CN100405384C - 粗晶材料超声检测时频分析处理方法 - Google Patents

Abstract

一种粗晶材料超声检测的时频分析处理方法，属于超声无损检测技术领域。先获得优质时频图像，再时频图像缺陷信息提取，最后缺陷信息的A型显示。本发明共由三个技术步骤组成，因此简称为“三步法”。该方法具有更强的小缺陷发现能力和更好的信噪比增强效果，且克服了分离谱技术的参数敏感性问题，比传统的分离谱技术具有更强的缺陷发现能力，可以检测粗晶材料中更微小的缺陷，具有非常好的信噪比增强效果，且由于摒弃了分离谱技术的非线性统计处理，避免了分离谱技术的参数敏感性问题，在航空航天、核工业、石油化工等大量应用粗晶材料的重要部门具有广阔的应用前景。

Description

粗晶材料超声检测时频分析处理方法

技术领域

本发明涉及一种粗晶材料超声检测的时频分析处理方法，属于超声无损检测技术领域。

背景技术

粗晶材料(如奥氏体不锈钢和钛合金)由于在核工业和航空航天工业中的大量应用而备受瞩目，其安全性检测十分重要。但由于粗大晶粒对超声波的强烈散射作用，粗晶材料的超声反射信号伴有严重的材料噪声，致使对粗晶材料内部缺陷(如裂纹)的检测十分困难。粗晶材料的超声检测是无损检测领域的一项重大技术难题。

目前，分离谱技术是粗晶材料超声检测的主导技术，该技术于1982年由美国V.L.Newhouse博士发明，一直沿用至今。分离谱技术存在两大本质技术缺陷。其一，分离谱技术对小缺陷的发现能力不足，目前的水平最高只能检测到直径为1.5mmd的缺陷，对于更小的缺陷则难以发现。这一技术缺陷的根本原因是由于分离谱对超声信号进行的是恒定时频分辨率的观测，无法凸现缺陷信号与噪声信号在低频端的频谱差异。分离谱技术的另一技术缺陷是，它对相关处理参数十分敏感，性能不稳定，人工经验依赖性强，无法实现对超声信号的自动化分析和处理。这一技术缺陷的根本原因是分离谱采用非线性统计处理对噪声加以抑制，处理参数的变化可能同时造成对缺陷信号的抑制。因此，分离谱技术缺乏实用化基础，目前仍无法在生产中获得推广应用。

近年来，有学者将连续小波分析技术引入超声信号处理中。连续小波分析实现对超声信号的可变时频分辨率观测，可以更好的凸现缺陷信号与噪声信号在低频段的频谱差异。因此，连续小波分析技术具有小缺陷检测的潜在能力。但当前连续小波分析技术进行噪声抑制的方法是基于门限阈值处理的能量消减法，由于门限阈值处理在抑制噪声信号的同时消减了大量的缺陷信息，因此连续小波降噪技术会造成严重的信号失真，而且不具备缺陷信息的增强和放大能力，不能满足粗晶材料超声检测的需要。分离谱技术仍在粗晶材料超声检测中处于主导地位。

发明内容

针对分离谱技术和连续小波降噪技术存在的问题，本发明提出了一种更适合粗晶材料超声检测的时频分析处理方法。

粗晶材料超声检测时频分析处理方法由三个步骤组成：

第一步：获得优质时频图像：以Q值优化(Q＝1/4.8)的高斯小波对超声反射信号进行常Q时频分析，获得高质量的超声信号时频图像；

优化的高斯母小波为

$\mathrm{\φ}\left(t\right)=\frac{1}{\sqrt{\mathrm{\π}{B}_m}}\exp \left(\frac{{-t}^2}{B_m}\right)\exp \left(i2\mathrm{\π}{f}_{c}t\right)$

其中，优化参数B_m＝0.58(即Q＝1/4.8)，f_c＝1。

采用优化后的高斯连续小波对粗晶材料超声反射信号x(t)按下式进行时频分解，这样便可以获得由分解数据WT(τ，a)所构成的超声信号时频图像。

$\mathrm{WT}(\mathrm{\τ},a)={\∫}_{-\∞}^{+\∞}x\left(t\right)\frac{1}{\sqrt{a}}{\mathrm{\φ}}^{*}\left(\frac{t-\mathrm{\τ}}{a}\right)\mathrm{dt}$

式中，*号代表复数取共轭；a为尺度因子；τ为时移变量。

第二步：时频图像缺陷信息提取，即从时频图像中提取材料内部缺陷的量化信息：以匹配追踪算法实现对时频图像中各行子带信号的自适应时频分解，从而获得缺陷信号在各子带内的幅度A_k、脉冲宽度σ_k、时间中心t_k、频率中心f_k等重要的量化信息；

第三步：缺陷信息的A型显示：统计子带缺陷信号在时间中心t_k出现的概率，并将不同t_k处的概率值以曲线形式加以表达，即获得缺陷信息的A型显示。

本发明的第一步获得优质时频图像，继承了连续小波分析对缺陷信号与噪声信号在低频段频谱差异的凸现能力。同时，本发明实现了对连续小波分析关键参数(Q值)的优化，使对超声信号的观测具有了更高的时频分辨率，优化了超声信号的时频图像。

本发明的核心是其第二步，时频图像缺陷信息提取，即从时频图像中提取材料内部缺陷的量化信息。这一步摒弃了分离谱技术的非线性统计方法和连续小波降噪技术的门限阈值处理方法，而是采用匹配追踪算法，从超声信号的时频图像中提取缺陷信息，这样可以更完整地保留缺陷信息并加以量化，而不像门限阈值处理那样将低于门限阈值的缺陷信息和噪声一并删除。

本发明的第三步缺陷信息的A型显示，利用第二步获得的缺陷量化信息，以A型显示方式对缺陷加以表达，符合超声检测领域工程显示方式的要求，便于操作人员的理解和判断。

由于本发明共由三个技术步骤组成，因此可以简称为“三步法”。该方法具有更强的小缺陷发现能力和更好的信噪比增强效果，且克服了分离谱技术的参数敏感性问题，比传统的分离谱技术具有更强的缺陷发现能力，可以检测粗晶材料中更微小的缺陷，具有非常好的信噪比增强效果，且由于摒弃了分离谱技术的非线性统计处理，避免了分离谱技术的参数敏感性问题，具有很强的实用性能。本发明是粗晶材料超声检测实用而方便的新型处理技术，在航空航天、核工业、石油化工等大量应用粗晶材料的重要部门具有广阔的应用前景。

附图说明

图1是一种粗晶奥氏体不锈钢获得优质时频图像的处理结果；其中1(a)为原始的低信噪比超声反射信号，1(b)为优化高斯小波分析的时频图像；

图2是对图1所示奥氏体不锈钢时频图像缺陷信息提取后重构而成的时频图像；其中2(a)为原始的低信噪比超声反射信号；2(b)为重构而成的时频图像；

图3是缺陷信息A型显示的对比图；其中3(a)为原始的低信噪比超声反射信号，3(b)为本发明(“三步法”)处理结果的A型显示，3(c)为采用传统的分离谱技术所获得的结果。

具体实施方式

附图所用检测对象为粗晶奥氏体不锈钢(牌号为0Cr18Ni9Ti)，利用传统的分离谱技术无法检测其内部含有的相距5mm的两个φ0.5mm横通孔缺陷。。

按本发明的“三步法”原理，具体实施过程如下：

第一步：获得优质时频图像。

采用连续小波变换对粗晶材料超声反射信号x(t)进行时频分解：

$\mathrm{WT}(\mathrm{\τ},a)={\∫}_{-\∞}^{+\∞}x\left(t\right)\frac{1}{\sqrt{a}}{\mathrm{\φ}}^{*}\left(\frac{t-\mathrm{\τ}}{a}\right)\mathrm{dt}---\left(1\right)$

式中，*号代表复数取共轭；a为尺度因子；τ为时移变量，优化的高斯母小波为

$\mathrm{\φ}\left(t\right)=\frac{1}{\sqrt{\mathrm{\π}{B}_m}}\exp \left(\frac{{-t}^2}{B_m}\right)\exp \left(i2\mathrm{\π}{f}_{c}t\right)---\left(2\right)$

其中，优化参数B_m＝0.58(即Q＝1/4.8)，f_c＝1。这样便可以获得由分解数据WT(τ，a)所构成的超声信号时频图像，如图1所示。

图1是对粗晶奥氏体不锈钢获得优质时频图像的处理结果；其中1(a)为原始的低信噪比超声反射信号，1(b)为优化高斯小波分析的时频图像；也即是本发明第一步的处理结果。

第二步：时频图像缺陷信息提取。

采用匹配追踪算法对获得的时频图像进行缺陷信息提取。匹配追踪是语音信号处理领域已公开的时频分析技术，已经有相当成熟的快速算法。匹配追踪只需预先确定一个完备的函数集合(不需要其它技术参数)，即可以快速的将待处理信号分解为相应函数集中与信号最匹配的基函数的线性组合。对于超声信号，本发明选择高斯函数集，其基函数形式如下

$g_k\left(t\right)={\left({{\mathrm{\π\σ}}_k}^2\right)}^{-1/4}\exp (-\frac{{(t-t_k)}^2}{{2\mathrm{\σ}}_k^2})\exp \left[j{\mathrm{\ω}}_k(t-t_k)\right]---\left(3\right)$

这样，便可以将时频图像中各子带超声信号f_a(t)分解为少数几个高能量信号原子的线性组合

$f_a\left(t\right)=\underset{k}{\mathrm{\Σ}}{A}_{a_k}{g}_{a_k}\left(t\right)=\underset{k}{\mathrm{\Σ}}{A}_{a_k}{\left({{\mathrm{\π\σ}}_{a_k}}^2\right)}^{-1/4}\exp (-\frac{{(t-t_{a_k})}^2}{2{\mathrm{\σ}}_{a_k}^2})\exp \left[j{\mathrm{\ω}}_{a_k}(t-t_{a_k})\right]---\left(4\right)$

分解程度可根据信号的残余能量设定，通常当信号残余能量小于原始信号能量的1％时，便可认为残余为噪声，终止匹配追踪过程。由此，便可以获得缺陷信号在各子带内的幅度A_k、脉冲宽度σ_k、时间中心t_k、频率中心f_k等量化信息。

图2为利用本发明第二步所提取的信息重构而成的时频图像，即是对一种粗晶奥氏体不锈钢时频图像缺陷信息提取重构而成的时频图像；其中2(a)为原始的低信噪比超声反射信号；2(b)为重构而成的时频图像。采用匹配追踪算法对图1中时频图像所含缺陷信息的提取，可以获得缺陷信号在各子带内的幅度A_k、脉冲宽度σ_k、时间中心t_k、频率中心f_k等量化信息。图2是对这些信息的综合反映。由图可见，在高尺度范围(即低频范围)内，噪声信号被很好地消除掉了，同时缺陷信息得到了完整的保留。

第三步：缺陷信息的A型显示。统计子带缺陷信号在时间中心t_k出现的概率，并将不同t_k处的概率值以曲线形式加以表达，即获得缺陷信息的A型显示。

图3是缺陷信息A型显示的对比图。图3(a)为原始的低信噪比超声反射信号；

图3.(b)为本发明第三步的最终处理结果。由图可见，本项技术发明可以帮助检测人员非常清晰地对缺陷加以判别。

图3.(c)为采用传统的分离谱技术所获得的结果。由图可见，分离谱的处理结果不足以使检测人员对缺陷的存在和位置做出明确的判定，对缺陷信息的增强和定位能力都不及本发明。

Claims (1)

1.一种粗晶材料超声检测的时频分析处理方法，其特征在于，该方法由三个步骤组成：

第1步：获得优质时频图像：以Q＝1/4.8的高斯小波对超声反射信号进行常Q时频分析，获得高质量的超声信号时频图像；

优化的高斯母小波为

$\mathrm{\φ}\left(t\right)=-\frac{1}{\sqrt{\mathrm{\π}{B}_m}}\exp \left(\frac{-t^2}{B_m}\right)\exp \left(i2\mathrm{\π}{f}_{c}t\right)$

其中，优化参数B_m＝0.58，f_c＝1；

采用优化后的高斯连续小波对粗晶材料超声反射信号x(t)按下式进行时频分解，获得由分解数据WT(τ，a)所构成的超声信号时频图像；

$\mathrm{WT}(\mathrm{\τ},a)={\∫}_{-\∞}^{+\∞}x\left(t\right)\frac{1}{\sqrt{a}}{\mathrm{\φ}}^{*}\left(\frac{t-\mathrm{\τ}}{a}\right)\mathrm{dt}$

式中，*号代表复数取共轭；a为尺度因子；τ为时移变量；

第2步：时频图像缺陷信息提取，即从时频图像中提取材料内部缺陷的量化信息：以匹配追踪算法实现对时频图像中各行子带信号的自适应时频分解，从而获得缺陷信号在各子带内的幅度A_k、脉冲宽度σ_k、时间中心t_k、频率中心f_k量化信息；

第2.1步：选择高斯函数集，其基函数形式如下

$g_k\left(t\right)={\left(\mathrm{\π}{{\mathrm{\σ}}_k}^2\right)}^{-1/4}\exp (-\frac{{(t-t_k)}^2}{2{\mathrm{\σ}}_k^2})\exp \left[j{\mathrm{\ω}}_k(t-t_k)\right],$

第2.2步：将时频图像中各子带超声信号f_a(t)分解为少数几个高能量信号原子的线性组合

$f_a\left(t\right)=\underset{k}{\mathrm{\Σ}}{A}_{a_k}{g}_{a_k}\left(t\right)=\underset{k}{\mathrm{\Σ}}{A}_{a_k}{\left(\mathrm{\π}{{\mathrm{\σ}}_{a_k}}^2\right)}^{-1/4}\exp (-\frac{{(t-t_{a_k})}^2}{2{\mathrm{\σ}}_{a_k}^2})\exp \left[j{\mathrm{\ω}}_{a_k}(t-t_{a_k})\right],$

分解程度根据信号的残余能量设定，当信号残余能量小于原始信号能量的1％时，便认为残余为噪声，终止匹配追踪过程；由此，获得缺陷信号在各子带内的幅度A_k、脉冲宽度σ_k、时间中心t_k、频率中心f_k量化信息；

第3步：缺陷信息的A型显示：统计子带缺陷信号在时间中心t_k出现的概率，并将不同t_k处的概率值以曲线形式加以表达，即获得缺陷信息的A型显示。

Images