涡流检测信号小波除噪与缺陷特征提取

　　涡流检测是通过涡流信号的变化对被检试件内部有无缺陷以及缺陷的形状结构作出分析甚至对缺陷的发展趋势作出预测的无损检测方法。就目前而言,很难实现以上要求的精确分析。在不断地寻找新的强有力的分析手段中,人们发现小波分析是一种非常有用的工具。以下研究涡流检测信号的小波除噪和缺陷特征提取。

　　1　小波除噪原理

　　除噪的困难之处在于,如果没有对研究对象性质进行充分了解,就不能区分哪些成分是需要的,哪些成分是不需要的。因此,除噪的前提是对信号具有足够的先验知识。此外,信号和噪声还能按照某种方法分离,如果不能分离,则无法去除噪声。

　　涡流检测中的噪声主要来源于,①测量噪声。②探头抖动造成的提离干扰。③管子表面沉积物和支撑架等非缺陷因素产生的干扰。一般来说,测量噪声主要是高频成分,可以近似看作为白噪声,提离噪声以及表面沉积物和支撑架产生的信号主要是低频成分,缺陷信号介于两者之间,并有所交叠。这些先验区别是把噪声同信号区分开来并加以滤除的基础。

　　小波除噪的原理是把带有噪声的测量信号进行小波分解,根据信号与噪声在小波变换下的不同特点把两者分离开;把属于噪声的小波系数置为零,剩余部分进行小波重构得到有用信号。传统除噪技术大多基于傅里叶分析,只能利用信号和噪声在频域内的差别进行信噪分离。小波方法能够同时利用信号与噪声在时域和频域内的差别,更加有效地实现信噪分离,从而获得较为理想的除噪效果。

　　2　测量噪声的去除

　　图1是一段管材的涡流检测线圈阻抗信号(实部)。信号中的高频抖动部分是测量噪声,其统计特性可以近似用白噪声描述。图2给出了测量信号的小波变换,其中图2b使用了插入图形算法。可以看到测量噪声主要集中于最小的2~3个尺度上。信号的能量则存在于各个尺度上,但主要分布在第三个以后的尺度上。在不同的尺度之间,信号表现出很强的相关性,可以利用该特点判断小尺度上哪些成分属于有用信号,哪些成分属于噪声。由于小波基函数的局部支撑性,能够改变信号在某些点或段的值而不影响其它部分,所以小波除噪比傅里叶除噪更加灵活有效。

　　2.1　使用单一小波滤除白噪声

　　通常采用用于边缘检测的二进小波,通过分析小波变换的极大模进行除噪,具体做法是^[1,2]:

　　(1)对带有噪声的信号进行小波变换,提取所有的模极大值。

　　(2)从某个较大的、被认为是由信号控制的尺度开始,沿尺度减小的顺序,对模极大值进行甄别,删除被认为是噪声成分的模极大值,保留信号成分的模极大值。甄别的方法是,在相邻尺度上,信号的模极大值出现在相同或几乎相同的位置上,符号相同且幅值不随尺度增大而减小,否则认为是噪声。