轧辊内部缺陷超声信号预处理方法研究

《Sensors》：Study on Preprocessing Methods for Ultrasonic Signals from Internal Defects in Rolls

　　

准确检测轧辊内部缺陷对于工业安全和产品质量至关重要。超声检测（Ultrasonic Testing, UT）是一种广泛用于此目的的主流无损检测方法。然而，在实际应用中，超声回波信号常常受到背景杂波（background clutter）的干扰。当缺陷位于表面附近时，弱缺陷回波往往与表面回波耦合，使得信号提取困难，并降低了后续特征提取和分类的准确性。该论文提出了一种新颖的超声信号预处理方法，旨在提升后续缺陷识别模型的性能。该方法首先使用数字超声探伤仪（digital ultrasonic flaw detector）从缺陷区域获取超声信号，并从无缺陷区域获取背景杂波参考信号。然后应用改进的中值滤波器（improved median filter）去除尖峰干扰和边界异常值。在此基础上，构建了多级有限脉冲响应滤波器（multi-stage Finite Impulse Response, FIR filter），并采用粒子群优化（Particle Swarm Optimization, PSO）自适应优化滤波器参数，实现了背景杂波的精确估计。最后，通过信号相减得到杂波抑制后的缺陷信号。在包含圆柱形人工缺陷（直径8 mm，长度30 mm）的5000个样本（2500个有缺陷，2500个无缺陷）数据集上的实验结果表明，采用相同的特征提取和分类模型（卷积神经网络, CNN）时，经所提方法预处理的信号在缺陷识别准确率上优于传统中值滤波和小波去噪（wavelet denoising）方法，相对于中值滤波提高了约38个百分点，相对于小波去噪提高了约20个百分点，同时实现了高召回率，验证了该方法在增强轧辊内部缺陷检测方面的有效性。

轧辊作为钢铁轧制、管道加工等工业领域的核心承载部件，其内部缺陷（如裂纹、气孔、疏松）直接决定服役寿命并威胁生产安全，因此精确检测至关重要。当前，超声检测是主流无损检测方法，但在实际检测中，超声回波信号受多种因素干扰，尤其是近表面缺陷的回波与表面回波发生非线性耦合，导致弱缺陷信号被掩盖，此外探头与轧辊表面不稳定耦合引入尖峰脉冲噪声，进一步增加杂波估计偏差。现有滤波方法（如频率滤波、均值滤波、维纳滤波、自适应时频滤波、变分模态分解等）各有局限，无法同时解决因探头耦合不稳定导致的尖峰脉冲噪声和与弱缺陷回波非线性耦合的时变背景杂波这两大关键挑战。为此，研究人员提出一种结合改进中值滤波与粒子群优化（PSO）多级有限脉冲响应（FIR）滤波器的新型预处理方法。该方法首先通过改进中值滤波（引入动态异常值纠正机制）抑制尖峰脉冲和边界异常值，再利用PSO算法优化多级FIR滤波器权重向量，实现背景杂波的精确估计并通过相减获得干净的缺陷回波信号。实验基于#45钢轧辊试件（长400 mm，直径130 mm，含人工圆柱缺陷直径8 mm、长度30 mm、深度10 mm），使用KY-CT350B数字超声探伤仪和2.5 MHz直探头采集5000个样本（2500有缺陷，2500无缺陷），在MATLAB R2023b环境下进行信号处理和CNN分类器训练。研究结果表明：该方法在窗口半径12时取得最优信噪比（SNR）和均方根误差（RMSE）平衡；多级FIR滤波器阶数5可使目标函数和AIC达到良好折中；PSO在收敛速度和求解精度上优于遗传算法（GA）和模拟退火（SA）算法；与中值滤波、维纳滤波、小波去噪相比，所提方法的准确率（0.983±0.01）、精确率（0.995±0.01）、召回率（0.971±0.01）、F1分数（0.983±0.01）和AUC（0.998±0.01）均显著提升，且标准差极小，表现出强鲁棒性。在实际工业场景中，该方法结合自动扫描流程，将单个轧辊检测时间从约30分钟降至5分钟，验证了工程可行性。论文结论确认该方法有效解决了背景杂波干扰和弱缺陷回波提取难题，但当前滤波器阶数和PSO参数仍依赖实验设定，未来可发展自适应参数选择策略、端到端轻量深度学习去噪模型，并推广到其他大型金属构件（如钢轨、管道）的超声无损检测中。
**研究背景与问题**
工作轧辊作为钢铁轧制、管道加工等工业领域的核心承载部件，其内部缺陷（如裂纹、气孔、疏松）直接决定服役寿命并威胁生产安全。准确检测内部缺陷对于避免生产线停机和安全事故至关重要。超声检测（Ultrasonic Testing, UT）因其检测范围广、方向性好、灵敏度高而成为主流无损检测方法，其原理是通过分析超声在轧辊中传播的反射与折射变化评估材料特性和内部结构异常。然而，实际检测中超声回波信号常受多种因素干扰：信号不仅包含表面回波、底波和缺陷回波，还包含大量噪声；尤其当缺陷位于表面附近时，缺陷回波与表面回波发生非线性耦合，弱缺陷回波被掩盖，严重限制缺陷提取精度。此外，探头与轧辊表面不稳定耦合在信号采集过程中引入尖峰脉冲噪声（“毛刺”），进一步增大杂波估计偏差并干扰后续处理。现有滤波方法如频率滤波、均值滤波、传统中值滤波、维纳滤波等均存在显著局限性，无法同时解决尖峰脉冲噪声和时变背景杂波耦合问题。因此，有必要探索更适用于超声信号非平稳特性的预处理方法。

**研究内容与结论**
为填补上述空白，研究人员提出了一种结合改进中值滤波与粒子群优化（PSO）多级有限脉冲响应（FIR）滤波器的新型预处理方法。该方法首先通过改进中值滤波器（引入动态异常值纠正机制，窗口半径经系统性实验确定为12）有效抑制尖峰脉冲和边界异常值；然后构建阶数为5的多级FIR滤波器，并利用PSO算法自适应优化滤波器权重向量，从无缺陷参考信号中精确估计背景杂波；最后通过信号相减获得干净缺陷回波信号。实验在基于万能车床改装的轧辊超声检测平台上进行，采用#45钢轧辊试件（长400 mm、直径130 mm），内部含CNC钻孔制成的人工圆柱缺陷（直径8 mm、长度30 mm、深度10 mm），使用KY-CT350B数字超声探伤仪和2.5 MHz直探头采集5000个样本（2500有缺陷，2500无缺陷）。所有信号处理与算法实现均在MATLAB R2023b环境中完成。结论表明，在相同卷积神经网络（CNN）分类器下，经所提方法预处理的信号在准确率（0.983±0.01）、精确率（0.995±0.01）、召回率（0.971±0.01）、F1分数（0.983±0.01）和AUC（0.998±0.01）指标上均显著优于传统中值滤波、维纳滤波和小波去噪方法，且标准差极小，展现出强鲁棒性。在实际工业场景中，该方法结合自动扫描流程，将单个轧辊检测时间从约30分钟降至5分钟，验证了工程可行性。该论文发表在《Sensors》。

**主要关键技术方法**
研究人员采用了以下关键技术方法：（1）改进中值滤波：引入动态异常值纠正机制，对滤波窗口内非中心位置且幅值超过三倍中值的采样点（因探头不稳定耦合导致的高幅异常点）替换为三倍中值，窗口半径经信噪比（SNR）和均方根误差（RMSE）实验优选为12；（2）多级有限脉冲响应（FIR）滤波器：构建阶数为5（经目标函数J和Akaike信息准则（AIC）实验确定）的FIR滤波器，基于卷积运算生成背景杂波估计；（3）粒子群优化（PSO）算法：将FIR滤波器权重向量求解转化为全局优化问题，目标函数为杂波估计与缺陷信号残差的均方误差，经与遗传算法（GA）和模拟退火（SA）比较，PSO在收敛速度和求解精度上最优，得到最优权重向量K_s = [0.9671, 0.0162, 0.0069, 0.0014, 0.0002]。样本数据采集自#45钢轧辊试件，含CNC钻孔人工缺陷，共5000个样本（2500有缺陷，2500无缺陷）。

**研究结果**
**4.1 窗口参数实验**
通过考察窗口半径从7增加到20时信噪比（SNR）和均方根误差（RMSE）的变化趋势，发现窗口半径越大噪声抑制效果越好，但边际增益逐渐减小。窗口半径12处（SNR = 9.94 dB，RMSE = 0.1128）恰好位于性能改善从显著变为边际的转折点，因此被确定为改进中值滤波器的最佳窗口半径。

**4.2 滤波器阶数实验**
使用最小二乘法测试滤波器阶数d = 2至10，以目标函数J（预估偏差程度）和AIC（Akaike信息准则，权衡模型复杂度与拟合优度）为指标。阶数从2增至5时，J相对降幅约为1.4%–1.5%；阶数超过5后降幅锐减（0.65%以下），AIC减小速率也显著减慢。因此，阶数5被选为多级FIR滤波器的优化阶数。

**4.3 智能优化算法比较实验**
在相同目标函数评价次数（3000次）和独立运行50次的条件下，比较PSO、遗传算法（GA）和模拟退火（SA）的收敛性能。PSO的均目标函数值为149.366 ± 0.023，GA为150.325 ± 1.091，SA为161.412 ± 5.519。Wilcoxon符号秩检验表明PSO与GA、PSO与SA之间的差异具有高度统计显著性（p << 0.01）。收敛曲线显示PSO在较少评价次数内快速下降至低目标函数值，而SA收敛最慢且波动大。因此PSO被选为多级FIR滤波器的优化方法。

**4.4 预处理方法比较实验**
将所提PSO方法与传统中值滤波、维纳滤波和小波去噪预处理后的信号分别输入相同结构的CNN分类器，采用五折交叉验证评估。所提方法在准确率（0.983±0.01）、精确率（0.995±0.01）、召回率（0.971±0.01）、F1分数（0.983±0.01）和AUC（0.998±0.01）上均显著优于传统方法，且标准差极小（约0.01），而传统方法标准差高达0.22–0.45，表现出极强的不稳定性。ROC曲线显示所提方法最接近左上方，AUC接近理想值。

**4.5 案例验证**
将所提方法部署于实际轧辊超声在线检测系统（基于万能车床改装），对#45钢轧辊试件进行自动扫描检测。五折交叉验证结果直接反映实际检测能力：准确率0.983、召回率0.971、精确率0.995、F1分数0.979、AUC-ROC 0.998。自动扫描流程下单个轧辊全面检测约需5分钟，相比人工检测（约30分钟）效率提升83%，验证了方法的工程可行性与实际应用潜力。

**讨论与结论**
研究结论部分翻译如下：
本文针对轧辊内部缺陷超声检测中背景杂波干扰严重、近表面弱缺陷回波难以提取的挑战，提出了一种集成改进中值滤波与基于粒子群优化（PSO）的多级FIR滤波器的信号预处理方法。该方法在传统中值滤波基础上引入动态边界异常值纠正机制以抑制尖峰脉冲和耦合干扰，并利用PSO算法自适应确定多级FIR滤波器的最优权重向量，实现了背景杂波的精确估计和缺陷信号的可靠分离。实验结果表明，改进中值滤波器在最佳窗口半径下实现了噪声抑制与信号保真度的良好平衡，PSO算法在收敛速度和求解精度上均优于遗传算法和模拟退火算法。在相同CNN分类器下，所提方法在准确率、精确率、F1分数和AUC关键指标上均超越了中值滤波、维纳滤波和小波去噪，ROC曲线最接近左上方，分类鲁棒性显著更优。在实际工业场景中，所提方法结合自动扫描流程，有效缩短了单个轧辊的检测时间，并显著提高了缺陷检出率，验证了其在实际工况下的有效性和工程可行性。目前该方法主要针对特定检测条件下的轧辊超声信号开发，滤波器阶数和PSO算法参数仍依赖实验设定，对不同工况的适应性有待加强。未来可研究以下方向：开发滤波器参数自适应选择策略以增强对不同轧辊材料、尺寸和探头频率的泛化能力；探索端到端轻量级深度学习去噪模型，减少对人工特征提取的依赖；将所提方法扩展至钢轨、管道等其他大型金属构件的超声无损检测；加速算法并部署于嵌入式平台以满足工业现场实时在线检测需求。此外，针对近表面缺陷检测挑战，可结合盲区反卷积技术开展专门研究，进一步增强该方法对近表面微小缺陷的检测能力。