基于小波分析的超声导波管道裂纹检测方法研究_图文

1、第30卷第4期2009年8月固体力学学报C H IN ESE J OU RNAL O F SOL ID M EC HAN ICSVol. 30No. 4August 20093基于小波分析的超声导波管道裂纹检测方法研究宋振华1王志华2马宏伟1,333(1暨南大学理工学院, 广州,510632 (2太原理工大学应用力学与生物医学工程研究所, 太原,030024(3暨南大学重大工程灾害与控制教育部实验室, 广州,510632摘要利用L S 2D YNA970模拟, 分析了不同的激发频率对管道中导波频散现象的影响. , 利用小波变换实现了对微弱且无法直接观测的缺陷检测信号的识别. , 并, .关键词

2、管道, , , 0引言长距离输送管道已广泛地应用于化学制备、核反应堆、石油天然气运输等工业领域中. 因此, 对其进行无损检测就显得尤为重要1. 利用超声导波对管道进行无损检测是一种高效、快速、经济的方法. 其激励的应力波可在纵向沿整个管道传播, 并探测管壁的整个厚度方向. 而实际应用中, 该导波又是一种频散波. 其波包形状随波的传播而发生变化, 传播较快的信号从较慢的信号中分离出来, 使波包扩展开来. 这将降低检测信号的分辨率, 并减小其波峰幅值2. 从而加大了对管壁缺陷定位和评估的难度. Alleyne 等3和Lowe 等4首先研究了L (0, 2 轴对称模式在管中裂纹处的反射, 通过实验和

3、计算, 证实纵向导波在70k Hz 2360k Hz 的中心频率下的群速度最快, 频散最小. 国内, 他得安等5又综合了导波模式在管壁中的位移、应力和总能量密度分布信息, 实现了导波中心频率的优化选取, 指出管材内径与壁厚的变化会影响管道中导波的模式行为6. Tu 2teur 7和李晓伟8则介绍并应用小波变换的方法实现了对微弱信号的特征识别. 何存富等9则通过实验研究了导波检测信号激发频率与信噪比之间的关系, 并证实噪声信号对缺陷识别和损伤定位会造成很大的影响. 而陈建云等10则通过小波变换的模极大特性实现了检测信号的去噪滤波. 本文利用弹性理论对导波频散机理进行了分析, 并通过数值验证, 对

4、导波中心频率的合理选择给予了说明. 同时, 数值模拟了管道检测中存在的噪声信号, 并指出噪声对不同程度损伤识别造成的影响. 此外, 通过小波变换的方法实现了微弱检测信号的识别, 并运用时频分析和小波包分解算法对噪声和原检测信号的时频特征加以区分. 通过信噪分离, 实现了高噪条件下管道裂纹的识别和定位.1频散机理及激励信号的选择大量的实验和Murigendrappa 等11的研究证实, 工业中水平充水管道的损伤主要是由竖直方向的弯曲载荷引起的管道横截面处水平正上方的环向裂纹. 本文中, 为消除检测信号中各反射波之间的叠加和反射后在信号接收器处的重合, 特设计管道模型如下 :图1管道模型示意图Fi

5、g. 1A schematic illustration of a pipe with defect3国家自然科学基金项目(10672067 资助.2008206220收到第1稿,2008211225收到修改稿.33通讯作者. Tel :020285227082, E 2mail :tmahw jnu. edu. cn.第4期宋振华等:基于小波分析的超声导波管道裂纹检测方法研究369f c t sin (2×10- 6(4管道总长3. 5m , 检测信号由管道左端激发, 并在距其左端1m 处设置信号接收传感器; 损伤裂纹(宽为2mm , 长为1/16周长 位于管道右端0. 5m 处水

6、平正上方.实验表明12, 用于损伤检测的超声导波是一种频散波. 所谓频散是指导波在传播过程中群速度随频率变化而变化. 而这将导致波包形状随波的传播而发生变化, 传播较快的信号从较慢的信号中分离出来, 使波包扩展开来2. 而频散现象的存在, 会造成检测信号的分辨率降低; 同时, 由于信号的叠加, 使得检测信号的波形难以分辨和解释.根据弹性理论, 横向应变x 时, z y =-z =-x 和x . 这表明, 当只有轴向应力x 作用下, 管道横截面上的质点也必然发生横向运动. 由此, 应力状态便从理想的一维变为三维状态. 并由能量守恒, 可以得到考虑了横向效应下的纵波波动方程13:22422-r g

7、 =C 0t 2x 2t 2x 2x (t =1-cos 2n其中n 为选用的单音频数目, f c 为信号的中心频率.以中心频率70k Hz , 周期为10的信号为例, 其时域波形及频谱图如下:图2中心频率70k Hz 的激励信号及其功率谱Fig. 2Excitation signals with center frequency of 70k Hzand the corresponding power spectrum(1可以看出, 激励信号由含不同频率的波包组成, 其频域分布在40, 100k Hz . 因此, 波在传播过程中必将发生频散.对于该管道而言, 当激励信号中心频率在70k Hz

8、 2360k Hz 之间时, 所激发的L (0, 2 模态群速其中r g =1/A 0A 0(y 2+z 2 d y d z 表示截面绕圆管E/表示一维波中心轴旋转时的回转半径, C 0=动下的波速.度最大, 传播时的能量衰减较少7. 所以, 以此中心频率为研究对象, 通过数值计算得到不同中心频率下的贯穿性损伤检测信号, 如图3所示.若令方程(1 中位移函数为谐波:u (x , t =u 0exp i(t -k x f (f 为波的频率 . 其中=2将式(2 代入式(1 得到:22222C =C 0-r g (2(3结合公式(1 和(3 可以看出, 由于横向变形的存在, 对于不同频率的谐波,

9、其在管道中传播的速度也不同. 即:频率高的波速慢, 频率低的波速高. 从而导致波在传播时的几何弥散, 引起导波的频散.在数值计算过程中, 选用壳单元对管道进行建模. 而L S 2D YNA 程序可在每一时步计算后按节点横向纤维方向应力修改单元厚度14. 即:将管道实体模型等效为含横向积分(变形 的壳体结构计算, 从而既简化了计算, 又考虑了频散现象对导波传播的影响.实际研究中, 用于损伤检测的信号为经Han 2ning 窗调制的中心频率70k Hz , 振荡周期为10的单音频正弦信号, 其计算公式为: 370固体力学学报2009年第30卷2小波分析在管道损伤识别中的应用2. 1数值模拟及微弱检

10、测信号的识别图3(c 中心频率360k Hz 的贯穿性裂纹检测信号Fig. 3(c The detection signals of a penetrative crackwith center f requency of 360k Hz根据管道在工业中的不同用途, 其往往发生由外力或环境因素引起的机械性损伤, 并使其径向截面尺寸在缺陷处发生突变.在数值计算时, ; 并surface 来模拟管壁. 通过削减壳的厚度来程曲线, 如图5所示 .从图3中可以看出, 提高, 度都随之降低; . , 导致各成分间在传播时的位移差逐渐增大. 同时, 各反射波的波包通过信号接收器的时间也随中心频率的增加而延

11、后, 而这与公式(3 的计算结果是相一致的.实验表明9, 激励和接受信号的压电传感器的导电性随其纵向激振频率的变化而变化, 如图4所示 .图4压电传感器电导图9Fig. 4The conductance of the piezoelectric ceramic 9通过阻抗分析仪可以测得压电传感器谐振频率在220, 245k Hz 之间, 只有在此频率间的信号才能有效的被接受传感器识别. 同时, 由于其自身具有一定的参振质量, 使得实际谐振频率降为180,220k Hz. 所以, 在实验中有时也综合频散和传感器特性而选择中心频率为190k Hz 的激励信号. 但因频散后的波形较为复杂, 且与噪声

12、信号间很难分辨. 当中心频率为70k Hz 时, 由公式(3 可知:222222r g /(C 2r g <1, 即:C C 00-此时, 管道质点在波的作用下横向动能远小于纵向动能, 近似等效为波的一维传播. 因此波的几何弥散较弱, 频散较小. 所以, 选择70k Hz 中心频率的信号作为损伤检测的激励信号可以得到满意的结果. 第4期宋振华等:基于小波分析的超声导波管道裂纹检测方法研究371观察图5(c , 已经很难直观的识别缺陷反射信号. 由于该信号极其微弱, 与其他形式的微弱杂波交织在一起, 如图6(a 所示. 直接将信号进行放大后, 反射波与大量的微弱脉冲式杂波混杂在一起, 波形

13、极其复杂 .图6(a 未采用小波变换的检测信号Fig. 6(a The detection signals without wavelettransformation为增强目标(缺陷反射信号 特征, 使其从众多微弱的混杂波信号中被有效地识别出来, 本文了引入小波变换的方法. 小波变换是一种多分辨分析, 若将非线性系统的时间序列看成是一个信号, 则其可实现对该序列的粗和细的综合分析. 即:既能显示序列变化的全貌(大尺度 , 又能剖析其局部变化的特性(小尺度 . 所以, 提取(0. 4ms ,1. 1ms 间的信号, 对其进行小波变换, 则可实现对缺陷反射信号的特征识别. 然而, 选择不同的小波基

14、函数, 其变换后的效果也将不同. 小波变换得到的小波系数实际上是原信号与小波基函数在相应尺度、对应位置上的相关系数. 反映的是二者之间的相似程度15. 因此, 考虑到小波函数与检测信号的相似性及功率谱的匹配性, 选取近似对称的紧支撑双正交的8阶Symlet s 小波对其在不同尺度下进行小波变换. 如图6(b 所示.同时, 由于不同信号(如:噪声、杂波、缺陷反射信号等 具有不同的时间尺度. 所以, 选择不同的尺度, 小波变换的结果也会有很大的不同. 为最大限度的反映小波基函数与缺陷反射信号的相似程度, 即:使同一尺度下缺陷反射信号的小波系数最大化. 通过公式(5 , 得到其相应尺度16:=(5

15、F e其中为采样周期(数值计算的时间步长 , F c 和F e 分别为小波母函数和特征信号(缺陷反射信号的中心频率. 于是, 选择尺度37并得到反映缺陷反射信号的小波变换如图6(c 所示.对比图6(a 和6(c 可以清晰地看到, 从使用适当尺度小波变换后的检测信号中, 可以清晰地看到在0. 9ms 时通过小波变换法得到的缺陷反射信号, 且与其他信号区别明显, 特征显著. 而该结果与预设缺陷回波所需的时间是一致的. 从而证明该方法是可行且效果显著的. 2. 2含噪检测信号的小波包提纯和识别在实际工况中, 由于信号采集系统和材料固有属性, 实验采集的信号中都不同程度的含有噪声信号. 随着信噪比的不

16、同, 噪声信号对损伤识别的影响也有所不同.一般地, 含噪信号可分解并表示为17:372s (t =f (t +e (t 固体力学学报2009年第30卷(7其中s (t 为含噪信号, f (t 为原信号, e (t 为归一化的高斯型白噪声, 为信噪比. 从而, 可以得到同以损伤条件下不同信噪比的损伤检测信号如图7 .如图7(b 和7(d 所示, 由于噪声信号的存在. 直观地从检测信号的时域图形中已经无法识别和定位缺陷反射信号. 因此, 有必要将检测信号的时域与频域的特征相结合, 以实现信噪分离. 而采用小波包分解和重构算法的时频分析则是实现这一目的的最好方法. 该方法能有效地处理非线性、非平稳化特性的各类信号, 可以在时间、频率两域同时分解信号的15., 可描述信号在, 随着小波包分解层数的增加, 信, 局部特征也将更明显. 同时, 其频率的分辨率也更高. 但实际情况下, 由于小波包分解采用的“下取样”操作(每次分解后采样点个数变为原来的1/2 , 而采样点的个数会直接影响到对时域特征描述时的分辨率和局部化效果. 即:不能同时满足频域和时域的高分辨率. 所以, 在对信号充分分解的同时, 选取合适的分解层数就显得尤为重要. 考虑到数值计算的时域采样点个数为4080, 且激励信号在时域图形上的对称性和光滑性, 选取Symlets 小波为基函数对检测信号进行4层小波包分解.