[发明专利]基于变分模态分解的超声兰姆波缺陷信号识别方法

说明书

本发明涉及信息处理技术领域，提供一种基于变分模态分解的超声兰姆波缺陷信号识别方法，包括：步骤1，利用电磁超声换能器产生激发信号探测铝板，在铝板另一侧接收换能器接收超声兰姆波的原始信号；步骤2，确定变分模态分解的输入参数，所述输入参数有包括分解层数、二次惩罚因子和终止条件；步骤3，进行变分模态分解；步骤4，确定最终分解层数，得到分离后处在中心频率的子信号；步骤5，采用粒子群算法对变分模态分解输入参数‑惩罚因子进行选取和优化；步骤6，利用最终分解层数及优化后的惩罚因子进行变分模态，保证完整提取缺陷信号，并通过得到中心频率的缺陷信号进行缺陷识别。本发明能够提高超声兰姆波缺陷信号检测的准确率与识别率。

技术领域

本发明涉及信息处理技术领域，尤其涉及一种基于变分模态分解的超声兰姆波缺陷信号识别方法。

背景技术

由于超声检测信号中存在很多突发变量，在对其进行信号处理时需要根据超声信号自身特点选择适合的处理方法。实验中采集到的超声信号中往往存在着大量的噪声，这就会在对信号处理及特征分析时造成较大影响。在对各种缺陷进行评估时，并没有一套统一的标准，这就会导致很多检测信号即使含有缺陷也无法与其它相似的信号相互区别开来。

Dragomiretskiy提出了变分模态分解方法(VMD)，该方法与其他分解方法相比，不仅具有较好的理论基础，计算效率高，而且不易发生模态混叠与端点效应。目前，变分模态分解方法常被用来处理非线性和非平稳信号，如振动信号、超声检测信号等。

变分模态分解效果受分解个数K和变分函数中的惩罚参数α的影响。如何在分解前选择合适的参数组合是VMD是否能够有效分解的关键。Mohanty S等提出根据在选择不同分解层数K值时，分解后的固有模态分量的频率中心是否相互接近，来选定K-1分解个数的观测方法。但是，现有技术的变分模态分解中分解效果受分解层数k和惩罚因子α的影响，会存在模态混叠产生虚假分量现象以及无法准确检测到缺陷信号。

发明内容

本发明主要解决现有技术的变分模态分解中分解效果受分解层数k和惩罚因子α的影响，会存在模态混叠产生虚假分量现象以及无法准确检测到缺陷信号的技术问题，提出一种基于变分模态分解的超声兰姆波缺陷信号识别方法，以达到提高超声兰姆波缺陷信号检测的准确率与识别率的目的。

本发明提供了一种基于变分模态分解的超声兰姆波缺陷信号识别方法，包括以下过程：

步骤1，利用电磁超声换能器产生激发信号探测铝板，在铝板另一侧接收换能器接收超声兰姆波的原始信号；

步骤2，根据获得的超声兰姆波的原始信号，确定变分模态分解的输入参数，所述输入参数有包括分解层数、二次惩罚因子和终止条件；

步骤3，根据确定变分模态分解的输入参数，进行变分模态分解；

步骤4，利用固有模态函数计算K_临界-1个IMF分量与原始信号之间的互信息值I(X,Y)，并将该互信息值与互信息值阈值进行比较，将互信息值小于阈值β的IMF分量作为虚假分量，剔除虚假分量，确定最终的K值，进而确定最终分解层数为K_最终-1，其中，K_最终表示VMD分解的最终K值；同时，确定最终分解层数后，得到分离后处在中心频率的子信号；

步骤5，采用粒子群算法对变分模态分解输入参数-惩罚因子进行选取和优化，包括步骤501至步骤503：

步骤501，根据适应度值或适应度函数，将群中有限个随机粒子进行初始化，记录每个粒子的速度特性极值和位置特性极值；在每次迭代中，粒子会通过以下公式来更新的速度特性和位置特性：

v_i＝v_i+c₁×rand()×(pbest_i-x_i)+c₂×rand()×(gbest_i-x_i)  (10)