電氣傳動控制器局部干擾信號自動識別研究

趙曉宇，殷海雙

（東北石油大學 電氣信息工程學院，大慶 163319）

隨著信息時代的到來，電子設(shè)備被廣泛應(yīng)用于各個領(lǐng)域，實現(xiàn)了不同行業(yè)的溝通與交流，信息的相互交換實際上就是電子信號之間的數(shù)據(jù)傳遞。 當電動機識別到有利的信號，會立即識別出信號所攜帶的信息，然后轉(zhuǎn)換成機械能，控制器就會使信號的傳輸幅度保持在相同的頻率。 而在實際生活中，信號正常傳輸時，會受到各種因素干擾，導(dǎo)致信號中斷不能按時傳輸。 基于此，許多學者都研究了局部干擾信號識別方法，文獻[1]研究了基于SVM 分類受電弓振動干擾信號識別方法，該方法主要計算接觸網(wǎng)沖擊指數(shù)確定偏差位置，然后計算該偏差的加速度衰減系數(shù)，并通過衰減系數(shù)組成識別特征向量，完成干擾信號識別；文獻[2]研究了雷達干擾信號識別決策樹的自動化設(shè)計方法，該方法首先建立基于干擾信號的參數(shù)特征集，在決策樹中引入模糊均值聚類方法，最后采用基于信息增益的算法建立模糊聚類決策樹，實現(xiàn)局部干擾信號的識別。 但是，當前的干擾信號自動識別方法仍然存在一定不足，為此需要優(yōu)化當前的干擾信號識別方法。 此次研究的研究思路是預(yù)先對干擾的各種信號實地采集與分析研究，自動將干擾信號過濾出來，識別信號的主要特征，通過主要特征的識別就會非常容易地找出干擾信號變化的規(guī)律。 基于這個思想，設(shè)計了一種電氣傳動控制器局部干擾信號自動識別方法，同時此次研究的方法更加著重于加入適量地減少參數(shù)，以增強方法的代表性與實用性，使信號的識別更加準確與靈敏。

1 干擾信號模型建立

干擾信號的種類繁多且復(fù)雜， 不能一概而論，根據(jù)識別數(shù)量的多少可分為單一信號干擾、多組信號干擾、弧形信號干擾與噪聲信號干擾等，以單一干擾信號為例，該信號不能對所有的信息傳輸通道造成干擾，只對特定的控制系統(tǒng)發(fā)出干擾[3]，中斷正常信號的傳輸，優(yōu)點是不受任何因素影響，檢測快速，功率較大，在干擾時的表達式為

式中：t 代表周期；Pj代表該干擾信號發(fā)射的功率；f 代表傳輸中的信號通道；χ 代表干擾位置。 干擾信號完成一個周期的發(fā)射后，就會立即產(chǎn)生巨大功率，頻率馬上達到閾值，此時要立刻收集信號樣本[4]，周期可設(shè)置為10-4s。

與單信號干擾不同， 多信號干擾更加復(fù)雜，主要是由不同的頻道以及長短不一的音波組成，它不僅是針對單一的信號通道造成干擾，還會將信號隨機分類，分別介入每個時域內(nèi)，并均勻分布[5]，同時產(chǎn)生大功率干擾，其作用的效率遠遠大于單一干擾信號，在相同周期內(nèi)用公式表示為

式中：n 代表信號頻道的數(shù)量；i 代表隨機信號；fi代表干擾信號所在的通道。 其中所涉及到的所有參數(shù)都是決定干擾信號強弱的重要因素，包括信號變化的頻率與幅度，位置與相對應(yīng)的正常信號。

弧形信號干擾也可以理解為頻率不同的信號同時干擾，也是應(yīng)用最多的信號干擾，由于信號發(fā)射的路線隨機，不一定是朝向同一個方向，會被控制隨著時域與周期的變化而變化，呈正態(tài)分布[6]，但在特定的時域內(nèi)可能會出現(xiàn)單信號干擾的情況，表現(xiàn)出弧形信號的干擾特點，周期相同的情況下表達式為

式中：R 代表信號活動的幅度；k 代表線性系數(shù)；T 代表時域。 其中幅度與時域的變化是控制弧形信號干擾的主要因素，最后將獲得的信號波繪制成曲線[7]，找到主要波動規(guī)律。

噪聲信號干擾與其他信號干擾不同，當發(fā)射出干擾信號時就會立即中斷信息通道，完全阻塞正常信號的傳輸，產(chǎn)生較大赫茲，噪聲就會逐漸增大，干擾的范圍也會大于上述幾種，那么最后形成的表達式為

式中：N 代表噪聲；j 代表信號帶；Rj代表信號帶變化的幅度；K 代表噪聲矩陣；δ 代表噪聲系數(shù)， 且服從正態(tài)分布。 噪聲的干擾原理主要是調(diào)節(jié)信號帶的寬度，使系數(shù)與距離在同一頻道，保證控制器局部對信號正常識別。

當利用電動控制器削減傳輸通道中的干擾信號時，雖然適量地減少了其他頻率的信號產(chǎn)生[8]，但識別到的干擾信號會受到影響出現(xiàn)分辨率降低以及電波不穩(wěn)定的情況， 為了使識別到的信號清晰、周期一定，設(shè)定一個標準頻率，求出最大值，通過SPWVD 算法令信號處于相同時域，定義為

式中：c 代表閾值；UZ代表分辨率。

基于上述過程建立干擾信號模型，為后續(xù)信號識別提供基礎(chǔ)。

2 干擾信號預(yù)處理及特征提取

對干擾信號的預(yù)處理是建立在干擾信號正常運行的基礎(chǔ)上的，是將其攔截之后找到傳輸?shù)囊?guī)律與時域，完成分類以及計算的過程。 在處理之前采集到局部干擾信號與控制器主要特征，針對特征的相似性來判斷屬于何種類別，去除重復(fù)的干擾信號[9]，之后找到各自的位置，忽略電流的影響歸一化處理。 為了減少計算的復(fù)雜性，隨時改變信號轉(zhuǎn)化的類型與行進方向，對屬性不同的信號及時進行傅里葉變換，盡量避免人工操作，那么經(jīng)過預(yù)處理后的表達式為

k 作為一個系數(shù)控制著整個頻道的線性變化，在預(yù)處理過程中設(shè)置k=1， 就可以根據(jù)系數(shù)的變化來自動識別出干擾信號的類別，將干擾信號與噪聲區(qū)分，分別輸入進兩個系統(tǒng)，實施檢測，獲取其主要特征。 基于傳輸通道的特異性，使干擾信號波動的幅度一致[11]，處理后得到多個功率值，表達式為

式中：Pi（n）代表平均功率；P（M）代表最大功率；P1代表初始功率。 從其中提取出干擾信號的相似特征，隨著振幅的改變，公式就變?yōu)?/p>

式中：（n-i）代表減少的信號干擾；L 代表信號波長；P1（M）代表改進后的功率，功率的變化是從P1逐漸變化到最大值。 系統(tǒng)中的窗口值會由于波長的增大而增大，不受其它因素的影響，那振幅系數(shù)的表達式為

上述計算后，對干擾信號預(yù)處理，并提取到了一些信號特征。

3 電氣傳動控制器局部干擾信號自動識別實現(xiàn)

電氣傳動控制器干擾信號的識別是外國學者提出來的，經(jīng)過研究發(fā)現(xiàn)馬爾科夫過程與識別研究極為相似，以其為例建立一個識別模型[12]，模仿信號的活動軌跡，預(yù)測出每個時刻信號的狀態(tài)，識別流程如圖1 所示。

圖1 干擾信號識別流程Fig.1 Interference signal identification flow chart

針對這一特點找出干擾信號的狀態(tài)規(guī)律，過濾出與模型無關(guān)的其他狀態(tài)[13]，假設(shè)信號的控制序列為｛Xi，i=0，1，2，3，…｝，那么滿足下列條件：

式中：x1代表干擾信號的初始狀態(tài)；X（x1）代表初始狀態(tài)序列；xe代表能量轉(zhuǎn)換；X（xe）代表能量轉(zhuǎn)換的信號序列；xn代表終止狀態(tài)；X（xn+1）代表終止狀態(tài)序列；ln代表窗口的長度；P 代表功率。

公式的波動規(guī)律能夠體現(xiàn)出馬爾科夫的特征[14]，一個參數(shù)的增大就會引起另一個參數(shù)的減小，具有隨機性但卻足夠穩(wěn)定，隨著過程的逐漸實現(xiàn)就會將結(jié)果匯報給系統(tǒng)，然后采用決策樹方法，進行分類，原理如圖2 所示。

圖2 決策樹方法分類過程Fig.2 Classification process of decision tree method

經(jīng)過上述處理后，得到的決策集合表示為｛S，P，A，R｝，其中，S 代表軌跡集合，P 代表功率集合，A 代表模擬集合，R 代表幅度集合。

從公式的演變可以知道，干擾信號的每一個狀態(tài)變化都與之前的活動軌跡相關(guān)，隨著狀態(tài)的線性變化回報出的數(shù)值也慢慢清晰，而信號動作幅度的大小決定著回報的長短，信號的特征會根據(jù)狀態(tài)的回報顯現(xiàn)出來，而馬爾科夫過程并不是一成不變的，大致分為持續(xù)狀態(tài)變化與間隔狀態(tài)變化，前者來說干擾信號會持續(xù)維持某種狀態(tài)，而后者的信號干擾會一直保持在相同狀態(tài)[15]，不會繼續(xù)演變，公式為

式中：G 代表終止狀態(tài)；ω 代表權(quán)重，范圍在［0，1］之間；（Si，Si+1）分別代表前后信號運動的軌跡。 當信號的狀態(tài)屬于間隔狀態(tài)時，是不會隨著軌跡結(jié)束的，此時ω＝1，那么回報的公式為

當干擾信號處于持續(xù)狀態(tài)時，權(quán)重就為ω＝0，此時信號是具有終止動作的，要使信號一直保持不重復(fù)的幅度變化，才能獲得最佳決策。 從其他方向出發(fā)使0＜ω＜1，就可以制造出回報，完成狀態(tài)的收斂。當決策逐漸消失，同時得到的收益最大，將不會有任何狀態(tài)的影響，以此完成電氣傳動控制器局部干擾信號的自動識別。

4 實驗對比

為驗證電氣傳動控制器局部干擾信號自動識別方法的有效性，進行實驗，并將基于SVM 分類識別方法、雷達干擾信號識別決策樹的識別方法與所研究方法對比。 實驗中信號的采集與分析采用分析儀實現(xiàn)，分析儀性能指標如表1 所示。

表1 分析儀性能指標Tab.1 Performance indicators of the analyzer

按照相應(yīng)的接線方式安裝測試裝置，保證電源是正常工作的，然后模擬干擾，主要干擾情況如表2 所示。

表2 干擾信號仿真參數(shù)以及變化范圍Tab.2 Simulation parameters and variation range of interference signal

分別施加4 次不同噪聲， 對比在多種噪聲下3種方法對于干擾信號識別的準確性。 單音干擾下信號識別結(jié)果如圖3 所示，多音干擾下信號識別結(jié)果如圖4 所示， 線性掃頻干擾下信號識別結(jié)果如圖5所示，噪聲調(diào)頻干擾下信號識別結(jié)果如圖6 所示。

圖3 單音干擾下信號識別結(jié)果Fig.3 Signal recognition results under monotone interference

圖4 多音干擾下信號識別結(jié)果Fig.4 Signal recognition results under multi-tone interference

圖5 線性掃頻干擾下信號識別結(jié)果Fig.5 Signal recognition results under linear frequency sweep interference

圖6 噪聲調(diào)頻干擾下信號識別結(jié)果Fig.6 Signal recognition results under noise FM interference

基于上述結(jié)果能夠看出，所研究的方法在單音干擾下、多音干擾下、線性掃頻干擾下一級噪聲調(diào)頻干擾下，所研究的局部干擾信號識別方法與實際的信號變化情況基本保持一致，具有較高的識別準確性。 而另外兩種方法在信號識別上得到的功率譜與實際情況有一定差距，沒有所提出的信號識別方法識別準確性高。

5 結(jié)語

基于上述過程完成電氣傳動控制器局部干擾信號的自動識別，此次研究創(chuàng)新之處如下：①針對信號的幅度、 頻率與狀態(tài)進行分類以及特征提取，并去除了噪聲；②將得到的回報盡數(shù)應(yīng)用在傳輸通道中，根據(jù)特征的不同選用不同的方法，不但增加了局部控制，并得到了最大收益；③實驗結(jié)果表明，所研究的方法在多種干擾下，都獲得了較高的識別和準確性。 由于時間有限，所提出的方法還有不足之處，在后續(xù)研究中需要進一步優(yōu)化。