CN116796148A - 基于时频空间独立成分的Lamb波模态盲分离方法 - Google Patents
基于时频空间独立成分的Lamb波模态盲分离方法 Download PDFInfo
- Publication number
- CN116796148A CN116796148A CN202310664289.6A CN202310664289A CN116796148A CN 116796148 A CN116796148 A CN 116796148A CN 202310664289 A CN202310664289 A CN 202310664289A CN 116796148 A CN116796148 A CN 116796148A
- Authority
- CN
- China
- Prior art keywords
- time
- frequency
- domain
- atoms
- signal
- 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
- 238000000926 separation method Methods 0.000 title claims abstract description 48
- 235000019687 Lamb Nutrition 0.000 title claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000012880 independent component analysis Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 52
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 16
- 230000005284 excitation Effects 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 238000011084 recovery Methods 0.000 claims description 2
- 239000006185 dispersion Substances 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 12
- 230000002902 bimodal effect Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 8
- 230000036541 health Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 229910000838 Al alloy Inorganic materials 0.000 description 5
- 230000006378 damage Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 238000012887 quadratic function Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种基于时频空间独立成分的Lamb波模态盲分离方法，方法包括：待测对象进行Lamb波无损检测，且使用单一通道收发的压电传感器采集信号；基于所述二维时频空间成分对时间域成分与频率域成分分别进行独立成分分析，获得时域原子和频域原子且通过相关性指数α进行排序，选择所述排序去除最大值和最小值的其他部分原子作为时、频域重构原子；基于时、频域重构原子Tbase,Fbase得到信号的时频空间重构成分TFR，建立时频空间重构成分距离指标DEuk，通过时频空间重构成分距离指标DEuk对时频空间重构成分TFR进行C‑MEANS模糊聚类，以分离获得时频空间子成分；对时频空间子成分进行逆时频分析得到分离出的信号。本公开可以对带有频散效应的重叠模态进行有效的盲分离。
Description
技术领域
本公开属于信号处理技术领域技术领域，具体涉及一种基于时频空间独立成分的Lamb波模态盲分离方法。
背景技术
结构健康监测对于确保重要设备的安全运行并及时发现潜在的损伤或缺陷具有重要的科学意义和迫切的工程需求。与被动式结构健康监测技术通过分析运行参数来获取结构健康信息不同，主动式结构健康监测技术通过向被测结构发射激励信号并处理响应信号，实现了结构健康状态信息的在线获取和结构损伤的直接发现。在各种激励信号中，超声导波具有传播距离远、能量衰减小、损伤敏感度高等优点，因此被广泛应用于主动式结构健康监测。当超声导波在板状结构中传播时，它们在板的上下表面反复反射、折射，经过波形转换、耦合叠加形成板波，即Lamb波。然而，Lamb波的频散特性使其波包能量分散，多模态特性使各模态的波包发生重叠。近年来，多种频散补偿技术和多种模态分离技术相继被提出。
超声导波在无损检测(NDT)中被广泛使用，因为它们能够在不损坏结构的情况下检测潜在的损伤或缺陷。然而，由于超声导波具有频散和多模态的特点，这可能会使接收信号的检测变得复杂，从而导致检测算法性能下降。为了解决这个问题，需要开发一种模态分离的有效算法。传统的超声波模态分离方法主要利用有先验时频变换。时间信号被描述为具有不同固有波数的轨迹线，不同种类的时频表示(TFR)方法已被广泛用于处理和去除Lamb波信号处理中的多模态数据。这些方法通过将信号在时频域中进行分析，能够有效地分离Lamb波的多个模态，从而提高检测算法的性能。此外，盲源分离(BSS)也是一种常用的信号处理方法。BSS方法之一是独立成分分析(ICA)，它已广泛应用于各种混合信号处理应用，包括人声验证、脑电(EEG)源定位、通信系统和故障分析。ICA通过最大化信号源之间的统计独立性来实现信号分离，从而在各种应用中发挥了重要作用。
目前，现有的超声导波模态分离方法主要有时频分析法和匹配追踪法。时频分析法受不确定原理的制约，其时域和频域精度不能同时提高，因为不同模态在时频面上并不能很好地分离，因而限制了该类方法的精度和应用范围。而匹配追踪法需要人为给定稀疏度参数，但该参数实际上难有先验，且匹配追踪法抗干扰能力差。在实际应用中，以上算法会造成分离不完全或分离精度不高等缺陷，限制了基于超声导波的结构健康监测技术的发展和应用。
在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本领域普通技术人员公知的现有技术的信息。
发明内容
针对现有技术中的不足，本公开的目的在于提供一种盲单通道模态分离技术，在不需要事先知道板的频散曲线对模态进行分离。与传统的需要多通道信号的独立成分分析(ICA)方法不同，只需使用单通道信号作为输入。由于选择了FastICA基，分离结果取决于时间原子和频率原子的选择。这种方法不仅能够分离不同的模态，而且能够获得最大能量和精确到达时间的非频散信号。因此，这种方法可以在计算时间有限的情况下很好地对信号进行处理。
为实现上述目的，本公开提供以下技术方案：
一种基于时频空间独立成分的Lamb波模态盲分离方法包括如下步骤：
步骤S100：待测对象进行Lamb波无损检测，且使用单一通道收发的压电传感器采集信号，其中，采集到的信号包括具有Lamb波原始信号的多通道多模态信号；对采集到的Lamb波原始信号进行时频分析获得二维时频空间成分；
步骤S200：基于所述二维时频空间成分对时间域成分与频率域成分分别进行独立成分分析，获得时域原子和频域原子，将时域原子、频域原子通过相关性指数α进行排序，选择所述排序去除最大值和最小值的其他部分原子作为时、频域重构原子：时域重构原子Tbase，频域重构原子Fbase；
步骤S300：基于时、频域重构原子Tbase,Fbase得到信号的时频空间重构成分TFR，建立时频空间重构成分距离指标DEuk，通过时频空间重构成分距离指标DEuk对时频空间重构成分TFR进行C-MEANS模糊聚类，以分离获得时频空间子成分；
步骤S400：对时频空间子成分进行逆时频分析得到分离出的信号。
所述的方法中，时频分析采用短时傅里叶变换：
其中，w(t)是窗函数，τ为短时傅里叶时间，x(t)是Lamb波原始时域信号，e-j2πfτ是傅里叶变换基，其中j为虚部标记，f为频率，τ为短时傅里叶时间，π为圆周率常数，通过短时傅里叶变换后Lamb波原始信号成为时频域的二维信号，t表示时域，f表示频域。
所述的方法中，窗函数为方形窗。
所述的方法中，压电传感器的激励信号为toneburst信号。
所述的方法中，步骤S200中，对单个维度独立成分分析包括，n个通道中有p个独立成分：
X＝AS
其中，X是接收到的多通道多模态信号，S是其中的p个独立成分组成，A是混合矩阵，通过对混合的过程进行估计得到：
其中为对多通道多模态信号的独立成分估计，W为分离矩阵，采用FastICA算法进行独立成分估计，通过对信号与纯高斯量之间的熵进行对比，由于高斯随机变量是所有分布中最随机的，将高斯随机变量的熵与估计变量做差，得到非负的量J，定义为负熵，
J(s)＝H(sgauss)-H(s)，
使用峭度对FastICA算法进行简化，使用高阶累积量配合密度多项式展开，并且采用非二次期望将负熵近似为：
其中，v是高斯随机变量，w和x是分离矩阵和原始信号矩阵中的元素，G(*)＝(*)4/4。
所述的方法中，选择变换后的原始时频域信号x(t,f)分别在时域、频域对信号进行fastICA分析，分别得到m,n个独立成分，其中，Ti为时域成分，Fi为频域成分，在m,n个独立成分中，抽取部分成分作为重构原子，抽取的指标如下：
其中，分别对时频域原子和原始信号域的时频信号进行相关分析，并按相关性进行排列，选择其中位于中间部分的原子作为相应的时域重构原子和频域重构原子。
所述的方法中，选择其中位于中间部分的6个时域原子和6个频域原子作为相应的时域重构原子和频域重构原子。
所述的方法中，基于选择出的时域重构原子Tbase和频域重构原子Fbase得到时频空间重构成分TFR：
其中，xrec(t,f)表示重构时频信号域；t表示时间；i表示序号，共有x+y个时频域表示，x为Tbase的数目，y为Fbase的数目。
所述的方法中，施加模糊聚类对不同TFR进行分离，
xrec(t,f)＝∑TFRmodeA0+∑TFRmodeS0，其中，modeA0表示A0模态的TFR；modeS0表示S0模态的TFR；模糊聚类的过程由模糊C均值算法实现，模糊C均值算法为：
其中，V＝[v1,v2,...,vc],vi∈Rn，是类别向量，是平方内积距离范数，U＝[μik]是模糊分类结果矩阵，其中μik表示第i个数据点属于第k个簇的隶属度。
所述的方法中，对分离后的时频空间重构成分TFR进行逆时频分析得到分离出的信号：
其中，
其中，X(τ,ω)是所有时频域信号，τ为短时傅里叶时间，ω为频率，ej2πfτ是傅里叶基，其中j为虚部标记，f为频率，π为圆周率常数，x(t)是恢复出的Lamb波原始时域信号，t表示时域，通过逆短时傅里叶变换后Lamb波重构二维信号成为时域的一维恢复信号。
与现有技术相比，本公开带来的有益效果为：提供一种盲单通道模态分离技术，在不需要事先知道板的频散曲线对模态进行分离。与传统的需要多通道信号的独立成分分析(ICA)方法不同，只需使用单通道信号作为输入。由于选择了FastICA基，分离结果取决于时间原子和频率原子的选择。这种方法不仅能够分离不同的模态，而且能够获得最大能量和精确到达时间的非频散信号。
附图说明
图1是本公开一个实施例提供的一种基于时频空间独立成分的Lamb波模态盲分离方法流程图；
图2是本公开一个实施例提供的针对传播距离600mm，中心频率500kHz的双模态激励信号的时频分析过程的示意图；
图3是本公开一个实施例提供的针对传播距离A0(600mm)，S0(300mm)，中心频率500kHz的双模态混叠信号的时频分析过程的示意图；
图4是本公开一个实施例提供的针对FastICA时频原子生成流程图；
图5是本公开一个实施例提供的针对传播距离为600mm，中心频率500kHz的双模态激励信号的FastICA时频原子相关性排列与筛选的示意图；
图6是本公开一个实施例提供的针对传播距离为600mm，中心频率500kHz的双模态激励信号的FastICA时频重构原子，分别为六个频域原子和六个时域原子的示意图；
图7是本公开一个实施例提供的针对传播距离为600mm，中心频率500kHz的双模态激励信号的重构时频表示(TFR)的模糊C聚类结果的示意图；
图8(a)至图8(c)是本公开一个实施例提供的针对传播距离为600mm，中心频率500kHz的双模态激励信号的重构时频表示(TFR)的逆时频变换分离信号的示意图，图8(a)为分离的S0信号，图8(b)为分离的A0信号，图8(c)为原始接收信号；
图9是本公开一个实施例提供的传播距离A0(600mm)，S0(300mm)，中心频率500kHz的双模态混叠信号的重构时频表示模糊C聚类结果的示意图；
图10(a)至图10(c)是本公开一个实施例提供的传播距离A0(600mm)，S0(300mm)，中心频率500kHz的双模态混叠信号的模态分离结果，图10(a)为分离的S0信号，图10(b)为分离的A0信号，图10(c)为原始接收信号A0(600mm)，S0(300mm)的示意图；
图11为1000×1000×2mm3 T6061铝合金板材上传播距离600mm实验板,标记出从发射PZT到接受PZT之间的最短三条路径的示意图，分别为D1，D2，D3；
图12(a)为图11的经过边界反射后，接收到的信号的示意图，图12(b)为三个波包，经过本实施例处理分离后，在图12(c)中可见分离出的S0模式，图12(d)中可见分离出的A0模式。
具体实施方式
下面将参照附图1至附图12(d)详细地描述本公开的具体实施例。虽然附图中显示了本公开的具体实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异作为区分组件的方式，而是以组件在功能上的差异作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本公开的保护范围当视所附权利要求所界定者为准。
为便于对本公开实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本公开实施例的限定。
如图1至图12(d)所示，一种基于时频空间独立成分的Lamb波模态盲分离方法包括如下步骤：
步骤S100：对单一通道(SISO)收发的PZT信号进行采集，激励信号为toneburst信号，采集信号中出现多通道多模态信号。对采集到的Lamb波原始信号进行时频分析(STFT)，获得二维时频空间成分；
步骤S200：对时间域，频率域成分分别进行独立成分分析，获得时域原子和频域原子。将时域、频域原子通过相关性指数α进行排序，选择远离两边极值的原子作为时频域重构原子Tbase,Fbase；
步骤S300:将时频域原子进行重构，得到信号的时频空间重构成分TFR。建立时频空间重构成分距离指标DEuk，通过对时频空间重构成分进行C-MEANS模糊聚类，完成时频空间子成分的分离。
步骤S400：对分离后的重构成分进行逆时频分析，得到分离出的信号。
优选的，步骤S100中对信号进行的时频变换可表示如下：
其中，w(t)是窗函数，选择方形窗。x(t)是原始时域信号。通过短时傅里叶变换后，原始时域信号成为时频域的二维信号。
优选的，步骤S200中包含以下步骤。
S201：对两个维度的信号分别进行独立成分分析。对单个维度独立成分分析的过程为：设n个通道中有p个独立成分：
X＝AS
其中，X是接收到的多通道多模态信号，S是其中的p个独立成分组成。A是混合矩阵。
优选的，步骤S200中，通过对混合的过程进行估计，可以得到：
其中为对多通道多模态信号的独立成分估计，W为分离矩阵。估计的过程使用了FastICA算法，该算法通过对信号与纯高斯量之间的熵进行对比，由于高斯随机变量是所有分布中最随机的，将高斯随机变量的熵与估计变量做差，得到一个非负的量J，定义为负熵：
J(s)＝H(sgauss)-H(s)
步骤S202：使用峭度对ICA算法进行简化，由于峭度对边缘值敏感，鲁棒性不高，使用高阶累积量配合密度多项式展开，并且采用一般形式的非二次期望将负熵近似为
其中，v是高斯随机变量，w和x是分离矩阵和原始信号矩阵中的元素。
步骤S203：此处，需要合理的选择非二次函数G，为了确保鲁棒性，这里选择：
G(*)＝(*)4/4。
步骤S204:在m,n个独立成分中，抽取部分成分作为重构原子。其中Tbase为时域原子，Fbase为频域原子。抽取的指标如下：
分别对时频域原子和原始信号域的时频信号进行相关分析，并按相关性进行排列。选择其中位于中间部分的原子作为重构原子。原子的个数由要分离的模态数目决定。
优选的，步骤S300中，其中，将选择出的时域原子Tbase和频域原子Fbase进行重构，得到一系列时频域表示(TFR)：
其中，xrec(t,f)表示重构时频信号域；t表示时间；i表示序号，共有x+y个时频域表示，x为Tbase的数目，y为Fbase的数目；TFR为时频域表示。
优选的，S300中，模糊聚类对不同TFR进行分离
xrec(t,f)＝∑TFRmodeA0+∑TFRmodeS0
优选的，S400中，分别对不同模态的时频表示信号进行重构，得到时域信号。
其中，逆短时傅里叶变换使用的参数与步骤S100中使用相同的参数。
一个实施例中，如图1所示，一种基于时频空间独立成分的Lamb波模态盲分离方法，包括如下步骤：
S100：设某一Lamb波无损检测通常涉及压电传感器(piezoelectric transducer，PZT)单输入单输出(SISO)测试，这意味着只使用单通道观测信号。然而，为了使用ICA分析多通道信号，通常需要增加多个实验或通道来增加观测。这对于单通道的测试信号而言，增加了额外的工作量。同时，对于单通道的测试信号，并没有提出相应的盲分离算法。仅仅通过特定频率下的模式主导来对信号进行筛选和补偿。
该步骤中，首先需要对原始时间信号进行短时傅里叶变换(short-time Fouriertransform,STFT)，选择方形窗函数对时域信号进行划分到离散的时间域和频率域。在变换的过程中，需要让时间分辨率和频率分辨率处于相配合的状态，对应的离散原子数目相当。
示例性的，将1000×1000×2mm3 T6061铝合金板材上传播距离600mm,中心频率为500kHz的toneburst信号采集后，得到A0，S0两个模态的信号。此时，两者并未重叠。针对不同损伤模式，常使用不同的模式来检测。模拟一采用两个模式有同样的传播距离，模拟二采用两个模式不同传播距离，此时出现模态的重叠。进行时频分析之后，其矩阵大小为500*420，如图2所示，做出其时频图。此时可见，S0模态出现了一定的频散。
示例性的，将1000×1000×2mm3 T6061铝合金板，中心频率为500kHz的toneburst信号采集后，得到A0，S0两个模态的信号。此时，为得到混叠的信号，通过两个PZT发射，一个PZT接受，使得A0(传播距离为300mm),S0(传播距离为600mm)，同时抵达接受PZT。得到了如图3所示的混叠信号，做出其时频图。
S200：对时间域，频率域成分分别进行独立成分分析，获得时域原子和频域原子。
该步骤中，示例性的，如图4所示，对时间和频率两个维度分别分析。从时频域x(t,f)中，分别对离散时间维度和离散频率维度分别进行FastICA变换，得到一系列的FastICA基Tbase和Fbase。其中，对两个维度的信号分别进行独立成分分析。对单个维度独立成分分析的过程为：设n个通道中有p个独立成分：
X＝AS
其中，X是接受到的多通道信号，S是其中的p个独立成分组成。A是混合矩阵。通过对混合的过程进行估计，可以得到：
估计的过程使用了FastICA算法，该算法通过对信号与纯高斯量之间的熵进行对比，由于高斯随机变量是所有分布中最随机的，将高斯随机变量的熵与估计变量做差，得到一个非负的量J，定义为负熵：
J(s)＝H(sgauss)-H(s)
FastICA使用峭度对ICA算法进行简化，由于峭度对边缘值敏感，鲁棒性不高，使用高阶累积量配合密度多项式展开，并且采用一般形式的非二次期望将负熵近似为：
其中，v是高斯随机变量，w和x是分离矩阵和原始信号矩阵中的元素。
需要合理的选择非二次函数G，为了确保鲁棒性，这里选择：
G(*)＝(*)4/4。
进行fastICA分析后，分别得到m,n个独立成分。其中，Ti为时域成分，Fi为频域成分。其中，在m,n个独立成分中，抽取部分成分作为重构原子。其中Tbase为时域原子，Fbase为频域原子。抽取的指标如下：
其中，分别对时频域原子和原始信号域的时频信号进行相关分析，并按相关性进行排列。选择其中位于中间部分的原子作为重构原子。原子的个数由要分离的模态数目决定，对于两个模态A0，S0的分离，选择6个时域原子和6个频域原子即可。示例如图5，选取的6个时域原子和6个频域原子的相关性排列。示例如图6，选择的六个重构时域原子和六个频域原子。
需要仔细选择时间基和频率基。我们需要在FastICA生成的许多独立分量中仅选择包含最重要和最有用信息的基。使用ICA算法通常会生成大量的独立分量，数量达到数百个，计算所有这些分量将需要大量的计算能力和存储空间。因此，只选择最有价值的分量进行分析。然而，这样做的副作用是可能导致恢复信号的失真。所以在重构之后，需要通过聚类算法来弥补这个选择导致的模态混叠。
S300:将时频域原子进行重构，得到信号的时频空间重构成分TFR。建立时频空间重构成分距离指标DEuk，通过对时频空间重构成分进行C-MEANS模糊聚类，完成时频空间子成分的分离。
该步骤中，将选择出的时域原子Tbase和频域原子Fbase进行重构，得到一系列时频域表示(TFR)：
其中，xrec(t,f)表示重构时频信号域；t表示时间；i表示序号，共有x+y个时频域表示，x为Tbase的数目，y为Fbase的数目；TFR为时频域表示。重构出的信号被恢复到时频域。此时，通过与原始信号进行对比，可以得到不同模态的区别指标DEuk：
DEuk(i)＝||TFRi-TFRorigin||2
该步骤中，TFRorigin代表原始信号的时频域表示，即x(t,f)。通过获得指标DEuk，在时频两个维度上，对重构时频域表示TFR进行分离。分离使用了模糊C聚类算法，其过程为：
该步骤中，V＝[v1,v2,...,vc],vi∈Rn，是类别向量。是平方内积距离范数。U＝[μik]是模糊分类结果矩阵，其中μik表示第i个数据点属于第k个簇的隶属度。聚类的结果见图7，可以将两个模态混叠的部分通过模糊聚类的方法去除。
S400：对分离后的重构成分进行逆时频分析，得到分离出的信号。
该步骤中，分别对不同模态的时频表示信号进行重构，得到时域信号。
其中，逆短时傅里叶变换使用的参数与步骤S100中使用相同的参数。
如图8(a)至图8(c)，为将1000×1000×2mm3 T6061铝合金板材上传播距离600mm,中心频率为500kHz未重叠信号的模态分离结果。图9，为传播距离A0(600mm)，S0(300mm)，中心频率500kHz的双模态混叠信号的重构时频表示聚类结果，图10(a)至图10(c)为传播距离A0(600mm)，S0(300mm)，中心频率500kHz的双模态混叠信号的模态分离结果。
从图8(a)至图8(c)，图10(a)至图10(c)结果中可以看出，本方法对盲模态分离结果具有良好的分离效果。继续对实验结果进行分离，并使用A0模式进行成像。图11为1000×1000×2mm3T6061铝合金板材上传播距离600mm实验板,标记出从发射PZT到接受PZT之间的最短三条路径，分别为D1，D2，D3。经过边界反射后，接收到的信号有三个波包，见图12(b)。经过本实施例处理分离后，在图12(c)中可见分离出的S0模式，图12(d)中可见分离出的A0模式。本公开具有良好的分离效果。
现有的模态分离补偿技术常使用已知的频散先验曲线，对特定频率下占有主要能量的模式进行补偿，计算量大，并且需要预先获取实验样件的频散曲线，需要额外的测试和实验。其次，对于频率占优模态的筛选，本身存在非主导模式的干扰不能完全消除。与其相比，本公开利用视频空间提取独立成分的重构算法，本身由于仅仅提取一定数量的主要独立成分，具有计算量小的优势。并且可以在无先验的情况下进行盲分离估计，对Lamb波具有良好的适应性。因此，采用本公开的技术方案能够对多模态信号按模态进行分离，得到多个单一模态成分超声导波成分子信号。
以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
Claims (10)
1.一种基于时频空间独立成分的Lamb波模态盲分离方法，其特征在于，其包括如下步骤：
步骤S100：待测对象进行Lamb波无损检测，且使用单一通道收发的压电传感器采集信号，其中，采集到的信号包括具有Lamb波原始信号的多通道多模态信号；对采集到的Lamb波原始信号进行时频分析获得二维时频空间成分；
步骤S200：基于所述二维时频空间成分对时间域成分与频率域成分分别进行独立成分分析，获得时域原子和频域原子，将时域原子、频域原子通过相关性指数α进行排序，选择所述排序去除最大值和最小值的其他部分原子作为时、频域重构原子：时域重构原子Tbase，频域重构原子Fbase；
步骤S300：基于时、频域重构原子Tbase,Fbase得到信号的时频空间重构成分TFR，建立时频空间重构成分距离指标DEuk，通过时频空间重构成分距离指标DEuk对时频空间重构成分TFR进行C-MEANS模糊聚类，以分离获得时频空间子成分；
步骤S400：对时频空间子成分进行逆时频分析得到分离出的信号。
2.根据权利要求1所述的方法，其特征在于，优选的，时频分析采用短时傅里叶变换：
其中，w(t)是窗函数，τ为短时傅里叶时间，x(t)是Lamb波原始时域信号，e-j2πfτ是傅里叶变换基，其中j为虚部标记，τ为短时傅里叶时间，π为圆周率常数，通过短时傅里叶变换后Lamb波原始信号成为时频域的二维信号，t表示时域，f表示频域。
3.根据权利要求2所述的方法，其特征在于，窗函数为方形窗。
4.根据权利要求1所述的方法，其特征在于，压电传感器的激励信号为toneburst信号。
5.根据权利要求1所述的方法，其特征在于，步骤S200中，对单个维度独立成分分析包括，n个通道中有p个独立成分：
X＝AS
其中，X是接收到的多通道多模态信号，S是其中的p个独立成分组成，A是混合矩阵，通过对混合的过程进行估计得到：
其中为对多通道多模态信号的独立成分估计，W为分离矩阵，采用FastICA算法进行独立成分估计，通过对信号与纯高斯量之间的熵进行对比，由于高斯随机变量是所有分布中最随机的，将高斯随机变量的熵与估计变量做差，得到非负的量J，定义为负熵，
J(s)＝H(sgauss)-H(s)，
使用峭度对FastICA算法进行简化，使用高阶累积量配合密度多项式展开，并且采用非二次期望将负熵近似为：
其中，v是高斯随机变量，w和x是分离矩阵和原始信号矩阵中的元素，G(*)＝(*)4/4。
6.根据权利要求5所述的方法，其特征在于，选择变换后的原始时频域信号x(t,f)分别在时域、频域对信号进行fastICA分析，分别得到m,n个独立成分，其中，Ti为时域成分，Fi为频域成分，在m,n个独立成分中，抽取部分成分作为重构原子，抽取的指标如下：
其中，分别对时频域原子和原始信号域的时频信号进行相关分析，并按相关性进行排列，选择其中位于中间部分的原子作为相应的时域重构原子和频域重构原子。
7.根据权利要求6所述的方法，其特征在于，选择其中位于中间部分的6个时域原子和6个频域原子作为相应的时域重构原子和频域重构原子。
8.根据权利要求6所述的方法，其特征在于，基于选择出的时域重构原子Tbase和频域重构原子Fbase得到时频空间重构成分TFR：
其中，xrec(t,f)表示重构时频信号域；t表示时间；i表示序号，共有x+y个时频域表示，x为Tbase的数目，y为Fbase的数目。
9.根据权利要求8所述的方法，其特征在于，施加模糊聚类对不同TFR进行分离，
xrec(t,f)＝∑TFRmodeA0+∑TFRmodeS0，其中，modeA0表示A0模态的TFR；modeS0表示S0模态的TFR；模糊聚类的过程由模糊C均值算法实现，模糊C均值算法为：
其中，V＝[v1,v2,...,vc],vi∈Rn，是类别向量，是平方内积距离范数，U＝[μik]是模糊分类结果矩阵，其中μik表示第i个数据点属于第k个簇的隶属度。
10.根据权利要求9所述的方法，其特征在于，对分离后的时频空间重构成分TFR进行逆时频分析得到分离出的信号：
其中，
其中，X(τ,ω)是所有时频域信号，τ为短时傅里叶时间，ω为频率，ej2πfτ是傅里叶基，其中j为虚部标记，f为频率，π为圆周率常数，x(t)是恢复出的Lamb波原始时域信号，t表示时域，通过逆短时傅里叶变换后Lamb波重构二维信号成为时域的一维恢复信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310664289.6A CN116796148A (zh) | 2023-06-06 | 2023-06-06 | 基于时频空间独立成分的Lamb波模态盲分离方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310664289.6A CN116796148A (zh) | 2023-06-06 | 2023-06-06 | 基于时频空间独立成分的Lamb波模态盲分离方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116796148A true CN116796148A (zh) | 2023-09-22 |
Family
ID=88039517
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310664289.6A Pending CN116796148A (zh) | 2023-06-06 | 2023-06-06 | 基于时频空间独立成分的Lamb波模态盲分离方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116796148A (zh) |
-
2023
- 2023-06-06 CN CN202310664289.6A patent/CN116796148A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107644650B (zh) | 一种基于渐进串行正交化盲源分离算法的改进声源定位方法及其实现系统 | |
| Liu et al. | Automatic mode extraction of ultrasonic guided waves using synchrosqueezed wavelet transform | |
| US8271200B2 (en) | System and method for acoustic signature extraction, detection, discrimination, and localization | |
| Polikar et al. | Frequency invariant classification of ultrasonic weld inspection signals | |
| KR100561659B1 (ko) | 다중 상관해제 방법을 사용한 컨볼루티브 블라인드 소오스 분리 | |
| CN106772331B (zh) | 目标识别方法和目标识别装置 | |
| Zoubi et al. | Lamb wave mode decomposition based on cross-Wigner-Ville distribution and its application to anomaly imaging for structural health monitoring | |
| CN111899756B (zh) | 一种单通道语音分离方法和装置 | |
| CN113358743B (zh) | 一种基于时频分布相似度分析的兰姆波模态分离方法 | |
| CN112906578A (zh) | 一种桥梁时间序列位移信号去噪的方法 | |
| CN109871824B (zh) | 基于稀疏贝叶斯学习的超声导波多模态分离方法及其系统 | |
| Zhao et al. | Reconstruction of Lamb wave dispersion curves by sparse representation with continuity constraints | |
| Haile et al. | Blind source separation for vibration-based diagnostics of rotorcraft bearings | |
| CN114861736A (zh) | 基于gialdn网络的内部缺陷定位模型及内部缺陷定位方法 | |
| CN111427046B (zh) | 一种用于提高检测精度的太赫兹脉冲回波定位方法 | |
| Harley et al. | Managing complexity, uncertainty, and variability in guided wave structural health monitoring | |
| CN110491408B (zh) | 一种基于稀疏元分析的音乐信号欠定混叠盲分离方法 | |
| CN116796148A (zh) | 基于时频空间独立成分的Lamb波模态盲分离方法 | |
| Wu et al. | Blind single-channel lamb wave mode separation using independent component analysis on time-frequency signal representation | |
| CN112183297B (zh) | 一种超声相控阵信号稀疏特征提取方法 | |
| US10885928B1 (en) | Mixed domain blind source separation for sensor array processing | |
| Lou et al. | A time-frequency independent component analysis method for group velocity extraction of ultrasonic guided waves | |
| Patil et al. | Wavelet denoising with ICA for the segmentation of bio-acoustic sources in a noisy underwater environment | |
| CN108304855A (zh) | 一种海洋环境下多潜水艇特征信号盲源分离方法 | |
| Prasanna Kumar et al. | An unsupervised approach for co-channel speech separation using Hilbert–Huang transform and Fuzzy C-Means clustering |
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 |