宝德流量计信号检测方法资料各有哪些

    宝德流量计信号检测方法资料各有哪些
    宝德流量计信号容易被噪声淹没, 使小流量测量受限。近年来, 基于非线性理论的随机共振 (SR) 方法为微弱信号检测提供了新途径。非线性系统设计及参数确定是其成功应用的关键。提出了一种基于遗传算法的耦合随机共振系统优化控制方法。对耦合系数、控制系统参数以及变换尺度3个参数进行并行优化, 提高了输出信号的功率谱幅值, 增强了对微弱信号的检测能力。理论分析和数值仿真结果表明:该方法能够自适应地对不同频率周期信号进行处理, 快速搜索到参数。将该方法用于小流量涡街信号分析, 能够在信号微弱、噪声强的情况下有效提取涡街信号的特征频率, 并获取流量值。该研究成果适用于其他涉及强噪声中微弱信号检测域, 对拓宽随机共振应用范围、解决工程实际问题具有重要意义。
    宝德流量计在涡街流量计检测流量信号时, 流量越小, 其涡街信号越弱, 往往淹没于噪声中。当流速稳定时, 涡街信号可近似看作微弱的正弦信号。传统的滤波方法无法滤除与原信号频率相近的噪声。由于频率通带选取的误差可能会削弱涡街信号, 该方法难以取得较好的应用效果
    随机共振技术是一种在噪声环境中提取微弱信号的有效手段。但随机共振并不是无条件的, 其需要输入信号、噪声以及非线性系统三者达到某种匹配条件才能实现。耦合随机共振系统是在单一双稳随机共振系统的基础上提出的[2]。它能增强随机共振效应、提高对微弱信号检测的能力。耦合随机共振系统涉及多个可控制变量。如何有效实现耦合随机共振系统的优化控制, 是其能成功运用并自适应地处理输入信号的关键。
    对于复杂的参数优化控制问题, 目前大多采用启发式算法, 得到近似满意解, 如粒子群算法[3,4]、鱼群算法[5,6]、遗传算法[7]等。这些启发式算法各有所长。粒子群算法搜索速度较快, 但容易陷入局部遗传算法[8]是一种模仿达尔文进化论“优胜劣汰”的启发式优化算法, 通过选择、交叉、变异等基因操作, 对目标种群进行优化, 具有很强的多参数并行搜索能力。因此, 本文运用遗传算法对耦合随机共振系统进行研究。通过多参数并行寻优的方法, 对共振系统进行自适应控制和涡街信号处理。
    1、耦合随机共振系统及参数寻优：
    经典随机共振理论可由Langevin方程描述[2], 通过输入信号、噪声以及非线性系统三者的协同作用, 对微弱输入信号进行检测, 如式 (1) 所示。
    计算公式
    式中:a、b为双稳系统参数;A、ω0分别为输入周期信号幅值和频率;ξ (t) 为均值为0、噪声强度为D的白噪声。
    耦合随机共振阵列由两个或多个非线性随机共振振子耦合而成。本文选择由两个非线性系统组成的耦合双稳系统[2]。该耦合随机共振系统结构如图1所示。该系统由一个固定参数双稳系统和一个参数可变双稳系统构成。
      描述该系统的微分方程组如式 (2) 所示。
    计算公式
    式中:γ为耦合系数。
    系统的势函数如式 (3) 所示。
    计算公式
    当固定系统参数a0、b0确定后, 势函数仅由耦合系数γ与控制系统参数a共同决定。因此, 可以通过调整γ与a两个参数来控制系统随机共振效果。
    由于热近似理论的限制, 经典随机共振理论仅能对小频率信号 (f?1 Hz) 进行处理, 而归一化尺度变换法[9]与二次采样法[10]可以克服该类限制。二次采样法的思想是对大频率信号重新“采样”, 将其等效为小频率信号输入非线性系统进行处理, 并对输出信号进行尺度还原。设输入信号原频率为f0, 采样频率为fs, 设置二次采样频率为fsr。原信号经过二次采样后, 频率变为计算公式。将二次采样频率fsr设置为一较小值, 即可实现对高频信号的缩放。
    但实际的工程信号往往无法预判断其频率大小, 因此需对迭代步长进行搜索, 以获取随机共振效果。引入参数变换尺度scale作为二次采样频率关于采样频率的缩放系数, 即计算公式。当采样频率fs一定时, 如改变变换尺度scale, 二次采样频率fsr也随之变化。
    本文运用遗传算法对耦合系数γ、控制系统参数a以及变换尺度scale进行并行搜索, 自适应地对输入周期信号进行处理, 搜索参数, 使系统产生随机共振。
    2、遗传算法搜索策略：
    2.1、编码与解码方法：
    本文采用二进制编码, 即仅以{0, 1}构成种群个体的染色体。串长定义了算法的搜索步长。
    当搜索区间为[xmin, xmax]时, 搜索步长Δ可由式 (4) 求得。
    计算公式
    如串长l=5, 则编码长度为5, 对应xmin, 对应xmax, 对应xmin+Δ, 以此类推。
    对于编码为的个体, 其解码公式为:
    计算公式
    2.2、搜索策略选择：
    (1) 初始种群。
    遗传算法的控制参数主要有种群大小、串长、进化代数以及交换率与突变率。种群大小与种群多样性相关, 该参数值越大, 则算法越容易搜索到效果较好的参数, 从而避免因陷入局部而产生的算法“早熟”现象。串长决定了搜索精度, 串长越大, 搜索精度越高。进化代数越大, 则算法能够通过更多的基因操作搜索到更好的参数值。但当算法过早收敛时, 仅增大进化代数无法获得更优的满意解。当然, 上述三个参数取值越大, 遗传算法搜索时间越长。此外, 初始种群交换率与突变率这两个参数相互配合, 控制算法的全局与局部搜索能力。
    设置种群大小为100, 每个参数串长为128位, 即随机生成100个长度为128位的{0, 1}全排列作为每个参数的基因段, 并将耦合系数γ、控制系统参数a以及变换尺度scale三个参数各自的基因编码尾相连, 组合为初始种群个体的染色体进行优化。
    (2) 适应度函数。
    适应度函数与实际问题中待优化的参数相关, 个体适应度越大, 其生存机会越大。本文将系统的功率谱幅值作为个体的适应度函数, 从而通过遗传进化, 搜索到使系统随机共振效果的参数值。
    (3) 选择。
    选择算子体现了“适者生存”的进化思想, 是遗传算法的精髓。本文采用轮盘赌与精英策略相结合的选择算盘赌选择即个体适应度值越大, 其复制到下一代中的概率越大。该方式简单易行, 能够有效避免算法收敛过快;但该方法选择误差较大。而精英策略了每一代种群中的必然遗传下一代, 有效弥补了轮盘赌算法的缺陷。
    (4) 交叉。
    交叉算子能够对染色体组合进行重组。该操作使算法能够对串空间进行有效搜索。本文采用传统的二进制单点交叉, 即在区间[0, l]中产生一个随机整数作为交换位, 并随机选择两个染色体对交换位前后两段编码进行交叉操作。例如:设置串长l=5, 随机选择2个染色体x1=、x2=, 交换位为3, 经单点交叉后新染色体为x'1=、x'2=。经多次数学试验, 本文交叉概率设置为0.6。此时, 算法优化效果较好。
    (5) 变异。
    若算法仅靠交叉算子进行搜索, 可能会造成有效基因位的缺失, 即其产生的后代适应度无法超越父代, 导致算法早熟收敛。此时, 需要依靠变异算子使算法摆脱局部。本文采用经典的常规位突变, 即在区间[0, l]中产生一个随机整数作为变异位, 对该位进行取反运算。例如, 原染色体为, 变异位为3, 则变异操作后的染色体为。变异概率的选择直接影响了搜索程序的优化效果。若取值过大, 算法变为*随机搜索;若取值过小, 则算法无法摆脱早熟收敛现象。经多次数学试验, 本文变异概率设置为0.05, 对每个个体3个参数的基因段都进行一次常规位突变。
    (6) 终止规则。
    由于搜索的随机性, 为了避免两代种群适应度变化不大导致的算法早熟收敛, 仅定义一条算法终止准则:当进化代数达到N时, 终止计算, 并将历代种群中的染色体解码后作为解输出。本文设置N=100。