应用经验模式分解法处理超声无损检测信号

　　在信号检测技术中,关键是信号的完整获取和准确处理。然而在实际的被测信号中,存在着大量的干扰信号,往往把有用信号淹没。例如,在超声检测信号中,由于某些特殊材料(如铸件)内部组织结构比较复杂,所得到的超声回波信号会受到较强的噪声干扰,信噪比低。人们在如何减小干扰,提取信号中的特征成分,进行了大量的工作[1-4]。

　　文献[1]在管道超声缺陷信号研究中提出小波分解与重构方法,期望能很好地识别是否存在缺陷以及缺陷位置;文献[2]提出采用基于高阶谱的减噪方法,提高回波信号的信噪比,减弱噪声于缺陷散射特征的影响;文献[3]提出采用分离谱法,消除结构噪声;文献[4]提出一种基于神经网络的自适应滤波器,应用于超声检测中的材料噪声消除。这些方法对于超声信号的处理取得了较好的仿真和实验效果,然而由于被测对象内部结构的复杂性,超声回波信号往往表现非线性、非平稳的特征,这对许多信号处理方法带来一定局限性。

　　本文应用近年来在信号处理领域中出现的一种特别适合非线性、非平稳信号的新方法[527]称为经验模式分解法(EmpiricalModeDecomposition,EMD)进行超声检测信号处理。

　　1　EMD方法的基本原理及实现

　　EMD的方法是将原始信号x(t)分解为若干内在模态函数(IntrinsicMode Functions, IMF),内在模态函数IMF需满足以下两个条件: 1)在整个信号长度上,一个IMF的极值点和过零点数目必须相等或至多只相差一个; 2)在任意时刻,由极大值点定义的上包络线和由极小值点定义的下包络线的平均值为零。运用EMD方法[5]分解x(t)的步骤如下。

　　1)确定原始信号x(t)的局部最大值和局部最小值,利用三次样条函数把x(t)的局部极大值点与局部极小值点分别拟合成x(t)的上包络线与下包络线,计算两包络线的均值m1,求出信号x(t)与包络线均值m1的差值h1:

　　2)一般情况下,h1不一定是平稳序列,仍需将h1作上述处理,重复式(1)k次得:

　　式中:h1k为第k次筛选时所得数据; h1(k-1)为第k-1次筛选时所得数据;m1k为h1(k-1)上、下包络线的均值,如此重复,直至所分解的数据的标准偏差SD满足以下条件:

　　式中:T为信号时间长度;则分解得到第一个IMF分量,令c1=h1。

　　3)从原始信号x(t)中减去c1,得剩余信号:

　　4)把剩余信号r1重新进行筛选,重复上面的筛选过程,便可获得了信号x(t)的一系列IMF分量c1、c2、…、cn:

　　当rn满足单调序列条件时,可以认为完成了提取内在模态函数的任务,rn称为残余分量,代表了信号变化趋势,最后得到:

　　这样x(t)分解为若干个IMF分量c1、c1、…、cn和一个残余分量rn之和,所分解出的IMF突出了原信号的局部特征信息,并且各IMF分量分别包含了原信号的不同时间尺度的局部特征信息,而残余分量则反映了信号的中心变化趋势。EMD分解出来前几个IMF函数,尤其是第一个分量c1,往往集中了原始信号的最显著、最重要的信息,这是由IMF函数的本性所决定。