基于EEMD方法的火花光谱信号处理研究

2020-06-13李颜冰张翘楚史玉涛崔飞鹏迎1

光谱学与光谱分析 2020年6期

李明，李颜冰，张翘楚，史玉涛，崔飞鹏，赵迎1,

1.钢铁研究总院，北京 100081 2.钢研纳克检测技术股份有限公司，北京 100094 3.益阳职业技术学院，湖南益阳 413055

引言

火花光谱中的原始测量信号由电荷耦合器件(charge coupled device，CCD)有效信号以及噪声信号组成，引起噪声的来源包括：散粒噪声、暗电流噪声以及数据采集噪声等等，噪声的存在会降低仪器检测灵敏度和信噪比，甚至会湮没有效的光谱信息。张恺[1]将一种自适应经验模态分解(empirical mode decomposition,EMD)算法应用于激光波长测量实验系统输出信号的降噪预处理中，设计了归一化降噪指标，并将其应用到基于劈尖干涉的波长测量实验系统输出信号的降噪中。肖启阳等[2]利用一维经验小波变换对散斑图片进行逐行分解,获得一系列的固有分量。根据分解后分量的核概率密度函数提出基于核概率密度的自适应降噪法，但小波分析依赖于小波基的选择，无法做到自适应。

本文使用平均经验模态分解(ensemble empirical mode decomposition,EEMD)方法对火花光谱信号进行自适应分解，得到有物理意义的CCD有效信号段和低频背景段，在重构并二次处理了火花光谱信号后，获得了更好的特征谱图。最后，通过仪器自带的软件进行统计分析，得了与原仪器自带方法等同的效果，但省去了采集充气背景信号的流程，显著缩短了分析时间，为火花光谱信号处理提供了一种新的方法。

1 理论部分[3]

EMD(empirical mode decomposition)是Huang等[4]于1998年提出一种信号时频分析方法，能将信号自适应分解成有限个具有物理意义的分量—固有模态函数(intrinsic mode function，IMF)。但EMD方法的一个重要缺陷就是模态混叠，为此，Wu等在对白噪声进行EMD分解深入研究的基础上，提出了平均经验模态分解(EEMD)方法[5]，其基本步骤[6]为：

步骤1：给被分析信号x(t)加入一组白噪声w(t)来获得一个总体X(t)

X(t)=x(t)+w(t)

(1)

步骤2：对X(t)进行EMD分解，得到相应的各阶IMF

(2)

步骤3：给被分析信号x(t)加入一组不同的白噪声wj(t)对获得另一个总体Xj(t)，对Xj(t)进行EMD分解后，得到相应的各阶IMF

(3)

步骤4：求得各个IMF的均值作为最终信号的IMF

(4)

式(4)中，N为加入白噪声的次数，即总体的个数，ε是加入白噪声的幅度，εn是原始信号和由最终的IMF之和所得信号的误差。

(5)

EEMD方法和EMD方法相比较，克服了其模态混叠缺陷，能更加清晰的将信号中不同频率的成分分解出来，更加适合频率成分丰富的火花光谱信号的分析和处理。

2 实验部分

2.1 样品

采用钢铁研究总院分析测试所研制的GSB03—2028系列不锈钢光谱标准物质，关注的元素为碳C、镍Ni、锰Mn、铬Cr和铝Al(见图1)。

图1 不锈钢标准样品Fig.1 Samples of stainless-steelreference material

2.2 仪器与参数设置

使用钢研纳克检测技术股份有限公司SparkCCD 7000型火花光谱仪，仪器参数设置如下：激发频率500 Hz，充气时间15 s，预燃时间10 s，积分时间8 s。

2.3 方法

实验室环境温度为25 ℃，在仪器上对GSB03—2028的6块样品进行测试，共获得5个元素的6组共30张火花光谱原始CCD信号，作为示例，图3给出了碳C元素的6个原始CCD信号，可见信号的有效信息被高强度的背景噪声掩盖，很难直接获取有效信息，必须对信号进行处理。

图2 火花光谱仪Fig.2 Spark spectrometer

图3 原始CCD信号Fig.3 Original CCD signal

3 结果与讨论

3.1 CCD信号的EEMD处理

选取碳C元素对应的原始CCD信号，经EEMD分解，自适应的得到了11阶IMF，如图4所示，其特征频率从高到低排布，其中IMF1频率最高，IMF11[即信号的趋势r(t)]最低。根据信号的能量分布以及幅值特性，IMF1和IMF2表征为信号中的噪声和CCD有效部分；最后一阶IMF11表征为背景低频噪声部分。由此可见，EEMD方法可以将CCD信号中各个有物理意义的频率成分分解出来。

图4 原始CCD信号的EEMD分解Fig.4 EEMD processing of original CCD

3.2 信号的重构及二次处理

根据上述分解结果，IMF11表征为背景低频噪声部分且强度最高，通过信号的重构去除低频的背景噪声IMF11后获得信号Y(t)[见式(6)]，需要特别指出的是，一般而言需要进行CCD的高频噪声滤波处理，本研究CCD的高频噪声和CCD的有效信号频率十分接近，但信号强度相差较大，为了避免滤去高频噪声的同时对有效信号产生影响，实验中不对高频噪声进行滤波处理。

(6)

图5 原始CCD信号和重构后的CCD信号Fig.5 Original CCD signal and restructured CCD signal

如图5所示，为重构后的CCD信号和原始CCD信号对比，图中可见，重构后的CCD信号去除了高强度的背景噪声干扰，更有利于后续的处理，但存在信号基线漂移和波动的问题，需要进行二次处理。

如图6所示，可见处理前的信号部分为负值，结合基于连续小波变换的惩罚最小二乘法(continuous wavelet transform-penalized least squares,CWT-PLS)进行二次处理，处理后的信号基线平滑，且没有负值信号的出现，更有利于有效光谱信息的提取。

图6 重构后的CCD信号和二次处理信号Fig.6 Restructured CCD signal and the signal after CWT-PLS

3.3 元素浓度分析

将试验获得的原始CCD谱图均按上述方法进行信号处理后，获得了碳C、镍Ni、锰Mn、铬Cr和铝Al 5个元素对应的光谱图谱，如图7所示。

图7 各元素二次处理后光谱谱图(a)：碳C；(b)：镍Ni；(c)：锰Mn；(d)：铬Cr；(e):铝AlFig.7 The spectrums of each element after secondary process(a)：Carbon；(b)：Nickel；(c)：Manganese； (d)：chromium；(e)：Aluminum

将上述数据导入仪器软件计算每个元素的浓度曲线，获得了五条浓度曲线以及相应的线性相关系数R2，结果如图8(a—e)。

如表1所示：对比仪器自带算法计算相关元素的浓度曲线相关系数R2，本算法给出的结论和原仪器自带算法效果一致(仪器出厂要求R2>0.999)，可以很好地满足应用要求，并且本文算法能自适应地直接分解信号，不需要单独采集空白的噪声段(仪器自带算法需要单独采集一段空白的噪声段参与计算)，因此节省了分析流程，提高了仪器的分析效率。

图8 元素浓度曲线(a)：碳C；(b)：镍Ni；(c)：锰Mn；(d)：铬Cr；(e):铝AlFig.8 The curvesof each element concentration(a)：Carbon；(b)：Nickel；(c)：Manganese； (d)：chromium；(e)：Aluminum