复合信号范文（精选6篇）
复合信号 第1篇
神经系统细胞使用多巴胺、血清素及去甲肾上腺素等小分子神经递质进行沟通。多巴胺与诸如记忆等认知功能相关, 而血清素负责情绪控制, 去甲肾上腺素则与注意力和觉醒有关。脑细胞通过神经突触传递化学递质构成复杂的信息网络系统。电信号可以使突触小泡与膜融合, 并将化学递质释放, 这一过程以毫秒的速度发生。
哥本哈根哥廷根大学和阿姆斯特丹大学的研究人员一直在研究参与膜融合的核心蛋白复合物 (SNARE复合体) , 为大脑神经的迅捷传递速度寻求解释。他们发现, 突触小泡含有不少于3份连接桥或“SNARE复合体”。囊泡只和一个SNARE复合体较长时间地与细胞膜融合, 慢慢地分泌神经递质。S N A R E复合体的前体在囊泡到达目标膜之前出现。至少有三个SNARE复合体串联时, 同步融合启动。如果小泡只有一个SNARE复合体, 就会长时间与目标膜融合。
基于SoPC的复合信号幅频测试仪 第2篇
关键词：SoPC,复合信号,Hamming窗,比例查表法,IQMath
复合频率信号的频谱分析在现代数据分析中起着重要作用。复合频率信号的主要特点是:由有限个单频信号线性叠加形成,背景噪声较小(通常小于-20 dB),各分量之间存在频谱干扰[1],一般仪器难以对其各个分量进行精密检测。复合信号幅频测试仪,在兼备频谱分析仪功能的前提下,解决了其对于复合信号各频率分量不能智能识别以及对信号幅频测量的精度普遍不高的难题。本文结合SoPC在数字信号处理领域并行性、灵活性的优势[2],通过对包含两个单频分量的复合信号的幅频测试,给出了一套基于SoPC的复合信号幅频测试的解决方案,最终在Altera DE1开发平台上验证。
1 系统工作原理
复合信号幅频测试系统是闭环反馈的测试系统,通过多次采样运算的方法来实现精确测量。其原理框架图如图1所示。
对采样信号进行汉明窗加载处理,信号频谱能量泄露的问题得到有效解决[3]。但是由于FFT本身点数的限制,存在着栅栏效应,即存在最小分辨频率△F:
其中:fs是采样频率,N是采样点数。如果FFT频谱序列的峰值点默认为输入信号频谱的峰值点,则频率值将会出现最大△F/2的误差,幅度值将会有最大15.3%的相对百分比误差[3]。因此本文给出了基于Hamming窗频谱函数比例查表法解决这一问题。
假设输入信号是频率为f0的正弦信号s(t),由于加入Hamming窗后,s(t)的频谱序列主瓣满足汉明窗频谱函数W(ω)[4],W(ω)函数的极值点是真实的频率点。假设真实极值点为k,设k向下取整点为FFT所得序列的极值点设为k',则次极值点为k点向上取整点,设为k"。由此可得,极值点k的左右两侧的频谱序列值之比为:
因此,W(ω)函数中主次极值点的ω的差值恒为2π/N[4],通过计算S(k')/S(k")的比值,查找W(ω)函数主瓣两侧相距为2π/N各点的比值表,就可以计算出频谱函数真实极值的位置及其与FFT序列峰值点的幅度比值,进而快速精确地确定实际信号的频率和幅度信息,有效解决FFT栅栏效应的难题。这与常见的依据插值法的Rife频率估计法[5]有明显的区别。
2 系统方案实现
本系统在SoPC中嵌入一个NiosⅡ软核,用来进行系统的整体控制和部分数字信号处理任务。NiosⅡ软核选用全功能型CPU核,在100 MHz系统时钟下,拥有最高101 DMIPS的运算性能。SoPC内部框架图如图2所示。其中ADC采样缓存组件和DDS复合信号重建组件为自定义组件。
2.1 ADC采样缓存组件设计
在NiosⅡ微处理器监控下,ADC采样缓存组件完成指定频率下ADC采样、缓存和汉明窗加载的功能,有效节约了NiosⅡCPU时间,提高了SoPC系统的数据处理性能。其内部框图如图3所示。每采样满256个点后,ADC采样缓存组件会向NiosⅡ发出一次中断,这时NiosⅡ通过DMA组件进行数据的读取。由于将512单元16 bit的SRAM分成2个256单元SRAM块,所以ADC采样数据的缓存与DMA组件数据的读取互不干扰,可以同时进行[6]。
2.2 DDS复合信号重建组件设计
在外部DAC、有源低通滤波电路的配合下,DDS复合信号重建组件可以完成用户指定频率及幅度下的单频信号或者包含两个单频分量的复合信号的生成,生成信号的频率范围为1 Hz～100 kHz,频率分辨率小于1E-6,幅度步进1 mV。DDS复合信号重建组件生成复合频率信号,其中主信号频率为15 kHz,幅度为1 000 mV,次信号频率为100 kHz,幅度为250 mV。
2.3 系统软件设计
复合信号幅频测试仪的软件系统由NiosⅡ下位机部分和VB上位机部分组成。本文只对本系统IQMath运算库设计、复合信号处理算法等较为关键部分进行阐述。
2.3.1 基于NiosⅡ定点数软核的IQMath运算库设计
TI公司IQMath函数库运用,使得该公司定点数DSP在浮点数运算上拥有了与浮点数DSP几乎相同的运算效率[7]。与TI公司定点数DSP一样,NiosⅡ软核拥有强大的定点数运算能力,包括单指令桶型移位寄存器、单指令进行32×32 bit乘除法得到32位结果、计算64位和128位乘积专用指令等功能。因此,本文专门为NiosⅡ定点数软核编写了基于NiosⅡ软核的IQMath库,通过定点数运算来等效浮点数运算,使得在现有NiosⅡ的软核上进行高效率、高实时性的DSP运算得以实现。目前已经完成了基于NiosⅡ软核的IQMath库的部分常用函数设计,如表1所示。
在全功能NiosⅡ软核(系统时钟100 MHz)的模式下,通过基于NiosⅡ软核IQMath库的运用,8196点的FFT的运算时间由原来传统浮点型运算所需要的1.02 s变为了现在模式下的75 ms,运算速度提高了13.6倍。本方法与目前常见的在NiosⅡ软核中嵌入自定义浮点数运算核(用户自定义指令)相比,虽然运算的速度较后者略有下降,但是有效节约了硬件资源,同时软件程序的可移植性、通用性得到提高。
注:GLOBAL_Q表示为系统默认Q类型,需用户最初声明。
2.3.2 复合信号处理算法
复合信号处理算法完成对采样数据的分析处理,并且最终获得主、次信号的频率、幅度信息,其算法流程如图4所示。在一些特殊情况下,对算法进行了专门处理,以提高系统性能。
(1)最大、最小频率点处理
当复合信号中较高频率分量与较低频率分量的频率比值大于两个数量级时,频谱序列中较小频率分量趋向于0点并受到直流量等诸多因数的影响,进而导致对其测量精度的恶化。本系统采用了欠采样的方法处理这种情况。根据采样定理,只要采样频率fs为:
其中K为非负整数,可以保证较高频率分量位于频谱序列的高频π处,而对于低频信号就可以通过增加K的值获得足够低的最小分辨频率,进而实现对较小频率分量的精确计算。
(2)最小频率分辨率实现
由于主、次信号的频率分辨需要至少2.5个最小分辨频率的间隔,在首次250 kHz的定频率采样以后,系统将根据目前信号的测试数据降低再进行频率采样,一般定为大于较大频率点2.5倍的△F最小整数倍数,进而减少主信号对次信号的频谱干扰,提高系统测量的精度值。
3 系统指标测试
在系统评测中,本系统测量信号反应时间为1.5 s,最大频率分辨范围为10 Hz～100 kHz;主信号测量频率平均误差为2.1E-6,主信号测量幅度平均误差为0.136%;次信号测量频率平均误差为4.7E-6,次信号测量幅度平均误差为0.674%;在满足系统要求精度的前提下,最小频率分辨率<0.08%;生成指定正弦信号平均频率误差为1.6E-7,平均幅度误差为0.34%。本系统与目前常见的AT5010频谱分析仪相比,除了具备对于复合信号分辨的功能外,在频率测量精度上也有着明显的优势。
本文根据复合频率信号的特点设计了一种基于SoPC的复合信号幅频测试仪,实现在1.5 s内对复合频率信号中主次信号频率、幅度信息的精确计算,以及用户指定信号的生成。本文给出的基于Hamming窗频谱比例查表法,可以有效处理FFT变换中出现的栅栏效应这一技术难点;基于NiosⅡ软核的IQMath库函数的开发实现,有效提高了NiosⅡ定点数软核进行复杂运算的能力。本系统在Altera公司的DE1开发板上实现。
参考文献
[1]丁康,张晓飞.频谱校正理论的发展[J].振动工程学报, 2000,13(1).
[2]李兰英.NiosⅡ嵌入式软核SoPC设计原理及应用[M].北京:北京航空航天大学出版社,2006.
[3]LYONS R G.Understanding digital signal processing[M].北京:机械工业出版社,2005.
[4]方体莲,洪一.利用FFT校正两个密集信号的频率和相位[J].雷达科学与技术,2005(6).
[5]张松.基于FFT的正弦信号频率估算新方法[J].大理学院学报,2009(8).
[6]Uwe Meyer-Baese.Digital signal processing with field programmable gate arrays[M].北京:清华大学出版社,2008.
复合信号 第3篇
当今世界是一个数字化的世界, 数字信号处理器在其中扮演着举足轻重的角色, TI公司作为全球领先的半导体公司, 其数字信号处理器在该领域起着十分重要的作用[1,2]。
工业应用中经常接触到信号的相位测量、频率测量及其频谱分析问题。传统的频谱分析与校正方法, 如能量重心法, 相位差法等, 由于其固有的频率泄漏效应, 必定会对频谱校正精度造成影响[3,4,5]。而全相位谱分析及其校正法因其相位和频率的估计精度都很高[6], 必然非常适合这些测量仪器。
本研究采用全相位谱分析理论进行数字信号算法的设计, 在32位浮点DSP上实现复合信号的高精度检测与分离的功能。
1 系统方案
1.1总体框图
系统总体框图如图1所示。TMS320F28335作为信号处理和控制的核心, 对信号进行采集、处理、输出, 以及对片内外设进行控制。
前置电路主要由OPA运放和TLC滤波模块等组成, 其中OPA运放用来对信号进行叠加、抬升和缩幅, TLC滤波模块用来对PWM输出信号滤波。
在本研究中, 数据采集利用片内ADC, 通过ePWM2模块的周期中断启动ADC转换, 对采集到的信号做FFT运算并进行频谱校正。测量结果通过SCI发送至上位机, 重建波形时使用ePWM1模块。
1.2基于全相位FFT谱分析的时移相位差校正法
全相位FFT具有更优良的抑制频谱泄漏性能, 既可生成具有很好地抑制谱泄漏性能的幅度谱, 还可直接生成准确的相位谱。基于此, 本研究对存在时移关系的两序列主谱线上的相位差值做简单运算, 即可得到比传统相位差校正法更高精度的相位估计值, 具有较高的应用价值[7]。
数据经全相位数据预处理后再进行FFT, 就可得到一种新型的全相位FFT谱分析, 如图2所示, 其对数据截断方式的改进使频谱性能得以大大改善。
全相位时移相位差的频谱校正流程如图3所示。
主谱线k*处对应的数字角频率为2k*/N, 经过大小n0的延时后, 这个数字角频率会引起2k*n0π/N的附加相移, n0增大时, 这部分附加相移也随着增大。而主谱线位置k*是可以观测到的, 因此相移值2k*n0π/N就是相位差补偿值。
经相位补偿后的频率估计值为:
由上式推得主谱线上的频偏值为:
幅值估计值为:
式中, 分子部分
2 系统硬件设计
输入信号调理电路如图4所示。
(1) 跟随器。
此部分电路的作用主要增强信号, 避免输入输出阻抗不匹配造成信号衰减。主次信号都采用整极输入, 通过两个跟随器与后级电路连接, 在此不做幅度上的变化, 故只在输入级加入一个电阻即可。
(2) 加法电路。
该模块采用三输入反相求和运算电路。最后叠加的信号为负向的、幅值变为原来0.5倍、且加入直流偏置的信号。
(3) 2阶巴特沃斯低通有源滤波器。
由于算法对信号要求比较高, 该模块则滤去输入到DSP信号中的高频杂波, 减少干扰信号对FFT计算的影响, 同时采用负向输入, 将原本经过加法器负向的信号变为正向。
(4) 限幅电路。
此模块采用二极管与电阻并联构成, 正向限压为2.4 V, 负向为0.6 V。
3 系统软件设计
软件总体框图如图5所示。
(1) 主控制程序的执行流程。
首先初始化各标志位和变量为初始值, 初始化系统控制, 初始化GPIO、PIE、AD、SCI、ePWM等外设。
根据过程标志位判断当前所处过程, 如果处于采样过程, 则采样 (每次采3×4 096=12 288个点) , 采样结束后停止ADC 中断, 并设标志位为计算过程;如果处于计算过程, 则调用FFT模块和频谱校正模块, 得到精确的主次信号的频率和幅值, 计算结束后再设置标志位为采样过程, 通过SCI将结果发送至上位机, 然后更新比较值, 开启 ADC中断。重复上述过程。
其中A/D选择通道ADCINA1和ADCINB1设置为级联模式、同步采样, 并使能ePWM触发A/D转换。ePWM2设置为周期中断触发A/D转换, 计数模式为连续增计数[9,10]。
(2) 主计算程序执行的流程。
主计算程序流程图如图6所示。
初始时设置模式标志位为粗计算模式。判断计算模式, 如果是粗计算模式, 则计算主次信号的频率和幅值, 并和精计算结果进行比较, 如果差别较大, 则更新采样频率为最高采样频率;如果差别不大, 则更新采样频率为FSNEW, 最后设置计算模式为精计算模式。如果是精计算模式, 则计算主次信号的频率和幅值, 利用信号的最高频率计算得到新的采样频率, 然后更新采样频率为最高采样频率, 以便准备下次粗计算, 最后设置计算模式为粗计算模式。重复以上过程。
4 核心程序代码
(1) 重要结构体定义:
(2) 频谱校正函数:
5 评测结果
评测结果如表1所示。
6 结束语
研究结果表明, 采用全相位谱分析方法进行频谱分析与校正的精度高于传统方法, 但是全相位谱分析所需的样本长度要高于传统方法, 因此如何减小样本长度是接下来的工作所要考虑的。本研究将全相位谱分析理论应用于实践中, 为复合叠加信号高精度的检测与识别提供了一种新方法。全相位谱分析理论的应用前景并不局限于本研究所讨论的范围, 在相位测量、频率测量和频率测量紧密相关的其他领域也有很广阔的应用前景。
摘要：为解决复合叠加信号的分离、高精度、高分辨率频谱分析等问题, 将全相位谱分析技术应用在32位数字信号处理器 (DSP) 中, 进行了复合信号检测与分离, 提出了双通道同步采样和采样频率自适应的方法。将TMS320F28335优异的信号处理能力和强大的浮点运算能力与先进的全相位谱分析技术相结合, 设计出了一台复合信号频率计。系统测试结果表明:该复合信号频率计的频率分辨率高达0.4%, 频率精度达10-5级别, 全相位谱分析技术具有很高的精度和良好的抑制频谱泄漏性能, 开辟了频谱分析的新空间。
关键词：数字频率计,数字信号处理器,全相位谱分析,采样频率自适应
参考文献
[1]徐科军, 张瀚, 陈智渊.TMS320X281X DSP原理与应用[M].1版.北京:北京航空航天大学出版社, 2006.
[2]TMS320F28335 Data Manual[M/CD].Texas Instruments, 2007.
[3]丁康, 谢明, 杨志坚.离散频谱分析校正理论与技术[M].1版.科学出版社, 2007.
[4]XIE Ming, DING Kang.Correction for the frequency, am-plitude and phase in FFT of harmonic sigial[J].Mechani-cal System and Signal Processing, 1996, 10 (2) :211-221.
[5]JENQ Yih-Chyun.Direct digital synthesizer with jitteredclock[J].IEEE Transactions on Instrumentation andMeasurement, 1997, 46 (3) :653-655.
[6]王兆华, 黄翔东.数字信号全相位谱分析与滤波技术[M].1版.北京:电子工业出版社, 2009.
[7]丁康, 张小飞.频谱校正理论的发展[J].振动工程学报, 2000, 13 (1) :14-22.
[8]RIFE D G, VINCENT G A.Use of the discrete fouriertransform in the measurement of levels and tones[J].BellSyst.Tech.J., 1970, 49 (2) :197-228.
[9]李正周.MATLAB数字信号处理与应用[M].1版.北京:清华大学出版社, 2008.
复合信号 第4篇
小波分析思想萌芽于1930年至1980年。1981年, Morlet仔细研究了Gabor变换方法, 对Fourier变换与加窗Fourier变换的异同、特点及函数构造做了创造性研究, 首次提出了“小波分析”这一概念, 并建立了以他的名字命名的Morlet小波[1]。后来Meyer[2]对Morlet方法进行了系统的研究, 为小波分析科学的诞生和发展作出了重要贡献。另外, Mallat[3]、Daubechies[4]、Chui[5]等人的工作联合奠定了小波分析的基础。
小波是函数空间L2 (R) 中满足公式 (1) 的一个函数ψ (x) ,
undefined
式 (1) 中, R*=R-{0}表示非零实数全体, 有时ψ (x) 也称为小波母函数。对于任意的实数对 (a, b) , 其中参数a必须为非零实数, 称公式 (2) 为由小波母函数ψ (x) 生成的依赖于参数 (a, b) 的连续小波函数, 简称为小波。
undefined
变动 (2) 中参数a和b可以衍生出一族小波函数:a的变动使函数伸缩, 形成不同“级”的小波, b的变动使函数移位, 形成不同“位”的小波。由于ψ (x) 满足容许性条件, 所以可以得出undefined, 这表明了小波函数的波动特性。由于小波函数的性质, 也可以认为小波变换是进行可调的加窗处理。对于任意信号undefined, 小波变换表示为公式 (3) 。
undefined
通过小波变换将信号分解为位于不同频段和时段内的成分进行研究。小波包理论是小波变换的极其精彩的延伸, 也是正交多分辨分析的思想得到了充分的发挥, 小波包成功地解决了小波变换固有的“高频低分辨”这一时—频分析上的缺陷。
MATLAB是矩阵实验室之意[6]。MATLAB由主软件包和针对各专业应用的工具箱组成, 所谓MATLAB工具箱就是一些M文件的集合, 用户可以修改、调用工具箱中的函数。功能强大的工具箱中封装的函数使程序编写更加开放和容易, 而且不同工具箱之间的函数可以自由地相互调用。研究中主要通过调用信号处理工具箱和小波工具箱函数进行编程, 在MATLAB环境中实现木质复合材料缺陷信号的小波分解和小波包分解, 并进行不同位置缺陷的定位无损检测。
1 信号小波与小波包分解与重构
利用小波和小波包分解信号, 可以很方便地对信号进行分解、提取和重建。小波分析处理信号, 相当于让信号多次进行高通和低通滤波, 不断地分解信号到不同的频率段和时间段。实现信号小波分析和小波包分析的程序如下。
1.1 信号小波分解与重构程序
Load x;
j=min (size (x) ) ;
n=max (size (x) ) ;
energy=zeros (j, L+1) ;
energyrate=zeros (j, L+1) ;
for r=1:j
[c, l]=wavedec (x (:, r) , L, nwave) ;
figure (r) ;
subplot (L+2, 1, 1) ;plot (x (:, r) ) ;Ylabel (′signal′) ;
ca=wrcoef (′a′, c, l, nwave, L) ;
subplot (L+2, 1, 2) ;plot (ca) ;Ylabel ([′a′, int2str (L) ]) ;
energy (r, 1) =sum (ca.^2) ;
for i=1:L
cd=wrcoef (′d′, c, l, nwave, L+1-i) ;
energy (r, i+1) =sum (cd.^2) ;
subplot (L+2, 1, i+2) ;
plot (cd) ;
Ylabel ([′d′, int2str (L+1-i) ]) ;
end
for i=1:L+1
energyrate (r, i) =energy (r, i) ./sqrt (sum (energy (r, :) .^2) ) ;
end
end
t=1:L+1;
figure;
plot (t, energypara, ′-ko′, ′LineWidth′, 2, ′MarkerEdgeColor′, ′k′, ′MarkerFaceColor′, ′k′, ′MarkerSize′, 8) ;
1.2 信号小波包分解与重构程序
Load x;
r=min (size (x) ) ;
n=max (size (x) ) ;
energy=zeros (r, 2.^L) ;
energyrate=zeros (r, 2.^L) ;
for t=1:r
subplot (2.^ (L-1) +1, 1, 1) ;plot (x (t, :) ) ;grid;Ylabel (′Original signal′) ;
T=wpdec (x (t, :) , L, nwave, ′shannon′) ;
s=zeros (2.^L, max (size (x) ) ) ;
for i=0:2.^L-1
s (i+1, :) =wprcoef (T, [L, i]) ;
if (i<=2.^ (L-1) -1)
subplot (2.^ (L-1) +1, 2, 2.*i+3) ;plot (s (i+1, :) ) ;
Ylabel ([′a′, num2str (L) , num2str (i) ]) ;grid;
end
if (i>=2.^ (L-1) )
subplot (2.^ (L-1) +1, 2, 2.* (i-2.^ (L-1) +1) +2) ;
plot (s (i+1, :) ) ;
Ylabel ([′d′, num2str (L) , num2str (i-2.^ (L-1) ) ]) ;grid;
end
end
for j=1:2^L
h=zeros (1, n+1) ;
for i=1:n
h (i+1) =h (i) +s (j, i) .^2;
end
energy (t, j) =h (i+1) ;
end;
energyrate (t, :) =energy (t, :) ./sqrt (sum (energy (t, :) .^2) ) ;
end
for i=1:r
plot (1:2^L, energyrate (i, :) , ′-ko′, ′LineWidth′, 2, ′MarkerEdgeColor′, ′k′, ′MarkerFaceColor′, ′k′, ′MarkerSize′, 8) ;
hold on;
end
figure;
for i=1:r
plot (5:8, energyrate (i, 5:8) , ′-ko′, ′LineWidth′, 2, ′MarkerEdgeColor′, ′k′, ′MarkerFaceColor′, ′k′, ′MarkerSize′, 8) ;
hold on;
end
2 木质复合材料缺陷定位检测
利用上面编写的小波分析程序, 对木质复合材料三种不同位置 (左端、中部和右端) 缺陷的振动信号进行db5小波分解和小波包分解。图1所示为缺陷在中部的振动信号三层小波分解。从图1可以看出经过分解后原信号signal=a3+d3+d2+d1, 其中a3为低频分量, d3、d2和d1为高频分量;经过三次高频滤波后低频分量a3与原信号振动波形大致相同, 三个高频分量时域振动波形差别很大。图2为程序对左端、中部和右端三个不同位置缺陷信号经过三层小波离散分解后, 各层信号能量所占比率, 按照a3、d3、d2、d1的顺序排列。从图2中可知, 三种信号的低频 (逼近) 分量占整个信号的大部分能量, 左端缺陷信号的低频分量的能量相对较小, 中部和右端缺陷大致相同。对于高频分量, 左端缺陷信号在各层的能量和中部、右端缺陷信号有很大的差异, 特别是在高频段d3左端缺陷信号能量约为中部和右端信号的2倍;中部和右端缺陷信号在各层的能量率差异要小一些;三种信号的高频分量d1的能量率相差不大。
研究中可以看出小波变换只对信号低频部分进行了分解, 而且随着信号频率的增加, 在频域内相应的分辨率降低, 致使信号在很宽范围内大量的、频率相差很远的频率成分被“捆绑”在一起而无法分开, 这就是小波变换的“高频低分辨率”缺点;而小波包变换方法成功地解决了这一问题。图3表示缺陷在中部的振动信号三层小波包分解, 从图3中可以看出信号的低频和高频同时进行分解, 原信号被分解到八个频段进行分析;四个低频部分a30、a31、a32和a33, 四个高频部分d30、d31、d32和d33。
计算三种不同位置缺陷信号小波包分解后各分量信号的能量率如图4所示。为了更清楚地分析高频分量不同频段内信号能量的区别, 把高频部分放大如图5所示。从图中还可以看出, 第一高频分量信号, 缺陷在中部的信号能量较大, 而左和右端缺陷信号能量相差不大;第二高频分量信号, 三种位置缺陷信号能量相差不大;第三高频分量信号, 缺陷在左端的信号能量较大, 而中部和右端缺陷信号能量相差不大;第四高频分量信号, 左端、中部和右端缺陷信号能量逐渐增大。结合图4和图5中信号在八个频段内所占能量率的不同, 可以实现对木质复合材料缺陷三种不同位置 (左端、中部和右端) 进行定位无损检测。
3 结 论
利用MATLAB软件中的小波分析工具箱和信号处理工具箱中的有关函数编程, 实现了小波和小波包处理信号, 并计算信号分解后各分量信号所占的能量比例。以木质复合材料三个不同位置缺陷振动信号处理为例, 利用所编写的程序对信号进行小波和小波包分解, 提取出不同位置缺陷信号不同频段的特征值能量率, 根据信号在不同频段的能量率实现木质复合材料左端、中部和右端缺陷的定位无损检测。这样利用MATLAB编程实现木质复合材料缺陷信号的小波分析和小波包分析, 这在木质复合材料无损检测中具有现实意义, 也是小波分析在实际应用领域的体现之一。
参考文献
[1]Morlet J.Sampling theory and wave propagation[Z].Proc.51st Ann.Meeting of the Soc.of Explor.Geophys, Los Angeles, USA, 1981.
[2]MEYER Y.Wavelets and Operators[M].Cambridge University Press, Cambridge and NowYork, 1992.
[3]Mallet S.A theory for mufti-resolution signal decomposition:the wave-let representation[J].IEEE Trans on PAMI, 1989, 11 (7) :674-693.
[4]Daubechies I.Orthonormal based of compactly supported wavelets[J].Communications on pure and applied math., 1988, 41:909-996.
[5]Chui C K.An introduction to wavelets[M].Kew York:Press.1992, 1:432.
复合信号 第5篇
三维编织复合材料是一种组织结构复杂的材料,由于材料的多组分以及编织制备工艺的特点,材料的力学行为非常复杂。正是由于三维编织复合材料自身的特点,它的应用也越来越广泛,已经在航天、航空、交通、化工、体育、医疗等领域得到了广泛应用,因此,对三维编织复合材料的力学性能进行分析具有非常重要的意义。
目前研究复合材料的损伤断裂行为大多沿用均质材料的研究方法,即力学试验和微观观察相结合,但由于力学试验参量对复杂的微观断裂不敏感,不能区分和识别不同的损伤断裂源,显微观察也只是在事后观察断口,研究局部断裂形貌无法观察众多断裂源的交互作用和微观行为,也无法研究复合材料中各断裂源的特征,因此传统研究方法已经不能适应复合材料损伤断裂过程的研究。
材料结构受外力或内力作用产生变形或断裂,以弹性波形式释放出应变能的现象被称为声发射(Acoustic emission,AE)或应力波[1]。声发射检测方法是一种材料内部缺陷或潜在缺陷处于运动变化中进行动态损伤检测的方法,具有实时、连续监测的特点,并能反映出声发射源在载荷作用下的动态响应特性。因为AE信息能直接反映缺陷的产生和变化[2,3]。
1 三维编织复合材料的声发射试验设计
图1描述了三维编织复合材料声发射的测试系统原理[4]。AE信号处理过程如图2所示[5]。
但由于声发射源的自身特性、声发射源到换能器的传播路径、换能器的特性以及测量环境等诸多因素的影响,输出的声发射信号波形十分复杂,与真实的AE源信号相差很大,有时甚至面目全非。因此,如何根据示波器上输出的电信号来获取有关AE源的信息一直是人们面临并试图加以解决的难题。在示波器上观察到的传感器输出信号有两种基本类型,即突发型和连续型。实际上,所有声发射源过程均为突发过程,如断续的裂纹扩展、复合材料的纤维断裂等,但当声发射的频度高达时域上不可分离的程度时就以连续型信号显示出来。一般计算机对AE信号的分析有参数分析法和波形分析法。参数分析法是以多个简化的波形特征参数来表示声发射信号的特征,然后对其进行分析和处理,其中特征参数包括撞击(事件)计、振铃计数、幅度、上升时间、持续时间和时差等;波形分析法是通过存储和记录声发射信号的波形来对波形进行频谱分析。
2 结果与分析
实验证明,三维编织复合材料的声发射产生频率在200～400kHz。在本试验中选用Vallen公司的VS900-RIC高精度声发射传感器,其频率范围为100～900kHz。采用12K碳纤维T300B、基体为环氧树脂TDE-86、固化剂为70酸酐的三维四向三维编织复合材料作试件,静载弯曲、压缩试验在岛津AG-250KNE型万能材料试验机上(如图3所示)进行,加载速度为5.0mm/min。表面编织角是影响三维编织复合材料的重要指标,通常将编织角为15～25°的称为小编织角。编织角为20°的试件是最具代表性的小编织角试件。选用试件A和B进行弯曲试验测试,试件参数如表1 所示。
图4是试件A和B的受力曲线图。实验结果表明,当编织角较小时,声发射系统检测事件较少,说明在材料内部机械损伤较少;编织角越大,产生的声发射事件越多,波形越平缓,材料的力学性能越不稳定[6,7,8,9,10]。这说明编织角对三维编织复合材料的内部结构有一定影响,编织角的变化引起了复合材料中纤维体积含量的变化。编织角较小的试件A的曲线基本呈线性变化,所发生的AE时间个数较少,而编织角较大的试件B曲线则相对比较平缓,所发生的AE试件个数较多,不便分析声发射信号的特征。
声发射事件是材料内局域变化产生的单个突发型信号,声发射事件计数是声发射信号超过某一设定门限阈值的次数,信号单位时间超过阈值的次数为计数率,声发射计数率依赖于换能器的响应频率、换能器的阻尼特性、结构的阻尼特性和阈值的水平。由于诸多因素的影响,用参数分析法中的事件计数只能粗略记录声发射源的活动性评价,特别是对于三维编织复合材料,由于其自身编织工艺及结构的影响,随着断裂面的扩大,分析声发射源的定位意义不大。在参数分析法中所涉及的其它特征参数如能量计数、持续时间、幅度等只是便于声发射源的定性分析,而定量分析则不足。
3 三维编织复合材料声发射信号的波形分析
常用的波形分析法有频谱分析法、神经网络分析方法和小波分析方法。频谱分析方法是通过对信号波形进行傅里叶变换得到频域特性,从而可以得到信号的频谱特性,由此分析材料损伤的频谱特征。神经网络分析方法是近年来新兴的方法,神经网络一般由输入层、中间层和输出层组成。采用BP算法的多层神经网络模型一般称为BP网络,BP网络中隐含单元可以根据需要自由假定。小波分析方法是近年来常用到的信号分析方法,许多情况下的信号分析都需要提取弱信号,这是用傅里叶分析方法根本无法办到的。信噪分离与提取弱信号是小波应用于信号分析的重要方面。
本实验采用连续小波对声发射信号进行降噪处理和频域分离技术。图5是对上述试验中试件A和试件B进行弯曲测试所采集到的声发射波形信号。从图5中不难看出,编织角较大的试件B在弯曲过程中信号难分离,受到的干扰较大,呈现了类似连续波形的信号波;试件A的声发射波形图衰减比较大,用时也非常短暂。在频域上来看,试件A和B的声发射波形图没什么规律可查。
利用小波技术处理试样A和B的声发射信号如图6所示。处理后的波形图在频域上可以看出在不同频段信号的特性,这为研究三维编织复合材料的力学性能提供了很好依据,并为声发射源的研究提供了很好的保证。
4 结论
三维编织复合材料弯曲试验的声发射检测对于今后三维编织复合材料的广泛应用和组织结构的研究有着重要的作用。对材料损伤部位的精确定位提供了大量的理论依据,处于定位准确度的考虑,在对三维编织复合材料声发射源的研究中建议使用小波变换对声发射信号进行波形分析法。采用小波不同的算法对三维编织复合材料声发射信号进行降噪和分离处理,可获得最接近于原始声发射信号的波形。
摘要：论述了声发射技术在三维编织复合材料弯曲过程中的应用及实验方法,给出了声发射在三维编织复合材料中弯曲过程的特征。为了精确地知道材料的损伤部位,声发射源信号的采集非常重要。试验结果表明,考虑到声发射源定位研究的准确性,建议采用波形分析法。在声发射信号的采集过程中比较了参数分析法和波形分析法。根据信号的衰减程度,选择较准确的声发射源信号。利用小波变换的不同算法得到了三维编织复合材料较准确的声发射信号。
关键词：三维编织复合材料,参数分析,波形分析,小波变换
参考文献
[1]袁振明.声发射技术及其应用[M].北京:机械工业出版社,1985
[2] Sata N,Kurachi T.Progress in acoustic emissionⅦ[A].Edited by Kishi T,Mori Y,Enoki M.Proc 12thIntern AESymp[C].Sapporo Japan:Jap Soc of NDI,1994:59
[3] Lee J S,Lee J O,Oh S K.Progress in acoustic emissionⅥ[C]//Edited by Kishi T,Mori Y,Enoki M.Proc 12thIn-tern AE Symp.Sapporo Japan:Jap Soc of NDI,1994:52
[4] Wan Zhenkai(万振凯).Acoustic emission analysis of theflexural and tensile properties of 3-D braided composite ma-terials(三维编织复合材料拉伸与弯曲声发射特征分析)[J].J Textile Res(纺织学报),2007,28(4):52
[5] Wan Zhenkai(万振凯),Li Jingdong(李静东).Feature ofacoustic emission and failure analysis for three-dimensionalbraided composite material under compressive load(三维编织复合材料压缩损伤声发射特性分析)[J].J Textile Res(纺织学报),2006,27(2):20
[6] Zhang Yitong(张义同).New advances in fabric mechanicsresearch(织物力学研究的新进展)[J].Adv Mechan(力学进展),2003,33(2):217
[7] Wan Zhenkai(万振凯),Shen Junhui(沈俊辉).Researchon measure of composite material preform braiding angle(复合材料预制件编织角测量研究)[J].J Textile Res(纺织学报),2004,25(3):42
[8] Chou T W,Ko F K.Textile structural composites,com-posite materials series[M].Amsterdam:Elsevier SciencePublishers B V,1989
[9] Chen L,Tao X M,Choy C L.On the microstructure ofthree-dimensional braided performs[J].Compos Sci Techn,1999,59:391
复合信号 第6篇
目前,国外鲜有对该类复合信号的研究公开。国内主要针对载波是正弦波、线性调频和正弦调频的伪码体制复合信号的参数估计进行研究[2,3,4,5],而对于载波是二次调频信号情形的研究则很少。在实际通信中伪码序列的估计具有现实意义,对信号的捕获和追踪十分重要。虽然带有信息码的二次调频-伪码调相复合信号类似于直扩信号,但载波调制极其复杂,直扩信号的伪码估计方法[6]无法有效地估计其伪码序列,因此本文的重点是研究适合该类复合信号的伪码盲估计方法。
1 信号模型
带有信息码的二次调频-伪码调相复合信号(QFM-PRBC)的数学表达式如下[2,7,8]:
其中,di为第i个信息码(i=0,1,…,N-1),其取值为为伪随机二相码脉冲串信号,μ(t)是幅度为1且持续时间为Tp的子脉冲,Tp为子脉冲宽度,T1为子脉冲重复周期,且有T1=Tp。R为子脉冲个数,Cl={+1,-1}为伪随机二相码的二进序列,T2为伪码周期,且有T2=R Tp,N为伪码周期重复次数,ak(k=1,2,3)为二次调频信号的实系数。该二次调频-伪码调相复合信号是一个伪码周期对应一个二次调频的时间周期。
2 伪码盲估计的算法原理
鉴于可采用ZAM分布的方法[5]估计伪码调相信号的参数,本文假设已经估计出伪码周期和子脉冲宽度,而载波参数未知。
设接收的信号为:
其中,s(t)为接收到的带有信息码的QFM-PRBC复合信号,w(t)是均值为0、方差为σw2的加性复高斯白噪声。
对接收的信号以Ts为采样间隔进行采样,采样后的接收信号为:
为简化,可令:
其中,a11=a1Ts,a22=a2Ts2,a33=a3Ts3为采样后的二次调频实系数,m=T2/Ts为一个伪码周期内的采样点数且为奇。则式(3)可简化为:
式(5)中,M为接收到的信号的长度。
2.1 二次调频-伪码调相复合信号的降阶
为了估计伪码序列,首先对接收的信号进行降阶处理,为了消除信息码及伪码符号的影响,采用平方法消去相位突变,就有:
通过上式可以看出有用信号变成系数为原来2倍的二次调频信号,式(6)可简化为:
其中,Siqfm1(n)为经平方后新的二次调频信号,其幅值的改变不影响参数的估计;w1(n)是变不影响参数的估计;w1(n)是经平方后产生的新的噪声。
通过平方法将接收的信号变为带噪的二次调频信号,可采用三次相位函数的方法[9,10]估计其系数,该方法是一种快速参数估计方法,可同时估计出二次调频信号的二、三阶系数。
令x=y2,三次相位函数方法是将系数a22和a33的估计转换为瞬时频率变化率的估计,而瞬时频率变化率的估计可通过寻找三次相位函数最大值对应的Ω来求得,如下式所示:
在没有噪声的情况下,式(8)可写为:
为了得到系数a22、a33的估计,可任取两个不同的时刻n1和n2(本文中取n1=0、n2=0.11 m),获得对应的两个瞬时频率变化率的估计通过线性方程组求解a=C-1Ω,
即可得二、三阶系数。
由于平方法在消除符号影响的同时,增大了噪声的干扰,为了有效估计参数,这里采用对三次相位函数累加平均的方法进行降噪。
对x按长度m进行分段,可得p段数据,分别计算每段数据对应的三次相位函数的绝对值,再将对应n1和n2的三次相位函数的绝对值分别相加求平均可得降噪后的|CPx(n1,Ω)|和|CPx(n2,Ω)|,将其代入式(8)可得两个最大值,通过解线性方程可得系数的估计a≤22,a≤33。
通过以上分析可得2a22,2a33和的精确估计,将两个估计值统一除以2,就得到a22和a33的精确估计,利用它们可重构长度为一个伪码周期的指数项exp[j(a≤22n2+a≤33n3)],将该项的共轭与一个完整伪码周期的QFM-PRBC信号相乘,有:
其中,△a22=a22-a≤22,△a33=a33-a≤33,d为该段数据对应的信息码,w′(n)为噪声与指数项相乘后新的噪声,当△a22和△a33较小时就有exp[j(△a22n2+△a33n3)]≈1,此时:
由式(11)得到的z(n)是降阶后的长度为一伪码周期的单音频信号与伪码调相的复合信号及产生的新噪声,接下来对降阶后的复合信号进行伪码估计。
2.2 伪码的盲估计
对上一节得到的信号z(n)取实部得
其中,real(·)表示取实部。从式(12)可以看出,此时zr(n)的有用信号为正弦波与伪码调相的复合信号,正弦载波的作用相当于对伪码调相信号进行了上变频处理,通常为了得到基带伪码调相信号采用下变频的方法。而实际中a11的估计经常存在偏差,这使得下变频的方法不能得到正确的基带伪码信号,还存在部分的残留调制。因此考虑在频域进行伪码的恢复。
信号zr(n)的傅里叶变换为:
其中,f0=a11m/2π为载频,W(f)为real(w′(f))的傅里叶变换,V(f)是伪码调相的频谱,其包络类似于函数|Sa(·)|,主瓣宽度窄且幅度高,旁瓣相比较占得频谱很宽且幅度低。V(f-f0)+V(f+f0)为正弦波与伪码调相复合信号的频谱,正弦载波的作用相当于将伪码信号的频谱分别向两边频移了f0,形状没有发生变化,±分别对应信息码为+1和-1的情形。当f0较小时,V(f-f0)+V(f+f0)混叠的部分较多;反之,则混叠的部分较少。
频谱搬移的思想[11]是:先对接收的信号进行FFT变换,对变换后的频谱进行搬移,使之恢复伪码序列的频谱,再进行IFFT变换,从而得到所求的伪码序列。频谱搬移的步骤如下:
(1)对信号zr(n)进行长度为2 m的FFT变换,记为zr(f),此时频谱关于中心位置是对称的;
(2)将频谱沿中心位置对折相加,相加后的频谱记为Zr1(f),此时Zr1(f)频谱的长度为Zr(f)的一半,即为m;
(3)在Zr1(f)频谱上搜索主瓣的对称位置α,先搜索最大值所在的位置记为α1=arg fmax(Zr1(f)),再搜索次最大值所在的位置记为α2=argf≠mα1ax(Zr1(f)),则α=「(α1+α2)/2骎,「·骎表示向上取整;
(4)对频谱进行搬移,得所求伪码信号的频谱为V赞(f)=[Zr1(α:m),Zr1(1:α-1)];
(5)对搬移后的频谱进行IFFT变换,取前半个周期序列经低通滤波器后可得正确的伪码序列。
该算法的实质是通过FFT变换及频谱搬移抑制一阶系数的偏差,从而不会对伪码估计产生影响。由于选取的任意一段伪码周期的数据有相应的信息码,当信息码为正时,估计的伪码序列完全正确,信息码为负时,估计出来的伪码呈相应的反码,这并不影响伪码估计的正确性。
由于在步骤(1)中进行的傅里叶变换的长度是伪码周期长度的两倍,使得恢复出来的正确伪码序列的长度是原序列长度的一半,由于伪码的参数是已知的,可对估计出来的伪码序列扩展得到原长度的序列波形。步骤(5)中的低通滤波的作用是使恢复出的伪码波形清晰,便于符号的提取。
3 仿真实验及其分析
为了进一步验证该算法的性能,本文通过使用MATLAB仿真软件对二次调频-伪码调相复合信号的伪码盲估计过程进行仿真。设接收的信号为采样后的信号。其中,采样频率fs=430 MHz,子脉冲宽度Tp=0.3μs,子脉冲个数R=7,伪码周期T2=2.1μs。采样后的系数为a11=0.15,a22=0.2/m,a33=0.55/m2,m=T2fs,为一个伪码周期内的采样点数。
实验1:仿真二、三阶系数估计的均方误差,并对比累加平均次数对系数估计的影响,信噪比范围为-5~+15 d B,间隔为1 d B,分别进行300次Monte-Carlo仿真。
图1、图2给出了基于累加平均的三次相位函数来估计二、三阶系数的性能曲线。图1是a22的估计性能,从中可看出,当累加平均的次数为10时,均方误差在-1d B时达到最小,且随着信噪比的增大,均方误差保持不变;当累加平均的次数为20时,均方误差在-2 d B时达到最小,可见适当增大累加平均的次数可改善估计性能,该特性在图2中也清楚地反映出来。图2是a33的估计性能,从中可以看出随着信噪比的增大,均方误差呈递减趋势,当信噪比大于5 d B时递减趋势趋于缓慢,且经过累加平均处理的均方误差小于未累加的。
实验2:对降阶后的正弦波与伪码调相复合信号进行伪码的估计,其中不考虑估计系数偏差的影响,并且仿真不同子脉冲个数及信号长度对伪码估计性能的影响,其中数据是经过300次Monte-Carlo仿真的平均结果。
图3给出了信噪比为2 d B时,经过低通滤波后恢复出来的伪码序列波形。从图中可以看出,恢复出来的伪码序列与原序列相比,符号完全相同,只是长度减为原序列的一半,此时该伪码周期对应的信息码为正,当信息码为负时,估计的伪码序列呈反码,这是由信息码的符号影响的。由于恢复伪码时采用了低通滤波器,使得恢复出来的伪码波形的幅值呈现微小波动,但不影响符号的判定,通过下采样及取符号可得伪随机二进序列为{-1,1,-1,1,-1,-1,1}。
图4是在其他参数不变而子脉冲个数为7和15时的性能曲线,其中正确估计率是指伪码完全估计正确的次数与总次数之比。从图中可以看出,随着信噪比的增大,伪码估计的正确率逐渐增大;在同一信噪比下,子脉冲个数为15的正确率要远大于子脉冲为7的正确率,比如信噪比为0 d B时,其正确估计率为0.877 1高于7个子脉冲的0.558 3。为了达到相同的估计性能,子脉冲个数为15的抗噪性能比7个的提高了约8 d B,由此可见当子脉冲个数为15时具有更好的估计性能。
图5显示了在子脉冲个数为15的条件下不同采样频率对伪码估计性能的影响(即信号长度的影响)。从图中可以看出在同一信噪比下,采样频率越大,则信号长度越长,伪码估计的正确率越高,且采样频率大的具有更好的抗噪性能。
本文针对二次调频-伪码调相复合信号的伪码盲估计问题进行讨论,采用基于累加平均的三次相位函数估计二次调频的二、三阶系数,利用估计系数重构指数项,其与原复合信号相乘可实现降阶。降阶后的信号取实部可得正弦波与伪码调相的复合信号,通过频谱搬移的方法可恢复伪码序列。仿真验证了该算法的可行性与有效性,其结果表明,15个子脉冲的估计性能优于7个子脉冲,在SNR≥1d B时,伪码估计的正确率大于0.9,且适当增大采样频率可提高伪码的估计性能。本文所提的伪码盲估计算法为该类高动态复合信号的捕获与追踪奠定了基础。
由于该方法中间步骤较多,存在误差传播,且未考虑系数估计的偏差对伪码估计的影响,后期将围绕这方面深入研究,以便进一步提高伪码估计的性能。
参考文献
[1]PELEG S,PORAT B.Estimation and classification of poly-nomial-phase signals[J].IEEE Transactions on InformationTheory,1991,37(2):422-430.
[2]熊刚,赵惠昌,林俊.伪码-载波调频侦察信号识别的谱相关方法(I):伪码-载波调频信号的谱相关函数[J].电子与信息学报,2005,27(7):1081-1086.
[3]熊刚,赵惠昌,王李军.伪码-载波调频侦察信号识别的谱相关方法(II):伪码-载波调频信号的调制识别和参数估计[J].电子与信息学报,2005,27(7):1087-1092.
[4]熊刚,杨小牛,赵惠昌.基于平滑伪Wigner分布的伪码与线性调频复合侦察信号参数估计[J].电子与信息学报,2008,30(9):2115-2119.
[5]张淑宁,赵惠昌,黄光明.基于ZAM分布的伪码调相与正弦调频复合引信信号特征参数提取技术[J].宇航学报,2008,29(6):1965-1969.
[6]张天骐,张传武,林孝康,等.直扩信号伪码周期及序列的估计算法[J].系统工程与电子技术,2005,27(8):1365-1368.
[7]田日才.扩频通信[M].第1版.北京:清华大学出版社,2007.
[8]SHIMON P,BENJAMIN F.The discrete polynomial-phasetransform[J].IEEETransactions on Signal Processing,1995,43(8):1901-1914.
[9]O’SHEA P.A fast algorithm for estimating the parametersof a quadratic FM signal[J].IEEE Transactions on SignalProcessing,2004,52(2):385-393.
[10]Wang Pu,Yang Jianyu,DJUROVIC I.Alg-orithm exten-sion of cubic phase function for esti-mating quadratic FMsignal[C].Acoustics,Speechand Signal Processing.Hon-olulu:ICASSP,2007:III-1125-III-1128.