基于SVD分解的储罐底板超声导波检测信号降噪算法

摘要

本发明公开一种基于SVD分解的储罐底板超声导波检测信号降噪算法，该算法首先将储罐底板原始采集信号经过补零处理，然后按一定长度从信号中截取时窗信号，从而构建分析矩阵，再进行SVD分解获得按降序排列的奇异值序列，然后计算奇异值序列的衰减速率来衡量该时窗位置是否存在特征波包，逐渐滑动时窗，在每个时窗位置都进行以上运算即可获得处理后的信号。本发明的算法能够在强噪声背景下，从检测信号中提取出特征波包，从而实现检测信号降噪，最终改善储罐底板检测的成像效果。

说明书

技术领域

本发明公开一种基于SVD分解的储罐底板超声导波检测信号降噪算法。

背景技术

世界经济的不断发展带来每个国家对于能源的需求也日益增加，石油作为“工业的血液”是当前世界上的主要能源之一，对于作为当前世界第二大石油消费国的中国，石油储备作为能源保障的重要措施，已经上升到战略储备高度。储罐作为生产运输的常见储存设备，随着石油工业的发展，其应用也在不断增加，然而储罐在长期服役过程中，在温度、湿度、微生物、载荷变化等多重环境因素的作用下会产生腐蚀，最终导致结构失效。据相关资料，储罐的腐蚀失效中，储罐底板的腐蚀失效占80％，由此可见，储罐底板的结构健康检测与检测至关重要。

现有的储罐底板腐蚀缺陷检测方法主要有超声、漏磁、渗透和射线等方法，这些方法存在一个普遍的特点，即“脚印式”检测，“踩”到哪里，检测到哪里，只能反映当前测量的点的情况，如果要了解被测对象的整体情况，需要移动探头使之与被检对象形成相对运动，从而实现扫描式的检测，在检测之前需要将储罐停止运行并经过清罐处理，然后再由人员进入储罐内部进行检测，这些方法的检测成本高，准备工作多，检测效率低，影响储罐的正常使用。超声导波技术是近年来兴起的一种新型无损检测和结构健康监测技术，区别于传统的超声体波，导波是波导中的超声波，其突出特点是单点激励，衰减小，传播距离远。导波的这些特点使其适合储罐底板的大范围快速检测。

储罐底板是由边缘板和中幅板焊接而成，结构中存在着对接焊缝、直角焊缝、立柱、垫板、补板、排水管等多种特征。对于这样的复杂结构中，存在诸多特征对于导波的反射和散射将会显著降低导波检测中信号的信噪比。当前我国对于基于超声导波的储罐底板无损检测技术的研究较少。

专利号为CN2011012810762的发明专利《基于超声Lamb波的储罐底板腐蚀检测系统及方法》提出了一种使用lamb波对于储罐底板腐蚀缺陷进行检测并成像的方法，然而Lamb在储罐底板的传播过程中存在严重的频散，激励的导波波包随着传播距离的增加而逐渐扩散，在板类结构浸液条件下，Lamb在传播过程中有严重的泄漏现象，伴随着传播过程中的自然衰减和向四周扩散而造成的衰减，当检测距离较长时，检测信号的信噪比将会显著下降，导致最终成像效果不佳。文献《基于模糊小波包的超声导波检测信号降噪研究》、《磁致伸缩导波管道无损检测技术数字信号处理关键技术》、《磁致伸缩纵向模态导波信号处理关键技术研究》等公开了使用带通滤波、平均滤波、小波变换、匹配追踪等方法进行导波降噪，这些方法虽然对储罐底板导波检测提高信噪比的效果有限，在强噪声背景下，效果不佳。

发明内容

本发明意为克服储罐底板超声导波检测信噪比较低的问题，实现在强噪声背景下对于特征波包的识别。提高储罐底板检测的成像效果。

本发明采用以下技术方案实现：

一种基于SVD分解的储罐底板超声导波检测信号降噪算法，包括以下步骤：步骤一：划定时窗，若检测信号X＝[x₁,x₂,x₃,…x_N]的长度为N，则划定一个时窗，时窗长度为b，为运算方便，规定b为奇数。d为运算计数，d＝1。为保持算法处理前后数据长度一致，检测信号X已在信号前端进行补零处理，补零的长度为b-1。

步骤二：构建分析矩阵，首先取出时窗信号B，

B＝[x_d,x_d+1,x_d+2,…,x_d+b-1]

然后构建分析矩阵A为的方阵，

步骤三：将分析矩阵A进行SVD分解，

A＝USV^T

其中U矩阵为分解出的左奇异向量矩阵，S矩阵为奇异值向量矩阵，该矩阵为一个对角线矩阵，矩阵的主对角线上为A的奇异值，其余位置都为0，V为分解出的右奇异向量矩阵。

步骤四：计算奇异值衰减速率，分解出的S矩阵中对角线上的奇异值是按照从大到小顺序排列的，即由此定义奇异值的衰减速率为

$>I={\lambda }_1^2/K$>

其中K为首个不大于的奇异值的下标，即且

步骤五：构建降噪后的信号W＝[w₁,w₂,w₃,…,w_N-b+1]，其中w_d＝I，

步骤六：如果d＜N-b+1，那么d＝d+1,返回步骤二，如果d≥N-b+1，则结束运算。

本发明的有益效果是：

本发明的算法能够在强噪声背景下，从检测信号中提取出特征波包，从而实现检测信号降噪，最终改善储罐底板检测的成像效果。

附图说明

图1：本算法流程图；

图2：原始检测信号以及成像结果；

图3：无特征波包和有特征波包的分析矩阵的奇异值序列；

图4：算法处理后的信号以及成像结果。

具体实施方式

下面将结合附图和具体实施例对本发明进行进一步说明。

实施例中为对一块储罐底板进行B扫并使用延时叠加算法进行成像，储罐底板中人工设置一个直径为10mm的缺陷，图2(a)为采集的原始信号,图2(b)为使用延时叠加算法的成像结果，从图中可以看出，除了端面的回波信号和盲区的波包信号较为明显外，缺陷的回波信号不明显，数据中存在着较大的噪声，因此，成像结果中也存在着严重的背景噪声。

使用本发明对每个原始检测信号进行处理，算法流程如图1所示，步骤如下：步骤一：划定时窗，若检测信号X＝[x₁,x₂,x₃,…x_N]的长度为N，则划定一个时窗，时窗长度为b，为运算方便，规定b为奇数。d为运算计数，d＝1。注：为保持算法处理前后数据长度一致，检测信号X已在信号前端进行补零处理。补零的长度为b-1。

步骤二：构建分析矩阵，首先取出时窗信号B，

B＝[x_d,x_d+1,x_d+2,…,x_d+b-1]

然后构建分析矩阵A为的方阵，

步骤三：将分析矩阵A进行SVD分解，

A＝USV^T

其中U矩阵为分解出的左奇异向量矩阵，S矩阵为奇异值向量矩阵，该矩阵为一个对角线矩阵，矩阵的主对角线上为A的奇异值，其余位置都为0，V为分解出的右奇异向量矩阵。

步骤四：计算奇异值衰减速率，分解出的S矩阵中对角线上的奇异值是按照从大到小顺序排列的，即如图3(a)所示，时窗信号中若不包含特征波包，则分解出的奇异值对应的都是噪声的奇异值，奇异值序列整体衰减较慢，如图3(b)所示，若时窗信号中存在特征波包，则分解出的奇异值中最大的奇异值对应的是特征波包，其余特征值对应着信号中的噪声，奇异值序列衰减较快。通过衡量奇异值衰减速率即可确定时窗所在位置是否存在特征波包。

定义奇异值序列的衰减速率为

$>I={\lambda }_1^2/K$>

其中K为首个不大于的奇异值的下标，即且

步骤五：构建降噪后的信号W＝[w₁,w₂,w₃,…,w_N-b+1]，其中w_d＝I，

步骤六：如果d＜N-b+1，那么d＝d+1,返回步骤二，如果d≥N-b+1，则结束运算。

算法处理后的结果如图4(a)所示，从经过处理后的信号中可明显地观察到缺陷对应的波包。由处理后的信号使用延时叠加算法进行成像结果如图4(b)所示，对比图2(b)可以发现，经本算法处理后，背景噪声有了明显的减少，成像效果显著改善。