تخمين بهينه ضرايب مدل سيگنال فراصوتي با تركيب الگوريتم‌هاي بهينه‌سازي گروه ذرات و گوس-نيوتن

Optimal parameter estimation of ultrasonic signals by using a combination of particle swarm optimization and gauss-newton algorithms

در يك آزمون فراصوتي پژواك هاي بازگشتي از درون قطعه داراي اطلاعات مفيد و ارزشمندي در مورد مشخصات هندسي و ريزساختاري قطعه هستند. اين اكوهاي فراصوتي را مي‌توان با استفاده از مدل پالس گوسي، كه داراي پنج پارامتر مستقل است، مدل‌سازي كرد. براي مدل‌سازي دقيق يك اكو، پارامترهاي پالس گوسي بايد هر چه دقيق‌تر از روي اكوي واقعي محاسبه شوند. الگوريتم هاي متفاوتي براي تخمين اين پنج پارامتر وجود دارد. در اين پژوهش از سه روش بهينه سازي گوس-نيوتن (GN)، گروه ذرات (PSO) و الگوريتم ژنتيك (GA) براي اين منظور استفاده خواهد شد و مزايا و معايب هر يك از اين روش ها با مثال هايي بررسي خواهد شد و در نهايت با تركيب اين الگوريتم ها مزاياي يك الگوريتم، جايگزين معايب الگوريتم ديگر خواهد شد. در مورد سيگنال هايي كه داراي چندين پژواك فراصوتي هستند از اصل حداقل طول توصيف (MDL) براي تخمين تعداد اكوها استفاده شده است و براي تسهيل تخمين پارامترهاي تمامي پژواك ها از الگوريتم بيشينه سازي اميد تعميم يافته با فضاي تناوبي (SAGE) استفاده خواهد شد. براي ارزيابي كارآيي الگوريتم ها نيز سيگنال هاي شبيه سازي شده و آزمايشي در حالت هايي كه اكوها همپوشاني داشته و يا بدون همپوشاني هستند مورد بررسي قرار خواهد گرفت. الگوريتم تركيبي در تمامي شرايط مورد مطالعه بهتر از الگوريتم‌هاي منفرد عمل كرده است.

The echoes obtained from ultrasonic testing of materials contain valuable information about the geometry and grain structure of the test specimen. These echoes can be modeled by Gaussian pulses in a model-based estimation process. For precise modeling of an echo, the parameters of the Gaussian pulse should be estimated as accurately as possible. There are a number of algorithms that can be used for this purpose. In this study, three different algorithms are used: Gauss-Newton (GN), particle swarm optimization (PSO), and genetic algorithm (GA). The pros and cons of each of these three algorithms are reviewed and by combining them, the benefits of each algorithm are used while its shortcomings are avoided. For signals containing multiple echoes, the minimum description length (MDL) principle is used to estimate the numbers of required Gaussian echoes followed by space alternating generalized expectation maximization (SAGE) technique to translate it to separate echoes and to estimate the parameters of each echo. The performance of the proposed algorithms for simulated and experimental signals with overlapping and non-overlapping echoes is evaluated and is shown to be quite effective.