CN109977350B - 一种超声涡流信号自适应径向基函数神经网络对消方法 - Google Patents
一种超声涡流信号自适应径向基函数神经网络对消方法 Download PDFInfo
- Publication number
- CN109977350B CN109977350B CN201711446736.1A CN201711446736A CN109977350B CN 109977350 B CN109977350 B CN 109977350B CN 201711446736 A CN201711446736 A CN 201711446736A CN 109977350 B CN109977350 B CN 109977350B
- Authority
- CN
- China
- Prior art keywords
- signal
- cancellation
- neural network
- eddy current
- dzh
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明属于无损检测技术领域,具体为一种超声涡流信号自适应NNT对消方法,对对消信号H和被对消信号R零均值处理和降噪,之后构建自适应神经网络,得到输出信号,将降噪后的值输出信号相减,得到超声涡流信号中的对消信号,在超声涡流信号对消的方法中,基于神经网络技术的自适应对消方法,能有效抑制强大的始波、底面波等杂波,提取的信号没有出现异常波动和镜像现象,缺陷探测准确率高;算法稳健可靠,无病态问题;处理时间少,实时性强,利于线上线下实时检测。
Description
技术领域
本发明属于无损检测技术领域,具体涉及一种超声涡流信号的处理方法。
背景技术
无论是超声检测还是涡流检测,都属于无损检测,在冶金、机械、造船、造舰、航空航天、医学、核能等领域受到人们青睐,其中的缺陷信号提取技术受到广泛关注。这两种检测,要抑制的干扰成分多能量大,而缺陷信号能量小,缺陷数量、位置和特性不确定。超声信号中存在着强始波、侧面波和底面波等干扰信号,涡流信号同样强大的支撑结构干扰信号。传统的干扰对消方法难以同时将这些干扰信号对消干净,残余干扰会对被测体中的细小缺陷信号探测产生较大影响。
信号对消,最原始而又简单的方法是差分(相减)方法,这种方法适用于背景信息一致地情形。当背景信号不一致时,采用能量一致性处理然后再相减的方法有一定对消效果,但细小缺陷信息仍有可能被没有完全对消掉的干扰所淹没。文献1(王峰,傅有光,李明.基于稀疏矩阵计算的外辐射源多径杂波抑制算法[J].现代雷达,2011,33(11):49-51.)中基于LMS的递归对消(自适应滤波)由于前面分量无法定义导致始波对消效果差。
发明内容
本发明的目的是提供一种超声涡流信号自适应NNT对消方法,采用同一管材的历史超声涡流信号和现实超声涡流信号数据有效抑制干扰信号,显著提升超声检测和涡流检测对消性能。
本发明的技术方案如下:
一种超声涡流信号自适应NNT对消方法,该方法包括如下步骤:
1)确定要进行对消的信号H和被对消的信号R;
2)对对消信号H和被对消信号R零均值处理,相应结果记为zH和zR;
3)对zH和zR降噪,相应结果记为dzH和dzR;
4)构造自适应神经网络net;
5)对赋值后的网络net及dzH输入函数sim,得到输出信号Out;
6)将dzR与Out进行相减,确定超声涡流信号中的对消信号Flaw;
所述的步骤4)构造自适应神经网络net,具体为
4.1)定义初始网络结构;
4.2)利用下式确定长度相等的列向量w与行向量p之间的距离矩阵d=distm(w,p),并计算d=distm(dzH’,dzH),其中,dzH'为dzH的转置;
4.4)利用下式确定神经网络隐含层权值w1和偏差b1,以及输出层的权值w2和偏差b2;
隐含层权值w1=F';
中间变量X=C/[A;11×n];
输出层权值w2=X(:,1:n);
输出层偏差b2=X(:,n+1)。
4.5)将上述权值和偏差赋值给神经网络。
所述的步骤1)确定要进行对消的信号H和被对消的信号R,具体为
设定发射的超声信号是加三角窗的正弦波,构造两个超声信号参数,根据超声仪探伤A显一维信号特征,仿真对消信号和被对消信号。
本发明的显著效果如下:在超声涡流信号对消的方法中,基于神经网络技术的自适应对消方法,能有效抑制强大的始波、底面波等杂波,提取的信号没有出现异常波动和镜像现象,缺陷探测准确率高;算法稳健可靠,无病态问题;处理时间少,实时性强,利于线上线下实时检测。
附图说明
图1为本方法实施流程图;
图2为仿真的含高斯噪声的加窗正弦参考信号和现实信号;
图3为用于比较的理想缺陷信号及其小波去噪后的信号;
图4为本说明书提出的方法对图2构造的信号对消处理的效果;
图5为本说明书提出的方法去噪前后在不同SNR下对消比的变化;
图6为运用六种对消方法对图2构造的参考信号和现实信号处理的效果。
具体实施方式
下面通过附图及具体实施方式对本发明作进一步说明。
如图1所示,本方法的实施步骤如下:
步骤1)确定要进行对消和被对消的信号H和R,计算信号数据长度n。
算法验证,对消信号和被对消信号根据信号特征采用仿真构造的方式,具体方法将在实施例中详细介绍。实际数据对消,如扩展名为.txt的数据文件Data可运用Matlab程序读取,实现语句如下:load('Data.txt')。如果对消信号H和被对消信号R在数据阵的第i行和第j行,通过下列语句可以得到:H=Data(i,:);R=Data(j,:)。
步骤2)对消信号H和被对消信号R零均值处理,相应结果记为zH和zR。
步骤3)运用小波去噪技术对zH和zR降噪。这里用的是支撑长度为8的Daubechies对称小波,信号分解层数为3层,并用sqtwolog型硬阈值对分解的高频系数进行量化,结果记为dzH和dzR。
步骤4)至步骤8)是构造自适应神经网络的过程。
其中,步骤4)定义初始网络结构net,用Matlab语言刻画如下:
net=network(1,2,[1;1],[1;0],[0 0;1 0],[0 1]);
步骤5)根据距离函数distm定义(设d=distm(w,p),d(i,j)=|w(i,1)-p(1,j)|)计算d=distm(dzH’,dzH);
步骤7)运用激活函数RBF,代入dzH和dzR,求出神经网络隐含层和输出层的权值和偏差,即[w1,b1,w2,b2]=rbe(dzH,dzR)。其中w1=dzH',求中间变量x=dzH/[a;11×n],w2取x的前n列,b2取x的最后一列;
步骤8)给网络相关参数赋值:
net.inputs{1}.size=1;
net.layers{1}.size=n;
net.inputWeights{1,1}.weightFcn='dist';
net.layers{1}.netInputFcn='netprod';
net.layers{1}.transferFcn='radbas';
net.layers{2}.size=1;
net.outputs{2}.exampleOutput=dzH;
net.b{1}=b1;
net.iw{1,1}=w1;
net.b{2}=b2;
net.lw{2,1}=w2;
完成网络net设置。
步骤9)将赋值后的网络net及dzH输入函数sim,得到输出信号Out。
步骤10)将dzR与Out进行相减,求得缺陷信号Flaw。
实施例1
根据超声仪探伤A显一维信号特征,仿真对消信号和被对消信号,用仿真信号验证算法的有效性。假定发射的超声信号是加三角窗的正弦波,设置一个幅值较大的始波、两个幅值较小的缺陷(一个位于中端,另一个接近底波,波形部分与底波重叠)和一个幅值小于始波大于缺陷的底波信号。构造的两个超声信号参数如下表1。
表1仿真的对消信号和被对消信号参数
对消信号 | 被对消信号 | |
始波幅度/v | 1 | 1.9 |
底面波幅度/v | 0.5 | 0.95 |
缺陷1/v | 0 | 0.57 |
缺陷2/v | 0 | 0.38 |
数据序列长度 | 1024 | 1024 |
SNR | 26 | 26 |
波形 | 三角窗正弦波 | 三角窗正弦波 |
仿真的加窗正弦对消信号和被对消信号见图2。可以看出,仿真的加窗正弦对消信号和被对消信号不仅信号成分不一样,而且其幅度也不一致,简单地差分处理(相减)不会消除噪声,也不会完全消除始波和底面波等杂波,余下的杂波能量仍将大于缺陷信息。
出于对比的需要,将构造的含噪声的缺陷信号及其小波去噪后的缺陷信号给出,见图3。
根据实施例1构造的信号,运用本说明书提出的算法求解缺陷信号。首先依据步骤2)实施零均值化,得到zH和zR;接着依据步骤3)进行小波去噪,得到dzH和dzR;然后,定义网络函数初始值后,依据步骤4)至步骤8)将dzH和dzR代入激活函数rbe,求的网络函数所需权值和偏差等参数,并将这些参数赋值给网络,于是执行步骤9)得到网络输出Out,最后将dzR减去Out即可获得缺陷信息。
图4是运用上述方法得到的缺陷信号信息。对比图3,可以看出该方法能有效提取缺陷信息。
信号中杂波对消比与信噪比的关系。缺陷信息的保真用原始缺陷信号和对消后的缺陷信号之间的均方误差MSE刻画,杂波对消比CR指的是对消前后杂波功率(能量)比,即
这里,y为对消前的杂波,O为对消过程中网络的输出。显然,CR越大,MSE越小。因此,将前述实施例中的信噪比取0~60dB,间隔单位1dB,循环处理,将去噪前后CR随SNR变化的结果以图5表示。可以看出,在SNR低于30dB时,杂波对消比CR随SNR的增大而迅速提升,当SNR大于35dB,对消比CR逐渐趋于稳定,CR在36dB左右;对照去噪前后CR随SNR变化,可以看出,对于SNR低于30dB的信号,去噪可以提升SNR,从而提升了信号的对消比CR。对于SNR高于30dB的信号,去噪对于对消来说意义不大。
几种对消方法对消效果比较。
目前,基于LMS的自适应滤波技术、改进的变步长自适应滤波技术被广泛用于信号对消,这两种方法的缺陷是不能有效对消前端始波。在外辐射源雷达信号对消中,魏文斌提出的基于反卷积技术的非递归对消对于消除直达波具有明显效果,这里将其中三种反卷积技术:逆矩阵反卷积法、频域反卷积法、基于卷积的反卷积方法用于非递归对消。
采用实施例1构造的信号进行对消,对消效果参见图6。可以看出,以基于LMS和变步长的自适应滤波不仅不能很好地对消始波,重叠的底面波对消也不彻底,基于反卷积的非递归对消不仅对消后剩余信号存在明显波动,更主要的是存在明显镜像现象,而基于卷积的反卷积对消在这里产生了分母为零的病态问题,算法不稳定,只有基于DLNNT的自适应对消方法能够很好地抑制始波和底面波,缺陷信号被高保真地保留并提取出来。
这里给出除基于卷积的反卷积对消外的其它5个对消算法的客观评价指标参见表2。可以看出,本方法得到的缺陷信号与真实缺陷的均方误差最小;其杂波对消比最大,对消质量优于其它对消算法约2倍以上(3dB约为1倍);长度为1024的信号对消,耗时不到0.1s。客观评价指标与主观评价效果一致。
表2.几种对消算法的性能比较
Claims (2)
1.一种超声涡流信号自适应径向基函数神经网络对消方法,其特征在于,该方法包括如下步骤:
1)确定要进行对消的信号H和被对消的信号R,设对消信号H和被对消信号R在数据阵的第i行和第j行;
2)对对消信号H和被对消信号R零均值处理,相应结果记为zH和zR;
3)对zH和zR降噪,相应结果记为dzH和dzR;
4)构造自适应径向基函数神经网络net;
5)对赋值后的径向基函数神经网络net及dzH输入函数sim,得到输出信号Out;
6)将dzR与Out进行相减,确定超声涡流信号中的对消信号Flaw;
所述的步骤4)构造自适应径向基函数神经网络net,具体为
4.1)定义初始径向基函数神经网络结构;
4.2)定义长度相等的列向量w与行向量p之间的距离函数distm,设d=distm(w,p),d(i,j)=|w(i,1)-p(1,j)|,并计算d=distm(dzH’,dzH),其中,dzH'为dzH的转置;
4.4)利用下式确定神经网络隐含层权值w1和偏差b1,以及输出层的权值w2和偏差b2;
隐含层权值w1=dzH';
中间变量X=dzR/[A;11×n]
w2取X的前n列,b2取X的最后一列,即下式
输出层权值w2=X(:,1:n);输出层偏差b2=X(:,n+1);
4.5)将上述权值和偏差赋值给径向基函数神经网络。
2.如权利要求1所述的一种超声涡流信号自适应径向基函数神经网络对消方法,其特征在于:所述的步骤1)确定要进行对消的信号H和被对消的信号R,具体为
设定发射的超声信号是加三角窗的正弦波,构造两个超声信号参数,根据超声仪探伤显一维信号特征,仿真对消信号和被对消信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711446736.1A CN109977350B (zh) | 2017-12-27 | 2017-12-27 | 一种超声涡流信号自适应径向基函数神经网络对消方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711446736.1A CN109977350B (zh) | 2017-12-27 | 2017-12-27 | 一种超声涡流信号自适应径向基函数神经网络对消方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109977350A CN109977350A (zh) | 2019-07-05 |
CN109977350B true CN109977350B (zh) | 2023-01-24 |
Family
ID=67071687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711446736.1A Active CN109977350B (zh) | 2017-12-27 | 2017-12-27 | 一种超声涡流信号自适应径向基函数神经网络对消方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109977350B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102388659A (zh) * | 2009-02-20 | 2012-03-21 | 贝拉尔网络公司 | 多输入/多输出的无线网络中用于通信信息频率偏移的系统和方法 |
CN102621150A (zh) * | 2012-03-23 | 2012-08-01 | 南京航空航天大学 | 基于灰度共生矩阵和支持向量机的飞机蒙皮损伤识别方法 |
CN102724152A (zh) * | 2012-07-12 | 2012-10-10 | 西南交通大学 | 基于Laguerre结构的多项式自适应有源噪声对消方法 |
CN103760541A (zh) * | 2014-01-08 | 2014-04-30 | 华南理工大学 | 一种连续波探测干扰波形自适应对消方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9860078B2 (en) * | 2015-12-11 | 2018-01-02 | Futurewei Technologies, Inc. | Time domain ingress noise detection and cancellation |
-
2017
- 2017-12-27 CN CN201711446736.1A patent/CN109977350B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102388659A (zh) * | 2009-02-20 | 2012-03-21 | 贝拉尔网络公司 | 多输入/多输出的无线网络中用于通信信息频率偏移的系统和方法 |
CN102621150A (zh) * | 2012-03-23 | 2012-08-01 | 南京航空航天大学 | 基于灰度共生矩阵和支持向量机的飞机蒙皮损伤识别方法 |
CN102724152A (zh) * | 2012-07-12 | 2012-10-10 | 西南交通大学 | 基于Laguerre结构的多项式自适应有源噪声对消方法 |
CN103760541A (zh) * | 2014-01-08 | 2014-04-30 | 华南理工大学 | 一种连续波探测干扰波形自适应对消方法及装置 |
Non-Patent Citations (1)
Title |
---|
快速二维经验模态分解和相位追踪方法及其在导波无损检测中的应用;周义;《信息科技辑》;20150715;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109977350A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109557429A (zh) | 基于改进小波阈值去噪的gis局部放电故障检测方法 | |
CN109858408B (zh) | 一种基于自编码器的超声信号处理方法 | |
CN110926386A (zh) | 基于ceemd-改进小波阈值去噪的变压器绕组超声检测三维成像方法 | |
CN109581516B (zh) | 曲波域统计量自适应阈值探地雷达数据去噪方法及系统 | |
Zhou et al. | Robust noise attenuation based on nuclear norm minimization and a trace prediction strategy | |
CN111795931B (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 | |
CN112882115B (zh) | 基于gwo优化小波阈值的大地电磁信号去噪方法及系统 | |
CN112578471B (zh) | 一种探地雷达杂波噪声去除方法 | |
CN113864665B (zh) | 基于自适应ica和改进的rls滤波器的流体管道泄漏定位方法 | |
CN113887398A (zh) | 一种基于变分模态分解和奇异谱分析的gpr信号去噪方法 | |
CN105929029B (zh) | 一种用于sh导波无损检测技术中噪声处理方法 | |
CN117111155B (zh) | 一种基于集成框架的微地震数据去噪方法 | |
CN112528853B (zh) | 改进型双树复小波变换去噪方法 | |
CN110082436B (zh) | 一种基于变分模态的高提离电磁超声信号消噪方法 | |
CN109977350B (zh) | 一种超声涡流信号自适应径向基函数神经网络对消方法 | |
CN109724693A (zh) | 一种基于平稳小波的融合光谱去噪方法 | |
CN116522080A (zh) | 局部放电信号降噪方法 | |
CN107589453B (zh) | 一种信息熵滤波器与地震资料随机噪声衰减方法 | |
CN116401513A (zh) | 一种基于深度残差网络的磁共振工频谐波噪声抑制方法 | |
CN113375065B (zh) | 管道泄漏监测中趋势信号的消除方法及装置 | |
CN110703089B (zh) | 一种用于低频振荡Prony分析的小波阈值去噪方法 | |
CN110008633B (zh) | 基于人工智能深度神经网络的公路噪音压制方法及系统 | |
CN110837119B (zh) | 一种增强反q值补偿稳定性的地震资料处理方法及系统 | |
CN112711074B (zh) | 一种地震初至波的去噪方法及装置 | |
CN112363217A (zh) | 一种地震数据随机噪声压制方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |