CN115840879A - 一种增材制造构件超声检测回波信号处理方法及系统 - Google Patents

一种增材制造构件超声检测回波信号处理方法及系统 Download PDF

Info

Publication number
CN115840879A
CN115840879A CN202211331242.XA CN202211331242A CN115840879A CN 115840879 A CN115840879 A CN 115840879A CN 202211331242 A CN202211331242 A CN 202211331242A CN 115840879 A CN115840879 A CN 115840879A
Authority
CN
China
Prior art keywords
whale
signal
decomposition
optimal
vmd
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
Application number
CN202211331242.XA
Other languages
English (en)
Inventor
陈曦
黄松
周海波
邬冠华
吴伟
陈昊
敖波
邱发生
吴凌峰
刘玲玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanchang Hangkong University
Original Assignee
Nanchang Hangkong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanchang Hangkong University filed Critical Nanchang Hangkong University
Priority to CN202211331242.XA priority Critical patent/CN115840879A/zh
Publication of CN115840879A publication Critical patent/CN115840879A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/25—Process efficiency

Landscapes

  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明公开一种增材制造构件超声检测回波信号处理方法及系统，涉及增材制造构件超声检测信号处理技术领域，方法包括：根据VMD分解参数的范围对超声检测回波信号进行VMD分解，利用鲸鱼优化算法优化VMD分解参数；根据优化得到的最优VMD分解参数对超声检测回波信号进行VMD分解；计算分解得到的每个模态分量信号与超声检测回波信号之间的相关系数；根据各相关系数对所有模态分量信号进行筛选，得到相关模态分量信号；对相关模态分量信号进行重构，得到重构信号；利用小波去噪方法对重构信号降噪，得到降噪后的超声检测回波信号。本发明能够实现VMD对超声信号缺陷回波在有效去除噪声信号的同时，更大程度上保留有用信号。

Description

一种增材制造构件超声检测回波信号处理方法及系统
技术领域
本发明涉及增材制造构件超声检测信号处理技术领域，特别是涉及一种增材制造构件超声检测回波信号处理方法及系统。
背景技术
超声检测技术检测结果精确与否的关键在于获取的超声回波信号(超声信号缺陷回波)是否信噪比高，尤其是在材料对超声波衰减较大而产生杂波较多的情况下。在对选区激光融化(Selective Laser Melting，SLM)GH4169高温合金构件进行超声检测过程中回波中噪声大，有用信号被噪声所淹没，造成了检测困难，限制超声检测灵敏度的原因之一就是回波中携带噪声的干扰。
信号降噪问题是数字信号处理领域的经典问题，经典降噪处理一般是从频域或时域出发对信号进行滤波。在现代数字信号处理过程中，对原始信号分解成多个模态，再对每个模态分别进行滤波等操作，最后再进行信号重构是一种常用的方法。经验模态分解(Empirical Mode Decomposition，EMD)是Huang等人在1998年提出的一种信号分解算法，算法能将时域信号按照不同的频域子带分解为多个本征模态函数(IMF)和一个残余量r的累加和形式。EMD算法缺乏严格的数学定义，易产生模态混叠和端点效应。为了改进EMD的缺点，Wu等人提出了基于噪声驱动分析方法的改进型EMD，这种改进型的算法被称为集合经验模态分解(EEMD)，该算法在EMD的基础上引入了高斯白噪声，但其数学理论不严格，处理效率不高且会产生残差噪声。此外还有噪声辅助分析算法(CEEMD)和其改进版，虽然这些算法能够抑制模态混叠和减小重构误差等优点，但仍存在不足。
变分模态分解(VMD)是一种有严格数学定义的、自适应的、非递归的全新的信号分解算法，其与EMD不同，VMD将IMF重新定义为不同中心频率且为有限带宽的振动模态函数，并将最小优化问题转化为变分问题，能够更好地去除信号中的噪声成分。虽然VMD方法具有一定的优点，但VMD分解参数主观设置，缺乏科学性，往往不能得到较好的分解结果，且在分解后得到的固有模态函数中，一部分含有噪声的模态难以辨别，这给信号降噪带来了巨大的难题。基于此，如何实现VMD对超声信号缺陷回波在有效去除噪声信号的同时，更大程度上保留有用信号，成为本领域技术人员亟待解决的问题。
发明内容
本发明的目的是提供一种增材制造构件超声检测回波信号处理方法及系统，从而实现VMD对超声信号缺陷回波在有效去除噪声信号的同时，更大程度上保留有用信号。
为实现上述目的，本发明提供了如下方案：
一种增材制造构件超声检测回波信号处理方法，所述方法包括：
获取超声检测回波信号；
获取VMD分解参数的范围；
根据所述VMD分解参数的范围对所述超声检测回波信号进行VMD分解，利用鲸鱼优化算法优化VMD分解参数，得到最优VMD分解参数；
根据所述最优VMD分解参数对所述超声检测回波信号进行VMD分解，得到多个模态分量信号；
计算每个所述模态分量信号与所述超声检测回波信号之间的相关系数；
根据各所述相关系数对所有所述模态分量信号进行筛选，得到相关模态分量信号；
对所述相关模态分量信号进行重构，得到重构信号；
利用小波去噪方法对所述重构信号降噪，得到降噪后的超声检测回波信号。
可选地，所述根据所述VMD分解参数的范围对所述超声检测回波信号进行VMD分解，利用鲸鱼优化算法优化VMD分解参数，得到最优VMD分解参数，具体包括：
确定鲸鱼个体规模，随机生成多只鲸鱼位置，设置最大迭代次数，根据所述VMD分解参数的范围确定VMD分解参数，将所述VMD分解参数设置为鲸鱼的位置向量，设置初始迭代次数为1，开始对所述超声检测回波信号进行VMD分解；
计算每只鲸鱼的适应度函数值，确定当前适应度函数值最优的鲸鱼个体，保存最小适应度函数值和所述最小适应度函数值对应的VMD分解参数；所述适应度函数为包络熵函数；
根据适应度函数值最优的所述鲸鱼个体确定最优鲸鱼位置后，剩余鲸鱼个体朝向所述最优鲸鱼位置游去以更新所述剩余鲸鱼个体的位置，进行鲸鱼捕食的过程；所述剩余鲸鱼个体为适应度函数值最优的所述鲸鱼个体以外的所有鲸鱼个体；
对整个鲸鱼个体进行判断，确定全局最优的鲸鱼个体及位置；所述整个鲸鱼个体包括适应度函数值最优的所述鲸鱼个体以及所述剩余鲸鱼个体；
判断是否达到最大迭代次数；
若是，终止搜寻，输出全局最优解；所述全局最优解为最优VMD分解参数；
若否，返回步骤“计算每只鲸鱼的适应度函数值，确定当前适应度函数值最优的鲸鱼个体，保存最小适应度函数值和所述最小适应度函数值对应的VMD分解参数”。
可选地，所述根据各所述相关系数对所有所述模态分量信号进行筛选，得到相关模态分量信号，具体包括：
判断所述相关系数是否大于设定阈值；
若是，则将所述相关系数对应的所述模态分量信号确定为相关模态分量信号，并保留所述相关模态分量信号；
若否，则将所述相关系数对应的所述模态分量信号确定为非相关模态分量信号，并删除所述非相关模态分量信号。
可选地，所述设定阈值为0.3。
可选地，所述利用小波去噪方法对所述重构信号降噪，得到降噪后的超声检测回波信号，具体包括：
获取小波基函数和小波分解的层数；
根据所述小波基函数和所述小波分解的层数，对所述重构信号进行小波分解，得到分解信号；
根据所述小波分解的层数设置阈值的改进型阈值函数；
根据所述改进型阈值函数，将所述分解信号进行小波阈值去噪处理，得到降噪后的超声检测回波信号。
本发明还提供了如下方案：
一种增材制造构件超声检测回波信号处理系统，所述系统包括：
超声检测回波信号获取模块，用于获取超声检测回波信号；
VMD分解参数范围获取模块，用于获取VMD分解参数的范围；
鲸鱼优化算法优化模块，用于根据所述VMD分解参数的范围对所述超声检测回波信号进行VMD分解，利用鲸鱼优化算法优化VMD分解参数，得到最优VMD分解参数；
VMD分解模块，用于根据所述最优VMD分解参数对所述超声检测回波信号进行VMD分解，得到多个模态分量信号；
相关系数计算模块，用于计算每个所述模态分量信号与所述超声检测回波信号之间的相关系数；
模态分量信号筛选模块，用于根据各所述相关系数对所有所述模态分量信号进行筛选，得到相关模态分量信号；
相关模态分量信号重构模块，用于对所述相关模态分量信号进行重构，得到重构信号；
小波去噪模块，用于利用小波去噪方法对所述重构信号降噪，得到降噪后的超声检测回波信号。
可选地，所述鲸鱼优化算法优化模块具体包括：
初始化单元，用于确定鲸鱼个体规模，随机生成多只鲸鱼位置，设置最大迭代次数，根据所述VMD分解参数的范围确定VMD分解参数，将所述VMD分解参数设置为鲸鱼的位置向量，设置初始迭代次数为1，开始对所述超声检测回波信号进行VMD分解；
适应度函数值计算单元，用于计算每只鲸鱼的适应度函数值，确定当前适应度函数值最优的鲸鱼个体，保存最小适应度函数值和所述最小适应度函数值对应的VMD分解参数；所述适应度函数为包络熵函数；
鲸鱼捕食单元，用于根据适应度函数值最优的所述鲸鱼个体确定最优鲸鱼位置后，剩余鲸鱼个体朝向所述最优鲸鱼位置游去以更新所述剩余鲸鱼个体的位置，进行鲸鱼捕食的过程；所述剩余鲸鱼个体为适应度函数值最优的所述鲸鱼个体以外的所有鲸鱼个体；
全局最优鲸鱼个体及位置确定单元，用于对整个鲸鱼个体进行判断，确定全局最优的鲸鱼个体及位置；所述整个鲸鱼个体包括适应度函数值最优的所述鲸鱼个体以及所述剩余鲸鱼个体；
迭代次数判断单元，用于判断是否达到最大迭代次数；
全局最优解输出单元，用于当所述迭代次数判断单元的输出结果为是时，终止搜寻，输出全局最优解；所述全局最优解为最优VMD分解参数；
返回单元，用于当所述迭代次数判断单元的输出结果为否时，返回所述适应度函数值计算单元。
可选地，所述模态分量信号筛选模块具体包括：
相关系数判断单元，用于判断所述相关系数是否大于设定阈值；
相关模态分量信号确定单元，用于当所述相关系数判断单元的输出结果为是时，将所述相关系数对应的所述模态分量信号确定为相关模态分量信号，并保留所述相关模态分量信号；
非相关模态分量信号确定单元，用于当所述相关系数判断单元的输出结果为否时，将所述相关系数对应的所述模态分量信号确定为非相关模态分量信号，并删除所述非相关模态分量信号。
可选地，所述设定阈值为0.3。
可选地，所述小波去噪模块具体包括：
小波基函数和分解层数获取单元，用于获取小波基函数和小波分解的层数；
小波分解单元，用于根据所述小波基函数和所述小波分解的层数，对所述重构信号进行小波分解，得到分解信号；
改进型阈值函数设置单元，用于根据所述小波分解的层数设置阈值的改进型阈值函数；
小波阈值去噪处理单元，用于根据所述改进型阈值函数，将所述分解信号进行小波阈值去噪处理，得到降噪后的超声检测回波信号。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开的增材制造构件超声检测回波信号处理方法及系统，利用鲸鱼优化算法优化VMD分解参数，有效解决了VMD方法在实际应用中分解参数难以选择的问题，采用相关系数作为本征模态函数的相似性衡量准则，并以此筛选VMD分解后的相关模态分量信号，对相关模态分量信号进行重构，可以得到去除了噪声的重构信号，应用小波去噪方法进一步去除重构信号中的噪声，提高了重构信号的信噪比，具有更强的去噪能力和鲁棒性，同时最大限度保留了信号中的有用信息；通过将鲸鱼优化算法、小波去噪方法与VMD结合，能够有效避免模态混叠现象，在降噪的同时能保留原始信号中的有用信息，具有自适应性强、鲁棒性强和可靠性强等优点，能对增材制造构件超声检测回波信号进行有效的降噪滤波处理，从而实现了VMD对超声信号缺陷回波在有效去除噪声信号的同时，更大程度上保留有用信号。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明增材制造构件超声检测回波信号处理方法实施例的流程图；
图2为本发明基于改进变分模态分解联合小波阈值的超声信号处理方法的流程图；
图3为含噪超声检测回波信号x(t)的示意图；
图4为VMD参数优化的鲸鱼优化算法收敛曲线图；
图5为含噪超声检测回波信号x(t)经VMD最佳参数(k＝4,α＝5000)分解后得到的第1个模态分量信号及其频谱示意图；
图6为含噪超声检测回波信号x(t)经VMD最佳参数(k＝4,α＝5000)分解后得到的第2个模态分量信号及其频谱示意图；
图7为含噪超声检测回波信号x(t)经VMD最佳参数(k＝4,α＝5000)分解后得到的第3个模态分量信号及其频谱示意图；
图8为含噪超声检测回波信号x(t)经VMD最佳参数(k＝4,α＝5000)分解后得到的第4个模态分量信号及其频谱示意图；
图9为各模态分量信号与原始信号之间的相关系数示意图；
图10为含噪超声检测回波信号与降噪后回波信号对比图；
图11为本发明增材制造构件超声检测回波信号处理系统实施例的结构图。
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种增材制造构件超声检测回波信号处理方法及系统，从而实现VMD对超声信号缺陷回波在有效去除噪声信号的同时，更大程度上保留有用信号。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明增材制造构件超声检测回波信号处理方法实施例的流程图。参见图1，该增材制造构件超声检测回波信号处理方法包括：
步骤101：获取超声检测回波信号。
步骤102：获取VMD分解参数的范围。
步骤103：根据VMD分解参数的范围对超声检测回波信号进行VMD分解，利用鲸鱼优化算法优化VMD分解参数，得到最优VMD分解参数。
该步骤103具体包括：
确定鲸鱼个体规模，随机生成多只鲸鱼位置，设置最大迭代次数，根据VMD分解参数的范围确定VMD分解参数，将VMD分解参数设置为鲸鱼的位置向量，设置初始迭代次数为1，开始对超声检测回波信号进行VMD分解。
计算每只鲸鱼的适应度函数值，确定当前适应度函数值最优的鲸鱼个体，保存最小适应度函数值和最小适应度函数值对应的VMD分解参数；适应度函数为包络熵函数。
根据适应度函数值最优的鲸鱼个体确定最优鲸鱼位置后，剩余鲸鱼个体朝向最优鲸鱼位置游去以更新剩余鲸鱼个体的位置，进行鲸鱼捕食的过程；剩余鲸鱼个体为适应度函数值最优的鲸鱼个体以外的所有鲸鱼个体。
对整个鲸鱼个体进行判断，确定全局最优的鲸鱼个体及位置；整个鲸鱼个体包括适应度函数值最优的鲸鱼个体以及剩余鲸鱼个体。
判断是否达到最大迭代次数。
若是，终止搜寻，输出全局最优解；全局最优解为最优VMD分解参数。
若否，返回步骤“计算每只鲸鱼的适应度函数值，确定当前适应度函数值最优的鲸鱼个体，保存最小适应度函数值和最小适应度函数值对应的VMD分解参数”。
步骤104：根据最优VMD分解参数对超声检测回波信号进行VMD分解，得到多个模态分量信号。
步骤105：计算每个模态分量信号与超声检测回波信号之间的相关系数。
步骤106：根据各相关系数对所有模态分量信号进行筛选，得到相关模态分量信号。
该步骤106具体包括：
判断相关系数是否大于设定阈值。
若是，则将相关系数对应的模态分量信号确定为相关模态分量信号，并保留相关模态分量信号。
若否，则将相关系数对应的模态分量信号确定为非相关模态分量信号，并删除非相关模态分量信号。
具体的，该步骤106中，设定阈值为0.3。
步骤107：对相关模态分量信号进行重构，得到重构信号。
步骤108：利用小波去噪方法对重构信号降噪，得到降噪后的超声检测回波信号。
该步骤108具体包括：
获取小波基函数和小波分解的层数。
根据小波基函数和小波分解的层数，对重构信号进行小波分解，得到分解信号。
根据小波分解的层数设置阈值的改进型阈值函数。
根据改进型阈值函数，将分解信号进行小波阈值去噪处理，得到降噪后的超声检测回波信号。
下面以一个具体实施例说明本发明的技术方案：
本发明增材制造构件超声检测回波信号处理方法，是一种基于改进变分模态分解联合小波阈值的超声信号处理方法，工作流程如图2所示，具体步骤如下：
步骤1：通过信号采集卡采集超声检测回波信号x(t)。
步骤2：设定VMD分解参数[K,α]的范围。K,α原则上范围尽可能大，实际运行时可根据采集信号复杂程度，结合计算速度和分解效果综合选取，一般设置K＝[2,10]，α＝[100,50000]。
步骤3：将包络熵函数作为目标函数，利用鲸鱼优化算法获取最优VMD分解参数。
该步骤3中，鲸鱼优化算法获取最优VMD分解参数的具体步骤为：
步骤3.1：确定鲸鱼个体规模，随机生成X只鲸鱼位置，设置最大迭代次数，将[K,α]设置为鲸鱼的位置向量，设置初始迭代次数为1，开始对信号x(t)进行VMD分解。
该步骤3.1具体包括：
步骤3.1.1：VMD的分解过程为方程(1)所描述的约束变分问题的构造与求解：
Figure BDA0003913302790000101
其中，x(t)表示要分解的信号，即超声检测回波信号x(t)，{uk}表示{u1，u2，……，uK}的第k个模态，{ωk}表示{ω1，ω2，……，ωK}的第k个模态的中心频率，δ表示狄拉克分布，t表示时间，K表示模态数(分解模态分量总个数)，k表示模态序号且属于总个数K的集合，*表示卷积，j表示虚数符号，π表示圆周率，e表示e指数。
步骤3.1.2：引入拉格朗日函数，利用约束因子α和拉格朗日算子λ(t)将约束变分问题转化为非约束变分问题，公式(1)的拉格朗日表达式为：
Figure BDA0003913302790000102
公式(2)中，L为拉格朗日表达式，L({uk}，{ωk}，λ)为拉格朗日函数，λ为拉格朗日乘子，算法采用乘法算子交替方向(ADMM)更新{uk}、{ωk}求鞍点，所述鞍点即为公式(1)的最优解，具体步骤包括：
首先，预先指定分解模态分量个数K的值，并初始化分量的频率，得到初始分量频率
Figure BDA0003913302790000103
与初始分量频率
Figure BDA0003913302790000104
对应的初始中心频率
Figure BDA0003913302790000105
以及初始Lagrange乘数
Figure BDA0003913302790000106
其中，
Figure BDA0003913302790000107
指的是公式(3)和公式(4)中的
Figure BDA0003913302790000108
因为此处为初始化，故为
Figure BDA0003913302790000109
Figure BDA00039133027900001010
指的是公式(3)中的ωk，因为此处为初始化，故为
Figure BDA00039133027900001011
Figure BDA00039133027900001012
指的是公式(3)中的
Figure BDA00039133027900001013
因为此处为初始化，故为
Figure BDA00039133027900001014
然后，根据公式(3)和公式(4)分别更新分量频率
Figure BDA00039133027900001015
和中心频率ωk；
Figure BDA0003913302790000111
Figure BDA0003913302790000112
其中，
Figure BDA0003913302790000113
为第k个模态分量信号频率，
Figure BDA0003913302790000114
为原始超声检测回波信号x(t)的频谱，n为当前迭代次数，i表示除uk模态外，其余模态的序号，ω为频率。
根据公式(5)更新Lagrange乘数：
Figure BDA0003913302790000115
其中，τ为Lagrange乘数的更新参数，取τ＝10-3。
步骤3.1.3：判断更新迭代后的分量频率是否满足收敛方程(6)的条件，若不满足，则继续更新，若满足，则迭代结束，进而得到VMD分解后的分量信号；
Figure BDA0003913302790000116
式中，ε为收敛准则容差值，取ε＝10-6。公式(6)中，
Figure BDA0003913302790000117
即
Figure BDA0003913302790000118
步骤3.2：计算每只鲸鱼的适应度函数值，确定当前适应度值最优鲸鱼个体，保存最小适应度值E和对应的分解参数(α,K)，适应度函数(包络熵函数Ep)如下：
Figure BDA0003913302790000119
式中，N表示采样点数，a(j)表示第j个经Hilbert变换的包络信号，E表示包络熵值，pj为a(j)的归一化形式，a(j)为信号IMF(j)经Hilbert解调后得到的包络信号。
步骤3.3：在定义最优鲸鱼位置后，别的鲸鱼个体朝向鲸鱼位置游去以更新自身的位置，进行鲸鱼捕食的过程。
步骤3.4：对整个鲸鱼个体进行判断，确定全局最优的鲸鱼个体及位置。
当前适应度值最优的鲸鱼个体的计算如下：
D＝|C·Xrand(t)-X(t)|
X(t+1)＝Xrand(t)-A·D
A＝2a·r-a
C＝2·r
其中，Xrand是一个随机选择的搜索代理位置，D表示鲸鱼个体与最优鲸鱼位置之间的距离，C表示摆动因子，X(t)表示第t代中最优鲸鱼的位置，A表示收敛因子，a表示随迭代次数的增加从2线性递减至0的值，r为0～1之间的随机数。
步骤3.5：满足最大迭代次数，终止搜寻，输出全局最优解[K,α]；否则继续进行步骤3.2～步骤3.5迭代。
其中，X表示了需要寻优的参数，即代表了本发明的K,α；最优分解参数是用在VMD中的两个参数K,α。
步骤4：利用步骤3得到的最优VMD分解参数，对原始超声检测回波信号x(t)进行VMD分解，得到固有模态分量信号(多个最优模态分量信号)。VMD分解的具体步骤如下：
步骤4.1：VMD的分解过程为方程(1)所描述的约束变分问题的构造与求解：
Figure BDA0003913302790000121
其中，k为步骤3寻得VMD分解后的分量信号uk的个数。
步骤4.2：引入拉格朗日函数，利用约束因子α和拉格朗日算子λ(t)将约束变分问题转化为非约束变分问题，其中α为步骤3中寻优所得参数α。公式(1)的拉格朗日表达式为：
Figure BDA0003913302790000131
为求解公式(2)，算法采用乘法算子交替方向法(ADMM)更新{uk}、{ωk}求鞍点，所述鞍点即为公式(1)的最优解，具体步骤包括：
首先，预先指定分解模态分量个数K的值，并初始化分量的频率，得到初始分量频率
Figure BDA0003913302790000132
与初始分量频率
Figure BDA0003913302790000133
对应的初始中心频率
Figure BDA0003913302790000134
以及初始Lagrange乘数
Figure BDA0003913302790000135
然后，根据公式(3)和公式(4)分别更新分量频率
Figure BDA0003913302790000136
和中心频率ωk；
Figure BDA0003913302790000137
Figure BDA0003913302790000138
根据公式(5)更新Lagrange乘数：
Figure BDA0003913302790000139
其中，τ为Lagrange乘数的更新参数，取τ＝10-3。
步骤4.3：判断更新迭代后的分量频率是否满足收敛方程(6)的条件，若不满足，则继续更新，若满足，则迭代结束，进而得到VMD分解后的分量信号uk；
Figure BDA00039133027900001310
式中，ε为收敛准则容差值，取ε＝10-6。
VMD分解后的分量信号uk的个数是步骤3中计算所得K。
该实施例中，VMD的分解过程是现有的、本领域技术人员公知的过程。
步骤5：计算每个最优模态分量信号(VMD分解后的分量信号)与原始信号(原始超声检测回波信号)x(t)之间的相关系数，筛选出相关模态分量信号后得到重构信号。计算筛选相关模态分量信号的具体步骤为：
步骤5.1：根据VMD分解得到的模态分量信号，根据公式(8)计算每个模态分量信号与原始超声检测回波信号x(t)之间的相关系数：
Figure BDA0003913302790000141
其中，i表示序号，i＝1，2，…，k，Cov为协方差，Var为方差，IMF为模态分量，y为原始信号，t表示时间。
步骤5.2：根据相关系数知识，将相关系数Ri≤0.3定义为非相关模态，相关系数Ri>0.3定义为相关模态，即模态分量信号与原始超声检测回波信号x(t)之间的相关系数Ri>0.3时，定义模态分量信号的模态为相关模态，对相关模态分量信号进行重构，可以得到去除了噪声的重构信号。
步骤6：应用小波去噪方法(小波阈值降噪方法)将重构信号进一步降噪，得到降噪处理后的超声检测回波信号。
小波去噪方法的具体步骤为：
步骤6.1：选择一个小波基函数并确定小波分解的层数n，然后对重构超声检测信号(重构信号)进行n层小波分解；小波基函数为db3小波基函数，层数n取6。
步骤6.2：根据分解层数设置阈值的改进型阈值函数，如公式(9)、公式(10)所示：
Figure BDA0003913302790000142
u＝exp(-t(|wj，k|-λ)2) (10)
其中，
Figure BDA0003913302790000151
wj，k分别是处理后和处理前的小波系数，u只是为了公式(10)的表示简洁而使用，为中间参数因子，t为函数因子，t≥0，阈值λ确定形式为：
Figure BDA0003913302790000152
其中i为小波变换的分解层数，σ为噪声信号标准差，N为采样点数。
步骤6.3：将重构信号进行小波阈值去噪处理(采用小波去噪方法处理)后得到超声检测降噪信号(降噪后的超声检测回波信号)。
步骤6中的公式描述了阈值计算，阈值计算为重点。将重构信号进行阈值处理的部分为现有的、本领域技术人员公知的处理过程。
下面以增材制造GH4169试样的超声检测回波信号的处理方法为例，进一步说明本发明的技术方案以及本发明所能达到的技术效果：
第一步：通过超声自动检测系统，采集增材制造GH4169试样的超声检测回波信号，即为原始超声回波信号x(t)，图3为采集到的典型原始回波信号波形。从图3中可以看出，由于晶粒粗大和各向异性造成声波在试样内发生随机散射，超声信号幅值衰减较大，底面回波信号被噪声覆盖，难以提取缺陷及材料的声学特征等有用信息。
第二步：初始化VMD算法分解参数范围以及鲸鱼优化算法。即分解模态分量个数K取区间[2,10]中的整数；二次惩罚因子α在区间[1000,10000]内取值；鲸鱼优化算法的鲸鱼个体N＝20，最大迭代次数L＝20。
第三步：将包络熵函数作为目标函数，利用鲸鱼优化算法获取最优VMD分解参数。图4为VMD最佳分解参数搜索过程的鲸鱼优化算法收敛曲线。
第四步：利用第三步所得到的最佳VMD分解参数，对原始超声回波信号进行VMD分解，得到多个最优模态分量信号。在本例中，K＝4，α＝5000，原始超声回波信号经VMD分解后得到4个模态分量信号，如图5～图8所示。图5中(a)部分和(b)部分分别表示含噪超声检测回波信号x(t)经VMD最佳参数(k＝4,α＝5000)分解后得到的第1个模态分量信号及其频谱示意图，图6中(a)部分和(b)部分分别表示含噪超声检测回波信号x(t)经VMD最佳参数(k＝4,α＝5000)分解后得到的第2个模态分量信号及其频谱示意图，图7中(a)部分和(b)部分分别表示含噪超声检测回波信号x(t)经VMD最佳参数(k＝4,α＝5000)分解后得到的第3个模态分量信号及其频谱示意图，图8中(a)部分和(b)部分分别表示含噪超声检测回波信号x(t)经VMD最佳参数(k＝4,α＝5000)分解后得到的第4个模态分量信号及其频谱示意图。
第五步：计算每个固有模态分量与原始超声回波信号x(t)之间的相关系数，如图9所示，并筛选出相关模态分量信号进行重构得到重构信号。
第六步：应用小波阈值降噪为重构信号进一步降噪，选取小波基函数为db3，分解层数为4。最终得到降噪滤波后的增材制造GH4169超声检测回波信号，如图10所示。
由图10可知，相比含噪超声检测回波信号(原始超声检测回波信号)，降噪滤波后的增材制造GH4169超声检测回波信号有效避免了模态混叠现象，有效去除了噪声的同时，更大程度的保留了原始信号中的有用信息。即本发明解决了VMD无法对超声信号缺陷回波在有效去除噪声信号的同时，更大程度上保留有用信号的技术问题。
本发明增材制造构件超声检测回波信号处理方法，是一种基于鲸鱼优化算法的改进变分模态分解(WOA-VMD)联合小波阈值降噪(WTFD)的超声检测信号降噪方法。该方法首先选用包络熵函数作为适应度函数，通过鲸鱼优化算法获得VMD算法分解参数最优值后，对信号进行VMD分解得到固有模态函数，利用相关系数对噪声模态去除后对信号进行重构，再对重构信号采用小波阈值去噪方法进一步滤除重构信号中的高斯白噪声得到降噪后的回波信号。本发明将鲸鱼优化算法、小波去噪方法与VMD结合从而解决了VMD无法对超声信号缺陷回波在有效去除噪声信号的同时，更大程度上保留有用信号的技术问题。本发明能有效避免模态混叠现象，在降噪的同时能保留原始信号中的有用信息，具有自适应性强、鲁棒性强和可靠性强等优点，能对增材制造超声检测信号进行有效的降噪滤波处理。
与现有技术相比，本发明的优点在于：
(1)本发明以包络熵函数作为适应度函数，采用鲸鱼优化算法优化VMD算法的分解参数，有效解决了VMD方法在实际应用中分解参数难以选择的问题。
(2)采用相关系数作为本征模态函数的相似性衡量准则，并以此筛选VMD分解后的相关模态信号，将非相关模态剔除后，可得到重构信号。
(3)应用小波去噪方法进一步去除重构信号中的噪声，提高了重构信号的信噪比。
(4)本发明相较于目前应用的超声检测回波信号去噪方法，具有更强的去噪能力和鲁棒性，同时最大限度保留信号中的有用信息，具有很好的技术价值和应用前景。
图11为本发明增材制造构件超声检测回波信号处理系统实施例的结构图。参见图11，该增材制造构件超声检测回波信号处理系统包括：
超声检测回波信号获取模块1101，用于获取超声检测回波信号。
VMD分解参数范围获取模块1102，用于获取VMD分解参数的范围。
鲸鱼优化算法优化模块1103，用于根据VMD分解参数的范围对超声检测回波信号进行VMD分解，利用鲸鱼优化算法优化VMD分解参数，得到最优VMD分解参数。
该鲸鱼优化算法优化模块1103具体包括：
初始化单元，用于确定鲸鱼个体规模，随机生成多只鲸鱼位置，设置最大迭代次数，根据VMD分解参数的范围确定VMD分解参数，将VMD分解参数设置为鲸鱼的位置向量，设置初始迭代次数为1，开始对超声检测回波信号进行VMD分解。
适应度函数值计算单元，用于计算每只鲸鱼的适应度函数值，确定当前适应度函数值最优的鲸鱼个体，保存最小适应度函数值和最小适应度函数值对应的VMD分解参数；适应度函数为包络熵函数。
鲸鱼捕食单元，用于根据适应度函数值最优的鲸鱼个体确定最优鲸鱼位置后，剩余鲸鱼个体朝向最优鲸鱼位置游去以更新剩余鲸鱼个体的位置，进行鲸鱼捕食的过程；剩余鲸鱼个体为适应度函数值最优的鲸鱼个体以外的所有鲸鱼个体。
全局最优鲸鱼个体及位置确定单元，用于对整个鲸鱼个体进行判断，确定全局最优的鲸鱼个体及位置；整个鲸鱼个体包括适应度函数值最优的鲸鱼个体以及剩余鲸鱼个体。
迭代次数判断单元，用于判断是否达到最大迭代次数。
全局最优解输出单元，用于当迭代次数判断单元的输出结果为是时，终止搜寻，输出全局最优解；全局最优解为最优VMD分解参数。
返回单元，用于当迭代次数判断单元的输出结果为否时，返回适应度函数值计算单元。
VMD分解模块1104，用于根据最优VMD分解参数对超声检测回波信号进行VMD分解，得到多个模态分量信号。
相关系数计算模块1105，用于计算每个模态分量信号与超声检测回波信号之间的相关系数。
模态分量信号筛选模块1106，用于根据各相关系数对所有模态分量信号进行筛选，得到相关模态分量信号。
该模态分量信号筛选模块1106具体包括：
相关系数判断单元，用于判断相关系数是否大于设定阈值。
相关模态分量信号确定单元，用于当相关系数判断单元的输出结果为是时，将相关系数对应的模态分量信号确定为相关模态分量信号，并保留相关模态分量信号。
非相关模态分量信号确定单元，用于当相关系数判断单元的输出结果为否时，将相关系数对应的模态分量信号确定为非相关模态分量信号，并删除非相关模态分量信号。
具体的，设定阈值为0.3。
相关模态分量信号重构模块1107，用于对相关模态分量信号进行重构，得到重构信号。
小波去噪模块1108，用于利用小波去噪方法对重构信号降噪，得到降噪后的超声检测回波信号。
该小波去噪模块1108具体包括：
小波基函数和分解层数获取单元，用于获取小波基函数和小波分解的层数。
小波分解单元，用于根据小波基函数和小波分解的层数，对重构信号进行小波分解，得到分解信号。
改进型阈值函数设置单元，用于根据小波分解的层数设置阈值的改进型阈值函数。
小波阈值去噪处理单元，用于根据改进型阈值函数，将分解信号进行小波阈值去噪处理，得到降噪后的超声检测回波信号。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种增材制造构件超声检测回波信号处理方法，其特征在于，所述方法包括：
获取超声检测回波信号；
获取VMD分解参数的范围；
根据所述VMD分解参数的范围对所述超声检测回波信号进行VMD分解，利用鲸鱼优化算法优化VMD分解参数，得到最优VMD分解参数；
根据所述最优VMD分解参数对所述超声检测回波信号进行VMD分解，得到多个模态分量信号；
计算每个所述模态分量信号与所述超声检测回波信号之间的相关系数；
根据各所述相关系数对所有所述模态分量信号进行筛选，得到相关模态分量信号；
对所述相关模态分量信号进行重构，得到重构信号；
利用小波去噪方法对所述重构信号降噪，得到降噪后的超声检测回波信号。
2.根据权利要求1所述的增材制造构件超声检测回波信号处理方法，其特征在于，所述根据所述VMD分解参数的范围对所述超声检测回波信号进行VMD分解，利用鲸鱼优化算法优化VMD分解参数，得到最优VMD分解参数，具体包括：
确定鲸鱼个体规模，随机生成多只鲸鱼位置，设置最大迭代次数，根据所述VMD分解参数的范围确定VMD分解参数，将所述VMD分解参数设置为鲸鱼的位置向量，设置初始迭代次数为1，开始对所述超声检测回波信号进行VMD分解；
计算每只鲸鱼的适应度函数值，确定当前适应度函数值最优的鲸鱼个体，保存最小适应度函数值和所述最小适应度函数值对应的VMD分解参数；所述适应度函数为包络熵函数；
根据适应度函数值最优的所述鲸鱼个体确定最优鲸鱼位置后，剩余鲸鱼个体朝向所述最优鲸鱼位置游去以更新所述剩余鲸鱼个体的位置，进行鲸鱼捕食的过程；所述剩余鲸鱼个体为适应度函数值最优的所述鲸鱼个体以外的所有鲸鱼个体；
对整个鲸鱼个体进行判断，确定全局最优的鲸鱼个体及位置；所述整个鲸鱼个体包括适应度函数值最优的所述鲸鱼个体以及所述剩余鲸鱼个体；
判断是否达到最大迭代次数；
若是，终止搜寻，输出全局最优解；所述全局最优解为最优VMD分解参数；
若否，返回步骤“计算每只鲸鱼的适应度函数值，确定当前适应度函数值最优的鲸鱼个体，保存最小适应度函数值和所述最小适应度函数值对应的VMD分解参数”。
3.根据权利要求1所述的增材制造构件超声检测回波信号处理方法，其特征在于，所述根据各所述相关系数对所有所述模态分量信号进行筛选，得到相关模态分量信号，具体包括：
判断所述相关系数是否大于设定阈值；
若是，则将所述相关系数对应的所述模态分量信号确定为相关模态分量信号，并保留所述相关模态分量信号；
若否，则将所述相关系数对应的所述模态分量信号确定为非相关模态分量信号，并删除所述非相关模态分量信号。
4.根据权利要求3所述的增材制造构件超声检测回波信号处理方法，其特征在于，所述设定阈值为0.3。
5.根据权利要求1所述的增材制造构件超声检测回波信号处理方法，其特征在于，所述利用小波去噪方法对所述重构信号降噪，得到降噪后的超声检测回波信号，具体包括：
获取小波基函数和小波分解的层数；
根据所述小波基函数和所述小波分解的层数，对所述重构信号进行小波分解，得到分解信号；
根据所述小波分解的层数设置阈值的改进型阈值函数；
根据所述改进型阈值函数，将所述分解信号进行小波阈值去噪处理，得到降噪后的超声检测回波信号。
6.一种增材制造构件超声检测回波信号处理系统，其特征在于，所述系统包括：
超声检测回波信号获取模块，用于获取超声检测回波信号；
VMD分解参数范围获取模块，用于获取VMD分解参数的范围；
鲸鱼优化算法优化模块，用于根据所述VMD分解参数的范围对所述超声检测回波信号进行VMD分解，利用鲸鱼优化算法优化VMD分解参数，得到最优VMD分解参数；
VMD分解模块，用于根据所述最优VMD分解参数对所述超声检测回波信号进行VMD分解，得到多个模态分量信号；
相关系数计算模块，用于计算每个所述模态分量信号与所述超声检测回波信号之间的相关系数；
模态分量信号筛选模块，用于根据各所述相关系数对所有所述模态分量信号进行筛选，得到相关模态分量信号；
相关模态分量信号重构模块，用于对所述相关模态分量信号进行重构，得到重构信号；
小波去噪模块，用于利用小波去噪方法对所述重构信号降噪，得到降噪后的超声检测回波信号。
7.根据权利要求6所述的增材制造构件超声检测回波信号处理系统，其特征在于，所述鲸鱼优化算法优化模块具体包括：
初始化单元，用于确定鲸鱼个体规模，随机生成多只鲸鱼位置，设置最大迭代次数，根据所述VMD分解参数的范围确定VMD分解参数，将所述VMD分解参数设置为鲸鱼的位置向量，设置初始迭代次数为1，开始对所述超声检测回波信号进行VMD分解；
适应度函数值计算单元，用于计算每只鲸鱼的适应度函数值，确定当前适应度函数值最优的鲸鱼个体，保存最小适应度函数值和所述最小适应度函数值对应的VMD分解参数；所述适应度函数为包络熵函数；
鲸鱼捕食单元，用于根据适应度函数值最优的所述鲸鱼个体确定最优鲸鱼位置后，剩余鲸鱼个体朝向所述最优鲸鱼位置游去以更新所述剩余鲸鱼个体的位置，进行鲸鱼捕食的过程；所述剩余鲸鱼个体为适应度函数值最优的所述鲸鱼个体以外的所有鲸鱼个体；
全局最优鲸鱼个体及位置确定单元，用于对整个鲸鱼个体进行判断，确定全局最优的鲸鱼个体及位置；所述整个鲸鱼个体包括适应度函数值最优的所述鲸鱼个体以及所述剩余鲸鱼个体；
迭代次数判断单元，用于判断是否达到最大迭代次数；
全局最优解输出单元，用于当所述迭代次数判断单元的输出结果为是时，终止搜寻，输出全局最优解；所述全局最优解为最优VMD分解参数；
返回单元，用于当所述迭代次数判断单元的输出结果为否时，返回所述适应度函数值计算单元。
8.根据权利要求6所述的增材制造构件超声检测回波信号处理系统，其特征在于，所述模态分量信号筛选模块具体包括：
相关系数判断单元，用于判断所述相关系数是否大于设定阈值；
相关模态分量信号确定单元，用于当所述相关系数判断单元的输出结果为是时，将所述相关系数对应的所述模态分量信号确定为相关模态分量信号，并保留所述相关模态分量信号；
非相关模态分量信号确定单元，用于当所述相关系数判断单元的输出结果为否时，将所述相关系数对应的所述模态分量信号确定为非相关模态分量信号，并删除所述非相关模态分量信号。
9.根据权利要求8所述的增材制造构件超声检测回波信号处理系统，其特征在于，所述设定阈值为0.3。
10.根据权利要求6所述的增材制造构件超声检测回波信号处理系统，其特征在于，所述小波去噪模块具体包括：
小波基函数和分解层数获取单元，用于获取小波基函数和小波分解的层数；
小波分解单元，用于根据所述小波基函数和所述小波分解的层数，对所述重构信号进行小波分解，得到分解信号；
改进型阈值函数设置单元，用于根据所述小波分解的层数设置阈值的改进型阈值函数；
小波阈值去噪处理单元，用于根据所述改进型阈值函数，将所述分解信号进行小波阈值去噪处理，得到降噪后的超声检测回波信号。
CN202211331242.XA 2022-10-28 2022-10-28 一种增材制造构件超声检测回波信号处理方法及系统 Pending CN115840879A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211331242.XA CN115840879A (zh) 2022-10-28 2022-10-28 一种增材制造构件超声检测回波信号处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211331242.XA CN115840879A (zh) 2022-10-28 2022-10-28 一种增材制造构件超声检测回波信号处理方法及系统

Publications (1)

Publication Number Publication Date
CN115840879A true CN115840879A (zh) 2023-03-24

Family

ID=85576626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211331242.XA Pending CN115840879A (zh) 2022-10-28 2022-10-28 一种增材制造构件超声检测回波信号处理方法及系统

Country Status (1)

Country Link
CN (1) CN115840879A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116662848A (zh) * 2023-04-11 2023-08-29 哈尔滨理工大学 基于woa-vmd与gat的滚动轴承故障诊断方法
CN117332221A (zh) * 2023-09-26 2024-01-02 国网江苏省电力有限公司南通供电分公司 一种液压机构油内漏超声信号的降噪方法及系统
CN117421561A (zh) * 2023-12-18 2024-01-19 中国海洋大学 基于参数优化vmd联合小波的湍流去噪方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116662848A (zh) * 2023-04-11 2023-08-29 哈尔滨理工大学 基于woa-vmd与gat的滚动轴承故障诊断方法
CN117332221A (zh) * 2023-09-26 2024-01-02 国网江苏省电力有限公司南通供电分公司 一种液压机构油内漏超声信号的降噪方法及系统
CN117421561A (zh) * 2023-12-18 2024-01-19 中国海洋大学 基于参数优化vmd联合小波的湍流去噪方法及系统
CN117421561B (zh) * 2023-12-18 2024-03-12 中国海洋大学 基于参数优化vmd联合小波的湍流去噪方法及系统

Similar Documents

Publication Publication Date Title
CN115840879A (zh) 一种增材制造构件超声检测回波信号处理方法及系统
CN109580787B (zh) 用于变压器高压套管引线超声检测的超声回波去噪方法
CN110688964A (zh) 一种基于稀疏分解的小波阈值与emd联合降噪方法
CN110598166B (zh) 一种自适应确定小波分层级数的小波去噪方法
CN102998706B (zh) 一种衰减地震数据随机噪声的方法及系统
CN109871733B (zh) 一种自适应海杂波信号去噪方法
CN106199532B (zh) 基于混合傅立叶-小波分析的探地雷达信号降噪方法
CN102393423A (zh) 基于自适应阈值正交小波变换的兰姆波去噪方法
CN113537112B (zh) 基于改进小波阈值及vmd的激光超声表面缺陷成像降噪方法
Daqrouq et al. An investigation of speech enhancement using wavelet filtering method
CN114264724A (zh) 基于ceemdan联合小波包阈值的超声信号处理方法
Ashraf et al. Underwater ambient-noise removing GAN based on magnitude and phase spectra
CN118335094A (zh) 一种自适应学习的降噪方法
Li Speech denoising based on improved discrete wavelet packet decomposition
Ou et al. Frame-based time-scale filters for underwater acoustic noise reduction
CN112580451A (zh) 一种基于改进emd和med的数据降噪方法
CN115376540A (zh) 一种基于变分模态分解的生物雷达语音增强方法及系统
CN115563476A (zh) 一种机械故障冗余提升小波字典贝叶斯稀疏表示方法
CN108121967A (zh) 一种基于iceemd的锚杆锚固检测信号分析方法
CN113611321A (zh) 一种语音增强方法及系统
Pardo et al. Shift invariant wavelet denoising of ultrasonic traces
Mohammed et al. Shift-invariant wavelet packet for signal de-noising in ultrasonic testing
Zhou et al. Self-Noise Suppression for AUV without Clean Data: a Noise2Noise Approach
CN110575145A (zh) 一种基于增强的高斯冗余字典脉搏信号去噪方法
Jiang et al. Research on Noise Reduction Method of Underwater Acoustic Signal Based on CEEMDAN Decomposition-Improved Wavelet Threshold

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