脉冲远场涡流检测PCA-ICA 联合消噪技术*

刘相彪，李 勇，陈振茂，闫 贝，李一力

(西安交通大学 航天航空学院 机械结构强度与振动国家重点实验室核能结构安全检测与完整性评价研究中心，陕西 西安710049)

0 引 言

铁磁性管道在石油开采领域应用广泛，但由于其恶劣的服役环境，极容易产生腐蚀缺陷，如不定期进行无损检测，将危及到油田正常生产［1，2］。脉冲远场涡流(pulsed remote field eddy current，PRFEC)技术［1，3～6］作为一种新兴的电磁无损检测技术，国内外研究发现其对铁磁性管道检测存在显著的优势。然而在实际检测中，由于管道自身机械加工条件不同和地壳应力等因素的影响，在管道不同位置处会存在磁导率不均等变化，而这一变化与缺陷对脉冲远场涡流检测信号的影响极其相似，使得检测信号信噪比较低，容易造成缺陷的误判和漏检。

如何有效消除磁导率不均等管道自身材质因素对铁磁性材料电磁无损检测结果的干扰，一直是人们关注的问题。Atherton DL 等人提出了通过局部磁饱和方法降低磁导率不均对检测信号的影响［7］，但这种方法也增加了检测探头的复杂性，不易于实现。Mandayam S 等人提出利用小波变换构造出一种只对缺陷引起变化敏感的特征量［8］，从而消除磁导率不均对检测结果的影响，但是此种方法依懒于事先所构造的模型与特征量，在实际检测中效果不理想。罗飞路等人提出了基于独立分量分析(independent component analysis，ICA)技术［9～11］消除磁导率不均的方法［12］。该方法要求观测信号数目大于或等于源信号数目，在实际应中，受限于造价、应用条件等各种因素的制约，常存在单观测通道的情况，该方法应用受到限制。

本文通过对主成分分析(principal component analysis，PCA)技术［13～15］与ICA 技术的进一步研究，结合PCA 与ICA 技术各自的优势，提出了基于PCA－ICA 联合消噪技术。该技术利用PCA 将单通道信号加以变换，提取前二阶主成分构建虚拟双通道信号作为ICA 输入矩阵，采用扩展特征矩阵联合近似对角化(flexible joint approximative diagonalization of eigenmatrix，FJADE)算法［16］实现了单通道信号欠定条件下缺陷信号与磁导率不均等噪声信号的分离。

1 PCA-ICA 联合消噪技术研究

1.1 PCA－ICA 方法提出

PCA 技术是一种建立在统计特征基础上的正交线性变换，它把给定的一组相关变量通过线性变换转成另一组互不相关的变量，这些新的变量按照方差依次递减的顺序排列，称为主成分。每阶主成分都是原始特征的线性组合，可以构建多通道虚拟信号，用以弥补ICA 技术存在观测信号数目必须大于或等于源信号数目的不足。此外，经PCA 处理后的第一主成分最大限度上保留了原始特征信息，可以用来评定ICA 分离后的结果。

ICA 技术是信号处理领域在近年来发展起来的一项盲源信号处理方法，该方法可以有效地从观测到的混合信号中分离出各个独立分量。然而，ICA 技术存在观测信号数目必须大于或等于源信号数目的局限性，无法对在实际应用中常常存在单通道信号欠定的情况进行盲源分离。

鉴于此，本文结合PCA 与ICA 技术各自的优点，提出PCA－ICA 联合消噪技术。该技术基于PCA 引入虚拟双通道观测信号，有效地解决了单通道信号无法进行ICA 分离的局限性。PCA－ICA 联合消噪技术具体操作方法如下:

1)将单通道传感器扫查所得信号二维矩阵M(列为单个扫查点传感器信号)进行PCA 分析;

2)提取前两阶主成分P1与P2并进行归一化处理(除以最大值)，构建虚拟双通道信号;

3)将P1，P2作为ICA 输入矩阵，采用FJADE 算法计算得出独立分量IC1与IC2;

4)分别计算独立分量IC1，IC2与主成分P1的相关系数，选取相关系数最大的独立分量作为去噪后的目标信号。

1.2 仿真研究

为了探究PCA－ICA 联合消噪技术在脉冲远场涡流检测中的应用，在仿真研究中引入磁导率不均作为噪声源。

建立铁磁性管道脉冲远场涡流二维轴对称有限元模型，模型参数表1 所示。激励线圈匝数为1 000 匝，方波激励电流信号最大幅值为1 A，占空比为20%，频率为40 Hz。传感器位于距激励线圈上端2.5 倍管径处。

表1 仿真模型参数Tab 1 Parameters of the simulation model

在管道外壁上依次设置:周向磁导率不均(长×深为8.0 mm×1.0 mm，电导率为3.5 MS/m，相对磁导率为100.0)，周向腐蚀缺陷(长×深为20.0 mm×1.0 mm，电导率为0 MS/m，相对磁导率为1.0)，周向磁导率不均(长×深为8.0 mm×1.0 mm，电导率为3.5 MS/m，相对磁导率为300.0)，周向腐蚀缺陷(长×深为20.0 mm×1.0 mm，电导率为0 MS/m，相对磁导率为1.0)。其位置如图1 所示。

图1 缺陷与磁导率不均位置Fig 1 Position of defects and non-uniform permeability

传感器位于磁导率不均和缺陷时单个脉冲远场涡流信号与信号峰值—探头位置扫查曲线，如图2、图3 所示。从图2可以看出:磁导率不均与缺陷均可造成检测信号峰值、峰值时间等变化，二者在扫查曲线(图3)上的表征十分相似，影响了缺陷检出与定量分析。

图2 脉冲远场涡流信号Fig 2 Signals of PRFEC

将仿真所得扫查信号二维矩阵M 进行PCA－ICA 处理，结果如图4 所示。

图3 信号峰值—探头位置扫查曲线Fig 3 Peak value vs probe position

图4 (a)为经PCA 处理后前两阶主成分，第一主成分(P1)与第二主成分(P2)均可描述出缺陷与磁导率不均的位置，但其相对幅值有所差异。可以将P1与P2等效为缺陷信号与噪声(磁导率不均)信号特征不同的线性组合。

图4(b)为缺陷信号与噪声(磁导率不均)信号的分离结果，其中缺陷信号与主成分P1的相关系数为0.968 4，噪声(磁导率不均)信号与主成分P1的相关系数为0.249 6。可以看出:PCA－ICA 技术可以有效地实现缺陷信号与噪声(磁导率不均)信号的分离，达到了去噪的目的，提升缺陷识别与定量评估精度。

图4 PCA-ICA 分离结果(仿真)Fig 4 Results of PCA-ICA separation(simulations)

2 PCA-ICA 联合消噪技术实验验证

实验采用试件为铁磁性双层套管，探头结构如图5 所示。双激励线圈用以增加检测信号幅值，隧道磁电阻(TMR)传感器位于双激励线圈中间拾取磁场信号。表2 为试件与检测探头参数。实验时采用频率为40 Hz，幅值为1.5 V，占空比为20%的方波信号作为激励，经过功率放大(10 倍)后施加于激励线圈。TMR 传感器所拾取到的磁场信号经过差分放大(10 倍)与滤波(低通滤波15 kHz)后，由数据采集卡实时采集。

表2 实验参数Tab 2 Parameters of experiment

在铁磁性双层套管外管外壁上依次加工:周向缺陷1(长×深为30 mm×0.5 mm);周向缺陷2(长×深为30 mm×1.0 mm);周向缺陷3(长 深为30 mm×1.5 mm)。将检测探头从管道一端进行扫查，提取各扫查点处检测信号峰值作为特征量，拟合得出信号峰值—探头位置扫查曲线，如图6所示。从图6 可以看出，信号峰值—探头位置扫查曲线噪声较大，在无缺陷处存在波动，容易造成缺陷误判。

图5 检测探头结构Fig 5 Structure of detecting probe

图6 信号峰值—探头位置扫查曲线Fig 6 Peak value of signal vs probe position

将实验中扫查所得各点的脉冲远场涡流信号组成二维矩阵(每一列代表一个扫查点的信号)，采用PCA－ICA 进行处理，结果如图7 所示。

图7(a)为经PCA 处理后前两阶主成分，P1与P2在不同程度上可以描述出缺陷位置的信息。图7(b)为经PCAICA 分离后的结果，其中缺陷信号与主成分P1相关系数为0.9062，噪声信号与主成分P1相关系数为0.4228。可以看出:缺陷信号与噪声信号经PCA－ICA 处理后可有效分离。

3 结 论

图7 PCA-ICA 分离结果(实验)Fig 7 Result of PCA-ICA separation(experiments)

本文针对脉冲远场涡流检测中磁导率不均等管道自身材质因素对检测信号的影响，提出了PCA－ICA 联合去噪技术。通过仿真与实验研究表明:该技术弥补了ICA 要求观测信号数目必须大于或等于源信号数目的不足，实现了单通道信号欠定条件下的盲源分离;可以有效地实现缺陷信号与磁导率不均等噪声信号的有效分离，提高了脉冲远场涡流检测缺陷识别与定量评估精度。

［1］ Yang Binfeng，Li Xuechao.Pulsed remote field technique used for nondestructive inspection of ferromagnetic tube［J］.NDT＆E International，2013，53:47－52.

［2］ 付跃文，康小伟，喻星星.带包覆层铁磁性金属管道局部腐蚀的脉冲涡流检测［J］.应用基础与工程科学学报，2013(4):786－795.

［3］ Li Yong，Chen Zhenmao，Qi Yong.Generalized analytical expressions of liftoff intersection in PEC and a liftoff－intersection－based fast inverse model［J］.IEEE Transactions on Magnetics，2011，47(10):2931－2934.

［4］ Li Yong，Liu Xiangbiao，Qi Yong，et al.Efficient analytical modelling for pulsed remote field eddy current evaluation of stratified tubular structures［C］∥2013 Far East Forum on.Nondestructive Evaluation/Testing:New Technology＆Application(FENDT)，Jinan，China:IEEE，2013:18－22.

［5］ 刘相彪，李 勇，陈振茂，等.基于磁场测量的脉冲远场涡流检测双层套管仿真［J］.无损检测，2013(10):48－52.

［6］ 张 辉，杨宾峰，荆毅飞，等.基于连通磁路的脉冲远场涡流传感器设计及缺陷定量评估与分类识别［J］.传感技术学报，2012(10):1370－1375.

［7］ Atherton D L，Czura W，Schmidt T R.Use of magnetically saturated regions in remote field eddy current tools［J］.Journal of Nondestructive Evaluation，1989，8(1):37－43.

［8］ Mandayam S，UPda L，UPda S S.Wavelet based permeability compensation technique for characterizing magnetic flux leakage images［J］.NDT＆E International，1997，30(5):297－303.

［9］ 冯宪高，万江飞，郭晓疆，等.基于盲源分离的超声信号去噪的仿真研究［J］.传感器与微系统，2006，25(7):36－39.

［10］王文波，张晓东，汪祥莉.基于独立成分分析和经验模态分解的混沌信号降噪［J］.物理学报，2013(5):27－34.

［11］杨 旭，张学渊，李宝清.基于核独立成分分析的声信号去噪方法［J］.传感器与微系统，2011，30(11):43－45，48.

［12］徐小杰.铁磁性管道中轴向裂纹的远场涡流检测技术研究［D］.长沙:国防科学技术大学，2007.

［13］杨宾峰，罗飞路.基于主成分分析的腐蚀缺陷边缘识别研究［J］.计量技术，2007(10):23－28.

［14］王巍巍，张赛男.基于PCA 与BP 混合神经网络算法的电子鼻系统［J］.传感器与微系统，2014，33(4):90－92.

［15］周德强，张斌强，田贵云，等.脉冲涡流检测中裂纹的深度定量及分类识别［J］.仪器仪表学报，2009(6):1190－1194.

［16］Cichocki A，Amari S，Siwek K，et al.ICALAB Toolboxes［DB/OL］.［2007—03—28］.http:∥www.bsp.brain.riken.jp/ICALAB.