一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法与流程

本发明公开了一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法，属于超声无损检测技术领域。

背景技术：

在机械制造、航空航天、汽车制造等大型工业中，生产的工件需要在恶劣的环境下长期使用，损等残缺都会对生产安全造成严重的威胁，因此对工件的加工剩余厚度的要求越发严苛，超声无损测厚具有很广阔的应用场合。

传统超声测厚应用中，主要是对声波的tof(timeofflight)进行测定，常用的方法有阈值法、峰值法、包络法、曲线拟合法和互相关法等。其中，互相关法已能够对tof进行较为准确的测定。但在薄件测厚中，常因探头的精度不佳以及回波经多次反射后信噪比大幅下降造成各次回波时域信号已发生严重混叠，传统的tof测定方法将会产生较大的误差。

技术实现要素：

本发明的目的在于提供一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法，在超声脉冲回波在薄件测厚或在低信噪比条件下回波时域信号已产生混叠的情况下，依据脉冲回波信号在不同厚度下频谱图主瓣与各次谐波旁瓣细微的频移变化为基础采用卷积神经网络对频谱图进行识别，通过待测工件与各样块的相似度实现厚度的估算。

为实现上述目的，本发明的技术方案如下：

本发明实施例提供一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法，包括：

选取目标厚度估算区间不同厚度的标准试块作为标准厚度参考点；

采用超声脉冲回波法多次采集每个不同厚度的标准试块的脉冲回波时域信号；

对获得的标准试块的所有脉冲回波时域信号加窗后进行快速傅里叶变换生成标准试块的频谱图；

将各标准试块的频谱图截取一定频率范围后作为训练样本集输入卷积神经网络中进行训练，输出识别模型；

将待测工件的超声脉冲回波的频谱图输入识别模型中得到待测工件与各标准试块的频谱相似度，以频谱相似度为权重估计待测工件的厚度。

进一步的，所述标准试块是涵盖待测工件厚度范围内的不同厚度的试块。

进一步的，所述超声脉冲回波法采用单探头自发自收模式，并且采用相同的回波采样率。

进一步的，所述将各标准试块的频谱图截取一定频率范围，包括：

截取的上限频率为：

截取的下限频率为：

其中，fh为上限频率，fm为探头的中心频率，fw为探头的带宽。

进一步的，所述训练样本集输入卷积神经网络之前，将频谱图更改为固定像素大小的图像。

进一步的，所述卷积神经网络卷积层的卷积核大小为5×5。

进一步的，卷积神经网络训练中，池化层生成的特征图经全连接层处理输出识别模型，用以识别待测工件的超声脉冲回波频谱图，并得出待测工件与标准工件的频谱图相似度。

进一步的，所述待测工件的超声脉冲回波的频谱图的获取，包括：

采用超声脉冲回波法采集待测工件的超声脉冲回波时域信号，

对所获取的超声脉冲回波时域信号加窗后进行快速傅里叶变换生成频谱图；

进一步的，所述将待测工件的超声脉冲回波的频谱图输入识别模型中之前，将所述频谱图截取一定频率范围后修改为固定像素大小的图像。

进一步的，所述待测工件的厚度估计如下：

d＝αw^td

其中，d为待测工件的厚度估计值，α为一维行修正系数矩阵，由标准试块及实际工件厚度测试标定而来，w为以频谱相似度权重为元素的对角矩阵，d为标准样块厚度值构成的一维列矩阵。

本发明在超声脉冲回波法薄件测厚中针对回波信号信噪比较低或回波时域信号已产生混叠的情况下，采用卷积神经网络对频谱图进行识别以实现薄件厚度的估算，改善了传统识别方法在上述情况下精度不佳或无法测量的问题。

附图说明

图1是产生混叠的时域信号示意图；

图2是频谱图偏移示意图；

图3是本发明实施例的厚度估算方法流程图。

具体实施方式

下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，超声脉冲回波在薄件测厚过程中或在低信噪比条件下，回波时域信号常常已经产生混叠，在时域上对回波波形进行处理判定已经十分困难且精确度不高。

本发明提供一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法，依据脉冲回波信号在不同厚度下频谱图主瓣与各次谐波旁瓣细微的频移变化为基础，采用卷积神经网络对频谱图进行识别。所述频移变化具体表现为在某个厚度的回波频谱图为图2中的实线，更薄厚度的频谱图为图2中的虚线，当厚度变薄时，各次谐波旁瓣与主瓣的距离存在微小收缩变化。

本发明实施例的超声脉冲回波测厚中信号混叠条件下的厚度估算方法，参见图3，包括：

(1)选取目标厚度估算区间不同厚度的标准试块作为标准厚度参考点,所述标准试块应是涵盖待测工件厚度范围内的不同厚度的标准试块，标准参考点的数量将会直接影响最终厚度估算结果的精度。

(2)采用超声脉冲回波法多次采集每个不同厚度的标准试块的脉冲回波时域信号，所述超声脉冲回波法采用单探头自发自收模式并且采用相同的回波采样率。所述每个不同厚度的标准试块的脉冲回波时域信号采集次数影响未知工件厚度估计精度。

(3)对步骤(2)中获得的所有脉冲回波时域信号加窗后进行快速傅里叶变换生成频谱图，所述加窗可以是矩形窗和/或三角窗和/或汉宁窗，其目的是提取有效的时域回波信号减少计算量。一个标准试块可对应多幅频谱图。

(4)将各标准试块的频谱图截取一定频率范围后作为训练样本集输入卷积神经网络中进行训练。

所述频率范围的上限频率为：

所述频率范围的下限频率为：

其中，fm为探头的中心频率，fw为探头的带宽。

进一步的，所述输入卷积神经网络中进行训练的频谱图应更改为如1024*1024的固定像素大小的图像。

进一步的，所述卷积神经网络卷积层的卷积核大小为5×5，计算公式为：

其中，l代表所在卷积层的层数；代表卷积层产生的特征图的第j个像素；f()是激活函数；mj代表输入层图像的第j个感受野；代表输入层图像的第j个感受野的第i个像素，所述输入层图像的感受野大小i等于所述卷积核的大小；代表所述输入层图像的感受野的卷积核的第i个参数；代表所述输入层图像的第j个感受野的偏置。

进一步的，将所述卷积层产生的特征图输入卷积神经网络的池化层，对所述卷积层特征图做下采样，以降低图像的分辨率，池化层的计算公式如下：

其中，代表输入池化层的所述卷积层特征图的第j个感受野，down()代表池化函数，β代表权重系数，b代表偏置。

进一步的，池化层生成的特征图经全连接层处理输出识别模型，用以识别待测工件的回波频谱图，并得出所述待测工件与标准工件的频谱图相似度。

(5)采用步骤(2)中所述的超声脉冲回波法采集待测工件的超声脉冲时域回波信号，经步骤(3)中相同处理后得到待测工件的超声脉冲回波的频谱图，将所述待测工件的频谱图截取所述频率范围后修改为所述固定像素大小的图像输入所述识别模型中，即得到待测工件与各标准试块的频谱相似度。

进一步的，以频谱相似度为权重估计待测工件的厚度，待测工件的厚度估计公式为：

d＝αw^td

其中，d为待测工件的厚度估计值，α为一维行修正系数矩阵，由标准试块及实际工件厚度测试标定而来，w为以频谱相似度权重为元素的对角矩阵，d为标准样块厚度值构成的一维列矩阵。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。