本技术方案介绍了一种应用于非线性超声检测领域的信号处理方法及系统,旨在提高混凝土损伤检测的准确性。该方法通过CEEMDAN算法对非线性超声信号进行降噪和特征增强,以提升检测信号的质量。
背景技术
现存工程建筑中存在诸多混凝土建筑物,而很多混凝土建筑物由于长期使用必然产生老化、出现裂隙等现象,未能及时检测出相关问题,导致大量经济损失和人员伤亡经常发生。因此,提前检测到对现存混凝土结构产生的裂隙具有重要意义。而目前主流的无损检测方法如超声检测法,只能对宏观裂纹起到检测效果,无法对微裂纹的检测。
为克服微裂纹的检测问题,发展了非线性超声检测法。但非线性超声检测法中的非线性超声信号非常敏感微小,经常被掩藏在系统噪声中,这对测量精度和准确性造成了强烈的干扰。这会导致对微裂纹状态的识别和微裂纹发展的预测产生失败的结果。同时,非线性超声检测信号经常是非线性、非平稳性,信噪比较低的状态。目前已有方法大多针对超声检测信号的降噪处理,而对非线性超声检测信号降噪方法还较少。另外,非线性超声检测信号的非线性特征随检测损伤变化总体方向是相同的,但具有波动性。综合上述情况,有必要提出混凝土的非线性超声检测信号的去噪及特征增强方法。
另一方面,无损领域超声检测信号的去噪方法有很多种类,最初通过设置相关滤波器进行降噪,但这种方法需要调节滤波相关参数,降噪效果差。以时间序列处理角度产生了有效的信号处理方法,将时间序列分解为一系列模态,处理分解后的模态能达到信号处理的效果。初期有效的时间序列处理方法是小波变换,利用小波基函数,结合短时傅里叶变换的窗函数,选定一定比例提高处理性能;但对于不同类型的信号,选择合适的小波基函数并不容易。
经验模态分解(EMD)能够自适应将原信号分解为多个本征模态函数,无需手动调节参数,解决了小波变换的弊端。但这种方法易出现模态混叠的现象,即相近的时间尺度分布在不同的本征模态分量(IMF)中,使信号处理结果的误差较大。
变分模态分解(VMD)有严密的数学理论推导,可将信号分解为多个单分量,可减少混杂分量的产生,因此成为了解决EMD模态混叠,端点效应以及缺乏理论支撑等问题的另一种方法。值得注意的是,VMD需要对初始猜测进行设定,这可能会影响最后结果的准确性和稳定性;确定模态数量也是VMD的一个挑战,这也会影响分解结果的准确性。最后由于VMD是基于优化算法的,可能存在局部最小值问题导致分解结果不准确。因此,还需要探索更多有效高级的信号处理方法。
神经网络能够从原始时间序列中学习时间序列数据的有效特征。若将神经网络用于学习含噪声的时间序列的特征,由于神经网络不能从噪声分量中提取得到有效的信息,因此可将神经网络用于提取被噪声掩盖之下的真实信息的特征。同时,神经网络能从训练数据中学习原始信号与含噪信号之间的非线性关系,建立映射,与之前方法相比,能自动学习噪声中的不敏感特征,达到降噪的目的,避免了人为选择和调节参数。因此,融合传统信号处理方法与深度学习,提出能有效提高降噪水平的信号处理方法具有重大潜在优势。同时,目前已有的降噪方法只是针对信号降噪的效果进行研究,研究对象包括超声信号、音频信号、振动信号以及医学ECG信号等。但已有的方法还未有对被处理的信号特征增强的效果。
因此,亟需一种能够兼顾信号降噪和特征增强的非线性超声检测信号处理方案。
实现思路