一种基于导波的管道缺陷信号识别方法

摘要

本发明公开一种基于导波的管道缺陷信号识别方法，属于无损检测领域。本发明首先利用滤波器对导波信号内的电磁干扰进行消除，再经过离散小波包按3~7尺度分解，构成多尺度小波包子空间，选择双低频子空间进行自适应滤波，计算双低频子空间信号能量谱构成归一化特征向量，比较待检测信号特征向量特征值是否在标准缺陷信号特征向量特征值容差范围内，来判定缺陷信号。根据半监督模糊聚类理论，比较缺陷信号样本特征向量与标准缺陷样本特征向量的欧式距离，按欧式距离最小准则判定信号缺陷类型。该方法具有算法简单可靠，计算耗费时间短，对操作人员要求低特点。

说明书

技术领域

本发明涉及一种基于导波的管道缺陷信号识别方法，属于无损检测领域。

背景技术

信号特征提取的方法主要基于短时傅里叶变换，小波包变换，提升小波变换，经验模态变换。然而仅基于一种方法都会因自身局限性而使特征提取不能满足识别的要求，如短时傅里叶变换不能调整窗函数的大小，信号时域和频域的分辨率不可变化；提升小波变换的预测和更新运算会产生浮点数，当有大量的数据时，累积误差不可想象；经验模态变换的单个固有模态频率需要多次迭代且频率分辨率较低，附带的端点效应也是一个技术难题。小波包分析是管道检测信号的一种有效处理技术，相比较小波分析技术，小波包分析能够在信号低频区和高频区域同时进行向下二进分解，可获得精确的频率分辨率。但小波包变换也会附带产生边界问题，使相邻频率区之间的波形产生失真。基于自适应算法的离散小波变换可以根据前一时刻获得的波形参数按照最小均方差准则来调整后一时刻信号，可以有效避免边界效应的影响，提高信号抗干扰能力。

智能识别技术是管道缺陷识别最终的处理方法，目前已经发表的或者公开的研究成果对管道特征的识别主要包括神经网络的方法、监督式模糊识别方法和相关性分析，对管道缺陷的类型识别还较少。

专利CN102122351采用人工神经网络技术进行管道缺陷轮廓进行识别，不仅需要输入大量的数据，还要耗费大量时间进行训练、运算、比较，当超过误差范围还需再次重复上述过程，不能满足管道实时性检测的要求，且管道缺陷类型没有做具体分类。

专利CN101201901A利用有监督模糊技术分类平稳信号和非平稳信号，不仅需要大量样本进行训练，还需定义隶属度代价函数，隶属度代价函数的定义具有很大的不确定性，分类结果可靠性不高。

专利CN101571233A利用了相关分析方法对管道特征进行了分类，对管道具体缺陷没有做进一步的类型区分，具有一定的局限性。

模糊理论在在信号分类中发挥巨大作用现已得到广泛认可，半监督模糊聚类识别方法根据少数确定样本和多数非确定样本的距离关系同时训练并划分样本类型，减少计算机处理时间，且相对简单的算法降低了操作人员的要求，将半监督模糊聚类识别方法用于管道实时监测尚未见报道。

发明内容

基于以上问题的存在，提出一种简单易行的管道导波缺陷信号的识别方法，有助于实时识别管道缺陷。本发明是一种基于导波的管道缺陷信号识别方法，利用离散小波包分解所得子空间能量谱特征向量，比较少数确定样本和非确定样本之间的欧式距离来判定非确定样本的缺陷信号类型。

一种基于导波的管道缺陷信号识别方法包括以下步骤：

（1）采集导波信号，对采集到的信号先进行前置电压放大和消除电磁干扰的预处理，再按采样频率Fs离散化，采样后的信号经离散化后频率F分布在（0~F_s/2）内，低频区频率分量包含（0~F_s/2_-                                                ）,高频区频率分量包含（F_s/2_-~F_s/2_-）。

在现场采集到的导波信号较微弱，而且会混入各种噪声信号包括管道不同材料物性和特征的信号频散和外部的电磁干扰，经前置放大后噪声也随着放大，而滤波器只消除电磁干扰，当电磁干扰的频率和有用信号的频率重合时，滤波效果不会满足要求，因此噪声的消除不能单独依靠外接滤波器进行消除。

（2）将经过预处理的信号进行3-7层离散小波包分解，得到不同频段空间的分解信号。考虑到离散小波包分解是否失真关键是小波包母函数的选择，本发明中对各种小波包母函数进行分析对比，最终选择db4小波包母函数进行分解。离散小波包分解的算法为： 

W_2n(t)= 

W_2n+1(t)=                

{h_k},{g_k}为具有正交关系高低通正交镜像滤波器，g_k=(-1)^kh_1-k,当n=0时，

w₀（t）和w₁（t）分别为Φt尺度函数和Ψt小波函数。

预处理信号X（t）最终可分解为

X=（1，0）+(1，1)+(2，0)+…(2，3)+(3，0)+(3，1)+…+(3，6)+(3，7)+……+(7，0)+(7，1)+ …+(7,127)+(7,128)

(N,M)为所分解频率子空间结点，N表示为层数，M表示为子空间频段区号，当M为偶数时，该结点子空间为上一层子空间的低频域。当M为奇数时，该结点子空间为上一层子空间的高频域。

（3）选取双低频子空间{D₁(N,M):|（N,M=2^(N-1)-1）∪（N,1）,N=3,4,5,6,7}信号进行自适应滤波并进行系数重构，在消除杂波信号的同时也提高了信号的频率分辨率。导波信号的波形信息大多包含在低频空间尺度中，高频空间尺度主要包括系统内部及其设备的噪声，中高频空间尺度内通常较复杂。

小波包分解各频率空间通常会带有一些边界问题，使得分解所得子空间的信号出现突变。LMS自适应滤波器具有无需知道信号的先验知识，利用前一时刻已获得的滤波器参数来自动调节现时刻的滤波器参数，以适应信号和噪声未知或随机变化的统计特性。采用自适应滤波器可以减小信号分解所带来的边界问题，其中自适应滤波器为LMS自适应滤波器，权值由最小均方差算法确定。离散小波包分析通过自适应滤波器算法为：

W_2n(t)=              (2)

W_2n+1(t)= 

其中f为步长因子，控制着系统的稳定性和收敛速度，为k-1时刻的误差系数，为k时刻的信号函数。

（4）对双低频区小波包系数进行单支重构。

（5）计算所分解3-7层数双低频率空间的能量，记为E_ij,（i=3～7,j=1），取3~7层双低频空间信号能量构成5维能量谱特征向量，并作归一化处理，记为TH。                      

根据测不准定理，小波包分解的尺度越多，频率分辨率越高，越能减小杂波的干扰，但时间分辨率越低，由于信号是在时域图上进行辨别，时间分辨率的降低不利于人员分辨信号。因此小波分解的层数要折中选取。

当一个多频率分量的导波信号在带有缺陷管道中传播时，信号幅频特性和相频特性相对缺陷会发生改变，信号不同尺度频带区间内的能量也会发生变化。选取各层能量谱特征向量可以有效区分缺陷类别。

               TH=[ E₃₁/E_,E₄₁/E_,E₅₁/E_,E₆₁/E_,E₇₁/E]      （3）   

                     E=（）                      

    计算TH特征向量的特征值，判断特征值是否在标准缺陷信号容差范围以内，如果在缺陷信号能量容差范围内，则判断缺陷信号的类型。

标准样本的建立是通过采用逆向法，在实验现场采集60组缺陷为孔洞、裂纹、腐蚀类型数据，每种类型缺陷包括20组缺陷截面积比为3%，5%，7%，9%，缺陷截面积比定义为管道最深处的缺陷横截面与整个横截面的比值，管道3种主要的缺陷：f1: 孔洞，f2:腐蚀，f3: 裂纹。

（6）利用实验统计的思想确定典型缺陷信号下归一化特征向量的特征值Cj和容差范围ΔCj(j=1~5)，假设E₃₁/E的特征值为C1,容差范围为ΔC1， E₄₁/E特征值为C2，容差范围为ΔC2，以此类推，计算公式为：

                                C_j=1/n                     （4）

其中n为试验次数,对n的要求是：如果实验数据的重复性较大，则试验次数可以取得较小；如果实验数据的重复性较小，则要求试验次数n较大。Cj的数值较大对特征值进行归一化处理。

                    ΔC_j=Kσ=K(1/n) ^1/2                 （5）

容差范围一般取方差的3~5倍。

（7）假设计算得到的采集信号能量谱特征向量特征值超过缺陷信号容差范围，则判定为有缺陷。采用半监督模糊聚类的方法计算待测数据样本与标准缺陷样本特征向量的欧式距离，根据欧式距离最小的原则来判定缺陷类型。两个向量的欧式距离可以定义为

                             D=[]^1/2                      （6）

   半监督模糊聚类识别方法同时进行训练和样本类型划分，通过确定少数样本类型，根据不同缺陷的类内距较大，同类缺陷的类内距较小的判据，比较与多数非确定样本与少数标准类型样本的欧式距离，距离最小的为该类型缺陷

本发明具有的有益效果：

1）本发明是基于离散小波包模糊聚类分析的方法处理管道超声导波信号，由于管道超声导波混入的噪声比较复杂，在前期对外部电磁干扰进行预处理之后，采用自适应滤波器对分解后的低频信号进行二次处理，最大程度消除信号的噪声和小波包分解所带边界问题的影响，具有更高的可信度。

2）采用模糊聚类的方法，依据不同缺陷的类间距相差较大，同类型类内距相差较小的判据，计算采集缺陷信号能量谱特征向量与标准缺陷信号能量谱特征向量的欧式距离，算法简易，计算处理速度快有助于管道进行实时监测。

3）自顶向下选取小波包分解的双低频信号信息进行处理，避免小波包的复杂算法降低计算处理速度，最大程度的减少运算量。 

4）本发明的处理方法对管道缺陷类型进行了具体分类，方便检测人员根据实际缺陷类型对管道采取具体的补救措施，缩短管道维修周期，减少损失。

5）本发明是在大量的实验和现场数据下得出标准缺陷特征向量和确定分解尺度，分类结果具有误差小，可靠性高的特点。

附图说明

图1为管道超声波信号缺陷类型识别流程图。

图中，1 原始导波信号采集  2导波信号预处理  3小波包分解  4自适应滤波  5小波包系数重构  6计算各尺度能量特征向量容差范围  7计算特征向量与标准向量的欧式距离。

图2为实施例管道标准无缺陷能量图。

图3为实施例管道标准孔洞缺陷能量图。

图4为实施例管道标准腐蚀缺陷能量图。

图5为实施例管道标准裂纹缺陷能量图。

具体实施方式

下面通过实施例对以上步骤和方法进行描述，在现场和实验室采集的含裂纹管道数据构成样本S1,采取的主要仪器设备包括任意函数发生器，功率放大器，自制管道传感器，前置放大器和滤波器，对样本S1处理主要基于MATLAB软件编程实现。

（1）采集原始导波缺陷信号进行预处理。

将采集到的超声导波的管道传感器连接前置放大器和滤波器，滤波器主要消除来自外界的电磁干扰，避免信号产生的毛刺现象。

将经过预处理的信号按采样频率500k进行离散化，根据采样定理，采样后的信号频率分布在（0~250k）内，按公式（1）进行离散小波包3~7层分解，得到不同频段的信号信息。其中（0~125k）为采集信号低频区，(125k~250k)为采集信号高频区。

（2）自适应离散小波包分解与重构

对经过预处理的信号进行离散小波包变换，小波包母函数选择db4,选取双低频子空间{D₁(N,M):|（N,M=2^(N-1)-1）∪（N,1）,N=3,4,5,6,7}信号进行自适应滤波。

自适应滤波器将信号x(k)作为参考信号，信号x(k)为输入的子空间信号，y(k)为滤波器输出，误差序列e(k)= x(k)-y(k)= x(k)-WT(k)x(k),按照最小均方值的准则，即取min{E[e(k)]}来自动调整权矢量。则离散小波包变换通过自适应滤波器算法为：

W_2n(t)= 

W_2n+1(t)=            （1）

其中f为步长因子，控制着系统的稳定性和收敛速度，为k-1时刻的误差系数，为k时刻的信号函数。

（3）计算导波信号能量谱特征向量

计算第3~7层低频空间D₁能量并构成能量谱特征向量，按照公式（6）对特征向量做归一化处理，得到能量谱特征向量TH

               TH=[0.9463，0.9285，0.5955，0.5920，0.5756]    （2）

经比较待检测信号的能量特征向量特征值在缺陷信号容差外，判定是缺陷信号。特征值计算和容差范围分别以公式（4）和（5）计算，其中试验次数n取3次。

（4）计算采集信号与标准缺陷信号的欧式距离，

采集信号样本S1被确定为缺陷信号后，根据半监督模糊聚类理论，计算信号样本S1与F1、F2、F3、F4特征向量的欧式距离D

计算所得欧式距离可见，待分析信号能量谱特征向量与标准裂纹缺陷信号能量谱特征向量的欧式距离最小，则判定为信号样本S1为裂纹缺陷信号。

图2—5中，图2为实施例管道标准无缺陷能量图，用F1表示；图3为实施例管道标准孔洞缺陷能量图，用F2表示；图4为实施例管道标准腐蚀缺陷能量图，用F3表示；图5为实施例管道标准裂纹缺陷能量图，用F4表示。