高压水射流靶物探测反射声优化处理方法

杨洪涛， 方传智

（安徽理工大学 机械工程学院，安徽 淮南 232001）

高压水射流作为一项迅速发展起来的新技术，不仅可以实现对靶物的高效切割，而且可以通过提取射流冲击靶物时产生的反射声信号特征值［1］对靶物的材质和几何尺寸进行识别与分类。由于利用传声器采集到的水射流反射声信号数据量大，含有噪声信号，要准确实时高效地识别靶物几何尺寸和材质，必须对反射声信号进行预处理，利用有效的方法进行信号降噪与分解，提取有用频率范围的信号进行特征值提取，以减少需处理的反射声信号数据量，提高实时性。

本文采用小波降噪方法对所采集的反射声信号进行预处理，利用小波包将降噪后的反射声信号分解成不同频率段信号。选择不同频率段信号，利用模极大值法对信号进行处理和比较，确定用于识别靶物几何尺寸的反射声信号的最优频率段。同时利用短时能量法分别计算不同频率段信号的能量分布值作为反映靶物材质的特征值，利用支持向量机和所提取的特征值进行靶物材质的识别，以最佳识别率作为判据，确定可以用于靶物材质的反射声信号的最优频率段，最终提取最优频率段信号用于识别分类。确定在特定频率段进行尺寸和材质识别，相对选用全部数据能减小数据处理量，有更高的识别效率。

1 反射声信号优化处理原理

1.1 小波降噪原理

在进行高压水射流实验时，由于受到阀、喷嘴和周围环境等因素影响，所采集的反射声信号包含多种噪声，所以必须对反射声信号进行降噪处理。由于噪声成分通常属于高频成分，可以利用设置小波分解的高频系数门限阈值对含噪反射声信号进行处理和重构，实现降噪［2］的目的。设含噪反射声信号为：

其中，yi为噪声信号；λ是噪声级；i是信号长度，i＝0，1，2，…，n－1。要从yi中恢复出原始信号xi，采用小波降噪的算法步骤如下：

（1）对yi进行正交小波变换。选择合适的小波和小波分解层数，将yi进行小波分解，得到相应的分解系数，包括低频和高频成分。

（2）对分解得到的小波系数进行阈值处理，根据文献［3］的结果，本文程序中采用软阈值。

（3）将经阈值处理过的小波系数重构，进行逆变换得到恢复的原始信号估计值。

1.2 小波包分解

小波包变换可以实现对高频部分提供精细的分解，因此可以对包含大量中、高频信息的信号进行更好的时频局部化分析［4］。高压水射流反射声信号中含有多种频率的复杂成分，所以利用小波包对上述降噪处理后的反射声信号按频率分解，能够准确分解出信号中包含的各种频率成分，用于后续的靶物几何尺寸识别和靶物材质分类。本文利用模极大值法对利用小波包分解出的各种频率范围信号分量进行处理［5］，分别用于识别靶物几何尺寸，最终确定可以用于靶物几何尺寸的反射声信号分量最佳频率范围。

小波包分解以一组正交小波为基，按照如图1所示的树形分解原理，按频率逐阶平均分解［6－7］，分解后的成分多少由选取的阶数定义，图1显示的是4阶16层，即最后按照总频率将信号平均分成了16份。

图1 小波包树形分解图

尺度函数是小波包分解的基础，尺度函数φ（t）满足双尺度方程（2）式，即

其中，h（k）、g（k）是由尺度函数φ（t）构造的、分别具有低通和带通频谱特性的滤波器，满足g（k）＝（－1）1－kh（1－k）。为了表示小波包函数，设

将尺度方程φ（t）代入（3）式计算得：

进而可以通过μ0、μ1、h、g将固定尺度的小波包函数推广如下：

1.3 短时能量法

高压水射流反射声信号是一个时变、非平稳信号，在10～30ms的短时范围内，可以近似看作准稳态信号，因此可以通过计算该段时间内的能量来反应信号的特征。根据文献［8］的结论，对应不同高压水射流靶物的反射声信号短时能量存在明显差异，因此可以采用短时能量法提取反射声信号的短时能量，作为反映靶物不同材质的特征值。

反射声信号x（n）的短时能量（假定加的窗函数长度为N）可以表示为：

其中，0≤m≤N－1。所加的窗函数为：

则短时能量可简化为：

1.4 支持向量机（SVM）原理简介

由于高压水射流需要进行探测的靶物具有不同的材质和几何尺寸，本文利用上述靶物对应的反射声信号中提取的短时能量作为分类依据，应用支持向量机（SVM）对地雷、石块、砖块3种靶物进行分类，确定识别效率，用于确定上述利用小波包分解的最佳频率范围的反射声信号分量。

SVM的基本思想是构造一个超平面作为分类判别平面，使2类数据样本之间的间隔最大［9－11］。对于线性可分样本集合｛xi，yi｝，i＝1，2，…，l，yi∈｛－1，1｝，xi∈Rd，有判别函数g＝yi（ωxi＋b）。若分类面对所有样本都满足g≥0，则此时分类间隔等于2／‖ω‖，间隔最大可以等价于‖ω‖2最小。满足g≥0且使‖ω‖2／2最小的分类面就是最优分类面H。通过非线性映射将输入空间变换到一个高维空间，仅使用高维空间中的内积，通过引入核函数，解决算法中复杂的非线性变换问题，得到的分类函数为：

其中，ai为对应的Lagrange乘子；K为核函数。常见的核函数有S形核函数、径向基核函数和多项式核函数，经过试验，本文采用效果较好的径向基核函数作为靶物材质分类的核函数。

高压水射流反射声信号处理流程如图2所示。

图2 反射声信号处理流程

2 实验装置及反射声数据采集

为了实现实时不失真测量，本文利用具有防水性能的ZL－301型声音传感器、PM10B－12型信号调理器和NI USB－6229型采集卡搭建数据采集系统，所搭建的实验系统如图3所示。

利用LabVIEW软件及其控件，根据上述信号处理流程编制数据采集与处理程序，分别对上述3种靶物进行实际探测，实时采集不同靶物的反射声信号。

图3 实验及数据采集系统

采集到的一组水射流打击石块的反射声信号及利用小波降噪的结果如图4所示，特征明显的前8层信号小波包分解的结果如图5所示。

图4 反射声信号的小波降噪结果

图5 对降噪后信号进行小波包分解

3 数据处理

3.1 靶物几何尺寸最佳频率声音分量的确定

对高压水射流靶物的几何尺寸进行精确判断时，需要利用反射声信号和模极大值法确定反映靶物边界的信号突变点。由于降噪过的反射声音仍然包含多种呈现较大突变的噪声信号，直接运用模极大值进行运算不能得到有效的反映靶物边界的信号突变点，必须利用小波包函数按频率对信号进行多层分解，对各层信号进行模极大值计算，最终确定边界最明显的频率分量作为最佳的频率分量。利用小波包函数对水射流打击石块得到的反射声信号进行4阶16层分解，前8层信号分量的模极大值分布如图6所示。

图6 小波包分解的各信号分量模极大值分布

利用上述模极大值计算结果分别找到靶物边 界点后，利用信号采样时间计算边界点之间的时间差，这样可以根据射流移动速度计算出靶物尺寸，其中射流移动速度由控制射流移动的计算机编程提供，为匀速80cm／min。经过与实际靶物尺寸进行对比分析，根据图6a和图6b识别出的边界点位置特征明显，计算出的靶物尺寸与实际尺寸相符。同理对所采集到的另外2种靶物（地雷、砖块）反射声信号进行处理，得到的结论与石块边界识别效果一致。

由于所采集的反射声信号频率范围是0～20kHz，小波包按照频率平均分解反射声信号，根据分层数16可以算出图6a、图6b对应的频率是0～2.5kHz，这就是用于判别靶物尺寸的反射声最优频率段。

3.2 材质判别的频率段确定

高压水射流靶物材质判别要求在复杂的情况下准确识别出各种靶物的材质。将信号进行4阶16层分解，并计算各层能量后进行归一化，然后将结果导入支持向量机算法进行识别分类，利用各层信号短时能量作为SVM算法的分类依据。分类结果见表1所列。

表1 SVM算法分类结果

从表1可以很明显地看出最后12层能量作为SVM分类依据，成功率远大于其他层数，所以取最后12层的能量作为材质判别的依据。文中选取的是针对地雷识别环境中出现的常用材质，其他材质如木头、玻璃等，通过多次数据计算，确定选取12层都能达到最好效果。根据采样定理滤波后的频率范围是0～20kHz，由于小波包是按照频率平均分解的，根据分层数16可以计算出后12层对应的频率是5～20kHz，这就是判别靶物尺寸的最优频率段。

4 结束语

本文利用小波理论对高压水射流冲击靶物时产生的反射声进行信号降噪与分解，对分解后的信号分量分别利用模极大值法进行处理和比较，确定用于识别靶物几何尺寸的反射声信号的最优频率段。同时利用短时能量法分别计算不同频率段信号的能量分布值作为反映靶物材质的特征值，利用支持向量机和所提取的特征值进行靶物材质的识别，以最高识别率作为判据，确定了可以用于靶物材质的反射声信号的最优频率段。从结果中可以看出，靶物尺寸识别适合采用低频信号，材质识别适合采用高频信号，这样可以对信号分别滤波，分为2种频率信号同步处理，可以减少需要处理的数据量，进行分时操作，提高靶物材质和尺寸的识别效率。

［1］杨洪涛，李 梦，孙玉玲，等.高压水射流反射声音信号实时采集与处理［J］.安徽理工大学学报：自然科学版，2011，31（2）：5－10.

［2］聂会星，梁 坤，徐枞巍.基于小波变换和支持向量机的人脸识别研究［J］.合肥工业大学学报：自然科学版，2011，34（2）：208－211.

［3］杨洪涛，王从东，张东速.高压水射流反射声音信号特征值提取 方 法 的 研 究 ［J］.中 国 机 械 工 程，2010，21（20）：2434－2437.

［4］周 伟.基于 MATLAB的小波分析应用［M］.西安：西安电子科技大学出版社，2010：10－11.

［5］黄雨青，王友仁，罗 慧，等.分数阶小波包时频域的信号去噪新方法［J］.仪器仪表学报2011，32（7）：1534－1539.

［6］张德丰.MATLAB小波分析［M］.北京：机械工业出版社，2009：158－160.

［7］邵忍平，曹精明，李永龙.基于EMD小波阈值去噪和时频分析的齿轮故障模式识别与诊断［J］.振动与冲击，2012，31（8）：96－101.

［8］金宝龙，李 辉，赵乃杰，等.一种新的小波阈值去噪方法［J］.弹箭与制导学报，2011，31（1）：167－169.

［9］李建武，陆 耀.一种快速多分类支持向量机实现策略［J］.模式识别与人工智能，2007，20（3）：301－307.

［10］王国锋，李启铭，秦旭达，等.支持向量机在刀具磨损多状态监测中的应用［J］.天津大学学报，2011，44（1）：35－39.

［11］郭小荟，马小平.基于 MATLAB的支持向量机工具箱［J］.计算机应用与软件，2007，24（12）：57－59.