CN112858461A - 一种基于优化变分模态分解的巴克豪森信号消噪方法 - Google Patents
一种基于优化变分模态分解的巴克豪森信号消噪方法 Download PDFInfo
- Publication number
- CN112858461A CN112858461A CN202110137236.XA CN202110137236A CN112858461A CN 112858461 A CN112858461 A CN 112858461A CN 202110137236 A CN202110137236 A CN 202110137236A CN 112858461 A CN112858461 A CN 112858461A
- Authority
- CN
- China
- Prior art keywords
- decomposition
- signal
- barkhausen
- modal
- method based
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 14
- 239000003302 ferromagnetic material Substances 0.000 claims abstract description 12
- 241000272168 Laridae Species 0.000 claims description 26
- 241000272161 Charadriiformes Species 0.000 claims description 23
- 230000005291 magnetic effect Effects 0.000 claims description 6
- 239000000523 sample Substances 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 230000005381 magnetic domain Effects 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 230000004083 survival effect Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 230000005307 ferromagnetism Effects 0.000 claims 1
- 238000005065 mining Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 230000005294 ferromagnetic effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 241000271566 Aves Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001617 migratory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
- G01N27/725—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables by using magneto-acoustical effects or the Barkhausen effect
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开一种基于优化变分模态分解的巴克豪森信号消噪方法,其步骤包括:1、搭建检测系统,获取铁磁性材料的巴克豪森信号;2、通过海鸥算法,以幅值熵作为适应度函数,优化变分模态分解中所需设定的分解层数K和二次惩戒因子α;3、得到最佳分解层数K和二次惩戒因子α后,将巴克豪森信号进行变分模态分解处理,获得K个模态的分解信号;4、在得到的K个模态分量中去除噪声分量后进行信号重构,实现信号去噪。本发明基于优化变分模态分解的巴克豪森信号消噪方法得到的铁磁性巴克豪森信号,大大减少计算机运行时间,精确找到最佳分解参数,降低了铁磁性材料巴克豪森信号的均方根误差,提高信噪比,去噪效果明显。
Description
技术领域
本发明属于无损检测信号处理领域,更确切的说,涉及一种基于优化变分模态分解的巴克豪森信号消噪方法。
技术背景
目前铁磁性材料在铁路钢轨、输油管道、钢板压力容器等重大特种设备工程结构中使用十分广泛,而这些关键部件的结构性能及安全状态直接影响着设备的运行、国家经济的健康发展和人民的生命及财产安全。铁磁性材料受到载荷应力、温度应力、残余应力等因素影响会产生缺陷,甚至是裂纹和断裂,造成严重的后果,为了保证设备的使用,需要对其进行检测。
无损检测技术是在不损害工件性能和完整性的前提下完成的,检测金属工件的某些物理特性和组织形态,检测相关物理量,识别金属构建表面和构件内部缺陷,在产品质量控制和在役检验中有着独一无二的作用,它还在预测寿命等方面也崭露头角。采用电磁无损检测技术对铁磁性材料设备进行检测,可补充理化检测的局限性,一定程度上保障产品品质,进一步降低安全事件发生的概率,在很大程度上能够减少事件的损失。
然而,电磁无损检测技术采集到的巴克豪森信号产生于材料内部的磁畴翻转与磁畴壁的摩擦,信号能量较低,在对铁磁性材料设备进行检测中,不可避免地受到外部环境的干扰,导致采集到的巴克豪森信号掺夹着噪声,难以进行后续处理。因此,需要对铁磁性材料研究一种有效的巴克豪森信号消噪方法。
发明内容
针对上述背景技术内容在对铁磁性材料设备进行检测中,不可避免地受到外部环境的干扰,导致采集到的巴克豪森信号掺夹着噪声,难以进行后续处理的问题,本发明的主旨在于通过一种基于优化变分模态分解的巴克豪森信号消噪方法,有效去除噪声,提高巴克豪森信号的信噪比,方便后续处理。
一种基于优化变分模态分解的巴克豪森信号消噪方法,其步骤包括:
S1、搭建检测系统,获取铁磁性材料的巴克豪森信号;
S2、通过海鸥算法,以幅值熵作为适应度函数,优化变分模态分解中所需设定的分解模态个数K和二次惩戒因子α;
S3、得到最佳分解模态个数K和二次惩戒因子α后,将巴克豪森信号进行变分模态分解处理,获得K个模态的分解信号;
S4、在得到的K个模态分量中去除噪声分量后进行信号重构,实现信号去噪。
优选地,步骤2中优化变分模态分解中所需设定的分解模态个数K和二次惩戒因子α的评判标准为幅值熵。所述幅值熵公式如下:
式中:Li为模态分量ui的幅值谱;Hi为模态分量ui的幅值谱熵;N为模态分量的长度。
优选地,步骤2所述的海鸥算法为群智能优化算法,其建模理念如下:
(1)在迁徙过程中,它们会结伴而行。为了避免海鸥之间的碰撞,海鸥的初始位置不同。
(2)在一群海鸥中,海鸥会向着最适合生存的方向行进,或者说,是跟着相对于其他海鸥而言适应性值较低的海鸥前进。
(3)根据最适合的海鸥的位置,其他海鸥会更新他们的初始位置。
优选地,步骤2所述的海鸥算法的攻击行为(挖掘搜索)在x,y,z平面上呈螺旋状。公式如下:
x′=r×cos(k)
y′=r×sin(k)
z′=r×k
r=u×ekv
其中r为螺旋每一圈的半径,k为[0≤k≤2π]范围内的随机数。u和v是定义螺旋形的常数,e是自然对数的底数。
优选地,步骤3中变分模态分解采用的分解模态个数和二次惩戒因子α为海鸥算法优化后得到的结果数值。
优选地,步骤1中的检测系统包括计算机、赫姆霍兹线圈、巴克豪森检测探头、磁弹仪、信号采集卡组成,赫姆霍兹线圈产生变化的磁场,铁磁性材料内部的畴壁和磁畴方向会由于外加磁场而产生位移和翻转。这种磁畴变化导致材料内部产生电脉冲信号,被连接在磁弹仪上的巴克豪森检测探头接收,由信号采集卡采集记录,并借由搭载在计算机上的处理软件进行消噪处理。
本发明的优点在于:
(1)与单一的信号处理方式比较,本发明基于优化变分模态分解的消噪方法能够节省人力物力,解决了只凭经验输入参数导致的消噪效果不佳的问题,能快速、有效地提高巴克豪森信号的信噪比,方便后续处理。
(2)本发明采用的变分模态分解是将信号分解转化成对变分问题的求解,利用变分问题的最优解确定本征模态函数的中心频率及带宽,将信号分解成数个中心频率不同的本征模态函数。相比较于目前常用的经验模态分解方法,变分模态分解能够有效避免经验模态分解方法中的过分解和模态混叠现象。
(3)为了优化上述变分模态分解,本发明基于海鸥算法对变分模态分解参数进行优化,海鸥经常攻击在海上迁徙的候鸟,当它们从一个地方迁移到另一个地方,它们可以在攻击时做出螺旋形的自然运动,这些行为可以用一种与适应度函数相关联的方式来描述,本发明选取幅值谱熵值作为海鸥算法的适应度函数,通过海鸥算法不停地迭代,所有海鸥会向着最适合生存的方向螺旋前进,并将单只海鸥搜寻到的适应度极值与整个海鸥种群里的其他海鸥共享,找到最优的那个个体适应度极值作为整个海鸥种群的当前全局最优解,所有海鸥会根据当前最优解位置调整自己的速度与半径,向着当前全局最优解的方向螺旋前进,直到找到最优的变分模态分解的惩罚因子α和模态分解个数K值。
(4)得到最优解后,使用优化参数组合[α,K]的变分模态分解来处理磁声发射信号,最后在得到的K个模态分量中去除噪声分量后进行信号重构。结果表明,基于此方法对巴克豪森信号去噪效果明显,在时域上和频域上能够有效保留信号信息,降低信号均方根误差,提高信噪比,效果最佳。
附图说明
图1为基于优化变分模态分解的巴克豪森信号消噪方法流程图;
图2为基于优化变分模态分解的巴克豪森信号消噪方法示意图;
图3为本发明提供的巴克豪森信号图例;
图4为重构消噪后的巴克豪森信号图例;
图5a为巴克豪森信号经过优化变分模态分解后的模态一图例;
图5b为巴克豪森信号经过优化变分模态分解后的模态二图例;
图5c为巴克豪森信号经过优化变分模态分解后的模态三图例;
图5d为巴克豪森信号经过优化变分模态分解后的模态四图例;
图5e为巴克豪森信号经过优化变分模态分解后的模态五图例。
具体实施方式
结合实施例说明本发明的具体技术方案。
如图1所示,基于优化变分模态分解的巴克豪森信号消噪方法,包括以下步骤:
S1、搭建检测系统,获取铁磁性材料的巴克豪森信号。
如图2所示,电磁检测系统包括计算机11、赫姆霍兹线圈12、巴克豪森检测探头22、磁弹仪13、信号采集卡12组成,由赫姆霍兹线圈12产生变化的磁场,铁磁性内部的畴壁和磁畴方向会由于外加磁场而产生位移和翻转。这种磁畴变化导致材料内部产生电脉冲信号,被连接在磁弹仪13上的巴克豪森检测探头22接收,由信号采集卡采集记录,并借由搭载在计算机11上的处理软件进行消噪处理。
S2、通过海鸥算法,以幅值熵作为适应度函数,优化变分模态分解中所需设定的分解层数K和二次惩戒因子α,通过海鸥算法不停地迭代,所有海鸥会向着最适合生存的方向螺旋前进,并将单只海鸥搜寻到的适应度极值与整个海鸥种群里的其他海鸥共享,找到最优的个体适应度极值作为整个海鸥种群的当前全局最优解,所有海鸥会根据当前最优解位置调整自己的速度与半径,向着当前全局最优解的方向螺旋前进,直到找到最优的变分模态分解的惩罚因子α和模态分解个数K值。
在该步骤中,优化变分模态分解中所需设定的分解模态个数K和二次惩戒因子α的评判标准为幅值熵。所述幅值熵公式如下:
式中:Li为模态分量ui的幅值谱;Hi为模态分量ui的幅值谱熵;N为模态分量的长度。
在该步骤中所述的海鸥算法为群智能优化算法,其建模理念如下:
(1)在迁徙过程中,它们会结伴而行。为了避免海鸥之间的碰撞,海鸥的初始位置不同。
(2)在一群海鸥中,海鸥会向着最适合生存的方向行进,或者说,是跟着相对于其他海鸥而言适应性值较低的海鸥前进。
(3)根据最适合的海鸥的位置,其他海鸥会更新他们的初始位置。
在该步骤中所述的海鸥算法的攻击行为(挖掘搜索)在x,y,z平面上呈螺旋状。公式如下:
x′=r×cos(k)
y′=r×sin(k)
z′=r×k
r=u×ekv
其中r为螺旋每一圈的半径,k为[0≤k≤2π]范围内的随机数。u和v是定义螺旋形的常数, e是自然对数的底数。
S3、得到最佳分解模态个数K和二次惩戒因子α后,将巴克豪森信号进行变分模态分解处理,获得K个模态的分解信号。该步骤获得如图5a、5b、5c、5d、5e所示经过优化变分模态分解后的五个模态图。
S4、在得到的K个模态分量中去除噪声分量后进行信号重构,得到图4所示图例,横坐标代表时间,纵坐标代表信号的幅值。由图4和图3的对比,可以看出此方法对巴克豪森信号去噪效果明显,能够有效保留信号信息,说明本方法对铁磁性材料构件的巴克豪森信号消噪方法是可行的
以上说明仅描绘了本发明创造的较优实施方案,但在不脱离本发明原理和精神的前提下,有着各种变化和改动,本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种基于优化变分模态分解的巴克豪森信号消噪方法,其特征在于:
S1、搭建检测系统,获取铁磁性材料的巴克豪森信号;
S2、通过海鸥算法,以幅值熵作为适应度函数,优化变分模态分解中所需设定的分解模态个数K和二次惩戒因子α;
S3、得到最佳分解层数K和二次惩戒因子α后,将巴克豪森信号进行变分模态分解处理,获得K个模态的分解信号;
S4、在得到的K个模态分量中去除噪声分量后进行信号重构,实现信号去噪。
3.根据权利要求1所述的一种基于优化变分模态分解的巴克豪森信号消噪方法,其特征在于,步骤S2所述的海鸥算法为群智能优化算法,其建模理念如下:
(1)在迁徙过程中,它们会结伴而行,为了避免海鸥之间的碰撞,海鸥的初始位置不同;
(2)在一群海鸥中,海鸥会向着最适合生存的方向行进,或者说,是跟着相对于其他海鸥而言适应性值较低的海鸥前进;
(3)根据最适合的海鸥的位置,其他海鸥会更新它们的初始位置。
4.根据权利要求1所述的一种基于优化变分模态分解的巴克豪森信号消噪方法,其特征在于,步骤S2所述的海鸥算法的攻击行为即挖掘搜索在x,y,z平面上呈螺旋状;公式如下:
x′=r×cos(k)
y′=r×sin(k)
z′=r×k
r=u×ekv
其中r为螺旋每一圈的半径,k为[0≤k≤2π]范围内的随机数;u和v是定义螺旋形的常数,e是自然对数的底数。
5.根据权利要求1所述的一种基于优化变分模态分解的巴克豪森信号消噪方法,其特征在于,步骤S3中变分模态分解采用的分解层数和二次惩戒因子α为海鸥算法优化后得到的结果数值。
6.根据权利要求1所述的一种基于优化变分模态分解的巴克豪森信号消噪方法,其特征在于,步骤S1中的检测系统包括计算机、赫姆霍兹线圈、巴克豪森检测探头、磁弹仪、信号采集卡组成,由赫姆霍兹线圈产生变化的磁场,铁磁性内部的畴壁和磁畴方向会由于外加磁场而产生位移和翻转;这种磁畴变化导致材料内部产生电脉冲信号,被连接在磁弹仪上的巴克豪森检测探头接收,由信号采集卡采集记录,并借由搭载在计算机上的处理软件进行消噪处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110137236.XA CN112858461A (zh) | 2021-02-01 | 2021-02-01 | 一种基于优化变分模态分解的巴克豪森信号消噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110137236.XA CN112858461A (zh) | 2021-02-01 | 2021-02-01 | 一种基于优化变分模态分解的巴克豪森信号消噪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112858461A true CN112858461A (zh) | 2021-05-28 |
Family
ID=75986968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110137236.XA Pending CN112858461A (zh) | 2021-02-01 | 2021-02-01 | 一种基于优化变分模态分解的巴克豪森信号消噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112858461A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393031A (zh) * | 2021-06-11 | 2021-09-14 | 沈阳工程学院 | 基于海鸥优化算法的园区综合能源系统多阶段规划方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103850634A (zh) * | 2014-03-19 | 2014-06-11 | 北京工业大学 | 具有防雾霾及降噪功能的可置换式双层百叶窗 |
WO2015065371A1 (en) * | 2013-10-30 | 2015-05-07 | Halliburton Energy Services, Inc. | Apparatus and method of processing multi-component induction data |
CN111344563A (zh) * | 2017-09-12 | 2020-06-26 | 特纳瑞斯连接有限公司 | 管道检查 |
CN111734961A (zh) * | 2020-06-24 | 2020-10-02 | 东北石油大学 | 一种天然气管道泄漏检测方法 |
-
2021
- 2021-02-01 CN CN202110137236.XA patent/CN112858461A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015065371A1 (en) * | 2013-10-30 | 2015-05-07 | Halliburton Energy Services, Inc. | Apparatus and method of processing multi-component induction data |
CN103850634A (zh) * | 2014-03-19 | 2014-06-11 | 北京工业大学 | 具有防雾霾及降噪功能的可置换式双层百叶窗 |
CN111344563A (zh) * | 2017-09-12 | 2020-06-26 | 特纳瑞斯连接有限公司 | 管道检查 |
CN111734961A (zh) * | 2020-06-24 | 2020-10-02 | 东北石油大学 | 一种天然气管道泄漏检测方法 |
Non-Patent Citations (4)
Title |
---|
句海洋 等: "改进VMD钢质管道损伤信号提取算法研究", 《中国测试》, vol. 46, no. 5, pages 100 - 107 * |
史国军 等: "基于变分模态分解的储油罐壁漏磁检测的研究", 《化工自动化及仪表》, vol. 45, no. 7, pages 517 - 528 * |
杨宗林 等: "参数优化VMD在爆破振动信号分析中的应用", 《中北大学学报(自然科学版)》, vol. 41, no. 5, pages 467 - 473 * |
蒋丽英 等: "基于PSO-VMD的齿轮特征参数提取方法研究", 《设计与研究》, pages 65 - 71 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393031A (zh) * | 2021-06-11 | 2021-09-14 | 沈阳工程学院 | 基于海鸥优化算法的园区综合能源系统多阶段规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102832908B (zh) | 基于小波变换与变步长lms自适应滤波的信号降噪方法 | |
CN102998706B (zh) | 一种衰减地震数据随机噪声的方法及系统 | |
CN109828318B (zh) | 一种基于变分模态分解的磁共振测深信号噪声滤除方法 | |
CN110057586B (zh) | 轴承故障振动信号Schatten改进小波包与重构降噪方法 | |
CN110045002B (zh) | 磁声发射信号无量纲特征参数提取方法 | |
CN107315991B (zh) | 一种基于小波阈值去噪的ifra频响曲线去噪方法 | |
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 | |
CN108983287B (zh) | 一种基于凸集投影算法的曲波变换反假频地震数据重建方法 | |
CN107167802A (zh) | 一种基于超宽带雷达的呼吸信号检测算法 | |
CN112539887A (zh) | 一种基于wt-lcd-wd的管道泄漏信号去噪方法 | |
Lin et al. | Optimized denoising method for weak acoustic emission signal in partial discharge detection | |
CN112858461A (zh) | 一种基于优化变分模态分解的巴克豪森信号消噪方法 | |
Xiao et al. | Research on fault feature extraction method of rolling bearing based on NMD and wavelet threshold denoising | |
CN115017940B (zh) | 一种基于经验模态分解与1(1/2)谱分析的目标检测方法 | |
CN115628863A (zh) | 一种基于参数优化变分模态分解的流体管道泄漏检测方法 | |
CN116942125A (zh) | 基于ngo-vmd算法的uwb生命体征信号检测方法 | |
Hao et al. | An automated GPR signal denoising scheme based on mode decomposition and principal component analysis | |
Ren et al. | Shaking noise elimination for detecting local flaw in steel wire ropes based on magnetic flux leakage detection | |
CN111380680A (zh) | 一种基于改进排列熵的单向阀故障特征提取方法 | |
Ghaderi et al. | Fourier transform and correlation-based feature selection for fault detection of automobile engines | |
CN108195932B (zh) | 一种飞行器管路损伤超声导波定量评估方法 | |
US20230384268A1 (en) | Method for detecting fatigue crack in structure using long short-term memory network-based spectral noise reduction and nonlinear ultrasonic modulation, and system therefor | |
CN115436470A (zh) | 一种管道裂纹精准定位方法、系统、终端及其存储介质 | |
Wu et al. | A novel denoising method for non‐linear and non‐stationary signals | |
Wang et al. | A multiscale local pattern filtering method for noise mode identification of dynamic signals in bridges |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210528 |
|
RJ01 | Rejection of invention patent application after publication |