基于相关的超声导波检测信号分析方法

　　0 引言

　　管道作为五大运输工具之一，在运输液体、气体、浆液等方面具有特殊的优势。截至 2009 年初，我国工业用运输管道总长度超过 5. 83 万千米，城市用供水管道总长度超过 48 万千米，城市供气管道总长度超过 25. 78 万千米[1]。然而，管道在长期使用的过程中，由于冲刷和腐蚀的作用，常常会发生泄漏事故，不仅造成能源浪费，同时也污染环境。

　　超声导波检测方法是近年来发展起来的一种无损检测新技术，其长距离检测的特点使其更适合对管道进行无损检测。然而，由于导波的频散与多模态特征，增加了信号的处理分析难度，影响了检测能力。因此，对超声导波检测信号的处理与分析方法的研究具有重要意义。目前，时频分析、小波变换、自适应滤波等信号处理方法在超声导波检测领域的应用研究取得了一些进展[2 -3]，但是现在成熟信号分析方法和相应的研究热点还集中在缺陷信号的增强方法上，对于信号识别与智能分析方法的研究结果还处于起步阶段。在其他检测领域，目前常用于信号识别与分类的方法主要有人工神经网络[4 -5]和支持向量机[6 -7]。其中，支持向量机更加适合于小样本信号分类[8]。文中利用英国导波公司生产的 WavemakerG3超声导波管道检测系统在实验室模拟现场的长距离管道进行检测，应用相关分析的方法对检测到的一些特征信号进行分类，实现管道特征结构的智能识别。

　　1 相关分析基本理论

　　相关系数表示两个随机变量之间线性关系的强度和方向。在统计学中，相关的意义是用来衡量两个变量相对于其相互独立的距离。在这个广义的定义下，有许多根据数据特点而定义的用来衡量数据相关的系数[9]。对于不同数据特点，可以使用不同的系数。最常用的是皮尔逊积差相关系数[10]。其定义是两个变量协方差除以两个变量的标准差，即两组数据 x 与 y 的皮尔逊积差相关系数计算公式可以表示为:

　　2 相关系数在超声导波管道检测信号识别中的应用

　　2. 1 原始信号

　　利用 WavemakerG3 在管道上进行检测实验，经过信号处理，可以得到如图 1 所示的检测曲线，其中包含 2 条曲线，从 WavemakerG3 的说明书中可知，这 2 条曲线为对称信号( Symmetry) 和非对称信号曲线( Non - Symmetry) 。

　　对称信号曲线代表传感器环接收到的信号的共模成分，对应着超声导波中的对称模态，对管道上沿管道圆周方向对称的结构特征比较敏感; 而非对称信号则代表传感器环接收到的信号的差模成分，对应着超声导波中的非对称模态，对管道上沿管道圆周方向不对称的结构比较敏感。管道上的特征在信号上都表现为单独的峰值或者连续峰值。如果管道上的结构特征是沿着管道圆周方向均匀分布( 如法兰、环焊缝等) ，则在信号中的共模成分将占主导，对应位置的对称信号就会出现比较大的峰值，而该位置非对称信号幅值一般比较小; 如果管道特征不是沿着管道圆周方向均匀分布( 如弯头、缺陷等) ，则信号中的差模成分将增大，对应位置的非对称信号和对称信号都会出现峰值。这样利用对称信号曲线与非对称信号曲线之间的关系就可以大致判断出管道上特征的分布情况。