CN109580787B - 用于变压器高压套管引线超声检测的超声回波去噪方法 - Google Patents

Abstract

本发明涉及一种用于变压器高压套管引线超声检测的超声回波去噪方法，包括：步骤1)对变压器高压套管引线反射的超声回波信号进行小波分解；步骤2)超声回波信号去噪预处理；步骤3)对去噪预处理后的回波信号进行EEMD分解得到多层IMF分量；步骤4)求解去噪预处理信号的噪声分量标准差，前两层IMF分量使用新方法“2σ法则”滤除信号中的噪声，剩余IMF分量使用自适应阈值去噪；步骤5)计算二次去噪后IMF分量与原分量的相关系数，依据系数大小选取需要保留的IMF分量进行信号重构，得到去噪后的超声回波信号。与现有技术相比，本发明可有效滤除超声回波信号中的随机噪声，最大限度地保证了回波信号的完整性，更好的识别回波信号的起振位置等。

Description

用于变压器高压套管引线超声检测的超声回波去噪方法

技术领域

本发明涉及变压器高压套管引线超声检测领域，尤其是涉及一种用于变压器高压套管引线超声检测的超声回波去噪方法。

背景技术

电力变压器作为电力系统的枢纽设备，其运行可靠性与电力系统的安全与稳定紧密相关，高压套管是电力变压器的重要组成部分。变压器绕组的引出线必须穿过绝缘套管接外电路，高压套管是引出线之间以及引出线与油箱之间的绝缘，并起固定引出线的作用。高压套管在设备运行过程中要长时间承受热、电、化学、机械等多种因素的作用，致使套管绝缘劣化、性能下降，套管内引线会因电动内力或机械外力作用而发生变形。超声检测作为一种无损检测技术，具有便捷性、实时性、非接触性、无损性，在电力系统高压设备在线检测方面应用广泛。电力设备超声检测的目的是提前发现故障缺陷，避免对电力系统产生更大的危害，属于预防性检测。超声检测作为一种较为成熟的无损检测技术，在我国电力行业中使用广泛，从最简单的单一声源检测到如今的超声相控阵检测多声源检测，该技术的到了较快的发展，积累了大量实践经验和科研数据。

在实际中，由于材料结构的复杂性和噪声对目标回波信号的影响，实际中所接收的回波信号总会发生一定的变化，这些变化主要表现为噪声干扰、频率消散、相位漂移或者是相对参考回波发生偏移。在进行变压器高压套管引线超声检测时，需准确测量回波信号的起振位置，以准确而获得信号的飞行时间，但当噪声幅值大小近似于回波信号起振处的幅值时，上述影响因素中噪声对于超声回波信号的起振位置判断有着较大的影响。因此，需重点研究超声回波信号的去噪方法。

目前，为了减少噪声的影响，在信号采集时，硬件上考虑使用滤波器去噪，但该方法仅仅能滤除幅值较大的噪声信号，去噪效果不彻底；目前使用较为广泛的超声回波去噪技术主要有小波去噪、EMD(经验模态分解)去噪、EEMD(集合经验模态)去噪等方法。小波去噪技术具有很好的灵活性、去相关性等特性，但存在小波基选取困难，分解层次难以确定，阈值取值不准确等问题，自适应性差。相对于小波去噪技术，EMD去噪技术克服了信号分解过程中适应性差的缺点，不需借助任何基函数，去噪效果更好，但仍具有模态混叠、端点效应等算法缺陷。针对EMD去噪技术的缺陷，近年来又提出一种EEMD去噪技术，该方法在EMD分解的基础上引入高斯白噪声辅助，使染噪信号在不同频率尺度上连续性得到了改善，去噪效果得到了进一步改善，模态混叠问题得到抑制，但存在计算量大易受干扰等问题。因此，超声回波信号的处理技术具有重要的现实意义，用于变压器高压套管引线超声检测的超声回波去噪方法，考虑了超声回波信号中噪声分布的特点以及超声检测对回波信号的要求，是一种最为有效的回波信号去噪方法。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种用于变压器高压套管引线超声检测的超声回波去噪方法，可有效滤除超声回波信号中的随机噪声，最大限度地保证了回波信号的完整性，更好的识别回波信号的起振位置，提高了超声检测的精度，有利于实现变压器高压套管引线的状态检测。

本发明的目的可以通过以下技术方案来实现：

一种用于变压器高压套管引线超声检测的超声回波去噪方法，包括以下步骤：

步骤1)对变压器高压套管引线反射的超声回波信号进行小波分解，从细节分量与近似分量进行信号分析；

步骤2)去噪预处理，对各分量进行互相关系数计算确定最优分解层数，设计一种新的阈值函数滤除噪声，将去噪后的各分量经小波逆变换重构，完成超声回波信号预处理；

步骤3)对去噪预处理后的回波信号进行EEMD分解得到多层IMF分量，再从IMF分量的层面上进行信号分析；

步骤4)求解去噪预处理信号的噪声分量标准差σ，将IMF分量分为两部分处理，前两层IMF分量使用新方法“2σ法则”滤除信号中的噪声，剩余IMF分量使用自适应阈值去噪；

步骤5)计算二次去噪后IMF分量与原分量的相关系数，依据系数大小选取需要保留的IMF分量进行信号重构，得到去噪后的超声回波信号。

优选地，所述的步骤1)具体包括以下步骤：

目标反射产生的超声回波信号中含有大量与设备状态有关的信息，但在传播与采集过程中这些信息会被噪声信号污染，不能完全将信号的波形信息展示出来，因此经小波分解后的细节分量与近似分量就能完全表达波形特征信息，便于去除信号中夹杂的噪声成分，本发明基于实用性从长远角度考虑选择小波分解对信号进行分析。

超声回波信号作为一种非平稳时变信号，由近似分量l_ca,j与细节分量l_cd,j构成，近似分量十分重要主要是指低频信息，作为一种近似信号，它常常蕴含着信号的主要特征；细节分量则指高频信息，包含信号的细节或差别，但这一部分中可能含有的噪声成分。

不同分量的提取可通过离散小波变换，使用滤波器完成近似分量l_ca,j与细节分量l_cd,j的分离，包括以下阶段：

A1：一层小波分解：对长度为N的信号x[n]使用低通滤波器，将输入信号的高频部份滤掉而输出低频部份，得到近似分量；然后使用高通滤波器h[n]，与低通滤波器相反，滤掉低频输出高频，得到细节分量；最后两分量分别通过降采样滤波器↓Q，输出近似分量l_ca,1i与细节分量l_cd,1i，完成一层小波分解；

A2：二层小波分解：对经一层小波分解得到的近似分量l_ca,1i重复过程A1，得到二层小波分解的近似分量l_ca,2i与细节分量l_cd,2i，一层细节分量l_cd,1i保持不变，完成二层小波分解；

……

An：n层小波分解：对n-1层小波分解的近似分量l_ca,(n-1)i重复过程A1，直至所有信号分析完毕。

假若信号为近似分量，保持此格式等待进入下一步骤；假若信号为未经分解的细节分量，需经过步骤1)进行信号分解。

优选地，所述的步骤2)具体包括以下步骤：

互相关系数用于描述不同信号在不同时刻取值的相关性程度，反应不同信号彼此之间的相关程度，由各层相关系数看出，各层相关系数小表明信号细节分量中含有噪声，当相关系数显著变大时，说明该层细节分量已经出现了大量的有用信号，要尽可能地保留该层分量，当某一层的相关系数显著增大时，则表明此时为最优小波分解层数，互相关公式如式(1)所示，

l_ca,ji为j层第i个近似分量，l_cd,ji为j层第i个细节分量，

为j层近似分量均值，

为j层细节分量均值；

分解后的细节分量中往往夹杂噪声，因此需对该分量通过阈值去噪的方式过滤噪声，阈值函数是影响信号去噪效果的关键因素，需选取恰当的阈值进行阈值量化，本设计在软阈值去噪的基础上设计一种新的阈值，如式(2)所示，

其中|x|为超声回波信号幅值，a为阈值，n为调节系数，可通过调节系数n确定阈值函数类型，当n取极大值时，改进阈值函数s近似于软阈值去噪函数；当n的取值近似于0时，改进阈值函数s近似于硬阈值去噪函数，由此尽可能消除软阈值函数存在的恒定偏差问题，改进阈值函数s在信号与噪声间可形成平滑过渡区域，最大限度的保证信号的连续性；

上述过程完成了细节分量的去噪处理，小波重构作为小波分解的逆变换，接下来需通过小波逆变换实现信号重构完成超声回波信号的去噪预处理过程，具体如式(3)所示，

l_c＝∑_nl_ca,ji+∑_nl’_cd,ji (3)

l_c为重构信号，l_ca,ji为j层第i个近似分量，l’_cd,ji为阈值去噪后的j层第i个细节分量。

优选地，所述的步骤3)具体包括以下步骤：

为了进一步去除信号中的噪声，使用集合经验模态分解EEMD进行二次信号分析，该方法通过在目标信号中添加若干强度相同、相位不同的白噪信号，利用白噪信号频率分布均匀的特性，将不同尺度的信号映射到与背景噪声对应的尺度上，保证目标信号的连续性，当目标信号经多次处理后白噪声相互抵消，真实信号得以保留，对信号x(t)进行EEMD分解过程具体如下：

1)对染噪原始信号x(t)多次添加白噪声n_i(t)，得到加噪后的混合信号x_i(t)，如式(4)所示，

x_i(t)＝x(t)+n_i(t) (4)

2)将混合信号x_i(t)进行EMD分解，得到各阶IMF分量c_ij(t)和一个余项r_i(t)；

3)为了消除高斯白噪作为时域分布参考带来的影响，以高斯白噪的零均值原理为基础，对上述步骤1)、2)进行N次重复，得到多个IMF分量，c_j(t)为经过EEMD分解后得到的第j个IMF分量，如式(5)所示；

EEMD分解的最终形式如式(6)所示，最终残余成分为r(t)，

优选地，所述的步骤4)具体包括以下步骤：

信号标准差能反映一个数据集的离散程度，在进行去噪阈值选取时发挥着重要作用，σ为信号x_i的标准差，如式(7)所示，

其中median(|x_i|)为中值函数，求取信号中值。

EEMD分解后的IMF分量中，前两层分量含有较多噪声信号，信号相关性较高；剩余IMF分量中的噪声含量较低，信号的相关性较低，因此需将所有IMF分类处理以达到更好的去噪效果；

由于，超声回波信号中的噪声类似于高斯白噪声，高斯白噪声的幅值满足高斯分布，根据统计学的知识可知，高斯分布中幅值的绝对值超过3σ的概率仅为0.135，故可以认为超过3σ的值都是细节分量中的有用信号。但在对变压器高压套管内引线进行超声检测时，检测精度对超声回波信号有着较高的要求，需准确识别回波信号起振位置。回波信号起振位置处信号幅值较小，假若在去噪时阈值过大，会影响波形起振位置的识别。

为了防止阈值过大去噪效果不彻底，同时满足不同IMF分量变化的随机性，需对阈值函数的大小进行改进，针对不同层次的IMF分量采取不同的去噪方式。

因此对于前两层IMF分量使用新方法“2σ法则”滤除信号中的噪声，如式(8)所示，其余层IMF分量则采用自适应阈值去噪的方法去噪，如式(9)所示，

N为信号长度，σ为信号标准差，i＝1,2，j＝1,2,…,n，

为去噪后的第i阶IMF分量，IMF_i(j)代表第i阶IMF分量中的第j个信号。

优选地，所述的步骤5)具体包括以下步骤：

经不同去噪方法处理过的IMF分量中含有不同的信息，与原始信号的相关性也不相同，含有一部分虚假IMF分量，假若将此虚假分量加入重构信号将对原始超声回波信号产生影响，因此，通过相关系数可剔除虚假分量，选择相关系数较大的分量进行信号重构，得到二次去噪后的超声回波信号；

由于在使用EEMD分解去噪之前，周期性窄带干扰已通过改进小波去噪预处理得到抑制，所以模态混叠问题降到了最低，同时在去噪方法和阈值函数的选择上，考虑了变压器高压套管引线回波信号中噪声分布的特点以及超声检测对回波信号的要求，去噪后超声回波信号的信噪比得到了明显提升，保证了信号的完整性，便于识别超声回波信号的起振位置，信号的均方根误差也得到了明显的提高。

与现有技术相比，本发明提出了一种用于变压器高压套管引线超声检测的超声回波去噪方法，能有效提升超声回波信号的信噪比，提高变压器高压套管引线的检测精度，抑制随机噪声的干扰。

该方法首先对变压器高压套管引线反射的回波信号进行小波分解，得到信号的细节分量与近似分量；由互相关系数确定最优分解层数，然后在软阈值去噪的基础上设置新的阈值函数滤除噪声，最后将去噪后的各分量进行小波逆变换进行信号重构，完成超声回波信号预处理；其次，对预处理后的超声回波信号进行EEMD分解去噪，先对回波信号进行EEMD分解得到多层IMF分量；然后，计算噪声分量标准差σ，将IMF分量分两部分去噪，前两层IMF分量使用新方法“2σ法则”滤除信号中的噪声，剩余分量则采用自适应阈值算法去噪；最后，计算去噪后IMF分量与原IMF分量的相关系数，依据系数大小选取需要保留的IMF分量进行信号重构，得到去噪后的超声回波信号。实验结果证明，本算法可有效滤除超声回波信号中的随机噪声，最大限度地保证了回波信号的完整性，更好的识别回波信号的起振位置，提高了超声检测的精度，有利于实现变压器高压套管引线的状态检测。

附图说明

图1为本发明用于变压器高压套管引线超声检测的超声回波去噪方法流程图；

图2为小波分解示意图；

图3为采集到的变压器高压套管引线产生的超声回波信号示意图；

图4(a)为去噪预处理后IMF分量示意图；

图4(b)为未经去噪预处理IMF分量示意图；

图5(a)为染噪信号软阈值去噪效果示意图；

图5(b)为染噪信号硬阈值去噪效果示意图；

图5(c)为染噪信号EEMD去噪效果示意图；

图5(d)为本发明方法去噪效果示意图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

本例提出一种用于变压器高压套管引线超声检测的超声回波去噪算法，其流程图如图1所示，包括以下步骤：

步骤S100：对变压器高压套管引线反射的超声回波信号进行小波分解，从细节分量与近似分量进行信号分析，具体包括步骤：

目标反射产生的超声回波信号中含有大量与设备状态有关的信息，但在传播与采集过程中这些信息会被噪声信号污染，不能完全将信号的波形信息展示出来，因此经小波分解后的细节分量与近似分量就能完全表达波形特征信息，便于去除信号中夹杂的噪声成分，本发明基于实用性从长远角度考虑选择小波分解对信号进行分析。

超声回波信号作为一种非平稳时变信号，由近似分量l_ca,j与细节分量l_cd,j构成，近似分量十分重要主要是指低频信息，作为一种近似信号，它常常蕴含着信号的主要特征；细节分量则指高频信息，包含信号的细节或差别，但这一部分中可能含有的噪声成分。不同分量的提取可通过离散小波变换，使用滤波器完成近似分量l_ca,j与细节分量l_cd,j的分离，主要包括以下阶段：

A1：一层小波分解：对长度为N的信号x[n]使用low pass filter低通滤波器，将输入信号的高频部份滤掉而输出低频部份，得到近似分量；然后使用high pass filter高通滤波器h[n]，与低通滤波器相反，滤掉低频输出高频，得到细节分量；最后两分量分别通过downsampling filter降采样滤波器↓Q，输出近似分量l_ca,1i与细节分量l_cd,1i，完成一层小波分解；

A2：二层小波分解：对经一层小波分解得到的近似分量l_ca,1i重复过程A1，得到二层小波分解的近似分量l_ca,2i与细节分量l_cd,2i，一层细节分量l_cd,1i保持不变，完成二层小波分解；

……

An：n层小波分解：对n-1层小波分解的近似分量l_ca,(n-1)i重复过程A1，直至所有信号分析完毕。

上述过程如图2所示。

假若信号为近似分量，保持此格式等待进入下一步骤；假若信号为未经分解的细节分量，需经过上述过程进行信号分解。

步骤S200：去噪预处理，对各分量进行互相关系数计算确定最优分解层数，设计一种新的阈值函数滤除噪声，将去噪后的各分量经小波逆变换重构，完成超声回波信号预处理，具体包括步骤：

互相关系数用于描述不同信号在不同时刻取值的相关性程度，反应不同信号彼此之间的相关程度。由各层相关系数可以看出，各层相关系数小表明信号细节分量中含有噪声，当相关系数显著变大时，说明该层细节分量已经出现了大量的有用信号，要尽可能地保留该层分量。当某一层的相关系数显著增大时，则表明此时为最优小波分解层数，互相关公式如式(1)所示。

l_ca,ji为j层第i个近似分量，l_cd,ji为j层第i个细节分量，

为j层近似分量均值，

为j层细节分量均值。

分解后的细节分量中往往夹杂噪声，因此需对该分量通过阈值去噪的方式过滤噪声，阈值函数是影响信号去噪效果的关键因素，需选取恰当的阈值进行阈值量化。本设计在软阈值去噪的基础上设计一种新的阈值，如式(2)所示。

其中|x|为超声回波信号幅值，a为阈值，n为调节系数。可通过调节系数n确定阈值函数类型，当n取极大值时，改进阈值函数s近似于软阈值去噪函数；当n的取值近似于0时，改进阈值函数s近似于硬阈值去噪函数。由此尽可能消除软阈值函数存在的恒定偏差问题，改进阈值函数s在信号与噪声间可形成平滑过渡区域，最大限度的保证信号的连续性。

上述过程完成了细节分量的去噪处理，小波重构作为小波分解的逆变换，接下来需通过小波逆变换实现信号重构完成超声回波信号的去噪预处理过程，具体如式(3)所示。

l_c＝∑_nl_ca,ji+∑_nl’_cd,ji (3)

l_c为重构信号，l_ca,ji为j层第i个近似分量，l’_cd,ji为阈值去噪后的j层第i个细节分量。

步骤S300：对回波信号进行EEMD分解得到多层IMF分量，再从IMF分量的层面上进行信号分析，具体包括步骤：

为了进一步去除信号中的噪声，使用集合经验模态分解(EEMD)进行二次信号分析，该方法通过在目标信号中添加若干强度相同、相位不同的白噪信号，利用白噪信号频率分布均匀的特性，将不同尺度的信号映射到与背景噪声对应的尺度上，保证目标信号的连续性，当目标信号经多次处理后白噪声相互抵消，真实信号得以保留，对信号x(t)进行EEMD分解过程如下所示。

1)对染噪原始信号x(t)多次添加白噪声n_i(t)，得到加噪后的混合信号x_i(t),如式(4)所示。

x_i(t)＝x(t)+n_i(t) (4)

2)将混合信号x_i(t)进行EMD分解，得到各阶IMF分量c_ij(t)和一个余项r_i(t)。

3)为了消除高斯白噪作为时域分布参考带来的影响，以高斯白噪的零均值原理为基础，对上述步骤1)、2)进行N次重复，得到多个IMF分量。c_j(t)为经过EEMD分解后得到的第j个IMF分量,如式(5)所示。

EEMD分解的最终形式如式(6)所示，最终残余成分为r(t)。

步骤S400：求解去噪预处理信号的噪声分量标准差σ，将IMF分量分为两部分处理，前两层IMF分量使用新方法“2σ法则”滤除信号中的噪声，剩余分量使用自适应阈值去噪，具体包括步骤：

信号标准差能反映一个数据集的离散程度，在进行去噪阈值选取时发挥着重要作用，σ为信号x_i的标准差，如式(7)所示。

其中median(|x_i|)为中值函数，求取信号中值。

经研究发现，EEMD分解后的IMF分量中，前两层分量含有较多噪声信号，信号相关性较高；剩余IMF分量中的噪声含量较低，信号的相关性较低，因此需将所有IMF分类处理以达到更好的去噪效果。

由于，超声回波信号中的噪声类似于高斯白噪声，高斯白噪声的幅值满足高斯分布，根据统计学的知识可知，高斯分布中幅值的绝对值超过3σ的概率仅为0.135，故可以认为超过3σ的值都是细节分量中的有用信号。但在对变压器高压套管内引线进行超声检测时，检测精度对超声回波信号有着较高的要求，需准确识别回波信号起振位置。回波信号起振位置处信号幅值较小，假若在去噪时阈值过大，会影响波形起振位置的识别。

为了防止阈值过大去噪效果不彻底，同时满足不同IMF分量变化的随机性，需对阈值函数的大小进行改进，针对不同层次的IMF分量采取不同的去噪方式。因此对于前两层IMF分量使用新方法“2σ法则”滤除信号中的噪声，如式(8)所示，其余层IMF分量则采用自适应阈值去噪的方法去噪，如式(9)所示。

N为信号长度，σ为信号标准差，i＝1,2，j＝1,2,…,n，

为去噪后的第i阶IMF分量，IMF_i(j)代表第i阶IMF分量中的第j个信号。

步骤S500：计算二次去噪后IMF分量与原分量的相关系数，依据系数大小选取需要保留的IMF分量进行信号重构，得到去噪后的超声回波信号，具体包括步骤：

经不同去噪方法处理过的IMF分量中含有不同的信息，与原始信号的相关性也不相同，含有一部分虚假IMF分量，假若将此虚假分量加入重构信号将对原始超声回波信号产生影响。因此，通过相关系数可剔除虚假分量，选择相关系数较大的分量进行信号重构，得到二次去噪后的超声回波信号。

由于在使用EEMD分解去噪之前，周期性窄带干扰已通过改进小波去噪预处理得到抑制，所以模态混叠问题降到了最低。同时在去噪方法和阈值函数的选择上，考虑了变压器高压套管引线回波信号中噪声分布的特点以及超声检测对回波信号的要求，去噪后超声回波信号的信噪比得到了明显提升，保证了信号的完整性，便于识别超声回波信号的起振位置，信号的均方根误差也得到了明显的提高。

为了更好的验证算法的有效性，在实验室选用一台35kVA/10kV/400V的变压器作为实验对象，在线状态下使用超声探头对油浸式变压器绝缘套管内的引线进行超声检测，采集到的超声回波信号如图3所示。观察发现，图示信号中含有大量噪声，回波信号的起振位置被噪声所淹没，难以准确观测。首先将实测信号分别进行EEMD分解与改进小波变换去噪处理，得到各层IMF分量如图4(a)和4(b)所示，其中图4(a)是经改进小波去噪预处理得到的各层IMF分量示意图；图4(b)是未经去噪预处理EEMD分解后的各IMF分量。可以发现，经去噪预处理后的超声回波信号各INF分量波形较为平缓，含有较少的白噪声，能够提升信号处理效率，有利于超声回波信号的进一步处理。

然后对IMF1、IMF2分量采用新方法“2σ法则”去噪处理，剩余IMF分量采用自适应阈值去噪处理，最后通过相关系数确定进行重构的IMF分量，依据相关系数的大小选择分量IMF2、IMF4、IMF5、IMF6进行信号重构，得到去噪后的最终超声回波信号，如图5(d)所示。通过图5(d)可以发现本文去噪方法达到了较好的去噪效果，去噪后的信号与原信号极度相似，能将超声回波信号的起振位置进行还原，最大限度地保存了信号的完整性，便于测量声波飞行时间。

为了更加准确的体现本文改进去噪算法的去噪效果，将实测信号分别用软阈值去噪、硬阈值去噪、EEMD去噪算法处理，去噪效果分别如图5(a)、图5(b)、图5(c)所示，将去噪结果与本文去噪结果图5(d)进行对比。此外，引入信号信噪比(SNR)与均方根误差(RMSE)作为评判标准，SNR越大、RMSE越小说明信号去噪效果越好，结果如表1所示。

表1不同去噪方法效果比较

以上各项数据作为评价信号质量的重要指标，通过上表数据可以发现，经本文方法处理后的超声回波信号的信噪比较高、均方根误差较小，相对于其他方法去噪方法效果更好，超声回波信号的信噪比更高，信号的质量更高，含有更多的有用信息，便于识别回波信号的起振位置，提高变压器高压套管引线超声检测的检测精度。

本发明提出了一种用于变压器高压套管引线超声检测的超声回波去噪算法，能有效提升超声回波信号的信噪比，提高变压器高压套管引线的检测精度，抑制随机噪声的干扰。

该方法首先对变压器高压套管引线反射的回波信号进行小波分解，得到信号的细节分量与近似分量；由互相关系数确定最优分解层数，然后在软阈值去噪的基础上设置新的阈值函数滤除噪声，最后将去噪后的各分量进行小波逆变换进行信号重构，完成超声回波信号预处理；其次，对预处理后的超声回波信号进行EEMD分解去噪，先对回波信号进行EEMD分解得到多层IMF分量；然后，计算噪声分量标准差σ，将IMF分量分两部分去噪，前两层IMF分量使用新方法“2σ法则”滤除信号中的噪声，剩余分量则采用自适应阈值算法去噪；最后，计算去噪后IMF分量与原IMF分量的相关系数，依据系数大小选取需要保留的IMF分量进行信号重构，得到去噪后的超声回波信号。实验结果证明，本算法可有效滤除超声回波信号中的随机噪声，最大限度地保证了回波信号的完整性，更好的识别回波信号的起振位置，提高了超声检测的精度，有利于实现变压器高压套管引线的状态检测。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (5)

1.一种用于变压器高压套管引线超声检测的超声回波去噪方法，其特征在于，包括以下步骤：

步骤1)对变压器高压套管引线反射的超声回波信号进行小波分解，从细节分量与近似分量进行信号分析；

步骤2)去噪预处理，对各分量进行互相关系数计算确定最优分解层数，设计一种新的阈值函数滤除噪声，将去噪后的各分量经小波逆变换重构，完成超声回波信号预处理；

步骤3)对去噪预处理后的回波信号进行EEMD分解得到多层IMF分量，再从IMF分量的层面上进行信号分析；

步骤4)求解去噪预处理信号的噪声分量标准差σ，将IMF分量分为两部分处理，前两层IMF分量使用新方法“2σ法则”滤除信号中的噪声，剩余IMF分量使用自适应阈值去噪；

步骤5)计算二次去噪后IMF分量与原分量的相关系数，依据系数大小选取需要保留的IMF分量进行信号重构，得到去噪后的超声回波信号；

所述的步骤2)具体包括以下步骤：

互相关系数用于描述不同信号在不同时刻取值的相关性程度，反映 不同信号彼此之间的相关程度，由各层相关系数看出，各层相关系数小表明信号细节分量中含有噪声，当相关系数显著变大时，说明该层细节分量已经出现了大量的有用信号，要尽可能地保留该层分量，当某一层的相关系数显著增大时，则表明此时为最优小波分解层数，互相关公式如式(1)所示，

l_ca，ji为j层第i个近似分量，l_cd，ji为j层第i个细节分量，

为j层近似分量均值，

为j层细节分量均值；

分解后的细节分量中往往夹杂噪声，因此需对该分量通过阈值去噪的方式过滤噪声，阈值函数是影响信号去噪效果的关键因素，需选取恰当的阈值进行阈值量化，本设计在软阈值去噪的基础上设计一种新的阈值，如式(2)所示，

其中|x|为超声回波信号幅值，a为阈值，n为调节系数，可通过调节系数n确定阈值函数类型，当n取极大值时，改进阈值函数s近似于软阈值去噪函数；当n的取值近似于0时，改进阈值函数s近似于硬阈值去噪函数，由此尽可能消除软阈值函数存在的恒定偏差问题，改进阈值函数s在信号与噪声间可形成平滑过渡区域，最大限度的保证信号的连续性；

上述过程完成了细节分量的去噪处理，小波重构作为小波分解的逆变换，接下来需通过小波逆变换实现信号重构完成超声回波信号的去噪预处理过程，具体如式(3)所示，

l_c＝∑_nl_ca，ji+∑_nl’_cd，ji (3)

l_c为重构信号，l_ca，ji为j层第i个近似分量，l’_cd，ji为阈值去噪后的j层第i个细节分量。

2.根据权利要求1所述的一种用于变压器高压套管引线超声检测的超声回波去噪方法，其特征在于，所述的步骤1)具体包括以下步骤：

不同分量的提取可通过离散小波变换，使用滤波器完成近似分量l_ca，j与细节分量l_cd，j的分离，包括以下阶段：

A1：一层小波分解：对长度为N的信号x[n]使用低通滤波器，将输入信号的高频部份滤掉而输出低频部份，得到近似分量；然后使用高通滤波器h[n]，与低通滤波器相反，滤掉低频输出高频，得到细节分量；最后两分量分别通过降采样滤波器↓Q，输出近似分量l_ca，1i与细节分量l_cd，1i，完成一层小波分解；

A2：二层小波分解：对经一层小波分解得到的近似分量l_ca，1i重复过程A1，得到二层小波分解的近似分量l_ca，2i与细节分量l_cd，2i，一层细节分量l_cd，1i保持不变，完成二层小波分解；

……

An：n层小波分解：对n-1层小波分解的近似分量l_ca，(n-1)i重复过程A1，直至所有信号分析完毕；

假若信号为近似分量，保持此格式等待进入下一步骤；假若信号为细节分量未经分解，需经过步骤1)进行信号分解。

3.根据权利要求1所述的一种用于变压器高压套管引线超声检测的超声回波去噪方法，其特征在于，所述的步骤3)具体包括以下步骤：

为了进一步去除信号中的噪声，使用集合经验模态分解EEMD进行二次信号分析，该方法通过在目标信号中添加若干强度相同、相位不同的白噪信号，利用白噪信号频率分布均匀的特性，将不同尺度的信号映射到与背景噪声对应的尺度上，保证目标信号的连续性，当目标信号经多次处理后白噪声相互抵消，真实信号得以保留，对染噪原始信号x(t)进行EEMD分解过程具体如下：

1)对染噪原始信号x(t)多次添加白噪声n_i(t)，得到加噪后的混合信号x_i(t)，如式(4)所示，

x_i(t)＝x(t)+n_i(t) (4)

2)将混合信号x_i(t)进行EMD分解，得到各阶IMF分量c_ij(t)和一个余项r_i(t)；

3)为了消除高斯白噪作为时域分布参考带来的影响，以高斯白噪的零均值原理为基础，对上述步骤1)、2)进行N次重复，得到多个IMF分量，c_j(t)为经过EEMD分解后得到的第j个IMF分量，如式(5)所示；

EEMD分解的最终形式如式(6)所示，最终残余成分为r(t)，

4.根据权利要求1所述的一种用于变压器高压套管引线超声检测的超声回波去噪方法，其特征在于，所述的步骤4)具体包括以下步骤：

信号标准差能反映一个数据集的离散程度，在进行去噪阈值选取时发挥着重要作用，σ为信号x_i的标准差，如式(7)所示，

其中median(|x_i|)为中值函数，求取信号中值；

EEMD分解后的IMF分量中，前两层分量含有较多噪声信号，信号相关性较高；剩余IMF分量中的噪声含量较低，信号的相关性较低，因此需将所有IMF分类处理以达到更好的去噪效果；

因此对于前两层IMF分量使用新方法“2σ法则”滤除信号中的噪声，如式(8)所示，其余层IMF分量则采用自适应阈值去噪的方法去噪，如式(9)所示，

N为信号长度，σ为信号标准差，i＝1，2，j＝1，2，...，n，

为去噪后的第i阶IMF分量，IMF_i(j)代表第i阶IMF分量中的第j个信号。

5.根据权利要求1所述的一种用于变压器高压套管引线超声检测的超声回波去噪方法，其特征在于，所述的步骤5)具体包括以下步骤：

经不同去噪方法处理过的IMF分量中含有不同的信息，与原始信号的相关性也不相同，含有一部分虚假IMF分量，假若将此虚假分量加入重构信号将对原始超声回波信号产生影响，因此，通过相关系数可剔除虚假分量，选择相关系数较大的分量进行信号重构，得到二次去噪后的超声回波信号。

Images