斜拉桥索无损检测信号的滤波处理方法＊

王贵恩 孙永林

（广东交通职业技术学院 广州 510800）

0 引 言

斜拉桥索对斜拉桥的工作状态影响很大，其使用寿命是最值得关注的问题之一．由于斜拉桥拉索长期处于露天服役状态，其聚乙烯（PE）护套的硬化和开裂，将导致护套内的钢丝束发生腐蚀［1］；另外，桥梁的振动和缆索内应力也会加速缆索的磨损和老化，进而产生缆索局部断丝等缺陷．断丝缺陷是影响斜拉桥安全和使用寿命的首要因素，很可能导致整体结构遭到灾难性的破坏［2］．

鉴于在役缆索只能进行无损检测的工作特点，常用的缆索无损检测方法包括超声波法、磁桥路法和漏磁场检测法等．其中，漏磁场检测（magnetic leakage field，MLF）法由于对铁磁材料内部缺陷具有较高的检测灵敏度，且对测试对象表面清洁度不高，成本低廉等优点，因而适合于斜拉桥缆索内部断丝等缺陷的无损检测，但由于受到空间磁场、PE防护层和现场环境等因素的影响，缺陷产生的漏磁信号往往附有大量的噪声信号，导致信号特征不显著［3］．对此，本文应用BP神经网络的滤波分析方法，对漏磁信号进行信噪分离，以获取显著的缺陷信息．试验结果表明，经过滤波处理后的漏磁信号特征明显，可应用于斜拉桥索断丝缺陷的无损检测．

1 缆索漏磁检测系统

漏磁检测的基本原理是采用永久磁铁产生强磁场，将缆索局部磁化至饱和状态，在理想情况下，当缆索内部不存在断丝等缺陷时，磁场将呈均匀分布并与试件表面平行，几乎没有磁感应线从缆索表面溢出．当缆索内部存在断丝等缺陷时，会使磁导率发生变化，由于缺陷的磁导率很小，磁阻很大，穿过缺陷区域的磁场将产生畸变，导致磁力线分布不均匀．畸变磁场可分为3部分，大部分磁通会在缆索内部绕过缺陷区域；少部分磁通会直接穿过缺陷区域；其他部分磁通则离开缆索表面泄露至空气，这部分磁通量就是待测漏磁通，可采用磁敏元件组成的磁电转换电路测得，根据测得的漏磁信号就可判别缆索断丝缺陷程度和缺陷位置等情况［4］．

按照上述原理，采用HMC1022型磁阻传感器进行磁电转换［5］，并将其Die A向及Die B向的电信号通过模数转换器进行数值化，其检测信息传入单片机，由单片机进行简单判断有效性后，通过无线通信模块和无线网络，发送到监控计算机，由监控计算机进行信息处理和显示，检测系统如图1所示．检测系统中，带动检测电路的缆索爬行机器人的前进、后退和停止功能，由操作按键通过单片机和驱动电路实现．

图1 斜拉桥索无损检测系统框图

2 检测信号的分析处理

无损检测信号经过单片机的简单处理后，漏磁检测数据通过无线网络发送到监控计算机．实验发现，检测数据存在脉冲干扰多、噪声波动较大等特点．本文采用小波分析和BP神经网络的方法，对采集数据进行了滤波处理和信噪分离，以获取显著的缺陷信息．其滤波处理过程见图2，首先对信号进行了平滑和滤波处理，得到了平滑的信号后，对所得结果进行特征量化处理，以得到信号中的特征量差分超限数．之后，将整理后的数据作为BP神经网络的输入，传入到BP神经网络中进行模式识别，即可获得显著的缺陷情况．

图2 检测信号滤波处理流程

2．1 信号平滑

从检测信号可以看出，原信号中干扰比较多，突刺现象（脉冲）比较明显，尤其是在加强磁场的信号中，突刺现象愈发明显．突刺是有别于缺陷信号的，其明显特征是在短时间内骤增骤减，会对信号特征识别产生不利影响．因此，要有效处理信号数据，就必须消除信号中的突刺，即对信号进行平滑．通过指定突刺信号的上下限及其波形宽度，即可实现对突刺信号的消除．另外，初次平滑后，信号仍然存在少量的微小突刺，该微小突刺虽然在正常信号范围内，但仍可能对后续处理产生影响，因此需要对信号进行微平滑．根据本系统的实际，应用直线五点滑动平均法［6］对数据进行平滑处理．

直线滑动平均法根据某采样点邻近点的波幅，对该点进行波幅修正，以实现波形消噪．一般取5个采样点，对邻近点做加权平均，其基本计算公式为

式中：x为采样数据；y为平滑处理后的数据；m为数据点数；N为邻近采样点数的半数；λn为加权平均因子，且必须满足各因子总和为1．直线滑动平均法就是利用最小二乘原理对离散数据进行线性平滑．5点滑动平均（N＝2）按下式计算

式中：i＝3，4，…，m－2．

2．2 小波包差分超限滤波

经过平滑后的信号没有了突刺现象，但信号存在小幅波动的情况，即信号中存在噪声干扰，因此需要对信号进行滤波．在众多滤波工具中，小波变化可以对信号进行分解和重构，并在不同频率上对信号进行分析和滤波，因此其可以满足刚性物体漏磁信号频率成分复杂，需要从多个频段对信号进行滤波的要求［7］．本文通过设定相应参数，直接调用已有滤波算法．

差分超限数可以用来识别与分析局部异常信号．通过分析可以发现，当信号局部发生异常变化时，相邻两个采样点之间信号幅值的差分绝对值一般远大于正常区间的差分值，如果预先设定好一个门限，就可以将局部变化区间分离出来，将分离出来的局部变化异常区中的差分绝对值超过门限值的采样点个数累加起来，就得到特征量——差分超限数．并且规定当差分超限值之间的距离小于某一个值时即属于同一个异常区间．若差分超限数用D0表示，则

其中：T［x（m）］＝c［x（m ＋1）－x（m）］，m ∈（－∞，＋∞）， （4）c（u）为门限函数，即

t为设定的门限．W（n）为窗函数，

式中：Ni为窗宽，其大小能够随着信号局部变化异常区域的范围变化而变化．获取差分超限数的算法流程图3所示．

图3 差分超限数的算法流程图

图中，Li相当于算法中的L，差分超限数D0相当于算法中DiffNum，采样点数m相当于算法中M（i），Ni相当于算法中窗宽 widthNoise（i），SP相当于算法中窗宽限值widLimit．

2．3 BP神经网络模式识别

BP神经网络是当前应用最多的神经网络模型，属于前向型网络模型，适合于漏磁信号的分析识别［8］．经过研究发现缆索断丝等缺陷主要与检测信号的绝对峰值、峰峰值、波宽、检测速度等因素有关，所以将以上各量作为BP网络输入参数．

为了保证输出结果与输入参数的单调非线性关系，在BP网络输入之前，需将各个参数进行归一化处理，即将各输入量在［0，1］之间进行规格化，由于隐层函数在［0，0．1］和 ［0．9，1］之间变化缓慢，所以可将其输入量归一化在［0．1，0．9］之间，要使归一化后的输入值仍落在［0．1，0．9］范围内，则利用归一化公式

式中：α为归一化处理所定的区间下限；β为区间跨度；Tmin和Tmax分别表示归一化处理后的最小值与最大值．

本算法中，根据BP神经网络的结构特点，构建3层BP神经网络，包括输入层、隐层、输出层，其中输入层节点数4，分别为信号的绝对峰值、峰峰值、波宽及采样速度．隐层取20个神经元，初始权值取［－1，1］之间的随机数．采用相应的数据结构，用C语言实现了BP神经网络结构的构建、前向传播、反向传播误差修改以及网络训练等功能，并将要判别的数据输入到网络中，实现了较理想的模式识别．本例中取动量系数为0．9，学习系数0．7，其误差不超过0．000 1．

3 仿真实验结果

以本系统的一组实测数据为例，原始信号，平滑信号，滤波信号及其特征量化信号的对比如图4所示．

图4 信号处理过程效果对比

从图4可以看出，如果不考虑开始和结尾处跳波信号的干扰，信号的平滑和滤波效果比较令人满意，特征量化信号也能比较显著地表现出信号的特点．至此，信号的预处理结束，将输出结果整理后进行保存，作为BP神经网络的输入传输给已有的BP神经网络．

采用BP神经网络模式识别后的结果输出如图5所示（图中横坐标为采样点数）．不考虑开始和结尾处的干扰，可以看到，共存在3处断丝缺陷，识别效果令人满意．

图5 采用BP神经网络模式识别后的结果

4 结束语

针对斜拉桥索漏磁检测信号附有大量的噪声信号而特征不显著的特点，本文采用信号平滑、小波包差分超限滤波和BP神经网络模式识别等信号分析方法，对采集信息进行滤波处理．仿真结果表明，本滤波算法对斜拉桥索漏磁检测信号具有良好的实用性和滤波精度．但本滤波算法是在单一缆索直径（φ130mm）的条件下实现的，对于不同缆索直径的情况，实验数据会增加新的扰动，该方法的稳定性还有待深入研究．

［1］袁建明，武新军，康宜华，等．可重构斜拉索磁性无损检测机器人技术研究［J］．武汉理工大学学报：交通科学与工程版，2008，32（3）：442－445．

［2］刘沐宇，袁卫国．桥梁无损检测技术的研究现状与发展［J］．中外公路，2002，22（6）：34－37．

［3］武新军，王峻峰，杨叔子．斜拉桥缆索缺陷检测系统的研制［J］．机械科学与技术，2001，20（6）：901－904．

［4］孙燕华，康宜华．一种基于磁真空泄露原理的漏磁无损检测新方法［J］．机械工程学报，2010，46（14）：18－23．

［5］王贵恩，邬志锋．基于小波变换的斜拉桥索双轴漏磁检测方法［J］．武汉理工大学学报：交通科学与工程版，2012，36（1）：111－115．

［6］史源源．平滑去噪法在柴油机隔振器效果分析中的应用［J］．机械工程与自动化，2009（3）：100－102．

［7］张晓春．小波变换在奇异信号检测中的应用［J］．传感器技术，2002，21（3）：33－35．

［8］金 滔，阙佩文，陈天路，等．基于改进BP神经网络算法的管道缺陷漏磁信号识别［J］．上海交通大学学报，2005，39（7）：1140－1144．