文章信息
- 蔡笑风, 刘继方, 李永峰, 赵文才
- CAI Xiaofeng, LIU Jifang, LI Yongfeng, ZHAO Wencai
- 基于经验小波变换的干耦合超声检测Lamb波信号分析
- Signals analysis of Lamb wave by dry-coupled ultrasonic testing based on empirical wavelet transform
- 中国测试, 2019, 45(1): 139-144
- CHINA MEASUREMENT & TEST, 2019, 45(1): 139-144
- http://dx.doi.org/10.11857/j.issn.1674-5124.2018020007
-
文章历史
- 收稿日期: 2018-02-10
- 收到修改稿日期: 2018-04-19
干耦合超声检测方法由于无需在待检测材料表面涂抹水或油等液体耦合剂,操作方便,移动灵活,适用于固体火箭发动机壳体、飞机机翼等一些对结构完整性要求较高且需要长期使用或贮存的部件。当利用干耦合方法对复合材料平板结构进行检测时,激发出的Lamb波携带有大量结构或缺陷的信息,如缺陷的类型、大小、位置等,采用合理的分析方法提取出信号中的有用信息,就能对材料中的损伤情况做出评估[1]。
传统的信号分析方法有经验模态分解方法、小波变换、傅里叶变换、非稳态框架变换[2]等。其中,经验模态分解是1998年由Huang等[3-4]首次提出,目的是将信号分解为一系列固有模式函数(intrinsic mode functions,IMF)。EMD方法虽然具有高自适应性及能够提取出信号中非平稳部分的特点,但是该方法容易出现模态混叠,致使信号内各个成分在迭代筛选过程中无法成功分离。为解决这一问题,Torres等[4]提了一种集合经验模态分解 (ensemble empirical mode decomposition,EEMD)方法,该方法通过对混有不同人工噪声的信号进行计算得到一系列EMD分解项,再对其求平均值得到EEMD,这种方法虽然能够得解,但是计算量较大。Hou等[5]提出了另外一种EMD方法对IMF分量进行稀疏表示,虽然也能得到类似于传统EMD方法的计算结果,但是由于计算过程中用到了高阶总变差项,该方法对噪声十分敏感需要增加额外的滤波器。
连续小波变换是另外一个重要的信号分析方法,它通过计算信号与不同小波函数的内积,得到变换结果,其功能相当于一组不同尺度的滤波器。目前,文献中关于自适应小波重建方法的研究较少[6-8],小波包是其中应用较广的一种,它能够对信号进行自适应的时频平面排列;Malvar等[9]提出了一种Malvar-Wilson小波方法,通过对原始信号进行分割来构建自适应表示,从而获得各时间间隔内的时域信息,虽然这种方法思路很好,但是时间分割很难实现;Meyer等[10]提出了另一种梳状波的方法,用来构建频域内的一组自适应滤波器,从根本上说它借鉴了Malvar的思想,只是将分割的对象换成了信号的频域,虽然最终实现了目的但是这种方法非常复杂;Daubechies等[11]提出了一种同步挤压小波方法,将经典小波分析和时频联合分布结合在一起,明显提升了时频分析能力。
EWT是由Gilles[12]于2013年在EMD方法的基础上,结合小波变换理论提出的一种新的自适应信号处理方法。兼顾了EMD类方法和连续小波变换方法的优点。国内,李志农等[13]对EWT进行了仿真分析,并将其应用于机械故障诊断,区分碰磨故障的严重程度;李沁雪等[14]将EWT和多尺度熵结合在一起,用于轴承振动信号的前期信息提取和故障分类。因此,本文将引入经验小波变换(empirical wavelet transform, EWT)这一新兴的信号分析方法,将其应用于干耦合Lamb波检测信号的模态分解中。
1 EWT方法EWT的核心思想是根据信号频谱特性对频谱进行自适应地分割,构造一系列带宽适合的带通滤波器,以提取具有紧支撑频谱特性的调频调幅模态。
1.1 核心函数的定义假设将频域内周期
经验小波定义为
${\hat \varphi _n}(\omega ) = \left\{ \begin{aligned} &1,\;\;\;\;\left| \omega \right| \leqslant {\omega _n} - {\tau _n}\\ &\cos \left[ {\displaystyle\frac{\pi }{2}\beta \left(\displaystyle\frac{1}{{2{\tau _n}}}(\left| \omega \right| - {\omega _n} + {\tau _n})\right)} \right],\\ &\;\;\;\;{\omega _n} - {\tau _n} \leqslant \left| \omega \right| \leqslant {\omega _n} + {\tau _n}\\ &0,\;\;\;\;{\text{其他}} \end{aligned} \right.$ | (1) |
${\hat \psi _n}(\omega ) = \left\{ \begin{aligned} &1,\;\;\;\;{\omega _{{n}}} + {\tau _n} \leqslant \left| \omega \right| \leqslant {\omega _{n + {\rm{1}}}} - {\tau _{n + {\rm{1}}}}\\ &\cos \left[ {\displaystyle\frac{\pi }{2}\beta \left(\displaystyle\frac{1}{{2{\tau _n}}}(\left| \omega \right| - {\omega _{n + 1}} + {\tau _{n + 1}})\right)} \right],\\ &\;\;\;\;{\omega _{n + 1}} - {\tau _{n + 1}} \leqslant \left| \omega \right| \leqslant {\omega _{n + 1}} + {\tau _{n + 1}}\\ &\sin \left[ {\displaystyle\frac{\pi }{2}\beta \left(\displaystyle\frac{1}{{2{\tau _n}}}(\left| \omega \right| - {\omega _n} + {\tau _n})\right)} \right],\\ &\;\;\;\;{\omega _n} - {\tau _n} \leqslant \left| \omega \right| \leqslant {\omega _n} + {\tau _n}\\ &0,\;\;\;\;{\text{其他}} \end{aligned} \right.$ | (2) |
其中
对于
${\hat \varphi _n}(\omega ) = \left\{ \begin{aligned} &1,\;\;\;\;\left| \omega \right| \leqslant (1 - \gamma ){\omega _n}\\ &\cos \left[ {\displaystyle\frac{\pi }{2}\beta \left(\displaystyle\frac{1}{{2\gamma {\omega _n}}}(\left| \omega \right| - (1 - \gamma ){\omega _n})\right)} \right],\\ &\;\;\;\;(1 - \gamma ){\omega _n}\leqslant \left| \omega \right| \leqslant (1 + \gamma ){\omega _n}\\ &0,\;\;\;\;{\text{其他}} \end{aligned} \right.$ | (3) |
${\hat \psi _n}(\omega ) = \left\{ \begin{aligned} &1,\;\;\;\;(1 + \gamma ){\omega _{{n}}} \leqslant \left| \omega \right| \leqslant (1 - \gamma ){\omega _{n + {\rm{1}}}}\\ &\cos \left[ {\displaystyle\frac{\pi }{2}\beta \left(\displaystyle\frac{1}{{2\gamma {\omega _n}}}(\left| \omega \right| - (1 - \gamma ){\omega _{n + 1}})\right)} \right],\\ &\;\;\;\;(1 - \gamma ){\omega _{n + 1}} \leqslant \left| \omega \right| \leqslant (1 + \gamma ){\omega _{n + 1}}\\ &\sin \left[ {\displaystyle\frac{\pi }{2}\beta \left(\displaystyle\frac{1}{{2\gamma {\omega _n}}}(\left| \omega \right| - (1 - \gamma ){\omega _n})\right)} \right],\\ &\;\;\;\;(1 - \gamma ){\omega _n} \leqslant \left| \omega \right| \leqslant (1 + \gamma ){\omega _n}\\ &0,\;\;\;\;{\text{其他}} \end{aligned} \right.$ | (4) |
频谱分割是EWT方法的关键步骤,目的是分割出围绕中心频率具有紧支撑特性的不同频段。假设分割段数为
1)
2)
根据0、
通过选择合适的参数
$\sum\limits_{k = - \infty }^\infty {({{\left| {{{\hat \varphi }_1}(\omega + 2k\pi )} \right|}^2} + \sum\limits_{n = 1}^N {{{\left| {{{\hat \psi }_n}(\omega + 2k\pi )} \right|}^2}} )} = 1$ | (5) |
那么
考虑区间
$\left[ {0,2\pi } \right] = \bigcup\limits_{n = 1}^N {{\varLambda _n} \cup \bigcup\limits_{n = 1}^N {{\varLambda _{\sigma (n)}}} } $ | (6) |
$\begin{array}{l} \omega \in (\bigcup\limits_{n + 1}^N {{\varLambda _n}/\bigcup\limits_{n + 1}^N {{T_n}} } ) \cup (\bigcup\limits_{n + 1}^N {{\varLambda _{\sigma (n)}}/\bigcup\limits_{n + 1}^N {{T_{\sigma (n)}}} } ) \end{array}$ |
则有:
$\begin{split} &{\left| {{{\hat \varphi }_1}(\omega )} \right|^2} + {\left| {{{\hat \varphi }_1}(\omega - 2\pi )} \right|^2} + \\ &\quad\displaystyle\sum\limits_{n = 1}^N {({{\left| {{{\hat \psi }_n}(\omega )} \right|}^2} + {{\left| {{{\hat \psi }_n}(\omega - 2\pi )} \right|}^2})} = 1 \end{split}$ | (7) |
由于
${\tau _n} + {\tau _{n + 1}} < {\omega _{n + 1}} - {\omega _n}$ | (8) |
即:
$ \gamma < \frac{{{\omega _{n + 1}} - {\omega _n}}}{{{\omega _n} + \gamma {\omega _{n + 1}}}}$ | (10) |
由于条件(9)对所有的
类似于经典小波变换定义,经验小波变换细节系数
$\begin{split} W_f^\varepsilon (n,t) =& \left\langle {f,{\psi _n}} \right\rangle = \int {f(\tau )} \overline {{\psi _n}(\tau - t)} {\rm d}\tau \\ =& {(\hat f(\omega )\overline {{{\hat \psi }_n}(\omega )} )^ \vee } \end{split}$ | (11) |
近似系数
$\begin{split} W_f^\varepsilon (0,t) =& \left\langle {f,{\varphi _1}} \right\rangle = \int {f(\tau )} \overline {{\varphi _1}(\tau - t)} {\rm d}\tau \\ =& {(\hat f(\omega )\overline {{{\hat \varphi }_1}(\omega )} )^ \vee } \end{split}$ | (12) |
因此可以得到重建信号
$\begin{split} f(t) =& W_f^\varepsilon (0,t){\varphi _1}(t) + \displaystyle\sum\limits_{n = 1}^N {W_f^\varepsilon (n,t) {\psi _n}} (t)=\\ & {(\overline {W_f^\varepsilon } (0,\omega ) {\varphi _1}(\omega ) + \displaystyle\sum\limits_{n = 1}^N {\overline {W_f^\varepsilon } (n,\omega ) {\psi _n}} (\omega ))^ \vee } \end{split}$ | (13) |
根据式(12),
$\begin{array}{l} {f_0}(t) = W_f^\varepsilon (0,t) {\varphi _1}(t)\\ {f_k}(t) = W_f^\varepsilon (k,t) {\psi _k}(t) \end{array}$ | (14) |
根据EWT得到信号的分解模态,再对每个模态函数进行傅里叶变换,从而得到有意义的频谱。
2 干耦合Lamb波信号分析 2.1 干耦合超声检测实验实验检测系统如图1所示,包括:AFG3052C型信号发生器、HSA4051型双极性功率放大器、MSO1104型四通道示波器及自主研制的干耦合超声波探头,其中干耦合探头的压电振子采用三叠片形式,上下两层为两片沿厚度方向极化的压电陶瓷圆片,作为压电振子的驱动材料,中间一层为金属片,其直径略大于压电陶瓷圆片,用于支撑和进行电路连接;传声杆采用透声性能较好的材料制成,直径只有压电振子的1/4,既能够将超声波能量进行聚焦,使超声波更加集中地传递到被检试件中,又由于端面较小,与被检材料之间可认为是点接触,克服了传统检测由于空气的存在带来阻抗不匹配问题。
检测对象为复合材料粘接结构,上层为S-2玻璃纤维,下层为丁腈橡胶,试件长宽为250 mm×250 mm,上层厚5 mm,下层厚2 mm,在纤维和橡胶的粘接界面上预置了两个圆形空气夹层脱粘缺陷,缺陷直径分别为Φ 10 mm及Φ 30 mm。采用5周期汉宁窗调制正弦函数作为激励信号,频率为100 kHz,信号重复频率为1 kHz,输出电压为40Vp-p,输出阻抗为低阻50 Ω。
检测时,将一对干耦合探头置于缺陷的两端,间距不变,并通过质量块加压固定,依次在Φ 10 mm及Φ 30 mm缺陷区域采集Lamb波检测信号,如图2所示。
传统的超声波检测中,通常根据不同状态下时域信号幅值的差异来判断缺陷的存在与否,但从图2中可以看出,两个信号幅值相近,简单的根据幅值变化无法区分出缺陷大小。从图中也可以看到,检测到的Lamb波均含有多种波包,且形状、数量不同,且不同程度的混叠在一起,这也是由Lamb波频散及多模式的特点决定的,因此需要对它的模态进行分解。
2.2 结果分析利用EWT方法分别对Φ 10 mm及Φ 30 mm缺陷信号进行处理,其每个滤波器支撑的频段边界如图3所示,其中蓝色实线是频谱分析的结果,红色虚线是划分的频率边界。根据自适应频谱分割方法,分割段数分别为
从图3中可以看出两个信号的频段得到了很好的分割,主要频率都处于支撑边界的中间, 且缺陷较大的信号的分割段数
利用EMD方法对两个缺陷检测信号进行分析,结果如图5所示。从图中可以看出,EMD方法也能对检测信号进行模态分解,区别在于:
1) EMD方法需要多次迭代才能求解解出一个IMF分量,而EWT是在小波框架下建立的方法, 其计算量明显较小。
2) 经EMD分解的模态明显多于EWT,且EMD分解结果中含有相近的成分,EMD中将进行更多次的迭代筛选,也体现了EWT计算量小的优势。
3) EMD结果中存在很多无法解释的高阶分量,且部分分量属于虚假模态,不能反映干耦合Lamb信号传播的真实特点。
3 结束语本文对EWT方法进行了分析研究,并将其应用于干耦合Lamb波检测信号的模态分解中,结论如下:1) 干耦合Lamb波由于具有频散及多模式的特点,根据时域信号幅值大小评判缺陷尺寸可能不再适用;2)由实验结果可知,经过EWT分解,缺陷变大后,Lamb波检测信号中出现了不同的模态,可尝试采用分解结果进行缺陷位置和尺寸的识别;3) 由对比结果可知,与EMD方法相比,EWT方法计算量小,且没有虚假及无法解释的模态,显示了该方法的优越性。下一步将在此基础上研究二维的EWT方法,对干耦合Lamb波检测的2D信号(图像)进行分析。
[1] |
张海燕, 于建波, 孙修立, 等. HHT在Lamb波检测信号分析中的应用[J].
振动、测试与诊断, 2010, 30(3): 223-226.
DOI:10.3969/j.issn.1004-6801.2010.03.002 |
[2] |
LIU T, YAN S Z, ZHANG W. Time–frequency analysis of non stationary vibration signals for deployable structures by using the constant-q nonstationary gabor transform[J].
Mechanical Systems and Signal Processing, 2016, 75(6): 228-244.
DOI:10.1016/j.ymssp.2015.12.015 |
[3] |
HUANG N E, SHEN Z, LONG S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proc. Roy. Soc. London A, 1998, 454(1971): 903-995.
|
[4] |
TORRES M E, COLOMINAS M A, SCHLOTTHAUER G, et al. A complete ensemble empirical mode decomposition with adaptive noise[J].
Proc. IEEE Int. Acoust. Speech Signal PROCESS, 2011(5): 4144-4147.
|
[5] |
HOU T Y, SHI Z. Adaptive data analysis via sparse time-frequency representation[J].
Adv. Adapt. Data Anal., 2011(2): 1-28.
|
[6] |
JAFFARD S, MEYER Y, RYAN R D. Wavelets: Tools for Science and Technology[M]. USA: SIAM, 2001.
|
[7] |
MALLAT S. A wavelet tour of signal processing: The spare way, 3rd ed[M]. USA: Elsevier/Academic, 2009.
|
[8] |
MEYER Y. Wavelets, vibrations and scalings[M]. USA: Amer. Math. Soci. 1997.
|
[9] |
MALVAR H S. Lapped transforms for efficient transform/subband coding[J].
IEEE Trans. Acoust, Speech Signal Process, 1990, 38(6): 969-978.
DOI:10.1109/29.56057 |
[10] |
MEYER F G, COIFMAN R R. Brushlets: A tool for directional image analysis and image compression[J].
Appl. Computat. Harmon. Anal, 1997, 4(2): 147-187.
DOI:10.1006/acha.1997.0208 |
[11] |
DAUBECHIES I, LU J, WU H T. Synchrosqueezed wavelet transforms: An empirical mode decomposition-like tool[J].
Appl. Computat. Harmon. Anal, 2011, 30(2): 243-261.
DOI:10.1016/j.acha.2010.08.002 |
[12] |
JEROME G. Empirical wavelet transform[J].
IEEE TRANSACTIONS ON SIGNAL PROCESSING, 2013, 61(16): 3999-4010.
DOI:10.1109/TSP.2013.2265222 |
[13] |
李志农, 朱明, 褚福磊, 等. 基于经验小波变换的机械故障诊断方法研究[J].
仪器仪表学报, 2014, 35(11): 2423-2431.
|
[14] |
李沁雪, 廖晓文, 张清华, 等. 基于EWT和多尺度熵的轴承特征提取及分类[J].
轴承, 2016(1): 48-52.
DOI:10.3969/j.issn.1000-3762.2016.01.015 |