CN104267094A - 铁磁性构件的脉冲漏磁响应信号分离方法 - Google Patents
铁磁性构件的脉冲漏磁响应信号分离方法 Download PDFInfo
- Publication number
- CN104267094A CN104267094A CN201410490384.XA CN201410490384A CN104267094A CN 104267094 A CN104267094 A CN 104267094A CN 201410490384 A CN201410490384 A CN 201410490384A CN 104267094 A CN104267094 A CN 104267094A
- Authority
- CN
- China
- Prior art keywords
- signal
- ferromagnetic component
- separation
- blind
- response signal
- 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.)
- Pending
Links
Landscapes
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开了一种铁磁性构件的脉冲漏磁响应信号分离方法,针对铁磁性材料脉冲漏磁检测法响应信号复杂、难以对缺陷进行定量、检测效果较差等问题,通过盲信号分离理论与技术,使用线性混合模型并采用独立成分分析ICA的方法将涡流信号和漏磁信号从混合的检测信号中分离出来,实现了对铁磁性材料内外缺陷的定量评估更加精确与高效,提高了信号的信噪比,增强了信号灵敏度,使原本采用单一的滤波和时域求平均等信号处理方法变得丰富。
Description
技术领域
铁磁性构件的脉冲漏磁响应信号为涡流信号与漏磁信号的线性叠加,本发明通过盲信号分离算法,实现涡流信号和漏磁信号的分离,方便对缺陷的定量分析,提高脉冲漏磁对铁磁性构件的检测效果,属于无损检测及信号处理领域。
背景技术
脉冲漏磁检测作为一种新型无损检测方法,可以对导电材料的表面和近表面进行检测,因其具有很宽的频谱,只需一次扫描就能分析被测试件不同深度的缺陷,因其检测能力出众,目前在压力容器、石油管道、铁轨等铁磁性构件的无损评估领域得到了广泛的应用。由于铁磁性构件与非铁磁性构件的涡流检测内部磁畴的不同,在铁磁性构件的脉冲漏磁响应信号中往往不是纯粹的涡流信号,还包含了漏磁信号。因为在铁磁性构件中迅速衰减的涡电流会对构件产生局部磁化,而有缺陷的地方就会产生漏磁场,以至于漏磁信号和涡流信号发生了混合,有必要对其进行分离和提取。
在对脉冲漏磁响应信号的后期处理中一般采用经典的时域滤波的方法,在滤波过程中会损失一部分有用的信号或还有噪声信号的剩余,随着对缺陷精确定量评估的需要,这种传统的信号处理方式已难以满足实际要求,故需要采用新的信号处理技术,故而提出了一种基于铁磁性构件的脉冲漏磁响应信号盲分离方法。
盲源分离(blind source separation,BSS)技术简称盲分离,是指在未知源信号及其混合过程的情况下,只利用一组由传感器阵列观测到的混合信号(也称为观测信号),来分离混合信号从而恢复源信号或者是混合过程的信号处理方法,在过去的二十多年间是信号处理和神经网络等研究领域的研究热点。
盲源分离技术最初起源于“鸡尾酒会”问题,在二十世纪九十年代之前一致困扰着科技工作者,盲源分离技术就是为了解决此问题而提出来的。盲信号分离中的“盲”具有两重含义:(1)源信号未知;(2)信号的混合过程未知。在实际问题当中经常面临着源信号和混合参数未知的情况,因此盲源分离具有广泛的应用前景,尤其在线性混合盲分离算法的研究领域,已经有成熟的数学模型和丰富的研究成果产生。随着数字信号处理技术的发展以及相关学科的不断深入,大量行之有效的盲分离算法不断被提出,使盲分离问题逐渐成为当今信息处理领域中最热门的研究课题之一,在无线电通信、图象处理、地震信号处理、阵列信号处理和生物医学信号处理等领域得到了广泛地应用。
发明内容
本发明的技术方案如下:
一种铁磁性构件的脉冲漏磁响应信号分离方法,包括如下步骤:
(1)脉冲漏磁探头对铁磁性构件进行缺陷检测并采集磁场信号;
(2)对采集的磁场信号进行预处理;
(3)采取同一缺陷信号采集两次构成输入矩阵将单通道盲源分离欠定问题转化为正定问题;
(4)根据采集的磁场信号的矢量叠加原理,认为涡流信号与漏磁信号的线性叠加,采用线性盲源分离算法对信号进行分离;
(5)将分离的涡流信号和漏磁信号与铁磁性构件内外缺陷对应,进而识别缺陷。
所述在铁磁性构件中,激励脉冲信号源经傅里叶分解包含直流分量与各次谐波分量的叠加,铁磁性构件的脉冲漏磁响应信号中不仅含有涡流信号,同时涡流信号包含了漏磁信号。
所述步骤(2)中的预处理包括对采集的磁场信号的放大、滤波、去噪,以及滤波、主成分提取、白化、快速傅里叶变换。
所述步骤(4)中的盲源分离算法采用独立成分分析法,首先要对磁场信号进行分离处理,利用MATLAB软件编写盲分离的算法程序,通过MATLAB脚本节点右边缘引出输出变量,使数据类型和输入变量保持一致,把盲分离过程中的包括原始数据、混合数据、白化后的数据以及分离数据在内的重要变量以图形的方式显示。
本发明的有益技术效果是:
本发明针对脉冲漏磁检测法在铁磁性材料缺陷检测上的不足与采集信号效果不佳,提出基于铁磁性构件的脉冲漏磁响应信号分离方法,将涡流信号和漏磁信号从检测信号中分离出来,由单一信号分离出多个独立成分属于盲源分离欠定问题,此时混合矩阵是不可逆的病态矩阵,传统的方法已经无法实现盲分离的需求。
欠定盲信号分离也是信号处理领域的一个研究难点也是关注重点,通常采用“二步法”来实现信号的盲分离,即先估计混合矩阵,再估计源信号,该问题的求解目前主要有变换域滤波法、利用传统的盲信号分离法、基函数法、稀疏分解/表示法等,不同的方法各有特点及应用领域。变换域滤波法通过域的变换,将本来重叠的信号分离开来,其在包含多个频率分量的时域信号分离中得到了广泛的应用;利用传统ICA/BSS法,通过构造延迟向量、奇异值分解、多倍采样等方法,将一维观测量构造为多维观测量,从而将欠定问题转换为适定问题,进而采用传统盲信号分离法实现信号分离;基函数法首先使用未经混合的源信号作为训练数据,获得源信号的基函数,再采用这些基函数恢复单通道混叠信号中的源信号;稀疏分解/表示法针对稀疏信号中某些时刻源信号数目少于或等于传感器数目的情况,分离源信号。
脉冲漏磁响应信号频谱很宽,无论在时域还是频域均重叠在一起,采用变换域滤波法难以分离涡流信号和漏磁信号。另外,铁磁性材料脉冲漏磁响应信号与材料的磁导率、电导率、参杂度以及缺陷的种类等多种因素相关。标准试样的制作费时费力且代价高昂,而基函数法需要预先采用非混叠源信号训练获得源信号基函数,因此其不适用于铁磁性脉冲漏磁响应信号盲源分离。检测时缺陷区域的涡流磁场和漏磁场同时作用,磁敏元件感应的磁场信号并不是稀疏信号,所以稀疏分解/表示法也不适用于铁磁性脉冲响应信号盲源分离。考虑到铁磁性脉冲漏磁响应信号包含的涡流信号和漏磁信号为相互独立的成分,本发明采用独立成分分析算法是铁磁性脉冲响应信号盲源分离的一种理想选择。
附图说明
图1是脉冲漏磁信号的处理结构图。
图2是盲信分离的理论模型,
图3是盲信号的处理流程图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
图1是脉冲漏磁响应信号的处理结构图,详细说明了从信号的发生到分离的每一个步骤。
本发明应用前提在于,在铁磁性构件中,激励脉冲信号源经傅里叶分解包含直流分量与各次谐波分量的叠加,因此,铁磁性构件的脉冲漏磁响应信号中不仅含有涡流信号,同时由于涡电流对构件产生微弱地局部磁化,使得涡流信号包含了漏磁信号。
步骤(1),首先,由矩形波信号发生器产生信号,经由功率放大器放大后,经过激励线圈(即铁氧体上的脉冲漏磁探头)在铁磁性构件上产生涡流场和漏磁场,霍尔传感器拾取它们的混合信号进入信号调理电路。
步骤(2),信号调理电路对采集的磁场信号进行预处理,在脉冲漏磁响应信号进入数据采集卡之前,先进行放大、滤波、去噪等一些预处理,使得信号后续处理更加便捷与有效;此外,还要对采集的磁场信号进行滤波、主成分提取、白化、快速傅里叶变换等预处理。
数据采集卡用于采集信号,结合信号调理电路预处理后得到的信号和信号发生器的初始信号,完成采集。采集的信号显示在PC机上。
步骤(3),由单一缺陷信号分离出涡流信号和漏磁信号属于盲源分离的欠定问题,因为源信号的数目大于观测的信号,为了方便研究,把这种单入两出的问题转化为两入两出的问题,采取同一缺陷信号采集两次构成输入矩阵将单通道盲源分离欠定问题转化为正定问题。
步骤(4),从脉冲激励源的傅里叶变换机理出发,根据采集的磁场信号的矢量场的线性叠加原理,认为涡流信号和漏磁信号都是磁场矢量,可以看作是线性混合,采用线性混合盲分离算法对信号进行分离。
采用磁敏元件感应的磁场信号认为是涡流信号与漏磁信号的矢量线性叠加,故采用发展最为成熟的线性混合的函数模型。然而,由于脉冲响应信号的分离属于欠定问题,此时混合矩阵是不可逆的病态矩阵,难以从单一响应信号中分离出涡流和漏磁信号。因此,采用同一信号两次观测的方法,将两次观测的信号构成二维观测量,从而将单通道盲信号分离转化为正定的盲信号分离问题。此时,可以用传统的盲信号分离算法,如独立成分分析法分离出涡流信号与漏磁信号。
在独立成分分析法中,FastICA算法采用了定点迭代的优化算法,使得收敛更加快速、稳健。因此采用FastICA算法对铁磁性脉冲漏磁响应信号进行分离。该算法采用牛顿迭代算法,对观测变量X的大量采样点进行批处理,每次从观测信号中分离出一个独立分量,是一种快速的寻优迭代算法。而采用传统的时域滤波方法,由于涡流和漏磁信号的处于信号的各个频段,难以对其进行精确的定量分离,从而采用盲分离的方法使分离的信号更为接近原始信号,从而实现对铁磁性材料内外缺陷的全面而精确的定量评估。
图3为铁磁性脉冲漏磁响应信号盲源分离处理流程图。图2的理论模型与图3对应,说明了信号从混合到分离的过程。
根据图3所示的具体的独立成分分析法的盲信号处理流程,图1中,把信号引入MATLAB进行处理,在设置变量过程中要选择合适的数据类型,以免程序出现数据类型不匹配等错误。然后图3中根据盲分离理论的线性混合模型模型编写程序,将二维混合脉冲响应信号作为FastICA算法的输入矩阵,经过去均值、白化、滑动平均、计算协方差、特征值处理后,利用FastICA算法估计分离矩阵,将涡流信号和漏磁信号成功从铁磁性脉冲响应信号中分离出来。然后再将分离出来的涡流和漏磁信号与铁磁性构件内外缺陷种类对应,进而识别缺陷。上述FastICA算法的具体内容可参见现有文献。
步骤(5),将分离出来的涡流信号和漏磁信号与铁磁性构件内外缺陷对应,进而识别缺陷,为缺陷的定量分析打下理论基础。此步骤识别缺陷的方式采用现有技术。
以上所述的仅是本发明的优选实施方式,本发明不限于以上实施例。可以理解,本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化,均应认为包含在本发明的保护范围之内。
Claims (4)
1.一种铁磁性构件的脉冲漏磁响应信号分离方法,其特征在于,包括如下步骤:
(1)脉冲漏磁探头对铁磁性构件进行缺陷检测并采集磁场信号;
(2)对采集的磁场信号进行预处理;
(3)采取同一缺陷信号采集两次构成输入矩阵将单通道盲源分离欠定问题转化为正定问题;
(4)根据采集的磁场信号的矢量叠加原理,认为涡流信号与漏磁信号的线性叠加,采用线性盲源分离算法对信号进行分离;
(5)将分离的涡流信号和漏磁信号与铁磁性构件内外缺陷对应,进而识别缺陷。
2.根据权利要求1所述铁磁性构件的脉冲漏磁响应信号分离方法,其特征在于:所述在铁磁性构件中,激励脉冲信号源经傅里叶分解包含直流分量与各次谐波分量的叠加,铁磁性构件的脉冲漏磁响应信号中不仅含有涡流信号,同时涡流信号包含了漏磁信号。
3.根据权利要求1所述铁磁性构件的脉冲漏磁响应信号分离方法,其特征在于:所述步骤(2)中的预处理包括对采集的磁场信号的放大、滤波、去噪,以及滤波、主成分提取、白化、快速傅里叶变换。
4.根据权利要求1所述铁磁性构件的脉冲漏磁响应信号分离方法,其特征在于:所述步骤(4)中的盲源分离算法采用独立成分分析法,首先要对磁场信号进行分离处理,利用MATLAB软件编写盲分离的算法程序,通过MATLAB脚本节点右边缘引出输出变量,使数据类型和输入变量保持一致,把盲分离过程中的包括原始数据、混合数据、白化后的数据以及分离数据在内的重要变量以图形的方式显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410490384.XA CN104267094A (zh) | 2014-09-23 | 2014-09-23 | 铁磁性构件的脉冲漏磁响应信号分离方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410490384.XA CN104267094A (zh) | 2014-09-23 | 2014-09-23 | 铁磁性构件的脉冲漏磁响应信号分离方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104267094A true CN104267094A (zh) | 2015-01-07 |
Family
ID=52158635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410490384.XA Pending CN104267094A (zh) | 2014-09-23 | 2014-09-23 | 铁磁性构件的脉冲漏磁响应信号分离方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104267094A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105067701A (zh) * | 2015-07-27 | 2015-11-18 | 江南大学 | 基于矩形探头的脉冲涡流检测硬件分离方法 |
CN105527339A (zh) * | 2016-03-01 | 2016-04-27 | 江南大学 | 基于复合式u型脉冲电磁传感器的无损检测方法 |
CN108665442A (zh) * | 2018-04-03 | 2018-10-16 | 中国空气动力研究与发展中心超高速空气动力研究所 | 红外无损检测的热图像缺陷特征增强处理方法 |
CN113671037A (zh) * | 2021-09-01 | 2021-11-19 | 杭州意能电力技术有限公司 | 一种支柱绝缘子振动声学信号处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1710930A (zh) * | 2005-06-20 | 2005-12-21 | 大连理工大学 | 一种基于盲源分离的顺序图像加密方法 |
CN101561879A (zh) * | 2009-05-26 | 2009-10-21 | 上海大学 | 基于曲波表示的图像欠定盲分离方法 |
CN102182933A (zh) * | 2011-03-22 | 2011-09-14 | 江南大学 | 脉冲漏磁缺陷与应力的无损检测系统及无损检测方法 |
-
2014
- 2014-09-23 CN CN201410490384.XA patent/CN104267094A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1710930A (zh) * | 2005-06-20 | 2005-12-21 | 大连理工大学 | 一种基于盲源分离的顺序图像加密方法 |
CN101561879A (zh) * | 2009-05-26 | 2009-10-21 | 上海大学 | 基于曲波表示的图像欠定盲分离方法 |
CN102182933A (zh) * | 2011-03-22 | 2011-09-14 | 江南大学 | 脉冲漏磁缺陷与应力的无损检测系统及无损检测方法 |
Non-Patent Citations (2)
Title |
---|
HYVARINEN A: "Fast and robust fixed-point algorithms for independent component analysis", 《IEEE TRANSACTIONS ON NEURAL NETWORKS》 * |
张思全等: "涡流检测信号的独立分量分析预处理", 《科学技术与工程》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105067701A (zh) * | 2015-07-27 | 2015-11-18 | 江南大学 | 基于矩形探头的脉冲涡流检测硬件分离方法 |
CN105067701B (zh) * | 2015-07-27 | 2018-08-07 | 江南大学 | 基于矩形探头的脉冲涡流检测硬件分离方法 |
CN105527339A (zh) * | 2016-03-01 | 2016-04-27 | 江南大学 | 基于复合式u型脉冲电磁传感器的无损检测方法 |
CN105527339B (zh) * | 2016-03-01 | 2019-01-25 | 江南大学 | 基于复合式u型脉冲电磁传感器的无损检测方法 |
CN108665442A (zh) * | 2018-04-03 | 2018-10-16 | 中国空气动力研究与发展中心超高速空气动力研究所 | 红外无损检测的热图像缺陷特征增强处理方法 |
CN113671037A (zh) * | 2021-09-01 | 2021-11-19 | 杭州意能电力技术有限公司 | 一种支柱绝缘子振动声学信号处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103257182B (zh) | 一种脉冲涡流缺陷定量检测方法及检测系统 | |
CN110057904B (zh) | 一种运动金属构件的缺陷定量检测方法及装置 | |
CN104267094A (zh) | 铁磁性构件的脉冲漏磁响应信号分离方法 | |
CN105527339B (zh) | 基于复合式u型脉冲电磁传感器的无损检测方法 | |
CN103954684A (zh) | 一种利用漏磁变化率进行无损检测的方法 | |
CN103760224A (zh) | 航天器无损检测传感器及无损检测系统 | |
CN104977352A (zh) | 基于脉冲涡流与巴克豪森的缺陷与应力无损检测系统及无损检测方法 | |
CN105866239A (zh) | 基于铁磁性试件的u型脉冲融合型传感器检测方法 | |
CN105866234B (zh) | 电涡流和巴克豪森相融合的铁磁材料无损检测仪器和方法 | |
CN105067701A (zh) | 基于矩形探头的脉冲涡流检测硬件分离方法 | |
Zheng et al. | Application of Variational Mode Decomposition and k‐Nearest Neighbor Algorithm in the Quantitative Nondestructive Testing of Wire Ropes | |
Devi et al. | Machine vision based quality analysis of rice grains | |
CN104391045A (zh) | 基于声波的方形木材孔洞缺陷识别系统及方法 | |
CN103954691B (zh) | 一种材料成分分数无损检测方法 | |
CN105548349A (zh) | 实现缺陷重构技术的矩形探头脉冲涡流检测方法 | |
CN108051763A (zh) | 一种复合材料的弱磁检测方法 | |
CN107632326A (zh) | 地球物理信号去噪方法 | |
CN105181804B (zh) | 一种用于超声波非线性效应表征的动态小波指纹分析方法 | |
CN107358162B (zh) | 基于深度堆栈网络的极化sar影像变化检测方法 | |
CN205879865U (zh) | 基于涡流反射与透射的无损检测系统 | |
CN102735340A (zh) | 一种基于压缩传感的水果颜色分级方法 | |
CN103760226A (zh) | 航天器无损检测方法 | |
CN113643247A (zh) | 一种强抖动下基于形态学滤波的钢丝绳断丝检测方法 | |
CN104007173A (zh) | 用于铁磁性材料无损检测的漏磁检测装置 | |
CN102507751A (zh) | 碳纤维增强复合板脱粘缺陷的单模式超声导波参数精确量化检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150107 |
|
WD01 | Invention patent application deemed withdrawn after publication |