周海鹏, 韩赞东, 都东, 陈以方
清华大学 机械工程系, 摩擦学国家重点实验室, 北京 100084

收稿日期：2018-09-11
基金项目：国家自然科学基金资助项目（51375258）
作者简介：周海鹏(1990-), 男, 博士研究生
通信作者：韩赞东, 副教授, E-mail:hanzd@tsinghua.edu.cn

摘要：奥氏体材料的厚壁焊缝是焊缝超声检测的难点，由于焊缝组织晶粒粗大，超声散射与衰减严重，检测信号中含有大量噪声信号，因此需要通过信号处理提高其信噪比。该文提出了一种基于Gauss调制脉冲（GMP）模型的超声检测信号提取算法，使用参考信号对原始信号进行互相关滤波，并基于GMP模型对滤波结果进行信号分解，由信号特征直接估计各信号分量的控制参数。先后设计了仿真实验及超声检测实验以验证算法性能，结果表明：该算法可以有效提取超声检测信号中的缺陷信息，为厚壁焊缝缺陷信号分析、焊缝检测算法优化等相关应用奠定基础。
关键词：超声信号提取厚壁焊缝Gauss调制脉冲互相关滤波
Ultrasonic signal extraction algorithm based on a Gaussian modulated pulse model
ZHOU Haipeng, HAN Zandong, DU Dong, CHEN Yifang
State Key Laboratory of Tribology, Department of Mechanical Engineering, Tsinghua University, Beijing 100084, China


Abstract: Austenitic thick-wall welds are difficult to evaluate using ultrasonic testing because the ultrasonic waves are scattered and attenuated by the coarse grain microstructure. The ultrasonic signals then contain much noise with signal processing needed to reduce the noise. This paper presents an ultrasonic signal extraction algorithm based on the Gaussian modulated pulse (GMP) model to improve the signal processing. The original signals are filtered by a cross-correlation method and then the filtered signals are decomposed to acquire the control parameters for each component based on the GMP model and the signal features. Simulations and experiments verify the algorithm's performance. This algorithm can extract useful information about defects from ultrasonic signals as the foundation for further analyses of thick-wall welds for defect information analyses and inspection method optimization.
Key words: ultrasonic signal extractionthick-wall weldsGaussian modulated pulsecross-correlation filtering
超声检测是目前最为常用的焊缝无损检测手段之一，其中奥氏体焊缝由于其焊缝组织晶粒粗大且具有明显的各向异性，是焊缝超声检测的难点问题。在奥氏体焊缝超声检测中，超声波在传播过程中受到严重的散射和衰减，检测信号中含有大量噪声信号，严重影响焊缝缺陷检测的信噪比。为解决奥氏体焊缝超声检测的难题，需要选用合适的手段对超声检测信号进行处理，抑制或滤除信号中的噪声影响，提取缺陷回波信号的有效信息，从而实现有效的奥氏体焊缝检测。
时频分析技术可以同时利用检测信号的时域和频域特征，获取更为丰富的缺陷信息，近年来在信号处理及降噪中应用较为广泛，常用的分析技术包括Wigner-Ville分布、Gabor变换、短时Fourier变换(STFT)、小波变换等^[1-4]。此外，Huang等提出了Hilbert-Huang变换^[5-6]，通过经验模式分解及Hilbert谱来描述信号的时频特性，不依赖于窗口选择，适用范围更广。时频分析方法是针对信号整体的时频特性进行研究，而要提取信号中的缺陷信息、深入分析每个缺陷信号的特征，则需要使用信号分解算法，也称作信号稀疏分解或稀疏表达。Mallat等提出的匹配追踪算法^[7]是目前国内外使用最为广泛的信号分解算法之一，这种算法选取一系列原子构成过完备字典，根据投影最大原则将信号分解为部分原子的线性组合。匹配追踪算法一般需要大量冗余原子以保证信号分解的稀疏性，算法在迭代过程中搜索最佳原子时往往耗时巨大，因此如何减少字典中的原子数量、提高搜索速度，是匹配追踪算法的核心问题^[8-9]。此外，由于匹配追踪算法中普遍采用离散化参数构建原子库，其计算精度受到字典规模及计算效率的制约，因而有****提出了参数化时频分析，采用Gabor小波^[10]、Chriplet小波^[11]、Gauss线性调频基^[12]等具有多个可变参数的基函数作为分解原子，在迭代分解步骤中直接搜索或计算出最优原子的参数值，由此获得更为精确的自适应信号分解结果。这类方法的主要难点在于如何高效地求解多维最优问题，在保证计算精度的同时尽可能提高计算效率。
本文提出了一种基于Gauss调制脉冲与互相关滤波的超声检测信号提取算法，首先利用互相关滤波对Gauss调制脉冲的保形效果对信号进行预处理，而后根据超声回波信号的特点使用含有信号幅值、传播时间、频率、相位及带宽因子5个参数的Gauss调制脉冲作为基函数对滤波结果进行信号分解，逐步提取出一系列具有Gauss调制脉冲形式的信号分量，并根据各分量的信号特征估计其控制参数，最终迭代完成信号提取。与传统的匹配追踪算法相比，该算法不需要在原子库中进行耗时巨大的搜索，可直接根据信号特征进行信号分解与提取，虽然在适用性、鲁棒性等方面有所下降，但大大提高了计算效率。该算法可有效滤除噪声，高效完成信号分解，提取各缺陷信号的特征信息并深入分析与处理。
1 基于Gauss调制脉冲的信号分解算法一组典型的超声检测信号如图 1所示。其中，图 1a和1b分别展示了均匀奥氏体材料中的超声检测缺陷回波信号及其时频图像(采用滑动窗口进行STFT分析得到)，图 1c和1d中则对比展示了厚壁奥氏体焊缝中的缺陷回波信号及其时频图像。

图 1 (网络版彩图)超声检测典型信号

图选项

可以看出，厚壁奥氏体焊缝中的信噪比很低，很难从超声检测信号中分辨出缺陷回波信号并精确定位。缺陷回波(分布于焊缝信号中的10~20 μs范围内)的中心频率一般在2 MHz附近(激励频率为2.25 MHz)。厚壁奥氏体焊缝超声检测信号中一般包含3种类型的噪声信号：白噪声、检测环境引起的低频杂波以及晶粒的结构噪声。本文提出了基于Gauss调制脉冲的信号提取算法，可滤除单个超声检测信号中的白噪声及低频杂波，有效提取出超声检测信号中的缺陷信息，为阵列超声成像提供基础。而结构噪声与缺陷回波具有相似的信号特征，很难通过单个信号区分开，可根据阵列成像中不同位置回波的关系进行判断。
1.1 Gauss调制脉冲模型根据图 1中的信号特点，可将单一反射体的超声回波信号表示为

${s_0}\left( t \right) = {a_0}\exp \left[ { - \frac{{{{\left( {t - {t_0}} \right)}^2}}}{{\beta _0^2}}} \right]\cos \left[ {{\omega _0}\left( {t - {t_0}} \right) + {\varphi _0}} \right].$

(1)

其中：a₀表示信号幅值；t₀表示该信号的传播时间；ω₀=2πf₀表示信号的角频率；$φ$₀表示信号相位；β₀是带宽因子，用来控制信号的时域波形宽度和频域带宽。
式(1)是一个被Gauss脉冲调制的余弦信号，以下简称为Gauss调制脉冲(GMP)。将式(1)的复信号形式进行Fourier变换，可以得到GMP的频谱密度为

$\begin{array}{*{20}{c}}{{S_0}\left( \omega \right) = {\cal F}\left[ {{s_0}\left( t \right) + {\rm{j}}{\cal H}\left[ {{s_0}\left( t \right)} \right]} \right] = }\\{{a_0}{\beta _0}\sqrt {\rm{ \mathsf{ π} }} \exp \left[ { - \frac{{\beta _0^2}}{4}{{\left( {\omega - {\omega _0}} \right)}^2} + {\rm{j}}\left( { - \omega {t_0} + {\varphi _0}} \right)} \right]}.\end{array}$

(2)

其中：j表示虚数单位；$\mathcal{F}$[s]表示函数s的Fourier变换；$\mathcal{H}$[s]表示实函数s的Hilbert变换^[5]，可将实信号s₀(t)转换至复信号形式。
GMP的时域及频域特征如图 2所示，其中时域特征展示了时域波形s₀(t)及其包络|s₀(t)|；频域特征展示了频谱密度的实部Re[S₀(ω)]及其幅值|S₀(ω)|；暂不讨论信号相位的影响，取$φ$₀=0。可以看出，GMP的时域波形幅值在t=t₀±β₀处衰减至其峰值的exp(-1)倍，而其频谱密度的幅值在ω=ω₀±2/β₀处衰减至其峰值的exp(-1)倍。β₀越大则GMP的时域持续时间越长，而频谱密度也越集中。通过调整控制GMP的参数，即可获得与缺陷回波相近的脉冲信号，从而获取缺陷信息。

图 2 GMP的时域及频域特征

图选项

1.2 互相关滤波的保形效果以GMP模型为基础，实际超声检测信号s(t)可以表示为多个不同参数的GMP信号分量与各类噪声信号的组合，即

$s\left( t \right) = \sum\limits_{n = 1}^N {{s_n}\left( t \right) + w\left( t \right)} .$

(3)

其中：信号分量s_n(t)是控制参数为(a_n, β_n, t_n, ω_n, $φ$_n)的GMP信号，w(t)为噪声信号，N表示回波个数。
选取某一GMP形式的s₀(t)为参考信号与上述检测信号s(t)进行互相关滤波，互相关函数r(t)为

$\begin{array}{*{20}{c}}{r\left( t \right) = {\cal R}\left[ {s\left( t \right),{s_0}\left( t \right)} \right] = }\\{\sum\limits_{n = 1}^N {{\cal R}\left[ {{s_n}\left( t \right),{s_0}\left( t \right)} \right] + {\cal R}\left[ {w\left( t \right),{s_0}\left( t \right)} \right]} .}\end{array}$

(4)

其中$\mathcal{R}$[f, g]表示函数f与g的互相关函数。
为讨论方便，这里仅考虑白噪声信号。可以认为白噪声信号与参考信号不相关，则r(t)只与各回波成分与参考信号的互相关函数有关。由互相关函数的定义，可以得到

${\cal R}\left[ {{s_n}\left( t \right),{s_0}\left( t \right)} \right] = \int_{ - \infty }^{ + \infty } {{s_n}\left( {\tau + t} \right)s_0^ * \left( \tau \right){\rm{d}}\tau } ,$

(5)

$r\left( t \right) = \sum\limits_{n = 1}^N {{{\tilde a}_n}\exp \left\{ { - \frac{{{{\left( {t - {{\tilde t}_n}} \right)}^2}}}{{\tilde \beta _n^2}} - {\rm{j}}\left[ {{{\tilde \omega }_n}\left( {t - {{\tilde t}_n}} \right) + {{\tilde \varphi }_n}} \right]} \right\}} .$

(6)

其中上标“*”表示复信号的共轭信号。可以看出，r(t)也是由N个GMP信号分量构成，各分量的控制参数为

$\left\{ \begin{array}{l}{{\tilde a}_n} = {a_n}{a_0}\sqrt {\frac{{\rm{ \mathsf{ π} }}}{{\beta _n^{ - 2} + \beta _0^{ - 2}}}} \exp \left[ { - \frac{{{{\left( {{\omega _n} - {\omega _0}} \right)}^2}}}{{4\left( {\beta _n^{ - 2} + \beta _0^{ - 2}} \right)}}} \right],\\{{\tilde \beta }_n} = \sqrt {\beta _n^2 + \beta _0^2} ,\\{{\tilde t}_n} = {t_n} - {t_0},\\{{\tilde \omega }_n} = \frac{{\beta _n^2{\omega _n} + \beta _0^2{\omega _0}}}{{\beta _n^2 - \beta _0^2}},\\{{\tilde \varphi }_n} = {\varphi _n} - {\varphi _0}.\end{array} \right.$

(7)

实际应用中，一般针对实信号进行以上互相关计算，得到式(6)中r(t)的实信号部分。比较s(t)与r(t)的结果可知，检测信号中的每一个GMP信号分量在互相关函数中都转换为一个对应的GMP信号，可见互相关滤波对GMP信号具有保形效果，而白噪声成分则由于与参考信号不相关而被滤除。
如果超声检测信号中各回波成分的角频率ω_n基本一致，则参考信号的角频率满足ω₀≈ω_n时，可以得到

${{\tilde \omega }_n} \approx \frac{{\beta _n^2{\omega _n} + \beta _0^2{\omega _n}}}{{\beta _n^2 + \beta _0^2}} = {\omega _n}.$

(8)

进一步的，当选取t₀=$φ$₀=0，且β₀$\ll $β_n时，有

$\begin{array}{*{20}{c}}{{{\tilde a}_n} \approx {a_n}{a_0}{\beta _0}\sqrt {\rm{ \mathsf{ π} }} ,\;\;\;\;{{\tilde \beta }_n} \approx {\beta _n},}\\{{{\tilde t}_n} = {t_n},\;\;\;\;\;{{\tilde \varphi }_n} = {\varphi _n}.}\end{array}$

(9)

此时互相关函数与原检测信号中的各回波仅在幅值上相差常数倍，其余各项参数基本一致，原信号中的各回波成分得以完整保留下来。不过，为保证滤波效果，β₀一般不能太小，因此无法满足β₀$\ll $β_n，需要根据式(7)对相关参数进行修正。
1.3 信号分解算法原始信号经过上述互相关滤波后，可以认为滤波结果r(t)中仅包含GMP形式的信号成分，信号分解算法的主要任务即为提取每个信号成分的控制参数；这里通过估计r(t)中各信号成分的控制变量来近似表示原信号中的各控制变量(a_n, β_n, t_n, ω_n, $φ$_n)。对于实信号的互相换滤波结果r(t)，可通过前述Hilbert变换将其扩展为复信号c(t)，进而可以通过包络分析得到信号的幅值(包络)A(t)与相位Ф(t)为

$\left\{ \begin{array}{l}A\left( t \right) = \left| {c\left( t \right)} \right| = \sqrt {{{\left[ {r\left( t \right)} \right]}^2} + {\mathop{\rm Im}\nolimits} {{\left[ {c\left( t \right)} \right]}^2}} ,\\\mathit{\Phi }\left( t \right) = \arg \left[ {c\left( t \right)} \right] = \arctan \frac{{{\mathop{\rm Im}\nolimits} \left[ {c\left( t \right)} \right]}}{{r\left( t \right)}}.\end{array} \right.$

(10)

如果截取r(t)中只包含某一信号成分的信号片段r(t_seg(n))进行上述包络分析，可以求得以下GMP控制参数：

$\left\{ \begin{array}{l}{t_n} = \arg \max \left[ {A\left( {{t_{{\rm{seg}}\left( n \right)}}} \right)} \right],\\{a_n} = A\left( {{t_n}} \right),\\{\varphi _n} = \mathit{\Phi }\left( {{t_n}} \right).\end{array} \right.$

(11)

ω_n可由信号片段的频谱密度得到：

${\omega _n} = \arg \max \left\{ {\left| {{\cal F}\left[ {r\left( {{t_{{\rm{seg}}\left( n \right)}}} \right)} \right]} \right|} \right\}.$

(12)

而β_n则可以根据信号片段的包络形状拟合得到：

$\frac{{{{\left( {{t_{{\rm{seg}}\left( n \right)}} - {t_n}} \right)}^2}}}{{\beta _n^2}} + \ln \frac{{A\left( {{t_{{\rm{seg}}\left( n \right)}}} \right)}}{{{a_n}}} = 0.$

(13)

根据以上分析，设计信号分解算法的具体步骤如下：
1) 选取(a₀, β₀, t₀, ω₀, $φ$₀)生成参考回波s₀(t)。其中，取a₀=1，t₀=$φ$₀=0，β₀和ω₀根据信号特点选取。
2) 对原始信号s(t)进行互相关滤波，得到s(t)与s₀(t)的互相关函数r(t)。
3) 使用k表示迭代次数，e_k(t)表示信号残差。取初值为e₀(t)=r(t)，k=1，开始信号分解迭代。
4) 在第k次迭代中，计算e_k-1(t)与s₀(t)相关性最强的时刻τ_k，即

${\tau _k} = \arg \max \left\{ {\left| {{\cal R}\left[ {{e_{k - 1}}\left( t \right),{s_0}\left( t \right)} \right]} \right|} \right\}.$

(14)

这里使用互相关方法确定τ_k，可以规避信号分解时产生的无效信号。截取τ_k时刻前后一定时间段的信号作为待分析片段，即t_seg(k)=[τ_k-Δt, τ_k+Δt]；其中Δt根据信号特点选取。
5) 计算信号片段的Hilbert变换及Fourier变换，根据式(10)—(13)提取第k个信号分量的GMP控制参数组(a_k, β_k, t_k, ω_k, $φ$_k)。这里需要注意，如果信号片段的包络A(t_seg(k))包含多个极值点，则应选取包络最大值前后的2个极小值之间的信号片段作为分析片段，以保证信号片段只包含1个信号成分。
6) 根据参数(a_k, β_k, t_k, ω_k, $φ$_k)生成信号分量s_k(t)，取e_k(t)=e_k-1(t)-s_k(t)进行分解，令k=k+1回到步骤4进行循环迭代，直至满足终止条件。终止条件包括k大于给定值N₀，或者残差e_k(t)的相对能量E[e_k](残差信号与初始残差的能量比值)小于给定值E₀，即

$k > {N_0}\;或\;E\left[ {{e_k}} \right] = \frac{{\int_{ - \infty }^{ + \infty } {{{\left| {{e_k}\left( t \right)} \right|}^2}{\rm{d}}t} }}{{\int_{ - \infty }^{ + \infty } {{{\left| {{e_0}\left( t \right)} \right|}^2}{\rm{d}}t} }} < {E_0}.$

(15)

给定值N₀和E₀根据信号特点选取。
2 仿真实验与算法性能分析为验证以上算法的有效性，设计了仿真实验对算法效果进行分析。仿真实验中，根据式(3)构造了包含缺陷信号及噪声信号的仿真信号，包括2个GMP形式的缺陷回波、2个GMP形式的低频杂波以及加性Gauss白噪声。信号的总持续时间为20 μs，GMP形式的缺陷及噪声回波由随机生成的4组参数(a_n, β_n, t_n, ω_n, $φ$_n)产生，其中n=1, 2, 3, 4；1和2号回波为有效缺陷信号，3和4号回波为低频杂波信号。选择参数为(a₀, β₀, t₀, ω₀, $φ$₀)=(1, β₀, 0, ω₀, 0)的GMP作为参考信号。根据检测信号的特征，在随机生成仿真信号时需要施加如下限制：
1) 信号幅值不能太小，取a_n∈[0.2, 1]。
2) 取参考信号频率f₀=2 MHz，缺陷回波频率f_{1, 2}∈[1.5, 2.5] MHz，低频杂波的频率取为f_{3, 4}∈[0.5, 1] MHz；角频率ω₀及ω_n可根据ω=2πf计算。
3) 带宽因子应在一定范围内，实际缺陷回波信号一般只包含3~5个明显的波峰(未饱和信号)。这里限制GMP的包络值在偏离中心1~2个周期时衰减至0.1a_n，因此取β_n∈[1, 2](ln10)^0.5/f_n。
4) 低频杂波一般会与缺陷信号在时域上发生混叠，这里考虑最复杂的情况，即杂波与缺陷信号在时域上基本完全混叠在一起，取t₁∈[2, 3] μs，t₂∈[7, 8] μs，t₃∈[2, 3] μs，t₄∈[7, 8] μs。
5) 不需要特别限制$φ$_n，取$φ$_n∈[-π, π)即可。
6) 加性白噪声的信噪比取为30 dB。
根据以上参数设置，随机生成的仿真信号如图 3所示；其中1和2号GMP回波组成了缺陷信号s(t)D，其余信号则作为噪声信号与缺陷信号一起构成了仿真信号s(t)。

图 3 (网络版彩图)包含噪声的典型仿真信号

图选项

在选择参考信号s₀(t)时，β₀会影响算法的滤波效果。选取不同的β₀对图 3中的仿真信号进行互相关滤波，滤波后的信号r(t)展示于图 4中；由于互相关滤波后信号幅值会发生变化，图 4使用归一化幅值进行对比。可以看出，β₀较小时，参考信号与噪声信号具有一定相似性，对低频杂波的滤除效果有限；而β₀较大时，滤波后的信号明显受到了参考信号的影响，各回波时域宽度增加、变形明显。因此，选取β₀时应兼顾互相关滤波的降噪效果与保形效果，以下算法中取β₀=0.8(ln10)^-0.5 μs。

图 4 (网络版彩图)带宽因子对滤波效果的影响

图选项

综合以上参数设置，选取参考信号的主要参数为f₀=2 MHz及β₀=0.8(ln10)^-0.5 μs，使用前述信号提取算法对互相关滤波后的信号进行处理。仿真信号s(t)经互相关滤波得到r(t)，对其信号分解后提取出一系列信号分量，将这些分量重新求和可得到重构信号s(t)_R。图 5中展示了该信号的信号分解效果，其中对比了2次、4次及6次信号分解后的重构信号。可以看出，经过2次分解后即可将仿真信号中的2个GMP缺陷回波提取出来；随着分解次数的增加，互相关滤波中未能完全滤除的噪声回波也会逐渐被提取出来。受噪声信号及滤波效果的影响，可能会出现某个回波信号被多次分解才能全部提取的情况，因此分解次数应适当多于缺陷脉冲数量；而分解次数也不能过多，否则会提取出过多的噪声信号。针对本文构造的仿真信号，这里取最大分解次数为4次，即N₀=4。

图 5 (网络版彩图)典型仿真信号的信号提取效果

图选项

表 1中列出了图 3的典型仿真信号中2个缺陷回波的参数估计误差，对比时以缺陷1的幅值为基准进行归一化处理，因此a₁的估计误差始终为0。此外，随机生成100组仿真信号进行实验以验证信号提取算法的有效性，表 2中列出了100次仿真实验的最大误差及平均误差。表 1和2中使用($φ$_n+2π)评估相位误差，以避免零值附近相对误差突变的问题；括号中表示的是根据式(7)进行参数修正后的估计误差，由于β₀较大，互相关滤波对原始参数有较大影响，修正后误差有明显改善。
表 1 仿真实验中典型信号提取算法性能汇总

参数	an	βn	fn	tn	$φ$n+2π
缺陷1相对误差/%	0 (0)	33.46 (3.77)	15.74 (5.31)	1.21	3.47
缺陷2相对误差/%	22.48 (20.01)	39.62 (0.30)	6.26 (0.91)	0.44	4.25

表选项






表 2 仿真实验中随机信号提取算法性能汇总

参数	an	βn	fn	tn	$φ$n+2π
最大相对误差/%	66.18 (33.41)	120.63 (21.63)	19.78 (9.32)	1.84	9.36
平均相对误差/%	20.00 (3.13)	49.35 (3.19)	7.12 (3.13)	0.28	2.34

表选项






对于某一回波信号被多次分解的情况，可根据分解得到的t_n进行判断，t_n偏差在2 μs之内的信号分量都可认为来自于同一回波，只考虑其中能量最大(最先被分解出)的信号分量。由以上结果可以看出，经修正后本文提出的信号提取算法对各参数的估计效果较好，除a_n和β_n外其余参数的估计误差均在10%以内，而a_n和β_n的估计误差可通过多次分解弥补。对于缺陷定位最为关键的参数是传播时间t_n，本算法对该参数的估计误差小于2%，可有效提取缺陷信息。
3 焊缝检测实验与算法验证本文采用16×1线性阵列对80 mm的厚壁奥氏体焊缝进行全矩阵捕获(FMC)检测实验^[13]，检测方案如图 6所示。焊缝中心均布3个直径2 mm的横孔，深度分别为10、30、50 mm；阵列中心与焊缝中心相距50 mm。FMC实验中，每个阵元都可作为发射或接收阵元，重复所有发射-接收的组合，可以得到1组16×16的信号矩阵。图 1c和1d中展示的即为FMC信号矩阵中一组典型的FMC信号，使用本文提出的信号提取算法对该信号进行分析，算法效果如图 7所示。

图 6 厚壁焊缝FMC检测实验方案示意图

图选项

图 7 (网络版彩图)厚壁焊缝检测的信号提取效果

图选项

可以看出，5次信号分解过后，A、B、C三个缺陷的回波信息逐渐被提取出来。5次分解后的重构信号中还包含了始发脉冲附近的两个杂波，这些信号由检测阵列在样件表面处的反射形成，可根据传播时间将其去除。此外，本文提出的算法在FMC信号矩阵的所有256个信号中都进行了验证，算法效果如图 8所示。在5次分解后有超过70%的信号(184组信号)都能提取出A、B、C三个缺陷回波，剩余信号在10次分解之内也都能提取出全部3个缺陷回波。实验结果表明，本文提出的算法可以有效提取出厚壁焊缝超声检测信号中的缺陷信息。

图 8 FMC信号矩阵的信号提取效果

图选项

需要注意的是，本文提出的算法是按照回波信号的能量从高到低进行信号提取的，实际检测时需要根据工件与缺陷情况，合理设置给定值N₀和E₀。对于某一特定的检测条件，可以在标准样块上利用已知人工缺陷进行标定，通过标定实验确定残差相对能量、信号提取次数与所需检出的缺陷数量、缺陷当量的对应关系。
4 结论本文提出了一种基于Gauss调制脉冲与互相关滤波的超声检测信号提取算法，该算法包括以下2个环节：
1) 使用GMP模型生成参考信号对原始信号进行互相关滤波；由于互相关滤波对GMP具有保形效果，因此可以实现抑制噪声、保留有效信息的滤波效果。
2) 根据GMP模型对互相关滤波结果进行信号分解；由信号特征直接估计各个信号分量的GMP控制参数，不需要生成冗余字典及搜索最优分量，可大大简化信号分解流程，提高计算效率。
仿真实验及阵列超声检测实验结果表明：该算法可以有效提取超声检测结果中的缺陷信息，为厚壁焊缝缺陷信号分析、阵列超声成像、焊缝检测算法优化等相关应用提供足够的回波特征信息。

参考文献

[1]	COHEN L. Time-frequency distributions-a review[J]. Proceedings of the IEEE, 1989, 77(7): 941-981. DOI:10.1109/5.30749
[2]	高天, 陈怀玉, 曹丽. 一种基于超声缺陷回波分析的小波降噪方法[J]. 仪器仪表学报, 2015, 36 Supplement: 73-79. GAO T, CHEN H Y, CAO L. A wavelet denoising method based on ultrasonic defect echo analysis[J]. Chinese Journal of Scientific Instrument, 2015, 36 Supplement: 73-79. DOI:10.3969/j.issn.0254-3087.2015.Z1.013 (in Chinese)
[3]	陶亮. Gabor展开与变换研究综述[J]. 安徽大学学报(自然科学版), 2017, 41(2): 2-13. TAO L. Review on Gabor expansion and transform[J]. Journal of Anhui University (Natural Science Edition), 2017, 41(2): 2-13. (in Chinese)
[4]	王柄方.厚壁焊缝超声检测方法研究[D].北京: 清华大学, 2010. WANG B F. Study on ultrasonic testing method for thick-wall welds[D]. Beijing: Tsinghua University, 2010. (in Chinese)
[5]	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]. Proceedings of the Royal Society A:Mathematical, Physical and Engineering Sciences, 1998, 454(1971): 903-995. DOI:10.1098/rspa.1998.0193
[6]	WU Z, HUANG N E. Ensemble empirical mode decomposition:A noise-assisted data analysis method[J]. Advances in Adaptive Data Analysis, Theory and Applications, 2009, 1(1): 1-41. DOI:10.1142/S1793536909000047
[7]	MALLAT S G, ZHANG Z F. Matching pursuits with time-frequency dictionaries[J]. IEEE Transactions on Signal Processing, 1993, 41(12): 3397-3415. DOI:10.1109/78.258082
[8]	周健鹏.稀疏分解理论在超声无损检测信号处理中的应用[D].鞍山: 辽宁科技大学, 2016. ZHOU J P. Application of sparse decomposition theory to ultrasonic nondestructive testing signal processing[D]. Anshan: University of Science and Technology Liaoning, 2016. (in Chinese)
[9]	李迎雪.基于稀疏表示的管道缺陷超声复合阵列成像研究[D].镇江: 江苏大学, 2017. LI Y X. Research on sparse-representation based ultrasonic composite array imaging for pipeline defect[D]. Zhenjiang: Jiangsu University, 2017. (in Chinese)
[10]	卢振坤, 杨萃, 王金炜. 基于Gabor变换的超声回波信号时频估计[J]. 电子与信息学报, 2013, 35(3): 652-657. LU Z K, YANG C, WANG J W. Gabor transform based time-frequency estimation of ultrasonic echo signal[J]. Journal of Electronics & Information Technology, 2013, 35(3): 652-657. (in Chinese)
[11]	MANN S, HAYKIN S. The Chirplet transform:Physical considerations[J]. IEEE Transactions on Signal Processing, 1995, 43(11): 2745-2761. DOI:10.1109/78.482123
[12]	郭剑峰, 刘金朝, 王卫东. 基于变参数域和短时高斯线性调频基的自适应信号分解算法[J]. 振动与冲击, 2015, 34(12): 133-139. GUO J F, LIU J C, WANG W D. Variable parameters domain and short time adaptive Gaussian chirplet signal decomposition algorithm[J]. Journal of vibration and shock, 2015, 34(12): 133-139. (in Chinese)
[13]	ZHOU H P, HAN Z D, DU D, et al. A combined marching and minimizing ray-tracing algorithm developed for ultrasonic array imaging of austenitic welds[J]. NDT & E International, 2018, 95: 45-56.