Улучшение видимости глубоких дефектов при ультразвуковом контроле толстостенных полиэтиленовых труб с помощью частотно-временной концентрации энергии

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Ультразвуковой контроль толстостенных полиэтиленовых труб сопряжен с проблемой потери энергии, что приводит к появлению слабых эхосигналов от глубоких дефектов. Чтобы улучшить обнаружение этих слабых сигналов, представлен метод концентрации энергии во времени и частоте. Дробное адаптивное суперлетное преобразование объединяет результаты нескольких вейвлет-преобразований с различными полосами пропускания путем геометрического усреднения, обеспечивая более широкие возможности анализа временных частот по сравнению с одиночными вейвлет-преобразованиями. Однако его представление временных частот имеет проблему мгновенного отклонения частоты. Предлагаемый метод решает эту проблему путем вложения мгновенной частоты, что приводит к повышению точности оценки мгновенной частоты. Численный анализ сигналов показывает более высокую точность оценки мгновенной частоты с помощью этого метода по сравнению с другими методами обработки временных частот. Применительно к обнаружению глубоких дефектов в толстостенных полиэтиленовых трубах метод показывает увеличение способности усиления слабого сигнала на 18,9 % по сравнению с непрерывным вейвлет-преобразованием. Наконец, результаты демонстрируют точность метода в определении мгновенных изменений частоты и усилении мгновенных амплитуд слабых сигналов, предлагая перспективный подход для обнаружения глубоких дефектов в толстостенных полиэтиленовых трубах.

Об авторах

Чаолей Чэнь

Шанхайский университет науки и техники

Email: sumx@usst.edu.cn
Китай, Цзюнь-Гун-Роуд, 516, район Янпу, Шанхай, 200093

Хуайшу Хоу

Шанхайский технологический институт

Автор, ответственный за переписку.
Email: hhs927@126.com
Китай, Хайцюань-Роуд, 100, район Фэнсянь, Шанхай, 201418

Шивэй Чжан

Шанхайский университет науки и техники

Email: sumx@usst.edu.cn
Китай, Цзюнь-Гун-Роуд, 516, район Янпу, Шанхай, 200093

Мингсу Су

Шанхайский университет науки и техники

Email: sumx@usst.edu.cn
Цзюнь-Гун-Роуд, 516, район Янпу, Шанхай, 200093

Чжифань Чжао

Шанхайский технологический институт

Email: hhs927@126.com
Хайцюань-Роуд, 100, район Фэнсянь, Шанхай, 201418

Чаофэй Цзяо

Шанхайский технологический институт

Email: hhs927@126.com
Китай, Хайцюань-Роуд, 100, район Фэнсянь, Шанхай, 201418

Список литературы

  1. Xie K., Chen L.H., Huang A.F., Zhao K., Zhang H.L. An auxiliary frequency tracking system for general purpose lock-in amplifiers // Meas. Sci. Technol. 2018. V. 29. P. 045010.
  2. Zhang Y.G., Jin D.Q., Chen J. A model-based variable step-size strategy for proximal multitask diffusion LMS algorithm // Digit. Signal Process. 2021. V. 117. P. 103199.
  3. Wan C.T., Chen D.Y., Yang J. Pulse rate estimation from forehead photoplethysmograph signal using RLS adaptive filtering with dynamical reference signal // Biomed. Signal Proces. 2022. V. 71. P. 103189.
  4. Dong K.F., Xu K., Zhou Y.Y., Zuo C., Wang L.M., Zhang C.K., Jin F., Song J.L., Mo W.Q., Hui Y.J. A memristor-based chaotic oscillator for weak signal detection and its circuitry realization // Nonlinear Dynam. 2022. V. 109. No. 3. P. 2129—2141.
  5. Shi P.M., Li M.D., Zhang W.Y., Han D.Y. Weak signal enhancement for machinery fault diagnosis based on a novel adaptive multi-parameter unsaturated stochastic resonance // Appl. Acoust. 2022. V. 189. P. 108609.
  6. Ni Q., Ji J.C., Feng K., Halkon B. A fault information-guided variational mode decomposition (FIVMD) method for rolling element bearings diagnosis // Mech. Syst. Signal. Pr. 2022. V. 164. P. 108216.
  7. Jiang Y., Li H.B., Rangaswamy M. Deep learning denoising based line spectral estimation // IEEE Signal Proc. Let. 2019. V. 26. No. 11. P. 1573—1577.
  8. Legendre S., Massicotte D., Goyette J., Bose T.K. Wavelet-transform-based method of analysis for Lamb-wave ultrasonic NDE signals // IEEE T. Instrum. Meas. 2000. V. 49. No. 3. P. 524—530.
  9. Shi G.M., Chen X.Y., Song X.X., Qi F., Ding A.L. Signal matching wavelet for ultrasonic flaw detection in high background noise // IEEE T. Ultrason. Ferr. 2011. V. 58. No. 4. P. 776—787.
  10. Bazulin E.G. Detection of echo signals from discontinuities due to the use of superresolution procedures for testing concrete piles by the impact method // Russ. J. Nondestruct. Test. 2023. V. 59. P. 868—875.
  11. Moca V.V., Bârzan H., Nagy-Dăbâcan A., Muresan R.C. Time-frequency super-resolution with superlets // Nat. Commun. 2021. V. 12. P. 337.
  12. Bârzan H., Moca V.V., Ichim A.M., Muresan R.C. Fractional superlets // Proc. Eur. Signal Process. Conf. 2021. P. 2220—2224.
  13. Nemytova O.V., Rinkevich A.B., Perov D.V. Instantaneous frequency estimation used for the classification of echo signals from different reflectors // Russ. J. Nondestruct. Test. 2012. V. 48. P. 649—661.
  14. Wang J., Han Y., Wang L.M., Zhang P.Z., Chen P. Instantaneous frequency estimation for motion echo signal of projectile in bore based on polynomial chirplet transform // Russ. J. Nondestruct. Test. 2018. V. 54. P. 44—54.
  15. Daubechies I., Lu J.F., Wu H.T. Synchrosqueezed wavelet transforms: an empirical mode decomposition-like tool // Appl. Comput. Harmon. A. 2011. V. 30. No. 2. P. 243—261.
  16. Thakur G., Wu H.T. Synchrosqueezing-based recovery of instantaneous frequency from nonuniform samples // SIAM J. Math. Ana. 2011. V. 43. No. 5. P. 2078—2095.
  17. Starkhammar J., Reinhold I., Moore P.W., Houser D.S., Sandsten M. Detailed analysis of two detected overlaying transient components within the echolocation beam of a bottlenose dolphin (Tursiops truncatus) // J. Acoust. Soc. Am. 2019. V. 145. No. 4. P. 2138—2148.
  18. Yu G., Wang Z.H., Zhao P. Multisynchrosqueezing transform // IEEE T. Ind. Electron. 2019. V. 66. No. 7. P. 5441—5455.
  19. Yu G., Yu M.J., Xu C.Y. Synchroextracting transform // IEEE T. Ind. Electron. 2017. V. 64. No. 10. P. 8042—8054.
  20. Ando S. Time–frequency representation with variant array of frequency-domain Prony estimators // J. Acoust. Soc. Am. 2021. V. 150. No. 4. P. 2682—2694.
  21. Wang Q., Li Y.X., Chen S.J., Tang B. Matching demodulation synchrosqueezing S transform and its application in seismic time–frequency analysis // IEEE Geosci. Remote S. 2022. V. 19. P. 1—5.
  22. Baraniuk R.G., Flandrin P., Janssen A.J.E.M., Michel O.J.J. Measuring time-frequency information content using the Renyi entropies // IEEE T. Inform. Theory. 2001. V. 47. No. 4. P. 1391—1409.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Российская академия наук, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».