0 引言

 

    涡街流量计在过程测量和控制仪表中应用比较广泛，主要用于气体、液体流速的测量。但由于受到管道机械振动和流场不稳定的干扰，导致传感器输出信号中含有某些固定低频、高频信号及随机噪声，波形不规则，使现场测量精度达不到规定指标。如何从强噪声背景下检测出涡街信号一直是1个困扰许多研究者的难题。尤其是低流速涡街信号的信噪比比较低，难以准确测量信号，所以本文针对1种型号的涡街流量计对水流速（流速范围在0.5l/S～3l/S）进行测量研究，由于涡街信号的频率与流体的流速是成正比的，因此通过测量涡街信号频率即可测量实际流体的流速，此时涡街信号频率大致范围在5到30Hｚ。提出利用改进的阈值去噪算法对涡街信号进行处理，最终达到扩展测量下限的目的。

 

    1 涡街流量计信号分析

 

    理想的涡街信号是纯净的正弦曲线，但由于受到噪声干扰的影响，由传感器输出的信号中含有很多噪声，实际的涡街信号含有其它多种频率分量，所以实际信号是复合信号。涡街信号模型表达式：

 

    

 

    式中：f0为涡街信号频率；A0为信号幅值，与频率平方成正比；Φ（t）为相位噪声，n（t）为零均值高斯白噪声，np（t）为涡街信号频率范围内的各种谐波干扰，包括流场内由于电磁干扰产生的50Hｚ、105Hｚ、150Hｚ等频率信号和高低频管道噪声。根据上述模型用MATlAB编程模拟实际现场环境的涡街信号。    

 

    水流速为0.5l/S和1.5l/S的涡街信号如图1所示。由图2可以看出，流速为0.5l/S涡街信号几乎完全被噪声淹没。    

 

 

 

 

 

图1 流速为0.5l/S、1.5l/S涡街信号

 

    2 小波去噪方法

 

    小波分解与重构是基于MAllAT多分辨率的思想，对各种频率组成的复合信号分解成不同频段的小波系数，根据实际需要，对含有噪声信号的频段进行阈值处理，然后对处理后的系数进行小波重构，从而达到去噪的目的。小波阈值去噪过程可按以下方法进行处理：

 

    1）对信号进行小波分解；选择层数N；

 

    2）将小波分解的细节部分小波系数选择阈值进行阈值量化处理；

 

    3）一维小波重构，即根据第N层近似的小波系数和经过量化处理的细节部分的小波系数进行信号重构。

 

    在小波基dmey小波确定后，该阈值去噪算法中阈值和阈值函数的选择是最关键的。在涡街流量计信号处理的实际运用中，特别是在低流速情况下，幅值、频率都很小，管道噪声和工频干扰以及白噪声幅值相比较大，如何在这种强噪声的情况下提取出涡街信号，需要根据实际信号的特点来确定合适的阈值和阈值函数。由于涡街信号从低频到高频的信噪比各不相同，本文采用无偏似然估计和固定阈值的方法折中选择最终的阈值，也即启发式阈值。传统的小波阈值函数有硬阈值函数和软阈值函数如下：

 

    

 

    n表示为小波分解之后的所有细节小波系数。硬阈值方法是将各子带空间低于阈值的小波系数置零，高于阈值的小波系数保持不变。但由于收缩性的存在问题，重构信号容易产生振荡。而软阈值是将小波系数按照1个定量向零收缩，使处理后的信号具有一定的光滑性。但此方法也有缺点，会损失一些有用的高频信息，而且估计得到的小波系数总是与实际的小波系数有偏差。

 

    通过分析以上阈值函数的不足，提出改进的阈值函数，即对软阈值函数进行改进如下：

 

        

 

    式中：t为调整系数，可以根据涡街信号的信噪比进行调整，通过实验得到T的取值范围为0.3≤t≤1，决定去噪后信号的信噪比；λ为阈值；N为正整数，可以通过调整N提高阈值的动态变化程度；dj为分解的第j层小波系数。相当于一个动态调整的阈值，当t一定时，随着增大，不断减小；同时进一步提高阈值的灵活性，弥补由于软阈值造成的系数偏差，减少有用信息的丢失，能够达到更好的滤波效果。特别是针对低频处管道噪声等干扰信号，可以通过调整式中的参数，达到抑制这些固有噪声的目的。

 

    为了比较降噪效果，引入信噪比（SNR）、最小均方误差（MUSE）作为评价标准，对3种不同的降噪方法进行比较，其中信噪比和最小均方误差的定义如下：

 

    

 

    式中：x为原始信号（不含噪声信号），为阈值处理后的信号，N为信号长度。3种方法阈值降噪效果如表1所示。通过上述改进阈值算法对涡街信号流速为0.5l/S、1.5l/S处理的结果如图2所示。实际所测流速经计算分别为0.55l/S和1.52l/S。

 

表1 3种去噪方案比较

 

 

 

 

 

图2 小波重构流速为0.5l/S、1.5l/S涡街信号

 

    3 仿真结果

 

    对频率在5Hz到30Hz之间变化的涡街流量计仿真信号进行分析，选择采样频率1kHz，采样点数4000。对涡街信号模型采用上述方法处理之后，对其进行频率测量，得到表2所示频率检测结果。可以得出，即使有其它多种频率信号及高斯白噪声干扰的情况下，仍然可以得到比较满意的效果。

 

表2　率测量结果

 

 

 

    4 结论

 

    本文提出运用小波阈值去噪方法去除涡街信号中的各种噪声干扰，针对低流速较难测量的情况进行研究，提出改进的阈值去噪算法，该算法在低流速情况下去噪效果较好，有利于扩展量程下限，提高测量精度。