寶德流量計信號檢測方法資料各有哪些
    寶德流量計信號容易被噪聲淹沒, 使小流量測量受限。近年來, 基于非線性理論的隨機共振 (SR) 方法為微弱信號檢測提供了新途徑。非線性系統設計及參數確定是其成功應用的關鍵。提出了一種基于遺傳算法的耦合隨機共振系統優化控制方法。對耦合系數、控制系統參數以及變換尺度3個參數進行并行優化, 提高了輸出信號的功率譜幅值, 增強了對微弱信號的檢測能力。理論分析和數值仿真結果表明:該方法能夠自適應地對不同頻率周期信號進行處理, 快速搜索到參數。將該方法用于小流量渦街信號分析, 能夠在信號微弱、噪聲強的情況下有效提取渦街信號的特征頻率, 并獲取流量值。該研究成果適用于其他涉及強噪聲中微弱信號檢測域, 對拓寬隨機共振應用范圍、解決工程實際問題具有重要意義。
    寶德流量計在渦街流量計檢測流量信號時, 流量越小, 其渦街信號越弱, 往往淹沒于噪聲中。當流速穩定時, 渦街信號可近似看作微弱的正弦信號。傳統的濾波方法無法濾除與原信號頻率相近的噪聲。由于頻率通帶選取的誤差可能會削弱渦街信號, 該方法難以取得較好的應用效果
    隨機共振技術是一種在噪聲環境中提取微弱信號的有效手段。但隨機共振并不是無條件的, 其需要輸入信號、噪聲以及非線性系統三者達到某種匹配條件才能實現。耦合隨機共振系統是在單一雙穩隨機共振系統的基礎上提出的[2]。它能增強隨機共振效應、提高對微弱信號檢測的能力。耦合隨機共振系統涉及多個可控制變量。如何有效實現耦合隨機共振系統的優化控制, 是其能成功運用并自適應地處理輸入信號的關鍵。
    對于復雜的參數優化控制問題, 目前大多采用啟發式算法, 得到近似滿意解, 如粒子群算法[3,4]、魚群算法[5,6]、遺傳算法[7]等。這些啟發式算法各有所長。粒子群算法搜索速度較快, 但容易陷入局部遺傳算法[8]是一種模仿達爾文進化論“優勝劣汰”的啟發式優化算法, 通過選擇、交叉、變異等基因操作, 對目標種群進行優化, 具有很強的多參數并行搜索能力。因此, 本文運用遺傳算法對耦合隨機共振系統進行研究。通過多參數并行尋優的方法, 對共振系統進行自適應控制和渦街信號處理。
    1、耦合隨機共振系統及參數尋優：
    經典隨機共振理論可由Langevin方程描述[2], 通過輸入信號、噪聲以及非線性系統三者的協同作用, 對微弱輸入信號進行檢測, 如式 (1) 所示。
    計算公式
    式中:a、b為雙穩系統參數;A、ω0分別為輸入周期信號幅值和頻率;ξ (t) 為均值為0、噪聲強度為D的白噪聲。
    耦合隨機共振陣列由兩個或多個非線性隨機共振振子耦合而成。本文選擇由兩個非線性系統組成的耦合雙穩系統[2]。該耦合隨機共振系統結構如圖1所示。該系統由一個固定參數雙穩系統和一個參數可變雙穩系統構成。
      描述該系統的微分方程組如式 (2) 所示。
    計算公式
    式中:γ為耦合系數。
    系統的勢函數如式 (3) 所示。
    計算公式
    當固定系統參數a0、b0確定后, 勢函數僅由耦合系數γ與控制系統參數a共同決定。因此, 可以通過調整γ與a兩個參數來控制系統隨機共振效果。
    由于熱近似理論的限制, 經典隨機共振理論僅能對小頻率信號 (f?1 Hz) 進行處理, 而歸一化尺度變換法[9]與二次采樣法[10]可以克服該類限制。二次采樣法的思想是對大頻率信號重新“采樣”, 將其等效為小頻率信號輸入非線性系統進行處理, 并對輸出信號進行尺度還原。設輸入信號原頻率為f0, 采樣頻率為fs, 設置二次采樣頻率為fsr。原信號經過二次采樣后, 頻率變為計算公式。將二次采樣頻率fsr設置為一較小值, 即可實現對高頻信號的縮放。
    但實際的工程信號往往無法預判斷其頻率大小, 因此需對迭代步長進行搜索, 以獲取隨機共振效果。引入參數變換尺度scale作為二次采樣頻率關于采樣頻率的縮放系數, 即計算公式。當采樣頻率fs一定時, 如改變變換尺度scale, 二次采樣頻率fsr也隨之變化。
    本文運用遺傳算法對耦合系數γ、控制系統參數a以及變換尺度scale進行并行搜索, 自適應地對輸入周期信號進行處理, 搜索參數, 使系統產生隨機共振。
    2、遺傳算法搜索策略：
    2.1、編碼與解碼方法：
    本文采用二進制編碼, 即僅以{0, 1}構成種群個體的染色體。串長定義了算法的搜索步長。
    當搜索區間為[xmin, xmax]時, 搜索步長Δ可由式 (4) 求得。
    計算公式
    如串長l=5, 則編碼長度為5, 對應xmin, 對應xmax, 對應xmin+Δ, 以此類推。
    對于編碼為的個體, 其解碼公式為:
    計算公式
    2.2、搜索策略選擇：
    (1) 初始種群。
    遺傳算法的控制參數主要有種群大小、串長、進化代數以及交換率與突變率。種群大小與種群多樣性相關, 該參數值越大, 則算法越容易搜索到效果較好的參數, 從而避免因陷入局部而產生的算法“早熟”現象。串長決定了搜索精度, 串長越大, 搜索精度越高。進化代數越大, 則算法能夠通過更多的基因操作搜索到更好的參數值。但當算法過早收斂時, 僅增大進化代數無法獲得更優的滿意解。當然, 上述三個參數取值越大, 遺傳算法搜索時間越長。此外, 初始種群交換率與突變率這兩個參數相互配合, 控制算法的全局與局部搜索能力。
    設置種群大小為100, 每個參數串長為128位, 即隨機生成100個長度為128位的{0, 1}全排列作為每個參數的基因段, 并將耦合系數γ、控制系統參數a以及變換尺度scale三個參數各自的基因編碼尾相連, 組合為初始種群個體的染色體進行優化。
    (2) 適應度函數。
    適應度函數與實際問題中待優化的參數相關, 個體適應度越大, 其生存機會越大。本文將系統的功率譜幅值作為個體的適應度函數, 從而通過遺傳進化, 搜索到使系統隨機共振效果的參數值。
    (3) 選擇。
    選擇算子體現了“適者生存”的進化思想, 是遺傳算法的精髓。本文采用輪盤賭與精英策略相結合的選擇算盤賭選擇即個體適應度值越大, 其復制到下一代中的概率越大。該方式簡單易行, 能夠有效避免算法收斂過快;但該方法選擇誤差較大。而精英策略了每一代種群中的必然遺傳下一代, 有效彌補了輪盤賭算法的缺陷。
    (4) 交叉。
    交叉算子能夠對染色體組合進行重組。該操作使算法能夠對串空間進行有效搜索。本文采用傳統的二進制單點交叉, 即在區間[0, l]中產生一個隨機整數作為交換位, 并隨機選擇兩個染色體對交換位前后兩段編碼進行交叉操作。例如:設置串長l=5, 隨機選擇2個染色體x1=、x2=, 交換位為3, 經單點交叉后新染色體為x'1=、x'2=。經多次數學試驗, 本文交叉概率設置為0.6。此時, 算法優化效果較好。
    (5) 變異。
    若算法僅靠交叉算子進行搜索, 可能會造成有效基因位的缺失, 即其產生的后代適應度無法超越父代, 導致算法早熟收斂。此時, 需要依靠變異算子使算法擺脫局部。本文采用經典的常規位突變, 即在區間[0, l]中產生一個隨機整數作為變異位, 對該位進行取反運算。例如, 原染色體為, 變異位為3, 則變異操作后的染色體為。變異概率的選擇直接影響了搜索程序的優化效果。若取值過大, 算法變為*隨機搜索;若取值過小, 則算法無法擺脫早熟收斂現象。經多次數學試驗, 本文變異概率設置為0.05, 對每個個體3個參數的基因段都進行一次常規位突變。
    (6) 終止規則。
    由于搜索的隨機性, 為了避免兩代種群適應度變化不大導致的算法早熟收斂, 僅定義一條算法終止準則:當進化代數達到N時, 終止計算, 并將歷代種群中的染色體解碼后作為解輸出。本文設置N=100。