多元统计分析在超声检测回波信号处理中的应用

　　内部缺陷的存在是导致材料失效的诸多原因之一,不仅如此,缺陷的性质、大小、分布及数量等均对失效产生不同程度的影响。因此,多年来,有关业内人士一直致力于如何将反映材料中缺陷的分布、大小和类型、微观组织结构的形态、力学性能的有用信息提取并表达出来的研究之中。数字信号处理技术作为20世纪60年代迅速发展起来且广泛应用于许多领域的新兴学科[1],已引起无损检测工作者的密切关注,并取得相当显著的成果。[2-4]。诸如,使用分离谱识别粗晶材料中的缺陷;使用小波变换分析复合材料的超声检测信号;利用模糊数学、人工神经网络对缺陷进行定性、定量分析等。本文将多元统计分析中主成分分析法与聚类分析法结合使用,对DB-H1(JB/T 10062-1999)标准试块内部距离测试表面深度为80 mm、100 mm、110 mm、120 mm、130mm、135 mm的 3 mm横通孔的脉冲反射回波信号进行综合评价,为超声检测回波信号的识别寻求客观准确的多指标综合评价方法。

　　1　超声检测回波信号的特征提取

　　超声检测过程中,描述回波信号特征的方法有许多,既可以以统计量为基础,也可以是一个射频信号的包络面积,波形的对称度、峰态等,其值域范围包括时域、频域、几何特征等。为了使问题分析更加简单,此处从时域范围选择6个统计特征值,用于对各类回波信号进行综合评价识别。

　　2　实验方法

　　在同一检测灵敏度条件下,利用CTS-21型超声波探伤仪及采样频率为20MHz的信号采集系统,对DB-H1(JB/T 10062-1999)标准试块内部距离测试表面深度为80 mm、100 mm、110 mm、120mm、130 mm、135 mm的 3 mm横通孔的脉冲反射回波信号进行采集及A/D数模转换,各类横通孔连续进行5次采样,总计得到30个测试样本,依次标记1#、2#、…30#。

　　以均值、标准偏差、均方根、脉冲最大幅值、偏度(SK)、峭度(KU)作为每个测试样本的特征值。实验中测得的6个特征值间数值大小差距较大,为了客观反映特征值区分样品的有效程度,在进行特征选择之前,应首先将这些初始特征进行标准化处理,以反映出某一特征在不同样品间的相对大小,而缩小各特征之间的数值差异。本实验采用极差标准化完成特征值的预处理。以后各项处理过程中的特征值均来源于此。

　　3　数据处理及结果分析

　　3.1　聚类分析法进行回波信号的宏观分类

　　为了初步了解全部样品的分类情况,实验首先应用系统聚类分析法进行回波信号的宏观分类。聚类是按照不同对象之间的差异,依据各个样品点间的相互关系,把它们划分成一些类,使得每个类内的各点在某种意义下彼此相似,而属于不同类的点则具有不同的性质。用于聚类分析的方法有很多,如拟合优度、图论等。本文采用最小距离准则进行系统的聚类分析,即事先假设每个样本各自成为一类,可求出各类之间的欧式距离,将具有最小距离的两类合并成一类,直到归并成的类别数等于事先规定的数为止。由于各样品类间距相差较大,此处以纵坐标反映相对类间距离,图中数字表示聚类状态下最大的样品间距(同一类的样品),横线连在一起的则表示可归一类的样品。本文所用的30个样本来自于6种深度不同的横通孔,故将其分为6类。限于篇幅,计算过程从略,仅给出30个样本点的聚类谱系图类,见图1。显然,利用聚类分析法,易将21-25#样品混入26-30#中,并且9#样品可能被单独列为一类,降低样品的识别效果,对应的样品识别率为80%。