基于獨(dú)立分量分析的罐底腐蝕聲發(fā)射信號(hào)去噪方法

宗福興，李政碩，汪 輝，陳 帆

（1.后勤工程學(xué)院 后勤信息與軍事物流工程系，重慶 401311；2.東北軍用物資采購(gòu)局，沈陽(yáng) 110026）

儲(chǔ)油罐正朝著大型化的方向發(fā)展，但由于腐蝕等原因的存在，儲(chǔ)油罐一旦發(fā)生泄漏，就會(huì)造成環(huán)境污染和重大經(jīng)濟(jì)損失。儲(chǔ)罐罐底是儲(chǔ)罐中最難檢測(cè)的部分，目前常用的檢測(cè)方法有：超聲波檢測(cè)、射線檢測(cè)、渦流檢測(cè)、漏磁檢測(cè)等［1－2］，然而這些傳統(tǒng)的檢測(cè)方法耗時(shí)長(zhǎng)、費(fèi)用高，不能對(duì)儲(chǔ)罐進(jìn)行實(shí)時(shí)的檢測(cè)，而聲發(fā)射檢測(cè)技術(shù)具有無(wú)需停產(chǎn)倒罐，實(shí)時(shí)在線檢測(cè)等優(yōu)點(diǎn)，正逐漸被廣泛應(yīng)用。

聲發(fā)射源釋放出的彈性波在結(jié)構(gòu)中傳播時(shí)，攜帶有大量結(jié)構(gòu)或材料的缺陷信息，可以通過(guò)接收和分析這些聲發(fā)射信號(hào)來(lái)對(duì)結(jié)構(gòu)或材料中的缺陷進(jìn)行識(shí)別和定位，以達(dá)到檢測(cè)和診斷的目的。由于聲發(fā)射檢測(cè)過(guò)程中存在有各種各樣的噪聲，直接影響對(duì)缺陷的識(shí)別和定位精度。因此，在對(duì)聲發(fā)射信號(hào)進(jìn)行特征提取和定位處理之前，通過(guò)多種方法實(shí)現(xiàn)信號(hào)降噪，能極大程度地提高被檢對(duì)象的評(píng)判準(zhǔn)確性。目前常用的濾波方法主要包括對(duì)混合信號(hào)進(jìn)行時(shí)域分析、頻域分析和小波去噪等方法［3］。但是由于聲發(fā)射信號(hào)自身的特點(diǎn)，特別是當(dāng)噪聲強(qiáng)度很大或者干擾信號(hào)在頻帶上與有用信號(hào)重疊時(shí)，這些傳統(tǒng)的方法很難取得理想的去噪效果。

獨(dú)立分量分析（Independent Component Analysis，ICA），是指在不知源信號(hào)和傳輸信道參數(shù)的情況下，根據(jù)輸入信號(hào)的統(tǒng)計(jì)特性，僅由觀測(cè)信號(hào)恢復(fù)出源信號(hào)的過(guò)程。ICA可以把接收到的混合信號(hào)分解為相互獨(dú)立的成分，對(duì)于真實(shí)信號(hào)與噪聲相互獨(dú)立的混合信號(hào)，ICA在降噪上具有很好的處理效果。同時(shí)，經(jīng)ICA方法分解出的因子或分量具有實(shí)際的物理意義，能夠有效解決許多實(shí)際問(wèn)題［4］。

筆者根據(jù)聲發(fā)射信號(hào)的特點(diǎn)，對(duì)聲發(fā)射信號(hào)中噪聲種類進(jìn)行介紹，結(jié)合獨(dú)立分量分析實(shí)際應(yīng)用中存在的不足，提出了基于混合因子分析的預(yù)處理方法，重點(diǎn)研究了獨(dú)立分量分析的改進(jìn)算法和去噪過(guò)程。最后，通過(guò)對(duì)模擬信號(hào)和儲(chǔ)罐罐底腐蝕聲發(fā)射信號(hào)的去噪效果分析，證明了所用方法的有效性和實(shí)用性。

1 聲發(fā)射技術(shù)的檢測(cè)原理

聲發(fā)射（Acoustic Emission）是指材料內(nèi)部產(chǎn)生塑性變形或裂紋形成和擴(kuò)展時(shí)，瞬態(tài)釋放應(yīng)變能而產(chǎn)生彈性波的現(xiàn)象［5］。它是由于物體內(nèi)部結(jié)構(gòu)局部產(chǎn)生的機(jī)械不穩(wěn)定造成的。當(dāng)物體受到外界壓力或者內(nèi)部應(yīng)力作用時(shí)，缺陷周?chē)鷧^(qū)域的應(yīng)力會(huì)以范性流變、微觀龜裂、裂縫的產(chǎn)生和擴(kuò)展等形式進(jìn)行再次分布，迫使材料發(fā)生塑性變形，其儲(chǔ)存的一部分能量會(huì)以彈性應(yīng)力波的形式釋放出來(lái)，這就是聲發(fā)射現(xiàn)象。

聲發(fā)射技術(shù)利用先進(jìn)的聲波傳感技術(shù)，通過(guò)傳感器檢測(cè)物體發(fā)射的彈性應(yīng)力波，并將之轉(zhuǎn)變?yōu)殡娦盘?hào)進(jìn)行分析和處理，判斷物體內(nèi)部是否存在活性聲源，并對(duì)其進(jìn)行定位，原理如圖1所示。對(duì)儲(chǔ)罐檢測(cè)的結(jié)果表明罐底板最容易受到腐蝕侵害，在長(zhǎng)期腐蝕的作用下，儲(chǔ)罐底板極易發(fā)生泄漏，聲發(fā)射技術(shù)能夠?qū)Ωg現(xiàn)象進(jìn)行實(shí)時(shí)的監(jiān)控，正確的反映出儲(chǔ)罐底板是否出現(xiàn)了問(wèn)題，根據(jù)腐蝕的嚴(yán)重程度對(duì)罐底進(jìn)行分析和評(píng)價(jià)，對(duì)儲(chǔ)罐底板的維護(hù)具有非常重要的意義。

圖1 聲發(fā)射檢測(cè)技術(shù)原理

腐蝕會(huì)導(dǎo)致金屬表面鈍化膜的破裂，在腐蝕表面產(chǎn)生氫氣泡的破裂、表面腐蝕物的生成和腐蝕物的剝落，與表面產(chǎn)生的摩擦等都會(huì)產(chǎn)生聲發(fā)射信號(hào)。由罐底腐蝕引起的聲發(fā)射信號(hào)可通過(guò)介質(zhì)傳播到數(shù)十米遠(yuǎn)的地方，能夠被安裝在罐外壁的聲發(fā)射傳感器接收到，從而在不需要倒罐及清罐的情況下對(duì)油罐罐底狀態(tài)進(jìn)行檢測(cè)。

聲發(fā)射檢測(cè)方法對(duì)于監(jiān)測(cè)罐底腐蝕活躍程度非常有效，這樣有助于及時(shí)評(píng)估儲(chǔ)罐的腐蝕狀況以便及時(shí)進(jìn)行處理。此外，由于聲發(fā)射檢測(cè)效率高、成本低、適用面廣，可以實(shí)現(xiàn)對(duì)大量?jī)?chǔ)罐的頻繁檢查，為管理者合理安排開(kāi)罐檢測(cè)提供依據(jù)，從而大大減少管理者盲目開(kāi)罐所造成的損失。在我國(guó)大型儲(chǔ)罐日益增多、管理任務(wù)繁重的國(guó)情下，采用聲發(fā)射檢測(cè)技術(shù)對(duì)提高管理效率尤為有利［6］。

2 聲發(fā)射檢測(cè)過(guò)程中的噪聲分類

腐蝕產(chǎn)生的聲發(fā)射信號(hào)是非常微弱的，檢測(cè)時(shí)往往采用較大倍數(shù)的放大器和靈敏度很高的傳感器，但這樣就容易檢測(cè)到大量噪聲信號(hào)。聲發(fā)射檢測(cè)過(guò)程中存在的噪聲是多種多樣的，許多物理原因都能導(dǎo)致噪聲的產(chǎn)生，比如傳感器噪聲、傳播路徑的缺陷、檢測(cè)對(duì)象工藝噪聲等。

不同種類的噪聲在隨機(jī)性、平穩(wěn)性及帶寬上存在較大差異，在噪聲濾除的難易程度上也有很大不同。根據(jù)前期研究，按照噪聲的復(fù)雜程度，將噪聲信號(hào)分為三類，見(jiàn)表1。

表1 噪聲信號(hào)分類

表1中前兩類噪聲復(fù)雜度較低，在實(shí)際檢測(cè)中常通過(guò)設(shè)定采樣閾值、安裝護(hù)衛(wèi)傳感器［2，7］以及簡(jiǎn)單的時(shí)頻分析方法就可將大部分噪聲信號(hào)濾除。但由于突發(fā)信號(hào)、不平穩(wěn)噪聲的波形和頻率與有用信號(hào)非常相近，常規(guī)方法的濾波效果并不明顯。

3 獨(dú)立分量分析在信號(hào)去噪中的應(yīng)用

獨(dú)立分量分析（ICA）作為一種新興的信號(hào)處理技術(shù)，近年來(lái)已被應(yīng)用于多種復(fù)雜背景噪聲的信號(hào)分析處理中，并取得了較好的去噪效果。國(guó)內(nèi)，李偉［8］，顧江［9］等人較早的將獨(dú)立分量分析應(yīng)用于聲發(fā)射信號(hào)去噪，并驗(yàn)證了ICA的有效性。

但在實(shí)際運(yùn)用ICA的過(guò)程中，特別是在原始信號(hào)獨(dú)立性不好的情況下，有時(shí)會(huì)出現(xiàn)算法收斂性較差的情況。這是因?yàn)镮CA算法采用了牛頓迭代法，收斂速度最多是3次，對(duì)于在線數(shù)據(jù)實(shí)時(shí)處理和大數(shù)據(jù)量的處理過(guò)程，經(jīng)典ICA算法的性能就不太理想。為了改進(jìn)算法的迭代性能，提高算法的速度，筆者介紹了基于混合因子分析的預(yù)處理方法，提出了收斂性能較好的獨(dú)立分量分析改進(jìn)算法，并對(duì)算法步驟進(jìn)行了詳細(xì)說(shuō)明。

3.1 ICA基本模型

如果X（t）＝［X1（t），X2（t），…，XM（t）］T代表從M個(gè)傳感器采集到的觀測(cè)信號(hào)，S（t）＝［S1（t），S2（t），…，SN（t）］T代表N個(gè)未知源信號(hào)，則盲源分離的基本模型為：

式中：A為一個(gè)M×N維的矩陣，也稱為混合矩陣（Mixing matrix）。

對(duì)任意t，根據(jù)已知的X（t）在A未知的條件下求未知的S（t），即為一個(gè)基本的盲源分離問(wèn)題。ICA的思路是設(shè)置一個(gè)N×M維解混矩陣W＝（wij），X（t）經(jīng)過(guò)W變換后得到N維輸出列向量Y（t）＝［Y1（t），Y2（t），…，YN（t）］T，即有：

式中：Y（t）為源信號(hào)S（t）的估計(jì)向量。

3.2 基于混合因子分析的ICA預(yù)處理方法

實(shí)際應(yīng)用過(guò)程中，模型往往不是如式（1）所示，而是包含各種噪聲，即：

式中：n（t）為噪聲項(xiàng)。

ICA算法對(duì)噪聲產(chǎn)生的突變值非常敏感，通常要對(duì)混合信號(hào)做一些預(yù)處理，比較常用的預(yù)處理有兩個(gè)，一個(gè)是將信號(hào)去均值（Centering），另一個(gè)是白化（Whitening）。但現(xiàn)有方法處理后的觀測(cè)信號(hào)仍然含有大量噪聲，這就使ICA算法的信號(hào)分離效果受到很大影響，從而導(dǎo)致去噪結(jié)果不理想。這里采用混合因子分析的方法進(jìn)行預(yù)處理，采用期望極大化算法進(jìn)行參數(shù)估計(jì)，濾除隨機(jī)噪聲n。

因子分析的基本模型如下式：

式中：x＝（x1，x2，…xp）T，為p維觀測(cè)值；s＝（s1，s2，…sr）T，為r（r＜p）維隱藏在觀測(cè)值中的公共因子；P為因子分析中p×r維的載荷矩陣；n為p維隨機(jī)誤差。

若將P表示成列向量，即P＝［P1，P2，…Pr］，則式（4）可表示為：

因子分析方法可以解釋為通過(guò)隱藏的低維公共因子來(lái)組成高維的觀測(cè)矩陣：

式中：L（r）為由P1，P2，…Pr形成的線性子空間。

混合因子分析模型是單因子分析模型的擴(kuò)展，混合因子分析定義為M個(gè)因子分析的組合，可以用來(lái)降低混合信號(hào)的維數(shù)。對(duì)M個(gè)高維數(shù)據(jù)，可以表示為：

混合因子分析的概率密度函數(shù)可表示為：

將原始盲源信號(hào)代入式（8）進(jìn)行混合因子分解，然后將分解后的結(jié)果代入式（4）得到獨(dú)立分量分析的模型：

利用極大似然估計(jì)作為估計(jì)原則，估計(jì)目標(biāo)表達(dá)式為：

式中：θ＝｛qm，ψm，Pm｜m＝1，2，…M｝表示混合因子分析目標(biāo)參數(shù)。

3.3 改進(jìn)ICA算法

在對(duì)原始聲發(fā)射信號(hào)進(jìn)行預(yù)處理后，根據(jù)式（2），需求取解混矩陣W＝（wij），從而實(shí)現(xiàn)信號(hào)的ICA分解。采用較多的高效算法為負(fù)熵法，負(fù)熵是最合適的非高斯程度的度量，用符號(hào)J［p（x）］或J（x）表示，其基本迭代公式為［10］：

式中：ui為正交矩陣的第i行；z為經(jīng)過(guò)預(yù)處理后的數(shù)據(jù)；E為特征矢量矩陣；β為一恒定值。

在求解過(guò)程中，為減少算法收斂的迭代次數(shù)，避免迭代振蕩的情況發(fā)生，使算法獲得更好的收斂性能，筆者對(duì)牛頓迭代的一般方法進(jìn)行了改進(jìn)，即將多次迭代結(jié)合在一起，在這些多次迭代中，只計(jì)算第一次迭代的雅可比矩陣，后面的迭代都使用第一次計(jì)算的結(jié)果。假定已經(jīng)求得Wk，則Wk＋1可由式（12）的迭代求得：

式（12）每次迭代中只需要計(jì)算一次雅可比矩陣JF（W），效果相當(dāng)于普通牛頓迭代法的m次迭代。特別地，m取值為2時(shí)，其收斂階至少可以達(dá)到牛頓迭代法的最快收斂速度，即3階的收斂速度，而且要少計(jì)算一次雅可比矩陣。因此該改進(jìn)迭代方法可以減少雅可比矩陣的計(jì)算次數(shù)，提高迭代速度，有效地避免普通牛頓迭代產(chǎn)生的振蕩的現(xiàn)象，在數(shù)據(jù)的獨(dú)立性不是很好的情況下也能獲得較好的收斂結(jié)果。當(dāng)m＝2時(shí)，式（12）可以簡(jiǎn)化為：

ICA算法中采用牛頓迭代算法估計(jì)W的值，牛頓迭代算法的特點(diǎn)是收斂快，具有平方或立方收斂速度，形式簡(jiǎn)單等特點(diǎn)，其缺點(diǎn)是對(duì)初值要求較高。為了改善ICA算法對(duì)初始權(quán)值W0的要求，筆者在基礎(chǔ)的ICA迭代公式中引入一個(gè)松弛因子ak：

松弛因子αk的選擇目的是要求在某種范式下滿足：

通過(guò)引入松弛因子αk，保證了F（Wk）按給定的范數(shù)具有下降的性質(zhì)。這種下降性質(zhì)可以促使從某個(gè)Wk開(kāi)始進(jìn)入牛頓迭代法的收斂區(qū)域，使得算法在任何情況下均可以達(dá)到收斂的效果。

3.4 ICA去噪過(guò)程

對(duì)于實(shí)際檢測(cè)過(guò)程中，除含有所需要的有用信號(hào)之外，還包含來(lái)自若干個(gè)噪聲源的噪聲信號(hào)，經(jīng)過(guò)ICA分離的各個(gè)分量的幅值是不確定的，甚至?xí)c原信源符號(hào)相反，因而部分人認(rèn)為ICA只適合用于定性分析，而不適合定量分析。然而，在信號(hào)去噪的應(yīng)用上，有用信號(hào)對(duì)應(yīng)的特征向量通常是最大的，而對(duì)于噪聲分量，甚至不用將其分離，因?yàn)樽詈笫Ｏ碌哪莻€(gè)分量通常就是噪聲分量。

在信號(hào)導(dǎo)數(shù)等于或者多于信號(hào)源的情況下，使用ICA對(duì)其進(jìn)行分解，對(duì)分解出的多路獨(dú)立分量，可以進(jìn)行有效的去噪處理。文中提出的ICA算法去噪過(guò)程包括：

（1）數(shù)據(jù)采樣：利用相應(yīng)罐底腐蝕聲發(fā)射檢測(cè)裝置（具體試驗(yàn)裝置在4.2節(jié)中詳細(xì)敘述）對(duì)腐蝕信號(hào)進(jìn)行采集。可通過(guò)設(shè)置合理的傳感器數(shù)量、信號(hào)閾值以及安裝護(hù)衛(wèi)傳感器的方法去除部分干擾噪聲。

（2）ICA預(yù)處理：采用獨(dú)立分量分析的方法對(duì)傳感器采集的信號(hào)進(jìn)行預(yù)處理，使噪聲得到抑制，從而提高獨(dú)立分量的分離效果。

（3）ICA分解：采用改進(jìn)的ICA算法，對(duì)于Y（t）＝WX（t）＝WAS（t），X（t）為原始信號(hào)經(jīng)過(guò)預(yù)處理后的信號(hào)，W為解混矩陣，逐個(gè)分離出源信號(hào)S（t）的估計(jì)向量Y（t）。

（4）分解結(jié)果處理：在步驟（3）的基礎(chǔ)上，對(duì)于分解出的獨(dú)立分量Y（t），根據(jù)一定的信號(hào)時(shí)域及頻域知識(shí)，可以識(shí)別有用信號(hào)和噪聲信號(hào)，將獨(dú)立分量中的噪聲信號(hào)通道置零，然后由x′（t）＝W－1Y（t）反求原始信號(hào)，所求的x′（t）就是去除噪聲后的原始信號(hào)。

4 試驗(yàn)結(jié)果及分析

4.1 模擬仿真試驗(yàn)及去噪效果分析

假定采集到的離散信號(hào)為x（n）＝s（n）＋u（n），s（n）為原始標(biāo)準(zhǔn)信號(hào)，u（n）為噪聲信號(hào)。為評(píng)價(jià)算法的去噪效果，定義一下評(píng)價(jià)指標(biāo)。

去噪處理后的估計(jì)信號(hào)y（n）與不含噪聲的原始信號(hào)s（n）差值的標(biāo)準(zhǔn)差（均方根誤差）：

去噪后輸出信噪比與輸入信號(hào)信噪比之差：

RMSE越小，說(shuō)明去噪效果越好；而ΔSNR越大，也說(shuō)明去噪效果越好。

模擬試驗(yàn)以斷鉛聲發(fā)射信號(hào)作為有用信號(hào)，高斯白噪聲作為噪聲源，將有用信號(hào)和白噪聲通過(guò)隨機(jī)矩陣混合生成兩路含噪混合信號(hào)，如圖2所示。

圖2 模擬信號(hào)及其混合信號(hào)示意

為定量衡量改進(jìn)ICA算法的去噪效果，筆者對(duì)SNR為3dB的含噪信號(hào)采用小波去噪、ICA算法和改進(jìn)ICA算法三種方法去噪，并對(duì)標(biāo)準(zhǔn)差和信噪比之差進(jìn)行對(duì)比。小波去噪選取Db4，閾值取Rigrsure。為了減少誤差，對(duì)每組仿真試驗(yàn)進(jìn)行10次，取其平均值作為最終結(jié)果，對(duì)比結(jié)果如表2所示。

表2 三種算法去噪效果對(duì)比

表2表明，ICA方法較小波去噪方法具有更好的去噪效果，小波去噪使去噪信號(hào)的SNR從3dB達(dá)到10dB左右，而ICA方法可以達(dá)到15dB以上。在聲發(fā)射信號(hào)的去噪上ICA方法具有明顯的優(yōu)勢(shì)。同時(shí)，筆者提出的改進(jìn)算法使去噪效果得到進(jìn)一步提高，較傳統(tǒng)ICA算法SNR提高約5dB。通過(guò)對(duì)不同混合信號(hào)的去噪效果來(lái)看，改進(jìn)ICA算法具有很強(qiáng)的穩(wěn)健性和適應(yīng)能力。

4.2 罐底腐蝕聲發(fā)射信號(hào)去噪

在實(shí)際檢測(cè)中，4.1節(jié)提到的常用評(píng)價(jià)標(biāo)準(zhǔn)如SNR和均方根誤差（RMSE）并不能直觀地反映信號(hào)去噪方法的優(yōu)劣。為正確反映改進(jìn)ICA算法在實(shí)際中的應(yīng)用效果，本文利用罐底腐蝕定位算法對(duì)去噪后的信號(hào)進(jìn)行腐蝕源定位，通過(guò)定位精度衡量算法的去噪效果。

罐底腐蝕聲發(fā)射源定位的方法有很多，較常用的有三點(diǎn)定位、超定定位等，這里采用超定定位算法對(duì)不同方法去噪后的定位效果進(jìn)行比較。

在利用超定定位算法進(jìn)行定位的過(guò)程中，首先根據(jù)參與定位的N個(gè)傳感器接收到信號(hào)的時(shí)刻t1，t2，…，tN，（N≥3），可得測(cè)量時(shí)間差，即任意傳感器（第一個(gè)傳感器除外）與第一個(gè)傳感器檢測(cè)到信號(hào)的時(shí)間差為：

設(shè)聲發(fā)射源的坐標(biāo)為（Xs，Ys），聲信號(hào)在罐內(nèi)的傳播速度為v，則根據(jù)聲發(fā)射源坐標(biāo)與傳感器坐標(biāo)，得到計(jì)算時(shí)間差，即i號(hào)傳感器與1號(hào)傳感器接收到信號(hào)的時(shí)間差為：

x2反映了測(cè)量時(shí)間差與計(jì)算時(shí)間差之間的差值，當(dāng)假設(shè)的聲發(fā)射源坐標(biāo)（Xs，Ys）距離真實(shí)的聲發(fā)射源坐標(biāo)越接近時(shí)，x2就會(huì)越小。理想情況下，即測(cè)量時(shí)間差和信號(hào)傳播速度誤差均為0時(shí)，x2的最小值為0，然而現(xiàn)實(shí)情況都是非理想的，x2的最小值不會(huì)為0，因此不能將x2設(shè)置成0，然后通過(guò)求解方程（20）的方法來(lái)獲得聲發(fā)射源坐標(biāo)。

為直觀反映定位效果，在小型儲(chǔ)罐內(nèi)部人為制造了2個(gè)腐蝕區(qū)域，并在罐底周?chē)鶆虿贾?個(gè)傳感器，如圖3所示。試驗(yàn)?zāi)康臑槔梦闹蟹椒ê蛡鹘y(tǒng)方法，對(duì)傳感器接收的腐蝕信號(hào)進(jìn)行處理，通過(guò)對(duì)處理后的信號(hào)進(jìn)行腐蝕源定位，通過(guò)定位精度間接反映文中算法的有效性。

圖3 儲(chǔ)罐罐底腐蝕區(qū)域及傳感器設(shè)置

試驗(yàn)選用德國(guó)Vallen公司生產(chǎn)的全數(shù)字多通道聲發(fā)射儀器AMSY－5系統(tǒng)采集儲(chǔ)油罐的聲發(fā)射信號(hào)數(shù)據(jù)。AMSY－5全數(shù)字化聲發(fā)射儀，是一種超高速、全數(shù)字、全波形、強(qiáng)抗干擾聲發(fā)射采集分析系統(tǒng)。每一個(gè)通道有一個(gè)獨(dú)立的電路板，能夠有效地避免電磁干擾和大地環(huán)流，使電磁噪音降低到15dB。每個(gè)聲發(fā)射通道的采集速度為15000Hits／s，波形為5000個(gè)／s（10M／s采樣率）傳輸速度為30000Hits／s和2.5M波形，能夠最大程度上實(shí)現(xiàn)信號(hào)的實(shí)時(shí)采集。

從4.1節(jié)可知，獨(dú)立分量分析對(duì)聲發(fā)射信號(hào)的去噪效果明顯優(yōu)于常用的其他去噪方法，本節(jié)僅對(duì)傳統(tǒng)的ICA算法和文中改進(jìn)算法進(jìn)行去噪比較。分別采用2種去噪方法對(duì)AMSY－5聲發(fā)射檢測(cè)系統(tǒng)生成的信號(hào)波形文件進(jìn)行去噪，圖4為傳感器一次采集信號(hào)的去噪后效果。

由于實(shí)際背景的存在，圖4中的去噪信號(hào)并不能反映去噪效果的優(yōu)劣，主要原因是對(duì)腐蝕源的不可知性。為正確反映2種算法的去噪效果，通過(guò)多次試驗(yàn)采集腐蝕聲發(fā)射信號(hào)，并利用超定定位算法對(duì)去噪后信號(hào)進(jìn)行聲發(fā)射源定位，定位結(jié)果如圖5所示。

圖4 腐蝕聲發(fā)射信號(hào)及去噪效果

由圖5可以直觀看出，文中提出的改進(jìn)ICA算法較傳統(tǒng)算法具有更高的定位精度，能夠更準(zhǔn)確地反映罐底腐蝕源的位置，從而間接表明改進(jìn)算法在腐蝕聲發(fā)射信號(hào)去噪效果優(yōu)于傳統(tǒng)算法，證明改進(jìn)ICA算法的可行性和有效性。

5 結(jié)論

提出基于獨(dú)立因子分析的預(yù)處理方法和ICA的改進(jìn)算法和去噪過(guò)程。通過(guò)對(duì)模擬聲發(fā)射信號(hào)去噪仿真，ICA較傳統(tǒng)的小波方法具有更優(yōu)的去噪效果，對(duì)輸入信噪比3dB的信號(hào)，去噪后信噪比增量在10dB以上。通過(guò)對(duì)罐底腐蝕聲發(fā)射信號(hào)的去噪分析和源定位計(jì)算，表明改進(jìn)ICA算法能較好地分離多路源獨(dú)立的信號(hào)，特別在提取微弱信號(hào)方面具有明顯的優(yōu)勢(shì)。筆者提出的改進(jìn)ICA算法在腐蝕聲發(fā)射去噪方面具有較好的應(yīng)用效果。

圖5 罐底腐蝕源定位效果

［1］孫新宇，李曉明，彭仁海.油罐安全運(yùn)行與管理［M］.北京：中國(guó)石化出版社，2005.

［2］王偉魁.儲(chǔ)罐罐底腐蝕聲發(fā)射檢測(cè)信號(hào)處理關(guān)鍵技術(shù)研究［D］.天津：天津大學(xué)，2011.

［3］SERRANO E，F(xiàn)ABIO M.Application of the wavelet transform to acoustic emission signals processing［J］.IEEE Transactions on Signal Processing，1996，44（5）：1270－1275.

［4］HYV?RINEN A，HURRI J，HOYER P O.Independent component analysis［M］.［s.l.］：John wiley ＆Sons，2004.

［5］李光海，沈功田，閆河.常壓儲(chǔ)罐聲發(fā)射檢測(cè)技術(shù)［J］.無(wú)損檢測(cè)，2010，32（4）：256－259.

［6］方偉，劉麗川，楊繼平，等.聲發(fā)射技術(shù)在覆土油罐檢測(cè)中的應(yīng)用［J］.無(wú)損檢測(cè)，2012，34（1）：46－48.

［7］林明春，康葉偉，王維斌，等.護(hù)衛(wèi)傳感器在拱頂儲(chǔ)罐罐底聲發(fā)射檢測(cè)中的應(yīng)用［J］.無(wú)損檢測(cè)，2010，32（8）：620－652.

［8］李偉，戴光，李寶玉.基于獨(dú)立分量分析的金屬腐蝕聲發(fā)射信號(hào)處理 ［J］.化工機(jī)械，2005，32（4）：207－217.

［9］顧江，張光新，劉國(guó)華，等.基于獨(dú)立分量分析的聲發(fā)射信號(hào)去噪方法［J］.江南大學(xué)學(xué)報(bào) ：自然科學(xué)版，2008，7（1）：55－59.

［10］HYV?RINEN A，OJA E.A fast fixed－point algorithm for independent component analysis［J］.Neural Computation，1997，9（7）：1483－1492.