楊 杰 李紅梅 趙春田, 楊洪禮

基于相似波形的漏磁檢測缺陷信號小波分解及提取方法

楊 杰1李紅梅2趙春田1,2楊洪禮3

（1. 南方科技大學(xué)，廣東深圳 518055；2. 四川大學(xué)，成都 610207；3. 山東科技大學(xué)，山東 青島 266590）

漏磁檢測技術(shù)被廣泛應(yīng)用于鐵磁構(gòu)件缺陷的檢測和量化評估，其對缺陷形狀、尺寸的三維反演成像、量化能力，尤其是對常見的自然（腐蝕、疲勞）復(fù)雜缺陷的三維成像能力，是漏磁檢測技術(shù)水平的核心標(biāo)志之一。由于實際缺陷形狀不規(guī)則、常包含多個坑點，致使其漏磁檢測信號彼此影響。為提升復(fù)雜缺陷的成像精度和數(shù)據(jù)處理速度，從漏磁信號里自動分解并剝離出對應(yīng)缺陷的信號是很重要的前置工作。本文提出一種基于相似波形的漏磁檢測缺陷信號小波分解及提取方法，用于自動分解并拾取每個缺陷的漏磁檢測信號，并自動確定每個缺陷的位置及邊界，以備后續(xù)利用其完成對缺陷的三維反演成像。該方法基于實際檢測到的缺陷漏磁信號的形態(tài)特征，匹配與其波形最相似的小波基；用選取的小波基對每個通道的漏磁檢測信號進(jìn)行多尺度分解，得到每個通道信號的小波高頻系數(shù)；再根據(jù)小波系數(shù)特征確定每個通道信號中存在的缺陷數(shù)量和缺陷所在的位置，并提取每個通道各處缺陷的漏磁信號；最終通過判定缺陷信號相鄰?fù)ǖ赖倪B通性，將所在連通區(qū)域內(nèi)的缺陷信號進(jìn)行集成，得到各處缺陷的信息集，從而實現(xiàn)對所有缺陷漏磁檢測信號的提取。本文提出的方法可用于對復(fù)雜缺陷漏磁檢測信號的準(zhǔn)確和快速提取、分離和集成，為后續(xù)缺陷的三維反演成像奠定基礎(chǔ)。

漏磁檢測；相似小波基；小波分解；缺陷信號提取

0 引言

近年來，管道運輸以其安全、便捷、高效等優(yōu)點在石油、天然氣等能源運輸行業(yè)被廣泛應(yīng)用。截止到2020年底，我國油氣長輸管道里程累計達(dá)到16.9萬km。相關(guān)數(shù)據(jù)表明，我國超過半數(shù)的管道已經(jīng)進(jìn)入服役的中后期。為避免發(fā)生管道泄漏事故和造成重大的生命財產(chǎn)損失，對管道進(jìn)行有效的高精度完整性檢測是必要的。管道漏磁內(nèi)檢測法具有操作簡便、可靠性好、檢測效果好等優(yōu)勢，被廣泛用于對油氣管道中缺陷的檢測和量化。

漏磁檢測[1-3]可實現(xiàn)對油氣管道內(nèi)、外表面的金屬損傷、焊縫等缺陷的有效無損檢測，其原理示意圖如圖1所示。在利用磁體對管壁進(jìn)行飽和磁化的狀態(tài)下，如圖1（a）所示，當(dāng)管壁中不存在缺陷時，磁通回路沒有擾動，空氣中的磁敏傳感器拾取到的漏磁場不會發(fā)生畸變；如圖1（b）所示，當(dāng)管壁中存在缺陷時，管體中的磁力線在缺陷界面處發(fā)生折射，導(dǎo)致管體外空氣中漏磁場信號的畸變。通過分析檢測漏磁場信號是否有畸變，可實現(xiàn)對管體缺陷的識別；通過分析畸變漏磁場信號的形態(tài)、幅值等特征可實現(xiàn)對缺陷的粗略量化。在實際管道檢測工程中，經(jīng)常將沿管道長度方向（軸向）設(shè)定為軸，管道周向方向設(shè)定成軸，管道徑向方向設(shè)置成軸（見圖1）。磁敏傳感器拾取的漏磁信號幅值為電壓值，單位為mV。

圖1 漏磁檢測原理示意圖

近年來，隨著我國裝備制造能力的大幅提升，國產(chǎn)漏磁檢測機器人的硬件裝備水平與國外的差距在快速縮小，但在缺陷的量化評定精度、速度和可靠性等方面，與國外相比仍存在很多不足。僅就缺陷的量化評定能力而言，目前國內(nèi)外的漏磁檢測技術(shù)仍處于對缺陷的定位查找及對其尺寸的粗略量化階段，對管道中缺陷形狀的三維量化反演成像能力仍然不足。本研究團隊在利用實際檢測信號反演缺陷處磁荷分布規(guī)律的基礎(chǔ)上[4]，提出缺陷深度場概念，并建立缺陷三維輪廓反演的方法及算法，可實現(xiàn)對任意復(fù)雜缺陷的三維輪廓的反演成像[5]。以上理論創(chuàng)新技術(shù)已實現(xiàn)轉(zhuǎn)化，具有廣闊的工業(yè)應(yīng)用前景。進(jìn)一步地，為提升對缺陷的量化評定能力和處理速度，從漏磁檢測信號中自動識別、分離和提取缺陷的漏磁信號是很重要的前置工作。由于實際工程缺陷形狀不規(guī)則，多個坑點信號常近距離分布、或一個區(qū)域包含多個坑點缺陷，致使其漏磁檢測信號彼此關(guān)聯(lián)、相互影響，降低了后期缺陷識別及成像量化精度。因此，為提升漏磁檢測對復(fù)雜缺陷的識別和量化成像精度，需要對上述近距離分布的多缺陷進(jìn)行分解剝離和單獨提取。目前應(yīng)用較廣泛的缺陷識別提取方法主要有幅值差分閾值法[6-7]，但其對近距離分布復(fù)雜缺陷的識別提取精度不高、信號提取自動化程度低、對數(shù)據(jù)樣本和人工經(jīng)驗的依賴性較高。即便是同一組數(shù)據(jù)，如果由不同的人員處理，其對缺陷信號的識別提取結(jié)果可能不同。因缺陷數(shù)據(jù)分析依賴人工、費時費力，導(dǎo)致數(shù)據(jù)分析結(jié)果常在檢測完成后2～4月才能給出，嚴(yán)重降低了檢測結(jié)果的時效性。

漏磁檢測缺陷信號的提取，尤其是對相互關(guān)聯(lián)的、跨越多通道的復(fù)雜缺陷信號的提取，目前還沒有可適用的高效、成熟算法，不利于后續(xù)的缺陷三維反演成像及量化評定。針對以上問題，本文給出一種基于相似波形的漏磁檢測缺陷信號小波分解及自動提取方法，從缺陷漏磁檢測信號的波形特征出發(fā)，匹配與其波形相似度高的小波基，用其對漏磁檢測信號進(jìn)行多尺度分解，探究小波高頻系數(shù)與缺陷信號的對應(yīng)規(guī)律，從而實現(xiàn)對缺陷信號的自動提取。該方法不僅能提高缺陷的提取精度和處理速度，也適用于對復(fù)雜缺陷信號的剝離和提取，為后續(xù)的缺陷三維反演及量化評定奠定基礎(chǔ)。

1 相似小波分解提取方法

1.1 小波多分辨率分析

小波分析[8-9]自20世紀(jì)70年代被提出，在信號分析及數(shù)學(xué)領(lǐng)域得到快速發(fā)展，很好地彌補了許多其他信號分析方法（如傅里葉分析方法）的不足，在理論和實際中都得到了廣泛應(yīng)用。相較于傅里葉分析方法，小波分析方法的一個顯著優(yōu)勢是可以對信號進(jìn)行局部分析。1986年，Meyer給出了一組小波，對其進(jìn)行伸縮和平移可構(gòu)成一組空間序列的標(biāo)準(zhǔn)化正交基，顯著推動了小波的實際應(yīng)用。1988年，Mallat在做小波構(gòu)造研究時提出多分辨率分析[10-13]的理念，從數(shù)學(xué)定義和空間概念對正交小波[11]都進(jìn)行了形象的解釋和描述，并提出目前在信號去噪領(lǐng)域中廣泛采用的算法——Mallat算法[14]，使小波分析方法在理論和應(yīng)用層面都實現(xiàn)了跨越。在小波的計算可行性問題被解決后，它的獨特優(yōu)勢，例如可檢測信號的突變點和奇異性等局部信息的能力，便顯著地發(fā)揮了出來，解決了信號分析領(lǐng)域的諸多難題。

信號經(jīng)小波分解后映射到不同尺度的函數(shù)空間，并得到不同尺度下相互正交的時頻系數(shù)。不同的尺度對應(yīng)不同的頻率范圍，即可實現(xiàn)在不同頻率范圍內(nèi)觀察信號，并獲取其多頻域的時頻信息。另外，小波的可構(gòu)造性極大提高了小波分析在實際應(yīng)用中的靈活性和便捷性。

1.2 漏磁檢測缺陷信號的小波提取方法

基于相似波形小波分解的漏磁檢測缺陷信號提取技術(shù)路線如圖2所示，本文對漏磁檢測缺陷信號的提取可分解為五步：①對檢測信號去噪；②選取最優(yōu)小波基；③對檢測信號進(jìn)行小波分解；④初步鎖定缺陷區(qū)域；⑤精確提取各缺陷信號。

圖2 基于相似波形小波分解的漏磁檢測缺陷信號提取技術(shù)路線

1）小波基的選擇

由于皮爾遜系數(shù)是對稱的，兩個向量的平移或尺度變化都不會影響皮爾遜系數(shù)值的變化。兩個向量間的皮爾遜系數(shù)及其所對應(yīng)的相關(guān)性關(guān)系見表1。

表1 Pearson系數(shù)與兩個向量的相關(guān)性

由此，計算不同的小波基與漏磁檢測缺陷信號的Pearson系數(shù)，選取Pearson系數(shù)值高的小波基作為對漏磁檢測缺陷信號分解用的小波函數(shù)，可提升對單個缺陷識別拾取的精準(zhǔn)度。以工程中實際獲取的漏磁檢測缺陷信號的徑向分量為基準(zhǔn)，本文計算了其與典型的幾種小波基函數(shù)的Pearson系數(shù)，見表2。Rbio3.1小波與漏磁檢測缺陷信號徑向分量的Pearson系數(shù)為0.964 9，相似度較高，兩者的波形相似性如圖3所示。

2）缺陷信號提取

根據(jù)波形相似原則，采用Rbio3.1小波基對漏磁檢測信號進(jìn)行小波多尺度分解。

表2 不同小波基與漏磁檢測缺陷信號的Pearson系數(shù)

圖3 Rbio3.1小波與缺陷信號徑向分量的波形相似性

（1）缺陷信號的單通道分解及提取

用Rbio3.1小波對如圖4（a）所示的含有單個缺陷的管道漏磁檢測單通道信號做4級分解，結(jié)果如圖4（b）和圖4（c）所示。圖4中，CA和CL（=1, 2, 3, 4）分別表示小波低頻和高頻系數(shù)值。由圖4結(jié)果可見，高頻系數(shù)CL可較好地拾取并表征缺陷信號。在無缺陷區(qū)域，CL接近于0；在有缺陷區(qū)域，CL存在1個極小負(fù)峰、2個極大正峰，單個缺陷信號經(jīng)小波分解后得到的高頻系數(shù)的分布規(guī)律具有惟一性，沒有衍生出多余旁瓣峰，可據(jù)此對單個缺陷進(jìn)行識別，有利于后續(xù)對復(fù)雜缺陷的分解和拾取。本文中，選取CL2對缺陷進(jìn)行識別和提取，尺度選取原則為：

①該尺度分解得到的小波低頻系數(shù)與原信號波形相似。

②該尺度分解得到的小波高頻系數(shù)，在有缺陷部分能量集中、無旁瓣，在無缺陷部分的值接近于0。

③在滿足①②條件下選低尺度。依據(jù)小波多尺度分解的模極大值傳遞規(guī)律[21]，小波分解尺度越低，極大值點傳遞時誤差越小。

依據(jù)小波變換基本理論，具有顯著特征波形的信號，經(jīng)小波分解后得到的系數(shù)的模極大值點，對應(yīng)原信號的特征點。CL2與缺陷特征點對應(yīng)關(guān)系如圖5所示，用Rbio3.1小波對圖5（a）所示的管道漏磁檢測缺陷信號進(jìn)行2級分解，得到的CL2如圖5（b）所示。圖5（b）中標(biāo)注的模極大值點與圖5（a）中標(biāo)注的特征點從左到右存在一一對應(yīng)的關(guān)系。因此，可先通過對CL2模極大值的拾取實現(xiàn)對缺陷及缺陷所在邊界位置的確定，再對應(yīng)出其在漏磁檢測信號中的位置，從而可從原漏磁檢測信號中截取出缺陷信號。

圖4 對信號的小波多尺度分解結(jié)果

（a）管道漏磁檢測缺陷信號

（b）信號經(jīng)分解后的二尺度小波高頻系數(shù)

圖5 CL2與缺陷特征點對應(yīng)關(guān)系

綜上所述，一個具有明確特征波形的信號，選取與其特征波形相似度大的小波基，對其進(jìn)行小波分解，得到與原信號對應(yīng)的小波低頻系數(shù)和高頻系數(shù)。其中，低頻系數(shù)波形與原信號波形相似，高頻系數(shù)放大表征原信號中的局部細(xì)節(jié)特征信息，且高頻系數(shù)的模大值點與原信號的特征點具有惟一映射關(guān)系。由此，先在小波高頻系數(shù)中根據(jù)特征提取出缺陷信號，后根據(jù)其映射關(guān)系提取出其在原信號中的位置信息，從而完成缺陷漏磁信號的提取。該方法的優(yōu)越性表現(xiàn)在，基于相似波形的小波多分辨率分析對特征信號的辨認(rèn)有惟一性，可提高復(fù)雜缺陷區(qū)域中對單個缺陷的識別率，進(jìn)而提高缺陷的提取精度。

漏磁檢測單通道缺陷信號提取的方法步驟如下：

①對檢測信號去噪。用基于Mallet算法的小波分解與重構(gòu)法實現(xiàn)。

②小波分解并確定閾值。用Rbio3.1小波對漏磁檢測信號進(jìn)行二級分解，根據(jù)分解后得到的二尺度高頻系數(shù)（CL2）確定閾值。經(jīng)驗證，非缺陷信號對應(yīng)的CL2模值不超過缺陷信號對應(yīng)的CL2模值的30%。由此，找到分解后得到的CL2模的最大值max，將max（∈[0.1, 0.3]）作為閾值去篩取缺陷信息。

③拾取缺陷數(shù)據(jù)。選定步驟②中的，在步驟②得到的CL2中，將模值大于max的數(shù)據(jù)提取出來。

④缺陷數(shù)據(jù)分段。在步驟③得到的缺陷信息中，找到其中的局部極小值點，以極小值點為基準(zhǔn)對缺陷信息分段。

⑤確定每個缺陷信號段的邊界并截取。以每個局部極小值點所在位置為基準(zhǔn)，向左擴散找到與其相鄰的局部極大值點，將其所在位置作為缺陷左邊界，將局部極小值點的位置作為缺陷右邊界。為減小誤差，左右邊界分別向左和向右各擴散兩個單位，根據(jù)模極大值傳遞規(guī)律，將這些位置坐標(biāo)乘以4對應(yīng)到原信號中的位置，截取出原信號中邊界范圍內(nèi)的信號數(shù)據(jù)。

單通道缺陷信號提取流程如圖6所示。

圖6 單通道缺陷信號提取流程

（2）平面缺陷信號的分解和提取

基于一維單通道信號（缺陷長度方向）的缺陷提取結(jié)果，缺陷在長、寬平面內(nèi)的二維完整信號的提取，主要通過對缺陷邊界位置的連通性判斷來實現(xiàn)。長、寬平面缺陷信號提取流程如圖7所示，包含以下主要步驟：

圖7 長、寬平面缺陷信號提取流程

①劃分缺陷區(qū)域。按照圖6所示缺陷數(shù)據(jù)拾取流程，對平面漏磁信號逐通道進(jìn)行缺陷識別，獲取所有存在缺陷的通道。將其中具有連通性的通道劃定為一個初級缺陷區(qū)域。

②在每個初級缺陷區(qū)域進(jìn)行單個缺陷的剝離提取，主要步驟如下：

a）單個缺陷的提取。按照圖6所示流程依次在步驟①劃定的初級缺陷區(qū)域內(nèi)進(jìn)行每個通道內(nèi)含獨立缺陷的劃分和提取，并記錄每個獨立缺陷的位置和長度。

b）獨立缺陷長度的確定。在含缺陷數(shù)目最多的通道中，取各缺陷在不同通道中長度的最大值作為其長度，并記錄其所在的邊界位置。

c）獨立缺陷寬度的確定。在步驟b）中確定的各缺陷的長度邊界范圍內(nèi)，獲取存在缺陷的通道，將其中具有連通性的通道集成為一個缺陷，其所包含的通道邊界表征了缺陷的寬度，記錄其位置。

d）從原漏磁檢測信號中，截取出由以上步驟b）和c）中確定的缺陷長度和寬度邊界位置范圍內(nèi)的漏磁檢測數(shù)據(jù)，存儲起來，完成單個缺陷的提取。

其中，本文將相鄰間距小于等于2個采樣單位的通道認(rèn)為是具有連通性的通道。

2 缺陷提取結(jié)果驗證

2.1 一維漏磁檢測缺陷信號提取

為了驗證上述漏磁檢測缺陷信號的單通道分解與提取方法的可行性和準(zhǔn)確度，用Matlab對實際管道漏磁檢測的工程數(shù)據(jù)進(jìn)行了缺陷提取。選取其中存在缺陷的300條單通道信號進(jìn)行了缺陷提取驗證，提取閾值系數(shù)設(shè)定為0.1。運行結(jié)果顯示，本方法對其中缺陷信號的有效識別和提取率為98%，圖8為其中的兩組缺陷提取效果。圖8（a）為內(nèi)含單個缺陷，圖8（b）為內(nèi)含3個相鄰缺陷。圖8中，origin標(biāo)識線為原漏磁檢測信號，01、02、03標(biāo)識線分別為所提取的缺陷編號。由圖可見，本方法可對相鄰的多個缺陷進(jìn)行有效剝離和單獨提取，且被提取的缺陷信號完整、無冗余信息。

圖8 單通道缺陷信號的提取結(jié)果

2.2 二維平面缺陷信號的提取

為了驗證上述漏磁檢測缺陷平面信號提取方法的有效性，用Matlab對實際工程的管道漏磁檢測信號中的缺陷二維信號進(jìn)行了提取，將提取閾值系數(shù)設(shè)定為0.1。第一批測試數(shù)據(jù)內(nèi)含20個缺陷，本方法自動識別和有效提取了其中的19個缺陷信號，各缺陷信號都被單獨且完整地提取和保存。第二批測試數(shù)據(jù)內(nèi)含50個缺陷，本方法有效識別和提取了其中的48個缺陷信號，有效提取率為96%。

圖9（a）為內(nèi)含3個密集缺陷的仿真漏磁檢測信號。缺陷信號彼此影響，所跨越的通道范圍相互覆蓋。缺陷提取結(jié)果如圖9（b）～圖9（d）所示，3個密集缺陷都能夠被單獨識別并剝離提取出來。

圖9 多個缺陷的二維信號提取結(jié)果

圖10（a）為實際工程管道的漏磁檢測信號1，內(nèi)含一個長軸向缺陷。圖10（b）為缺陷信號的提取結(jié)果，可見缺陷信息被完整提取且無冗余信息。圖11（a）為實際工程管道的漏磁檢測信號2，其內(nèi)含3個形狀不規(guī)則、相互影響的密集缺陷，圖11（b）～圖11（d）為其缺陷提取結(jié)果，可見3個缺陷的單獨識別和提取效果良好。

圖10 工程管道漏磁檢測信號1的二維缺陷提取結(jié)果

3 結(jié)論

本文基于小波多分辨率分析方法，給出了一種漏磁檢測缺陷信號提取方法。本方法基于相似波形小波分解思想，經(jīng)過波形相似度計算，選取了與缺陷漏磁信號相似度高的Rbio3.1小波，并應(yīng)用其對實際漏磁檢測信號進(jìn)行了分解和提取。測試結(jié)果表明，本文方法可有效從內(nèi)含多個密集缺陷的信號區(qū)域，分離和提取出單個獨立的缺陷信號，并可精確地確定各缺陷所在的位置和邊界，實現(xiàn)對相互影響的復(fù)雜缺陷進(jìn)行分別識別和單獨提取。本文方法的創(chuàng)新點及優(yōu)勢如下：

圖11 工程管道漏磁檢測信號2的二維缺陷提取結(jié)果

1）通過選取與缺陷信號波形相似度高的小波基函數(shù)對漏磁信號進(jìn)行小波分解，建立了小波高頻系數(shù)與單個缺陷信號的映射關(guān)系，并基于此進(jìn)行缺陷識別和提取，解決了漏磁檢測對密集型復(fù)雜缺陷的單獨提取難題。

2）開發(fā)了漏磁檢測缺陷提取算法，編寫了相應(yīng)的計算程序，從實際工程管道的漏磁檢測數(shù)據(jù)里，提取出了96%以上的二維缺陷信號，實現(xiàn)了缺陷提取過程的全程自動化。

相對于現(xiàn)有方法，本文方法提高了對密集型復(fù)雜缺陷的分解和單獨識別能力，提升了缺陷提取的準(zhǔn)確率和速度，為隨后的缺陷輪廓反演成像計算奠定了基礎(chǔ)，在實際管道漏磁檢測工程中有廣泛的應(yīng)用前景。

[1] 孟祥吉, 宋兵臣, 劉健, 等. 管道部件及典型缺陷漏磁內(nèi)檢測圖像化顯示研究[J]. 管道技術(shù)與設(shè)備, 2021(1): 26-32.

[2] 戴光, 吳忠義, 朱祥軍, 等. 管道內(nèi)外壁缺陷的漏磁檢測[J]. 無損檢測, 2018, 40(3): 19-23, 28.

[3] 楊理踐, 耿浩, 高松巍. 長輸油氣管道漏磁內(nèi)檢測技術(shù)[J]. 儀器儀表學(xué)報, 2016, 37(8): 1736-1746.

[4] LI Hongmei, ZHANG Fuchen, YANG Bin, et al. Dis- tribution characteristics of calculated magnetic charges around discontinuous structures in magnetic memory testing[J]. International Journal of Applied Electro- magnetics and Mechanics, 2019, 59(4): 1321-1329.

[5] LI Hongmei, HUANG Ranran, ZHAO Chuntian, et al. 3D reconstructing of arbitrary defects with magnetic flux leakage testing signals[C]//2020 IEEE Far East NDT New Technology and Application Forum (FENDT), Kunming, 2020: 51-55.

[6] 王婷婷. 金屬表面缺陷特征智能提取及特征分析的方法研究[D]. 沈陽: 東北大學(xué), 2017.

[7] LI Min, LI Xue, GAO Chenxing, et al. Acoustic microscopy signal processing method for detecting near-surface defects in metal materials[J]. NDT and E International, 2019, 103: 133-140.

[8] MALLAT S G. Multiresolution approximations and wavelet orthonormal bases of L2(R)[J]. Transactions of the American Mathematical Society, 1989, 315(1): 69-87.

[9] CHUI C K. An introduction to wavelets[M]. American: Academic Press Inc., 1992.

[10] 周志昊. 基于小波變換的電力變壓器直流偏磁時勵磁電流研究[J]. 電氣技術(shù), 2020, 21(6): 69-72.

[11] 胡昌華, 張軍波, 夏軍, 等. 基于MATLAB的系統(tǒng)分析與設(shè)計—小波分析[M]. 西安: 西安電子科技大學(xué)出版社, 2000.

[12] 楊福生. 小波變換的工程分析與應(yīng)用[M]. 北京: 北京科學(xué)出版社, 2000.

[13] 喬蘇朋, 楊艷, 陳世群, 等. 光伏陣列故障檢測方法綜述[J]. 電氣技術(shù), 2021, 22(7): 1-6.

[14] 米正英, 王瑜, 王立東, 等. 電弧信號小波去噪分析[J]. 電氣技術(shù), 2020, 21(3): 103-107, 116.

[15] 肖迎群, 馮良貴, 何怡剛. 基于小波分形和核判別分析的模擬電路故障診斷[J]. 電工技術(shù)學(xué)報, 2012, 27(8): 230-238.

[16] 武佳卉, 邵振國, 楊少華, 等. 數(shù)據(jù)清洗在新能源功率預(yù)測中的研究綜述和展望[J]. 電氣技術(shù), 2020, 21(11): 1-6.

[17] 崔芮華, 曹歡. 基于相空間重構(gòu)的航空電弧故障識別方法[J]. 電工技術(shù)學(xué)報, 2020, 35(增刊1): 243- 250.

[18] 鐘建林, 何友, 任獻(xiàn)彬. 基于波形相似度的容差模擬電路軟故障診斷[J]. 電工技術(shù)學(xué)報, 2012, 27(8): 222-229.

[19] 彭海. 皮爾遜相關(guān)系數(shù)應(yīng)用于醫(yī)學(xué)信號相關(guān)度測量[J]. 電子世界, 2017(7): 163.

[20] 陳世群, 高偉, 陳孝琪, 等. 一種基于極限學(xué)習(xí)機和皮爾遜相關(guān)系數(shù)的光伏陣列故障快速診斷方法[J].電氣技術(shù), 2021, 22(10): 57-64.

[21] 朱延功, 高學(xué)山, 劉嵩, 等. 使用小波分析方法提取焊縫位置信息[J]. 哈爾濱工業(yè)大學(xué)學(xué)報, 2001, 33(3): 389-392.

Wavelet decomposition and extraction method of defect magnetic flux leakage testing signals based on waveform similarity

YANG Jie1LI Hongmei2ZHAO Chuntian1,2YANG Hongli3

(1. Southern University of Science and Technology, Shenzhen, Guangdong 518055; 2. Sichuan University, Chengdu 610207;3. Shandong University of Science and Technology, Qingdao, Shandong 266590)

Magnetic flux leakage testing (MFLT) technology has been widely used in engineering to identify and measure defects in ferromagnetic components. Its capability in reconstructing defects in the three-dimensional (3D) form, especially for general complex defects formed naturally (such as by corrosion and/or fatigue), is one of the primary indexes representing the technological advances. Because the actual defect shape is irregular and often contains multiple pits, its magnetic flux leakage detection signals affect each other. To improve the accuracy of reconstructing defects in 3D and speed up the data processing, the prerequisite is to automatically strip off and extract the valid defect data from the MFLT signals. To effectively locate, separate, and integrate information for reconstructing each defect, a wavelet decomposition and extraction method is proposed. Based on the morphological characteristics of the MFLT signals, a wavelet basis is selected that matches the characteristics of the defect signals closely. This wavelet basis is used in the multi-scale decomposing of the MFLT signals and in the calculating of the associated wavelet high frequency coefficients. Then the wavelet coefficient is utilized in identifying and locating the defects in each channel of the signals, as well as in extracting the MFLT data corresponding to each defect. Finally, by examining the signals of each defect in a channel and integrating all the associated data in the adjacent channels, a complete set of data related to each defect is obtained. The proposed method can be applied to quickly identify, extract and integrate the MFLT data for all defects, which provides the basis for the 3D defect reconstruction.

magnetic flux leakage testing; similar wavelet basis; wavelet decomposition; defect signal extract

2022-01-06

2022-02-26

楊 杰（1997—），女，山西省大同市人，碩士研究生，主要從事數(shù)據(jù)分析與缺陷檢測方面的研究工作。

深圳市科技研發(fā)資金（JCYJ20190809144809345）

四川大學(xué)人才項目（YJ202091）

中央高校基本科研基金