CN106198746A - 一种超声波智能检测木材构件胶缝缺陷方法 - Google Patents

Abstract

本发明公开了一种超声波智能检测木材构件胶缝缺陷方法，包括以下步骤：用超声波检测仪测量木材试块，得到超声波回波时间序列信号，将超声波回波时间序列信号映射到高维欧氏空间，得到延迟矩阵，构造延时‑协变矩阵T_x，计算T_x的特征根和对应的特征向量，计算时间主成分T‑PC，周期数据重建，得到新的超声回波测量信号序列，从而提取回波信号的特征参数，实现信噪分离，并输送到显示界面，使得工程技术操作人员依据这些特征信息对木材构件的胶缝缺陷类别进行辨识分类，从而在不破坏被检测对象内部和外观结构以及使用性能的前提下准确诊断缺陷。

Description

一种超声波智能检测木材构件胶缝缺陷方法

技术领域

本发明属于智能检测木材构件胶缝缺陷领域，涉及一种超声波智能检测木材构件胶缝缺陷方法。

背景技术

当前，我国的大多的建筑结构主材如混凝土、钢材以及砖砌体均属于高耗能材料，形势迫使我们需要寻找更加节能以及环保的建材，木材作为古老而又现代的主材进入选择视线。木材具有强度高、密度小、可再生和弹性好等优点，拥有良好的抗压、抗弯和抗拉的特性。同时木材是一种绿色的环保健康建材，在任何气候环境中均可适用，可展现形式丰富多样的建筑风格，被业界公认为赏心悦目和美观大方的建筑材料。因此，研究木材构件建筑是否符合我国的节能和环保政策显得尤为重要和迫切。

然而，木材构件在胶合过程中可能会存在胶缝缺陷或者木构件本身含有死节等缺陷，极大的影响了木结构的安全性能。目前大多采用传统的目视鉴别与简单敲击的办法对木结构的安全性能进行评价，其主要依靠检测者的经验，具有较大的人为因素，判断的准确率相对较低。如何在不破坏原有木结构的基础上，较为科学地检测木构件是否存在胶缝缺陷，从而确定木构件是否需要加固还是更换，是当前木结构勘察设计和制定木结构方案时需要解决的难题。

在不破坏被检测对象内部和外观结构以及使用性能的前提下，无损检测是利用材料的不同物理力学或化学性质，对目标物体的相关特性进行有效的测试与检验。目前应用于木材及木结构方面的损伤识别技术主要有射线检测技术、应力波无损检测技术和超声波无损检测技术。随着无损检测技术、计算机技术和人工神经网络技术的迅速发展，木材的无损检测技术沿着小型化、智能化、联合化、自动化方向发展。近年来，随着人工神经网络的快速发展，它也较多的应用于木材科学领域。国外方面，很多文献研究了应用贝叶斯方法、K近邻法及神经网络分类器方法分析声-超声波法检测木材中腐朽的有效性。国内方面，很多文献提出对木质复合材料的振动无损检测时，不同的检测目的应选择相应的振动信号处理方法。

分析国内外研究人员的现状，木材检测还存在着诸多问题，如：射线检测结果需要通过胶片成像来展现，容易增加检测成本和检测时间，大批量检测不适用，且不适合于在线检测与野外检测；而应力波检测技术虽然具有操作简单、方便的优点，但是最后的检测结果的准确性往往会被施加机械应力的大小和位置以及被测物的状态等影响。

根据超声无损检测原理，声波在材料中传播过程中首先要受到材料介质吸收和散射的影响而起衰减，从而在不同材料介质分界面引起折射和反射。对于带有缺陷的构件，缺陷的具体位置、形状和大小等性质的区别会引起反射回波所含频率成分的不同。因此，超声波测试仪所接收到的超声回波信号是通过声波在材料传播的过程当中由于遇到声阻抗不连续而反射的各个反射超声回波按时间先后迭加而生成，因此这类缺陷信号的振幅会随着时间而发生变化，是一种非线性、非平稳性的周期震荡信号。奇异谱分析(SingularSpectrum Analysis,简称SSA)是Karhunen-Loeve分解理论的发展与应用，能从含随机波动的有限尺度时间序列中有效地提取信息，适合用于超声波回波信号这类具有非线性、非平稳特征的周期振荡行为的分析。

因此利用奇异谱分析算法的多尺度分析能力对超声回波信号进行周期数据重建，从而提取回波信号的特征参数，表征木材构件的特征信息，进行信噪分离，使得工程技术操作人员依据这些特征信息对木材构件的胶缝缺陷类别进行辨识分类，从而在不破坏被检测对象内部和外观结构以及使用性能的前提下准确诊断缺陷，是一个值得研究的课题。

发明内容

本发明所要解决的技术问题是用超声波测试仪检测木材试件得到超声回波信号，利用奇异谱分析算法的多尺度分析能力对超声回波信号进行周期数据重建，提取回波信号的特征参数，表征木材构件的特征信息，进行信噪分离，使得工程技术操作人员依据这些特征信息对木材构件的胶缝缺陷类别进行辨识分类，从而在不破坏被检测对象内部和外观结构以及使用性能的前提下准确诊断缺陷。

发明的技术解决方案如下：

一种超声波智能检测木材构件胶缝缺陷方法，包括以下步骤：

步骤一、用超声波检测仪测量木材试块，得到表示木材构件胶缝缺陷的包含随机波动的超声波回波时间序列信号，将其送入计算机分析系统；

步骤二、计算机分析系统对包含随机波动的超声波回波时间序列信号进行分析处理：

(1)将包含随机波动的超声波回波时间序列信号进行中心化处理，记为x_t，x_t＝{x₁,x₂,x₃,…,x_N}，其中N为序列长度，1≤t≤N；

(2)将超声波回波时间序列信号映射到高维欧氏空间，得到延迟矩阵，记为X，

式中，X的行数为M，列数为K，[]表示取整，K＝N-M，X中的元素用x_ij表示，x_ij＝x_i+j,x_i+j为中心化处理后的超声波回波时间序列信号x_t的元素，M＞＝i＞＝1,K＞＝j＞＝1；

(3)构造X的延时-协变矩阵(Lagged-Covariance Matrix)T_x：

$T_x=\left[\begin{array}{cccc}\mathrm{\ρ}\left(0\right)& \mathrm{\ρ}\left(1\right)& ...& \mathrm{\ρ}(M-1)\\ \mathrm{\ρ}\left(1\right)& \mathrm{\ρ}\left(0\right)& ...& \mathrm{\ρ}(M-2)\\ ...& ...& ...& ...\\ \mathrm{\ρ}(M-1)& \mathrm{\ρ}(M-2)& ...& \mathrm{\ρ}\left(0\right)\end{array}\right]$

其中，T_x中每一个元素用ρ(h)表示，M-1＞＝h＞＝0，

(4)计算T_x的特征根，按降序排列如下：λ₁≥λ₂≥…≥λ_M≥0，选取大于0.0004的特征根，记为λ₁≥λ₂≥…≥λ_q≥0，其中q为大于0.0004的特征根的个数，计算矩阵T_x的大于0.0004的特征根对应的特征向量，记为时间经验正交函数T-EOF(Time EmpiricalOrthogonal Function)，其中第m个特征根记为λ_m，λ_m对应的特征向量记为E^m，1≤m≤q；

(5)计算延迟矩阵X在时间经验正交函数T-EOF上的正交投影系数，即T_x的时间主成分T-PC(Time Principal Component)，其中延迟矩阵X的第j列信号在第m个T-EOF上的正交投影系数，记为 M＞＝i＞＝1,K＞＝j＞＝1；

(6)用T-EOF和T-PC重新构建长度为N的新时间序列，其中第m个T-EOF和T-PC重建的第i个成分记为重建成分RC，

$x_i^m=\left\{\begin{array}{c}\frac{1}{M}\underset{j=1}{\overset{M}{\Σ}}{a_{i-j}^m}^{\′}{E}^m,M\≤i\≤N-M+1\\ \frac{1}{i}\underset{j=1}{\overset{i}{\Σ}}{a_{i-j}^m}^{\′}{E}^m,1\≤i\≤M-1\\ \frac{1}{N-i+1}\underset{j=i-N+M}{\overset{M}{\Σ}}{a_{i-j}^m}^{\′}{E}^m,N-M+2\≤i\≤N\end{array}\right.;$

(7)将重建成分RC进行线性叠加，得到新的超声回波测量信号序列，记为 1≤t≤N，新的超声回波测量信号序列的第i个数据记为

${\tilde{x}}_i=\underset{m=1}{\overset{q}{\Σ}}{x}_i^m,i=1,2,...,N;$

(8)将新的超声回波测量信号序列输送到显示界面；

步骤三、用户检查显示界面的数据，根据新的超声回波测量信号序列判断木材构件胶缝缺陷。

其中显示界面可以为液晶显示器，显示屏等。

有益效果：

本发明用超声波测试仪检测木材试件得到超声回波信号，利用奇异谱分析算法的多尺度分析能力对超声回波信号进行周期数据重建，提取回波信号的特征参数，表征木材构件的特征信息，进行信噪分离，使得工程技术操作人员依据这些特征信息对木材构件的胶缝缺陷类别进行辨识分类，从而在不破坏被检测对象内部和外观结构以及使用性能的前提下准确诊断缺陷。

附图说明

图1为本发明中实施步骤框图，

图2为实施例中奇异值分析图，

图3为实施例中奇异谱分析图。

具体实施方式

以下将结合附图和具体实施例对发明做进一步详细说明：

实施例1：

本试验采用的木材为兴安落叶松，木材试块总数为300个，其中单件木材名义尺寸为2100mm×150mm×30mm，为了测得数据，将该木材试件进行胶合，分为2组试件：标准试件、胶缝试件。测得该批试件平均含水率为16％，平均密度为0.55g/cm3。仪器选用超声波测试仪。

首先，用超声波检测仪测量木材试块，得到表示木材构件胶缝缺陷的包含随机波动的超声波回波时间序列信号，送入计算机，计算机分析系统将其中心化处理，记为x_t，x_t＝{x₁,x₂,x₃,…,x_N}，其中N为序列长度，1≤t≤N；

为了满足后续计算的对称性要求，取超声回波时间序列信号的10个测量信号组成一组样本数据，N＝10，分别取无缺陷样本数据x_t和有缺陷样本数据三组，如下：

然后，将超声波回波时间序列信号映射到高维欧氏空间，得到延迟矩阵，记为X，

$X={\left(x_{ij}\right)}_{M\×K}=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1K}\\ x_{21}& x_{22}& ...& x_{2K}\\ ...& ...& ...& ...\\ x_{M1}& x_{M2}& ...& x_{MK}\end{array}\right]$

式中，X的行数为M，列数为K，[]表示取整，K＝N-M，X中的元素用x_ij表示，x_ij＝x_i+j,x_i+j为中心化处理后的超声波回波时间序列信号x_t的元素，M＞＝i＞＝1,K＞＝j＞＝1，这里M＝5，K＝5。

不难看出矩阵X中x_ji与x_ij对应着相同的测量时间序列的数据x_j+i，又由于M＝K，因此X为对称矩阵，如下所示：

由于超声回波测量信号时间序列存在随机波动，直接运用奇异谱分解，可能造成主成分中引入随机因素，因此构造X的延时-协变矩阵(Lagged-Covariance Matrix)T_x：

$T_x=\left[\begin{array}{cccc}\mathrm{\ρ}\left(0\right)& \mathrm{\ρ}\left(1\right)& ...& \mathrm{\ρ}(M-1)\\ \mathrm{\ρ}\left(1\right)& \mathrm{\ρ}\left(0\right)& ...& \mathrm{\ρ}(M-2)\\ ...& ...& ...& ...\\ \mathrm{\ρ}(M-1)& \mathrm{\ρ}(M-2)& ...& \mathrm{\ρ}\left(0\right)\end{array}\right]$

其中，T_x中每一个元素用ρ(h)表示，M-1＞＝h＞＝0，

其中，

T_x满足如下两个特征：

(1)T_x为非负对称矩阵；

(2)T_x的特征根非负。

本实施例中T_x如下：

计算T_x的特征根，按降序排列如下：λ₁≥λ₂≥…≥λ_M≥0，选取大于0.0004的特征根，记为λ₁≥λ₂≥…≥λ_q≥0，其中q为大于0.0004的特征根的个数，计算矩阵T_x的大于0.0004的特征根对应的特征向量，记为时间经验正交函数T-EOF(Time EmpiricalOrthogonal Function)，其中第m个特征根记为λ_m，λ_m对应的特征向量记为E^m，1≤m≤q；；

根据Horn&Johnson于1985提出的奇异值分解理论，第m个T-EOF对应的特征根(对于方阵而言也是奇异值)的大小，恰好反映了其在重构时对原始序列方差贡献强度，越大表示重要程度越高。同时对无趋势序列而言，奇异值序列λ_m将缓慢下降；而对趋势序列而言，前面几个奇异值远大于后面的奇异值，奇异值序列陡降后缓慢下降。

根据实际计算，对于超声回波测量信号序列，当奇异值λ_m小于0.0004后，对原始序列方差已经贡献不大，因此取大于0.0004的奇异值，这里取前面两个奇异值，q＝2。

本实施例中奇异值分析图如图2所示。

计算延迟矩阵X在时间经验正交函数T-EOF上的正交投影系数，即T_x的时间主成分T-PC(Time Principal Component)，其中延迟矩阵X的第j列信号在第m个T-EOF上的正交投影系数，记为 M＞＝i＞＝1,K＞＝j＞＝1。用T-EOF和T-PC重新构建长度为N的新时间序列，其中第m个T-EOF和T-PC重建的第i个成分记为重建成分RC，

$x_i^m=\left\{\begin{array}{c}\frac{1}{M}\underset{j=1}{\overset{M}{\Σ}}{a_{i-j}^m}^{\′}{E}^m,M\≤i\≤N-M+1\\ \frac{1}{i}\underset{j=1}{\overset{i}{\Σ}}{a_{i-j}^m}^{\′}{E}^m,1\≤i\≤M-1\\ \frac{1}{N-i+1}\underset{j=i-N+M}{\overset{M}{\Σ}}{a_{i-j}^m}^{\′}{E}^m,N-M+2\≤i\≤N\end{array}\right.;$

将重建成分RC进行线性叠加，得到新的超声回波测量信号序列，记为 1≤t≤N，新的超声回波测量信号序列的第i个数据记为 i＝1,2,…,N。将新的超声回波测量信号序列输送到显示界面，用图形显示即为奇异谱分析图如图3所示，显示界面可以为液晶显示器，显示屏等。

用户根据显示界面显示的有缺陷样本数据，与无缺陷样本数据比较，即可以按照标准判断木材构件胶缝缺陷。

本发明用超声波测试仪检测木材试件得到超声回波信号，利用奇异谱分析算法的多尺度分析能力对超声回波信号进行周期数据重建，提取回波信号的特征参数，表征木材构件的特征信息，进行信噪分离，使得工程技术操作人员依据这些特征信息对木材构件的胶缝缺陷类别进行辨识分类，从而在不破坏被检测对象内部和外观结构以及使用性能的前提下准确诊断缺陷。

Claims (2)

1.一种超声波智能检测木材构件胶缝缺陷方法，其特征在于，包括以下步骤：

步骤一、用超声波检测仪测量木材试块，得到表示木材构件胶缝缺陷的包含随机波动的超声波回波时间序列信号，将其送入计算机分析系统；

步骤二、计算机分析系统对包含随机波动的超声波回波时间序列信号进行分析处理：

(1)将包含随机波动的超声波回波时间序列信号进行中心化处理，记为x_t，x_t＝{x₁,x₂,x₃,…,x_N}，其中N为序列长度，1≤t≤N；

(2)将超声波回波时间序列信号映射到高维欧氏空间，得到延迟矩阵，记为X，

$X={\left(x_{ij}\right)}_{M\×K}=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1K}\\ x_{21}& x_{22}& ...& x_{2K}\\ ...& ...& ...& ...\\ x_{M1}& x_{M2}& ...& x_{MK}\end{array}\right]$

式中，X的行数为M，列数为K，[]表示取整，K＝N-M，X中的元素用x_ij表示，x_ij＝x_i+j,x_i+j为中心化处理后的超声波回波时间序列信号x_t的元素，M＞＝i＞＝1,K＞＝j＞＝1；

(3)构造X的延时-协变矩阵(Lagged-Covariance Matrix)T_x：

$T_x=\left[\begin{array}{cccc}\mathrm{\ρ}\left(0\right)& \mathrm{\ρ}\left(1\right)& ...& \mathrm{\ρ}(M-1)\\ \mathrm{\ρ}\left(1\right)& \mathrm{\ρ}\left(0\right)& ...& \mathrm{\ρ}(M-2)\\ ...& ...& ...& ...\\ \mathrm{\ρ}(M-1)& \mathrm{\ρ}(M-2)& ...& \mathrm{\ρ}\left(0\right)\end{array}\right]$

其中，T_x中每一个元素用ρ(h)表示，M-1＞＝h＞＝0，

(4)计算T_x的特征根，按降序排列如下：λ₁≥λ₂≥…≥λ_M≥0，选取大于0.0004的特征根，记为λ₁≥λ₂≥…≥λ_q≥0，其中q为大于0.0004的特征根的个数，计算矩阵T_x的大于0.0004的特征根对应的特征向量，记为时间经验正交函数T-EOF(Time Empirical OrthogonalFunction)，其中第m个特征根记为λ_m，λ_m对应的特征向量记为E^m，1≤m≤q；

(5)计算延迟矩阵X在时间经验正交函数T-EOF上的正交投影系数，即T_x的时间主成分T-PC(Time Principal Component)，其中延迟矩阵X的第j列信号在第m个T-EOF上的正交投影系数，记为 M＞＝i＞＝1,K＞＝j＞＝1；

(6)用T-EOF和T-PC重新构建长度为N的新时间序列，其中第m个T-EOF和T-PC重建的第i个成分记为重建成分RC，

$x_i^m=\left\{\begin{array}{c}\frac{1}{M}\underset{j=1}{\overset{M}{\Σ}}{a_{i-j}^m}^{\′}{E}^m,M\≤i\≤N-M+1\\ \frac{1}{i}\underset{j=1}{\overset{i}{\Σ}}{a_{i-j}^m}^{\′}{E}^m,1\≤i\≤M-1\\ \frac{1}{N-i+1}\underset{j=i-N+M}{\overset{M}{\Σ}}{a_{i-j}^m}^{\′}{E}^m,N-M+2\≤i\≤N\end{array}\right.;$

(7)将重建成分RC进行线性叠加，得到新的超声回波测量信号序列，记为 1≤t≤N，新的超声回波测量信号序列的第i个数据记为

${\tilde{x}}_i=\underset{m=1}{\overset{q}{\Σ}}{x}_i^m,i=1,2,...,N;$

(8)将新的超声回波测量信号序列输送到显示界面；

步骤三、用户检查显示界面的数据，根据新的超声回波测量信号序列判断木材构件胶缝缺陷。

2.根据权利要求1所述的一种超声波智能检测木材构件胶缝缺陷方法，其特征在于所述显示界面为液晶显示器。