ITD 改进信号子空间超声检测信号去噪

ITD 改进信号子空间超声检测信号去噪李大中1,赵杰1,刘建屏2,蔡文河2,马延会2（1.华北电力大学自动化系，河北保定071003；2.华北电力科学研究院有限责任公司，北京100045）摘要:金属材料超声检测信号中存在的干扰噪声严重影响实际缺陷的检测精度,因此必须对采集的检测信号进行有效去噪处理。

针对传统信号子空间去噪方法的不足,提出固有时间尺度分解(ITD)改进信号子空间信号增强算法的超声检测信号去噪方法,融合ITD 方法和信号子空间的优势。

通过现场超声检测缺陷信号数据的对比验证表明,信噪比、均方根误差和相关性等参数都比较满意,对含有有色噪声的超声检测信号去噪效果明显。

关键词:超声检测;去噪;固有时间尺度分解;信号子空间文献标志码:A文章编号:1674-5124(2016)04-0102-05Improved signal subspace method of ultrasonic test signal denoising based on ITDLI Dazhong 1，ZHAO Jie 1，LIU Jianping 2，CAI Wenhe 2，MA Yanhui 2（1.Dept of Automation ，North China Electric Power University ，Baoding 071003，China ；2.North China Electric Power Research Institue Co.，Ltd.，Beijing 100045，China ）Abstract:Interfering noise in ultrasonic testing signals of steel materials has seriously affected thetesting precision of actual defects.Therefore ，the noise in collected testing signals must be eliminated.A noise -removing method is proposed in this paper to solve the disadvantages of traditional signal subspace based on intrinsic time -scale decomposition （ITD ）improved signal subspace.It combines the strengths of the ITD method and the signal subspace.SNR ，RMSE and correlation as well as other parameters are satisfactory and the colored noises of ultrasonic defect signals are largely reduced ，according to the on-site contrast verification of ultrasonic testing signal data.Keywords:ultrasonic test ；denoising ；intrinsic time-scale deposition ；signal subspace收稿日期:2015-10-20;收到修改稿日期:2015-12-15作者简介:李大中（1961-），男，内蒙古包头市人，教授，博士，研究方向为新能源发电系统控制、智能优化理论及应用、分布式新能源发电及冷电联产控制系统。

0引言信号增强技术作为信号处理的重要分支,被广泛应用于抑制噪声、信号合成与识别领域。

在实际现场的超声波金属探伤过程中,由于金属材料的特殊性、探伤设备的自身干扰和实际检测环境的复杂性,超声检测回波难免会有大量噪声信号和固有信号混叠的情况,给超声检测信号后期处理与缺陷识别带来较大困难[1],因此在对超声信号进行时频域分析之前进行有效的去噪处理很有必要。

其中采用相关语音增强算法对带噪超声检测信号进行去噪处理是现阶段超声检测信号研究的最为深入的方法之一,也是可以有效去除噪声干扰的手段之一[2]。

信号增强一般属于信号预处理,通过分析不同噪声特性采用不同的信号增强方法,常用的信号增强算法有基于短时谱估计的信号增强算法以及基于信号子空间的信号增强算法。

短时谱估计信号增强算法已经在中国测试CHINA MEASUREMENT &TESTVol.42No.4April ，2016第42卷第4期2016年4月doi :10.11857/j.issn.1674-5124.2016.04.022第42卷第4期大量文献中得以研究[3],其算法复杂,增强后的信号仍含有无用噪声,适用的信噪比范围较窄,在去噪过程中容易丢失固有信号中的有用成分,同时会引入较大的噪声。

而信号子空间技术可以通过控制无用噪声消除程度及信号失真程度两方面进行去噪,在信号去噪领域得到不断关注,并有较好的去噪效果。

文献[4]将信号子空间技术与端点检测对大地电磁信号进行二次信噪分离处理,有效地补偿了形态滤波处理过程中损失的低频有用信号[4]。

文献[5]将信号子空间谱域约束技术应用到图像去噪中,散斑噪声抑制效果明显。

虽然信号子空间技术在白噪声环境下去噪效果明显,但是当信号中存在有色噪声时,传统信号子空间技术去噪效果明显下降。

白噪声是功率谱密度不变且在整个频域内都均匀分散的随机信号,理想的白噪声在频域内具有无限带宽。

因此,实际环境中并不存在完全的白噪声,当实际噪声不具备上述性质时,此时的噪声信号为有色噪声,而粉红噪声(pink noise)是最常见的,常用在声学测试中,不同于白色噪声,粉红噪声的频率分量主要分布在中低频段。

Frei等[6]于2006年提出了一种针对非线性、不平稳信号的新方法-固有时间尺度分解(ITD)。

该方法适合分析非线性具有时变谱的不平稳信号,不需要样条插值和筛选过程,因此几乎没有边缘效应,计算速度很快,可以实时处理大量数据。

基于此,本文提出一种ITD改进信号子空间技术的去噪方法,并依据现场超声检测缺陷信号数据进行了对比验证,得到了较为满意的结果。

1信号子空间信号子空间法在去噪过程中既可以控制信号失真程度,也可以权衡无用噪声的消除程度。

1.1信号子空间原理信号子空间技术是将实际中带噪声信号看成由两个向量空间组成,通过将带噪声信号投影到信号子空间和噪声子空间,这里信号子空间主要包括纯净信号成分和很少的噪声成分,将噪声子空间内全部信号置零滤除噪声子空间及信号子空间中的噪声成分,尽可能保留信号部分从而得到近似纯净的信号[7]。

用x表示无任何噪声的纯净信号,n表示加性噪声向量,y表示由纯净信号和加性噪声叠加而成的带噪声信号。

假设纯净信号x和无用噪声n互不相关,此时有:y=x+n,E{x(i)n(j)}=0,∀i,j(1)x~=H y(2)式中x~为纯净信号x的时域线性估计(time domain compute,TDC)[8],H为线性估计矩阵,则纯净信号与估计信号的误差信号为ε=x~-x=(H-I)x+Hn=εx+εn,其中εx和εn分别表示线性估计导致的信号失真量以及未去除的剩余噪声量。

为平衡信号失真量和剩余噪声量,将信号失真能量进行最小化,利用特征值分解[9](eigenvalue de⁃composition,EVD)可以得到当噪声为白噪声时,纯净信号x的最优线性估计矩阵如下:H opt=U x^(x^+μσ2n I)-1U T(3)式中:μ———拉格朗日算子[10];U、x^———特征向量矩阵和特征值对角矩阵;σ2n———噪声n的方差。

该估计矩阵是一种次优估计,在白噪声背景下去噪效果明显,但遇到有色噪声时此算法去噪存在明显不足。

为弥补该算法对有色噪声去噪效果的不足,通过对矩阵R x和R n同时对角化,获得有色噪声背景下的最优估计矩阵如下:H opt=U-T xΔx(Δx+μI)-1U x T(4)式中Δx与U x分别为特征值对角矩阵和特征向量矩阵,将式(4)代入式(2),得到原始纯净信号x的最优估计如下:x~=U-T x GμU T(5)式中Gμ=Δx(Δx+μI)-1为增益函数。

1.2超声检测信号子空间去噪超声缺陷信号去噪试验的主要流程是:选取具有代表性的缺陷,在指定工件上人为制造缺陷,使用信号采集装置收集缺陷的回波信号,在Matlab里进行去噪处理。

将信号子空间技术应用到超声检测信号去噪中,具体步骤如下:1)采集超声缺陷信号。

为采集真实的钢材料中超声检测缺陷信号,制作钢材料试块如图1所示。

在60mm×40mm×30mm的试块中做直径为5mm、深10mm的圆柱形孔。

通过超声波发生接收器CTS-8077PR与示波器DPO2012连接,用中心频率为5MHz、直径为10mm的直探头采集到此钢材料中缺陷样本信号如图2所示,采样频率为1GHz,数据长度为3500。

2)获得带噪声信号。

通过将原始超声检测信号与白噪声和粉红噪声叠加,获得需要去噪处理的带噪声信号,如图3所示。

3)信号子空间去噪。

利用式(5)中原始纯净信号x的最优线性估计,将带噪声信号投影到信号子空间和噪声子空间,通过分帧构造协方差矩阵,对该协李大中等:ITD改进信号子空间超声检测信号去噪103中国测试2016年4月方差矩阵进行特征值分解,设置判断阈值将小特征值置零,即可得到全部置零的噪声子空间,重构该帧信号,并使全部帧信号连接起来得到去噪后信号,如图4所示。

由图可知,利用信号子空间对带白噪声信号与粉红噪声信号进行去噪处理,白噪声信号去噪虽然仍残留一些无用噪声,但整体去噪效果明显,对之后超声检测信号的分析处理影响较小。

但该方法对粉红噪声信号去除效果较差,信号严重失真,无法对其进行下一步的信号时频域分析处理。

2固有时间尺度分解固有时间尺度分解作为目前最新的信号分解方法,对不平稳信号具有高度的自适应性,该方法将超声检测信号分解成一系列瞬时频率有物理意义的固有旋转分量(PRC)和一个单调的趋势残量之和。

得到ITD分解结果后,可以对任意一个固有旋转分量进行频谱分析,从而获得原来信号难以显现的调幅特征和调频特征。

假设需要处理的超声检测信号为X t,是一组由实数构成的离散数据。

寻找X t中的所有极值点,其对应的信号时刻为k(k=1,2,…,M,M为信号极值总数)。

首先定义L为基线提取算子,令0=0,则信号X t 的第一次固有时间尺度分解为X t=LX t+(1-L)X t=L t+H t(6)式中L t=LX t和H t=(1-L)X t分别为基线提取信号和固有旋转分量(PRC)。