CN114323374A - 一种利用最小熵盲反卷积优化超声回波时差的方法 - Google Patents

Abstract

本发明提供一种利用最小熵盲反卷积优化超声回波时差的方法，包括以下步骤：采集开合模稳态时的拉杆回波信号；以采集到的回波信号作为输入，同时输入初始滤波器参数，计算得到特征信号；根据特征信号和回波信号，对滤波器参数进行迭代优化，得到设定迭代次数区间内的最优滤波器参数及最优特征信号；计算两个最优特征信号波峰之间的时间间隔，得到开合模超声回波的时间差。本发明的方法，保持了互相关法高精度的优势，综合了回波信号所有的时域信息，但无需人为划分初始波和终止波的具体范围，在超声‑应力数学模型的基础上，有助于压铸机拉杆应力测量自动化；此外，该方法对硬件设备没有太高的要求，对干涉波的分辨能力较强。

Description

一种利用最小熵盲反卷积优化超声回波时差的方法

技术领域

本发明属于优化方法技术领域，具体涉及一种利用最小熵盲反卷积优化超声回波时差的方法，该方法有助于实现压铸机拉杆应力测量自动化。

背景技术

近年来，由于压铸工艺具有高尺寸精度、高生产率和近净形等优点，在家用电器、汽车、船舶和航空航天等许多行业中，广泛用于制造金属部件。在汽车行业中，镁、铝等轻质合金材料被广泛用于减轻车身重量。压铸是加工轻质合金的重要技术。在压铸过程中，拉杆必须承受往复的交变应力。拉杆应力的大小可能会影响金属部件的质量。小的应力会产生毛边和几何精度差等缺陷，而大的应力会导致模具填充/保压过程中的排气不足，导致产生短射。传统上，压力设置在最高机器规格，这可能会导致额外的能源消耗。此外，拉杆上的重载不利于加工模具和机器本身的耐用性。因此，实时测量压铸过程中的应力具有重要意义，可为锁模力(合模结束时模板形成的模具锁紧力)的动态控制提供参考。

四个拉杆上的应力优化和载荷分布是评价压铸机性能的重要指标。压铸机载荷均匀分布，可以保证产品质量，保护模具和压铸机，延长模具和机器的使用寿命。压力测量是下一步调节的前提。传统的测量方法是用粘性应变片测量拉杆的应变，然后计算拉杆的应力。但应变片不易粘贴，通常只能使用一次。安装准备时间长达2～4小时。新开发的磁贴应变片利用磁力代替传统应变片的粘附，解决了一次性使用和安装时间长的问题。但是，应变片安装在模具和产品操作区，会阻碍模具的装卸和压铸件的收集。此外，在压铸过程中磁力会降低，从而影响测量精度。因此，它不适合在大负荷连续负荷产品的在线生产中进行长时间测量。仅适用于压铸机应力调试过程。

公开号为CN109470400B的专利，基于声弹性理论，提出了一种通过超声波手段间接测量注塑机型腔压力的方法，建立了超声速度与应力之间的数学模型σ＝K₁×Δt，其中，σ为拉杆应力，K₁为材料系数，Δt为两超声回波时间差。该专利是首次尝试在压铸机中通过超声波技术测量拉杆应力，通过超声波测量在线监测和测量高压压铸机拉杆应力水平对于工业4.0至关重要。超声波设备具有更强的抗干扰能力，以适应工业4.0下更高的温度和更恶劣的压铸环境。此外，超声波方法可以反转压铸的动态信息，有助于与控制器集成，指导压铸过程中的高效安全生产。因此，该测量方法具有精度高、重复性好、安装方便、无干扰、适用范围广、实时、无损、安全等优点。

然而在上述超声-应力的数学模型中，超声回波时间差Δt尚缺乏简单、高效的计算方法。目前常用的超声回波时间差计算方法有阈值法、互相关法等。如图1所示，阈值法需要人为设定阈值判断两波的一致位置，而阈值的设定往往需要靠经验，导致计算的精度不高；如图2所示，互相关法精度较高，但是需要人为划分回波的起始位置和终止位置，自动化测量困难。

发明内容

为解决现有技术中存在的问题，本发明提供一种利用最小熵盲反卷积优化超声回波时差的方法，该方法在保证高精度的基础上，无需先验回波信号，有助于超声速度测量自动化，进而有助于压铸机拉杆应力测量自动化。

一种利用最小熵盲反卷积优化超声回波时差的方法，包括以下步骤：

(1)采集开合模稳态时的拉杆回波信号；

(2)以采集到的回波信号作为输入，同时输入初始滤波器参数，计算得到特征信号；

(3)根据特征信号和回波信号，对滤波器参数进行设定次数的迭代优化，并得到设定迭代次数区间内的最优滤波器参数及最优特征信号；

(4)计算两个最优特征信号波峰之间的时间间隔，得到开合模超声回波的时间差。

上述操作步骤进行前，先连接实验设备，其中实验设备包括超声振荡发射仪、超声探头、示波器、PC等。超声探头选用磁吸式探头，并通过磁力安装在拉杆端面，防止对模具开合、产品操作产生影响，探头与拉杆之间涂有耦合剂，防止之间空气的作用导致超声信号衰减太大。

步骤(1)中采集得到的回波信号为矩阵数据。采集拉杆回波信号时的锁模力是由产品材料决定的，不同材料的产品对应的锁模力不同，可以根据实际材料的种类在压铸机最大锁模力范围内进行调整。

本发明的利用最小熵盲反卷积优化超声回波时差的方法，通过崤度最大化的原则，不断优化滤波器系数，最终得到迭代范围内的最佳滤波器参数与特征信号(反射率信号)。该方法在保证高精度的基础上，无需先验回波信号，有助于超声速度测量自动化。在压铸机拉杆应力测量过程中，基于声弹性理论，建立应力与超声回波时间差的关系(参考专利CN109470400B)。因此，本发明的利用最小熵盲反卷积优化超声回波时差的方法，有助于实现压铸机拉杆应力测量自动化。

作为优选，步骤(2)中，通过以下公式计算得到特征信号：

其中，y(t)表示特征信号；

表示滤波器参数；

表示回波信号；*表示卷积。

作为优选，步骤(3)中，通过以下公式对滤波器参数进行迭代：

其中，

表示滤波器参数；n＝1,2,…,N，N为回波信号矩阵的长度；y_n特征信号矩阵中的第n个数据；

式中，L表示滤波器尺寸大小；x_j表示回波信号矩阵中的一个数据，j＝1,2,...,N。

为了得到较佳的反卷积信号(特征信号)，作为优选，以崤度最大为目标，对迭代得到的滤波器参数进行优选，进而得到迭代次数区间内的最优滤波器参数和最优特征信号。

作为进一步优选，所述崤度(kurtosis)的表达式如下：

其中，n＝1,2,…,N，N为回波信号矩阵的长度；y_n表示特征信号矩阵中的第n个数据。

作为优选，步骤(4)中，采用以下公式计算得到开合模超声回波的时间差：

Δt＝Δx×dt

其中，Δt表示时间差；Δx表示两个波峰之间的采样点个数；dt表示采样时间间隔。

作为优选，设定迭代次数为20～40次。在保证崤度局部最大的同时尽可能减小计算量，设定迭代次数进一步优选为30次。即在对滤波器参数进行30次迭代优化后，以崤度最大为目标，在迭代30次得到的滤波器参数中寻找得到最优滤波器参数，进而计算得到最优特征信号。

作为优选，采用示波器采集回波信号。其中，示波器采样频率可根据实际情况进行设定。

目前，时间差的测量方法主要有门限法和互相关法，门限法通过设定起波阈值确定两回波之间的时间差，测量精度低；互相关法需先验估计区分两个回波，在测量过程中难以实现自动化。

本发明提出的利用最小熵盲反卷积优化超声回波时差的法，以最大崤度为优化目标，不断优化迭代滤波器系数提取特征波形，该方法无需先验回波，可实现回波的自动定位，测量精度高且自动化程度高，其具体理论过程如下：

根据声学波动方程，步骤(1)中采集到的回波信号可写成如下卷积模型：

x(t)＝w(t)*y(t)+n(t) (1)

其中，x(t)为接收回波(回波信号)，w(t)为发射波，n(t)为噪声，y(t)为反射率信号(特征信号)。

在超声回波信号的卷积模型中，最小熵盲反卷积算法的主要目的是寻找一个逆滤波器参数

使得输入信号

(回波信号)反卷积出反射率信号y(t)：

信号反卷积滤波可离散化为：

式中，y_n表示特征信号矩阵中的第n个数据；k＝1,2,……,L，L表示滤波器尺寸大小；n＝1,2,…,N，N表示回波信号矩阵的长度；f_k表示滤波器参数矩阵中的第k个参数。

公式(3)矩阵化表达式为：

其中，

式中，x_j表示回波信号矩阵中的一个数据，j＝1,2,...,N。

超声回波信号是由一个带限信号与一系列脉冲信号的卷积，可采用最小熵反卷积来获得反滤波器参数

其目标函数崤度(kurtosis)为：

若

最大化则可保证特征信号y_n的峰度最大，此时

对

的导数为0，即：

对公式(5)分子求导可得：

结合公式(3)式，上式化简可得：

对公式(5)分母求导可得：

目标函数崤度的导数为：

最终可得滤波器的参数为：

因此，根据式(10)迭代计算反滤波器参数

可得到满足最大稀疏性的反射率模型y(t)，其对应的两个脉冲响应中间层介质/第一层介质和中间层介质/最后一层介质在时间序列上的时间，可得到超声回波时间差Δt，并计算出超声速度c。上述方法理论推导严谨，综合利用了全部回波时域信息且无需先验信息，与门限法(阈值法)和互相关法相比，测量鲁棒性强、精度高且可实现自动化。

上述步骤(4)中，计算得到时间差后，可根据超声-应力的数学模型σ＝K₁×Δt计算得到对应的拉杆应力；式中，σ为拉杆应力，K₁为材料系数，Δt为两超声回波时间差。

同时，采用磁吸式应变计测量拉杆应力，并与上述计算得到的拉杆应力进行对比，以验证本发明的利用最小熵盲反卷积优化超声回波时差的方法得到的时间差的准确性。为了减小偶然误差，通过本发明的方法计算拉杆应力时，可以重复多次，得到多次的拉杆应力，后取平均值；同样，磁吸式应变计也测量同样次数的拉杆应力进而求取平均值与本发明的方法得到的拉杆应力的平均值进行对比。

除此之外，还可以采用精度较高的互相关法作为对照验证本发明方法的准确性。

本发明提出一种利用最小熵盲反卷积优化超声回波时差的方法，它通过稀疏化(崤度最大原则)提取最优特征回波，无需先验估计区分回波。在满足高精度的同时，有助于实现超声速度测量自动化，助力压铸机拉杆应力测量自动化。

与现有技术相比，本发明的有益效果为：

本发明的利用最小熵盲反卷积优化超声回波时差的方法，保持了互相关法高精度的优势，综合了回波信号所有的时域信息，但无需互相关法一样人为划分初始波和终止波的具体范围，在超声—应力数学模型的基础上，有助于压铸机拉杆应力测量自动化；此外，该方法对硬件设备没有太高的要求，对干涉波的分辨能力较强。

附图说明

图1为阈值法测量超声回波时间差原理图；

图2为互相关法测量超声回波时间差原理图；

图3为验证1中仿真设置的三层介质厚度的结构示意图；

图4为验证1中互相关法划分的仿真回波示意图；

图5中(a)为验证1中初始回波示意图；(b)为验证1中采用盲反卷积厚度特征波形示意图；

图6为验证2中仿真设置的三层介质厚度的结构示意图；

图7为验证2中互相关法划分的仿真回波示意图；

图8中(a)为验证2中初始回波示意图；(b)为验证2中采用盲反卷积厚度特征波形示意图；

图9为验证3中仿真设置的三层介质厚度的结构示意图；

图10为验证3中互相关法划分的仿真回波示意图；

图11中(a)为验证3中初始回波示意图；(b)为验证3中采用盲反卷积厚度特征波形示意图。

具体实施方式

测试前，先连接实验设备，其中实验设备包括超声振荡发射仪、超声探头、示波器、PC。

一种利用最小熵盲反卷积优化超声回波时差的方法，包括以下步骤：

(1)利用示波器分别采集开合模稳态时的拉杆回波信号；

(2)以采集到的回波信号作为输入，同时输入初始滤波器参数，并通过下式计算得到特征信号：

其中，y(t)表示特征信号；

表示滤波器参数；

表示回波信号；*表示卷积；

(3)根据特征信号和回波信号，对滤波器参数进行设定次数的迭代优化；后以崤度最大为优选原则，得到设定迭代次数区间内的最优滤波器参数及最优特征信号；

通过以下公式对滤波器参数进行迭代：

其中，

表示滤波器参数；n＝1,2,…,N，N为回波信号矩阵的长度；y_n表示特征信号矩阵中的第n个数据；

式中，L表示滤波器尺寸大小；x_j表示回波信号矩阵中的一个数据，j＝1,2,...,N；

设定迭代次数为30次；

崤度的表达式为：

其中，n＝1,2,…,N，N为回波信号矩阵的长度；y_n表示特征信号矩阵中的第n个数据；(4)计算两个最优特征信号波峰之间的时间间隔，得到开合模超声回波的时间差；采用以下公式计算得到开合模超声回波的时间差：

Δt＝Δx×dt

其中，Δt表示时间差；Δx表示两个波峰之间的采样点个数；dt表示采样时间间隔。

本实施例提出的利用最小熵盲反卷积优化超声回波时差的法，以最大崤度为优化目标，不断优化迭代滤波器系数提取特征波形，该方法无需先验回波，可实现回波的自动定位，测量精度高且自动化程度高，其具体理论过程如下：根据声学波动方程，步骤(1)中采集到的回波信号可写成如下卷积模型：

x(t)＝w(t)*y(t)+n(t) (1)

其中，x(t)为接收回波(回波信号)，w(t)为发射波，n(t)为噪声，y(t)为反射率信号(特征信号)。

在超声回波信号的卷积模型中，最小熵盲反卷积算法的主要目的是寻找一个逆滤波器参数

使得输入信号

(回波信号)反卷积出反射率信号y(t)：

信号反卷积滤波可离散化为：

式中，y_n表示特征信号矩阵中的第n个数据；k＝1,2,......,L，L表示滤波器尺寸大小；n＝1,2,…,N，N表示回波信号矩阵的长度；f_k表示滤波器参数矩阵中的第k个参数。

公式(3)矩阵化表达式为：

其中，

式中，x_j表示回波信号矩阵中的一个数据，j＝1,2,...,N。

超声回波信号是由一个带限信号与一系列脉冲信号的卷积，可采用最小熵反卷积来获得反滤波器参数

其目标函数崤度(kurtosis)为：

若

最大化则可保证特征信号y_n的峰度最大，此时

对

的导数为0，即：

对公式(5)分子求导可得：

结合公式(3)式，上式化简可得：

对公式(5)分母求导可得：

目标函数崤度的导数为：

最终可得滤波器的参数为：

因此，根据式(10)迭代计算反滤波器参数

可得到满足最大稀疏性的反射率模型y(t)，其对应的两个脉冲响应中间层介质/第一层介质和中间层介质/最后一层介质在时间序列上的时间，可得到超声回波时间差Δt，并计算出超声速度c。上述方法理论推导严谨，综合利用了全部回波时域信息且无需先验信息，与门限法(阈值法)和互相关法相比，测量鲁棒性强、精度高且可实现自动化。

本实施例利用仿真过程中间层声速结果来估算回波时间差的精度，与压铸机超声—应力数学模型中的时间差直接相关；

在利用K-wave仿真过程中，超声探头设置为收发一体式，仿真过程中参数设置如下：x与y方向的网格数目N_x＝N_y＝600，网格间距d_x＝d_y＝(1e-4/3)，采样频率i＝150e6，采样时间即为dt＝1/i。为防止近场效应的影响，超声探头位置距介质上表面一段距离，在介质四周设有PML层吸声，在本实施例中，上述仿真参数均为定值。

中间层超声波速度计算公式如下：

式中，d₂是中间层介质的厚度，由仿真参数中网格大小由网格数目N_y与间距d_y决定，即d₂＝N_y×d_y；h为中间层介质厚度占介质总厚度的比值，是一个可变参量；设置时的Δt是中间层与上下两层回波u₁和u₂之间的时间差，仿真过程中其表达式为Δt＝Δx×dt，其中Δx两个回波对应位置之间的采样点个数。Δx与反卷积提取两峰峰值对应的间隔相关，通过自动化计算两波之间峰值间隔Δx，回波时间差被精确测量。

初始化三层介质厚度分别被设置为d₁＝d₂＝d₃＝1/3D，仿真过程不断改变中间层介质厚度d₂模拟回波间隔不同的情况，三层介质的声速分别设置为c₁＝1000m/s,c₂＝3000m/s,c₃＝5000m/s。

得到仿真回波数据(回波信号)后，分别用互相关法与本实施例的最小熵盲反卷积法处理计算声速，最终计算结果与中间层设置的介质声速作对比。

验证1：三层介质厚度分别为：d₁＝d₂＝d₃＝1/3D

如图3所示，中间层厚度占介质总厚1/3，占比较大，模拟回波距离相距较远的情况。如图4所示，互相关法人为划定两个回波的位置分别为采样点183-717，843-1323。之后求取互相关系数，计算出中间层介质声速为2985.07m/s。如图5所示，通过盲反卷积将两回波信号u₁和u₂提取成最优特征信号u′₁和u′₂，根据最优特征信号之间的采样间隔Δx与式(12)计算中间层介质声速为2989.50m/s。两种方法都表现出较高的精度。

验证2：三层介质厚度分别为：1/2d₁＝d₂＝1/3d₃＝1/6D

如图6所示，中间层厚度占介质总厚1/6，占比适中，模拟回波距离适中的情况。如图7所示，互相关法人为划定两个回波的位置分别为采样点182-572，573-1043。之后求取互相关系数，计算出中间层介质声速为2958.60m/s。如图8所示，通过盲反卷积将两回波信号u₁和u₂提取成最优特征信号u′₁和u′₂，根据最优特征信号之间的采样间隔Δx与式(12)计算中间层介质声速为2958.58m/s。两种算法计算结果差距不大。

验证3：三层介质厚度分别为：1/4d₁＝d₂＝1/7d₃＝1/12D

如图9所示，中间层厚度占介质总厚1/12，占比较小，模拟回波干涉的情况。如图10所示，互相关法人为划定两个回波的位置分别为采样点182-447，447-812。之后求取互相关系数，计算出中间层介质声速为2907.00m/s。如图11所示，通过盲反卷积将两回波信号u₁和u₂提取成最优特征信号u′₁和u′₂，根据最优特征信号之间的采样间隔Δx与式(12)计算中间层介质声速为2906.97m/s。两种算法计算仍然差距不大，但当人为划分回波2为457-812时，声速计算得2577.3m/s，误差很大，表明互相关法对回波干涉情况分辨力较差。

综上，最小熵盲反卷积法保留了互相关法较高的精度，而且在回波干涉情况分辨力更强，无需先验回波位置，有助于实现超声速度与压铸机拉杆应力的测量自动化。

表1上述验证1～3中两种方法计算得到的中间层声速相对设置的中间层声速的精度对比

综上，当超声回波之间相距适中或较远时，互相关法与盲反卷积法表现出相当的精度，误差均控制在1.5％之内。而当超声回波之间相距较近时，上述两种方法得到的声速与设定声速的误差稍大，可能是因为两回波之间相距较近而产生干涉现象造成的；但互相关法的精度由于人为划分不精准性，导致误差较大(见验证3)，相比之下，本实施例的盲反卷积法在处理干涉波时分辨力较强，可以满足回波相近时的计算。以声速计算的精度来表征时间差精度较高，因此，本实施例的方法适用于压铸机拉杆应力的测量，并且无需人为划分波的位置，有助与拉杆应力测量自动化。

Claims (8)

1.一种利用最小熵盲反卷积优化超声回波时差的方法，其特征在于，包括以下步骤：

(1)采集开合模稳态时的拉杆回波信号；

(2)以采集到的回波信号作为输入，同时输入初始滤波器参数，计算得到特征信号；

(3)根据特征信号和回波信号，对滤波器参数进行设定次数的迭代优化，并得到设定迭代次数区间内的最优滤波器参数及最优特征信号；

(4)计算两个最优特征信号波峰之间的时间间隔，得到开合模超声回波的时间差。

2.根据权利要求1所述的利用最小熵盲反卷积优化超声回波时差的方法，其特征在于，步骤(2)中，通过以下公式计算得到特征信号：

其中，y(t)表示特征信号；

表示滤波器参数；

表示回波信号；*表示卷积。

3.根据权利要求1所述的利用最小熵盲反卷积优化超声回波时差的方法，其特征在于，步骤(3)中，通过以下公式对滤波器参数进行迭代：

其中，

表示滤波器参数；n＝1,2,…,N，N为回波信号矩阵的长度；y_n表示特征信号矩阵中的第n个数据；T表示转置；

式中，L表示滤波器尺寸大小；x_j表示回波信号矩阵中的一个数据，j＝1,2,...,N。

4.根据权利要求1所述的利用最小熵盲反卷积优化超声回波时差的方法，其特征在于，以崤度最大为目标，对迭代得到的滤波器参数进行优选，进而得到迭代次数区间内的最优滤波器参数和最优特征信号。

5.根据权利要求4所述的利用最小熵盲反卷积优化超声回波时差的方法，其特征在于，所述崤度(kurtosis)的表达式如下：

其中，n＝1,2,…,N，N为回波信号矩阵的长度；y_n表示特征信号矩阵中的第n个数据。

6.根据权利要求1所述的利用最小熵盲反卷积优化超声回波时差的方法，其特征在于，步骤(4)中，采用以下公式计算得到开合模超声回波的时间差：

Δt＝Δx×dt

其中，Δt表示时间差；Δx表示两个波峰之间的采样点个数；dt表示采样时间间隔。

7.根据权利要求1所述的利用最小熵盲反卷积优化超声回波时差的方法，其特征在于，设定迭代次数为20～40次。

8.根据权利要求1所述的利用最小熵盲反卷积优化超声回波时差的方法，其特征在于，采用示波器采集回波信号。

Images