管道漏磁检测系统中自适应滤波器设计

　　管道漏磁检测系统检测到的缺陷信号中总是不可避免地存在各种噪声和干扰,通称为噪声,要达到除噪的目的必须想办法使信号和噪声分离。通常的做法是设计传统的经典滤波器滤除带外噪声。这种滤波器具有固定的幅频相应特性,在去除噪声的同时往往也去除了有用信号。它不具有学习和自适应能力,难以满足随机信号处理要求。所以只能用来作为信号的预处理。而自适应滤波器具有对干扰频率不敏感且其权值调整是基于对系统参数的优化等特点。通过期望信号作为“导师”使滤波器系数逐渐接近最优滤波器。并能够通过调整滤波器系数逐渐适应非平稳环境。因此越来越多地受到人们的关注。

　　1　漏磁信号分析

　　图1给出了一路经模拟低通滤波器简单除噪后的漏磁检测信号波形。检测信号中包含缺陷信号、法兰信号和噪声信号。其中缺陷信号是传感器在缺陷处感应到漏磁通采集到的信号,它的频率一般在1kHz以下,波形近似双极性信号,可用正弦波近似。在检测信号的三个成分中,对判断管道缺陷、分析管道状况有用的只有缺陷信号。

　　噪声信号大量存在,管道漏磁检测过程中主要的噪声来源是:测量噪声、探头抖动造成的提离变化导致的干扰信号(低频信号)、被测表面沉积物等非缺陷因素产生的干扰噪声。测量噪声主要来源于系统内部的自然噪声,主要是高频成分,在某种程度上为白噪声。该类噪声通常设计传统的低通滤波器去除。提离噪声和表面沉积物产生的干扰信号主要是低频分量。该类噪声通常通过改善机械结构加以减少。大量噪声对信号后续处理如缺陷判别等产生不利影响,必须采用适合的方法去除。通常先通过切割电平丢弃其它信号,保留缺陷信号,再针对缺陷信号的特征选择适合信号处理方法进一步处理。

　　2　自适应滤波简介

　　自适应滤波器广泛应用于信号检测、除噪、预测等领域,尤其适合于非平稳信号处理。这种滤波器具有学习功能,以期望信号作为“导师”,输入信号通过滤波器输出对期望信号进行估计,逐渐更新滤波器系数,使滤波器逐渐逼近最优滤波器。可以看出自适应滤波器的核心是学习算法即自适应算法。传统的自适应滤波器主要在时域中实现。抽头延迟线结构及Widrow-Hoff自适应滤波LMS算法。它是最先由统计分析法导出的一种实用算法,是自适应滤波器实现的实用算法,也是自适应滤波器的基础。这种方法算法简单,稳健性也比较好,因而被广泛地应用。但是滤波器的阶数可能会很高,步长系数可能会很小,收敛性能不理想,对输入信号的自相关矩阵有很强的依赖性,因而不具有高自适性。当输人信号的自相关矩阵的特征值分布发散度大时,算法的收敛速度很慢,跟踪性能不好。为克服以上缺点提出许多LMS算法有效的改进措施:如采用变步长LMS算法、NLMS(正则LMS)算法、变换域LMS算法、QR分解LMS算法等,可有效克服其性能局限性。