一种超声涡流信号自适应NNT对消方法技术

本发明专利技术属于无损检测技术领域，具体为一种超声涡流信号自适应NNT对消方法，对对消信号H和被对消信号R零均值处理和降噪，之后构建自适应神经网络，得到输出信号，将降噪后的值输出信号相减，得到超声涡流信号中的对消信号，在超声涡流信号对消的方法中，基于神经网络技术的自适应对消方法，能有效抑制强大的始波、底面波等杂波，提取的信号没有出现异常波动和镜像现象，缺陷探测准确率高；算法稳健可靠，无病态问题；处理时间少，实时性强，利于线上线下实时检测。

An Adaptive NNT Cancellation Method for Ultrasound Eddy Current Signals

【技术实现步骤摘要】
一种超声涡流信号自适应NNT对消方法
本专利技术属于无损检测
，具体涉及一种超声涡流信号的处理方法。
技术介绍
无论是超声检测还是涡流检测，都属于无损检测，在冶金、机械、造船、造舰、航空航天、医学、核能等领域受到人们青睐，其中的缺陷信号提取技术受到广泛关注。这两种检测，要抑制的干扰成分多能量大，而缺陷信号能量小，缺陷数量、位置和特性不确定。超声信号中存在着强始波、侧面波和底面波等干扰信号，涡流信号同样强大的支撑结构干扰信号。传统的干扰对消方法难以同时将这些干扰信号对消干净，残余干扰会对被测体中的细小缺陷信号探测产生较大影响。信号对消，最原始而又简单的方法是差分(相减)方法，这种方法适用于背景信息一致地情形。当背景信号不一致时，采用能量一致性处理然后再相减的方法有一定对消效果，但细小缺陷信息仍有可能被没有完全对消掉的干扰所淹没。文献1(王峰，傅有光，李明.基于稀疏矩阵计算的外辐射源多径杂波抑制算法[J].现代雷达，2011,33(11):49-51.)中基于LMS的递归对消(自适应滤波)由于前面分量无法定义导致始波对消效果差。
技术实现思路
本专利技术的目的是提供一种超声涡流信号自适应NNT对消方法，采用同一管材的历史超声涡流信号和现实超声涡流信号数据有效抑制干扰信号，显著提升超声检测和涡流检测对消性能。本专利技术的技术方案如下：一种超声涡流信号自适应NNT对消方法，该方法包括如下步骤：1)确定要进行对消的信号H和被对消的信号R；2)对对消信号H和被对消信号R零均值处理，相应结果记为zH和zR；3)对zH和zR降噪，相应结果记为dzH和dzR；4)构造自适应神经网络net；5)对赋值后的网络net及dzH输入函数sim，得到输出信号Out；6)将dzR与Out进行相减，确定超声涡流信号中的对消信号Flaw；所述的步骤4)构造自适应神经网络net，具体为4.1)定义初始网络结构；4.2)利用下式确定长度相等的列向量w与行向量p之间的距离矩阵d＝distm(w,p)，并计算d＝distm(dzH’,dzH)，其中，dzH'为dzH的转置；4.3)利用确定网络传输函数4.4)利用下式确定神经网络隐含层权值w1和偏差b1，以及输出层的权值w2和偏差b2；隐含层权值w1＝F'；隐含层偏差n为检测区域长度；中间变量X＝C/[A；11×n]；输出层权值w2＝X(:,1:n)；输出层偏差b2＝X(:,n+1)。4.5)将上述权值和偏差赋值给神经网络。所述的步骤1)确定要进行对消的信号H和被对消的信号R，具体为设定发射的超声信号是加三角窗的正弦波，构造两个超声信号参数，根据超声仪探伤A显一维信号特征，仿真对消信号和被对消信号。本专利技术的显著效果如下：在超声涡流信号对消的方法中，基于神经网络技术的自适应对消方法，能有效抑制强大的始波、底面波等杂波，提取的信号没有出现异常波动和镜像现象，缺陷探测准确率高；算法稳健可靠，无病态问题；处理时间少，实时性强，利于线上线下实时检测。附图说明图1为本方法实施流程图；图2为仿真的含高斯噪声的加窗正弦参考信号和现实信号；图3为用于比较的理想缺陷信号及其小波去噪后的信号；图4为本说明书提出的方法对图2构造的信号对消处理的效果；图5为本说明书提出的方法去噪前后在不同SNR下对消比的变化；图6为运用六种对消方法对图2构造的参考信号和现实信号处理的效果。具体实施方式下面通过附图及具体实施方式对本专利技术作进一步说明。如图1所示，本方法的实施步骤如下：步骤1)确定要进行对消和被对消的信号H和R，计算信号数据长度n。算法验证，对消信号和被对消信号根据信号特征采用仿真构造的方式，具体方法将在实施例中详细介绍。实际数据对消，如扩展名为.txt的数据文件Data可运用Matlab程序读取，实现语句如下：load('Data.txt')。如果对消信号H和被对消信号R在数据阵的第i行和第j行，通过下列语句可以得到：H＝Data(i,:)；R＝Data(j,:)。步骤2)对消信号H和被对消信号R零均值处理，相应结果记为zH和zR。步骤3)运用小波去噪技术对zH和zR降噪。这里用的是支撑长度为8的Daubechies对称小波，信号分解层数为3层，并用sqtwolog型硬阈值对分解的高频系数进行量化，结果记为dzH和dzR。步骤4)至步骤8)是构造自适应神经网络的过程。其中，步骤4)定义初始网络结构net，用Matlab语言刻画如下：net＝network(1,2,[1；1],[1；0],[00；10],[01])；步骤5)根据距离函数distm定义(设d＝distm(w,p)，d(i,j)＝|w(i,1)-p(1,j)|)计算d＝distm(dzH’,dzH)；步骤6)根据传递函数Tr定义计算步骤7)运用激活函数rbe，代入dzH和dzR，求出神经网络隐含层和输出层的权值和偏差，即[w1,b1,w2,b2]＝rbe(dzH,dzR)。其中w1＝dzH'，求中间变量x＝dzH/[a；11×n]，w2取x的前n列，b2取x的最后一列；步骤8)给网络相关参数赋值：net.inputs{1}.size＝1；net.layers{1}.size＝n；net.inputWeights{1,1}.weightFcn＝'dist'；net.layers{1}.netInputFcn＝'netprod'；net.layers{1}.transferFcn＝'radbas'；net.layers{2}.size＝1；net.outputs{2}.exampleOutput＝dzH；net.b{1}＝b1；net.iw{1,1}＝w1；net.b{2}＝b2；net.lw{2,1}＝w2；完成网络net设置。步骤9)将赋值后的网络net及dzH输入函数sim，得到输出信号Out。步骤10)将dzR与Out进行相减，求得缺陷信号Flaw。实施例1根据超声仪探伤A显一维信号特征，仿真对消信号和被对消信号，用仿真信号验证算法的有效性。假定发射的超声信号是加三角窗的正弦波，设置一个幅值较大的始波、两个幅值较小的缺陷(一个位于中端，另一个接近底波，波形部分与底波重叠)和一个幅值小于始波大于缺陷的底波信号。构造的两个超声信号参数如下表1。表1仿真的对消信号和被对消信号参数对消信号被对消信号始波幅度/v11.9底面波幅度/v0.50.95缺陷1/v00.57缺陷2/v00.38数据序列长度10241024SNR2626波形三角窗正弦波三角窗正弦波仿真的加窗正弦对消信号和被对消信号见图2。可以看出，仿真的加窗正弦对消信号和被对消信号不仅信号成分不一样，而且其幅度也不一致，简单地差分处理(相减)不会消除噪声，也不会完全消除始波和底面波等杂波，余下的杂波能量仍将大于缺陷信息。出于对比的需要，将构造的含噪声的缺陷信号及其小波去噪后的缺陷信号给出，见图3。根据实施例1构造的信号，运用本说明书提出的算法求解缺陷信号。首先依据步骤2)实施零均值化，得到zH和zR；接着依据步骤3)进行小波去噪，得到dzH和dzR；然后，定义网络函数初始值后，依据步骤4)至步骤8)将dzH和dzR代入激活函数rbe，求的网络函数所需权值和偏差等参数，并将这些参数赋值给网络，于是执行步骤本文档来自技高网...

【技术保护点】
1.一种超声涡流信号自适应NNT对消方法，其特征在于，该方法包括如下步骤：1)确定要进行对消的信号H和被对消的信号R，设对消信号H和被对消信号R在数据阵的第i行和第j行；2)对对消信号H和被对消信号R零均值处理，相应结果记为zH和zR；3)对zH和zR降噪，相应结果记为dzH和dzR；4)构造自适应神经网络net；5)对赋值后的网络net及dzH输入函数sim，得到输出信号Out；6)将dzR与Out进行相减，确定超声涡流信号中的对消信号Flaw。

【技术特征摘要】
1.一种超声涡流信号自适应NNT对消方法，其特征在于，该方法包括如下步骤：1)确定要进行对消的信号H和被对消的信号R，设对消信号H和被对消信号R在数据阵的第i行和第j行；2)对对消信号H和被对消信号R零均值处理，相应结果记为zH和zR；3)对zH和zR降噪，相应结果记为dzH和dzR；4)构造自适应神经网络net；5)对赋值后的网络net及dzH输入函数sim，得到输出信号Out；6)将dzR与Out进行相减，确定超声涡流信号中的对消信号Flaw。2.如权利要求1所述的一种超声涡流信号自适应NNT对消方法，其特征在于：所述的步骤4)构造自适应神经网络net，具体为4.1)定义初始网络结构；4.2)定义长度相等的列向量w与行向量p之间的距离函数distm，设d＝distm(w,p)，d(i,j)＝|w(i,...

【专利技术属性】
技术研发人员：张益成，冯美名，张志义，廖述圣，魏文斌，陈姝，马奔宇，
申请(专利权)人：核动力运行研究所，中核武汉核电运行技术股份有限公司，
类型：发明
国别省市：湖北,42