基于星型磁场传感器阵列噪声深度重建的信号动态去噪方法技术

本发明专利技术公开一种基于星型磁场传感器阵列噪声深度重建的信号动态去噪方法，实施步骤包括：(1)建立具有“中心

【技术实现步骤摘要】
基于星型磁场传感器阵列噪声深度重建的信号动态去噪方法


[0001]本专利技术涉及磁场信号去噪与精密检测
，具体涉及一种基于星型磁场传感器阵列噪声深度重建的信号动态去噪方法。

技术介绍

[0002]新能源汽车动力电池的品质检测是确保动力电池安全的重要保障，根据毕奥
‑
萨伐尔定律，电池充放电过程中内部电流流动会形成磁场，而电池内部电流的分布情况能够反映电池的品质和健康状况。因此，电池充放电过程中的磁场检测是实现电池无损检测和质量评估的重要手段。
[0003]目前，磁场传感器可以达到极高的精度，例如原子磁力计可以达到10
‑
15
T/√Hz量级的灵敏度。然而影响磁场测量精度的最主要因素是背景噪声干扰，如地磁场的干扰强度在10
‑5T量级。对于生产线上的电池检测，电气和机械设备的磁场干扰更为显著，因此如何实现强干扰下的快速精确信号去噪是磁场测量的关键。当前磁场信号去噪主要通过物理屏蔽和背景噪声相消实现。
[0004]物理屏蔽方法通过将测试电池和传感器同时放入多层合金屏蔽桶，例如美国纽约大学的研究者提出一种磁共振成像技术，通过测量电池周围的微小感应磁场和永久磁场变化，评估可充电锂离子电池的状态，该方法在测试过程中将电池放入一个电磁屏蔽桶内以降低环境噪声的干扰(Ilott et al.,Nature Commun.,2018)。德国古登堡大学的研究者等设计了一种利用原子磁力计来绘制在磁屏蔽环境下锂离子电池周围的弱感应磁场的方法(Hu et al.,PNAS,2020)。物理屏蔽方法可以实现大部分噪声的屏蔽，但屏蔽桶结构复杂、价格高昂、操作复杂、检测效率不高。
[0005]在背景噪声相消方法中，电池充放电时测量得到磁场和背景噪声的混合信号，在电池静置时测量得到背景噪声信号，两者相减，即可得到电池充放电引致的磁场信号。例如，德国梅赛德斯奔驰公司的研究者使用各向异性磁阻传感器测量磁场来解析单个电池的电流分布，该方法通过测量电池通电时的混合信号减去电池静置时的背景磁场实现去噪(Brauchle et al.,J.Power Sources,2021)。英国谢菲尔德大学的研究者设计了一个磁传感器阵列应用于电池电流分布的磁场空间高分辨测量，在测试过程中将磁传感器输出减去地磁场输出以降低噪声干扰(Green et al.,IEEE T.Instrum.Meas.,2015)。背景噪声相消方法易于操作且能保证一定的精度，但是由于测试期间的噪声难以获取，现有技术都是采用测试期间的含噪信号减去静置期间的噪声。实际上，测试噪声和静置噪声具有明显差异，因而当前的磁场去噪技术的效果不够理想，特别是对复杂工况下的强干扰、高瞬态、指向性噪声的消除仍然是个难点和挑战。
[0006]由此可见，如何精确获取或者重建磁场传感器测试期间的原位噪声，是提高磁场信号动态去噪效果的关键，对于电池磁场精密检测和制造质量在线评估具有重要的研究意义和广泛的应用前景。

技术实现思路

[0007]本专利技术技术解决方案：克服现有技术的不足，提供一种基于星型磁场传感器阵列噪声深度重建的信号动态去噪方法，显著提升磁场强干扰下的信号动态去噪效果和磁场测试精度。
[0008]本专利技术采用的技术方案为：
[0009]一种基于星型磁场传感器阵列噪声深度重建的信号动态去噪方法，包括如下步骤：
[0010]S10：建立具有“中心
‑
卫星架构”的星型磁场传感器阵列；所述具有“中心
‑
卫星架构”的星型磁场传感器阵列包括安装在同一平面上的一个中心传感器和N通道卫星传感器；
[0011]S20：同步采集静置状态下星型磁场传感器阵列噪声；所述静置状态为没有外加电流激励产生磁场、只有环境干扰磁场的状态；
[0012]S30：搭建深度网络模型并进行训练，
[0013]训练时，深度网络模型输入为静置状态下星型磁场传感器阵列的N通道卫星传感器噪声信号组成的矩阵Π＝[n1(t)；n2(t)；
…
；n
N
(t)]T
；目标输出设置为静置状态下星型磁场传感器阵列的中心传感器实际采集的噪声信号n
c
(t)；实际深度网络模型输出的重建噪声为：
[0014][0015]其中g(
·
)为深度网络模型，具有以下结构：
[0016]g(Π)＝g
M
(...g2(g1(Π,β
(1)
),β
(2)
)...,β
(M)
),
ꢀꢀ
(2)
[0017]其中g1(
·
),
…
,g
M
(
·
)分别表示深度网络模型的第1,
…
,第M层，β
(1)
,
…
,β
(M)
分别表示在第1,
…
,第M个阶段训练得到的深度网络模型参数矩阵；
[0018]计算n
c
(t)和之间的均方根误差表征网络的噪声重建精度，通过训练深度网络模型使均方根误差最小化，深度网络模型参数矩阵的迭代更新方程为：
[0019][0020]式中γ∈(0，+∞)表示学习率，d和d+1分别表示第d和d+1个迭代训练阶段，d和d+1都为正整数且最小值为1最大值为M，Ξ(β
(d)
；Π；n
c
(t))表示代价函数；
[0021]S40：测试状态下，将通电导线放置于中心传感器正下方并产生磁场；此时中心传感器捕获的含噪信号s
c
(t)为电流引起的磁场变化信号s
cm
(t)与外部噪声在中心传感器处的映射n
cm
(t)的叠加，即s
c
(t)＝s
cm
(t)+n
cm
(t)；同步采集的N通道卫星传感器噪声表示为Π
m
＝[n
1m
(t)；n
2m
(t)；
…
；n
Nm
(t)]T
；利用训练好的深度网络模型重建测试状态下中心传感器处的噪声的噪声即将测试状态下的N通道卫星传感器噪声Π
m
输入深度网络模型g(
·
)得到中心传感器的重建噪声；
[0022]S50：利用中心传感器捕获的含噪信号s
c
(t)减去深度网络模型重建噪声实现去噪，近似得到无噪声干扰只由电流引起的磁场变化信号。
[0023]所述步骤S10中，卫星传感器以圆周方式等角度布局，中心传感器位于圆心处。
[0024]本专利技术的优点和积极效果为：
[0025](1)本专利技术方法利用深度网络的非线性拟合优势，基于大数据训练以表征传感器阵列间的噪声映射规律，提升噪声重建能力，在此基础上构建有监督在线学习系统本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于星型磁场传感器阵列噪声深度重建的信号动态去噪方法，其特征在于，包括如下步骤：S10：建立具有“中心
‑
卫星架构”的星型磁场传感器阵列；所述具有“中心
‑
卫星架构”的星型磁场传感器阵列包括安装在同一平面上的一个中心传感器和N通道卫星传感器；S20：同步采集静置状态下星型磁场传感器阵列噪声；所述静置状态为没有外加电流激励产生磁场、只有环境干扰磁场的状态；S30：搭建深度网络模型并进行训练，训练时，深度网络模型输入为静置状态下星型磁场传感器阵列的N通道卫星传感器噪声信号组成的矩阵Π＝[n1(t)；n2(t)；
…
；n
N
(t)]
T
；目标输出设置为静置状态下星型磁场传感器阵列的中心传感器实际采集的噪声信号n
c
(t)；实际深度网络模型输出的重建噪声为：其中g(
·
)为深度网络模型，具有以下结构：g(Π)＝g
M
(...g2(g1(Π,β
(1)
),β
(2)
)...,β
(M)
),
ꢀꢀꢀꢀꢀꢀꢀ
(2)其中g1(
·
),
…
,g
M
(
·
)分别表示深度网络模型的第1,
…
,第M层，β
(1)
,
…
,β
(M)
分别表示在第1,
…
,第M个阶段训练得到的深度网络模型参数矩阵；计算n
...

【专利技术属性】
技术研发人员：王骁贤，陆思良，
申请(专利权)人：安徽大学，
类型：发明
国别省市：