超声波检测管检测中的信号处理方法

频道:公司动态 日期:
超声波检测管检测中的信号处理方法
在超声波检测管检测的信号降噪、数据压缩、特征提取、缺陷识别等数据处理过程中,各种先进的算法得到了广泛的应用。现代信息处理技术如数值分析法、神经网络技术、人工智能、模糊技术、自适应技术、虚拟仪器技术的逐步成熟促进了超声波检测管检测技术的应用发展和智能化程度。
小波变换是一种时频分析方法,其在时频平面上具有可变的时间和频率分辨率以及良好的表征信号局部特征的能力。小波分析技术以其多分辨率和局部化的突出特点使其成为目前超声波检测管信号时频表达的最佳分析方法之一,被广泛应用于超声波检测管信号的降噪处理、特征提取和数据压缩中。母小波和分解层数的选择以及小波系数非线性处理方法的选择是小波分析的关键技术。小波分析的改进算法,比如小波包分析,对小波变换没有细分的高频部分进一步分解,提高了处理信号的能力。提升小波变换则直接在时(空)域进行变换,获得了更好的去噪效果和更高的信噪比,并且提升小波变换的去噪速度更快、设计灵活、编程简单、易于实现。
Hilbert—Huang变换(HHT)是专为非线性、非平稳数据分析而设计的,它可根据信号的局部时变特征进行自适应的时频分解,消除了人为因素的影响。HHT对超声波检测管回波信号进行EMD分解后再进行Hilbert谱分析,构造的Hilbert谱及Hilbert能量谱能够反映回波信号的时频信息和时间信息,从而有效地判断缺陷的有无及位置。
人工神经网络将未知缺陷的回波特征参数与数据库中已知缺陷的回波特征参数进行比较,来确定未知缺陷的类型。选择合适的初始网络参数,将有利于网络的训练和提高识别率。小波神经网络是基于小波分析所构造的一种新的神经网络模型,它结合小波变换所具有的良好的高频域时间精度、低频域频率精度的性质和神经网络的自学习功能,因而具有较强的逼近、容错能力。小波包分析和人工神经网络的结合能为缺陷类型提供有效的智能识别。
基于多传感器信息融合技术的缺陷识别,可以充分利用不同传感器对不同缺陷的敏感程度,对来自多个传感器的数据进行综合处理,以获得对被测对象的精确估计和评价口43。通过传感器之间的协调和互补,克服单传感器的不确定性和局限性,提高系统的整体识别性能,与单传感器相比,能大大提高判断结果的准确性和可靠性。另外,建立基于3个BP网络和D-S证据理论的融合模型,将数据融合技术应用于超声波检测管缺陷分类中的方法,能够得到比单个网络更加准确的识别结果口钥。