ОПРЕДЕЛЕНИЕ ИМПУЛЬСНОГО ОТКЛИКА ДЕФЕКТОСКОПА ДЛЯ ДОСТИЖЕНИЯ СВЕРХРАЗРЕШЕНИЯ ИЗОБРАЖЕНИЯ ОТРАЖАТЕЛЕЙ ПО ЭХОСИГНАЛАМ, ИЗМЕРЕННЫМ АНТЕННОЙ РЕШЕТКОЙ

Обложка

Цитировать

Полный текст

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

Аннотация

При проведении ультразвукового контроля (УЗК) для восстановления изображения отражателей все чаще применяют метод цифровой фокусировки апертуры (ЦФА). Достоверность контроля определяется качеством ЦФА-изображения — отношением сигнал/шум, возможностью восстановить изображение всей границы отражателя и разрешающей способностью. Для достижения сверхразрешения эхосигналов используются различные способы: метод максимальной энтропии, методы построения авторегрессионых моделей сигналов, метод распознавания со сжатием (CS) и т.д. Для использования этих методов важно знать импульсный отклик системы УЗК, который можно измерить или получить с помощью методов «слепой» деконволюции, применяемых при обработке изображений и сигналов. В статье рассматривается метод минимальной энтропийной деконволюции (Minimum Entropy Deconvolution, MED) для оценки импульсного отклика ультразвукового дефектоскопа и достижения эффекта сверхразрешения изображений, где знание передаточной функции системы критично. Эффективность предложенного метода подтверждают результаты модельных экспериментов

Об авторах

Евгений Геннадиевич Базулин

ООО «Научно-производственный центр «ЭХО+»

Автор, ответственный за переписку.
Email: bazulin@echoplus.ru
Россия, 123458 Москва, ул. Твардовского, 8, Технопарк «Строгино»

Анна Андреевна Крылович

Московский Энергетический Институт

Email: KrylovichAA@mpei.ru
Россия, 111250 Москва, Красноказарменная ул., 14

Список литературы

  1. Базулин Е.Г. Сравнение систем для ультразвукового неразрушающего контроля, использующих антенные решетки или фазированные антенные решетки // Дефектоскопия. 2013. № 7. С. 51—75.
  2. Базулин А.Е., Базулин Е.Г. Деконволюция сложных эхосигналов методом максимальной энтропии в ультразвуковом неразрушающем контроле // Акуст. Журн. 2009. № 6. С. 772—783.
  3. Марпл-мл. С.Л. Цифровой спектральный анализ. М.: Мир, 1990. 584 с.
  4. Box G.E., Jenkins G.M. Time serial analysis. Forecasting and control. San-Francisco: Holden-dey, 1970. 553 p.
  5. Базулин Е.Г. Обработка TOFD-эхосигналов с целью достижения сверхразрешения // Дефектоскопия. 2021. № 5. С. 13—21.
  6. Граничин О.Н. Рандомизация измерений и l1-оптимизация // Стохастическая оптимизация в информатике. 2009. № 5. С. 3—23.
  7. Базулин Е.Г. Применение метода распознавания со сжатием для достижения сверхразрешения эхосигналов // Дефектоскопия. 2022. № 5. С. 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. Базулин Е.Г., Крылович А.А. Кепстральный анализ ультразвуковых эхосигналов, измеренных антенной решеткой, с целью получения изображения отражателей со сверхразрешением // Дефектоскопия. 2025. № 4. С. 3—15.
  11. Wiggins R.A. Minimum entropy deconvolution // Geoexploration. 1978. V. 16. № 1—2. P. 21—35.
  12. Рабинович Е.В. Методы и средства обработки сигналов / Учеб. пособие. Новосибирск: Изд-во НГТУ, 2009. 144 с.
  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: 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. Официальный сайт фирмы «ЭХО+»: https://echoplus.ru/ (дата обращения: 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

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Российская академия наук, 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».