[发明专利]基于稀疏贝叶斯学习的超声导波多模态分离方法及其系统

说明书

本发明公开了一种基于稀疏贝叶斯学习的超声导波多模态分离方法及其系统，所述方法包括以下步骤：以信号s(t)作为激励施加到被测结构，获取被测结构的超声导波响应信号r(t)，所述超声导波响应信号一共包含P个超声导波模态，根据所获得的超声导波模态，按模态分别构建覆盖不同传播距离下的子传播字典D_i，并将其组合得到多模态复合传播字典D＝[D₁，D₂，…，D_P]；将超声导波响应信号r(t)在多模态复合传播字典D下进行稀疏表示，建立稀疏表示模型，利用稀疏贝叶斯学习算法求解以下模型：r＝Dw+n，并将其对应的子权重系数W₁，W₂，…W_P按模态逐个分离；将所述多模态复合传播字典D按模态分解，得到各模态下的单模态传播字典D₁，D₂，…，D_P，将各单模态传播字典与对应的子权重系数w_i相乘以得到第i个模态的单模态信号成分。

技术领域

本发明属于信号处理技术领域，特别是一种基于稀疏贝叶斯学习的超声导波多模态分离方法及其系统。

背景技术

超声导波相比常规超声波而言，能够传播更远的距离，且对结构的表面及内部损伤都敏感，现已成为结构健康监测和无损检测的重要工具。与声发射等被动式的监测技术不同的是，基于超声导波的结构健康监测技术是一种主动式的监测技术，不需依赖结构发出特征信息，而是通过主动激励并采集响应，从而评估结构的健康状态，是结构健康监测领域的重要及热点研究方向。

多模态是超声导波的固有特性。在任意激励频带范围内，结构中均存在两种或以上的导波模态。而随着频率的增大，结构中的导波模态数目会逐渐增加。导波的多模态现象对结构健康监测而言，有利亦有弊。其利在于，不同模态对不同形式的损伤或缺陷敏感程度不同，多模态有助于覆盖对更多类型损伤的监测，提升对结构损伤信息的全面获取；其弊在于，模态数目的增加，不同模态成分信号相互混叠，提升了信号处理的难度。故导波模态分离方法对于基于导波的结构健康监测而言十分重要。随着研究的不断深入，对超声导波模态分离的准确度也提出了越来越高的要求。

现有的超声导波模态分离方法主要有时频分析法和匹配追踪法。出现时间较早的是时频分析法，然而这类方法因受海参伯格不确定原理的制约，其时域和频域精度不能同时提高，因为不同模态在时频面上并不能很好地分离，因而限制了该类方法的精度和应用范围。而匹配追踪法需要人为给定稀疏度参数，但该参数实际上难有先验，且匹配追踪法抗干扰能力差。在实际应用中，以上算法会造成分离不完全或分离精度不高等缺陷，限制了基于超声导波的结构健康监测技术的发展和应用。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

发明内容

本发明的目的在于针对上述已有方法的不足，提出一种基于稀疏贝叶斯学习的超声导波多模态分离方法，在无需人为确定参数的条件下，提高模态分离的精度，避免因分离不准确而造成对结构损伤的误报和漏报。

本发明的目的是通过以下技术方案予以实现，一种基于稀疏贝叶斯学习的超声导波多模态分离方法包括以下步骤：

第一步骤中，以信号s(t)作为激励施加到被测结构，获取被测结构的超声导波响应信号r(t)，所述超声导波响应信号一共包含P个超声导波模态，其中，符号t表示时间变量；

第二步骤中，根据所获得的超声导波模态，按模态分别构建覆盖不同传播距离下的子传播字典D_i，并将其组合得到多模态复合传播字典D＝[D₁，D₂，…，D_P]；

第三步骤中，将超声导波响应信号r(t)在多模态复合传播字典D下进行稀疏表示，建立稀疏表示模型：