Investigating electromagnetic acoustic emission signals denoising for alloy materials non-destructive detecting: a CRQA method

Full Text

1. ВВЕДЕНИЕ

Сплавы широко применяются в области автоматизации электрооборудования, так как обладают более высокой прочностью на разрыв, лучшей усталостной прочностью и более высокой коррозионной стойкостью по сравнению с обычными материалами [1, 2]. Как известно, при длительной эксплуатации заготовок из сплавов неизбежно возникают дефекты (например, износ, трещины и т.д.) в структуре, что может привести к травмам и материальному ущербу [3—5]. Поэтому регулярное тестирование различных свойств заготовок является необходимым.

В целом, способы обнаружения дефектов можно разделить на обычный метод испытаний и метод неразрушающего контроля [1]. В первом случае для разрушающего испытания необходимо взять образец исходного материала, что не способствует техническому обслуживанию машины. Напротив, метод неразрушающего контроля (НК) позволяет точно определить состояние ресурса, не повреждая испытуемую деталь [6]. Являясь важнейшей технологией в Индустрии 4.0, она имеет большое значение для безопасности и устойчивости автоматизированных машин [7—9].

Акустическая эмиссия (АЭ) является одним из основных методов неразрушающего контроля для выявления дефектов сплавов. К сожалению, ее недостатком является сложность механического нагружения, вызывающая вторичные повреждения [10]. Электромагнитная акустическая эмиссия (ЭМАЭ) является передовым методом контроля, который сочетает в себе преимущества методов электромагнитного воздействия и АЭ. В жестких условиях эксплуатации метод ЭМАЭ позволяет диагностировать вероятный рост повреждений и процесс разрушения на основе бесконтактного локального электромагнитного воздействия, что имеет большие перспективы развития в области неразрушающего контроля [11]. В целом, полученные сигналы ЭМАЭ подвержены шумовым помехам в сложных условиях эксплуатации. Подавление шумов в сигнале ЭМАЭ позволяет восстановить высококачественную информацию о сигнале, что также является гарантией эффективного извлечения типичных характеристик сигнала [12].

Разложение по вариационным модам (РВМ) — нерекурсивный метод анализа временных и частотных характеристик, предложенный Драгомирецким и др., который адаптивно раскладывает сигнал на несколько эмпирических мод (ЭМ) [13]. Этот метод позволяет эффективно снижать шумность нелинейных и негладких сигналов. Особое внимание в алгоритме РВМ уделяется анализу корреляции между каждой ЭМ и исходным сигналом. После получения сильно коррелированных компонент сигнал может быть в конечном итоге подвергнут процедуре удаления шума путем суперпозиции при восстановления этих ЭМ. Кроссрекуррентный количественный анализ (КРКА) — это эффективный алгоритм нелинейного анализа сигналов, который предоставляет несколько критериев потенциальной динамики сигналов в высокоразмерном пространстве, эти модели могут быть использованы для объективного анализа корреляции двух последовательностей сигналов с нескольких точек зрения, таких как частота повторения, задержка, расслоение, средняя длина диагонали и т.д. По сравнению с обычными линейными характеристиками (например, частотой, величиной и т.д.), рекуррентные характеристики более чувствительны к динамическим изменениям [14, 15].

Основываясь на вышеупомянутых утверждениях, в данной работе применяется КРКА для исследования корреляционных характеристик между каждой ЭМ, полученной в результате РВМ сигналов ЭМАЭ, и исходным сигналом. Затем находим точку мутации через среднее геометрическое (СГ) нескольких метрик для определения диапазона оптимальной комбинации компонентов, тем самым осуществляя выбор оптимального параметра и окончательное снижение шума сигнала ЭМАЭ. Следовательно, эта методика уменьшения шума может способствовать обеспечению возможности точного неразрушающего контроля легированных материалов, что гарантирует устойчивое развитие автоматизации производства электрооборудования.

2. СМЕЖНЫЕ ИССЛЕДОВАНИЯ

Поскольку наше исследование тесно связано по своей сути с применением РВМ, рассматриваются последние исследования на эту тему. Кроме того, разъясняется основная направленность работы. Общеизвестно, что алгоритм РВМ стал объектом исследований и нашел широкое применение в задачах деноазиса в различных областях.

Решая задачу шумоподавления, Wei и др. совместили метод РВМ с быстрым преобразованием Фурье для уменьшения частотных составляющих мощности и шума в переходном токе нулевой последовательности [16]. Hu и др. выделили шум внешней среды из сигналов векторных гидрофонов микроэлектромеханической системы с помощью РВМ и нелинейного порога вейвлетов, чтобы избежать дрейфа базовой линии и других искажений [17]. Для достижения той же цели был предложен комбинированный метод, основанный на оптимизированном по алгоритму китов РВМ и коэффициенте корреляции (КК) [18]. Dhandapani и др. предложили совместный алгоритм, сочетающий РВМ с мерами групповой вариации (Group-Sparse Total Variation) и энтропии для удаления многочисленных шумов, смешанных с сигналами частичного разряда [19]. Li и др. разработали оптимизацию VMD и двухпороговые критерии для уменьшения сложного океанического шума, смешанного с судовыми помехами [20]. В работах [21, 22] Jiang и др. исследовали метод РВМ и модифицированный метод РВМ для уменьшения влияния состояния трубопровода и оборудования для регистрации сигналов для точного выделения характеристик сигнала повреждения при утечке в трубопроводе.

В целом, являясь важным элементом классического алгоритма РВМ, несмотря на то, что метод коэффициента корреляции (КК) может эффективно моделировать корреляционные характеристики, он зависит от эмпирической настройки порога КК и иногда может не получить оптимальные компоненты, что, в свою очередь, приводит к ухудшению характеристик шумоподавления сигналов. Очевидно, что метод КРКА, упомянутый во введении, является подходящим благодаря своей сущности и соответствующим показателям. Для решения задачи подавления шума сигнала ЭМАЭ необходимо изучить возможности комбинации РВМ и КРКА, т.е. метода РВМ—КРКА.

3. МЕТОДОЛОГИЯ

3.1. Традиционный алгоритм РВМ

Традиционное РВМ (ТРВМ) — это полностью нерекурсивный метод обработки сигналов [23, 24]. В рамках вариационной модели с ограничениями вариационная модель решается итеративно для разложения исходного сигнала на ряд амплитудно-модулированных частотных сигналов, и полученные узкополосные компоненты эмпирических мод могут хорошо отображать локальные характеристики сигнала.

1) Вариационная модель с ограничениями (задача поиска минимального значения) имеет вид:

$min\left\{\sum _k{d}_t\left[\left(\delta \left(t\right)+\frac{j}{\mathrm{\pi t}}\right)\times u_k\left(t\right)\right]e_2^{-j\left\{{\omega }_k\right\}t2}\right\}s.t.\sum _k{u}_k=x\left(t\right),$ (1)

где {u_k}, {ω_k} — собственные модальные компоненты ЭМ и их центральные частоты; k — количество собственных модальных функций; x(t) — исходный сигнал.

2) Решение модели с ограничениями:

Чтобы найти оптимальное решение вышеуказанной вариационной задачи с ограничениями, вводится дополненная функция Лагранжа, которая определяется как

$$\begin{gathered} L\left(\left\{u_k\right\},\left\{{\omega }_k\right\},\lambda \right)=\alpha \sum _k{d}_t\left[\left(\delta \left(t\right)+\frac{j}{\mathrm{\pi t}}\right)\times u_k\left(t\right)\right]e_2^{-j\left\{{\omega }_k\right\}t2}+f\left(t\right)-\sum _k{u}_k{\left(t\right)}_2^2+\lambda \left(t\right), \\ f\left(t\right)-\sum _k{u}_k\left(t\right), \end{gathered}$$ (2)

где α — критерий коррекции 2-го порядка, также известный как равновесный параметр полноты разложения, и его значение оказывает влияние на точность восстановления сигнала; λ — множитель Лагранжа, множитель, который контролирует строгость ограничений. Седловые точки вышеуказанной дополненной функции могут быть получены с помощью метода множителей переменного направления, который является оптимальным решением вариационной модели с ограничениями в уравнении (2), так что модальная составляющая u_k и центральная частота ω_k могут уточняться.

Условие завершения:

$\frac{\sum _k||{\hat{u}}_k^{n+1}-{\hat{u}}_k^n||}{{||{\hat{u}}_k^n||}_2^2}<\epsilon ,$ (3)

где ε — точность сходимости.

3.2. Алгоритм оптимизации параметров РВМ

Процесс разложения РВМ имеет предустановленные параметры, где критерий коррекции α и количество мод разложения K влияют на производительность алгоритма РВМ. Значение K определяет, насколько эффективно разложен сигнал, а подходящее количество слоев разложения позволяет избежать чрезмерного или недостаточного разложения. Критерий коррекции α — это начальное центральное ограничение каждой моды, которое определяет ширину полосы пропускания компонентов ЭМ, а полнота метода РВМ может быть отрегулирована путем выбора параметров.

Для решения задачи подбора параметров РВМ исследуется метод шумоподавления для РВМ, основанный на алгоритме оптимизации. Генетический алгоритм (ГА) — это нелинейный алгоритм глобальной оптимизации, основанный на принципах естественного отбора и генетики [25, 26]. Он представляет собой итерационный процесс поиска лучшего, где каждое поколение популяции является циклом, а генетическое наследование заканчивается при достижении заданного количества циклов или критерия сходимости, в итоге, из всех генетических поколений находится лучшая хромосома. Для каждого поколения популяции выполняется отбор, скрещивание и мутация для завершения генетической операции, а все параметры оптимизируются в направлении целевой функции с помощью функции пригодности как генетического показателя оценки. Метод оптимизации серых волков (ОСВ) — это еще один метод оптимизационного поиска, который моделирует охотничью деятельность серых волков [27]. Его процесс содержит этапы стратификации социальной иерархии, выслеживания, окружения и нападения на добычу серых волков. Оптимальные параметры ВМД выводятся с помощью энтропии огибающей в качестве функции приспособленности и глобального минимума значения приспособленности в качестве цели оптимизации.

В данной работе для получения оптимальных заданных параметров разложения сигнала используются методы ГА и ОСВ, которые определяются как генетический алгоритм вариационного разложения (ГАВР) и вариационное разложение, оптимизированное серыми волками (ОСВРВМ) соответственно. Энтропия выборки используется в качестве фитнес-функции, а глобальный минимум фитнесзначения — в качестве цели оптимизации для фильтрации наилучшей комбинации параметров РВМ. Диапазон K — [2, 10]; диапазон α — [200, 2500]; количество итераций — 30; размер популяции — 10; вероятность кроссинговера — 0,8; вероятность дисперсии — 0,1.

3.3. Кроссрекуррентный количественный анализ

Восстановление фазового пространства (ВФП) является необходимым условием для реализации перекрестного рекуррентного анализа, который может отобразить ЭМ в то же высокоразмерное пространство, что и исходная последовательность сигналов, а восстановленные две последовательности обладают более нелинейными динамическими свойствами [28]. Предположим, что ряд ЭМ z имеет длину L, соответствующее ему фазовое пространство строится по теореме вложения Такенса [29], которая выражается следующим образом:

$F_{\phi }=\left\{z_{\phi },z_{\phi +t},...,z_{\phi +\left(d-1\right)t}\right\},$ (4)

где φ = 1, 2, …, L– (d – 1)t; d — размерность вложения; t — время задержки. Точный выбор этих двух параметров гарантирует, что система ВФП сохранит исходные суммарные характеристики системы. В данном случае для вычисления этих двух параметров восстановления используются взаимная информация [30] и метод ложного ближайшего соседа [31] соответственно. Для вычисления метрики КРКА выбираются одинаковые параметры реконструкции, причем меньшее t и большее d выбираются как наилучшие параметры реконструкции для обеих последовательностей ЭМ и исходных сигналов.

КРКА позволяет количественно оценить характеристики сходства между временными данными. В данной работе для измерения характеристик синхронизации между исходным сигналом и несколькими компонентами ЭМ в методе КРКА рассматриваются в основном три метрики, такие как частота повторения (ЧП), детерминизм (DET) и ламинарность (LAM).

По ЧП определяется вероятность возвращения двух последовательностей в одну и ту же область в фазовом пространстве, которая определяется:

$ЧП=\frac{1}{L^2}\sum _{a,b-1}^L{R}_{a,b}.$ (5)

В общем, большее значение ЧП обозначает более стабильное изменение системы, построенной на двух последовательностях.

С помощью DET измеряется прогнозирование и постоянство системы, построенной на два сигналах за все время. Если DET стремится к 0, система является периодической, а если DET стремится к 1, то система независима от времени. Эта величина определяется как

$DET=\frac{\sum _{c=c_{min}}^{L}cP\left(c\right)}{\sum _{c=1}^{L}cP\left(c\right)}\in \left[0,1\right],$ (6)

где c — длина диагонали, а минимальное значение c равняется 2. P(c) — распределение вероятности диагонали длиной c:

$P\left(c\right)=\sum _{a,b=1}^A\left(1-R_{a-1,b-1}\right)\left(1-R_{a+1,b+1}\right)\prod _{k=0}^{c-1}{R}_{a+k,b+k}.$ (7)

С помощью LAM определяется доля рекуррентных точек, образующих перпендикулярные линии ко всем рекуррентным точкам, что свидетельствует о существовании ламинарных состояний в системе, по следующей формуле:

$LAM=\frac{\sum _{e=e_{min}}^{L}eP\left(e\right)}{\sum _{e=1}^{L}eP\left(e\right)},$ (8)

где e — длина перпендикуляра, а пороговое значение минимальной длины перпендикуляра устанавливается равным 2. P(e) — распределение вероятности длины перпендикуляра e и выражается:

$P\left(e\right)=\sum _{a,b=1}^G\left(1-R_{a,b}\right)\left(1-R_{a,b+e}\right)\prod _{k=0}^{e-1}{R}_{a,b+k},$ (9)

где G — номер длины перпендикуляра.

Согласно выбранному алгоритму, после разложения сигнала ЭМАЭ будет получен набор ЭМ, а каждая ЭМ поочередно анализируется с помощью КРКА вместе с исходным сигналом. Затем рассчитываются три показателя, которые располагаются в порядке от наибольшего до наименьшего ГС. Затем эти компоненты накладываются друг на друга, менее коррелирующие компоненты поочередно отбрасываются, вычисляется значение ГС с исходным сигналом до мутации. В это время компонента наложения, выбранная вблизи точки мутации, представляет собой обесшумленный сигнал ЭМАЭ.

4. РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

4.1. Модельные расчеты

1) Генерация имитационных сигналов

Чтобы облегчить анализ сигнала ЭМАЭ, используется математическая модель для моделирования сигнала ЭМАЭ. Как правило, сигналы ЭМАЭ являются слабыми [32], на которые обычно влияет неизвестный фоновый шум, особенно в диапазоне от 0 до 5 дБ [33]. Поэтому для более реалистичного моделирования сигнала, получаемого датчиком в процессе эксперимента в рабочей среде, к моделируемому сигналу добавляется гауссовский белый шум с отношением сигнал/шум (ОСШ) 5 дБ, модель выражается следующим образом:

$f\left(t\right)=\sum _i^n{A}_i{e}^{\left[-P_i{\left(t-t_i\right)}^2\right]}\sin \left[2{\mathrm{\pi f}}_{\mathrm{i}}\left(\mathrm{t}-{\mathrm{t}}_{\mathrm{i}}\right)\right]+y\left(t\right),$ (10)

где A_i, P_i, t_i, f_i — амплитуда, коэффициент затухания, время задержки и основная частота i-го наложенного сигнала соответственно; n — количество наложенных сигналов в модели; y(t) — гауссовый белый шум; частота опроса смоделированного сигнала АЭ — f_i = 1 MГц. Временная область и частотная область смоделированного сигнала показаны на рис. 1.

 

Рис. 1. Временная и частотная области смоделированного сигнала с шумом

 

2) РВМ—КРКА-анализ шумоподавления сигнала

В моделировании рассматриваются три модели (ТРВМ, ГАВР и ОСВРВМ) для анализа шумоподавления сигнала, а корреляционные характеристики различных комбинаций компонентов с исходным сигналом, дополненным шумом, оцениваются по параметру КРКА. Для каждой модели последовательность ЭМ сначала раскладывают, чтобы выполнить корреляционный анализ с помощью КРКА с исходным сигналом с добавлением шума, значения ГС рассчитываются по полученным данным КРКА и располагаются в порядке от наибольшего к наименьшему. Затем слабо коррелированные компоненты постепенно отбрасываются, и вычисляются значения ГС оставшихся комбинаций составляющих, пока не останется только последняя составляющая. Результаты анализа представлены в табл. 1. В частности, точка резкого изменения значения ГС выделена жирным шрифтом, то есть резкое изменение значения ГС произошло в моделях ТРВМ—КРКА, ГАВР—КРКА и ОСВРВМ—КРКА под номерами 2, 6 и 7 соответственно. Это указывает на то, что снижение уровня шума в сигнале близко к критической точке, и если продолжать отбрасывать шумовые компоненты, то это приведет к потере основных компонентов и искажению восстановленного сигнала. Поэтому необходимо выбрать оптимальную комбинацию компонентов вблизи точки перехода.

 

Таблица 1. Результаты КРКА-анализа

Модель	Порядковый номер	Комбинация ЭМ	ЧП	DET	LAM	ГС
ТРВМ—КРКА	1	ЭМ 3,4,2,5,1	0,1118	0,3028	0,4400	0,2460
	2	ЭМ 3,4,2,5	0,1631	0,5479	0,5510	0,3665
	3	ЭМ 3,4,2	0,1835	0,5881	0,5926	0,3999
	4	ЭМ 3,4	0,2270	0,6345	0,6374	0,4511
	5	ЭМ 3	0,2550	0,6502	0,6510	0,4761
ГАВР—КРКА	1	ЭМ 2,1,3,9,4,5,7,8,6	0,1200	0,2806	0,4468	0,2469
	2	ЭМ 2,1,3,9,4,5,7,8	0,1291	0,4268	0,4921	0,3005
	3	ЭМ 2,1,3,9,4,5,7	0,1124	0,2757	0,4026	0,2319
	4	ЭМ 2,1,3,9,4,5	0,1507	0,3690	0,4883	0,3006
	5	ЭМ 2,1,3,9,4	0,1659	0,3961	0,5037	0,3211
	6	ЭМ 2,1,3,9	0,1827	0,5807	0,5914	0,3974
	7	ЭМ 2,1,3	0,1965	0,6155	0,6176	0,4211
	8	ЭМ 2,1	0,2285	0,6390	0,6401	0,4538
	9	ЭМ 2	0,2661	0,5036	0,5576	0,4212
ОСВ—КРКА	1	ЭМ 2,3,1,4,9,7,8,6,5	0,1333	0,4371	0,4969	0,3070
	2	ЭМ 2,3,1,4,9,7,8,6	0,1471	0,4731	0,5249	0,3318
	3	ЭМ 2,3,1,4,9,7,8	0,1566	0,5056	0,5428	0,3502
	4	ЭМ 2,3,1,4,9,7	0,1706	0,5482	0,5655	0,3753
	5	ЭМ 2,3,1,4,9	0,1830	0,5810	0,5906	0,3975
	6	ЭМ 2,3,1,4	0,1956	0,6140	0,6157	0,4197
	7	ЭМ 2,3,1	0,2248	0,6325	0,6337	0,4483
	8	ЭМ 2,3	0,2314	0,6547	0,6549	0,4629
	9	ЭМ 2	0,2464	0,6489	0,6496	0,4701

 

Чтобы определить результаты шумоподавления сигнала, в ходе моделирования сравнивается классическая модель отбора компонентов, т. е. КК, и оцениваются две модели шумоподавления с помощью ОСШ и среднеквадратического отклонения (СКО) как показателей эффекта шумоподавления (см. табл. 2). Результаты моделирования показывают, что КРКА имеет больше преимуществ в отборе эффективных компонентов, а эффект шумоподавления ГАВР—КРКА лучше по сравнению с двумя другими моделями РВМ.

 

Таблица 2. Сравнение результатов моделирования шумоподавления

Модель	ОСШ	СКО
ТРВМ—КК	07,2637	0,2291
ТРВМ—КРКА	11,4636	0,1413
ГАВР—КК	10,7208	0,1539
ГАВР—КРКА	12,6332	0,1235
ОСВРВМ—КК	10,8029	0,1524
ОСВРВМ—КРКА	12,5267	0,1250

 

4.2. Анализ данных измерения сигналов ЭМАЭ

1) Порядок проведения эксперимента по ЭМАЭ

Идея эксперимента по измерению ЭМАЭ заключается в создании силы Лоренца путем формирования локального электромагнитного воздействия на металлический образец, и при непрерывном воздействии магнитным полем создается достаточно большое по величине напряжение, приводящее к расширению трещин. При этом выделяется большое количество упругой энергии, что позволяет обнаружить сигналы АЭ вблизи дефектов с целью проведения неразрушающего контроля. Схема показана на рис. 2.

 

Рис. 2. Схема эксперимента по ЭМАЭ

 

В частности, в эксперименте используется шкаф постоянного тока для питания электромагнита, создающего большое магнитное поле B. Когда на металлический образец действует сильное магнитное поле, в соответствии с принципом электромагнитной индукции, изменяющееся магнитное поле создает ток, а затем на участок дефекта действует лоренцева сила F, и из-за разного направления силы на дефект он продолжает расширяться [34, 35]. Когда F превысит определенное критическое значение, возникнет упругая или даже пластическая деформация, которая приведет к расширению трещины, стимулируя тем самым явление АЭ [36]. Генерируемый сигнал ЭМАЭ представляет собой импульсную волну напряжения, стимулированную внешней силой, которая по сути является механической вибрационной волной. Распространяясь по поверхности металлического материала, он попадает на датчик приемного устройства, и механический сигнал преобразуется в электрический для передачи на следующий уровень оборудования. Затем усиленный сигнал передается в систему сбора АЭ через входной усилитель для совместного восстановления исходного сигнала.

2) Экспериментальная установка

Мы используем цифровую систему сбора данных SAEU2S, электромагнит CH-130, источник тока с программным управлением Model-10030, фронтальный датчик SR150N, усилитель PA и компьютерную платформу для создания нового типа бесконтактного экспериментального устройства EMAE (см. рис. 3), которое обеспечивает инфраструктуру для проведения эксперимента. В частности, источник тока с программным управлением Model-10030 является устройством, обеспечивающим работу всей платформы экспериментальной системы, которая может поддерживать выходной ток в диапазоне от –33 до 33 A и достигать возбуждения напряженности электромагнитного поля до 1,7 T.

 

Рис. 3. Экспериментальная платформа

 

Для изготовления образцов использовали алюминиевый сплав 6061 [37] и магниевый сплав AZ31B [38]. Тип повреждения образца — типичное круглое отверстие на месте трещины, а размеры образца следующие: алюминиевая пластина l × w × h = 330 мм × 100 мм × 1 мм; круглое отверстие d = 10 мм; трещина l × w = 16 мм × 0,3 мм. Размеры образца обозначены на рис. 4.

 

Рис. 4. Образец, используемый в эксперименте

 

С помощью связующего вещества датчик располагается на расстоянии 10 см от дефекта металлического листа, магнитное поле создается в процессе плавного увеличения силы тока от 0 до 20 А. После нескольких повторных сравнительных экспериментов были получены сигналы с трех разных образцов, частотный диапазон сигнала акустической эмиссии был определен путем сравнительного анализа и предварительно подвергнут обработке для удаления большого пикового шума.

Для согласованности с экспериментами по моделированию сигнала ЭМАЭ к реальному зарегистрированному сигналу также добавили 5 дБ гауссового белого шума, обработанный сигнал ЭМАЭ показан на рис. 5. Из графика видно, что ОСШ низкое, а амплитуда информативных частот в спектре сигнала размыта, что подтверждает необходимость снижения шума в сигналах ЭМАЭ, полученных в реальных условиях эксплуатации. Для того чтобы лучше продемонстрировать эффект снижения шума предложенной схемы, в качестве объекта анализа выбираются первые 2048 точек во временной области реальных зафиксированных сигналов ЭМАЭ.

 

Рис. 5. Амплитуда сигнала, полученного на образце из алюминиевого сплава 6061, во временной и частотной областях

 

3) Анализ уменьшения шума сигналов в эксперименте

В эксперименте с целью анализа шумоподавления экспериментальных сигналов использовались методы ТРВМ, ГАВР и ОСВРВМ, а сигналы ЭМАЭ анализировались и обрабатывались методами скрининга и оценочными индексами, аналогичными методам обработки сигналов при моделировании. В табл. 3 представлены результаты шумоподавления.

 

Таблица 3. Сравнение различных методов уменьшения уровня шума измеренных сигналов на образце из алюминиевого сплава 6061

Модель	ОСШ	СКО
ТРВМ—КК	09,4382	3,9380e-04
ТРВМ—КРКА	12,6605	2,7175e-04
ГАВР—КК	11,5423	3,0908e-04
ГАВР—КРКА	13,6279	2,4311e-04
ОСВРВМ—КК	12,4457	2,7855e-04
ОСВРВМ—КРКА	13,0311	2,6040e-04

 

Результаты анализа показывают, что теория КРКА имеет больше преимуществ при анализе корреляции по сравнению с КК, что позволяет более эффективно отсеивать шумовые составляющие и точно восстанавливать исходный сигнал. В частности, на рис. 7 показаны графики осциллограмм сигнала во временной и частотной областях после уменьшения шума с помощью модели ГАВР—КРКА. По сравнению с рис. 6, изменения обеих осциллограмм в основном одинаковы. Опять же, из табл. 3 видно, что ГАВР—КРКА имеет наибольшее значение ОСШ и наименьшее СКО, что доказывает, что этот метод обладает оптимальным эффектом шумоподавления.

 

Рис. 6. Амплитуда сигнала, полученного на образце из алюминиевого сплава 6061, во временной и частотной областях с гауссовым белым шумом

 

Рис. 7. Амплитуда сигнала, полученного на образце из алюминиевого сплава 6061, во временной и частотной областях после обработки методом ГАВР—КРКА

 

Для дальнейшей проверки обобщающей способности разработанного метода анализа рассматривается также набор данных измерений на образце магниевого сплава AZ31B, который был получен на базе той же экспериментальной установки, что и образец алюминиевого сплава 6061. На рис. 8, 9 поочередно показаны графики сигнала ЭМАЭ во временно-частотной области до и после удаления шума, полученные на образце из магниевого сплава как объекта исследования. Судя по визуальным данным, метод понижения шума в некоторой степени уменьшает количество неровностей и выпуклостей в исходном сигнале ЭМАЭ. Кроме того, в табл. 4 показаны различные методики численного сравнения результатов ослабления шума сигнала, измеренного на образце магниевого сплава. Аналогично, предлагаемый метод КРКА значительно превосходит другие методы по показателям ОСШ и СКО. На примере ОСШ КРКА может быть рассчитан как среднее увеличение примерно на 33,3 % в различных вариантах РВМ по сравнению с КК, что также является доказательством высокой эффективности уменьшения шума сигнала КРКА.

 

Рис. 8. Амплитуда сигнала, полученного на образце из магниевого сплава AZ31B, во временной и частотной областях с гауссовым белым шумом

 

Рис. 9. Амплитуда сигнала, полученного на образце из магниевого сплава AZ31B, во временной и частотной областях после обработки методом ГАВР—КРКА

 

Таблица 4. Сравнение различных методик обработки результатов шумоподавления сигналов, измеренных на образце из магниевого сплава

Модель	ОСШ	СКО
ТРВМ—КК	06,8579	0,0366
ТРВМ—КРКА	11,5925	0,0212
ГАВР—КК	11,3401	0,0219
ГАВР—КРКА	13,0143	0,0180
ОСВРВМ—КК	11,0085	0,0227
ОСВРВМ—КРКА	12,7771	0,0185

 

5. ЗАКЛЮЧЕНИЕ

В данной работе исследуется алгоритм шумоподавления на основе КРКА для решения задачи устранения шумовых помех, часто присутствующих в сигналах ЭМАЭ. В процессе построения РВМ данные по КРКА ЭМ и исходного сигнала используются для объективного отсеивания основных компонентов, а затем эффективный сигнал восстанавливается с помощью суперпозиции, преодолевая ограничение на пороговое значение КК. Результаты моделирования и экспериментов показывают, что модель РВМ—КРКА оказывает хорошее шумоподавляющее действие на сигнал ЭМАЭ, что способствует точному неразрушающему контролю материалов сплавов, имеет справочное значение для последующей идентификации нарушений, прогнозирования срока службы и раннего прогнозирования состояния материалов металлических компонентов. В будущем планируется применить метод КРКА к другим современным моделям, таким как ансамблевое разложение на эмпирические моды (АРЭМ), полагая, что это позволит получить лучшие результаты по снижению шума.

Авторы заявляют об отсутствии конфликта интересов.

Данная работа частично поддержана Фондом естественных наук Чунцинской муниципальной комиссии по науке и технике (cstc2019jcyj-msxmX0505).

About the authors

Qiuyue Li

Chongqing Vocational Institute of Safety Technology, Department of Network and Information Security; Chongqing Three Gorges University, School of Mechanical Engineering

Email: Laiys@Sanxiau.edu.cn
China, Chongqing; Chongqing

Yushu Lai

Chongqing Three Gorges University, School of Mechanical Engineering

Author for correspondence.
Email: Laiys@Sanxiau.edu.cn
China, Chongqing

Difei Cao

University of Science and Technology Beijing, School of Computer & Communication Engineering

Email: Laiys@Sanxiau.edu.cn
China, Beijing

References

Supplementary files