CN103971012A - 一种基于赛利斯模型和分数阶微分的兰姆波信号消噪方法 - Google Patents
一种基于赛利斯模型和分数阶微分的兰姆波信号消噪方法 Download PDFInfo
- Publication number
- CN103971012A CN103971012A CN201410214807.5A CN201410214807A CN103971012A CN 103971012 A CN103971012 A CN 103971012A CN 201410214807 A CN201410214807 A CN 201410214807A CN 103971012 A CN103971012 A CN 103971012A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- amplitude spectrum
- lamb wave
- mfrac
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 235000019687 Lamb Nutrition 0.000 title claims abstract description 35
- 230000004069 differentiation Effects 0.000 title claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims abstract description 34
- 230000007547 defect Effects 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000008030 elimination Effects 0.000 description 14
- 238000003379 elimination reaction Methods 0.000 description 14
- 238000001514 detection method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 206010003246 arthritis Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
本发明提供一种基于赛利斯模型和分数阶微分的兰姆波信号消噪方法,该方法克服现有技术的缺点,提高消噪后信号的信噪比。该方法对含噪声的兰姆波信号幅值谱进行各阶分数微分,用赛利斯分布作为待处幅值谱的模型,提出了赛利斯模型幅值谱分数阶微分最大值和过零点与微分阶数的三次关系式,建立了幅值谱特征参数的计算式来提取特征参数和重建原始信号的幅值谱,并结合相位谱重构去噪后兰姆波信号。
Description
技术领域:
本发明涉及无损检测中的超声兰姆波信号处理技术领域,具体涉及一种基于赛利斯模型和分数阶微分的兰姆波信号消噪方法。
背景技术:
在超声兰姆波检测中,由于兰姆波激发和检验方式灵活,而且能与板材缺陷产生有效的相互作用,并携带大量信息,因此,可以作为板材缺陷检测的有效手段,特别是在大面积板状结构的无损检测中应用更为广泛。超声兰姆波信号典型的非平稳信号,在实际检测中,由于信号会受到不同程度的噪声干扰,使得接收到的信号成分变得非常复杂,给后期的处理带来误差,直接影响检测的可靠性和精度的准确性,需要对这类非平稳超声兰姆波信号进行消噪处理,从含噪声的兰姆波信号中恢复原始的兰姆波信号。
从国内外大量的文献可知,人工神经网络(LiuZQ,ZhangHY.Artificialneturalnetworkanditsapplicationinultrasonictesting,NondestructiveTesting,2001,23:221-225)、EMD方法(LiG,ShiLH,WangXW.EMDdenosingmethodanditsapplicationinLambwavedetection,ActaMetrologicaSinica,2006,27:149-152)和小波变换(SiqueiraMHS,GattsCEN,SilvaRRetal.Theuseofultrasonicguidedwavesandwaveletsanalysisinpipeinspection,Ultrasonics,2003,41:785-798)等都可以对兰姆波进行消噪处理。近年来常用的方法是EMD方法和小波变换。李刚等用EMD方法对超声兰姆波信号进行了消噪处理,虽然EMD方法不需要基于某一特定函数,能够自适应地根据信号特征来提取数据,但是消噪效果不彻底,保留了很多噪声信号的特征,不能很好地体现原信号,消噪效果不是很理想(LiG,ShiLH,WangXW.EMDdenosingmethodanditsapplicationinLambwavedetection,ActaMetrologicaSinica,2006,27:149-152)。由于小波变换在消噪方面的优点使得其在无损检测领域有了很广泛的应用,Siqueir等采用离散小波变换来处理超声兰姆波实测信号,通过硬阈值方法将小于给定门限值的分解系数设为0,然而该方法虽然去除了噪声,但是消噪效果并不理想,信号仍然含有大量噪声,所以重构信号无法准确体现信号的特征(SiqueiraMHS,GattsCEN,SilvaRRetal.Theuseofultrasonicguidedwavesandwaveletsanalysisinpipeinspection,Ultrasonics,2003,41:785-798)。Lazaro等采用小波变换来去除噪声,通过硬阈值和软阈值的方法分别进行消噪,由于硬阈值和软阈值都有各自的缺点,导致去除噪声之后的信号并不突出(LazaroJC,EmeterioJL,RamosAetal.Influenceofthresholdingproceduresinultrasonicgrainnoisereductionusingwavelets,Ultrasonics,2002,40:263–267)。Chen等将邻域系数作为最优的解决方案提出了一种冗余的二代小波变换,改善信噪比的同时降低了均方误差[Xuefeng,XiangLi,ShibinWang,ZhiboYang,BinqiangChen,andZhengjiaHe.CompositeDamageDetectionBasedonRedundantSecond-GenerationWaveletTransformandFractalDimensionTomographyAlgorithmofLambWave.IEEETransactionsonInstrumentationandMeasurement,vol.62,Issue.5,2013,p.1354-1363]。Matz等对基于小波变换的离散小波、离散稳定小波以及小波包的三种消噪方法进行了对比研究,实验结果表明小波包消噪方法表现最好,在初始噪声振幅为被选信号最大振幅的5%时,可以将信号的信噪比提高15至40dB;小波阀值消噪与经验模态分解消噪各有优缺点,前者比较适合信噪比较高的情况,而后者消噪后的噪声干扰仍然比较大[V.,SmidR.,StarmanS.,KreidlM.Signal-to-noiseratioenhancementbasedonwaveletfilteringinultrasonictesting.Ultrasonics,vol.49,Issue10,2009,p.752-759]。
发明内容:
为了克服现有技术的缺点,提高去噪后信号的信噪比,本发明给出了一种基于赛利斯模型和分数阶微分的兰姆波信号消噪方法。该方法对含噪声的兰姆波信号幅值谱进行各阶分数微分,用赛利斯分布作为待处幅值谱的模型,提出了赛利斯模型幅值谱分数阶微分最大值和过零点与微分阶数的三次关系式,建立了幅值谱特征参数的计算式来提取特征参数和重建原始信号的幅值谱,并结合相位谱重构去噪后兰姆波信号。
本发明解决其技术问题所采用的技术方案是:
本发明的方法包括如下步骤:
(1)兰姆波信号的傅里叶变换
(2)计算幅值谱的分数阶微分
(3)计算赛利斯模型幅值谱分数阶微分最大值和过零点与微分阶次的多项式系数
(4)计算幅值谱参数
(5)基于赛利斯模型计算去噪后的幅值谱
(6)用傅里叶逆变换计算去噪后的兰姆波信号
其中,
步骤(3)中赛利斯模型幅值谱分数阶微分最大值Fmax(v)和F0(v)与微分阶次v的关系用三次多项式表示,其表达式为:
Fmax(v)=d3v3+d2v2+d1v+d0
F0(v)=c3v3+c2v2+c1v+c0
其中,c0,c1,c2,c3和d0,d1,d2,d3是三次多项式的系数,根据步骤(2)求得的数据用最小二乘法拟合可以得到这些系数的值。
步骤(4)中按如下公式计算幅值谱参数
根据步骤(3)中求得的c0,c1,c2,c3和d0,d1,d2,d3计算幅值谱的峰高A、峰宽σ和峰位置μ,如下式:
本发明具有如下有益效果:
本发明方法克服现有技术的缺点,可以更有效地去除兰姆波信号的噪声,提高信噪比、减小均方误差及平滑度,同时更好地保留主信号的细节特征。因此,本方法可以有效地去除兰姆波检测信号中混入的噪声,更好地恢复出原始信号。
本发明的消噪方法中,设计了步骤3和步聚4,改进了传统的去噪方法,消噪效果更佳。
附图说明:
图1:本发明测试所用的原始兰姆波信号;
图2:加噪声后的兰姆波信号(信噪比10);
图3:用经验模态消噪方法消噪后的信号;
图4:用小波消噪方法消噪后的信号;
图5:用本发明方法消噪后的信号。
具体实施方式:
下面结合附图对本发明的技术方案进行详细说明:
如图1所示,本发明具体包括以下步骤:
(1)兰姆波信号的傅里叶变换
设x(t)为含噪声的高斯包络兰姆波信号,它的傅里叶变换X(ω)为
其中,t为时间,ω为角频率,i为虚数单位。记幅值谱XA(ω)为X(ω)的模,相位谱XP(ω)为X(ω)的相位。
(2)计算幅值谱的分数阶微分
幅值谱XA(ω)的分数阶微分y(v)为
其中,v为微分阶次,h为离散步长,c为角频率的初值,表示(ω-c)/h取整,j为循环变量。函数y(v)的最大值和过零点随v而变换,分别记为Fmax(v)和F0(v)。(3)计算赛利斯模型幅值谱分数阶微分最大值和过零点与微分阶次的多项式系数
根据步骤(2)中求得的Fmax(v)和F0(v),用三次多项式拟合它们与v的关系,表达式为:
Fmax(v)=d3v3+d2v2+d1v+d0
F0(v)=c3v3+c2v2+c1v+c0
其中,c0,c1,c2,c3和d0,d1,d2,d3是三次多项式的系数,根据步骤(2)求得的数据用最小二乘法拟合可以得到这些系数的值。
(4)计算幅值谱参数
根据步骤(3)中求得的c0,c1,c2,c3和d0,d1,d2,d3计算幅值谱的峰高A、峰宽σ和峰位置μ,计算公式如下:
(5)计算去噪后的幅值谱XA’(ω)
(6)用傅里叶逆变换计算去噪后的兰姆波信号x’(t)
为了验证本发明方法的效果,在matlab软件平台上实现了本发明方法,并与经验模态分解消噪方法和自适应小波消噪方法进行了比较。图1为超声兰姆波信号,中心频率为3MHz。加入白噪声后兰姆波信号的信噪比为10dB,信号波形如图2所示。消噪结果如图4-6所示。图3为经验模态消噪后的时域波形,结果显示消噪不彻底,在原始信号为零的地方仍然存在白噪声干扰;图4为自适应小波消噪后的时域波形,相比于经验模态消噪能力明显增强,能准确的反映原始信号为零的地方,但是主脉冲部分存在失真现象,不能准确的反映原始信号的特征;图5为本发明基于分数阶微分消噪后的时域波形,相比于前两种方法,不仅能够有效反映主脉冲信号,同时去除了大部分的白噪声,没有毛刺现象,保留了原始信号的特征。
为了定量评价各种方法对于超声兰姆波消噪的效果,表1、表2和表3分别给出了不同初始信噪比时三种消噪方法消噪后信号的信噪比(SNR)、均方误差(MSE)和平滑度(r)比较。相比于经验模态和自适应小波方法,基于分数阶微分的方法在信噪比和均方误差方面,都有很大改善,并且消噪后的平滑度更小,信号最光滑。由此可知本发明的方法可以有效提高信噪、降低均方误差以及减小平滑度。
表1初始信噪比为10dB
表2初始信噪比为5dB
表3初始信噪比为-5dB
Claims (1)
1.一种基于赛利斯模型和分数阶微分的兰姆波信号消噪方法,该方法包括如下步骤:
(1)兰姆波信号的傅里叶变换
(2)计算幅值谱的分数阶微分
(3)计算赛利斯模型幅值谱分数阶微分最大值和过零点与微分阶次的多项式系数
(4)计算幅值谱参数
(5)基于赛利斯模型计算去噪后的幅值谱
(6)用傅里叶逆变换计算去噪后的兰姆波信号
其中,
步骤(3)中赛利斯模型幅值谱分数阶微分最大值Fmax(v)和F0(v)与微分阶次v的关系用三次多项式表示,其表达式为:
Fmax(v)=d3v3+d2v2+d1v+d0
F0(v)=c3v3+c2v2+c1v+c0
其中,c0,c1,c2,c3和d0,d1,d2,d3是三次多项式的系数,根据步骤(2)求得的数据用最小二乘法拟合得到这些系数的值;
步骤(4)中按如下公式计算幅值谱参数
根据步骤(3)中求得的c0,c1,c2,c3和d0,d1,d2,d3计算幅值谱的峰高A、峰宽σ和峰位置μ,如下式:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410214807.5A CN103971012B (zh) | 2014-05-20 | 2014-05-20 | 一种基于赛利斯模型和分数阶微分的兰姆波信号消噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410214807.5A CN103971012B (zh) | 2014-05-20 | 2014-05-20 | 一种基于赛利斯模型和分数阶微分的兰姆波信号消噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103971012A true CN103971012A (zh) | 2014-08-06 |
CN103971012B CN103971012B (zh) | 2017-01-18 |
Family
ID=51240500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410214807.5A Active CN103971012B (zh) | 2014-05-20 | 2014-05-20 | 一种基于赛利斯模型和分数阶微分的兰姆波信号消噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103971012B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104977365A (zh) * | 2015-05-07 | 2015-10-14 | 南京信息工程大学 | 一种消除兰姆波信号噪声的方法 |
CN108921113A (zh) * | 2018-07-10 | 2018-11-30 | 南京信息工程大学 | 基于分数阶微分的多模式兰姆波信号分离方法 |
CN110333285A (zh) * | 2019-07-04 | 2019-10-15 | 大连海洋大学 | 基于变分模态分解的超声兰姆波缺陷信号识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003057213A (ja) * | 2001-08-17 | 2003-02-26 | Mitsubishi Electric Corp | 超音波探傷装置 |
CN101839893A (zh) * | 2010-05-10 | 2010-09-22 | 中国人民解放军理工大学 | 一种高空间分辨率的Lamb波虚拟时间反转方法 |
EP2369334A1 (en) * | 2010-03-16 | 2011-09-28 | Fuji Jukogyo Kabusiki Kaisha | System and method for damage diagnosis |
CN102393423A (zh) * | 2011-09-28 | 2012-03-28 | 南京信息工程大学 | 基于自适应阈值正交小波变换的兰姆波去噪方法 |
CN102735759A (zh) * | 2012-07-13 | 2012-10-17 | 南京信息工程大学 | 一种基于脊的兰姆波信号去噪方法 |
-
2014
- 2014-05-20 CN CN201410214807.5A patent/CN103971012B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003057213A (ja) * | 2001-08-17 | 2003-02-26 | Mitsubishi Electric Corp | 超音波探傷装置 |
EP2369334A1 (en) * | 2010-03-16 | 2011-09-28 | Fuji Jukogyo Kabusiki Kaisha | System and method for damage diagnosis |
CN101839893A (zh) * | 2010-05-10 | 2010-09-22 | 中国人民解放军理工大学 | 一种高空间分辨率的Lamb波虚拟时间反转方法 |
CN102393423A (zh) * | 2011-09-28 | 2012-03-28 | 南京信息工程大学 | 基于自适应阈值正交小波变换的兰姆波去噪方法 |
CN102735759A (zh) * | 2012-07-13 | 2012-10-17 | 南京信息工程大学 | 一种基于脊的兰姆波信号去噪方法 |
Non-Patent Citations (3)
Title |
---|
李远禄等: "基于Tsallis模型的重叠峰新号分离", 《中国科学》 * |
李静等: "基于自适应阈值正交小波变换兰姆波去噪方法", 《信息技术》 * |
林兆培等: "基于二次微分和小波变换的色谱重叠峰分析", 《华东理工大学学报(自然科学版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104977365A (zh) * | 2015-05-07 | 2015-10-14 | 南京信息工程大学 | 一种消除兰姆波信号噪声的方法 |
CN108921113A (zh) * | 2018-07-10 | 2018-11-30 | 南京信息工程大学 | 基于分数阶微分的多模式兰姆波信号分离方法 |
CN110333285A (zh) * | 2019-07-04 | 2019-10-15 | 大连海洋大学 | 基于变分模态分解的超声兰姆波缺陷信号识别方法 |
CN110333285B (zh) * | 2019-07-04 | 2021-07-27 | 大连海洋大学 | 基于变分模态分解的超声兰姆波缺陷信号识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103971012B (zh) | 2017-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021056727A1 (zh) | 一种基于变分模态分解和排列熵的联合降噪方法 | |
CN109871733B (zh) | 一种自适应海杂波信号去噪方法 | |
CN102928517A (zh) | 一种基于小波分解阈值去噪的瓷绝缘子振动声学检测数据降噪的方法 | |
CN102393423A (zh) | 基于自适应阈值正交小波变换的兰姆波去噪方法 | |
CN110096956B (zh) | 基于eemd和排列熵二阶差分的信号去噪方法及装置 | |
CN110826017A (zh) | 一种基于参数优化Hankel矩阵和奇异值分解的信号去噪方法 | |
CN105607125A (zh) | 基于块匹配算法和奇异值分解的地震资料噪声压制方法 | |
CN103954697B (zh) | 一种基于分数阶微分的兰姆波去噪方法 | |
CN102546499B (zh) | 一种实线性调频信号的分数阶信道化接收方法 | |
CN110059639A (zh) | 一种基于分数阶小波变换和希尔伯特黄变换的跳频信号检测方法 | |
CN111795931A (zh) | 一种针对激光超声缺陷检测衍射回波信号的重构提取方法 | |
CN103971012B (zh) | 一种基于赛利斯模型和分数阶微分的兰姆波信号消噪方法 | |
Li | Speech denoising based on improved discrete wavelet packet decomposition | |
CN114690003A (zh) | 一种基于eemd的局放信号降噪方法 | |
CN114581674A (zh) | 一种基于改进阈值函数的小波去噪方法 | |
CN107123431A (zh) | 一种水声信号降噪方法 | |
CN103915102B (zh) | 一种lfm水声多途信号的噪声抑制方法 | |
CN108363994A (zh) | 基于经验模态分解改进的乘性噪声去除技术 | |
CN113777449A (zh) | 基于改进svd算法的电缆局部放电窄带干扰抑制方法 | |
CN109558857B (zh) | 一种混沌信号降噪方法 | |
CN104502820A (zh) | 基于二维小波变换的变压器局部放电图谱去噪方法 | |
CN116383605A (zh) | 基于小波分解的车辆震动信号去噪方法 | |
CN106997766B (zh) | 一种基于宽带噪声的同态滤波语音增强方法 | |
CN109460614A (zh) | 基于瞬时带宽的信号时间-频率分解方法 | |
CN101510301A (zh) | 基于邻域加窗的小波图像去噪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |