基于小波變換的輪軌垂向力信號降噪

黃　輝，雷曉燕，劉慶杰

(華東交通大學 鐵路環境振動與噪聲教育部工程研究中心，南昌 330013)

?

基于小波變換的輪軌垂向力信號降噪

黃輝，雷曉燕，劉慶杰

(華東交通大學 鐵路環境振動與噪聲教育部工程研究中心，南昌 330013)

摘要：輪軌力應變信號在采集過程中，由于噪聲干擾的存在，將嚴重影響所采集數據的準確性。針對輪軌力應變信號中存在的基線漂移和隨機白噪聲，提出基于小波變換的去噪方法：采用db 6小波基，根據小波多分辨率分析理論，以大尺度分解的逼近分量估計基線漂移成分，從而消除基線漂移；對于隨機白噪聲則是運用小波閾值去噪法，先根據離散有限序列的自相關函數確定小波分解的最優分解層數，然后采用最小最大閾值以及硬閾值函數，從而實現對白噪聲的濾除。仿真與實測數據分析都表明該去噪法能達到比較理想的效果。

關鍵詞：聲學；輪軌力；小波變換；去噪；基線漂移；白噪聲

基于鋼軌應變的測力鋼軌法是目前測量輪軌力的主要方法之一，如剪力法、軌腰壓縮法等，先在鋼軌上粘貼應變片，然后將應變片按一定的方式進行組橋連接，當列車經過時，應變采集儀可采集鋼軌應變的組橋輸出，再通過對特定的點進行標定，獲取標定系數后進而求得輪軌力。然而，在采集應變信號的過程中，干擾因素眾多，橋路電壓和應變片絕緣電阻的變化，鋼軌的支承條件的不確定性，如吊枕、扣件松弛等，加之測試現場復雜的環境干擾，都會使得應變采集儀采集到的應變信號不可避免地含有噪聲，這些噪聲主要包括兩類[1]，一是基線漂移，二是隨機白噪聲。兩種噪聲交織在一起使得測試結果與實際情況產生很大偏差，嚴重干擾信號的量化分析。因此，為有效提高測試結果的準確性，就必須對受噪聲污染的信號進行處理。

基線漂移和白噪聲的降噪在國內外已有大量研究。基線漂移的消除是醫學領域中信號處理的經典問題，如心電圖信號、脈搏信號等，主要的消除方法有曲線擬合[2]，中值濾波[3]、小波變換濾波[4]等。除了在醫學領域基線漂移的消除有廣泛研究外，在地震監測[5]、電磁勘探[6]等領域也針對基線漂移的消除進行了相關研究。白噪聲在測試中則是較為普遍的存在，傳統的消除方法是基于傅里葉變換的帶通濾波來實現，但有用信號易被當成噪聲一并濾掉，因此降噪效果并不明顯。近些年來，小波閾值降噪正得到更為廣泛地研究與應用[7,8]。

本文針對輪軌力應變信號中的主要噪聲，提出了一種基于小波理論的綜合去噪法：先對信號進行大尺度分解，最大限度地消除基線漂移，在此基礎上，引入噪聲的白化檢驗法確定最優分解層數，再利用小波閾值去噪法去除白噪聲。

1　小波變換與Mallat算法[9]

1.1小波變換

設L2(R)是R上平方可積函數構成的函數空間，f(t)為能量有限的信號，f(t)∈L2(R),如果ψ(t)∈L2(R),且其傅里葉變換滿足容許性條件

則稱ψ為一個基本小波或者母小波。信號 f(t)關于母小波ψ的連續小波變換（CWT）為式中ψˉ是對ψ的共軛運算，a,b∈R,且a≠0。a稱為伸縮因子，b稱為平移因子。式(2)對應的逆變換為

小波變換把原來的一維信號變成二維信號，而小波逆變換則把二維信號重構回原來的一維信號。

連續小波變換主要用于理論分析與論證，在實際問題的數值計算中常采用離散形式。取連續小波變換中的伸縮因子和平移因子為，代入式(2)得離散小波變換（DWT）為

1.2 Mallat算法

1988年S.Mallat從空間的概念出發，提出了多分辨分析的概念。1989年，Mallat受小波變換多分辨率分析理論與圖像處理的應用研究中的塔式算法的啟發，提出了信號的塔式多分辨率分析分解與重構的快速算法，即著名的Mallat算法。Mallat算法在小波變換中的地位之于快速傅里葉變換（FFT）在傅里葉分析中的地位。

Mallat算法的基本原理就是將信號在不同的尺度下分解成逼近信號和細節信號，若以S表示原始信號，Ai(i=1,2…,m)表示逼近信號，Di(i=1,2…,m)表示細節信號，則Mallat算法分解如圖1(a)所示。分解算法的逆變換對應于重構算法，即將最終的逼近信號和細節信號恢復成原始信號，如圖1(b)所示。

圖1　Mallat算法分解與重構

2　降噪實現

2.1小波基選擇

小波分析應用中的小波基的選擇是個熱點問題，也是個難點問題，在選擇時并沒有統一的標準，不同的小波基在降噪效果方面可能相差甚遠。因此，在實際應用時應具體情況具體分析。

目前，小波基的選擇主要從正交性、緊支性、光滑性、對稱性及消失矩等五個要素來考慮。在選擇小波基時希望盡可能滿足上述五個要素，但這樣的小波基是不可能存在的，例如緊支性和高消失矩就是一對矛盾。在工程降噪領域，常用的小波基有db N系列小波和sym N系列小波，作者使用這兩種系列小波基結合實際輪軌力應變信號，經過反復試驗濾波及信號重構決定在消噪法中使用db 6小波基。

2.2基線漂移去除

應變采集儀采集到的輪軌力應變信號數據可以表示為式中s(k)為應變采集儀采集到的數據，y(k)為有效的鋼軌應變信號數據，j(k)為信號中包含的基線漂移數據，b(k)為信號中的白噪聲數據。

基線漂移成分 j(k)頻率通常較低，表現為一個緩慢變化的過程，在應變信號采集時會引起信號基線位置的上下漂移，使得信號嚴重失真。

根據小波變換的多分辨率分析理論，信號可進行逐級多層分解，每層分解都可得到逼近信號和細節信號，其中，每一層的逼近信號是相對于上一層逼近信號的相對低頻部分，而每一層的細節信號是相對于上一層逼近信號的相對高頻部分。由于基線漂移成分的頻率很低，可對信號進行大尺度分解，將分解的最后一層信號中的逼近部分作為對基線漂移的估計，從原始信號中去除這部分信息后重構，即可實現對基線漂移的矯正。

2.3白噪聲去除

將式(5)中的基線漂移成分 j(k)去除后，含噪信號模型可以表示為

s(k)=y(k)+b(k)（k=1，2，…)(6)

使用閾值降噪法對白噪聲b(k)進行去除，其基本理論是：有用信號通常存在于低頻，噪聲信號存在于高頻，信號經過小波分解后，有用信號的小波系數較大，而噪聲的小波系數較小，因此可以設置一個合適的閾值，當小波系數的絕對值大于閾值時予以保留或做收縮處理，當小波系數的絕對值小于閾值時設置為零，從而達到去除噪聲的目的。

(1)白噪聲檢驗確定最優分解層數

在降噪過程中，分解層數的確定很重要，過多或過少的分解層數都會導致降噪效果的不理想。用自相關函數的估計來檢驗白噪聲[10]，從而確定分解層數。

設離散有限序列為r(i)(i=1,2,…,N)，其自相關函數的估計式為

為消除式(6)中的白噪聲b(k)，對含噪信號s(k)進行小波分解，每分解一層，就取該層的細節分量進行白噪聲檢驗，若通過檢驗，則進行下一層分解，重復上述步驟，如果分解到第z層時，該層的細節分量不能通過白噪聲檢驗，則最終將分解層數定位為z-1層。

（2）閾值估計與閾值函數的選擇[11]

目前，主要的閾值估計有：通用閾值、無偏釋然估計原理的自適應閾值、混合型閾值、最小最大準則閾值。四個閾值規則中，雖然最小最大準則閾值估計較為保守，但能很好地減少有效信息的損失，因此本文采用最小最大準則閾值。

閾值函數最常用的有硬閾值函數和軟閾值函數，硬閾值函數對小波系數進行處理后會使得信號的光滑性一般，但相對于軟閾值函數來說，其能減少有用信息的損失，因此采用硬閾值函數。

2.4降噪算法流程

輪軌力應變信號中的基線漂移和白噪聲的降噪算法流程如圖2所示。

圖2　降噪算法流程

3　仿真實驗

利用有限元分析軟件ANSYS建立鋼軌模型并模擬施加車輪荷載，按照剪力法的組橋方式對鋼軌應變進行組橋輸出，得到一段如圖3(a)所示的理想輪軌力應變信號，理想輪軌力應變信號沒有基線漂移和白噪聲。

加入頻率為0.2 Hz，幅值約為理想信號峰峰值1/10的正弦波作為基線漂移成分，然后再加入隨機白噪聲構成含噪信號，如圖3(b)所示。為保證添加噪聲后的信號和理想信號的數據有相同區間長度，基線漂移和白噪聲數據的采樣頻率與理想信號的采樣頻率都為2 000 Hz，采樣時間都為7 250 ms。

對于圖3(b)中的含噪信號，先根據小波多分辨率分析理論進行基線漂移的消除，利用Mallat算法對信號進行分解，表1為進行12層小波分解后信號的頻率分布，Di(i=1,2…,12)為各層的的細節分量，A12為第12層的逼近分量，從表中可以看出，A12對應的頻率范圍大約為0～0.24 Hz，而基線漂移成分的頻率為0.2 Hz，因此只需將逼近分量A12進行濾除便可實現對基線漂移的矯正，去除基線漂移后進行信號重構得到如圖3(c)所示的信號。之后進行白噪聲去除，由白噪聲檢驗得到的最優小波分解層數

為3層，用小波閾值法對白噪聲進行濾除后進行信號重構，便完成了整個消噪過程。圖3(d)為去噪后的信號，從圖中可以看出，基線漂移得到了較好的矯正，白噪聲也得到了較好的抑制，且與原始的理想信號相比，去噪后的信號能很好地保持原有信號的波形特征。

為了檢驗信號降噪后的效果，用信噪比(SNR)和均方根誤差(RMSE)進行評價。信噪比越高，均方根誤差越小，則降噪效果越好。式中S(i)為原信號，S∧(i)為降噪后的信號。

表1　信號頻率分布

圖3　仿真輪軌力應變信號及降噪

表2給出了含噪信號和去除基線漂移和白噪聲信號的SNR值和RMSE值，從表中可以看出，去噪信號的SNR值明顯提高，而RMSE值則明顯降低，這充分說明了去噪方法的有效性。

表2　信號消噪前后比較

4　應用實例

選取的數據為在江蘇省寧啟線上測試時的一段輪軌力應變數據，如圖4(a)所示。測試時所采用的貼片方式為剪力法，數據的采樣頻率為1 000 Hz。

從圖4(a)中可以看出，原始信號較為明顯地偏離了零基準線，而且數據中夾雜的隨機白噪聲使得信號看起來略顯粗大。對信號進行9層分解，將第9層上的逼近分量A9(0～0.98 Hz)作為對基線漂移的估計，對其作置零處理后進行信號重構得到如圖4 (b)所示的去除基線漂移后的信號。將圖4(b)所示的信號進行白噪聲檢驗得到的最優小波分解層數為6層，用閾值法降噪后進行信號重構得到如圖4(c)所示的信號。從圖4(c)可以看出，降噪后信號波形能很好地保留，基線漂移得到了非常明顯的改善，白噪聲也被很好地去除，去噪效果比較理想。基線矯正的目的。對信號中的白噪聲則是先通過離散有限序列的自相關函數的估計來確定最優分解層數，然后采用最小最大準則對閾值進行估計，采用硬閾值函數對小波系數進行處理，從而實現對白噪聲的抑制。通過仿真實驗與實例分析，都說明了本文的去噪法效果明顯。在今后基于鋼軌應變的輪軌力測試中，該方法可為信號去噪提供一定的參考。

參考文獻：

[1]農漢彪.輪軌垂向荷載連續測量與識別方法研究[D].成都：西南交通大學，2011.

[2]全曉莉，古良玲，趙明富.一種消除腦血流信號中基線漂移的新方法[J].微計算機信息，2009，25(1-1)：309-311.

[3]蔡坤，陸堯勝.基于中值濾波的心電基線校正方法的研究[J].醫療設備信息，2004，19(2)：5-7.

[4]任杰，楊曉麗.基于小波變換系數的心電信號基線漂移噪聲去除方法[J].醫療衛生裝備，2010，31(11)：24-26.

[5]李吉濤，楊慶山.地震波基線漂移的處理方法[J].北京交通大學學報，2010，34(1)：95-99．

[6]李肅義，林君，陽貴紅，等.電性源時域地空電磁數據小波去噪方法研究[J].地球物理學報，2013，56(9)：3145-3152.

[7]袁弘倩，姚加飛，楊揚，等.抗噪聲源物理噪聲引起的尖峰噪聲的抑制[J].噪聲與振動控制，2015，35(1)：195-199.

[8]李琳，張永祥，劉樹勇.改進EMD-小波分析的轉子振動信號去噪方法[J].噪聲與振動控制，2015，35(2)：170-174.

[9]張德豐.MATLAB小波分析[M].北京：機械工業出版社，2009.

[10]李煒，陳曉輝，毛海杰.小波閾值消噪算法中自適應確定分解層數研究[J].計算機仿真，2009，26(3)：311-313.

[11]張臣國.小波分析在信號降噪中的應用研究[D].成都：電子科技大學，2012.

國家自然科學基金項目（51368021）；江西省優勢科技創新團隊計劃項目（20133BCB24007）

向：鐵路環境振動與噪聲。E-mail:844513293@qq.com

鐵路環境振動與噪聲。

E-mail:xiaoyanlei2013@163.com

中圖分類號：O422.6

文獻標識碼：A

DOI編碼：10.3969/j.issn.1006-1335.2016.01.022

文章編號：1006-1355(2016)01-0101-05

收稿日期：2015-05-17

基金項目：國家自然科學基金項目(51478184)；

作者簡介：黃輝（1991-）男，江西大余人，碩士研究生，研究方

通訊作者，雷曉燕（1956-）男，教授，博士生導師，研究方向：

De-noising of Vertical Wheel-rail Contact Force Signals Using
Wavelet Transform

HUANGHui,LEI Xiao-yan,LIU Qing-jie

(Engineering Research Center of Railway Environmental Vibration and Noise,Ministry of Education, East China Jiaotong University,Nanchang 330013,China)

Abstract:The accuracy of the wheel-rail strain signals can be seriously ruined by the disturbance of noise.In this paper,a denoising method based on wavelet transform was proposed for elimination of baseline drift and random white noise.The baseline drift was eliminated by using db6 wavelet bases and the estimation of high-1evel approximation based on wavelet multi-resolution analysis.While the random white noise was eliminated by applying wavelet threshold denoising method.First of all,the optimal decomposition level of the wavelet transformation was determined by applying the selfcorrelation function of discrete finite sequence.Then,the minimum and maximum thresholds and hard shrinking function were adopted to filter the white noise.The analysis of simulation and the measured data show that this denoising method can achieve ideal effect.

Key words:acoustics;wheel-rail contact force;wavelet transform;de-noising;baseline shift;white noise