渦流檢測信號的處理技術(shù)

1、信號特征量提取

    傅里葉描述法是提取特征值的常用方法。其優(yōu)點是，不受探頭速度影響，且可由該描述法重構(gòu)阻抗圖，采樣點數(shù)目越多，重構(gòu)曲線更逼近原曲線。但該方法只對曲線形狀敏感，對渦流檢測儀的零點和增益不敏感，且不隨曲線旋轉(zhuǎn)、平移、尺寸變換及起始點選擇變化而變化。

    用測試信號自相關(guān)矩陣的本征值和本征矢量來描繪信號特征的方法稱為主分量分析法，該方法對于相似缺陷的分辨力較強。

2、信號分析

（1）人工神經(jīng)網(wǎng)絡(luò)

    小波變換是一種先進的信號時頻分析方法。將小波變換中多分辨分析應(yīng)用到渦流檢測信號分析中，對不同小波系數(shù)處理后，再重構(gòu)。這種經(jīng)小波變換處理后的信號，其信噪比會得到很大的提高。

人工神經(jīng)網(wǎng)絡(luò)的輸入矢量是信號的特征參量，對信號特征參量的正確選擇與提取是采用神經(jīng)網(wǎng)絡(luò)智能判別成功的關(guān)鍵。組合神經(jīng)網(wǎng)絡(luò)模型，采用分級判別法使網(wǎng)絡(luò)輸入變量維數(shù)由N2 降到N，網(wǎng)絡(luò)結(jié)構(gòu)大為簡化，訓(xùn)練速度很快，具有較高的缺陷識別率和實用價值。

    神經(jīng)網(wǎng)絡(luò)可實現(xiàn)缺陷分類，具有識別準確度高的優(yōu)點，對不完全、不夠清晰的數(shù)據(jù)同樣有效。

（2）信息融合技術(shù)

    信息融合是對來自不同信息源檢測、關(guān)聯(lián)、相關(guān)、估計和綜合等多級處理，得到被測對象的統(tǒng)一最佳估計。

   渦流掃描圖像的融合，將圖像分解為多子帶圖像，并在轉(zhuǎn)換區(qū)內(nèi)采用融合算法實現(xiàn)圖像融合。Ka Bartels等采用信噪比最優(yōu)方法合并渦流信號，并用空間頻率補償方法使合并前高頻信號變得模糊而低頻信號變得清晰。Z Liu等利用最大值準則選擇不同信號的離散小波變換系數(shù)，選取待融合系數(shù)的最大絕對值作為合并轉(zhuǎn)換系數(shù)。因此融合信號可基于這些系數(shù)，利用逆小波變換來重構(gòu)。小波變換可按不同比例有效提取顯著特征。在融合信號過程中，所有信號的有用特征都被保存下來，因此內(nèi)部和表面缺陷信息得到增強。