CN102636577A - 一种基于小波变换提取轮辋超声波探伤信号的方法 - Google Patents

Abstract

本发明公开了一种基于小波变换提取轮辋超声波探伤信号的方法，具体涉及针对机车车轮在线自动探伤装置在工业现场采集到的复杂离散信号而提出的一种辨识有效信号的方法。该方法主要步骤如下：载入采集到的原始数据，对原始信号进行小波多分辨分析，将小波变换后得到的各层系数做门限阈值处理，再把小波系数做逆变换重构信号。去噪完毕后，有效信号可以提取正检波包络曲线，以便读取探伤报告和在用户界面中显示。本方法与用传统的数字滤波器提取有效信号相比，回波的峰值损失小，能极大地提高了缺陷检出率，避免了漏检的可能性；去噪效果明显，有效信号较为平滑，能有效地将脉冲信号从高频噪声中提取出来，避免了误检的可能性。

Description

一种基于小波变换提取轮辋超声波探伤信号的方法

技术领域

本发明涉及无损检测领域，主要应用在机车车轮的在线自动探伤领域中，尤其涉及一种基于小波变换提取轮辋超声波探伤信号的方法。

背景技术

近年来，随着高速重载战略的实施和大批客运专线的相继开通，我国铁路呈现出一个前所未有的良好发展态势。自20世纪90年代末至今，我国铁路己经成功进行了6次提速，同时，铁路运输速度和能力的稳步提升意味着对高速客运以及重载货运列车提出了更高的要求，尤其是列车车轮的安全性尤为重要。

机车轮辋分担着整车的压力，伴随着列车急刹车，外部恶劣的环境侵蚀和人为护理不当等原因，其是否存在缺陷在列车安全检测中就显得非常重要了。在实际工程中，检查轮辋的缺陷是复杂的：机车轮辋缺陷形式千变万化，如剥落、裂纹、磨耗等，其产生的位置也各不相同；工业现场又有着不同种类和复杂程度各异的噪声在干扰着，其主要包括随机噪声和相干噪声，随机噪声包括环境噪声、材料噪声和电子电路噪声等，是由各种随机因素综合而成的，其频带很宽，在探伤过程中随机出现，将有效信号污染甚至湮没。

目前，国内的机车车轮的在线自动探伤装置通常配合安装于一段专用的检测轨道处，主要由压电超声换能探头阵列、现场信息采集单元和集中分析控制中心等部分组成，其组成如图1所示。但当今该类装置的集中分析控制中心所做的后期信号处理的效果较差，甚至没有任何信号处理手段就直接判伤。图2是缺乏有效的信号处理技术支持，工作人员只能根据回波信号判伤，误判的可能性较大。图3是经过软硬件设计实现带通滤波器达到的滤波效果，此方法对峰值削减明显且提取轮辋超声波探伤信号的能力较差。本发明提出基于小波变换提取轮辋超声波探伤信号的方法应用在集中分析控制中心中，实现提取信号的目的。

需提及的是图3，传统的信号消噪技术是基于数字滤波器设计的，它是把有效信号和噪声在频域范围进行分离的方法。这种方法多用于信号频谱和噪声频谱没有重叠的情况下。而在探伤实际工程中，所遇到的信号大多是复杂且不平稳的，相互重叠的现象很严重，如果只采用单一的手段和窗函数，必然会产生一些不可避免的误差。而小波变换是一种窗口大小固定，窗口的形状可变、时间窗和频率窗都可改变的时频局部化分析方法。该方法在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨率，很适合用来探测在白噪声等非平稳信号污染下的有效信号中的尖峰成分。

发明内容

本发明旨在解决的技术问题：寻找一种适用的信号处理技术，填补现有的机车轮辋在线自动探伤系统信号处理方面的技术空白，能够将有效脉冲回波信号从复杂的噪声中提取出来，为后期的包络提取、检波分析、验伤显示等提供可靠的技术保障，并可以作为一个数字信号处理模块应用到集中分析控制中心里。

本发明为解决以上技术问题而采用的技术方案为：

一种基于小波变换提取轮辋超声波探伤信号的方法，用于处理通用型机车车轮的在线自动探伤装置的数字信号，具体包括如下步骤：

步骤1、载入机车车轮在线自动探伤装置采集到的原始数据信号；

步骤2、确定小波基函数和分解的层次N，然后采用Mallat算法对原始数据信号进行N层小波分解，得到小波系数，所述小波系数由第N层的尺度系数和第1层到第N层细节系数组成；

步骤3、根据需求选用合理的阈值量化函数，为小波分解后得到的各层细节系数设置阈值并做阈值量化处理；

步骤4、结合小波基函数，将阈值量化过后的小波系数进行一维信号的小波重构，得到去噪后的有效超声波探伤信号；

步骤5、根据有效超声波探伤信号提取正检波包络曲线，然后判断其是否存在缺陷；

步骤6、对于没有缺陷的正检波包络曲线，将各采样点数作为横坐标，将各采样点对应的幅度作为纵坐标绘出超声波A型显示图像，并直接在用户界面中显示；对于存在缺陷的正检波包络曲线，进入下一步骤进行处理；

步骤7、根据步骤6的方法绘出存在缺陷的正检波包络曲线的超声波A型显示图像，根据A型显示图像中缺陷的回波峰值所对应的采样点数估算该缺陷的位置，根据与该回波峰值所对应的回波幅度估算该缺陷的大小。

进一步的，本发明的一种基于小波变换提取轮辋超声波探伤信号的方法，所述步骤2是选择Daubechies小波系中的db4小波基函数对原始数据信号进行3层小波分解，其特征尺度是2³。

进一步的，本发明的一种基于小波变换提取轮辋超声波探伤信号的方法，所述步骤3是采用软阈值作为阈值量化函数对各层细节系数分别设置阈值。

进一步的，本发明的一种基于小波变换提取轮辋超声波探伤信号的方法，步骤3所述的软阈值量化函数的形式为：

；

其中：表示阈值，

，

；式中，为采样点数，

为噪声标准方差，， 

表示每层分解后对应的细节系数

的个数，。 

相比于目前处理离散且非平稳探伤信号的各种技术措施，小波变换应用在机车轮辋在线自动探伤系统中用来提取有效信号具有如下有益的效果：

(1) 相比于应用在本领域中的数字滤波器，小波变换进行的信号处理具有回波峰值损失小，能极大地提高缺陷检出率，避免了漏检的可能性；去噪效果明显，有效脉冲信号平滑，能有效地将脉冲信号从高频噪声中分离出来，避免了误检的可能性。

(2) 本发明通过3层多分辨分析，并且对每层分别设置阈值和进行门限阈值处理，具有进一步降噪和提高信噪比的功能，实现了将有效脉冲信号从高频噪声中分离的目的。

(3) 软件界面显示有效信号的检波曲线和缺陷位置定位，直观明了，极大地减少了工程技术人员判伤的工作量，故本专利极具工程应用价值。

附图说明

图1是背景技术国内的机车车轮的在线自动探伤装置的组成结构图。

图2是背景技术缺乏信号处理技术支持的超声波探伤信号效果图。

图3是背景技术经传统的带通滤波器处理后的超声波探伤信号效果图。

图4是本发明相关的系统流程图。

图5是基于小波算法的信号处理结构图。

图6是基于Mallat算法的信号分解变换结构图。

图7是Daubechies小波系中的db4小波基示意图。

图8是使用db4小波基多分辨分析下的各层细节系数(d1～d3)示意图。

图9是本发明所提取的轮辋超声波探伤信号效果图。

图10是本发明所提取的轮辋超声波探伤信号的数字检波效果图。

具体实施方式

以下结合附图和实例对本发明的技术方案作进一步描述：

纵观工业中五大常规的无损检测技术，超声波探伤具有最广泛的应用价值，且使用频率也最高。但对于粗晶组织（如机车轮辋，机车车轴等）进行超声波检测时，采集到的回波信号的信噪比较小，很难检测到缺陷信号。因此，对超声波探伤信号进行降噪处理是有效地提取轮辋超声波探伤信号的重要手段。

1、本发明的去噪指标

实际工程中，轮辋在线自动探伤设备所处的使用环境是非常复杂的。随着无损探伤过程的进行，各种噪声不可避免的被引入，并将对检测结果产生将不可预知的干扰，甚至淹没有效回波信号。故仅从超声回波信号中直接判伤是十分困难的，因此需要对采集到的超声回波信号进行更深层次的分析和处理，以提高检测结果的准确性、可靠性和抗干扰性。

本发明提出一种基于小波变换提取轮辋超声波探伤信号的方法，要求尽可能地提取有效信号，需考虑以下几个原则：(1)有效信号的中心频率与滤波器的中心频率一致，尽可能地去除噪声干扰；(2)尽可能保证有效信号的完整性，回波衰减小；(3)能够有效定位缺陷位置，方便工作人员验伤；(4)在满足设计指标的前提下用最少的小波变换次数，以便节约计算时间，提高效率。

2、本发明研究及实施阐述

从集中分析控制中心载入数据开始，选择合理的小波基函数，基于Mallat算法对原始信号进行小波多分辨分析，再对分析的细节系数做阈值处理，利用处理后的细节系数和尺度系数重构信号，并提取正检波包络曲线用来验伤和绘图显示。整个系统流程图如图4所示。

系统流程中的小波算法进行信号处理的结构框图如图5所示，主要有三个步骤：

(1) 小波变换：确定小波基函数和分解的层次N，然后对信号进行N层小波分解；

(2) 阈值处理：从第1层到第N对每个细节系数设置阈值并做阈值量化处理；

(3) 小波逆变换：结合小波基函数，将小波分解的第N层的尺度系数和经过阈值量化处理后的第1层到第N层细节系数进行一维信号的小波重构，提取有效超声波探伤信号。

下面对以上步骤做进一步详细地说明：

我们取含噪的一维信号模型如下表述：

式中，

为含噪信号，

为有效信号，

为噪声叠加，为独立同分布的高斯白噪声

。

据工程实践Daubechies小波系能较好地匹配超声缺陷脉冲信号，而且是正交、近似对称的，具有线性相位，光滑性好的特点。同时，发明者通过大量的实验对比，结合时间和去噪效果的综合因素，本发明使用了Daubechies小波系中的db4小波作为小波基函数，db4小波基示意图如图7所示。

对

信号采用了Mallat算法进行了N层多分辨分析，逐层分解。因机车轮辋、阵列探头的数目较多，数据量较大，需要考虑速度和实时性的因素，故满足实用性的前提下N取3，做三层分解。

基于Mallat算法的信号分解变换结构图如图6所示。在分解过程中，有效信号通常为低频信号或平稳信号，产生的系数为

层尺度空间的尺度系数，而噪声信号通常表现为高频信号，产生的系数为

层小波空间的细节系数。上式

是各层的尺度系数，

是各层的细节系数，

=1,2,3，在本发明中，小波系数由各层的细节系数以及第3层的尺度系数组成。各层细节系数的示意图如图8所示。将分解后的小波系数采用门限阈值处理。处理过程中最为重要的就是如何选择阈值和阈值量化函数。最常用的阈值量化函数有两种：硬阈值函数和软阈值函数。它们的定义分别为：

令t表示阈值，t＞0，则硬阈值函数S的形式为：

；

软阈值函数S的形式为：

；  

与硬阈值函数相比，软阈值函数具有更好的数学特性，且处理的结果更为平滑。故本发明采用软阈值函数对小波系数量化处理。

在提取信号的过程中，阈值

起到了决定性作用：如果阈值过小，阈值降噪后的小波系数依然包含很多噪声元素，去噪效果较差；反之，如果阈值过大，则去除了有效成分，造成失真现象。关于阈值的确定，Donoho等人提出了一种典型的阈值选取方法，在理论上给出并证明了阈值为：

式中，

为采样点数，

为噪声标准方差。通常情况下，噪声标准方差是无法预知的，但考虑到每层细节系数中主要包含了高频噪声，有效信号的小波系数只占很少的成分，故噪声的标准方差可以根据每层小波变换的细节系数来估计，其强度估计为：

故阈值为：

上式中, 表示每层分解后对应细节系数的个数。可以看出，采样点数较大时，阈值处理趋向于将所有小波系数置零。此时小波滤噪器相当于低通滤波器。

经阈值量化函数的阈值处理法去除了小波变换后的细节系数中的噪声分量，为了得到有效探伤信号还需结合小波基函数，将阈值量化过后的小波系数作逆变换

重构信号,即：

式中，

是对小波系数

作门限阈值处理，

即为重构后的轮辋超声波探伤信号。

根据有效超声波探伤信号提取正检波包络曲线，然后判断其是否存在缺陷；对于没有缺陷的正检波包络曲线，将各采样点数作为横坐标，将各点对应的幅度作为纵坐标绘出超声波A型显示图，并直接在用户界面中显示。

对于存在缺陷的正检波包络曲线，绘出曲线的超声波A型显示图，根据A型显示图像缺陷的回波峰值所对应的采样点数估算该缺陷的位置，根据正检波包络曲线中回波的幅度估算该缺陷的大小，具体如下：

参照图10所示，当已经确立出缺陷回波峰值数值最大点x[j]所对应的采样点数j后，将其所对应的时间减去始波中数值最大点x[i]所对应的时间，可确定出超声波由轮辋表面传到缺陷处所需的时间t，代入公式h=C*t/ 2就可计算出缺陷的深度，C为超声波在机车轮辋中传播的声速。

从图9可以看出，基于小波变换提取轮辋超声波探伤信号的方法效果是明显的。相比于图2和图3，在同样的输入信号下，其有信噪比高，回波损失小，处理速度快等优点。本发明提取轮辋超声波探伤信号是合理可行的。

鉴于显示界面的应用与开发需要正检波包络曲线，故本发明也对该轮辋超声波探伤信号的数字检波曲线做了研究，如图10所示。从图10可以看出，正检波包络曲线具有缺陷位置定位直观明了的优点，极大地减少了工程技术人员判伤的工作量，可供界面程序直接调用显示。

综上所述，本发明应用于在线自动探伤系统中不但是合理可行的，而且处理信号的能力更强，提取有效信号的效果更明显，值得应用开发。

Claims (4)

1.一种基于小波变换提取轮辋超声波探伤信号的方法，用于处理通用型机车车轮的在线自动探伤装置的数字信号，其特征在于，包括如下步骤：

步骤1、载入机车车轮在线自动探伤装置采集到的原始数据信号；

步骤2、确定小波基函数和分解的层次N，然后采用Mallat算法对原始数据信号进行N层小波分解，得到小波系数，所述小波系数由第N层的尺度系数和第1层到第N层细节系数组成；

步骤3、根据需求选用合理的阈值量化函数，为小波分解后得到的各层细节系数设置阈值并做阈值量化处理；

步骤4、结合小波基函数，将阈值量化过后的小波系数进行一维信号的小波重构，得到去噪后的有效超声波探伤信号；

步骤5、根据有效超声波探伤信号提取正检波包络曲线，然后判断其是否存在缺陷；

步骤6、对于没有缺陷的正检波包络曲线，将各采样点数作为横坐标，将各采样点对应的幅度作为纵坐标绘出超声波A型显示图像，并直接在用户界面中显示；对于存在缺陷的正检波包络曲线，进入下一步骤进行处理；

步骤7、根据步骤6的方法绘出存在缺陷的正检波包络曲线的超声波A型显示图像，根据A型显示图像中缺陷的回波峰值所对应的采样点数估算该缺陷的位置，根据与该回波峰值所对应的回波幅度估算该缺陷的大小。

2.根据权利1要求所述的一种基于小波变换提取轮辋超声波探伤信号的方法，其特征在于：所述步骤2是选择Daubechies小波系中的db4小波基函数，采用Mallat算法对原始数据信号进行3层小波分解，其特征尺度是2³。

3.根据权利1或2要求所述的一种基于小波变换提取轮辋超声波探伤信号的方法，其特征在于：所述步骤3是采用软阈值作为阈值量化函数对各层细节系数分别设置阈值。

4.根据权利3要求所述的一种基于小波变换提取轮辋超声波探伤信号的方法，其特征在于：步骤3所述的软阈值量化函数的形式为：

；

其中：

表示阈值，

，

；式中，

为采样点数，为噪声标准方差，

， 

表示每层分解后对应的细节系数

的个数，

。

Images