CN114689700A - 一种基于栈式自编码器的低功率emat信号降噪方法 - Google Patents
一种基于栈式自编码器的低功率emat信号降噪方法 Download PDFInfo
- Publication number
- CN114689700A CN114689700A CN202210394315.3A CN202210394315A CN114689700A CN 114689700 A CN114689700 A CN 114689700A CN 202210394315 A CN202210394315 A CN 202210394315A CN 114689700 A CN114689700 A CN 114689700A
- Authority
- CN
- China
- Prior art keywords
- signal
- emat
- power
- encoder
- noise reduction
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B17/00—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations
- G01B17/02—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations for measuring thickness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提供了一种基于栈式自编码器的低功率EMAT信号降噪方法,首先在标准阶梯试件上采集低功率EMAT信号作为噪声信号。然后在标准阶梯试件上采集高功率EMAT信号,再用变分模态分解结合小波对其进行降噪,作为干净的参考信号。接着将降噪自编码器的结构进行改进:增加网络层数以提高特征提取效率;采用Adam算法优化网络参数;采用Relu算法规避梯度消失现象;采用logcosh以提高算法鲁棒性。然后将低功率EMAT信号作为噪声信号,与经过降噪预处理后的高功率EMAT信号组成训练数据集。本发明提供的算法在采用常规激励方法的前提下对25V激励电压的EMAT信号具有良好的降噪效果,平均信噪比在19dB以上,且试件厚度计算的相对误差均在0.3%以下。本发明首次完成对低功率EMAT信号的有效降噪。
Description
技术领域
本发明涉及对低功率EMAT信号降噪方法研究,借助sDAE(Stack DenoiseAutoencoder,栈式降噪自编码器)完成,对深入理解低功率EMAT信号的内在物理特性有很大帮助,同时经过降噪使低功率EMAT信号的特征更明显,适用于在防爆场景下使用低功率EMAT对金属材料属性(厚度、缺陷)的高效准确探测和评估。
背景技术
电磁超声检测技术作为一种新型的无损检测方法,其基本原理是基于EMAT(Electromagnetic Acoustic Transducer,电磁超声换能器)通过电磁学原理的方法在被测物体中产生超声波,然后基于超声波反射的原理实现对各种材料的检测。然而它本身也存在一定的缺点。电磁超声的发射及接收原理导致电磁超声的换能效率较低,往往在发射电压高达数百伏时,此时激励功率达到数KW,接收的原始回波信号幅值仅为μV级别。这导致回波信号的信噪比较低,而且过高的电压在易燃易爆等危险场合容易成为事故源,通常其中的电路需要工作在较低电压下,但低电压激励意味着更低的回波信号强度和信噪比。故电磁超声在低电压激励环境下的回波信号的信噪比较低,严重时甚至有效回波信号会被噪声淹没。为了保证回波信号中的有效成分具有足够大小的幅值,往往会增大增益,使得回波信号的幅值增大,以便于观察信号。但是在增大缺陷信号的同时也会使得信号中的噪声幅值增大,这同样会使得有效信号容易湮没在噪声信号中,不利于从回波信号中提取出被测物体的厚度、缺陷等信息。
现有的低功率EMAT信号降噪方法主要有以下几种:基于FPGA技术的EMAT系统也被设计用于检测低功率信号。L Kang等使用EMAT前置放大器和FPGA电路作为适配器对EMAT信号进行平均128次,在620mA下11V获得了令人满意的信噪比。但是,该系统缺少智能信号处理模块,导致对场景的适应性不足。编码激励也被用于提高低输入功率EMAT信号的SNR。Julio Isla等人提出用一个序列来激发EMAT,Isla J,Cegla F.Coded excitation forlow SNR pulse-echo systems:Enabling quasi-real-time low-power EMATs[C]//Ultrasonics Symposium.IEEE,2016,以获得4.5Vpp(小于0.4W)的干净EMAT信号。JulioIsla等人公开的Isla J,Celga F.The Use of Binary Quantization for theAcquisition of Low SNR Ultrasonic Signals:A Study of the Input Dynamic Range[J].IEEE Transactions on Ultrasonics,Ferroelectrics,and Frequency Control,2016,63(9):1474-1482,回顾二进制量化的理论后发现,在大多数实际情况下,当输入SNR为8dB或更少时,二进制量化降低降噪误差。Shashvat Jayakrishnan等人公开的Isla J,Celga F.The Use of Binary Quantization for the Acquisition of Low SNRUltrasonic Signals:A Study of the Input Dynamic Range[J].IEEE Transactions onUltrasonics,Ferroelectrics,and Frequency Control,2016,63(9):1474-1482,使用编码励磁方法保持能量恒定,并通过延长励磁时间来降低励磁功率,结果表明编码励磁方法可以显着降低工作电压要求100倍以上。
然而提高编码激励中低功率EMAT信号SNR的手段是传输最长的序列,且需要对不同的场景使用不同的编码方式,因此也存在场景适应性不足的问题;本发明提出一种针对低功率EMAT信号的自适应降噪方法,从而解决了场景适应性问题。
发明内容
本发明的目的是基于栈式降噪自编码器的方法对低功率EMAT信号完成有效降噪。
首先在分析降噪自编码器原理的基础上,研究低激励功率电磁超声信号降噪的流程。然后利用变分模态分解结合小波对高激励功率信号降噪,得到干净的信号;接着用低激励功率原始信号结合干净信号对降噪自编码器进行训练,调整网络参数,得到效果最佳的数值模型。最后用训练好的模型完成对低功率EMAT信号的降噪。
本发明技术方案为一种基于栈式自编码器的低功率EMAT信号降噪方法,具体包括以下步骤:
步骤1:确定用于训练栈式自编码器的干净信号;
首先在具有不同厚度的标准阶梯试件上以每种厚度20组的方式采集激励电压为750V的原始EMAT信号,即高功率原始EMAT信号;并且去掉信号前部的高频振荡部分和尾部的无效部分;然后归一化,最后采用变分模态分解结合小波的方式对激励电压为750V的原始EMAT信号进行降噪,使其成为干净信号,记为向量x={x1,x2,x3,…,xn},其中xi为信号采样点,其中n为采样点个数,i=1,2,3,…,n;
步骤2:确定用于训练栈式自编码器的噪声信号;
在具有不同厚度的标准阶梯试件上以每种厚度20组的方式采集激励电压为25V的原始EMAT信号,即低功率EMAT信号;并且去掉信号前部的高频振荡部分和尾部的无效部分作为噪声信号;然后按式(1)所示进行归一化;
步骤3:建立栈式自编码器的结构;
栈式自编码器输出层和输入层的神经元个数等于信号的采样点个数,采用‘Relu’函数作为激活函数,如式(2)
其次采用Adam算法优化训练栈式自编码器网络参数,然后,在最后一个dense层和输出层之间选用tanh作为激活函数,选用式(3)作为损失函数;
步骤4:制作数据集,对栈式自编码器进行训练;
根据栈式自编码器的结构,噪声信号和干净信号需要以数据对的形式组成训练集,即,
步骤5:用训练完毕的栈式自编码器对低功率EMAT信号进行降噪。
本发明提出的基于sDAE的降噪方法可以有效地完成低功率EMAT信号的降噪任务,并且用信噪比指标衡量了降噪效果,这为以后关于低功率EMAT信号的降噪研究工作的开展奠定了良好的基础。
附图说明
图1为基于sDAE的低功率EMAT信号降噪方法研究的流程图;
图2是降噪信号与不同激励电压下的原始信号的对比图;
图3是图2的图2投影;
图4是一组激励电压为25V的原始信号经过sDAE降噪之后的信噪比。
图5是改进的栈式自编码器网络结构图。
具体实施方式
本发明设计了一种基于栈式自编码器的低功率EMAT信号降噪方法。首先在标准阶梯试件上(厚度为48mm)采集100组激励电压为25V的原始信号作为噪声信号,记为并剔除信号前部的高频振荡部分,然后用同样的方法采集在厚度为48mm的阶梯试件上采集80组激励电压为750V的原始信号(如表1所示)并用变分模态分解结合小波的方法对其进行滤波作为干净的参考信号,记为x。降噪后用栈式自编码器降噪信号去计算标准阶梯试件的厚度;计算公式如(4)所示,TOF为波包之间的距离,厚度的单位为mm。
其信噪比对比如表2所示,说明变分模态分解结合小波能显著提升高功率EMAT信号信噪比
表1
表2
将剩下的20组噪声信号输入训练完毕的网络进行测试,得到的输出信号的平均信噪比27.258(dB),相比于原始25V激励电压的信噪比有了显著提升,其对比图如图2,图3所示
将同样的方法用在其他厚度的信号上,信噪比如表3所示
表3
分析:结合图2和图3,可以发现经过sDAE降噪后,25V激励电压的EMAT信号的信噪比已经明显高于于25V激励电压的原始EMAT信号。通过与750V激励电压的原始EMAT信号对比,说明在保留回波信号特征的基础上,栈式自编码器可以有效提高25V的EMAT信号的信噪比。接着,使用栈式自编码器的降噪信号计算厚度,结果如表4所示。最后,通过与经过变分模态分解结合小波降噪的25V激励电压的EMAT信号对比,可以得出结论,栈式自编码器能在保留回波信号特征的基础上不仅能有效提高低功率EMAT信号的信噪比,而且能较精准的计算厚度,降噪效果显著优于变分模态分解结合小波;通过以上,证明了算法的有效性。
表4。
Claims (1)
1.一种基于栈式自编码器的低功率EMAT信号降噪方法,具体包括以下步骤:
步骤1:确定用于训练栈式自编码器的干净信号;
首先在具有不同厚度的标准阶梯试件上以每种厚度20组的方式采集激励电压为750V的原始EMAT信号,即高功率原始EMAT信号;并且去掉信号前部的高频振荡部分和尾部的无效部分;然后归一化,最后采用变分模态分解结合小波的方式对激励电压为750V的原始EMAT信号进行降噪,使其成为干净信号,记为向量x={x1,x2,x3,…,xn},其中xi为信号采样点,其中n为采样点个数,i=1,2,3,…,n;
步骤2:确定用于训练栈式自编码器的噪声信号;
在具有不同厚度的标准阶梯试件上以每种厚度20组的方式采集激励电压为25V的原始EMAT信号,即低功率EMAT信号;并且去掉信号前部的高频振荡部分和尾部的无效部分作为噪声信号;然后按式(1)所示进行归一化;
步骤3:建立栈式自编码器的结构;
栈式自编码器输出层和输入层的神经元个数等于信号的采样点个数,采用‘Relu’函数作为激活函数,如式(2)
其次采用Adam算法优化训练栈式自编码器网络参数,然后,在最后一个dense层和输出层之间选用tanh作为激活函数,选用式(3)作为损失函数;
步骤4:制作数据集,对栈式自编码器进行训练;
步骤5:用训练完毕的栈式自编码器对低功率EMAT信号进行降噪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210394315.3A CN114689700B (zh) | 2022-04-14 | 2022-04-14 | 一种基于栈式自编码器的低功率emat信号降噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210394315.3A CN114689700B (zh) | 2022-04-14 | 2022-04-14 | 一种基于栈式自编码器的低功率emat信号降噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114689700A true CN114689700A (zh) | 2022-07-01 |
CN114689700B CN114689700B (zh) | 2023-06-06 |
Family
ID=82142165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210394315.3A Active CN114689700B (zh) | 2022-04-14 | 2022-04-14 | 一种基于栈式自编码器的低功率emat信号降噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114689700B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06138256A (ja) * | 1992-10-23 | 1994-05-20 | Nippon Tetorapotsuto Kk | 波浪自動観測装置 |
CN109598336A (zh) * | 2018-12-05 | 2019-04-09 | 国网江西省电力有限公司信息通信分公司 | 一种基于栈式降噪自编码神经网络的数据约简方法 |
CN110169768A (zh) * | 2019-07-08 | 2019-08-27 | 河北大学 | 一种心电信号的自动降噪方法 |
CN110474716A (zh) * | 2019-08-14 | 2019-11-19 | 安徽大学 | 基于降噪自编码器的scma编解码器模型的建立方法 |
CN111046824A (zh) * | 2019-12-19 | 2020-04-21 | 上海交通大学 | 一种时间序列信号高效去噪和高精度重构建模方法及系统 |
CN111046896A (zh) * | 2018-10-11 | 2020-04-21 | 中国人民解放军空军工程大学 | 一种跳频信号电台分选方法 |
CN111564160A (zh) * | 2020-04-21 | 2020-08-21 | 重庆邮电大学 | 一种基于aewgan的语音降噪的方法 |
CN111753789A (zh) * | 2020-07-01 | 2020-10-09 | 重庆邮电大学 | 基于堆栈式组合自编码器的机器人视觉slam闭环检测方法 |
CN111780696A (zh) * | 2020-07-14 | 2020-10-16 | 桂林电子科技大学 | 一种公路护栏立柱埋深及缺陷智能检测系统 |
US20220005603A1 (en) * | 2020-07-06 | 2022-01-06 | X Development Llc | De-noising task-specific electroencephalogram signals using neural networks |
DE202022100822U1 (de) * | 2022-02-14 | 2022-03-03 | Rajdeep Ghosh | Ein hybrides System zur automatischen Entfernung von Augenblinzel-Artefakten aus Elektroenzephalogrammsignalen |
CN114169368A (zh) * | 2021-11-26 | 2022-03-11 | 哈尔滨工程大学 | 一种基于信号降噪自编码器sde的信号降噪方法 |
CN114264724A (zh) * | 2021-12-23 | 2022-04-01 | 大连海洋大学 | 基于ceemdan联合小波包阈值的超声信号处理方法 |
-
2022
- 2022-04-14 CN CN202210394315.3A patent/CN114689700B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06138256A (ja) * | 1992-10-23 | 1994-05-20 | Nippon Tetorapotsuto Kk | 波浪自動観測装置 |
CN111046896A (zh) * | 2018-10-11 | 2020-04-21 | 中国人民解放军空军工程大学 | 一种跳频信号电台分选方法 |
CN109598336A (zh) * | 2018-12-05 | 2019-04-09 | 国网江西省电力有限公司信息通信分公司 | 一种基于栈式降噪自编码神经网络的数据约简方法 |
CN110169768A (zh) * | 2019-07-08 | 2019-08-27 | 河北大学 | 一种心电信号的自动降噪方法 |
CN110474716A (zh) * | 2019-08-14 | 2019-11-19 | 安徽大学 | 基于降噪自编码器的scma编解码器模型的建立方法 |
CN111046824A (zh) * | 2019-12-19 | 2020-04-21 | 上海交通大学 | 一种时间序列信号高效去噪和高精度重构建模方法及系统 |
CN111564160A (zh) * | 2020-04-21 | 2020-08-21 | 重庆邮电大学 | 一种基于aewgan的语音降噪的方法 |
CN111753789A (zh) * | 2020-07-01 | 2020-10-09 | 重庆邮电大学 | 基于堆栈式组合自编码器的机器人视觉slam闭环检测方法 |
US20220005603A1 (en) * | 2020-07-06 | 2022-01-06 | X Development Llc | De-noising task-specific electroencephalogram signals using neural networks |
CN111780696A (zh) * | 2020-07-14 | 2020-10-16 | 桂林电子科技大学 | 一种公路护栏立柱埋深及缺陷智能检测系统 |
CN114169368A (zh) * | 2021-11-26 | 2022-03-11 | 哈尔滨工程大学 | 一种基于信号降噪自编码器sde的信号降噪方法 |
CN114264724A (zh) * | 2021-12-23 | 2022-04-01 | 大连海洋大学 | 基于ceemdan联合小波包阈值的超声信号处理方法 |
DE202022100822U1 (de) * | 2022-02-14 | 2022-03-03 | Rajdeep Ghosh | Ein hybrides System zur automatischen Entfernung von Augenblinzel-Artefakten aus Elektroenzephalogrammsignalen |
Non-Patent Citations (4)
Title |
---|
李玮杰;杨威;黎湘;刘永祥;: "一种噪声环境下的雷达目标高分辨率距离像鲁棒识别方法" * |
李琳;: "无线电监测中调制信号特征提取算法" * |
陈炳初: "基于自编码器条件生成对抗网络的心电降噪方法研究" * |
陈维高;朱卫纲;唐晓婧;贾鑫;: "栈式降噪自编码器在波形单元识别中的应用" * |
Also Published As
Publication number | Publication date |
---|---|
CN114689700B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Michaels et al. | Detection of structural damage from the local temporal coherence of diffuse ultrasonic signals | |
RU2352930C1 (ru) | Способ уменьшения количества оцифрованных данных в зонде емат-"саламандра" | |
CN102183582B (zh) | 超声波无损检测装置及其方法 | |
Chen et al. | An adaptive Morlet wavelet filter for time-of-flight estimation in ultrasonic damage assessment | |
CN109649432B (zh) | 基于导波技术的云端平台钢轨完整性监测系统及方法 | |
CN111239246B (zh) | 一种分步筛选有效信号的曲面结构缺陷全聚焦成像方法 | |
CN110161119B (zh) | 风电叶片缺陷识别方法 | |
CN102692453A (zh) | 一种基于非线性声学的材料无损检测方法和装置 | |
CN114137079A (zh) | 一种基于深度学习和Duffing系统结合的超声导波无损检测方法 | |
CN114264724A (zh) | 基于ceemdan联合小波包阈值的超声信号处理方法 | |
Yang et al. | Parametric study on interply tracking in multilayer composites by analytic-signal technology | |
CN114689700B (zh) | 一种基于栈式自编码器的低功率emat信号降噪方法 | |
Giurgiutiu et al. | Comparison of short-time fourier transform and wavelet transform of transient and tone burst wave propagation signals for structural health monitoring | |
CN112014471B (zh) | 一种基于虚拟传感器的板结构多模态兰姆波拓扑梯度成像方法 | |
CN110082436B (zh) | 一种基于变分模态的高提离电磁超声信号消噪方法 | |
CN113219054B (zh) | 一种磁瓦内部缺陷检测装置及检测方法 | |
CN116953087A (zh) | 一种桥梁节段拼装施工质量智能检测方法 | |
JP4405821B2 (ja) | 超音波信号検出方法及び装置 | |
CN113091973B (zh) | 基于内部弹性波非线性特征的激光冲击强化实时监测方法 | |
CN114544765A (zh) | 一种基于深度学习的检测板状材料缺陷存在与位置的方法 | |
CN110568084B (zh) | 一种适用于导波换能器阵列的低信噪比导波信号达到时刻的提取方法 | |
Cheng et al. | Detection of Internal Defects Based on Empirical Mode Decomposition and Wavelets Denoising | |
Rodriguez et al. | Split Spectrum processing applications for new composite materials imaging | |
CN113640394A (zh) | 一种疲劳裂纹识别方法和系统 | |
CN112461930B (zh) | 一种混凝土内部缺陷成像方法、系统及存储介质 |
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 |