管道缺陷超聲導波檢測信號降噪效果研究

摘 要 為了提高管道缺陷超聲導波檢測精度，針對管道缺陷的超聲導波檢測信號降噪效果進行研究。通過對管道缺陷開展超聲導波仿真實驗，利用經驗模態（EMD）、小波分析、匹配追蹤等方法，比較超聲導波管道檢測信號去噪增強方法的性能。采用EMD自適應降噪方法與小波軟閾值降噪方法處理管道超聲導波仿真信號，結果表明：用小波軟閾值降噪方法處理后的導波信號信噪比更高，并且小波基為db8小波時降噪效果最好。進一步用EMD方法與db8小波軟閾值降噪方法處理管道現場實驗信號，結合Gabor匹配追蹤算法計算信噪比，結果表明：EMD方法可使直管與彎管信號信噪比分別提升1.06倍與1.03倍。相比之下，db8小波三層分解的降噪效果最好，可使直管與彎管導波信號的信噪比分別提升1.11倍與1.05倍，更適用于導波信號的降噪處理。

關鍵詞 管道缺陷 超聲導波 db8 降噪效果 定量評估

中圖分類號 TE832" "文獻標志碼 A" "文章編號 1000-3932（2024）06-1077-08

管道作為輸送油氣介質的重要工業裝置，廣泛應用于石油化工領域，油氣輸送管道服役環境較惡劣，經常發生腐蝕泄漏，因此，有效實施管道損傷狀態檢測十分必要。

由于超聲導波檢測技術具有檢測范圍廣、距離長、非接觸檢測等優勢，因此常用于檢測油氣管道損傷情況［1］。但由于管道回波信號中的缺陷特征往往較微弱，并夾雜著大量環境干擾噪聲，使得大量有用信息淹沒在噪聲中導致無法辨識異常信號，嚴重影響導波檢測技術的可靠性。為了降低噪聲干擾，有效識別并提取缺陷波形特征，需對原始導波數據進行降噪處理。目前較為常見的信號降噪方法有經驗模態分解（Empirical Mode Decomposition，EMD）自適應降噪算法、小波閾值降噪算法、奇異值分解法及濾波降噪法等［2～5］。國內外學者對傳統振動信號的降噪開展了大量研究，文獻［6］在經典小波閾值函數的基礎上提出基于新小波閾值函數的船舶操縱實驗數據去噪方法；文獻［7］對心電信號的噪聲源進行分析，采用IIR數字濾波器對心電信號的3種主要噪聲干擾進行了降噪處理；文獻［8，9］采用改進閾值函數的小波閾值降噪法對心音信號進行降噪處理；文獻［10］提出將經驗模態分解法和小波閾值法結合使用的方法；文獻［11］提出將EMD與改進奇異值分解（SVD）聯合使用，對脈沖渦流檢測信號進行信號降噪的方法。總體而言，目前關于振動信號的降噪處理方法較為完善，針對管道超聲導波信號降噪方法的定性研究較多，而對不同方法降噪效果的定量評估缺乏。因此，筆者分析適用于管道超聲導波信號的降噪方法，并進行定量評估，通過在超聲導波管道實驗平臺進行實驗驗證，評估降噪效果，以實現導波信號的準確、有效去噪。

1 降噪方法簡介

1.1 經驗模態分解

EMD是一種自適應的數據處理方法，適用于非線性非平穩時間序列的處理［12～14］。常見的信號分解工具（如短時傅里葉變換、小波變換等）都是依據最大匹配投影原理，通過對基函數的線性組合來實現對信號的分解，其中基函數都需人為確定，要求相關人員具備一定的信號處理經驗。而EMD的基函數依賴于信號自身特點，且具有信息完備性，可以保證信號處理過程中不丟失有用信號特征信息［15，16］。然而，待降噪信號中有用信號的頻段與噪聲頻段接近，用EMD降噪方法對信號進行降噪處理效果會差一些。EMD算法流程如下：

a. 設初始分解信號為x（t），提取x（t）的所有極大值點與極小值點，將所有極大值點用三次樣條曲線連接形成上包絡線m1（t），將所有極小值點用三次樣條曲線連接形成下包絡線m2（t）。

b. 計算m1（t）與m2（t）的均值m（t），用初始分解信號x（t）減去m（t）可得f（t），判斷f（t）是否滿足本征模態函數（IMF）的兩個基本條件，若不滿足則用f（t）取代x（t），重復步驟a、b，直至滿足條件為止。其中，判斷信號是否為IMF的兩個基本條件，一是f（t）中極值點的個數和過零點的個數相差不超過一個；二是對于f（t）中的任意時刻，上下包絡線對應數值平均值為0。

c. 將步驟b執行完畢得到的f（t）記作h（t），視為x（t）的一個基本模式分量。用x（t）減去h（t）得到剩余信號R（t），判斷R（t）是否滿足殘余分量的基本條件，若不滿足，則用R（t）取代x（t），重復執行步驟a～c，直至滿足條件為止。其中，判斷信號是否為殘余分量的基本條件為，若信號為單調函數，則其為殘余分量。

d. 最終將待分解信號x（t）用EMD分解為若干基本模式分量■h■（t）與殘余分量R（t）之和。

1.2 小波軟閾值降噪

小波閾值降噪具有多分辨率性質，可以很好地刻畫信號的非平穩特性，如邊緣、尖峰、斷點等。小波變換稀疏分布的特性可使信號變換后的熵降低，并且小波基的選擇具有多樣性，可以根據不同信號的特點與降噪要求靈活選擇適當的小波基函數［17，18］。小波閾值降噪需要信號分析人員具備豐富的信號處理知識，相比EMD降噪方法更為繁瑣。

小波基的選取依賴于信號本身的特性，本研究以常見的db4、db5、db8小波作為對比對象。閾值函數的選取一般分為硬閾值函數與軟閾值函數，相比于軟閾值函數，用硬閾值函數處理信號，得到最終降噪信號的峰值信噪比較大，但信號存在局部抖動、光滑性稍差［19，20］的問題。由于用二者處理后的峰值信噪比差距不是很明顯，故文中采取軟閾值函數的處理方式。

2 不同降噪方法效果對比

2.1 降噪處理流程

仿真軟件獲得的超聲導波信號如圖1a所示，在其中加入一定的高斯白噪聲，用于模擬實際噪聲干擾，生成的加噪信號如圖1b所示。

分別在原始仿真信號中加入不同比例的高斯白噪聲，并用EMD降噪方法和小波軟閾值降噪方法分別對信號進行處理。為了定量描述不同降噪方式的降噪效果，以信噪比SNR（單位dB）作為評價指標，SNR=10lg■，其中，Psignal為純凈信號功率，Pnoise為噪聲功率。

在用EMD降噪方法處理信號時，任取一信號為例，EMD生成的基本模式分量如圖2所示，可以看出，高頻噪聲基本集中在IMF1，因此剔除這一分量，將其余信號分量疊加即可得到重構的降噪信號。

在采用小波軟閾值降噪處理信號時，小波基函數從常見的db4、db5和db8小波中選取，小波分解層數設置為3層。

2.2 降噪結果分析

在仿真信號中添加不同比例的高斯白噪聲，用不同基函數的小波軟閾值降噪與EMD降噪方法處理加噪信號，以信噪比作為降噪效果評價指標，其中信噪比取10次實驗結果的均值，不同降噪方法處理的信號信噪比數據見表1。分別對3種仿真后的加噪信號進行編號，加噪信號1～3的信噪比分別為24.88、4.90、9.82 dB。本次實驗降噪方法主要包括db4小波軟閾值降噪、db5小波軟閾值降噪、db8小波軟閾值降噪和EMD降噪4種類型。

不同降噪方法處理下的信號信噪比對比結果如圖3所示，可見，在加噪信號1～3這3種噪聲比不同的信號中，用EMD自適應降噪算法與小波軟閾值降噪算法處理后的信號信噪比均大于原始信號，表明將這兩種方法用于導波信號降噪處理都是可行的。此外，圖3對比曲線顯示，用db4、db5、db8處理后信號的信噪比均高于EMD降噪方法處理后的信噪比，說明導波信號更宜采用小波軟閾值降噪方法處理。再對比3種小波軟閾值降噪結果，整體而言，db8的降噪效果最為顯著。

為了更直觀地對比各降噪算法的降噪效果，對加噪信號1、3的EMD與db8小波軟閾值降噪信號進行對比，結果如圖4所示，從導波信號整體可以看出，主要特征信號包括初始波、端面回波和兩個缺陷回波。圖4a為信噪比為24.88 dB的加噪信號1，將圖4b加噪信號1的db8小波降噪和圖4c加噪信號1的EMD降噪信號進行對比可知，小波軟閾值降噪處理后的信號噪聲成分被更好地剔除，并有效保留了信號的主要特征成分，降噪效果較EMD更為顯著。同時，將圖4a所示的信噪比為24.88 dB的加噪信號1和圖4c所示的加噪信號1的EMD降噪信號進行對比可知，采用EMD降噪處理后的信號也有一定的降噪效果。整體來說，兩種方法都較好地保留了信號的有效特征，均滿足導波信號的降噪要求，但小波軟閾值降噪效果更為顯著，其降噪效果優于EMD降噪方法，更適用于管道導波信號降噪處理。

3 管道實驗驗證

3.1 管道實驗設置

超聲導波管道實驗平臺如圖5所示。實驗對象為304不銹鋼直管與彎管各1根，壁厚4.5 mm，外徑89 mm。實驗原理：由PC端生成導波激勵信號并輸送至波形發生器，由此生成電壓信號并由功率放大器進一步放大，其輸出的電壓信號與管道發射傳感器相連，通過發射傳感器陣列將電壓信號轉換為振動信號。振動信號在管道中傳播并返回至接收傳感器端，最終由接收傳感器將衰減后的振動信號轉換為電壓信號并輸入示波器供后續觀察處理。其中，示波器的波形數據可導出至PC端作進一步后處理。

3.2 降噪效果評估方法

在現場實驗采集管道導波信號時，由于無法從實際數據中提取無噪聲干擾的純凈信號，因此無法用EMD算法步驟b的公式f（t）=x（t）-m（t）計算導波信號的信噪比。因此，引進匹配追蹤算法近似獲取導波信號中的純凈信號成分。

匹配追蹤算法通過構建與導波脈沖相似的標準原子字典，計算導波指定脈沖與原子字典中不同參數原子的相似程度最大值，利用標準化的原子信號替代導波信號關鍵特征波包。首先對導波信號進行稀疏分解與重構，剔除部分噪聲干擾。匹配追蹤的算法流程如下：

a. 構造過完備的匹配原子庫G=（g0，g1，…，gn），其中每個原子均為與原始信號波包特征相似的波包信號。

b. 依次計算信號f（t）與原子庫內每一個原子的內積，挑選出其中內積絕對值最大的原子g=arg（■〈f（t），gi〉）。

c. 用信號f（t）減去g所匹配到的信號分量，得到殘余信號R1f=f（t）-〈f（t），g〉g。

d. 將殘余信號記作初始待分解信號f（t），跳轉到步驟b繼續執行。限定匹配次數P或為殘余信號設定幅值閾值Q，當殘余信號幅值小于Q或者迭代次數大于P時，迭代終止。

e. 將每次匹配所得最佳匹配原子相加，得到導波重構信號。

由上述匹配重構過程可知，匹配追蹤算法具有完備性。

本研究中，匹配追蹤算法設置的匹配原子類型為Gabor原子，其表達式為：

g（t）=Ae■cos（2πfc（t-u）+φ）

其中，A為使g（t）=1的系數；t為時間；u為時移因子，控制原子所處的時域位置；σ用來調節原子的時域寬度；fc為原子的中心頻率；φ為原子的相位。為了大幅降低匹配追蹤算法的時間復雜度，將原子中的相位φ設置為0，由于導波初始激勵信號的中心頻率已知，故fc也無需迭代搜索，為固定值。簡化后的匹配原子可調參數集變為γ1=［u，σ］。

匹配追蹤算法處理導波信號的效果如圖6所示。

在圖6a的原始信號中加入一定的噪聲干擾（圖6b）后，缺陷波包已被噪聲全部淹沒，在時域上無法被辨別觀測。對此加噪信號進行Gabor原子的匹配追蹤處理，圖6c為原始信號與重構信號的對比，可以看出，重構信號與原始信號幾乎重合，除重構波包幅值與原信號有所差異，其他特征幾乎相同，十分精準地匹配到了導波信號中的純凈信號，有效剔除了噪聲。此純凈信號即計算導波信號的信噪比的基準。

3.3 實驗結果分析

對管道回波信號進行降噪處理，圖7a為任取直管中的某一實驗信號，對此信號作db8小波軟閾值降噪處理（圖7b）和EMD自適應降噪處理（圖7c）。對比可知，db8小波軟閾值降噪處理后的信號噪聲剔除得更干凈，有效波包時域特征更加清晰。相比之下，EMD自適應降噪處理后的信號噪聲也得到了一定的剔除，但降噪效果相較稍差。圖7d為彎管導波信號，對比圖7e彎管db8小波軟閾值降噪與圖7f彎管EMD降噪可以看出，經由db8小波軟閾值降噪與EMD自適應降噪處理過的導波信號，都較為完整地保留了信號中主要的波包特征，相比EMD方法，db8小波降噪處理過的信號噪聲更少，波形更清晰。

以對應信號的Gabor匹配追蹤重構信號作為純凈信號進行信噪比計算，表2為圖7不同降噪方法處理的信號信噪比數值。分析表2數據可知，db8小波軟閾值降噪可使直管信號信噪比提升1.11倍，使彎管信號信噪比提升1.05倍；EMD方法可使直管與彎管信號信噪比分別提升1.06倍與1.03倍。可以看出，db8小波軟閾值降噪方法對導波信號的降噪效果更為理想，更適用于管道導波信號的降噪處理。

4 結束語

采用EMD自適應降噪方法與小波閾值降噪方法，對管道缺陷超聲導波信號進行降噪處理，結果顯示，采用EMD自適應降噪方法與db4、db5、db8小波軟閾值降噪方法均可實現導波信號的降噪處理。管道缺陷超聲導波檢測信號經過小波軟閾值降噪處理后信號信噪比整體高于EMD自適應降噪方法。匹配追蹤算法能夠獲得噪聲水平較低的導波超聲重構信號，可作為信噪比定量研究的基準。在小波軟閾值降噪算法中，db8小波3層分解的降噪效果最好，可使本研究中直管與彎管的實驗導波信號信噪比分別提升1.11倍與1.05倍，更適用于處理導波信號。

參 考 文 獻

［1］ 武麒麟.超聲導波檢測技術在天然氣凈化廠管道檢測中的應用［J］.硫酸工業，2022（2）：45-50.

［2］ 李軍寧，羅文廣，陳武閣.面向振動信號的滾動軸承故障診斷算法綜述［J］.西安工業大學學報，2022，42（2）：105-122.

［3］ 胡振邦，許睦旬，姜歌東，等.基于小波降噪和短時傅里葉變換的主軸突加不平衡非平穩信號分析［J］.振動與沖擊，2014，33（5）：20-23；36.

［4］ 石志遠，徐衛明，周波，等.基于經驗模態分解和小波閾值的自適應降噪方法［J］.海洋測繪，2021，41（6）：54-57；72.

［5］ 李淑裕.基于變分模態分解的超聲導波斷軌監測算法研究［D］.西安：西安理工大學，2017.

［6］ ZHANG X G，ZOU Z J，GUO H，et al.Wavelet denoising method with a novel wavelet threshold function applied in denoising ship maneuvering test data［J］.Indian Journal of Geo-Marine Sciences，2017，46（9）：1780-1787.

［7］ ZHOU J Y.Research on ECG Signal Noise Reduction and R Wave Location Based on Digital Filter［J］.International Core Journal of Engineering，2021，7（2）：127-132.

［8］ 張宇寧.基于小波變換的心音信號降噪方法研究［D］.延吉：延邊大學，2021.

［9］ 侯少陽，金施群，王行芳.激光監聽信號的小波閾值降噪方法在LabVIEW中的實現［J］.數字技術與應用，2018，36（4）：101-104；106.

［10］ 李爭倫.基于超聲導波法隧道錨桿錨固質量檢測研究［D］.杭州：浙江工業大學，2018.

［11］ 宋守許，汪志全，蔚辰，等.EMD與改進SVD聯合的脈沖渦流檢測信號降噪方法［J］.中國測試，2022，48（9）：97-104.

［12］ 李俊嶺，張光偉，胡金帥，等.EMD聯合小波閾值降噪在井下接收信號上的應用［J］.科技和產業，2021，21（12）：341-346.

［13］ 阮榮剛，李友榮，易燦燦，等.改進的噪聲總體集合經驗模式分解方法在軸承故障診斷中的應用［J］.機械設計與制造，2019（1）：153-157.

［14］ 沈微，陶新民，高珊，等.基于同步擠壓小波變換的振動信號自適應降噪方法［J］.振動與沖擊，2018，37（14）：239-247.

［15］ 王彬蓉.基于EMD自適應重構的心音信號分析方法［D］.成都：西華大學，2021.

［16］ 溫益凱，陳樂，富雅瓊.基于小波降噪的蜂鳴聲快速識別方法［J］.中國測試，2022，48（4）：12-17；34.

［17］ 牟雪姣，李懷良，庹先國.一種改進小波閾值降噪算法及其仿真研究［J］.自動化儀表，2020，41（8）：46-50.

［18］ 林龍.深埋管道氣體泄漏信號降噪處理［J］.電子世界，2021（13）：162-163.

［19］ 吳雅朋，王吉芳，徐小力，等.基于小波分析的Fast- ICA聯合降噪方法在滾動軸承故障診斷中的應用研究［J］.中國機械工程，2017，28（18）：2183-2188；2197.

［20］ 陳光武，程鑒皓，李少遠，等.基于改進小波降噪的MEMS間接粗對準方法研究［J］.大連理工大學學報，2019，59（3）：323-330.

（收稿日期：2024-01-18，修回日期：2024-02-20）

Study on the De-noising Effect of Ultrasonic Guided Wave Detection Signals for Pipeline Defects

ZHANG Xiao-ming1， MA Deng-long2， JING De-qiang1， MA Jiao-jiao1，"TAN Jin-feng1， ZHANG Yin1

（1. Shaanxi Institute of Special Equipment Inspection and Testing；2. School of Mechanical Engineering， Xi′an Jiaotong University）

Abstract" "In this paper， for purpose of improving the accuracy of ultrasonic guided wave detection in pipelines， the de-noising effect of ultrasonic guided wave detection signals there was studied. Through simulating and experimenting on pipeline defects and making use of the methods like empirical mode （EMD）， wavelet analysis and matching tracking， the performance of the de-noising enhancement method was comparatively analyzed. In addition， both EMD adaptive de-noising method and wavelet soft threshold de-noising method were adopted to process the pipeline ultrasonic guided wave’s simulation signals. The results show that， the signal-to-noise ratio of the guided wave signal processed by wavelet soft threshold de-noising method becomes higher， and the de-noising effect becomes the best when the wavelet base is db8 wavelet; meanwhile， employing both EMD method and db8 wavelet soft threshold de-noising method to process the pipeline’s field experimental signals and having Gabor matching tracking algorithm combined to calculate the SNR show that， the EMD method can increase the SNR of straight and curved pipes by 1.06 and 1.03 times， respectively. In contrast， db8 wavelet three-layer decomposition has the best de-noising effect， which can increase the signal-to-noise ratio of the guided wave signal of the straight tube and the curved tube by 1.11 and 1.05 times respectively and it’s more suitable for the de-noising of guided wave signals.

Key words" pipeline defect， ultrasonic guided wave， db8， de-noising effect， quantitative evaluation