system. The periodic state and chaotic state are easy to distinguish when detected. The periodic state can be maintained when the signal amplitude changes from short distance to long distance in a new system. The spectral signal-to-noise ratio range increases up to−46.57 dB in the similar Liu chaotic system. The characteristics of the new system are only effected by its structure and parameters. The system does not rely on the external factors, and it can be extended. By using some switching devices, the conversion between the chaotic state and periodic state can be realized in the practical engineering applications with a higher detection accuracy. The new design concept of the similar Liu chaotic system shows a very high practical value. It will lay a certain foundation for the underwater acoustic communication of the ocean internet of things in the future.%利用三阶混沌系统构造了一种新的微弱信号检测系统——类Liu系统,对类Liu 系统进行了深度的理论分析.类Liu系统中,当输入待测信号幅值大于某临界值时,系统可达到平衡点S0, S0中系统变量x平衡于摄动力信号,系统变量y, z收敛于零态,且S0对应的Lyapunov指数小于零.通过Matlab仿真、Multisim电路仿真以及实际电路证明了类Liu系统的周期态收敛性及广域检测性,解决了传统Duﬃng系统进行微弱信号检测时周期态不收敛、只能进行窄域检测等问题,同时谱级信噪比范围仍可达−46.57 dB.类Liu系统采用了全新的设计理念,具有较高的实用价值,对未来海洋物联网中的水声通信有一定参考价值.【总页数】11页(P070501-1-070501-11)【作者】刘剑鸣;杨霞;高跃龙;刘福才【作者单位】燕山大学工业计算机控制工程河北省重点实验室，秦皇岛 066004;燕山大学工业计算机控制工程河北省重点实验室，秦皇岛 066004;燕山大学工业计算机控制工程河北省重点实验室，秦皇岛 066004;燕山大学工业计算机控制工程河北省重点实验室，秦皇岛 066004【正文语种】中文【相关文献】1.水声对抗系统中水声网络及其应用研究 [J], 董阳泽;刘平香2.循环后缀在水声时反正交频分复用系统中的应用研究 [J], 王驰;殷敬伟;杜鹏宇;陈阳3.变形Rossler混沌系统及其在微弱信号检测中的应用研究 [J], 赵力;史丽晨;郭宝良;郭刚涛;段志善4.电子安全系统在水声对抗器材中的应用研究 [J], 马鑫钰5.叠加编码技术在水声OFDM通信系统中的应用研究 [J], 王华奎;孙海信;蒯小燕;吴碧因版权原因，仅展示原文概要，查看原文内容请购买。

微弱电信号检测方法回顾

【关键词】微弱信号 ;强噪声 ;检测方法【中图分类号】 TN911. 7 【文献标识码】 A
A revie w on weak electrical signal detection
ZHAO J i2xiang1 , C H EN Chao2chan1 ,2 , WAN G Huan3 , L U Fu2min2 , SAN G Yu2
性检测方法 1. 2. 1 频域分析法频域分析法主要采用功率谱法进行微弱信号检测[16 ,17 ] . 功率谱实际上是指功率谱密度 (power spect ral densit y , PSD) ,功率谱估计是随机信号的二阶统计量 ,利用广义平稳随机过程的 N 个样本数据来估计该过程的功率谱密度. 功率谱分析方法可分为非参数化方法 (又称为经典谱估计) 和参数化方法 (又称为现代谱估计) . 经典谱估计以傅里叶变换为基础 ,计算简便 , 但有泄漏效应 ,且方差性能不好 ;现代谱估计以随机过程的参数模型为基础 ,具有频率分辨率高 ,能改善谱线分裂和频率偏移等问题的优点. 它主要用于检测平稳随机信号 ,如正态有色噪声中的信号检测[16] 和人体 H RV ( 心率变异性 ) 信号检测[17 ] 等. 1. 2. 2 时频分析法时频分析法是目前的主流
定性好、实用性强、结构简单等特点 ,较大程度上提高了激光雷达的测距能力和远程探测概率 ,有效拓宽激光测距的应用范围. 循环相关运算就是将两个序列中的一个保持不动 ,而另一个序列循环右移 ,每右移一次后做一次点乘运算 ,从而产生一个新的序列 ,最后对新序列求均值再开平方后作为最后的结果. 利用循环相关检测法对淹没于乘性噪声的微弱线性调频信号进行检测 ,获得高处理增益[7] .