郭北涛，王茹

（沈阳化工大学机械与动力工程学院，沈阳 110142）

0 引言

超声检测技术是以不损伤被检工件为前提，通过超声扫描对工件中存在的缺陷进行检测的方法，因其精准、快速、高灵敏度和适用性广等优点，在工业上得到了广泛的应用[1]。超声波在工件中进行传播时会受到声波衰减、收发电路和外界环境等各种因素的影响，使得回波信号的信噪比偏低，若直接对采集信号进行处理，则会影响后续信号分析的准确性，甚至造成分析错误。因此对原始采集信号进行消噪处理成为超声信号研究的热点。

赵奎等[2]提出了一种EEMD与单通道盲源分离（SCBSS）结合的AE信号滤波方法；孟会杰等[3]针对地震信号盲源分离欠定的情况，提出基于相空间重构的盲源分离算法；马增强等[4]针对轴承故障信息中所含的噪声，提出了变分模态分解（VMD）联合ICA进行噪声去除的方法；毋文峰等[5]提出一种通过奇异值分解和经验模态分解（EMD）实现单通道机械信号盲源分离的方法。因此，针对实验采集的非线性、非平稳单通道超声信号，提出集合经验模态分解（EEMD）和快速独立成分分析（FastICA）相结合的消噪方法。经过对比分析实验前后信号时域图和频谱图，证明了该方法的可行性和有效性。

1 理论分析与方法介绍

1.1 EEMD算法原理

EEMD[6]是由WU和Huang提出用于解决EMD模态混叠问题的信号处理算法，该算法以END算法为基础通过多次叠加高斯白噪声，达到抑制模态混叠的作用。

EEMD方法步骤如下：

1）将标准差为常数、均值为零的高斯白噪声mi（t）添加到超声信号x（t）中，得到：

1.2 PCA算法原理

主成分分析（PCA）[7]是一种被广泛应用于数据降维的数学统计方法，利用降维的思想，将原始高维数据投射到低维子空间，重构的低维空间两两相互正交，互不相关，能够反映数据的近似分布[8]。

PCA步骤如下：

1）对原始数据X去均值标准化，并计算其协方差矩阵C。

1.3 相关系数与阈值

计算原始采集信号与EEMD分解后各个IMF分量的相关系数Rj，根据相关系数的标准差设定一个判断阈值T。

相关系数表达式：

式中：T为阈值；Rj表示第j个相关系数。

1.4 FastICA算法原理

快速独立成分分析（FastICA）是由非高斯性最大化原理推导而来的一种快速寻优迭代算法[9]。实验系统采用基于负熵最大的FastICA算法，以负熵值作为分离函数，利用负熵来判断投影向量是否服从高斯分布[10]。

首先对观测数据进行中心化和白化处理，得到零均值和单位方差的观测信号，再进行FastICA分析。

FastICA以负熵的近似作为目标函数：

式中：ν表示高斯信号；G表示非二次函数，选择G（y）=log2cosh（y）。

由式（8）可知，E{G（WTx）}的极值点处，可以取得WTx的近似负熵极大值。

根据K-T约束条件：

最后归一化处理得到：

1.5 算法实现步骤

基于EEMD-FastICA的单通道超声回波信号去噪的实现步骤如下：

1）对实验试件进行超声扫查，采集超声缺陷检测回波信号。

2）对采集的超声缺陷回波信号进行EEMD处理，得到IMF分量和残余分量。

3）将IMF分量同原始采集回波信号组合成新的信号矩阵，采用PCA算法，根据其协方差矩阵的特征值来估计源信号数目。

4）求解各个IMF分量与原始采集信号之间的相关系数，并计算相关系数阈值T。以相关系数与其阈值之间的大小关系作为判定条件对IMF分量进行信号重构，将重构信号与原始超声回波信号组合构成新的多维观测信号，并使其维度与预估源信号数目保持一致。

5）利用FastICA算法对新构建的观测信号进行处理，得到分离后的噪声信号和实际缺陷特征信号。

2 实验设计

实验系统以广东汕头超声电子公司生产的CTS-04PC型PCI超声探伤卡作为超声信号收发卡。其激励方式包括方波激励和尖脉冲激励，脉冲重复频率取值范围为50～2000 Hz，采样周期为10 ns。该卡具有包括全波、射频、正半波、副半波在内的4种检波选择方式。同时涵盖了闸门、增益、参数读取等多种参数设置的函数库。

采用汕超公司5P14型号的收发一体式直探头完成超声波的发射和接收，该探头采用宽带方波激励方式，中心谐振频率为5 MHz，晶片直径为14 mm。通过具有X轴、Y轴、Z轴三自由度的机械扫查架进行扫查。选用电动机驱动对机械扫查装置进行X、Y、Z三个方向的运动控制，从而实现探头的平面扫查运动及升降功能。将待测试件放入指定位置，机械夹具先复位回到原点再沿着X轴、Y轴移动到测量起始位置，Z轴带动探头向下运动，将探头置于超声扫描所需的合适高度范围，以保证探头与工件之间具有良好的耦合效果。探头在机械夹具的带动下沿着既定的路径在试件上方对试件进行扫描运动，由探头接收单元接收从异质界面反射回来的信号并传入超声采集卡，采集信号经由采集卡处理后传送至上位机。实验检测系统设备图如图1所示。

图1 超声检测系统设备图

3 实验与结果分析

3.1 信号采集与EEMD分解

实验采用EEMD和FastICA相结合对单通道超声信号进行消噪处理。以厚度为40 mm的铝合金厚板材作为实验试件，通过超声检测系统对实验试件进行超声扫描，得到回波信号。其中缺陷处回波信号的时域波形图如 图2 （a）所示。利用FFT变换对原始采集回波信号进行频谱分析得到频谱图如图2（b）所示。

在时域上，回波信号图像波峰的个数体现了反射面的数量，幅值大小体现了反射处介质对声波的反射能力，波包出现的时间差异体现了反射面在试件中的不同位置。从图2（a）中可看到在2.0～3.5 μs之间存在两个波包，分别为缺陷回波和试件底面回波，但由于采集信号中含有明显的毛刺和噪声信息，会对后续缺陷的准确定征产生影响。从图2（b）频谱图中可观察到采集信号的高频即噪声部分振幅呈现出振荡现象，进一步印证了干扰信号的存在，干扰信号的存在会对缺陷检测的精准度造成很大的影响。

图2 原始采集信号时域图和频谱图

利用EEMD算法对试件采集单通道回波信号进行自适应分解。将均值为零，且标准差与原始信号标准差的比值为0.2的高斯白噪声引入到原始采集回波信号，引入次数设置为100。分解结果和其频谱对照图如图3所示，得到了7个IMF分量和1个残余量。

图3 回波信号IMF分量和频谱对照图

由频谱对照图可知，IMF1分量和IMF2分量混杂了大量噪声，振幅产生振荡现象；IMF3分量和IMF4分量中同时含有噪声信号和缺陷回波信号的特征，模态混叠现象并没有得到完全解决，因此直接用EEMD对信号进行去噪的方法存在不足之处。依据提出的EEMD-FastICA去噪理论，在EEMD的基础上，重组信号预估源信号数目再进行多维观测信号的构建和盲源分离运算，以达到去噪的目的。

3.2 预估源信号数目

将IMF分量同原始采集回波信号组合成新的信号矩阵，采用PCA算法计算其协方差矩阵的特征值，然后将特征值依照从大到小的顺序进行排列，如表1所示。在PCA运算中，协方差矩阵表示了样本信号在各个维度上的能量分布，对特征向量的求解的实质等价于在原始维度空间中找到那些能量分布集中的方向，特征值正好体现了样本信号在该特征向量方向上占有的能量大小。从表1可知，λ1、λ2、λ3的累计贡献率大于90%，因此估计出源信号数目为3。

表1 多维信号经PCA后的特征值

3.3 多维观测信号的构建

计算经EEMD分解后得到的各个IMF分量与原始采集回波信号的相关系数Rj，以及相关系数标准差，即阈值T。其相关系数结果如表2所示。

表2 各IMF分量的相关系数

由相关系数算出阈值T=0.2799。根据相关系数与阈值的大小关系以及预估源信号的数目对IMF分量进行重构，同时将重构信号与原始采集缺陷回波信号组合构成新的三维观测信号，解决了单通道信号盲源分离的欠定问题。

3.4 盲源分离

采用FastICA算法对新构建的观测信号进行盲源分离，得到噪声信号与去噪后实际回波信号。实际回波信号的时域波形及频谱图如图4所示。

图4 去噪后实际回波信号的时域图与频谱图

对比图2（a）和图4（a）可以发现，基于EEMD-FastICA方法去噪后的时域信号波形平滑性良好，并且2.0～3.5之间的缺陷回波和底面回波清晰可见，噪声的影响大大减小。

已知实验采用超声探头的发射频率为5 MHz,对比图2（b）和图4（b）可以看出，频率大于5 MHz的高频噪声信号基本完全滤除，同时在5 MHz以内的频谱特征基本没有变化，即真实的超声回波信号得到了很好的保留。说明EEMD-FastICA方法能够高效地对超声回波信号进行噪声分离，同时能有效地保留源信号的频谱特征信息。

4 结语

针对实验采集的单通道超声检测回波信号在进行缺陷分析时存在噪声信号干扰的问题，提出一种基于EEMD-FastICA的单通道超声信号盲源分离方法。实验结果表明：提出的EEMD-FastICA算法能很好地解决单通道超声回波信号存在的盲源分离欠定和缺陷特征信号提取问题。对于同时具有非线性、非平稳及单通道信号特性的超声回波信号降噪方面有优异的效果，在降噪的同时有效地保留了信号的有用信息。从而表明EEMD-FastICA方法在单通道超声缺陷回波信号分析处理中具有良好的应用价值。