- Код статьи
- S30344980S0130308225020022-1
- DOI
- 10.7868/S3034498025020022
- Тип публикации
- Статья
- Статус публикации
- Опубликовано
- Авторы
- Том/ Выпуск
- Том / Номер выпуска 2
- Страницы
- 17-27
- Аннотация
- Ультразвуковой контроль толстостенных полиэтиленовых труб сопряжен с проблемой потери энергии, что приводит к появлению слабых эхосигналов от глубоких дефектов. Чтобы улучшить обнаружение этих слабых сигналов, представлен метод концентрации энергии во времени и частоте. Дробное адаптивное суперлетное преобразование объединяет результаты нескольких вейвлет-преобразований с различными полосами пропускания путем геометрического усреднения, обеспечивая более широкие возможности анализа временных частот по сравнению с одиночными вейвлет-преобразованиями. Однако его представление временных частот имеет проблему мгновенного отклонения частоты. Предлагаемый метод решает эту проблему путем вложения мгновенной частоты, что приводит к повышению точности оценки мгновенной частоты. Численный анализ сигналов показывает более высокую точность оценки мгновенной частоты с помощью этого метода по сравнению с другими методами обработки временных частот. Применительно к обнаружению глубоких дефектов в толстостенных полиэтиленовых трубах метод показывает увеличение способности усиления слабого сигнала на 18,9 % по сравнению с непрерывным вейвлет-преобразованием. Наконец, результаты демонстрируют точность метода в определении мгновенных изменений частоты и усилении мгновенных амплитуд слабых сигналов, предлагая перспективный подход для обнаружения глубоких дефектов в толстостенных полиэтиленовых трубах.
- Ключевые слова
- глубокий дефект слабый сигнал ультразвуковое обнаружение дробное адаптивное суперлетное преобразование мгновенная частота
- Дата публикации
- 01.02.2025
- Год выхода
- 2025
- Всего подписок
- 0
- Всего просмотров
- 90
Библиография
- 1. Xie K., Chen L.H., Huang A.F., Zhao K., Zhang H.L. An auxiliary frequency tracking system for general purpose lock-in amplifiers // Meas. Sci. Technol. 2018. V. 29. P. 045010.
- 2. Zhang Y.G., Jin D.Q., Chen J. A model-based variable step-size strategy for proximal multitask diffusion LMS algorithm // Digit. Signal Process. 2021. V. 117. P. 103199.
- 3. Wan C.T., Chen D.Y., Yang J. Pulse rate estimation from forehead photoplethysmograph signal using RLS adaptive filtering with dynamical reference signal // Biomed. Signal Proces. 2022. V. 71. P. 103189.
- 4. Dong K.F., Xu K., Zhou Y.Y., Zuo C., Wang L.M., Zhang C.K., Jin F., Song J.L., Mo W.Q., Hui Y.J. A memristor-based chaotic oscillator for weak signal detection and its circuitry realization // Nonlinear Dynam. 2022. V. 109. No. 3. P. 2129—2141.
- 5. Shi P.M., Li M.D., Zhang W.Y., Han D.Y. Weak signal enhancement for machinery fault diagnosis based on a novel adaptive multi-parameter unsaturated stochastic resonance // Appl. Acoust. 2022. V. 189. P. 108609.
- 6. Ni Q., Ji J.C., Feng K., Halkon B. A fault information-guided variational mode decomposition (FIVMD) method for rolling element bearings diagnosis // Mech. Syst. Signal. Pr. 2022. V. 164. P. 108216.
- 7. Jiang Y., Li H.B., Rangaswamy M. Deep learning denoising based line spectral estimation // IEEE Signal Proc. Let. 2019. V. 26. No. 11. P. 1573—1577.
- 8. Legendre S., Massicotte D., Goyette J., Bose T.K. Wavelet-transform-based method of analysis for Lamb-wave ultrasonic NDE signals // IEEE T. Instrum. Meas. 2000. V. 49. No. 3. P. 524—530.
- 9. Shi G.M., Chen X.Y., Song X.X., Qi F., Ding A.L. Signal matching wavelet for ultrasonic flaw detection in high background noise // IEEE T. Ultrason. Ferr. 2011. V. 58. No. 4. P. 776—787.
- 10. Bazulin E.G. Detection of echo signals from discontinuities due to the use of superresolution procedures for testing concrete piles by the impact method // Russ. J. Nondestruct. Test. 2023. V. 59. P. 868—875.
- 11. Moca V.V., Bârzan H., Nagy-Dăbâcan A., Muresan R.C. Time-frequency super-resolution with superlets // Nat. Commun. 2021. V. 12. P. 337.
- 12. Bârzan H., Moca V.V., Ichim A.M., Muresan R.C. Fractional superlets // Proc. Eur. Signal Process. Conf. 2021. P. 2220—2224.
- 13. Nemytova O.V., Rinkevich A.B., Perov D.V. Instantaneous frequency estimation used for the classification of echo signals from different reflectors // Russ. J. Nondestruct. Test. 2012. V. 48. P. 649—661.
- 14. Wang J., Han Y., Wang L.M., Zhang P.Z., Chen P. Instantaneous frequency estimation for motion echo signal of projectile in bore based on polynomial chirplet transform // Russ. J. Nondestruct. Test. 2018. V. 54. P. 44—54.
- 15. Daubechies I., Lu J.F., Wu H.T. Synchrosqueezed wavelet transforms: an empirical mode decomposition-like tool // Appl. Comput. Harmon. A. 2011. V. 30. No. 2. P. 243—261.
- 16. Thakur G., Wu H.T. Synchrosqueezing-based recovery of instantaneous frequency from nonuniform samples // SIAM J. Math. Ana. 2011. V. 43. No. 5. P. 2078—2095.
- 17. Starkhammar J., Reinhold I., Moore P.W., Houser D.S., Sandsten M. Detailed analysis of two detected overlaying transient components within the echolocation beam of a bottlenose dolphin (Tursiops truncatus) // J. Acoust. Soc. Am. 2019. V. 145. No. 4. P. 2138—2148.
- 18. Yu G., Wang Z.H., Zhao P. Multisynchrosqueezing transform // IEEE T. Ind. Electron. 2019. V. 66. No. 7. P. 5441—5455.
- 19. Yu G., Yu M.J., Xu C.Y. Synchroextracting transform // IEEE T. Ind. Electron. 2017. V. 64. No. 10. P. 8042—8054.
- 20. Ando S. Time–frequency representation with variant array of frequency-domain Prony estimators // J. Acoust. Soc. Am. 2021. V. 150. No. 4. P. 2682—2694.
- 21. Wang Q., Li Y.X., Chen S.J., Tang B. Matching demodulation synchrosqueezing S transform and its application in seismic time–frequency analysis // IEEE Geosci. Remote S. 2022. V. 19. P. 1—5.
- 22. Baraniuk R.G., Flandrin P., Janssen A.J.E.M., Michel O.J.J. Measuring time-frequency information content using the Renyi entropies // IEEE T. Inform. Theory. 2001. V. 47. No. 4. P. 1391—1409.
