CN111272886A - 一种基于卷积神经网络的压力容器损伤定位方法 - Google Patents

一种基于卷积神经网络的压力容器损伤定位方法 Download PDF

Info

Publication number
CN111272886A
CN111272886A CN202010211754.7A CN202010211754A CN111272886A CN 111272886 A CN111272886 A CN 111272886A CN 202010211754 A CN202010211754 A CN 202010211754A CN 111272886 A CN111272886 A CN 111272886A
Authority
CN
China
Prior art keywords
neural network
signal
convolutional neural
ultrasonic guided
guided wave
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010211754.7A
Other languages
English (en)
Inventor
轩福贞
胡超杰
杨斌
颜建军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China University of Science and Technology
Original Assignee
East China University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by East China University of Science and Technology filed Critical East China University of Science and Technology
Priority to CN202010211754.7A priority Critical patent/CN111272886A/zh
Publication of CN111272886A publication Critical patent/CN111272886A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/36—Detecting the response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/42—Detecting the response signal, e.g. electronic circuits specially adapted therefor by frequency filtering or by tuning to resonant frequency
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/0289—Internal structure, e.g. defects, grain size, texture
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/26—Scanned objects
    • G01N2291/269—Various geometry objects
    • G01N2291/2695—Bottles, containers

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Monitoring And Testing Of Nuclear Reactors (AREA)

Abstract

本发明公开了一种基于卷积神经网络的压力容器损伤定位方法，包括以下步骤：步骤S1，对压力容器进行区域网格划分并对划分后的每个网格进行编号；步骤S2，对划分后的每个网格进行模拟压力容器损伤；步骤S3，通过所述信号控制及保存***扫查压力容器以采集超声导波信号大数据集；步骤S4，对采集后的超声导波信号进行中心化及归一化处理；步骤S5，对处理后的超声导波信号进行滤波、降噪处理；步骤S6，将每次扫查采集的所有超声导波信号进行组合；步骤S7，对数据集进行分类，并利用分类后的训练数据集对卷积神经网络进行训练。根据本发明，其通过结合深度卷积神经网络及超声导波技术，自适应地提取超声导波信号特征，提高损伤定位精度及抗干扰能力。

Description

一种基于卷积神经网络的压力容器损伤定位方法
技术领域
本发明涉及深度学习及超声导波结构健康监测领域，特别涉及一种基于卷积神经网络的压力容器损伤定位方法。
背景技术
压力容器是指盛装气体或者液体，并承载一定压力的密闭设备。随着我国工业化进程的不断加快，压力容器等承压装备在石油化工、冶金、核电、航空航天、海洋等部门及工程领域的应用越来越广泛，是工业生产过程中不可或缺的核心部件。承压装备长期在苛刻的工作环境下运行，运行温度及运行压力范围广泛，工作介质常常具有腐蚀性，并且承受着动、静或者交变载荷的作用。严苛的工作环境会导致压力容器装备出现目视不可见的损伤，进而导致结构失效***等灾难性后果。事故一旦发生，会对人民的生命财产安全造成巨大损失，因此有必要开展针对压力容器的结构健康监测技术研究，进而在运行阶段保证结构安全，在维护阶段降低维修成本。
目前无损检测技术已广泛应用于压力容器设备的结构健康监测中，该技术可以在不破坏待检测对象本身使用性能的情况下，通过超声、红外、电磁、射线以及涡流等方法的辅助，检测出零件或者设备的缺陷并确定其位置及大小。但是传统无损检测技术的局限性较大，仅能在设备停机、结构停用的情况下进行离线检查；并且检测面积小，进而导致了成本的提升，影响生产效率；不仅如此，这些检测方法常常依赖于操作人员的专业水平，越来越无法满足工业发展的需求。与之相比，基于超声导波的结构健康监测技术由于其灵敏度高、传播距离远、可检测面积大、能在设备不停机的情况下进行实时在线监测，近年来越来越受到国内外学者的关注。该技术通过驱动传感器在机构中激励超声导波信号监测结构状态，一旦结构出现损伤，超声导波信号会与缺陷发生相互作用，并且产生反射、散射等现象，通过接受传感器获取反射、散射信号，并进行数据处理、特征提取，进而获得结构的健康状况。
基于超声导波的结构健康监测技术可有效的实现对压力容器的实时在线监测。该技术的关键在于如何通过合理的数据分析及特征提取，获得超声导波信号携带的损伤信息。传统的超声导波信号分析方法主要有时域分析方法，如Hilbert变换、相关性分析等；频域分析方法，如傅里叶变换，滤波等；时频分析方法，如小波变换，短时傅里叶变换等。这些方法均建立在人工提取损伤特征的基础上，通过浅层的信号特征进行损伤定位、分析损伤信息。这就存在了无法有效提取全部特征，损伤信息丢失的情况。
有鉴于此，实有必要开发一种基于卷积神经网络的压力容器损伤定位方法，用以解决上述问题。
发明内容
针对现有技术中存在的不足之处，本发明的主要目的是，提供一种基于卷积神经网络的压力容器损伤定位方法，其通过结合深度卷积神经网络及超声导波技术，自适应地提取超声导波信号特征，提高损伤定位精度及抗干扰能力。
为了实现根据本发明的上述目的和其他优点，提供了一种基于卷积神经网络的压力容器损伤定位方法，包括以下步骤：
步骤S1，对压力容器进行区域网格划分并对划分后的每个网格进行编号；
步骤S2，对划分后的每个网格进行模拟压力容器损伤，并在压力容器上设置信号控制及保存***；
步骤S3，通过所述信号控制及保存***扫查压力容器以采集超声导波信号大数据集；
步骤S4，对采集后的超声导波信号进行中心化及归一化处理；
步骤S5，对处理后的超声导波信号进行滤波、降噪处理；
步骤S6，将每次扫查采集的所有超声导波信号进行组合，以获得卷积神经网络的训练数据集；
步骤S7，对获得的训练数据集进行分类，并利用分类后的训练数据集对卷积神经网络进行训练，通过调整卷积层的层数及卷积神经网络的模型学习率来优化卷积神经网络的模型参数，最终实现损伤定位。
可选的，在步骤S1中，为使损伤定位区域细化，分别对压力容器的筒体及封头进行区域网格划分。
可选的，在步骤S2中，采用在每个网格上粘贴金属块的方式来影响超声导波信号，进而来模拟压力容器损伤。
可选的，步骤S2中的所述信号控制及保存***包括：
布置于压力容器上的至少一组超声导波传感器阵列，每组所述超声导波传感器阵列均由多个超声导波传感器组成，两两所述超声导波传感器构成多个传感器子集，每个传感器子集中的其中一个超声导波传感器受激励发出超声导波信号，另一个超声导波传感器则用于接收该超声导波信号；
控制装置，用于输出控制信号并对反馈回来的所述超声导波信号进行接收、存储及后处理；
信号发生器，接收所述控制信号后激发并输出电信号；
信号开关，用于接收所述电信号后向传感器子集中的其中一个超声导波传感器传递所述电信号并随后接收另一个超声导波传感器的超声导波信号，最终将所述超声导波信号传递给所述控制装置。
可选的，所述信号控制及保存***还包括放大单元，用于放大所述信号发生器的电信号。
可选的，所述信号控制及保存***还包括示波器，用于在所述超声导波信号导入控制装置前将电信号转换为模拟信号。
可选的，所述超声导波传感器设于区域网格划分后的网格节点上。
可选的，在步骤S4中，先对采集后的超声导波信号进行中心化处理，以消除硬件设备带来的信号基线漂移现象；随后对中心化处理后的信号数据进行归一化处理，以加快模型的收敛速度；其中，中心化处理方程为：x←x-E(x)，E(x)为采集的数据样本均值，最大最小值归一化方程为：
Figure BDA0002423065390000031
X为原始数据，Xmax、Xmin分别为导波信号的最大值和最小值，Xnorm为归一化处理后的值。
可选的，在步骤S5中，首先进行高通、低通滤波操作，滤波范围需要根据传感器带宽设置；然后对滤波后的导波信号进行小波降噪处理。
可选的，在步骤S6中，考虑压力容器健康信号在内，每个传感器阵列分别获得足够多的导波数据，按照传感器阵列激发顺序进行损伤数据组合，建立大数据集训练样本用于卷积神经网络训练；在步骤S7中，采用基于VGG模型(Visual Geometry Group)的深层卷积神经网络，通过数据集对模型的训练调整模型参数，选择最优卷积神经网络模型，并重新采集导波信号对模型进行验证，实现压力容器的损伤定位。
上述技术方案中的一个技术方案具有如下优点或有益效果：
1.不需要人工提取导波信号特征，通过深度神经网络自适应的提取特征，避免了导波信号中的信息丢失；
2.通过不断扫查压力容器各区域信息，建立超声导波信号大数据集，有效的提高训练模型的抗干扰能力，模型鲁棒性好；
3.训练好的模型可以直接用于压力容器损伤监测，不需要重新获取基准信号，相对于传统的损伤定位方法如椭圆定位法来说，是一种无基准的方法，该方法结合超声导波及卷积神经网络两种方法，有效的实现了压力容器结构的健康监测。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单介绍，显而易见地，下面描述中的附图仅仅涉及本发明的一些实施例，而非对本发明的限制，其中：
图1为根据本发明一个实施方式提出的基于卷积神经网络的压力容器损伤定位方法的流程示意图；
图2为根据本发明一个实施方式提出的基于卷积神经网络的压力容器损伤定位方法中压力容器区域网格划分示意图，图中为压力容器网格划分后的正视图；
图3为根据本发明一个实施方式提出的基于卷积神经网络的压力容器损伤定位方法中压力容器区域网格划分示意图，图中为压力容器网格划分后的右视图；
图4为根据本发明一个实施方式提出的基于卷积神经网络的压力容器损伤定位方法中采用Mode-I的传感器阵列形式；
图5为根据本发明一个实施方式提出的基于卷积神经网络的压力容器损伤定位方法中采用Mode-II的传感器阵列形式；
图6为根据本发明一个实施方式提出的基于卷积神经网络的压力容器损伤定位方法中信号控制及保存***的设备结构示意图；
图7为根据本发明一个实施方式提出的基于卷积神经网络的压力容器损伤定位方法中5层、6层、7层卷积层时神经网络的准确率曲线；
图8为根据本发明一个实施方式提出的基于卷积神经网络的压力容器损伤定位方法中不同学习率对应的损失函数曲线；
图9为根据本发明一个实施方式提出的基于卷积神经网络的压力容器损伤定位方法中卷积神经网络结构图。
具体实施方式
下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整的描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在附图中，为清晰起见，可对形状和尺寸进行放大，并将在所有图中使用相同的附图标记来指示相同或相似的部件。
在下列描述中，诸如中心、厚度、高度、长度、前部、背部、后部、左边、右边、顶部、底部、上部、下部等用词是相对于各附图中所示的构造进行定义的，特别地，“高度”相当于从顶部到底部的尺寸，“宽度”相当于从左边到右边的尺寸，“深度”相当于从前到后的尺寸，它们是相对的概念，因此有可能会根据其所处不同位置、不同使用状态而进行相应地变化，所以，也不应当将这些或者其他的方位用于解释为限制性用语。
涉及附接、联接等的术语(例如，“连接”和“附接”)是指这些结构通过中间结构彼此直接或间接固定或附接的关系、以及可动或刚性附接或关系，除非以其他方式明确地说明。
根据本发明的一实施方式结合图1，可以看出，本发明的整体流程由压力容器区域网格划分、模拟损伤并设置信号控制及保存***、建立超声导波信号大数据集步骤、信号中心化及归一化处理、滤波及降噪预处理、建立神经网络训练样本、神经网络训练调参构成。
具体地，本发明基于卷积神经网络的压力容器损伤定位方法包括以下步骤：
步骤S1，对压力容器进行区域网格划分并对划分后的每个网格进行编号，网格划分示意图如图2及图3所示，在本实施方式中，压力容器为采用材料为30CrMo钢纯金属压力容器，该压力容器为圆柱形第三类压力容器，压力容器的几何尺寸如下：外径325mm，壁厚5mm，筒身长度为750mm。本实施方式中，对压力容器进行区域划分，将压力容器的周向区域筒体及端部的封头平均分为八部分，轴向区域筒体划分为八个区域，具体划分结果可参照图2及图3。
步骤S2，对划分后的每个网格进行模拟压力容器损伤，并在压力容器上设置信号控制及保存***，超声导波信号遇到损伤会产生反射、散射等现象，在具体实施过程中，所述信号控制及保存***包括：
布置于压力容器上的至少一组超声导波传感器阵列，每组所述超声导波传感器阵列均由多个超声导波传感器组成，两两所述超声导波传感器构成多个传感器子集，每个传感器子集中的其中一个超声导波传感器受激励发出超声导波信号，另一个超声导波传感器则用于接收该超声导波信号；
控制装置，用于输出控制信号并对反馈回来的所述超声导波信号进行接收、存储及后处理；
信号发生器，接收所述控制信号后激发并输出电信号；
信号开关，用于接收所述电信号后向传感器子集中的其中一个超声导波传感器传递所述电信号并随后接收另一个超声导波传感器的超声导波信号，最终将所述超声导波信号传递给所述控制装置。在具体实施方式中，信号开关可采用矩阵开关等，信号发生器可采用函数发生器，控制装置可采用带存储及运算功能的计算机等。
进一步地，所述信号控制及保存***还包括放大单元，用于放大所述信号发生器的电信号。在具体实施方式中，放大单元可采用放大器等。
进一步地，所述信号控制及保存***还包括示波器，用于在所述超声导波信号导入控制装置前将电信号转换为模拟信号。
在具体的实施过程中，可将所述超声导波传感器设于区域网格划分后的网格节点上；本领域的技术人员应该理解，在不脱离权利要求限定的本发明范围的情况下可以对本发明的构思进行各种适应性修改，例如：超声导波传感器的还可以布置在网格的中心等位置。
更具体的实施方式可参照图6，信号控制及保存***包括布置于空心圆柱段筒体上的第一超声导波传感器阵列7、布置于空心球形封头上的第二超声导波传感器阵列8、矩阵开关5、示波器2、放大器4、函数发生器3和计算机1，计算机1分别连接示波器2和函数发生器3，放大器4与函数发生器3连接，矩阵开关5一端分别连接第一超声导波传感器阵列7和第二超声导波传感器阵列8，另一端包括总信号输入端和总信号输出端，总信号输入端连接放大器4，总信号输出端连接示波器2，通过矩阵开关5的自动切换实现不同激励-接收路径。计算机1中存储有信号路由程序、数据信号保持程序和损失诊断定位程序，实现了全自动信号激发、接收、保存及处理。
另一实施方式通过在每个网格上粘贴金属块的方式对超声导波信号进行干扰，进而模拟真实损伤；对选择的压力容器布置如图4及图5所示的两种传感器阵列形式:Mode-I、Mode-II，用于超声导波信号采集，两种阵列形式分别采用16个、8个超声导波传感器，超声导波传感器布置于筒体及封头连接处。
步骤S3，通过所述信号控制及保存***扫查压力容器以采集超声导波信号大数据集。在具体实施方式中，将所有的超声导波传感器连接至矩阵开关，并采用自主开发的信号自动控制及保存***控制信号发生器、放大器及示波器自动扫查保存压力容器信号，实现信号的快速激发及保存，避免了手动保存信号的繁琐，形成用于支撑卷积神经网络训练的超声导波大数据集。
步骤S4，对采集后的超声导波信号进行中心化及归一化处理。具体的实施方式中，先对采集后的超声导波信号进行中心化处理，以消除硬件设备带来的信号基线漂移现象；随后对中心化处理后的信号数据进行归一化处理，以加快模型的收敛速度；其中，中心化处理方程为：x←x-E(x)，E(x)为采集的数据样本均值，最大最小值归一化方程为：
Figure BDA0002423065390000071
X为原始数据，Xmax、Xmin分别为导波信号的最大值和最小值，Xnorm为归一化处理后的值。
步骤S5，对处理后的超声导波信号进行滤波、降噪处理。本实施方式选择的PZT传感器中心频率为210kHz，带宽范围160kHz–260kHz。因此进行高通、低通滤波操作，滤除传感器带宽范围外的频率；然后对滤波后的导波信号进行小波降噪处理，具体采用db64小波降噪处理，提高信噪比。
步骤S6，将每次扫查采集的所有超声导波信号进行组合，以获得卷积神经网络的训练数据集。在具体实施过程中，卷积神经网络的训练样本需要尽可能大，因此不仅要考虑各区域损伤信号数据，还需要采集压力容器的健康信号；根据布置的两种传感器阵列形式Mode-I、Mode-II，分别组合成240×5000以及56×5000两种矩阵形式。矩阵每列数据为一组导波信号，由5000个数据点组成，Mode-I由于其传感器数量为16个，每个传感器激发由其他15个传感器轮流接收，因此所有传感器激发接受一次可以获得16×15＝240组信号，每次扫查获得一个240×5000数据样本矩阵；同理，Mode-II由于其传感器数量为8个，每个传感器激发由其他7个传感器轮流接收，所有传感器激发接受一次可以获得8×7＝56组信号，因此每次扫查获得一个56×5000数据样本矩阵。由于压力容器是一个轴对称的结构，因此可以对一列轴向区域共11个标签进行分类及损伤定位，如本实例中选择健康、A-0、A-1、A-2、A-3、A-4、A-5、A-6、A-7、A-8、A-9共十一个区域对应的标签，如图2及图3所示。通过信号自动控制及保存***连续扫查容器，最终本实例获取132000组超声导波信号样本，该样本可用于卷积神经网络的训练。
步骤S7，对获得的训练数据集进行分类，并利用分类后的训练数据集对卷积神经网络进行训练，通过调整卷积层的层数及卷积神经网络的模型学习率来优化卷积神经网络的模型参数，最终实现损伤定位。在本实施方式中，采用基于VGG模型的深层卷积神经网络，该网络采用连续的几个3×3的卷积核代替较大卷积核，可以有效的减少模型参数，保证模型能够学习更复杂的模式。这里卷积层公式为：
Figure BDA0002423065390000081
其中，
Figure BDA0002423065390000082
表示第l层的第j个特征映射，
Figure BDA0002423065390000083
为卷积核，f()表示激活函数，
Figure BDA0002423065390000084
是偏置参数，Mj表示输入特征映射的选定部分。本实例激活函数f()采用Recitified Linear Unit(ReLU)修正线性单元，该函数可以更加有效率的梯度下降以及反向传播，避免了梯度***和梯度消失问题。池化层公式为：
Figure BDA0002423065390000091
down()是池化函数，池化窗口的大小是n×n，也就是将输出特征映射减少了n倍，本实例选择的池化窗口为2×2，β和b都是偏置参数。输出层选择Softmax函数，这是一个常用的多分类损失函数。
采用超声导波大数据集训练卷积神经网络，并通过调整卷积层层数以及调整模型的学习率优化模型参数。卷积层数分别为5层、6层以及7层时神经网络的准确率如图7所示，其中曲线的准确率为模型正确预测样本数与测试集样本数的比值。可以看出当卷积层为7层时准确率曲线收敛较快，并且稳定在1值(100％)附近，是符合期望的。分别设置学习率为0.01，0.001，0.005，0.0001,以及0.0005，可以获得如图8所示的损失函数曲线，其中损失函数为错误识别样本数与测试集样本数的比值。图中可以看出，当学习率取值0.001时，曲线收敛较快并且稳定于0值，因此学习率可设置为0.001。调整模型参数，最终选择如图9所示的卷积神经网络(CNN模型)结构，该网络模型具有7个卷积层，3个池化层，一个Softmax层，以及一个全连接层，模型学习率设置为0.0001。重新采集每个区域数据并用训练好的神经网络模型进行预测，可以得到如表1、表2所示结果，可以发现两个传感器阵型对应的神经网络模型均可准确定位压力容器损伤，输入及输出结果一致。证明该方法可以有效地实现压力容器的损伤定位，并且适用于多种传感器阵型。
表1.CNN模型在Mode-I的预测结果
Figure BDA0002423065390000092
Figure BDA0002423065390000101
表2.CNN模型在Mode-II的预测结果
Figure BDA0002423065390000102
Figure BDA0002423065390000111
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上，但其并不仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (10)

1.一种基于卷积神经网络的压力容器损伤定位方法，其特征在于，包括以下步骤：
步骤S1，对压力容器进行区域网格划分并对划分后的每个网格进行编号；
步骤S2，对划分后的每个网格进行模拟压力容器损伤，并在压力容器上设置信号控制及保存***；
步骤S3，通过所述信号控制及保存***扫查压力容器以采集超声导波信号大数据集；
步骤S4，对采集后的超声导波信号进行中心化及归一化处理；
步骤S5，对处理后的超声导波信号进行滤波、降噪处理；
步骤S6，将每次扫查采集的所有超声导波信号进行组合，以获得卷积神经网络的训练数据集；
步骤S7，对获得的训练数据集进行分类，并利用分类后的训练数据集对卷积神经网络进行训练，通过调整卷积层的层数及卷积神经网络的模型学习率来优化卷积神经网络的模型参数，最终实现损伤定位。
2.如权利要求1所述的基于卷积神经网络的压力容器损伤定位方法，其特征在于，在步骤S1中，为使损伤定位区域细化，分别对压力容器的筒体及封头进行区域网格划分。
3.如权利要求1所述的基于卷积神经网络的压力容器损伤定位方法，其特征在于，在步骤S2中，采用在每个网格上粘贴金属块的方式来影响超声导波信号，进而来模拟压力容器损伤。
4.如权利要求3所述的基于卷积神经网络的压力容器损伤定位方法，其特征在于，步骤S2中的所述信号控制及保存***包括：
布置于压力容器上的至少一组超声导波传感器阵列，每组所述超声导波传感器阵列均由多个超声导波传感器组成，两两所述超声导波传感器构成多个传感器子集，每个传感器子集中的其中一个超声导波传感器受激励发出超声导波信号，另一个超声导波传感器则用于接收该超声导波信号；
控制装置，用于输出控制信号并对反馈回来的所述超声导波信号进行接收、存储及后处理；
信号发生器，接收所述控制信号后激发并输出电信号；
信号开关，用于接收所述电信号后向传感器子集中的其中一个超声导波传感器传递所述电信号并随后接收另一个超声导波传感器的超声导波信号，最终将所述超声导波信号传递给所述控制装置。
5.如权利要求4所述的基于卷积神经网络的压力容器损伤定位方法，其特征在于，所述信号控制及保存***还包括放大单元，用于放大所述信号发生器的电信号。
6.如权利要求4所述的基于卷积神经网络的压力容器损伤定位方法，其特征在于，所述信号控制及保存***还包括示波器，用于在所述超声导波信号导入控制装置前将电信号转换为模拟信号。
7.如权利要求4所述的基于卷积神经网络的压力容器损伤定位方法，其特征在于，所述超声导波传感器设于区域网格划分后的网格节点上。
8.如权利要求1所述的基于卷积神经网络的压力容器损伤定位方法，其特征在于，在步骤S4中，先对采集后的超声导波信号进行中心化处理，以消除硬件设备带来的信号基线漂移现象；随后对中心化处理后的信号数据进行归一化处理，以加快模型的收敛速度；其中，中心化处理方程为：x←x-E(x)，E(x)为采集的数据样本均值，最大最小值归一化方程为：
Figure FDA0002423065380000021
X为原始数据，Xmax、Xmin分别为导波信号的最大值和最小值，Xnorm为归一化处理后的值。
9.如权利要求1所述的基于卷积神经网络的压力容器损伤定位方法，其特征在于，在步骤S5中，首先进行高通、低通滤波操作，滤波范围需要根据传感器带宽设置；然后对滤波后的导波信号进行小波降噪处理。
10.如权利要求1所述的基于卷积神经网络的压力容器损伤定位方法，其特征在于，在步骤S6中，考虑压力容器健康信号在内，每个传感器阵列分别获得足够多的导波数据，按照传感器阵列激发顺序进行损伤数据组合，建立大数据集训练样本用于卷积神经网络训练；在步骤S7中，采用基于VGG模型(Visual Geometry Group)的深层卷积神经网络，通过数据集对模型的训练调整模型参数，选择最优卷积神经网络模型，并重新采集导波信号对模型进行验证，实现压力容器的损伤定位。
CN202010211754.7A 2020-03-24 2020-03-24 一种基于卷积神经网络的压力容器损伤定位方法 Pending CN111272886A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010211754.7A CN111272886A (zh) 2020-03-24 2020-03-24 一种基于卷积神经网络的压力容器损伤定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010211754.7A CN111272886A (zh) 2020-03-24 2020-03-24 一种基于卷积神经网络的压力容器损伤定位方法

Publications (1)

Publication Number Publication Date
CN111272886A true CN111272886A (zh) 2020-06-12

Family

ID=71002557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010211754.7A Pending CN111272886A (zh) 2020-03-24 2020-03-24 一种基于卷积神经网络的压力容器损伤定位方法

Country Status (1)

Country Link
CN (1) CN111272886A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111912612A (zh) * 2020-07-16 2020-11-10 中国特种设备检测研究院 一种长管拖车气瓶损伤的监测方法及***
CN113655117A (zh) * 2021-07-27 2021-11-16 上海核工程研究设计院有限公司 一种基于超声导波的高温压力容器损伤定位方法
CN113804765A (zh) * 2021-10-08 2021-12-17 金陵科技学院 一种压力容器封头部位多损伤区域定位方法及***
CN114324584A (zh) * 2021-12-16 2022-04-12 浙江工业大学 一种基于智能算法和超声相控阵技术的钢结构检测方法
CN114509506A (zh) * 2021-12-28 2022-05-17 南京航空航天大学 基于导波时频谱差和卷积神经网络集的在线裂纹评估方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110044554A (zh) * 2019-04-16 2019-07-23 重庆大学 一种基于声发射信号的金属压力容器泄漏的在线检测方法
CN110567558A (zh) * 2019-08-28 2019-12-13 华南理工大学 一种基于深度卷积特征的超声导波检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110044554A (zh) * 2019-04-16 2019-07-23 重庆大学 一种基于声发射信号的金属压力容器泄漏的在线检测方法
CN110567558A (zh) * 2019-08-28 2019-12-13 华南理工大学 一种基于深度卷积特征的超声导波检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
[美]JOEL A.DELISA主编 南登崑 郭正成主译: "《康复医学：理论与实践》", 31 January 2004, 世界图书出版西安公司 *
孙建国: "《数字化智能放疗》", 31 December 2019, 山东科学技术出版社 *
杜宾等: "《R语言数据分析与挖掘》", 31 July 2019, 中国铁道出版社 *
杨斌等: "基于超声导波的压力容器健康监测I：波传导行为及损伤定位", 《机械工程学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111912612A (zh) * 2020-07-16 2020-11-10 中国特种设备检测研究院 一种长管拖车气瓶损伤的监测方法及***
CN113655117A (zh) * 2021-07-27 2021-11-16 上海核工程研究设计院有限公司 一种基于超声导波的高温压力容器损伤定位方法
CN113804765A (zh) * 2021-10-08 2021-12-17 金陵科技学院 一种压力容器封头部位多损伤区域定位方法及***
CN114324584A (zh) * 2021-12-16 2022-04-12 浙江工业大学 一种基于智能算法和超声相控阵技术的钢结构检测方法
CN114324584B (zh) * 2021-12-16 2023-09-05 浙江工业大学 一种基于智能算法和超声相控阵技术的钢结构检测方法
CN114509506A (zh) * 2021-12-28 2022-05-17 南京航空航天大学 基于导波时频谱差和卷积神经网络集的在线裂纹评估方法
CN114509506B (zh) * 2021-12-28 2023-08-04 南京航空航天大学 基于导波时频谱差和卷积神经网络集的在线裂纹评估方法

Similar Documents

Publication Publication Date Title
CN111272886A (zh) 一种基于卷积神经网络的压力容器损伤定位方法
Xiang et al. Fault diagnosis of rolling bearing under fluctuating speed and variable load based on TCO spectrum and stacking auto-encoder
Gao et al. A softmax classifier for high-precision classification of ultrasonic similar signals
CN109782603A (zh) 旋转机械耦合故障的检测方法及监测***
Wang et al. Prediction model of natural gas pipeline crack evolution based on optimized DCNN-LSTM
CN109649432B (zh) 基于导波技术的云端平台钢轨完整性监测***及方法
CN110286155B (zh) 一种多层复合材料的损伤检测方法及***
Mao et al. Signal processing and defect analysis of pipeline inspection applying magnetic flux leakage methods
CN113695713A (zh) 一种热水器内胆焊接质量在线监测方法及装置
CN115127806A (zh) 一种基于多传感器振动信号的齿轮箱故障诊断方法及装置
Han et al. Acoustic emission intelligent identification for initial damage of the engine based on single sensor
CN115824519A (zh) 基于多传感器信息融合的阀门泄露故障综合诊断方法
CN115034271A (zh) 一种自动提取特征的压力容器气体泄漏声学识别方法
CN110706298B (zh) 正则化加权最小二乘的透射反射双模式超声成像重建方法
Lee et al. Deep convolutional neural network with new training method and transfer learning for structural fault classification of vehicle instrument panel structure
CN115014789A (zh) 一种基于cnn-gcn的双传感器航空发动机机匣故障源声发射定位方法
CN111537610A (zh) 一种用于金属曲板损伤定位的传感器阵列优化方法
Alazzawi et al. Deep convolution neural network for damage identifications based on time-domain PZT impedance technique
CN116913316A (zh) 一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法
CN115753988A (zh) 一种系留气球球体的表面缺陷识别方法
Daniel et al. Tsallis entropy segmentation and shape feature-based classification of defects in the simulated magnetic flux leakage images of steam generator tubes
McKnight et al. 3-Dimensional residual neural architecture search for ultrasonic defect detection
CN112966560A (zh) 基于反卷积成像的电主轴故障诊断方法和装置
Merazi-Meksen et al. Sparse representations to replace TOFD images in non-destructive testing of materials
Guo et al. A Novel Bearing Fault Diagnosis Method Based on the DLM-CNN Framework

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200612

WD01 Invention patent application deemed withdrawn after publication