Page 47 - 无损检测2023年第六期
P. 47
刘 昱, 等:
基于多晶材料超声背向散射信号时频域特征的识别方法
笔者提出了一种计算超声信号特征量的算法, 根 而超声信号的频谱同样携带了大量的特征信息, 为
据拉依达准则设定了识别阈值, 利用 MATLAB 软件 了更全面地提取样品的特征量, 还需计算目标样品
将特征量算法和阈值编译成超声识别程序, 并对陶瓷 的频域特征量, 其计算方法与时域计算基本相同, 唯
样品和金属样品进行了识别。试验结果表明, 笔者提 一区别在于: 在第一步归一化处理之前, 先将时域信
出的超声识别方法可有效识别出各类样品。 号做快速傅里叶变换, 将后续所有的时域幅值替换
1 识别原理 为频域幅值即可。
至此, 就完成了目标样品时域和频域特征量的
超声波的声速、 衰减、 背向散射等声参量与多晶 计算。以相同的方法可计算出任意待识别样品的超
材料晶粒的排列、 尺寸和分布等微观特征密切相 声信号时域和频域特征量。
关 [ 6 ] 。多晶材料中超声衰减主要由晶粒尺寸决定,
超声衰减随晶粒尺寸的增大而急剧增大, 而超声纵 3 设定阈值
向速度和剪切速度则会受相含量和晶粒尺寸的影 由于实际应用中难以避免系统误差和操作误
响 [ 7 ] 。多晶材料晶粒的尺寸和排列方向是无规律 差, 故超声识别系统易受这些影响而出现错误识别。
的, 超声回波信号能敏感地反映出其中的差异, 多晶 因此需设定识别阈值, 提高超声识别的稳定性和容
材料无规律的微观结构会导致相同材料的若干个体 错率。
的超声信号出现不同程度的背向散射 [ 8-10 ] , 基于此, 根据中心极限定理可知, 如果一个事件受到多
可利用超声波对其进行识别。 种因素的影响, 将其综合后, 结果的平均值呈高斯分
2 识别算法 布 [ 11 ] 。因此每次采集到的信号即使受多种因素影
响而出现波动, 但多次采集后的结果仍呈高斯分布,
#
选取若干材料相同的样品并依次编号为 1 , 因此可以使用拉依达准则进行判定。拉依达准则以
2 , 3 等。在这些样品中选择一个样品作为“ 目标
#
#
正态分布3倍标准差 99.7% 的置信率为基础, 以 3
样品”, 其他样品则为“ 干扰样品”。
倍标准差作为极限偏差, 超过此界限即判断该次测
采集“ 目标样品” 的超声回波信号, 为减小各类
量结果属于异常值而非随机误差 [ 12 ] 。
误差, 采集时需在同一位置采集 M 次超声信号( 取
由式( 5 ) 计算3倍标准差, 即
M=20 )。所采集到的时域超声信号记为 X , N 为
M
采样点数, 每个采样点的超声信号幅值记为 X n n σ= ∑ ( W -W m ) M ( 5 )
,
2
m= 1
=1 , 2 , 3 ,…, N 。 的平均值, 则阈值Δ=W +3σ ( σ 为
式中: W 为 W m
首先, 对 X 做归一化处理, 即
标准差)。
X n -X min 因此, 只需判断待识别样品的时、 频域特征量是
S n = ( 1 )
X max-X min
为超声信号最小 否均在阈值范围内即可识别出该样品是“ 目标样品”
式中: S n 为归一化处理结果; X min
还是“ 干扰样品”。
为超声信号最大幅值。
幅值; X max
(
然后计算时域信号序列的幅值特征参量V m m 4 识别过程
=1 , 2 , 3 ,…, M ), 即
首先对样品进行编号, 选出一个样品作为目标
N
V m = S n 2 ( 2 ) 样品, 其余样品作为干扰样品。采用超声探头对目
∑ S n
n= 1 标样品进行20次信号采集( 时域信号), 对此20个
的平均值V , 即
接着, 计算V m
信号分别进行 FFT ( 快速傅里叶变换), 得到 20 个
M
V = ∑ M ( 3 ) 频域信号。分别对时、 频域数据进行归一化处理, 并
V m
m= 1
降维处理, 得到 M 个超声识别特 提取出时、 频域特征量各20个, 最后得到时、 频域阈
最后, 对V m
征量 W m m=1 , 2 , 3 ,…, M ), 即 值各1个。
(
N N 然后将目标样品与干扰样品混合, 以相同方法
V m V
W m = ∑ ln + ∑ ln ( 4 ) 采集所有样品的待识别超声信号, 以相同方法提取
n= 1 V n= 1 V m
此时即获得了 M 个目标样品的时域特征量。 出每个样品的时、 频域特征量。经超过500次试验
3
1
2023年 第45卷 第6期
无损检测
