Исследование шумоподавления сигналов электромагнитно-акустической эмиссии для неразрушающего контроля сплавов: метод кроссрекуррентного количественного анализа

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Для решения проблемы, связанной с тем, что сигналы, полученные в результате локальных действий электромагнитного поля, обычно смешиваются с фоновыми шумами (особенно с белым шумом), в данной работе предложена технология разложения сигналов электромагнитной акустической эмиссии, основанная на кроссрекуррентном количественном анализе (КРКА). Для начала опытным путем или с помощью алгоритма оптимизации устанавливаются слой разложения и критерий коррекции разложения по вариационным модам (РВМ), после чего исходный сигнал подвергается разложению. Затем основные компоненты выбираются алгоритмом КРКА, и сигнал электромагнитной акустической эмиссии после разложения получается путем суперпозиционного восстановления. Результаты моделирования и экспериментов показывают, что при добавлении шума в 5 дБ метод КРКА может эффективно удалять фоновые шумы в сигналах электромагнитной акустической эмиссии по сравнению с алгоритмом коэффициента корреляции, и это может помочь в реализации высокоточного неразрушающего контроля сплавов.

Полный текст

Доступ закрыт

Об авторах

Цюйюэ Ли

Чунцинский профессионально-технический институт технологии безопасности; Чунцинский университет трех ущелий

Email: Laiys@Sanxiau.edu.cn
Китай, Чунцин; Чунцин

Юшу Лай

Чунцинский университет трех ущелий

Автор, ответственный за переписку.
Email: Laiys@Sanxiau.edu.cn
Китай, Чунцин

Дифэй Цао

Пекинский научно-технологический университет

Email: Laiys@Sanxiau.edu.cn
Китай, Пекин

Список литературы

  1. Liu L., Chen L., Wang Z., Liu D. Early fault detection of planetary gearbox based on acoustic emission and improved variational mode decomposition // IEEE Sens. J. 2020. V. 21. No. 2. P. 1735—1745.
  2. Su Y., Dong L., Pei Z. Non-destructive testing for cavity damages in automated machines based on acoustic emission tomography // Sensors. 2022. V. 22. No. 6. P. 2201.
  3. Ghorbani H., Farhangi H., Malekan M. Material characterization of long-term service-exposed GTD-111 nickel-based superalloy // Eng. Fail. Anal. 2023. V. 148. P. 107061.
  4. Rockenhäuser C., Rowolt C., Milkereit B., Darvishi Kamachali R., Kessler O., Skrotzki B. On the long-term aging of S-phase in aluminum alloy 2618A // J. Mater. Sci. 2021. V. 56. No. 14. P. 8704—8716.
  5. Gwoździk M., Motylenko M., Rafaja D. Microstructure changes responsible for the degradation of the 10CrMo9-10 and 13CrMo4-5 steels during long-term operation // Mater. Res. Express. 2019. V. 7. No. 1. P. 016515.
  6. Skalskyi V., Pochaps’kyi Y., Stankevych O., Klym B., Melnyk N. Application of the magnetoacoustic emission method for estimation of pipelines material state / In Degradation Assessment and Failure Prevention of Pipeline Systems. 2021. Springer. P. 217—229.
  7. Chen X.Y., Wu X.Y., Liu F.F., Zeng B.H., Tu Y.M., Cao L.L. Acoustic emission signal-based non-destructive testing of carbon content of Pr-Nd alloys // Insight-Non-Destructive Testing and Condition Monitoring. 2022. V. 64. No. 9. P. 503—510.
  8. Fricke L. V., Thürer S.E., Kahra C. et al. Non-destructive evaluation of workpiece properties along the hybrid bearing bushing process chain // J. Mater. Eng. Perform. 2023. V. 32. No. 15. P. 7004—7015.
  9. Zheltonozhskaya M.V., Iyusyuk D.A., Chernyaev A.P., Kovacs T. Non-destructive method for determining the 63Ni activity in reactor steels and alloys // J. Radioanal. Nucl. Chem. 2023. P. 1—8.
  10. Chang Y., Zhang X., Song S., Song Q., Shen Y. Rail crack defect recognition based on a multi-feature fusion algorithm using electromagnetic acoustic emission technique // Meas. Sci. Technol. 2023. V. 34. No. 11. P. 115002.
  11. Sikorski W. Active dielectric window: A new concept of combined acoustic emission and electromagnetic partial discharge detector for power transformers // Energies. 2019. V. 12. No. 1. Art. No. 1.
  12. Lin Q., Lyu F., Yu S., Xiao H., Li X. Optimized denoising method for weak acoustic emission signal in partial discharge detection // IEEE Trans. Dielectr. Electr. Insul. 2022. V. 29. No. 4. P. 1409—1416.
  13. Guo J., Xie R., Wang Y., Xiao L., Fu J., Jin G., Luo S. Variational mode decomposition for NMR echo data denoising // IEEE Trans. Geosci. Remote Sens. 2023. V. 61. P. 1—14.
  14. Li Z., Cai D., Wang J. et al. Machine learning based dynamic correlation on marine environmental data using cross-recurrence strategy // IEEE Access. 2019. V. 7. P. 185121—185130.
  15. Zhou Y., Peng M., Zuo X., Xu J. Correlation between friction coefficient and friction vibration in running-in process based on cross recurrence plots // J. Tribol. 2021. V. 144. No. 1.
  16. Wei K., Zhang J., He Y., Yao G., Zhang Y. Faulty feeder detection method based on VMD–FFT and Pearson correlation coefficient of non-power frequency component in resonant grounded systems // Energies. 2020. V. 13. No. 18. P. 4724.
  17. Hu H., Zhang L., Yan H., Bai Y., Wang P. Denoising and baseline drift removal method of MEMS hydrophone signal based on VMD and wavelet threshold processing // IEEE Access. 2019. V. 7. P. 59913—59922.
  18. Yan H., Xu T., Wang P., Zhang L., Hu H., Bai Y. MEMS hydrophone signal denoising and baseline drift removal algorithm based on parameter-optimized variational mode decomposition and correlation coefficient // Sensors. 2019. V. 19. No. 21. P. 4622.
  19. Dhandapani R., Mitiche I., McMeekin S., Mallela V.S., Morison G. Enhanced partial discharge signal denoising using dispersion entropy optimized variational mode decomposition // Entropy. 2021. V. 23. No. 12. P. 1567.
  20. Li Y., Xiao L., Tang B., Liang L., Lou Y., Guo X., Xue X. A denoising method for ship-radiated noise based on optimized variational mode decomposition with snake optimization and dual-threshold criteria of correlation coefficient // Math. Probl. Eng. 2022. V. 2022.
  21. Jiang Z., Xie J., Zhang J., Zhang X. Denoising method of pipeline leakage signal based on VMD and Hilbert transform // J. Sens. 2023. V. 2023.
  22. Jiang Z., Guo G., Liu B. Application research of negative pressure wave signal denoising method based on VMD // Appl. Sci. 2023. V. 13. No. 7. P. 4156.
  23. Dragomiretskiy K., Zosso D. Variational mode decomposition // IEEE Trans. Signal Process. 2013. V. 62. No. 3. P. 531—544.
  24. Ur Rehman N., Aftab H. Multivariate variational mode decomposition // IEEE Trans. Signal Process. 2019. V. 67. No. 23. P. 6039—6052.
  25. Li Y., Tang B., Jiang X., Yi Y. Bearing fault feature extraction method based on GA-VMD and center frequency // Math. Probl. Eng. 2022. V. 2022. P. e2058258.
  26. Li Q., Lai Y., Yang C., Cao D. Investigating electromagnetic acoustic emission signal processing based on optimized variational mode decomposition / In 2022 7th International Conference on Intelligent Computing and Signal Processing (ICSP), 2022. IEEE. P. 1863—1868.
  27. Yao G., Wang Y., Benbouzid M., Ait-Ahmed M. A hybrid gearbox fault diagnosis method based on GWO-VMD and DE-KELM // Appl. Sci. 2021. V. 11. No. 11. Art. no. 11.
  28. Ghosh S., Mitra A., Chakrabarti S., Sharma A. Data-driven strategy for appliance identification using phase-space reconstruction // IEEE Trans. Smart Grid. 2023.
  29. Ma J., Yang M., Lin Y. Ultra-short-term probabilistic wind turbine power forecast based on empirical dynamic modeling // IEEE Trans. Sustain. Energy. 2019. V. 11. No. 2. P. 906—915.
  30. Amiri A., Samet H., Ghanbari T. Recurrence plots-based method for detecting series Arc faults in photovoltaic systems // IEEE Trans. Ind. Electron. 2022. V. 69. No. 6. P. 6308—6315.
  31. Li Y., Cai D., Wang J., Sun X., Li Z., Zhang H., Wang N. Recurrence behavior statistics of blast furnace gas sensor data in industrial Internet of Things // IEEE Internet Things J. 2020. V. 7. No. 6. P. 5666—5676.
  32. Yang Z., Yan W., Jin L., Li F., Hou Z. A novel feature representation method based on original waveforms for acoustic emission signals // Mech. Syst. Signal Pr. 2020. V. 135. P. 106365.
  33. Zhang D., Ding W., Zhang B., Liu C., Han J., Doermann D. Learning modulation filter networks for weak signal detection in noise // Pattern Recogn. 2021. V. 109. P. 107590.
  34. Kostin V.N., Filatenkov D.Y., Chekasina Y.A., Vasilenko O.N., Serbin E.D. Features of excitation and detection of magnetoacoustic emission in ferromagnetic objects // Acoust. Phys. 2017. V. 63. P. 237—244.
  35. Kostin V.N., Vasilenko O.N., Filatenkov D.Y., Chekasina Y.A., Serbin E.D. Magnetic and magnetoacoustic testing parameters of the stressed–strained state of carbon steels that were subjected to a cold plastic deformation and annealing // Russ. J. Nondestruct. Test. 2015. V. 51. No. 10. P. 624—632.
  36. Piotrowski L., Chmielewski M., Kowalewski Z. On the application of magnetoelastic properties measurements for plastic level determination in martensitic steels // J. Electr. Eng. 2018. V. 69. No. 6. P. 502—506.
  37. Rudnytskyj A., Simon P., Jech M., Gachot C. Constitutive modelling of the 6061 aluminium alloy under hot rolling conditions and large strain ranges // Mater. Des. 2020. V. 190. P. 108568.
  38. Cai C., Alves M.M., Song R., Wang Y., Li J., Montemor M.F. Non-destructive corrosion study on a magnesium alloy with mechanical properties tailored for biodegradable cardiovascular stent applications // J. Mater. Sci. Technol. 2021. V. 66. P. 128—138.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Временная и частотная области смоделированного сигнала с шумом

Скачать (451KB)
Метаданные
3. Рис. 2. Схема эксперимента по ЭМАЭ

Скачать (323KB)
Метаданные
4. Рис. 3. Экспериментальная платформа

Скачать (953KB)
Метаданные
5. Рис. 4. Образец, используемый в эксперименте

Скачать (496KB)
Метаданные
6. Рис. 5. Амплитуда сигнала, полученного на образце из алюминиевого сплава 6061, во временной и частотной областях

Скачать (349KB)
Метаданные
7. Рис. 6. Амплитуда сигнала, полученного на образце из алюминиевого сплава 6061, во временной и частотной областях с гауссовым белым шумом

Скачать (375KB)
Метаданные
8. Рис. 7. Амплитуда сигнала, полученного на образце из алюминиевого сплава 6061, во временной и частотной областях после обработки методом ГАВР—КРКА

Скачать (287KB)
Метаданные
9. Рис. 8. Амплитуда сигнала, полученного на образце из магниевого сплава AZ31B, во временной и частотной областях с гауссовым белым шумом

Скачать (377KB)
Метаданные
10. Рис. 9. Амплитуда сигнала, полученного на образце из магниевого сплава AZ31B, во временной и частотной областях после обработки методом ГАВР—КРКА

Скачать (286KB)
Метаданные

© Российская академия наук, 2024