果蠅優化小波閾值超聲檢測信號去噪

李大中，趙　杰，孫立江2，張　坤

（1.華北電力大學自動化系，河北 保定 071003；2.華北電力大學機械工程系，河北 保定 071003；3.華北電力大學能源動力與機械工程學院，北京 102206）

果蠅優化小波閾值超聲檢測信號去噪

李大中1，趙杰1，孫立江2，張坤3

（1.華北電力大學自動化系，河北 保定 071003；2.華北電力大學機械工程系，河北 保定 071003；3.華北電力大學能源動力與機械工程學院，北京 102206）

由于材料結構的復雜性，超聲檢測回波信號往往存在很多干擾噪聲。針對鋼制結構中平底孔的超聲檢測信號傳統小波去噪方法中小波閾值難確定的問題，結合小波良好時頻特性和果蠅的全局優化能力，提出基于果蠅算法（FOA）優化小波閾值函數的超聲檢測信號去噪方法。對原始信號疊加5dB高斯白噪聲，通過測試最大信噪比改善量獲得最佳小波基和分解層數，采用sym5小波對超聲檢測信號進行6層分解后，利用果蠅算法對小波閾值進行參數優化，對比傳統4種閾值確定方法，提高小波閾值的精度。驗證結果表明：該方法對超聲檢測信號去噪后信噪比、均方根誤差和相關性等參數具有滿意的效果，去噪效果明顯。

信號去噪；果蠅算法；小波閾值；信噪比

0　引　言

在超聲波金屬探傷中，由于金屬材料的特殊性和實際檢測環境的復雜性，超聲檢測回波難免會有大量噪聲信號和有用信號混疊的情況［1］，給超聲信號特征提取和缺陷識別環節帶來較大困難，因此有必要在對信號進行分析之前進行去噪處理。對超聲缺陷信號進行相關的時頻域分析和智能識別是無損檢測、信號處理以及模式識別領域一直廣泛深入研究的熱點。超聲檢測信號作為一種非線性、不平穩信號，對金屬材料缺陷十分敏感，其信號中往往含有很多突變量，又考慮到實際檢測材料的復雜性，對其不能簡單地使用傳統上適合于平穩信號的分析方法。目前，在信號處理領域比較常用的分析方法有小波變換、經驗模態分解和局部均值分解等［2］。鐘建軍等［3］以信噪比（SNR）和均方根誤差（RMSE）作為評價指標對角加速度信號進行消噪濾波。王文波等［4］針對非線性非平穩信號的去噪問題，利用PCA對噪聲信號經EMD分解后的內蘊模態函數（IMF）進行去噪處理，去噪效果優于傳統EMD法和貝葉斯小波閾值法。文獻［5］對一維振動信號進行高階偏微分方程去噪，獲得了比低階偏微分方程更好的濾波效果。

對于超聲檢測缺陷信號，環境和設備噪聲很容易使信號產生無用噪聲波動，給超聲信號處理、分析及相關識別帶來困難，甚至淹沒固有信號。而采用小波閾值法去噪后，超聲信號仍殘留大量無用噪聲，甚至丟失原信號的成分，效果比較有限。經驗模態分解法在對信號進行不同時間尺度分解時容易產生端點效應，通過重構去噪將高頻分量濾去，易丟失真實有用成分，導致信號失真。

Pan于2011年提出一種新的全局尋優方法：果蠅優化算法［6］（fruit fly optimization algorithm，FOA），FOA是基于果蠅覓食行為而發展的尋求全局優化新方法，它具有程序簡單、準確度高、尋優準確的特點在各領域快速發展，已經成功應用到故障診斷［7］中。為提高超聲檢測信號去噪效果，本文采用果蠅算法對小波去噪的閾值進行全局尋優，提出一種果蠅算法優化小波閾值的超聲檢測信號去噪方法，通過與其他方法去噪效果作對比，驗證該方法的可行性和有效性。

1　小波閾值去噪原理

小波去噪方法是將信號進行小波包分解，根據不同時間尺度上有用信號和無用噪聲信號的差別表現來進行處理，由于該方法具有低熵性、去相關性、選基靈活和很好的時頻分辨特性，分解后噪聲集中在高頻部分，而有用信號分布在低頻部分，通過重構在去噪過程中有效提取有用信號并剔除含無用噪聲信號，在信號處理領域得到廣泛應用。

小波閾值去噪分軟閾值去噪方法和硬閾值去噪方法［8］。Donoho提出的硬閾值函數為

硬閾值去噪方法中轉換函數是不連續的，在去噪處理時把分解系數較大的有用信號直接保留下，去噪后信號震蕩嚴重。而軟閾值方法是連續的，將有用信號按照某一固定量向零收縮，這樣對去噪信號進行重構后也會帶來一些偏差。因此本文采用軟閾值函數方法。

設定閾值函數后，將分解系數小于設定的臨界閾值信號認定為噪聲信號進行剔除；將分解系數大于設定的臨界閾值信號認定為有用信號，通過閾值函數對小波系數進行閾值轉換，最后對剩余信號進行全局重構即可得到去噪后信號。基本流程圖如圖1所示。

軟件閾值函數為

圖1　小波閾值去噪流程

這里閾值的選取不同方法或大或小，都會影響去噪效果，事實證明如果閾值選擇過大會將有用信號錯以為是噪聲而去掉，閾值過小會導致去噪效果不明顯。因此，選擇閾值函數和量化對去噪效果至關重要，對閾值估計方法［9-10］通常有如下4種：

2）自適應閾值形式準則。閾值表達式是基于史坦（Stein）的無偏似然估計原理（SURE）Qn為小波分解系數平方，此方法得到的閾值較小，去噪效果并不明顯。

3）啟發式閾值（heursure）形式準則。該準則是前固定閾值和自適應閾值的綜合，在實際應用過程中仍會損失固有信號。

4）最大最小閾值（minimaxi）形式準則。該準則類似第1種固定閾值形式，不同的是它是在最悲觀的情況下產生一個最小均方誤差的極值。

小波閾值去噪方法如下：

1）對原始超聲檢測信號進行離散小波變換，需要確定一個正交小波和分解層數，通過分解得到小波系數：有用信號小波系數和噪聲小波系數。

2）對小波系數進行閾值處理，通過離散小波變換后，有用信號的系數大于無用噪聲的系數，此時需要在不同尺度上尋找一個閾值對分解系數進行劃分，保留低頻成分，對高頻成分采用軟閾值函數方法進行量化處理。

3）通過小波逆變換對信號進行重構即可得到小波閾值去噪后的信號。

上述小波閾值估計方法和去噪方法各有利弊，去噪效果也不理想，因此本文采用果蠅算法對閾值進行全局尋優，獲得最佳閾值來彌補以上小波閾值估計方法的不足。

2　果蠅優化算法

果蠅優化算法具有程序簡單、適應性強的特點，克服了過去遺傳算法、粒子群算法等容易陷入局部最優的缺點［11］。它是基于果蠅覓食行為而演化而來的群智能全局優化方法。果蠅在覓食過程中依靠嗅覺捕捉彌漫在空氣中的氣味，通過果蠅位置計算味道濃度，然后以群體思維向味道濃度最大的位置集合，并通過反復迭代提高優化性能。

果蠅優化參數過程如下：

1）參數初始化。對果蠅群體位置初始化為X1和Y1都為隨機數，果蠅種群規模個數為m，迭代次數為100。

2）賦予每只果蠅利用自身嗅覺搜尋事物的能力，此后果蠅飛行位置為（Xi，Yi）。

式中Rraan為隨機數，i=1，2，...，m。

3）計算果蠅位置的味道濃度。此時無法得知事物的確定位置，通過果蠅位置與原點的距離D（i，：），計算味道濃度判定值S（i，：）。

4）對訓練樣本進行2折交叉驗證，避免局部最優，由訓練樣本中每只果蠅的位置代入味道濃度判定函數［12］（fitness function），可以求出果蠅味道濃度。

式中：m1——交叉驗證時每個訓練樣本中的果蠅個數；

yij——定義類型標簽；

f（xij）——交叉驗證樣本的預測值。

5）尋找果蠅味道濃度中最低的果蠅max（F），并保存最佳味道濃度Fbest和相應位置。

6）其他果蠅利用嗅覺尋找該位置后以捷徑飛往最佳味道濃度位置，尋找完畢，進行迭代尋優。重復步驟3）～5），每迭代一次，判斷該次味道濃度是否優于前次，若是則執行步驟6）；否則繼續循環直到最大迭代次數結束。

3　基于FOA的小波閾值去噪方法

由上文分析，要對超聲檢測信號進行小波閾值去噪，需要確定3個參數：小波基、分解層數和閾值。

3.1小波基和分解層數的選擇

理論研究表明：不同的小波基去噪效果是不同的，因此需尋找最合適的小波基。通過超聲波發生接收器CTS-8077PR與示波器DPO2012，采集到鋼材料中直徑為5mm、深10mm的圓柱形孔缺陷超聲檢測信號。采樣頻率為1GHz，數據長度為7000，在采樣信號上疊加5dB高斯白噪聲，如圖2所示。

圖2　原始采樣信號和含噪聲信號

根據超聲檢測信號的特點，分別采用sym1～sym8、db1～db8和coif1～coif8小波［13-14］，測試不同小波基對該含噪聲信號去噪效果，最大信噪比改善量如圖3所示。

由圖3可以看出，隨著小波基數增大，sym小波、db小波和coif小波的最大信噪比改善量不斷增大，到達一定值后不再變化，因此本文選擇信噪比改善量最大的sym5小波基。

而為了有效分離噪聲，原則上分解層數應該越大越好，但層數越大對信號重構后造成的誤差也會逐漸增大，考慮到這些因素，針對固有閾值、Stein無偏風險閾值、啟發式閾值和最大最小準則閾值，逐步增加分解層數，對比不同分解層數重構信號后的信噪比進行最優選擇，如圖4所示。

由圖4可知，隨分解層數由1層到6層增加，4種閾值最大信噪比改善量都不斷增加，但隨后固有閾值和最大最小準則閾值信噪比改善量都不同程度減小，而Stein無偏風險閾值和啟發式閾值略有增加。因此綜合考慮最大信噪比改善量隨分解層數增加產生的變化，采用6層小波包分解。

3.2閾值的選取

由于超聲檢測信號是一維信號，則可以表示為f（t）=s（t）+n（t），其中f（t）是原始含噪聲的超聲信號，s（t）為理想的去噪后信號，n（t）看成是全部噪聲信號。在對原始超聲檢測信號進行sym5小波變換后，可以得到6層分解的小波系數，需要對小波系數進行閾值處理后才可以重構信號實現去噪處理。鑒于過去小波閾值選取去噪效果均不佳的情況，本文采用果蠅優化算法對小波閾值進行全局尋優，不同方法得到的閾值如表1所示。

由表可知，固有閾值和啟發式閾值都較大，而Stein無偏風險閾值和最大最小準則閾值又較小，本文果蠅優化閾值為3.8320，既可以很好地去除無用噪聲，也可以保留固有信號，防止失真。

3.3果蠅優化小波閾值去噪

針對本文采集到的超聲檢測缺陷信號，疊加5dB高斯白噪聲后進行不同方法去噪處理，并對比本文方法去噪效果。具體果蠅優化小波閾值去噪步驟如下：

1）提取采樣信號。用超聲波發生接收器和示波器采集到鋼材料中直徑為5mm、深10mm的圓柱形孔缺陷超聲檢測信號，采樣頻率為1GHz，數據長度為7000，同時在采樣信號疊加5dB高斯白噪聲。

2）選取合適的小波基和分解層數。本文通過分析與仿真得到針對該超聲含噪聲信號最佳小波基為sym5小波，分解層數為6層。

3）選取最優閾值。本文采用軟閾值函數方法，并用果蠅優化算法尋找最佳閾值，與其他閾值估計方法進行對比。

圖3　不同小波函數最大信噪比改善量

圖4　分解層數與信噪比關系

表1　不同方法閾值

圖5　不同方法去噪效果圖

4）對小波系數進行閾值處理。以最佳閾值為準則，保留低頻成分，對高頻成分采用軟閾值函數方法進行量化處理。

5）信號重構。采用小波逆變換對小波系數進行重構以達到信號去噪目的。

5種去噪方法得到的去噪信號如圖5所示。

對比觀察圖5不同方法去噪效果，可以看出Stein無偏風險閾值去噪和最大最小準則閾值去噪由于閾值選擇較小，去噪后大量噪聲信號摻雜在固有信號中，去噪效果較差。固有閾值去噪較前兩種方法去噪效果較好，但毛刺較多，存在大量小幅震蕩。啟發式閾值去噪整體去噪效果不錯，但在采樣點1 768、1902和3120處均存在明顯的毛刺現象。整體來看，本文提出的果蠅閾值去噪法去噪效果最好。

3.4去噪結果評價

去噪結果評價一般包括兩個方面：主觀評價和客觀評價。通過對比固有閾值、Stein無偏風險閾值、啟發式閾值、最大最小準則閾值和果蠅閾值去噪結果，可以看出果蠅閾值去噪效果明顯比其他方法要好。但主觀評價由于評價人主觀感受的不同而沒有確切的判斷標準。

在去噪效果客觀評價方面一般選用信噪比（SNR）和均方根誤差（RMSE）來評價［15］。客觀評價是通過判斷原始信號與去噪后信號的接近程度來判斷去噪效果，信號越接近，信噪比越大，均方根誤差越小，相關系數越大去噪效果越好，上述5種方法得到的去噪后信號信噪比（SNR）、均方根誤差（RMSE）、相關系數（r）如表2所示。

表2　5種閾值去噪方法去噪后參數

由表2可知，固有閾值法和啟發式閾值法由于設定閾值較大，導致損失了固有信號的一部分成分，相關系數均較??；Stein無偏風險閾值法和最大最小準則閾值法閾值較小，導致去噪效果不佳，信噪比較??；而本文提出的基于果蠅優化小波閾值去噪法信噪比最大，均方根誤差最小，相關系數最大，因此本文提出的去噪方法效果最好。

4　結束語

對含噪聲的超聲檢測信號進行去噪處理是信號處理與缺陷識別的關鍵，本文針對超聲檢測信號常規去噪方法效果不樂觀和小波閾值難確定的問題，提出一種基于果蠅算法優化小波閾值的去噪方法，通過對含噪聲的超聲檢測信號進行6層sym5小波基分解，得到不同尺度的高頻和低頻分量，利用果蠅優化算法獲得最優閾值，對小波系數進行閾值處理后，重構去噪過程中的有用信號達到去噪效果。用現場數據驗證結果表明，本文提出的基于果蠅優化小波閾值去噪方法，去噪后能夠獲得最大信噪比以及最小均方根誤差，效果優于常規閾值估計方法。

［1］程述一，謝慶，律方成，等.一種直線型超聲陣列信號測向方法及其應用［J］.中國電機工程學報，2012（32）：272-275.

［2］李舜酩，郭海東，李殿榮.振動信號處理方法綜述［J］.儀器儀表學報，2013，34（8）：1907-1915.

［3］鐘建軍，宋健，由長喜，等.基于信噪比評價的閾值優選小波去噪法［J］.清華大學學報（自然科學版），2014，54（2）：259-263.

［4］王文波，張曉東，汪祥莉.基于主成分分析的經驗模態分解消噪方法［J］.電子學報，2013，41（7）：1425-1430.

［5］ZHAO L，YIN A.High-order partial differential equation de-noising methodforvibration signal［J］.Mathematical Methods in the Applied Sciences，2015，38（5）：937-947.

［6］WANG L，ZHENG X L，WANG S Y.A novel binary fruit fly optimization algorithm for solving the multidimensionalknapsack problem［J］.Knowledge-Based Systems，2013，48（2）：17-23.

［7］徐國賓，韓文文，王海軍，等.基于FOA-GRNN的水電站廠房結構振動響應研究［J］.水力發電學報，2014，33（6）：187-191.

［8］姚勇，馬杰，劉璐璐.基于小波的局部放電信號去噪算法研究［J］.中國測試，2015，41（1）：37-39.

［9］敬人可，李建增，周海林.基于小波包變換和自適應濾波的超聲信號去噪［J］.中國測試，2014，40（4）：115-118.

［10］施雯，周嚴.基于小波和形態學的竇房結電圖消噪算法研究［J］.電子測量技術，2014（4）：68-71，107.

［11］金敏，魯華祥.一種遺傳算法與粒子群優化的多子群分層混合算法［J］.控制理論與應用，2013，30（10）：1231-1238.

［12］HANJ，LIUC.Adaptive chaos fruit fly optimization algorithm［J］.Journal of Computer Applications（S0974-1925），2013，33（5）：1313-1304.

［13］梁睿，靳征，王崇林，等.行波時頻復合分析的配電網故障定位研究［J］.中國電機工程學報，2013，33（28）：130-136.

［14］石明江，羅仁澤，付元華.小波和能量特征提取的旋轉機械故障診斷方法 ［J］.電子測量與儀器學報，2015，29（8）：1114-1120.

［15］律方成，謝軍，王永強.局部放電信號稀疏表示去噪方法［J］.中國電機工程學報，2015，35（10）：2625-2633.

（編輯：李剛）

Wavelet threshold de-noising method of ultrasonic test signal base on FOA

LI Dazhong1，ZHAO Jie1，SUN Lijiang2，ZHANG Kun3
（1.Dept of Automation，North China Electric Power University，Baoding 071003，China；2.Dept of Mechanical Engineering，North China Electric Power University，Baoding 071003，China；3.College of Energy Power and Mechanical Engineering，North China Electric Power University，Beijing 102206，China）

Due to complexity of material structure，there are many interference noises in the ultrasonic testing echo signal.In allusion to the problem that it is difficult for confirming wavelet threshold value by the traditional de-noising method for ultrasonic testing signal of flat-bottomed hole in the steel structure，a de-noising method for ultrasonic testing signal base on FOA optimized wavelet threshold value is put forward by combining good wavelettime-frequency characteristics with Global optimization ability of fruit fly.5 dB white Gaussian noise is added for the original signal and the maximum SNR improvement is tested for acquiring optimum wavelet base and decomposition level.After six-level decomposition is carried out for the ultrasonic testing signal by using sym5 wavelet，FOA is used for parameter optimization of the wavelet threshold value.Comparing traditional four methods for confirming the threshold value，precision of the wavelet threshold value is improved.Validation results indicate that the method in the paper is of satisfied effect and obvious de-noising effect for the SNR，root-mean-square error，correlation and other parameters of ultrasonic testing signal after de-noising.

signal de-noising；FOA；wavelet threshold；SNR

A

1674-5124（2016）07-0088-05

10.11857/j.issn.1674-5124.2016.07.018

2015-11-03；

2015-12-04

李大中（1961-），男，內蒙古包頭市人，教授，博士，研究方向為新能源發電系統控制、智能優化理論及應用、分布式新能源發電及冷電聯產控制系統。