基于FPGA的超声无损检测应用自适应噪声消除的.docVIP

基于FPGA对于超声无损检测应用的自适应噪声消除 摘要——自适应滤波器广泛应用于干涉消除，预测，逆反推演和识别。在本文中，我们学习在超声无损检测中自适应滤波器基于FPGA的自适应噪声的消除。仿真和实验结果说明，通过自适应滤波器后，有效减少了来自微结构材料里面的背散射噪声。此外，还讨论和比较了在FPGA中滤波器实现的四种不同架构。这种类型的学习可以有很宽广的应用，例如目标探测，目标定位以及图样识别。 关键字：FPGA，无损检测，自适应滤波器，超声背散射信号； 简介 在雷达，声纳，医用超声波，以及工业超声【1-4】应用中，探测信号通常包含来自于大地、海洋，散射或者微结构内部材料的背散射回声。这些回声是高重叠的且主要取决于传输通道的复杂物理特性。从探测信号中提取出有用的信息是非常困难的，尤其是在目标定位，探伤验，目标识别等应用中。 在超声无损检测中，背散射噪声主要来自于晶粒。这些晶粒有不规则的边界，大小以及随机方向。由于高密度散射晶粒，探伤或者探测信号代表可能不能识别。很多研究结果用来抑制晶粒噪声和处理超声数据。泼谱处理（SSP），离散小波变换（DWT），离散哈达玛变换（DHT），离散余弦变换（DCT），以及线调频小波变换被用来超声波信号处理【5-11】。此外，非线性秩序统计滤波器，神经网络，以及形态学处理已经被开发【12-15】。由此可知，适合于超声数据的信号处理技术是很受欢迎的。 自适应滤波器广泛应用于干涉消除，预测，逆反推演以及识别等不同应用。然而，这里没有对超声波背散射信号分析做太多的讨论。 最小二乘法（LMS）和递归最小二乘法（RLS）通常适合于实现自适应滤波器【16-17】。在【18】，标准化最小二乘法用来探索超声波背散射信号。在【19-20】，自适应滤波器用于超声波无损探测信号和医用双螺旋影像。在【21】，进行了自适应滤波器在超声波无损检测信号中的仿真研究。标准化最小二乘法和递归最小二乘法计算运用于超声波数据。在本文，基于FPGA的自适应噪声消除用来探究超声波无损检测应用。讨论和比较不同实现结构的自适应滤波器。这种类型的研究有利于宽广范围的应用，尤其是对于实时自适应滤波的硬件实现。 本文的编排如下：第二部分简短的回顾了自适应滤波器，尤其是关于超声波信号处理的标准化最小二乘法。第三部分讨论了基于FPGA的自适应噪声消除系统的设计思路以及包含了不同滤波器实现结构。第四部分展示了软件仿真和硬件电路实现结果。第五部分总结全文。 超声波信号的自适应滤波 在自适应滤波器中（如图1），d（n）给系统提供一个基本的输入，x（n）是自适应滤波器的输入信号，y（n）是自适应滤波器的输出信号，错误信号e（n）是d（n）和y（n）之差。 则滤波器的输出y(n)为： 这里矢量 表示随着时间变化的L-tap自适应滤波器的系 数，表示这个滤波器的输入量，表示转置操作。 滤波器系数w(n)适应于系统的最小化均方误差函数J(n)，如下： 这里自相关矩阵由定义，互相关矩阵由定义。 为此，J(n)的偏导数与滤波器系数相关，W(n)被设为0. 方程（3）的解可以写为： 由于要对每个新数据样本进行矩阵反转计算，方程（4）的计算量是非常大的。因此，通常用一种迭代运算来修正滤波器系数W(n)。 NLMS是一种用于自适应滤波器的典型算法。滤波器系数矢量修正如【17-18】 η是控制滤波器收敛速度的学习因子。它可以被修正为： 这里σ是一个很小的值来限制学习速率，且p(n)是预计的信号能量。p(n)可以被写为： 这里ξ是p(n)的遗忘因子。 在自适应噪声消除中，基本输入d(n)和参考输入x(n)可以被定义为： 这里d(n)是被噪声g1(n)污染了的信号；g2(n)是参考噪声输入。 在噪声消除中，参考噪声g2(n)总是适应于系统。在超声应用中，颗粒噪声与传感器的位置有很强的关系。换句话说，我们很难从颗粒回声中分离缺陷回波，且自适应滤波器很难得到一个干净的参考颗粒信号。因此，包含相关缺陷的回声和不同等级的颗粒噪声的超声波数据用于自适应滤波。 一个超声波数据采集系统建设来接收实验性的背散射数据，这个数据是用一个5MHz换能器和100MHz采样率。样本是一个有平坦底部有洞的钢滑车。NLMS自适应滤波器用来处理已接收到的超声波数据[18,21]。6-tap滤波器的计算结果如图2所示。 我们可以看到NLMS自适应滤波器大大提高了信号和颗粒噪声之间的比率，大约提高了12dB（图2c），并且成功探测到了