自适应滤波在万能材料试验机技术改造中的应用

　　1 引 言

　　传统的去噪方法有很多种, 如相关去噪法、平均去噪法和滤波去噪法等。它们基本上是以线性理论为基础研究, 在不同的实际应用领域显示了各自的特点。但是随着科学技术的不断发展, 出现了更多的信号处理新理论和去噪新方法, 诸如对称相关去噪法、高阶谱去噪法、小波消噪和自适应去噪法。我院的万能材料试验机在进行材料拉伸实验过程中, 虽然安放在实验室里, 但是其测试系统依然受到电网波动、电磁辐射、多点接地造成的电位差及来源于其内部电子线路的随机噪声等干扰。由于干扰信号的来源十分复杂, 且干扰较大, 因此必须采取抗干扰措施。本文在文献[ 4] 研究的基础上, 将此法应用于我们的万能材料试验机测试系统微机化改造的信号处理中,采用了自适应滤波与人工神经网络相结合的方法, 在Matlab 环境下, 对实际的工程问题- 万能材料试验机测试系统微机化改造的信号进行了去噪处理。

　　2 测试信号去噪的技术方案

　　在对基于反向传播学习算法的多层向前人工神经网络进行分析的基础上, 结合传统的自适应噪声抵消系统基本原理, 仿照图 1, 建立了基于 BP 网络的自适应噪声抵消系统, 并利用它来对万能材料试验机的测试信号进行噪声抵消处理 。由于本次实验是在离线情况下完成的, 实际上并不需要反馈。

　　在建立了噪声抵消系统后, 还需要进行如下工作:

　　( 1) 提取测试系统的噪声;

　　( 2) 根据噪声信号特点对 BP 网络进行设计, 然后, 分别将压力、位移的原始信号与参考输入信号进行训练, 得到网络的权值和阀值;

　　( 3) 根据所得的权值和阀值, 在 Simulink 下进行 BP网络的建模;

　　( 4) 分别将相应的压力和位移信号, 调入压力噪声抵消系统和位移噪声抵消系统中相应的模块, 进行噪声抵消;

　　( 5) 构造 P- L 噪声抵消系统, 将相消后的压力和位移信号绘制成 P- L 曲线。

　　3 测试系统噪声的提取

　　由于自适应噪声抵消系统要求两路输入信号- 主输入和参考输入。在本文中, 主输入就是我们通过万能材料试验机对低碳钢进行拉伸所获取的位移和压力信号, 参考输入就是纯噪声信号。但是, 纯噪声信号是很难获取的。综合各因素, 现将两路原始信号分别与通过平均滤波法获取的信号相减, 作为本次实验的参考信号, 如图 2、图 3 所示。

　　4 基于神经网络工具箱的 BP 网络设计

　　在完成对压力和位移两路信号的 BP 网络训练, 得到各层的权值和阀值之后, 从 Simulink 的 Neural Network子库中分别拷贝 Transfer Function、Net Input Function 和WeightFunction 模块中的 tansig、purelin、netsum和 dotprod到模型窗口。打开 Sources 库, 拷贝 constant 模块到模型窗口。然后进行模块之间的连线, 并根据需要进行模块输入端口数目的调整。