DETERMINATION OF FLAW DETECTOR IMPULSE RESPONSE TO ACHIEVE SUPERRESOLUTION OF REFLECTOR IMAGES FROM ECHO SIGNALS MEASURED BY ANTENNA ARRAY

Мұқаба

Дәйексөз келтіру

Толық мәтін

Ашық рұқсат Ашық рұқсат
Рұқсат жабық Рұқсат берілді
Рұқсат жабық Тек жазылушылар үшін

Аннотация

In ultrasonic inspection, digital aperture focusing (DAF) is increasingly being used to reconstruct reflector images. The reliability of inspection is determined by the quality of the DFA image — signal-to-noise ratio, ability to reconstruct the image of the entire reflector boundary, and resolution. Various methods are used to achieve super-resolution of echoes: maximum entropy method, methods of building autoregressive signal models, compressive sensing (CS) method, etc. To use these methods, it is important to know the impulse response of the ultrasound system, which can be measured or obtained using “blind” deconvolution methods used in image and signal processing. In this paper we consider the Minimum Entropy Deconvolution (MED) method for estimating the impulse response of an ultrasonic flaw detector and achieving the effect of image super-resolution, where knowledge of the transfer function of the system is critical. The effectiveness of the proposed method is confirmed by the results of model experiments

Авторлар туралы

Evgeny Bazulin

ECHO+ Research and Production Center LLC

Хат алмасуға жауапты Автор.
Email: bazulin@echoplus.ru
Ресей, 123458 Moscow, Tvardovskiy str., 8, Strogino Technopark

Anna Krylovich

Moscow Power Engineering Institute

Email: KrylovichAA@mpei.ru
Ресей, 111250 Moscow, Krasnokazarmennaya str., 14

Әдебиет тізімі

  1. Bazulin E.G. Comparison of Systems for Ultrasonic Nondestructive Testing Using Antenna Arrays or Phased Arrays // Defectoskopiya. 2013. No. 7. P. 51—75.
  2. Bazulin A.E., Bazulin E.G. Deconvolution of Complex Echo Signals by the Maximum Entropy Method in Ultrasonic Nondestructive Testing // Akusticheskii Zhurnal. 2009. No. 6. P. 772—783.
  3. Marple Jr. S.L. Digital Spectral Analysis. Moscow: Mir., 1990. 584 p. (In Russian, translated from English).
  4. Box G.E., Jenkins G.M. Time serial analysis. Forecasting and control. San-Francisco: Holden-dey, 1970. 553 p.
  5. Bazulin E.G. Processing of TOFD Echo Signals for Superresolution Achievement // Defectoskopiya. 2021. No. 5. P. 13—21.
  6. Granichin O.N. Randomization of Measurements and l1-Optimization // Stochastic Optimization in Informatics. 2009. No. 5. P. 3—23.
  7. Bazulin E.G. Application of Recognition with Compression Method for Superresolution in Echo Signals // Defectoskopiya. 2022. No. 5. P. 24—36.
  8. Boget B.P., Healy M.J.R., Tukey J.W. The Quefrency Alanysis of Time Series for Echoes: Cepstrum, Pseudo-Autocovariance, Cross-cepstrum and Saphe Cracking / Proceedings of Symposium on Time Series Analysis by Rosenblatt. M., 1963. P. 209—243.
  9. Randall R.B. A history of cepstrum analysis and its application to mechanical problems // Mechanical Systems and Signal Processing. 2017. V. 97. P. 3—19.
  10. Bazulin E.G., Krylovich A.A. Cepstral Analysis of Ultrasonic Echo Signals Measured with an Antenna Array for Superresolution Imaging of Reflectors // Defectoskopiya. 2025. No. 4. P. 3—15.
  11. Wiggins R. A. Minimum entropy deconvolution // Geoexploration. 1978. V. 16. № 1—2. P. 21—35.
  12. Rabinovich E.V. Signal Processing Methods and Tools / Textbook. Novosibirsk: NSTU Publishing House, 2009.144 p. (In Russian).
  13. McDonald G.L., Qing Zhao. Multipoint Optimal Minimum Entropy Deconvolution and Convolution Fix: Application to vibration fault detection // Mechanical Systems and Signal Processing. 2017. V. 82. P. 461—477.
  14. Cabrelli C. A. Minimum entropy deconvolution and simplicity: A noniterative algorithm // Geophysics. 1985. V. 50. No. 3. P. 394—413.
  15. Li T., Kou Z., Wu J., Yahya W., Villecco F. Multipoint optimal minimum entropy deconvolution adjusted for automatic fault diagnosis of hoist bearing // Shock and Vibration. 2021. V. 2021. No. 1. P. 1—15. DOI: doi: 10.1155/2021/6614633
  16. McDonald G.L., Zhao Q., Zuo M.J. Maximum correlated Kurtosis deconvolution and application on gear tooth chip fault detection // Mechanical Systems and Signal Processing. 2012. V. 33. P. 237—255.
  17. Echo+ Company Official Website. URL: https://echoplus.ru (accessed: 25.05.2025).
  18. Shristi Mishra, Deepika Sharma. A review on curvelets and its applications / In: Raju Pal and Praveen Kumar Shukla (eds). SCRS Conference Proceedings on Intelligent Systems, SCRS, India, 2022. P. 213—220. doi: 10.52458/978-93-91842-08-6-20
  19. Naghizadeh M., Innanen K.A. Seismic data interpolation using a fast generalized Fourier transform // Geophysics. 2011. V. 76. doi: 10.1190/1.3511525

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML

© Russian Academy of Sciences, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».