JP2023184389A - Method and apparatus for imaging corrosion damage of cable aluminum sheath based on twin network and ultrasonic guided wave - Google Patents

Method and apparatus for imaging corrosion damage of cable aluminum sheath based on twin network and ultrasonic guided wave Download PDF

Info

Publication number
JP2023184389A
JP2023184389A JP2022166691A JP2022166691A JP2023184389A JP 2023184389 A JP2023184389 A JP 2023184389A JP 2022166691 A JP2022166691 A JP 2022166691A JP 2022166691 A JP2022166691 A JP 2022166691A JP 2023184389 A JP2023184389 A JP 2023184389A
Authority
JP
Japan
Prior art keywords
signal
aluminum sheath
cable aluminum
corrosion damage
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.)
Granted
Application number
JP2022166691A
Other languages
Japanese (ja)
Other versions
JP7492567B2 (en
Inventor
嘉盛 黄
Jiasheng Huang
卓展 韓
Zhuozhan Han
濛 李
Meng Li
智勇 劉
Zhiyong Liu
飛 張
Fei Zhang
銀霞 石
Yinxia Shi
倩 冉
Qian Ran
滔 張
Tao Zhang
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.)
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
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 Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Publication of JP2023184389A publication Critical patent/JP2023184389A/en
Application granted granted Critical
Publication of JP7492567B2 publication Critical patent/JP7492567B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01N29/04—Analysing solids
    • G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
    • G01N29/0654—Imaging
    • G01N29/069—Defect imaging, localisation and sizing using, e.g. time of flight diffraction [TOFD], synthetic aperture focusing technique [SAFT], Amplituden-Laufzeit-Ortskurven [ALOK] technique
    • 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
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Acoustics & Sound (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

To provide a method and apparatus for imaging corrosion damage of a cable aluminum sheath based on a twin network and an ultrasonic guided wave.SOLUTION: A method comprises the steps: collecting an ultrasonic guided wave signal by using an ultrasonic guided wave detection device; obtaining a standard training set and a standard test set from a training signal set and a test signal set; performing dimension reduction and reconstruction on the standard training set by using a deep convolutional neural network to simulate a cable aluminum sheath corrosion damage signal set; constructing a twin network, performing deep learning and updating a twin network parameter to obtain a trained twin network; inputting the standard test set into the trained twin network to obtain a cable aluminum sheath corrosion damage index, and representing the cable aluminum sheath corrosion damage state by using a probability imaging method.SELECTED DRAWING: Figure 1

Description

本発明は、ケーブルアルミニウムシースの非破壊検出の技術分野に係り、特にツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法及び装置に係る。 The present invention relates to the technical field of non-destructive detection of cable aluminum sheath, particularly to a cable aluminum sheath corrosion damage imaging method and apparatus based on twin network and ultrasonic guided waves.

現代社会において、電力ケーブルは、都市電力網の重要な部分として、その構造に対する健康監視が非常に重要である。ケーブルの一部であるケーブルアルミニウムシースは、防水対策が不十分なために電気化学的に腐食することが多く、ケーブルアルミニウムシースを効果的に接地することができず、浮遊電圧が発生し、最終的にはケーブルや付属品が故障し、電源システムが損傷したり、人命の安全が脅かされたりする可能性がある。そのため、アルミニウムケーブルシースの腐食欠陥の検出は、差し迫っている。 In modern society, power cables are an important part of the urban power grid, and health monitoring of their structures is very important. The cable aluminum sheath, which is part of the cable, is often electrochemically corroded due to insufficient waterproofing measures, and the cable aluminum sheath cannot be effectively grounded, creating stray voltages and Cables and accessories can fail, damaging power systems and endangering human life safety. Therefore, detection of corrosion defects in aluminum cable sheaths is urgent.

電力システムの現在の検出で一般的に使用されている非破壊検出方式には、磁粉検出、渦電流検出、赤外線検出、超音波検出などがある。ただし、高電圧ケーブルアルミニウムシースの外層に厚いＰＶＣ材料があり、既存の方法により、多層の構造を経てケーブルアルミニウムシースの腐食欠陥を検出することができないので、高電圧ケーブルアルミニウムシースの腐食欠陥を検出する検出手段が切に必要とされている。 Nondestructive detection methods commonly used in current detection of power systems include magnetic particle detection, eddy current detection, infrared detection, and ultrasonic detection. However, there is a thick PVC material on the outer layer of the high voltage cable aluminum sheath, and existing methods cannot detect the corrosion defects of the cable aluminum sheath through the multi-layer structure, so detect the corrosion defects of the high voltage cable aluminum sheath. There is an urgent need for a detection means to do so.

超音波誘導波方法には、伝播距離が遠く、検出距離が大きく、検出効率が高いといった利点を有し、ケーブルアルミニウムシース腐食欠陥の位置決め及び損傷評価を達成できる。同時に、早期の損傷及び微小の欠陥に非常に敏感である。高電圧ケーブルアルミニウムシースの腐食損傷検出への超音波誘導波の導入は、腐食欠陥の位置決め及び評価を効果的に行うことができる。 The ultrasonic guided wave method has the advantages of long propagation distance, large detection distance, and high detection efficiency, and can achieve the location and damage evaluation of cable aluminum sheath corrosion defects. At the same time, it is very sensitive to premature damage and micro-defects. The introduction of ultrasonic guided waves to the corrosion damage detection of high voltage cable aluminum sheath can effectively locate and evaluate corrosion defects.

本発明の主な目的は、従来技術の欠点や不備を克服し、ツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法及び装置を提供することである。本発明は、異なる収集センサによって収集されたケーブルアルミニウムシース元信号の標準化処理を行ってトレーニングサンプルの一致性を確保する。畳み込みニューラルネットワークを利用して誘導波信号の次元低下及び再構築を行い、正常信号の表現に信号干渉を追加してケーブルアルミニウムシース腐食損傷信号を模擬する。そしてツインネットワークをトレーニングする。正常状態信号とテスト信号を利用してツインネットワークでケーブルアルミニウムシース腐食損傷指標を取得する。最後に、確率画像化法でケーブルアルミニウムシース腐食損傷状態を直観的に表す。 The main object of the present invention is to overcome the shortcomings and deficiencies of the prior art and provide a method and apparatus for imaging cable aluminum sheath corrosion damage based on twin networks and ultrasound guided waves. The present invention performs standardization processing of cable aluminum sheath original signals collected by different collection sensors to ensure consistency of training samples. The convolutional neural network is used to reduce the dimensionality and reconstruct the guided wave signal, and add signal interference to the normal signal representation to simulate the cable aluminum sheath corrosion damage signal. Then train the twin network. Obtain cable aluminum sheath corrosion damage index in twin network using normal state signal and test signal. Finally, the cable aluminum sheath corrosion damage state is intuitively expressed using a stochastic imaging method.

上記目的を達成するために、本発明は、以下の技術手段を採用する。 In order to achieve the above object, the present invention employs the following technical means.

本発明の第１の目的は、ツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法を提供し、超音波誘導波検出機器を利用し、ケーブルアルミニウムシースの正常状態で超音波誘導波信号をトレーニング信号セットとして収集し、ケーブルアルミニウムシースの腐食損傷状態で超音波誘導波信号をテスト信号セットとして収集するステップと、トレーニング信号セットとテスト信号セットの標準化処理を行って標準トレーニングセットと標準テストセットを得るステップと、ディープ畳み込みニューラルネットワークを利用して標準トレーニングセットの次元低下及び再構築を行い、ケーブルアルミニウムシース腐食損傷信号セットを模擬するステップと、ツインネットワークを構築し、ケーブルアルミニウムシース腐食損傷信号と標準トレーニングセットを用いてディープ学習を行うと共にツインネットワークパラメータを更新して、トレーニング済みツインネットワークを取得するステップと、トレーニング済みツインネットワークに標準テストセットを入力してケーブルアルミニウムシース腐食損傷指標を取得し、確率画像化法を用いてケーブルアルミニウムシース腐食損傷状態を表すステップと、を含むことを特徴とする。 The first object of the present invention is to provide a cable aluminum sheath corrosion damage imaging method based on twin networks and ultrasonic guided waves, which utilizes ultrasonic guided wave detection equipment to detect ultrasonic guided damage in the normal state of cable aluminum sheath. Collect wave signals as a training signal set, collect ultrasonic guided wave signals as a test signal set under corrosion damage state of the cable aluminum sheath, and perform standardization processing on the training signal set and the test signal set to form a standard training set. obtaining a standard test set; using a deep convolutional neural network to reduce and reconstruct the standard training set to simulate a cable aluminum sheath corrosion damage signal set; constructing a twin network to simulate a cable aluminum sheath corrosion damage signal set; Performing deep learning using corrosion damage signals and a standard training set and updating twin network parameters to obtain a trained twin network, and inputting a standard test set to the trained twin network to detect cable aluminum sheath corrosion damage. obtaining an indicator and representing a cable aluminum sheath corrosion damage condition using a probabilistic imaging method.

好ましい技術手段として、前記の超音波誘導波信号の収集は、具体的には、
コンピュータで励起信号を生成して任意の信号発生器に導入して電圧増幅器に入力し、
電気信号を増幅する電圧を電圧増幅器からケーブルアルミニウムシースの励起センサに出力し、励起センサの圧電チップの逆圧電効果を利用して電気信号を振動信号に変換し、
振動信号がケーブルアルミニウムシース内を誘導波方式で伝搬し、ケーブルアルミニウムシースのねじ込みパイプ構造の外凸面と銅編組の溶接箇所で収集センサにより振動信号を収集し、収集センサの圧電チップの正圧電効果を利用して振動信号を電気信号に変換してデータ収集カードに入力し、
データ収集カードにおけるデジタルからアナログへの変換後にコンピュータに入力し、腐食損傷状態と正常状態のケーブルアルミニウムシースの超音波誘導波信号を取得し、
ケーブルアルミニウムシースの正常状態で収集された超音波誘導波信号をトレーニング信号セット

Figure 2023184389000002
（
Figure 2023184389000003
 は、正常状態におけるｎ個目の超音波誘導波信号サンプルであり、Ｎｓは、トレーニング信号セットのサンプル数である）とし、ケーブルアルミニウムシースの腐食損傷状態で収集された超音波誘導波信号をテスト信号セット
Figure 2023184389000004
 （
Figure 2023184389000005
 は、腐食損傷状態におけるｎ番目の超音波誘導波信号サンプルであり、Ｎｔは、テスト信号セットのサンプル数である）とする。 As a preferred technical means, the above-mentioned ultrasound guided wave signal collection specifically comprises:
Generate an excitation signal with a computer, introduce it into any signal generator, input it into a voltage amplifier,
The voltage that amplifies the electrical signal is output from the voltage amplifier to the excitation sensor of the cable aluminum sheath, and the inverse piezoelectric effect of the piezoelectric chip of the excitation sensor is used to convert the electrical signal into a vibration signal.
The vibration signal propagates in the cable aluminum sheath by guided wave method, and the vibration signal is collected by the collection sensor at the welding point between the outer convex surface of the threaded pipe structure of the cable aluminum sheath and the copper braid, and the positive piezoelectric effect of the piezoelectric chip of the collection sensor convert the vibration signal into an electrical signal and input it to the data collection card using
After digital to analog conversion in the data acquisition card, input into the computer to obtain the ultrasonic guided wave signals of the cable aluminum sheath in corrosion damage state and normal state;
Training signal set: Ultrasonic guided wave signals collected under normal conditions of cable aluminum sheath
Figure 2023184389000002
 (
Figure 2023184389000003
 is the n-th ultrasound guided wave signal sample in the normal state, and N s is the number of samples in the training signal set), and the ultrasound guided wave signal collected in the corrosion damaged state of the cable aluminum sheath is test signal set
Figure 2023184389000004
 (
Figure 2023184389000005
 is the nth ultrasound guided wave signal sample in the corrosion damage condition, and N t is the number of samples in the test signal set).

好ましい技術手段として、前記の標準化処理を行うことは、具体的には、
式

Figure 2023184389000006
（Ｙｉは、信号セットのｉ番目の信号サンプルであり、ｍａｘ（Ｙ）は、全ての信号サンプルの最大値であり、ｍｉｎ（Ｙ）は、全ての信号サンプルの最小値である）のように、信号セット内の信号サンプル毎に標準化処理を行い、
トレーニング信号セットとテスト信号セットをそれぞれ［－１，１］に標準化し、標準トレーニングセットＹｈ＝｛Ｙｈｉ｝，ｉ＝１，２，…，Ｎｓと標準テストセットＹｔ＝｛Ｙｔｉ｝，ｉ＝１，２，…，Ｎｔを取得する。 Specifically, as a preferable technical means, performing the above standardization process:
formula
Figure 2023184389000006
 (Y i is the i-th signal sample of the signal set, max(Y) is the maximum value of all signal samples, min(Y) is the minimum value of all signal samples) Then, standardization processing is performed for each signal sample in the signal set,
The training signal set and the test signal set are each standardized to [-1, 1], and the standard training set Y h = {Y hi }, i=1, 2, ..., N s and the standard test set Y t = {Y ti }, i=1, 2,..., N t is obtained.

好ましい技術手段として、前記ディープ畳み込みニューラルネットワークは、畳み込み符号化ネットワーク及び復号再構築ネットワークを含み、
前記畳み込み符号化ネットワークは、畳み込み層とプーリング層で構成され、入力信号に対して層ごとの特徴抽出を行い、特徴の次元低下を実現し、畳み込み計算プロセスは、次のように表され、

Figure 2023184389000007
ここで、ｉ、ｊ、ｋは、全て正の整数であり、ｈｉ，ｋは、ｉ番目の畳み込みカーネルによってキャプチャされた隠れ層によって表されるｋ番目の要素であり、ｍ１は、畳み込みカーネルのサイズであり、ｎ１は、畳み込みカーネルの数であり、ｌは、入力信号の長さであり、Ｙｋ－１＋ｊは、ｋ－１＋ｊ番目の標準化信号のゼロベクトルであり、Ｋｉ，ｊは、ｉ番目の畳み込みカーネルのｊ番目の要素であり、
前記復号再構築ネットワークは、多層アップサンプリング層とデコンボリューション層で構成され、次元低下後の信号を再構築し、再構築プロセスは、次のように表され、
Figure 2023184389000008
 ここで、ｉ、ｊ、ｋは、全て正の整数であり、
Figure 2023184389000009
 は、Ｎｌ層のデコンボリューション層のｉ番目の畳み込みカーネルによって得られる畳み込みで表現されるｋ番目の要素であり、
Figure 2023184389000010
 は、Ｎｌ番目のデコンボリューション層のｉ番目の畳み込みカーネルのｋ番目の要素の、前のアップサンプリング層における結果を示し、
Figure 2023184389000011
 は、Ｎｌ層のデコンボリューション層のｉ番目の畳み込みカーネルのｊ番目の要素であり、
Figure 2023184389000012
 は、Ｎｌ番目のデコンボリューション層の畳み込みカーネルのサイズであり、
Figure 2023184389000013
 は、Ｎｌ番目のデコンボリューション層の入力信号長である。 As a preferred technical measure, the deep convolutional neural network includes a convolutional encoding network and a decoding reconstruction network;
The convolutional encoding network is composed of a convolutional layer and a pooling layer, and performs feature extraction for each layer of the input signal to realize feature dimension reduction, and the convolutional calculation process is expressed as follows:
Figure 2023184389000007
 Here, i, j, k are all positive integers, h i,k is the k-th element represented by the hidden layer captured by the i-th convolution kernel, and m 1 is the convolution is the size of the kernel, n 1 is the number of convolution kernels, l is the length of the input signal, Y k-1+j is the zero vector of the k-1+jth standardized signal, and K i, j is the j-th element of the i-th convolution kernel,
The decoding reconstruction network is composed of a multi-layer upsampling layer and a deconvolution layer, and reconstructs the signal after dimensionality reduction, and the reconstruction process is expressed as follows:
Figure 2023184389000008
 Here, i, j, k are all positive integers,
Figure 2023184389000009
 is the k-th element expressed by the convolution obtained by the i-th convolution kernel of the N l deconvolution layer,
Figure 2023184389000010
 denotes the result in the previous upsampling layer of the k-th element of the i-th convolution kernel of the N l -th deconvolution layer,
Figure 2023184389000011
 is the j-th element of the i-th convolution kernel of the N l- layer deconvolution layer,
Figure 2023184389000012
 is the size of the convolution kernel of the Nlth deconvolution layer,
Figure 2023184389000013
 is the input signal length of the Nl - th deconvolution layer.

好ましい技術手段として、前記のケーブルアルミニウムシース腐食損傷信号セットの模擬ステップは、
標準トレーニングセットをディープ畳み込みニューラルネットワークに入力し、畳み込み符号化ネットワークを用いて標準トレーニングセットの次元低下を行ってディープ畳み込み特徴、即ち隠れ層表現を取得し、
標準トレーニングセットの隠れ層表現に信号干渉を追加して、乱れた隠れ層表現を取得し、
復号再構築ネットワークを用いて、乱れた隠れ層表現を再構築してケーブルアルミニウムシース腐食損傷信号セットを取得し、
前記ケーブルアルミニウムシース腐食損傷信号セットの生成式は、次のとおりであり、

Figure 2023184389000014
ここで、Ｙｈは、標準トレーニングセットであり、Ｙｄは、腐食損傷信号セットであり、ＱＨは、畳み込み符号化ネットワークによって次元低下して出力される隠れ層表現であり、
Figure 2023184389000015
 は、乱れた隠れ層表現であり、Ｅｎｃｏｄｅｒは、畳み込み符号化ネットワークであり、Ｄｅｃｏｄｅｒは、復号再構築ネットワークである。 As a preferred technical means, the step of simulating the cable aluminum sheath corrosion damage signal set includes:
inputting a standard training set into a deep convolutional neural network, performing dimensionality reduction of the standard training set using a convolutional encoding network to obtain deep convolutional features, i.e., hidden layer representations;
Add signal interference to the hidden layer representation of the standard training set to obtain a perturbed hidden layer representation,
Using a decoding reconstruction network, reconstruct the disturbed hidden layer representation to obtain a set of cable aluminum sheath corrosion damage signals,
The generation formula of the cable aluminum sheath corrosion damage signal set is as follows:
Figure 2023184389000014
 Here, Y h is the standard training set, Y d is the corrosion damage signal set, Q H is the hidden layer representation reduced in dimension and output by the convolutional encoding network,
Figure 2023184389000015
 is a perturbed hidden layer representation, Encoder is a convolutional encoding network, and Decoder is a decoding reconstruction network.

好ましい技術手段として、前記ツインネットワークは、半教師あり学習ネットワークによって構築され、２つのパラメータ共有の畳み込みニューラルネットワークを含み、
入力信号ペア［Ｙｎ，Ｙｔ］に対して、マッピング関数ＦＷ（Ｙ）を使用し、畳み込みニューラルネットワークを介して入力信号を新しい座標系空間にマッピングし、マッピング信号ＦＷ（Ｙｎ）とＦＷ（Ｙｔ）のユークリッド距離ＳＷを距離メトリックで計算し、
Ｓ（ＦＷ（Ｙｎ），ＦＷ（Ｙｔ））＝||ＦＷ（Ｙｎ），ＦＷ（Ｙｔ）||２
ここで、ＹｎとＹｔは、異なる信号セットであるか、同じ信号セットであり、
前記ユークリッド距離ＳＷは、ツインネットワークの出力として、信号間の偏差値を表す。 As a preferred technical measure, the twin network is constructed by a semi-supervised learning network and includes two parameter-sharing convolutional neural networks;
For an input signal pair [Y n , Y t ], a mapping function F W (Y) is used to map the input signal to a new coordinate system space via a convolutional neural network, and a mapping signal F W (Y n ) is obtained. Calculate the Euclidean distance S W of and F W (Y t ) using the distance metric,
S(F W (Y n ), F W (Y t ))=||F W (Y n ), F W (Y t )|| 2
Here, Y n and Y t are different signal sets or the same signal set,
The Euclidean distance SW represents the deviation value between signals as the output of the twin network.

好ましい技術手段として、前記のディープ学習を行うと共にツインネットワークパラメータを更新してトレーニング済みツインネットワークを取得することは、具体的には、
トレーニングデータセットからサイズＮＲの正常状態トレーニングセット

Figure 2023184389000016
を取得し、［１，ＮＲ］から正の整数値ｎ１及びｎ２をランダムに選択し、正常サンプル入力ペア
Figure 2023184389000017
 を構築し、
ケーブルアルミニウムシース腐食損傷信号セットから、損傷サンプルを模擬する損傷模擬入力ペア
Figure 2023184389000018
 （ｓ１は、正の整数値である）を構築し、
正常サンプル入力ペアのラベルを０、損傷模擬入力ペアのラベルを１にセットし、正常サンプル入力ペアの数を損傷模擬入力ペアの数と同じにし、
正常サンプル入力ペアと損傷模擬入力ペアをツインネットワークに入力してパラメータ更新を行い、
バイナリクロスエントロピーを損失関数とし、次のように定義され、
Figure 2023184389000019
 ここで、
Figure 2023184389000020
 は、入力ペアのラベルであり、Ｘｋは、ツインネットワークの出力である。 As a preferred technical means, performing the above-mentioned deep learning and updating the twin network parameters to obtain a trained twin network specifically,
Normal state training set of size N R from the training dataset
Figure 2023184389000016
 , randomly select positive integer values n 1 and n 2 from [1,N R ], and select the normal sample input pair
Figure 2023184389000017
 Build and
Damage simulation input pair to simulate damage samples from cable aluminum sheath corrosion damage signal set
Figure 2023184389000018
 (s 1 is a positive integer value),
Set the label of the normal sample input pair to 0, the label of the damaged simulated input pair to 1, and make the number of normal sample input pairs equal to the number of damaged simulated input pairs,
Input the normal sample input pair and the damaged simulated input pair into the twin network and update the parameters.
The loss function is binary cross entropy, which is defined as follows,
Figure 2023184389000019
 here,
Figure 2023184389000020
 is the label of the input pair and X k is the output of the twin network.

好ましい技術手段として、前記の確率画像化法でケーブルアルミニウムシース腐食損傷状態を表すことは、具体的には、
標準テストセットのテスト信号ｙｔと標準トレーニングセットの正常信号からなるテストペア

Figure 2023184389000021
をトレーニング済みツインネットワークに入力し、ケーブルアルミニウムシースの腐食損傷指標を出力し、
腐食損傷指標に基づいて、マルチセンサを使用して損傷確率を伝達経路の近くの画像化点に割り当て、面積化の損傷確率の割り当てにより画像化性能を向上させ、
画像化のステップは、
Ｎ個のセンサがある条件下で、Ｎ×（Ｎ－１）本の異なる伝達経路を有し、励起センサ、収集センサと腐食損傷箇所の距離をユークリッド距離計算によって取得し、
ケーブルアルミニウムシース内の超音波誘導波の伝搬速度に基づいて、超音波誘導波が各距離で伝搬するのに必要な時間を計算し、直接波信号と散乱信号の時間差を計算し、
ΔＴ＝Ｔ１＋Ｔ２－Ｔ０
ここで、Ｔ１は、誘導波信号が励起センサからケーブルアルミニウムシース腐食損傷箇所に至る時間であり、Ｔ２は、誘導波信号がケーブルアルミニウムシース腐食損傷箇所から収集センサに至る時間であり、Ｔ０は、正常状態で誘導波信号が励起センサから収集センサに至る時間であり、
前記直接波信号は、正常状態で励起センサから収集センサに至る誘導波信号であり、
前記散乱信号は、ケーブルアルミニウムシース腐食損傷箇所から収集センサに至る誘導波信号と、正常状態で励起センサから収集センサに至る誘導波信号との差信号であり、
ケーブルの検出対象領域を離散化し、各離散点を１つの基準点として励起点、受信点と離散点の伝搬時間を計算し、損傷点と離散点の時間差を求め、時間係数τｔは、次のように定義され、
τｔ＝（ΔＴ’－ΔＴ）／Ｔ０＝［（Ｔ１’＋Ｔ２’－Ｔ０）－（Ｔ１＋Ｔ２－Ｔ０）］／Ｔ０
ここで、ΔＴ’は、離散点信号と正常状態信号の時間差であり、Ｔ１’は、誘導波信号が励起センサから離散点に至る時間であり、Ｔ２’は、誘導波信号が離散点から収集センサに至る時間であり、
前記励起点は、励起センサの位置であり、前記受信点は、収集センサの位置であり、前記損傷点は、ケーブルアルミニウムシース腐食損傷箇所の位置であり、
τｔ＝０の場合、基準点での損傷確率が最も大きくなり、τｔが大きいほど、基準点が損傷から離れ、損傷確率が低くなり、
画像化の重みを線形減衰に設定し、τｔと線形減衰係数αによって計算され、
Figure 2023184389000022
 離散点毎に損傷確率値を計算することにより、ケーブルアルミニウムシースの腐食損傷画像を得て、
前記損傷確率値の計算式は、以下の通りであり、
Figure 2023184389000023
 ここで、ｐｎ（ｘ，ｙ）は、ｎ本目の超音波誘導波伝達経路によって推定される座標（ｘ，ｙ）の離散点の損傷確率であり、ＮＰは、全ての励起センサの伝達経路の数であり、Ｃｌｎは、ｎ本目の超音波誘導波伝達経路の損傷指標であり、Ｈｎ（ｘ，ｙ）は、ｎ本目の超音波誘導波伝達経路の線形減衰画像化重みである。 As a preferred technical means, representing the cable aluminum sheath corrosion damage state with the above-mentioned stochastic imaging method specifically:
A test pair consisting of the test signal yt of the standard test set and the normal signal of the standard training set.
Figure 2023184389000021
 into the trained twin network and output the corrosion damage index of the cable aluminum sheath,
Based on the corrosion damage index, multi-sensors are used to assign damage probabilities to imaging points near the transmission path, and area-based damage probability assignment improves imaging performance;
The imaging step is
Under certain conditions, N sensors have N×(N−1) different transmission paths, and the distances between the excitation sensor, the collection sensor, and the corrosion damage location are obtained by Euclidean distance calculation,
Based on the propagation speed of the ultrasonic guided wave in the cable aluminum sheath, calculate the time required for the ultrasonic guided wave to propagate at each distance, calculate the time difference between the direct wave signal and the scattered signal,
ΔT=T 1 +T 2 -T 0
Here, T 1 is the time for the guided wave signal to travel from the excitation sensor to the cable aluminum sheath corrosion damage location, T 2 is the time for the guided wave signal to travel from the cable aluminum sheath corrosion damage location to the collection sensor, and T 0 is the time for the guided wave signal to travel from the excitation sensor to the collection sensor under normal conditions;
The direct wave signal is a guided wave signal from an excitation sensor to a collection sensor under normal conditions;
The scattered signal is a difference signal between a guided wave signal from a corrosion damaged part of the cable aluminum sheath to the collection sensor and a guided wave signal from the excitation sensor to the collection sensor under normal conditions,
Discretize the detection target area of the cable, calculate the propagation time of the excitation point, reception point, and discrete point using each discrete point as one reference point, and find the time difference between the damage point and the discrete point, and the time coefficient τ t is as follows. is defined as,
τ t = (ΔT'-ΔT)/T 0 = [(T 1 '+T 2 '-T 0 )-(T 1 +T 2 -T 0 )]/T 0
Here, ΔT' is the time difference between the discrete point signal and the normal state signal, T1 ' is the time for the guided wave signal to reach the discrete point from the excitation sensor, and T2 ' is the time difference between the discrete point signal and the normal state signal. is the time from to the collection sensor,
The excitation point is the location of an excitation sensor, the reception point is the location of a collection sensor, and the damage point is the location of a cable aluminum sheath corrosion damage location;
When τ t = 0, the damage probability at the reference point is the largest, and the larger τ t is, the farther the reference point is from the damage, the lower the damage probability;
Set the imaging weight to linear attenuation, calculated by τ t and linear attenuation coefficient α,
Figure 2023184389000022
 By calculating the damage probability value for each discrete point, a corrosion damage image of the cable aluminum sheath is obtained,
The calculation formula for the damage probability value is as follows:
Figure 2023184389000023
 Here, p n (x, y) is the damage probability of a discrete point at coordinates (x, y) estimated by the n-th ultrasonic guided wave transmission path, and N is the number of paths, Cl n is the damage index of the nth ultrasound guided wave transmission path, and H n (x,y) is the linear attenuation imaging weight of the nth ultrasound guided wave transmission path. be.

本発明の第２の目的は、ツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化システムを提供し、超音波誘導波検出機器を利用し、ケーブルアルミニウムシースの正常状態で超音波誘導波信号をトレーニング信号セットとして収集し、ケーブルアルミニウムシースの腐食損傷状態で超音波誘導波信号をテスト信号セットとして収集する信号収集モジュールと、トレーニング信号セットとテスト信号セットの標準化処理を行って標準トレーニングセットと標準テストセットを得る信号標準化モジュールと、ディープ畳み込みニューラルネットワークを利用して標準トレーニングセットの次元低下及び再構築を行い、ケーブルアルミニウムシース腐食損傷信号セットを模擬する信号模擬モジュールと、ツインネットワークを構築し、ケーブルアルミニウムシース腐食損傷信号と標準トレーニングセットを用いてディープ学習を行うと共にツインネットワークパラメータを更新して、トレーニング済みツインネットワークを取得するツインネットワークトレーニングモジュールと、トレーニング済みツインネットワークに標準テストセットを入力してケーブルアルミニウムシース腐食損傷指標を取得し、確率画像化法を用いてケーブルアルミニウムシース腐食損傷状態を表す確率画像化モジュールと、を含むことを特徴とする。 The second objective of the present invention is to provide a cable aluminum sheath corrosion damage imaging system based on twin network and ultrasonic guided waves, which utilizes ultrasonic guided wave detection equipment to detect ultrasonic guided damage in the normal state of cable aluminum sheath. A signal acquisition module that collects wave signals as a training signal set and ultrasonic guided wave signals as a test signal set in the corrosion-damaged state of the cable aluminum sheath, and performs standardization processing on the training signal set and test signal set to perform standard training. a signal standardization module that uses deep convolutional neural networks to reduce and reconstruct the standard training set to simulate a cable aluminum sheath corrosion damage signal set; A twin network training module that constructs and performs deep learning using the cable aluminum sheath corrosion damage signal and a standard training set and updates the twin network parameters to obtain a trained twin network and a standard test set on the trained twin network. and a probabilistic imaging module that inputs a cable aluminum sheath corrosion damage index to obtain a cable aluminum sheath corrosion damage index and represents the cable aluminum sheath corrosion damage state using a probabilistic imaging method.

本発明の第３の目的は、プログラムが格納されているコンピュータ可読記憶媒体を提供し、前記プログラムがプロセッサによって実行されると、上記のツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷方法を実現することを特徴とする。 A third object of the present invention is to provide a computer readable storage medium in which a program is stored, and when the program is executed by a processor, the twin network and ultrasonic guided wave based cable aluminum sheath corrosion damage method as described above is provided. It is characterized by realizing the following.

従来技術と比較して、本発明は、以下の利点と有益な効果を有する。
本発明は、超音波誘導波を採用して高電圧ケーブルアルミニウムシースを検出し、ツイン畳み込みネットワークを介して、ケーブルアルミニウムシース腐食損傷信号を模擬してトレーニングモデルのトレーニングの最適化と知識の伝達を実現する。超音波誘導波信号符号化表現に加え、腐食損傷信号の模擬生成を実現し、損傷信号を模擬する知識伝達により、腐食損傷モデルの有効なトレーニングを実現し、ツインネットワークモデルと共に、正常サンプルに基づく腐食欠陥特徴取得モデルを構築してケーブルアルミニウムシースの腐食損傷指標を出力する。確率画像化方法と共に、ケーブルアルミニウムシースの腐食損傷画像を取得し、ケーブルアルミニウムシースの腐食損傷状態を直観的に表し、ケーブルの監視及びメンテナンスに有利である。 Compared with the prior art, the present invention has the following advantages and beneficial effects.
The present invention adopts ultrasonic guided waves to detect high voltage cable aluminum sheath, and through twin convolutional network, simulates cable aluminum sheath corrosion damage signal to optimize training model training and knowledge transfer. Realize. In addition to the ultrasonic guided wave signal encoding representation, the simulation generation of corrosion damage signal is realized, and the knowledge transfer of simulating the damage signal realizes the effective training of corrosion damage model, and together with the twin network model, it is possible to realize the simulation generation of corrosion damage signal based on normal samples. A corrosion defect feature acquisition model is constructed and the corrosion damage index of cable aluminum sheath is output. Together with the probability imaging method, the corrosion damage image of the cable aluminum sheath is obtained, which intuitively represents the corrosion damage status of the cable aluminum sheath, which is advantageous for cable monitoring and maintenance.

本願の実施例における技術手段をより明確に説明するために、以下では、実施例の説明で使用される図面を簡単に紹介する。明らかに、以下の説明における図面は、本願のいくつかの実施例にすぎない。当業者は、創造的な努力なしに、これらの図面から他の図面を得ることができる。 In order to more clearly explain the technical means in the embodiments of the present application, the drawings used in the description of the embodiments will be briefly introduced below. Obviously, the drawings in the following description are only some examples of the present application. Those skilled in the art can derive other drawings from these drawings without creative efforts.

本発明の実施例に係るツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法のフローチャートである。1 is a flowchart of a cable aluminum sheath corrosion damage imaging method based on twin network and ultrasound guided waves according to an embodiment of the present invention; 本発明の実施例に係るツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法のブロック図である。FIG. 2 is a block diagram of a cable aluminum sheath corrosion damage imaging method based on twin networks and ultrasound guided waves according to an embodiment of the present invention. 本発明の実施例に係る畳み込みニューラルネットワークによる次元低下及び再構築の構造図である。FIG. 2 is a structural diagram of dimension reduction and reconstruction using a convolutional neural network according to an embodiment of the present invention; 本発明の実施例に係るツインネットワークの動作原理図である。FIG. 3 is a diagram illustrating the operating principle of a twin network according to an embodiment of the present invention. 本発明の実施例に係る単一離散点損傷画像値の原理図である。FIG. 3 is a principle diagram of a single discrete point damage image value according to an embodiment of the present invention; 本発明の実施例に係るツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化システムの構造図である。FIG. 2 is a structural diagram of a cable aluminum sheath corrosion damage imaging system based on twin network and ultrasound guided waves according to an embodiment of the present invention; 本発明の実施例に係るコンピュータ可読記憶媒体の構造図である。1 is a structural diagram of a computer-readable storage medium according to an embodiment of the present invention; FIG.

当業者が本願の手段をよりよく理解できるようにするために、以下では、本願の実施例における添付の図面を参照して、本願の実施例における技術手段を明確かつ完全に説明する。明らかに、記載された実施例は、本願の実施例の一部にすぎず、実施例の全てではない。本願の実施例に基づいて、創造的な努力なしに当業者によって得られる他の全ての実施例は、全て本願の保護範囲内に入る。 In order to enable those skilled in the art to better understand the means of the present application, the technical means of the embodiments of the present application will be clearly and completely explained below with reference to the accompanying drawings in the embodiments of the present application. Obviously, the described embodiments are only some, but not all, of the embodiments of the present application. All other embodiments obtained by those skilled in the art based on the embodiments of this application without creative efforts will all fall within the protection scope of this application.

本願における「実施例」は、実施例に関連して説明される特定の特徴、構造又は特性が本願の少なくとも１つの実施例に含まれ得ることを意味する。明細書の様々な箇所に現れるこの語句は、必ずしも全てが同じ実施例を指すとは限らず、他の実施例と相互に排他的である別個又は代替の実施例でもない。本願に記載された実施例を他の実施例と組み合わせることができることは、当業者によって明示的及び暗示的に理解される。 The term "embodiment" in this application means that a particular feature, structure, or characteristic described in connection with the embodiment may be included in at least one embodiment of the present application. The appearances of this phrase in various places in the specification are not necessarily all referring to the same embodiment, nor are the appearances of separate or alternative embodiments mutually exclusive of other embodiments. It will be understood, both explicitly and implicitly, by those skilled in the art that the embodiments described in this application can be combined with other embodiments.

図１に示されるように、本願の一実施例において、ツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法を提供し、超音波誘導波検出機器を利用し、ケーブルアルミニウムシースの腐食損傷状態で超音波誘導波信号をテスト信号セットとして収集し、ケーブルアルミニウムシースの正常状態で超音波誘導波信号をトレーニング信号セットとして収集するステップと、トレーニング信号セットとテスト信号セットの標準化処理を行って標準トレーニングセットと標準テストセットを得るステップと、ディープ畳み込みニューラルネットワークを利用して標準トレーニングセットの次元低下及び再構築を行い、ケーブルアルミニウムシース腐食損傷信号セットを模擬するステップと、ツインネットワークを構築し、ケーブルアルミニウムシース腐食損傷信号と標準トレーニングセットを用いてディープ学習を行うと共にツインネットワークパラメータを更新して、トレーニング済みツインネットワークを取得するステップと、トレーニング済みツインネットワークに標準テストセットを入力してケーブルアルミニウムシース腐食損傷指標を取得し、確率画像化法を用いてケーブルアルミニウムシース腐食損傷状態を表すステップと、を含む。 As shown in FIG. 1, an embodiment of the present application provides a cable aluminum sheath corrosion damage imaging method based on twin networks and ultrasonic guided waves, and utilizes ultrasonic guided wave detection equipment to Collecting the ultrasonic guided wave signals under corrosion damage condition as a test signal set, and collecting the ultrasonic guided wave signals under the normal condition of the cable aluminum sheath as a training signal set, and standardizing the training signal set and the test signal set. to obtain a standard training set and a standard test set; to reduce and reconstruct the standard training set using a deep convolutional neural network to simulate a cable aluminum sheath corrosion damage signal set; construct and perform deep learning using the cable aluminum sheath corrosion damage signal and a standard training set and update the twin network parameters to obtain a trained twin network, and input the standard test set to the trained twin network. obtaining a cable aluminum sheath corrosion damage index using a probabilistic imaging method to represent the cable aluminum sheath corrosion damage state.

図２に示すように、超音波誘導波信号の収集は、具体的には、以下である。
まず、コンピュータで励起信号を生成し、任意の信号発生器に導入してデジタル信号をアナログ信号に変換して電圧増幅器に入力する。
次いで、電気信号を増幅する電圧を電圧増幅器からケーブルアルミニウムシースの励起センサに出力し、励起センサの圧電チップの逆圧電効果を利用して電気信号を振動信号に変換する。
その後、振動信号がケーブルアルミニウムシース内を誘導波方式で伝搬し、ケーブルアルミニウムシースのねじ込みパイプ構造の外凸面と銅編組の溶接箇所で収集センサにより振動信号を収集し、収集センサの圧電チップの正圧電効果を利用して振動信号を電気信号に変換してデータ収集カードに入力する。
最後に、データ収集カードにおけるデジタルからアナログへの変換後にコンピュータに入力し、腐食損傷状態と正常状態のケーブルアルミニウムシースの超音波誘導波信号を取得する。
ケーブルアルミニウムシースの正常状態で収集された超音波誘導波信号をトレーニング信号セット

Figure 2023184389000024
（
Figure 2023184389000025
 は、正常状態におけるｎ個目の超音波誘導波信号サンプルであり、Ｎｓは、トレーニング信号セットのサンプル数である）とし、ケーブルアルミニウムシースの腐食損傷状態で収集された超音波誘導波信号をテスト信号セット
Figure 2023184389000026
 （
Figure 2023184389000027
 は、腐食損傷状態におけるｎ番目の超音波誘導波信号サンプルであり、Ｎｔは、テスト信号セットのサンプル数である）とする。 As shown in FIG. 2, the acquisition of ultrasound guided wave signals is specifically as follows.
First, an excitation signal is generated by a computer and introduced into an arbitrary signal generator to convert the digital signal into an analog signal and input it to a voltage amplifier.
Then, a voltage for amplifying the electrical signal is output from the voltage amplifier to the excitation sensor of the cable aluminum sheath, and the inverse piezoelectric effect of the piezoelectric chip of the excitation sensor is used to convert the electrical signal into a vibration signal.
After that, the vibration signal propagates in the cable aluminum sheath in a guided wave manner, and the vibration signal is collected by the collection sensor at the welding point between the outer convex surface of the threaded pipe structure of the cable aluminum sheath and the copper braid, and the vibration signal is Using the piezoelectric effect, the vibration signal is converted into an electrical signal and input to the data collection card.
Finally, input into the computer after digital to analog conversion in the data acquisition card to obtain the ultrasonic guided wave signals of the cable aluminum sheath in corrosion damage state and normal state.
Training signal set: Ultrasonic guided wave signals collected under normal conditions of cable aluminum sheath
Figure 2023184389000024
 (
Figure 2023184389000025
 is the n-th ultrasound guided wave signal sample in the normal state, and N s is the number of samples in the training signal set), and the ultrasound guided wave signal collected in the corrosion damaged state of the cable aluminum sheath is test signal set
Figure 2023184389000026
 (
Figure 2023184389000027
 is the nth ultrasound guided wave signal sample in the corrosion damage condition, and N t is the number of samples in the test signal set).

異なるセンサによって受信された元信号のディープニューラルネットワークによる再構築の大きな違いを回避するために、信号サンプル毎に標準化処理を行う必要がある。具体的には、以下である。
式

Figure 2023184389000028
（Ｙｉは、信号セットのｉ番目の信号サンプルであり、ｍａｘ（Ｙ）は、全ての信号サンプルの最大値であり、ｍｉｎ（Ｙ）は、全ての信号サンプルの最小値である）のように、信号セット内の信号サンプル毎に標準化処理を行う。
トレーニング信号セットとテスト信号セットをそれぞれ［－１，１］に標準化し、標準トレーニングセットＹｈ＝｛Ｙｈｉ｝，ｉ＝１，２，…，Ｎｓと標準テストセットＹｔ＝｛Ｙｔｉ｝，ｉ＝１，２，…，Ｎｔを取得する。 In order to avoid large differences in the reconstruction by the deep neural network of the original signals received by different sensors, it is necessary to perform a standardization process for each signal sample. Specifically, it is as follows.
formula
Figure 2023184389000028
 (Y i is the i-th signal sample of the signal set, max(Y) is the maximum value of all signal samples, min(Y) is the minimum value of all signal samples) Next, standardization processing is performed for each signal sample within the signal set.
The training signal set and the test signal set are each standardized to [-1, 1], and the standard training set Y h = {Y hi }, i=1, 2, ..., N s and the standard test set Y t = {Y ti }, i=1, 2,..., N t is obtained.

図２、図３に示すように、本実施例におけるディープ畳み込みニューラルネットワークは、畳み込み符号化ネットワーク及び復号再構築ネットワークを含む。畳み込み符号化ネットワークは、畳み込み層とプーリング層で構成され、入力信号に対して層ごとの特徴抽出を行い、特徴の次元低下を実現し、畳み込み計算プロセスは、次のように表される。

Figure 2023184389000029
ここで、ｉ、ｊ、ｋは、全て正の整数であり、ｈｉ，ｋは、ｉ番目の畳み込みカーネルによってキャプチャされた隠れ層によって表されるｋ番目の要素であり、ｍ１は、畳み込みカーネルのサイズであり、ｎ１は、畳み込みカーネルの数であり、ｌは、入力信号の長さであり、Ｙｋ－１＋ｊは、ｋ－１＋ｊ番目の標準化信号のゼロベクトルであり、Ｋｉ，ｊは、ｉ番目の畳み込みカーネルのｊ番目の要素である。
復号再構築ネットワークは、多層アップサンプリング層とデコンボリューション層で構成され、次元低下後の信号を再構築し、再構築プロセスは、次のように表される。
Figure 2023184389000030
 ここで、ｉ、ｊ、ｋは、全て正の整数であり、
Figure 2023184389000031
 は、Ｎｌ層のデコンボリューション層のｉ番目の畳み込みカーネルによって得られる畳み込みで表現されるｋ番目の要素であり、
Figure 2023184389000032
 は、Ｎｌ番目のデコンボリューション層のｉ番目の畳み込みカーネルのｋ番目の要素の、前のアップサンプリング層における結果を示し、
Figure 2023184389000033
 は、Ｎｌ層のデコンボリューション層のｉ番目の畳み込みカーネルのｊ番目の要素であり、
Figure 2023184389000034
 は、Ｎｌ番目のデコンボリューション層の畳み込みカーネルのサイズであり、
Figure 2023184389000035
 は、Ｎｌ番目のデコンボリューション層の入力信号長である。 As shown in FIGS. 2 and 3, the deep convolutional neural network in this embodiment includes a convolutional encoding network and a decoding reconstruction network. A convolutional encoding network is composed of a convolutional layer and a pooling layer, and performs feature extraction for each layer of the input signal to reduce the dimensionality of the features.The convolutional calculation process is expressed as follows.
Figure 2023184389000029
 Here, i, j, k are all positive integers, h i,k is the k-th element represented by the hidden layer captured by the i-th convolution kernel, and m 1 is the convolution is the size of the kernel, n 1 is the number of convolution kernels, l is the length of the input signal, Y k-1+j is the zero vector of the k-1+jth standardized signal, and K i, j is the j-th element of the i-th convolution kernel.
The decoding reconstruction network is composed of a multi-layer upsampling layer and a deconvolution layer, and reconstructs the signal after dimensionality reduction, and the reconstruction process is expressed as follows.
Figure 2023184389000030
 Here, i, j, k are all positive integers,
Figure 2023184389000031
 is the k-th element expressed by the convolution obtained by the i-th convolution kernel of the N l deconvolution layer,
Figure 2023184389000032
 denotes the result in the previous upsampling layer of the k-th element of the i-th convolution kernel of the N l -th deconvolution layer,
Figure 2023184389000033
 is the j-th element of the i-th convolution kernel of the N l- layer deconvolution layer,
Figure 2023184389000034
 is the size of the convolution kernel of the Nlth deconvolution layer,
Figure 2023184389000035
 is the input signal length of the Nl - th deconvolution layer.

構築されたディープニューラルネットワークに基づいて、ケーブルアルミニウムシース腐食損傷信号セットの模擬ステップは、以下である。
標準トレーニングセットをディープ畳み込みニューラルネットワークに入力し、畳み込み符号化ネットワークを用いて標準トレーニングセットの次元低下を行ってディープ畳み込み特徴、即ち隠れ層表現を取得する。
標準トレーニングセットの隠れ層表現に信号干渉を追加して、乱れた隠れ層表現を取得する。
復号再構築ネットワークを用いて、乱れた隠れ層表現を再構築してケーブルアルミニウムシース腐食損傷信号セットを取得する。
前記ケーブルアルミニウムシース腐食損傷信号セットの生成式は、次のとおりである。

Figure 2023184389000036
ここで、Ｙｈは、標準トレーニングセットであり、Ｙｄは、腐食損傷信号セットであり、ＱＨは、畳み込み符号化ネットワークによって次元低下して出力される隠れ層表現であり、
Figure 2023184389000037
 は、乱れた隠れ層表現であり、Ｅｎｃｏｄｅｒは、畳み込み符号化ネットワークであり、Ｄｅｃｏｄｅｒは、復号再構築ネットワークである。 Based on the built deep neural network, the simulation steps of cable aluminum sheath corrosion damage signal set are as follows.
A standard training set is input into a deep convolutional neural network, and a convolutional encoding network is used to reduce the dimensionality of the standard training set to obtain deep convolutional features, i.e., hidden layer representations.
Add signal interference to the hidden layer representation of the standard training set to obtain a perturbed hidden layer representation.
A decoding reconstruction network is used to reconstruct the disturbed hidden layer representation to obtain the cable aluminum sheath corrosion damage signal set.
The formula for generating the cable aluminum sheath corrosion damage signal set is as follows.
Figure 2023184389000036
 Here, Y h is the standard training set, Y d is the corrosion damage signal set, Q H is the hidden layer representation reduced in dimension and output by the convolutional encoding network,
Figure 2023184389000037
 is a perturbed hidden layer representation, Encoder is a convolutional encoding network, and Decoder is a decoding reconstruction network.

図２、図４に示すように、本実施例におけるツインネットワークは、半教師あり学習ネットワークによって構築され、２つのパラメータ共有の畳み込みニューラルネットワークを含む。ツインネットワークの原理は、以下である。
入力信号ペア［Ｙｎ，Ｙｔ］に対して、マッピング関数ＦＷ（Ｙ）を使用し、畳み込みニューラルネットワークを介して入力信号を新しい座標系空間にマッピングし、マッピング信号ＦＷ（Ｙｎ）とＦＷ（Ｙｔ）のユークリッド距離ＳＷを距離メトリックで計算する。
Ｓ（ＦＷ（Ｙｎ），ＦＷ（Ｙｔ））＝||ＦＷ（Ｙｎ），ＦＷ（Ｙｔ）||２
ここで、ＹｎとＹｔは、異なる信号セットであるか、同じ信号セットである。
前記ユークリッド距離ＳＷは、信号間の偏差値を表すためのものであり、本発明におけるテスト信号と正常信号との偏差の計算に用いることができるため、それをツインネットワークの出力とする。 As shown in FIGS. 2 and 4, the twin network in this example is constructed by a semi-supervised learning network and includes two parameter-sharing convolutional neural networks. The principle of twin network is as follows.
For an input signal pair [Y n , Y t ], a mapping function F W (Y) is used to map the input signal to a new coordinate system space via a convolutional neural network, and a mapping signal F W (Y n ) is obtained. The Euclidean distance S W of and F W (Y t ) is calculated using a distance metric.
S(F W (Y n ), F W (Y t ))=||F W (Y n ), F W (Y t )|| 2
Here, Y n and Y t are different signal sets or the same signal set.
The Euclidean distance SW is for expressing the deviation value between signals, and can be used to calculate the deviation between the test signal and the normal signal in the present invention, so it is used as the output of the twin network.

構築されたツインネットワークに対してディープ学習を行うと共にツインネットワークパラメータを更新してトレーニング済みツインネットワークを取得することは、具体的には、以下である。
トレーニングデータセットからサイズＮＲの正常状態トレーニングセット

Figure 2023184389000038
を取得し、［１，ＮＲ］から正の整数値ｎ１及びｎ２をランダムに選択し、正常サンプル入力ペア
Figure 2023184389000039
 を構築する。
同様に、ケーブルアルミニウムシース腐食損傷信号セットから、損傷サンプルを模擬する損傷模擬入力ペア
Figure 2023184389000040
 （ｓ１は、正の整数値である）を構築する。
正常サンプル入力ペアのラベルを０、損傷模擬入力ペアのラベルを１にセットし、正常サンプル入力ペアの数を損傷模擬入力ペアの数と同じにする。
正常サンプル入力ペアと損傷模擬入力ペアをツインネットワークに入力してパラメータ更新を行う。
バイナリクロスエントロピーを損失関数とし、次のように定義される。
Figure 2023184389000041
 ここで、
Figure 2023184389000042
 は、入力ペアのラベルであり、Ｘｋは、ツインネットワークの出力である。 Specifically, performing deep learning on the constructed twin network and updating the twin network parameters to obtain a trained twin network is as follows.
Normal state training set of size N R from the training dataset
Figure 2023184389000038
 , randomly select positive integer values n 1 and n 2 from [1,N R ], and select the normal sample input pair
Figure 2023184389000039
 Build.
Similarly, from the cable aluminum sheath corrosion damage signal set, a damage simulating input pair to simulate the damage sample
Figure 2023184389000040
 (s 1 is a positive integer value).
The label of the normal sample input pair is set to 0, the label of the damaged simulated input pair is set to 1, and the number of normal sample input pairs is made equal to the number of damaged simulated input pairs.
Parameters are updated by inputting a normal sample input pair and a damaged simulated input pair to the twin network.
The loss function is defined as binary cross entropy as follows.
Figure 2023184389000041
 here,
Figure 2023184389000042
 is the label of the input pair and X k is the output of the twin network.

異なるテスト信号に対して標準化を行い、各テスト信号の損傷指標を出力することにより、ケーブルアルミニウムシース腐食損傷状態を評価し、異なる損傷指標を利用し、確率画像化法と共に構造状態の画像表現を取得し、具体的には、以下である。
標準テストセットのテスト信号Ｙｔと標準トレーニングセットの正常信号からなるテストペア

Figure 2023184389000043
をトレーニング済みツインネットワークに入力し、ケーブルアルミニウムシースの腐食損傷指標を出力する。
腐食損傷指標に基づいて、マルチセンサを使用して損傷確率を伝達経路の近くの画像化点に割り当て、面積化の損傷確率の割り当てにより画像化性能を向上させる。
画像化のステップは、以下である。図５に示すように、Ｎ個のセンサがある条件下で、Ｎ×（Ｎ－１）本の異なる伝達経路を有し、励起センサ、収集センサと腐食損傷箇所の距離をユークリッド距離計算によって取得する。
ケーブルアルミニウムシース内の超音波誘導波の伝搬速度に基づいて、超音波誘導波が各距離で伝搬するのに必要な時間を計算し、直接波信号と散乱信号の時間差を計算する。
ΔＴ＝Ｔ１＋Ｔ２－Ｔ０
ここで、Ｔ１は、誘導波信号が励起センサからケーブルアルミニウムシース腐食損傷箇所に至る時間であり、Ｔ２は、誘導波信号がケーブルアルミニウムシース腐食損傷箇所から収集センサに至る時間であり、Ｔ０は、正常状態で誘導波信号が励起センサから収集センサに至る時間である。
図５において、直接波信号は、正常状態で励起センサから収集センサに至る誘導波信号であり、散乱信号は、ケーブルアルミニウムシース腐食損傷箇所から収集センサに至る誘導波信号と、正常状態で励起センサから収集センサに至る誘導波信号との差信号である。
ケーブルの検出対象領域を離散化し、各離散点を１つの基準点として励起点、受信点と離散点の伝搬時間を計算し、損傷点と離散点の時間差を求め、時間係数τｔは、次のように定義される。
τｔ＝（ΔＴ’－ΔＴ）／Ｔ０＝［（Ｔ１’＋Ｔ２’－Ｔ０）－（Ｔ１＋Ｔ２－Ｔ０）］／Ｔ０
ここで、ΔＴ’は、離散点信号と正常状態信号の時間差であり、Ｔ１’は、誘導波信号が励起センサから離散点に至る時間であり、Ｔ２’は、誘導波信号が離散点から収集センサに至る時間である。
図５において、励起点は、励起センサの位置であり、受信点は、収集センサの位置であり、損傷点は、ケーブルアルミニウムシース腐食損傷箇所の位置である。
τｔ＝０の場合、基準点での損傷確率が最も大きくなり、τｔが大きいほど、基準点が損傷から離れ、損傷確率が低くなる。
画像化の重みを線形減衰に設定し、τｔと線形減衰係数αによって計算される。
Figure 2023184389000044
 離散点毎に損傷確率値を計算することにより、ケーブルアルミニウムシースの腐食損傷画像を得る。
前記損傷確率値の計算式は、以下の通りである。
Figure 2023184389000045
 ここで、ｐｎ（ｘ，ｙ）は、ｎ本目の超音波誘導波伝達経路によって推定される座標（ｘ，ｙ）の離散点の損傷確率であり、ＮＰは、全ての励起センサの伝達経路の数であり、Ｃｌｎは、ｎ本目の超音波誘導波伝達経路の損傷指標であり、Ｈｎ（ｘ，ｙ）は、ｎ本目の超音波誘導波伝達経路の線形減衰画像化重みである。 Evaluate cable aluminum sheath corrosion damage status by standardizing for different test signals and outputting damage indicators for each test signal, and utilize different damage indicators to create image representation of structural status with stochastic imaging method. Specifically, the following is obtained.
A test pair consisting of the test signal Y t of the standard test set and the normal signal of the standard training set
Figure 2023184389000043
 input into the trained twin network and output the corrosion damage index of the cable aluminum sheath.
Based on the corrosion damage index, multi-sensors are used to assign damage probabilities to imaging points near the transmission path, and the arealized damage probability assignment improves imaging performance.
The steps of imaging are as follows. As shown in Figure 5, under certain conditions, N sensors have N × (N-1) different transmission paths, and the distances between the excitation sensor, collection sensor, and corrosion damage location are obtained by Euclidean distance calculation. do.
Based on the propagation speed of the ultrasonic guided wave in the cable aluminum sheath, calculate the time required for the ultrasonic guided wave to propagate at each distance, and calculate the time difference between the direct wave signal and the scattered signal.
ΔT=T 1 +T 2 -T 0
Here, T 1 is the time for the guided wave signal to travel from the excitation sensor to the cable aluminum sheath corrosion damage location, T 2 is the time for the guided wave signal to travel from the cable aluminum sheath corrosion damage location to the collection sensor, and T 0 is the time for the guided wave signal to travel from the excitation sensor to the collection sensor under normal conditions.
In Figure 5, the direct wave signal is a guided wave signal from the excitation sensor to the collection sensor under normal conditions, and the scattered signal is the guided wave signal from the cable aluminum sheath corrosion damage location to the collection sensor and the guided wave signal from the excitation sensor under normal conditions. This is the difference signal between the guided wave signal and the guided wave signal from the source to the collection sensor.
Discretize the detection target area of the cable, calculate the propagation time of the excitation point, reception point, and discrete point using each discrete point as one reference point, and find the time difference between the damage point and the discrete point, and the time coefficient τ t is as follows. It is defined as:
τ t = (ΔT'-ΔT)/T 0 = [(T 1 '+T 2 '-T 0 )-(T 1 +T 2 -T 0 )]/T 0
Here, ΔT' is the time difference between the discrete point signal and the normal state signal, T1 ' is the time for the guided wave signal to reach the discrete point from the excitation sensor, and T2 ' is the time difference between the discrete point signal and the normal state signal. This is the time from the time to the collection sensor.
In FIG. 5, the excitation point is the location of the excitation sensor, the reception point is the location of the collection sensor, and the damage point is the location of the cable aluminum sheath corrosion damage location.
When τ t =0, the damage probability at the reference point is the largest, and the larger τ t is, the farther the reference point is from the damage and the lower the damage probability.
The imaging weight is set to linear attenuation, calculated by τ t and linear attenuation coefficient α.
Figure 2023184389000044
 By calculating the damage probability value for each discrete point, a corrosion damage image of the cable aluminum sheath is obtained.
The formula for calculating the damage probability value is as follows.
Figure 2023184389000045
 Here, p n (x, y) is the damage probability of a discrete point at coordinates (x, y) estimated by the n-th ultrasonic guided wave transmission path, and N is the number of paths, Cl n is the damage index of the nth ultrasound guided wave transmission path, and H n (x,y) is the linear attenuation imaging weight of the nth ultrasound guided wave transmission path. be.

なお、説明の便宜上、前述の方法の実施例は、全て一連の動作の組み合わせとして表現されているが、当業者は、本発明が説明された動作順によって限定されないことを理解すべきである。これらは、本発明に従って、他の順序で、又は同時に実行されてもよい。 It should be noted that, for convenience of explanation, all of the method embodiments described above are presented as a series of combinations of operations, but those skilled in the art should understand that the present invention is not limited to the described order of operations. These may be performed in other orders or simultaneously according to the invention.

上記の実施例におけるツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法と同一の発明思想に基づいて、本発明は、更に、ツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化システムを提供する。該システムは、上記のツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法を実行することができる。説明の便宜上、ツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化システムの実施例の構造図において、本発明の実施例に関する部分のみを示している。図示の構造は、装置への限定を構成せず、図示されているものよりも多い又は少ない部品を含んだり、特定の部品を組み合わせたり、異なる部品配置をしたりすることができる。これは、当業者にとって自明である。 Based on the same inventive idea as the cable aluminum sheath corrosion damage imaging method based on twin networks and ultrasonic guided waves in the above embodiments, the present invention further provides a cable aluminum sheath corrosion damage imaging method based on twin networks and ultrasonic guided waves. A damage imaging system is provided. The system is capable of implementing the twin network and ultrasound guided wave based cable aluminum sheath corrosion damage imaging method described above. For convenience of explanation, only the parts related to the embodiment of the present invention are shown in the structural diagram of the embodiment of the cable aluminum sheath corrosion damage imaging system based on twin network and ultrasound guided waves. The illustrated structure does not constitute a limitation on the apparatus, which may include more or fewer parts than those shown, particular combinations of parts, or different arrangements of parts. This is obvious to those skilled in the art.

図６を参照し、本願の別の実施例において、ツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化システムを提供する。該システムは、超音波誘導波検出機器を利用し、ケーブルアルミニウムシースの腐食損傷状態で超音波誘導波信号をテスト信号セットとして収集し、ケーブルアルミニウムシースの正常状態で超音波誘導波信号をトレーニング信号セットとして収集する信号収集モジュールと、トレーニング信号セットとテスト信号セットの標準化処理を行って標準トレーニングセットと標準テストセットを得る信号標準化モジュールと、ディープ畳み込みニューラルネットワークを利用して標準トレーニングセットの次元低下及び再構築を行い、ケーブルアルミニウムシース腐食損傷信号セットを模擬する信号模擬モジュールと、ツインネットワークを構築し、ケーブルアルミニウムシース腐食損傷信号と標準トレーニングセットを用いてディープ学習を行うと共にツインネットワークパラメータを更新して、トレーニング済みツインネットワークを取得するツインネットワークトレーニングモジュールと、トレーニング済みツインネットワークに標準テストセットを入力してケーブルアルミニウムシース腐食損傷指標を取得し、確率画像化法を用いてケーブルアルミニウムシース腐食損傷状態を表す確率画像化モジュールと、を含む。 Referring to FIG. 6, in another embodiment of the present application, a twin network and ultrasound guided wave based cable aluminum sheath corrosion damage imaging system is provided. The system uses ultrasonic guided wave detection equipment to collect the ultrasonic guided wave signals in the corrosion damaged state of the cable aluminum sheath as a test signal set, and the ultrasonic guided wave signals in the normal state of the cable aluminum sheath as a training signal. A signal acquisition module that collects signals as a set, a signal standardization module that performs standardization processing on training signal sets and test signal sets to obtain a standard training set and a standard test set, and a deep convolutional neural network to reduce the dimensionality of the standard training set. and rebuild, construct a signal simulation module that simulates the cable aluminum sheath corrosion damage signal set, and a twin network, perform deep learning using the cable aluminum sheath corrosion damage signal and the standard training set, and update the twin network parameters. and a twin network training module to obtain a trained twin network, input a standard test set to the trained twin network to obtain cable aluminum sheath corrosion damage index, and use a stochastic imaging method to measure cable aluminum sheath corrosion damage. a probabilistic imaging module representing the state.

なお、本発明のツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化システムは、本発明のツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法に一対一に対応する。上記のツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法の実施例において説明した技術的特徴及びその有益な効果は、全てツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化システムの実施例に適用し、具体的な内容は、本発明の方法の実施例の説明を参照し、ここでは繰り返して記載しない。 The cable aluminum sheath corrosion damage imaging system based on the twin network and ultrasonic guided waves of the present invention corresponds one-to-one to the cable aluminum sheath corrosion damage imaging method based on the twin network and ultrasonic guided waves of the present invention. . The technical features and its beneficial effects described in the above embodiment of the cable aluminum sheath corrosion damage imaging method based on twin network and ultrasonic guided waves are all Applicable to the embodiment of the imaging system, the specific details refer to the description of the embodiment of the method of the present invention and will not be repeated here.

更に、上記実施例のツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化システムの実施形態において、各プログラムモジュールの論理的分割は、単なる例であり、実際のアプリケーションでは、対応するハードウェアの配置要求又はソフトウェア実装の便宜を考慮し、必要に応じて、異なるプログラムモジュールで実行するように上記機能を割り当てる。即ち、以上記載した機能の全て又は一部を完成するために、前記ツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化システムの内部構造を異なるプログラムモジュールに分割する。 Furthermore, in the twin network and ultrasonic guided wave based cable aluminum sheath corrosion damage imaging system embodiment of the above example, the logical division of each program module is just an example, and in actual application, the corresponding hardware The above functions are assigned to be executed by different program modules as necessary, taking into account the requirements for software placement or the convenience of software implementation. That is, in order to complete all or some of the functions described above, the internal structure of the twin network and ultrasound guided wave based cable aluminum sheath corrosion damage imaging system is divided into different program modules.

図７を参照し、本発明の実施例は、更にコンピュータ可読記憶媒体を提供し、メモリにプログラムが格納されている。プログラムがプロセッサによって実行されると、ツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法を実現する。具体的に、超音波誘導波検出機器を利用し、ケーブルアルミニウムシースの腐食損傷状態で超音波誘導波信号をテスト信号セットとして収集し、ケーブルアルミニウムシースの正常状態で超音波誘導波信号をトレーニング信号セットとして収集するステップと、トレーニング信号セットとテスト信号セットの標準化処理を行って標準トレーニングセットと標準テストセットを得るステップと、ディープ畳み込みニューラルネットワークを利用して標準トレーニングセットの次元低下及び再構築を行い、ケーブルアルミニウムシース腐食損傷信号セットを模擬するステップと、ツインネットワークを構築し、ケーブルアルミニウムシース腐食損傷信号と標準トレーニングセットを用いてディープ学習を行うと共にツインネットワークパラメータを更新して、トレーニング済みツインネットワークを取得するステップと、トレーニング済みツインネットワークに標準テストセットを入力してケーブルアルミニウムシース腐食損傷指標を取得し、確率画像化法を用いてケーブルアルミニウムシース腐食損傷状態を表すステップとを含む。 Referring to FIG. 7, embodiments of the present invention further provide a computer readable storage medium with a program stored in the memory. When the program is executed by the processor, it implements a cable aluminum sheath corrosion damage imaging method based on twin networks and ultrasound guided waves. Specifically, using an ultrasonic guided wave detection device, the ultrasonic guided wave signal in the corrosion damaged state of the cable aluminum sheath was collected as a test signal set, and the ultrasonic guided wave signal in the normal state of the cable aluminum sheath was used as a training signal. standardizing the training signal set and the test signal set to obtain a standard training set and a standard test set; and using a deep convolutional neural network to reduce the dimensionality and reconstruct the standard training set. simulating a set of cable aluminum sheath corrosion damage signals; constructing a twin network; performing deep learning using the cable aluminum sheath corrosion damage signal and the standard training set; and updating the twin network parameters to create a trained twin network. obtaining a network; inputting a standard test set into the trained twin network to obtain a cable aluminum sheath corrosion damage index; and using a probabilistic imaging method to represent the cable aluminum sheath corrosion damage state.

当業者は、上記実施例の方法におけるプロセスの全て又は一部が、コンピュータプログラムを介して関連するハードウェアに命令することによって実現されることを理解することができる。前記プログラムは、非揮発性のコンピュータ可読記憶媒体に記憶される。このプログラムが実行されると、上記の各方法の実施例のプロセスを含むことができる。ここで、本願で提供される様々な実施例で使用されるメモリ、ストレージ、データベース又は他の媒体への言及は、非揮発性及び／又は揮発性メモリを含む。非揮発性メモリには、読み取り専用メモリ（ＲＯＭ）、プログラマブルＲＯＭ（ＰＲＯＭ）、電気的にプログラム可能なＲＯＭ（ＥＰＲＯＭ）、電気的に消去可能なプログラム可能なＲＯＭ（ＥＥＰＲＯＭ）又はフラッシュメモリが含まれる。揮発性メモリには、ランダムアクセスメモリ（ＲＡＭ）又は外部キャッシュメモリが含まれる。限定ではなく例として、ＲＡＭは、スタティックＲＡＭ（ＳＲＡＭ）、ダイナミックＲＡＭ（ＤＲＡＭ）、同期ＤＲＡＭ（ＳＤＲＡＭ）、ダブルデータレートＳＤＲＡＭ（ＤＤＲＳＤＲＡＭ）、拡張ＳＤＲＡＭ（ＥＳＤＲＡＭ）、同期リンク（Ｓｙｎｃｈｌｉｎｋ）ＤＲＡＭ（ＳＬＤＲＡＭ）、メモリバス（Ｒａｍｂｕｓ）ダイレクトＲＡＭ（ＲＤＲＡＭ）、ダイレクトメモリバスダイナミックＲＡＭ（ＤＲＤＲＡＭ）、メモリバスダイナミックＲＡＭ（ＲＤＲＡＭ）など、複数の形態をとることができる。 Those skilled in the art can understand that all or part of the processes in the methods of the above embodiments are implemented by instructing the relevant hardware via a computer program. The program is stored on a non-volatile computer readable storage medium. When this program is executed, it may include the processes of each of the method embodiments described above. References herein to memory, storage, databases, or other media used in the various examples provided herein include non-volatile and/or volatile memory. Non-volatile memory includes read-only memory (ROM), programmable ROM (PROM), electrically programmable ROM (EPROM), electrically erasable programmable ROM (EEPROM) or flash memory. . Volatile memory includes random access memory (RAM) or external cache memory. By way of example and not limitation, RAM may include static RAM (SRAM), dynamic RAM (DRAM), synchronous DRAM (SDRAM), double data rate SDRAM (DDRSDRAM), enhanced SDRAM (ESDRAM), and Synclink DRAM (SLDRAM). , memory bus (Rambus) direct RAM (RDRAM), direct memory bus dynamic RAM (DRDRAM), and memory bus dynamic RAM (RDRAM).

上記実施例の各技術的特徴は、任意に組み合わせることができる。説明を簡単にするために、上記実施例における各技術的特徴の可能な全ての組み合わせを記載していないが、これらの技術的特徴の組み合わせに矛盾がない限り、本明細書に記載されている範囲とみなす。 The technical features of the above embodiments can be combined arbitrarily. In order to simplify the explanation, all possible combinations of each technical feature in the above embodiments are not described, but unless there is a contradiction in the combination of these technical features, the combinations are described in this specification. Considered as a range.

上記の実施例は、本発明の好ましい実施形態である。ただし、本発明の実施形態は、上記の実施例に限定されるものではなく、本発明の趣旨や原理から逸脱することなく為したその他の変更、修正、置換、組み合わせ、単純化は、いずれも同等の置換方法であり、全て本発明の保護範囲に含まれる。 The above examples are preferred embodiments of the invention. However, the embodiments of the present invention are not limited to the above-mentioned examples, and any other changes, modifications, substitutions, combinations, or simplifications made without departing from the spirit or principle of the present invention are not permitted. All equivalent substitution methods fall within the protection scope of the present invention.

（付記）
（付記１）
ツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法であって、
超音波誘導波検出機器を利用し、ケーブルアルミニウムシースの正常状態で超音波誘導波信号をトレーニング信号セットとして収集し、ケーブルアルミニウムシースの腐食損傷状態で超音波誘導波信号をテスト信号セットとして収集するステップと、
トレーニング信号セットとテスト信号セットの標準化処理を行って標準トレーニングセットと標準テストセットを得るステップと、
ディープ畳み込みニューラルネットワークを利用して標準トレーニングセットの次元低下及び再構築を行い、ケーブルアルミニウムシース腐食損傷信号セットを模擬するステップと、
ツインネットワークを構築し、ケーブルアルミニウムシース腐食損傷信号と標準トレーニングセットを用いてディープ学習を行うと共にツインネットワークパラメータを更新して、トレーニング済みツインネットワークを取得するステップと、
トレーニング済みツインネットワークに標準テストセットを入力してケーブルアルミニウムシース腐食損傷指標を取得し、確率画像化法を用いてケーブルアルミニウムシース腐食損傷状態を表すステップと、を含むことを特徴とするツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法。 (Additional note)
(Additional note 1)
A cable aluminum sheath corrosion damage imaging method based on twin networks and ultrasound guided waves, comprising:
Using ultrasonic guided wave detection equipment, collect the ultrasonic guided wave signals under the normal state of the cable aluminum sheath as a training signal set, and collect the ultrasonic guided wave signals under the corrosion damaged state of the cable aluminum sheath as a test signal set. step and
performing standardization processing on the training signal set and the test signal set to obtain a standard training set and a standard test set;
reducing and reconstructing a standard training set using a deep convolutional neural network to simulate a set of cable aluminum sheath corrosion damage signals;
constructing a twin network and performing deep learning using the cable aluminum sheath corrosion damage signal and a standard training set and updating twin network parameters to obtain a trained twin network;
inputting a standard test set into the trained twin network to obtain a cable aluminum sheath corrosion damage index, and representing the cable aluminum sheath corrosion damage state using a probabilistic imaging method; Cable aluminum sheath corrosion damage imaging method based on ultrasound guided waves.

（付記２）
前記の超音波誘導波信号の収集は、具体的には、
コンピュータで励起信号を生成して任意の信号発生器に導入して電圧増幅器に入力し、
電気信号を増幅する電圧を電圧増幅器からケーブルアルミニウムシースの励起センサに出力し、励起センサの圧電チップの逆圧電効果を利用して電気信号を振動信号に変換し、
振動信号がケーブルアルミニウムシース内を誘導波方式で伝搬し、ケーブルアルミニウムシースのねじ込みパイプ構造の外凸面と銅編組の溶接箇所で収集センサにより振動信号を収集し、収集センサの圧電チップの正圧電効果を利用して振動信号を電気信号に変換してデータ収集カードに入力し、
データ収集カードにおけるデジタルからアナログへの変換後にコンピュータに入力し、腐食損傷状態と正常状態のケーブルアルミニウムシースの超音波誘導波信号を取得し、
ケーブルアルミニウムシースの正常状態で収集された超音波誘導波信号をトレーニング信号セット

Figure 2023184389000046
（
Figure 2023184389000047
 は、正常状態におけるｎ個目の超音波誘導波信号サンプルであり、Ｎｓは、トレーニング信号セットのサンプル数である）とし、ケーブルアルミニウムシースの腐食損傷状態で収集された超音波誘導波信号をテスト信号セット
Figure 2023184389000048
 （
Figure 2023184389000049
 は、腐食損傷状態におけるｎ番目の超音波誘導波信号サンプルであり、Ｎｔは、テスト信号セットのサンプル数である）とすることを特徴とする付記１に記載のツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法。 (Additional note 2)
Specifically, the collection of the ultrasonic guided wave signals includes:
Generate an excitation signal with a computer, introduce it into any signal generator, input it into a voltage amplifier,
The voltage that amplifies the electrical signal is output from the voltage amplifier to the excitation sensor of the cable aluminum sheath, and the inverse piezoelectric effect of the piezoelectric chip of the excitation sensor is used to convert the electrical signal into a vibration signal.
The vibration signal propagates in the cable aluminum sheath by guided wave method, and the vibration signal is collected by the collection sensor at the welding point between the outer convex surface of the threaded pipe structure of the cable aluminum sheath and the copper braid, and the positive piezoelectric effect of the piezoelectric chip of the collection sensor convert the vibration signal into an electrical signal and input it to the data collection card using
After digital to analog conversion in the data acquisition card, input into the computer to obtain the ultrasonic guided wave signals of the cable aluminum sheath in corrosion damage state and normal state;
Training signal set: Ultrasonic guided wave signals collected under normal conditions of cable aluminum sheath
Figure 2023184389000046
 (
Figure 2023184389000047
 is the n-th ultrasound guided wave signal sample in the normal state, and N s is the number of samples in the training signal set), and the ultrasound guided wave signal collected in the corrosion damaged state of the cable aluminum sheath is test signal set
Figure 2023184389000048
 (
Figure 2023184389000049
 The twin network and ultrasonic guided wave according to appendix 1, characterized in that (n is the nth ultrasonic guided wave signal sample in the corrosion damage state and N t is the number of samples in the test signal set) A cable aluminum sheath corrosion damage imaging method based on

（付記３）
前記の標準化処理を行うことは、具体的には、
式

Figure 2023184389000050
（Ｙｉは、信号セットのｉ番目の信号サンプルであり、ｍａｘ（Ｙ）は、全ての信号サンプルの最大値であり、ｍｉｎ（Ｙ）は、全ての信号サンプルの最小値である）のように、信号セット内の信号サンプル毎に標準化処理を行い、
トレーニング信号セットとテスト信号セットをそれぞれ［－１，１］に標準化し、標準トレーニングセットＹｈ＝｛Ｙｈｉ｝、ｉ＝１，２，…，Ｎｓと標準テストセットＹｔ＝｛Ｙｔｉ｝、ｉ＝１，２，…，Ｎｔを取得することを特徴とする付記２に記載のツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法。 (Additional note 3)
Specifically, performing the standardization process described above is as follows:
formula
Figure 2023184389000050
 (Y i is the i-th signal sample of the signal set, max(Y) is the maximum value of all signal samples, min(Y) is the minimum value of all signal samples) Then, standardization processing is performed for each signal sample in the signal set,
The training signal set and the test signal set are each standardized to [-1, 1], and the standard training set Y h = {Y hi }, i = 1, 2, ..., N s and the standard test set Y t = {Y ti }, i = 1, 2, ..., N t . The method for imaging cable aluminum sheath corrosion damage based on twin networks and ultrasonic guided waves according to appendix 2, characterized in that:

（付記４）
前記ディープ畳み込みニューラルネットワークは、畳み込み符号化ネットワーク及び復号再構築ネットワークを含み、
前記畳み込み符号化ネットワークは、畳み込み層とプーリング層で構成され、入力信号に対して層ごとの特徴抽出を行い、特徴の次元低下を実現し、畳み込み計算プロセスは、次のように表され、

Figure 2023184389000051
ここで、ｉ、ｊ、ｋは、全て正の整数であり、ｈｉ，ｋは、ｉ番目の畳み込みカーネルによってキャプチャされた隠れ層によって表されるｋ番目の要素であり、ｍ１は、畳み込みカーネルのサイズであり、ｎ１は、畳み込みカーネルの数であり、ｌは、入力信号の長さであり、Ｙｋ－１＋ｊは、ｋ－１＋ｊ番目の標準化信号のゼロベクトルであり、Ｋｉ，ｊは、ｉ番目の畳み込みカーネルのｊ番目の要素であり、
前記復号再構築ネットワークは、多層アップサンプリング層とデコンボリューション層で構成され、次元低下後の信号を再構築し、再構築プロセスは、次のように表され、
Figure 2023184389000052
 ここで、ｉ、ｊ、ｋは、全て正の整数であり、
Figure 2023184389000053
 は、Ｎｌ層のデコンボリューション層のｉ番目の畳み込みカーネルによって得られる畳み込みで表現されるｋ番目の要素であり、
Figure 2023184389000054
 は、Ｎｌ番目のデコンボリューション層のｉ番目の畳み込みカーネルのｋ番目の要素の、前のアップサンプリング層における結果を示し、
Figure 2023184389000055
 は、Ｎｌ層のデコンボリューション層のｉ番目の畳み込みカーネルのｊ番目の要素であり、
Figure 2023184389000056
 は、Ｎｌ番目のデコンボリューション層の畳み込みカーネルのサイズであり、
Figure 2023184389000057
 は、Ｎｌ番目のデコンボリューション層の入力信号長であることを特徴とする付記３に記載のツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法。 (Additional note 4)
The deep convolutional neural network includes a convolutional encoding network and a decoding reconstruction network,
The convolutional encoding network is composed of a convolutional layer and a pooling layer, and performs feature extraction for each layer of the input signal to realize feature dimension reduction, and the convolutional calculation process is expressed as follows:
Figure 2023184389000051
 Here, i, j, k are all positive integers, h i,k is the k-th element represented by the hidden layer captured by the i-th convolution kernel, and m 1 is the convolution is the size of the kernel, n 1 is the number of convolution kernels, l is the length of the input signal, Y k-1+j is the zero vector of the k-1+jth standardized signal, and K i, j is the j-th element of the i-th convolution kernel,
The decoding reconstruction network is composed of a multi-layer upsampling layer and a deconvolution layer, and reconstructs the signal after dimensionality reduction, and the reconstruction process is expressed as follows:
Figure 2023184389000052
 Here, i, j, k are all positive integers,
Figure 2023184389000053
 is the k-th element expressed by the convolution obtained by the i-th convolution kernel of the N l deconvolution layer,
Figure 2023184389000054
 denotes the result in the previous upsampling layer of the k-th element of the i-th convolution kernel of the N l -th deconvolution layer,
Figure 2023184389000055
 is the j-th element of the i-th convolution kernel of the N l- layer deconvolution layer,
Figure 2023184389000056
 is the size of the convolution kernel of the Nlth deconvolution layer,
Figure 2023184389000057
 The cable aluminum sheath corrosion damage imaging method based on twin networks and ultrasound guided waves according to appendix 3, wherein is the input signal length of the Nlth deconvolution layer.

（付記５）
前記のケーブルアルミニウムシース腐食損傷信号セットの模擬ステップは、
標準トレーニングセットをディープ畳み込みニューラルネットワークに入力し、畳み込み符号化ネットワークを用いて標準トレーニングセットの次元低下を行ってディープ畳み込み特徴、即ち隠れ層表現を取得し、
標準トレーニングセットの隠れ層表現に信号干渉を追加して、乱れた隠れ層表現を取得し、
復号再構築ネットワークを用いて、乱れた隠れ層表現を再構築してケーブルアルミニウムシース腐食損傷信号セットを取得し、
前記ケーブルアルミニウムシース腐食損傷信号セットの生成式は、次のとおりであり、

Figure 2023184389000058
ここで、Ｙｈは、標準トレーニングセットであり、Ｙｄは、腐食損傷信号セットであり、ＱＨは、畳み込み符号化ネットワークによって次元低下して出力される隠れ層表現であり、
Figure 2023184389000059
 は、乱れた隠れ層表現であり、Ｅｎｃｏｄｅｒは、畳み込み符号化ネットワークであり、Ｄｅｃｏｄｅｒは、復号再構築ネットワークであることを特徴とする付記４に記載のツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法。 (Appendix 5)
The simulation steps of the cable aluminum sheath corrosion damage signal set above are as follows:
inputting a standard training set into a deep convolutional neural network, performing dimensionality reduction of the standard training set using a convolutional encoding network to obtain deep convolutional features, i.e., hidden layer representations;
Add signal interference to the hidden layer representation of the standard training set to obtain a perturbed hidden layer representation,
Using a decoding reconstruction network, reconstruct the disturbed hidden layer representation to obtain a set of cable aluminum sheath corrosion damage signals,
The generation formula of the cable aluminum sheath corrosion damage signal set is as follows:
Figure 2023184389000058
 Here, Y h is the standard training set, Y d is the corrosion damage signal set, Q H is the hidden layer representation reduced in dimension and output by the convolutional encoding network,
Figure 2023184389000059
 is a perturbed hidden layer representation, Encoder is a convolutional encoding network, and Decoder is a decoding and reconstruction network. Sheath corrosion damage imaging method.

（付記６）
前記ツインネットワークは、半教師あり学習ネットワークによって構築され、２つのパラメータ共有の畳み込みニューラルネットワークを含み、
入力信号ペア［Ｙｎ，Ｙｔ］に対して、マッピング関数ＦＷ（Ｙ）を使用し、畳み込みニューラルネットワークを介して入力信号を新しい座標系空間にマッピングし、マッピング信号ＦＷ（Ｙｎ）とＦＷ（Ｙｔ）のユークリッド距離ＳＷを距離メトリックで計算し、
Ｓ（ＦＷ（Ｙｎ），ＦＷ（Ｙｔ））＝||ＦＷ（Ｙｎ），ＦＷ（Ｙｔ）||２
ここで、ＹｎとＹｔは、異なる信号セットであるか、同じ信号セットであり、
前記ユークリッド距離ＳＷは、ツインネットワークの出力として、信号間の偏差値を表すことを特徴とする付記５に記載のツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法。 (Appendix 6)
The twin network is constructed by a semi-supervised learning network and includes two parameter-sharing convolutional neural networks;
For an input signal pair [Y n , Y t ], a mapping function F W (Y) is used to map the input signal to a new coordinate system space via a convolutional neural network, and a mapping signal F W (Y n ) is obtained. Calculate the Euclidean distance S W of and F W (Y t ) using the distance metric,
S(F W (Y n ), F W (Y t ))=||F W (Y n ), F W (Y t )|| 2
Here, Y n and Y t are different signal sets or the same signal set,
The cable aluminum sheath corrosion damage imaging method based on a twin network and ultrasonic guided waves according to appendix 5, wherein the Euclidean distance S W represents a deviation value between signals as an output of the twin network.

（付記７）
前記のディープ学習を行うと共にツインネットワークパラメータを更新してトレーニング済みツインネットワークを取得することは、具体的には、
トレーニングデータセットからサイズＮＲの正常状態トレーニングセット

Figure 2023184389000060
を取得し、［１，ＮＲ］から正の整数値ｎ１及びｎ２をランダムに選択し、正常サンプル入力ペア
Figure 2023184389000061
 を構築し、
ケーブルアルミニウムシース腐食損傷信号セットから、損傷サンプルを模擬する損傷模擬入力ペア
Figure 2023184389000062
 （Ｓ１は、正の整数値である）を構築し、
正常サンプル入力ペアのラベルを０、損傷模擬入力ペアのラベルを１にセットし、正常サンプル入力ペアの数を損傷模擬入力ペアの数と同じにし、
正常サンプル入力ペアと損傷模擬入力ペアをツインネットワークに入力してパラメータ更新を行い、
バイナリクロスエントロピーを損失関数とし、次のように定義され、
Figure 2023184389000063
 ここで、
Figure 2023184389000064
 は、入力ペアのラベルであり、Ｘｋは、ツインネットワークの出力であることを特徴とする付記６に記載のツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法。 (Appendix 7)
Specifically, performing the deep learning described above and updating the twin network parameters to obtain a trained twin network is as follows.
Normal state training set of size N R from the training dataset
Figure 2023184389000060
 , randomly select positive integer values n 1 and n 2 from [1,N R ], and select the normal sample input pair
Figure 2023184389000061
 Build and
Damage simulation input pair to simulate damage samples from cable aluminum sheath corrosion damage signal set
Figure 2023184389000062
 (S 1 is a positive integer value),
Set the label of the normal sample input pair to 0, the label of the damaged simulated input pair to 1, and make the number of normal sample input pairs equal to the number of damaged simulated input pairs,
Input the normal sample input pair and the damaged simulated input pair into the twin network and update the parameters.
The loss function is binary cross entropy, which is defined as follows,
Figure 2023184389000063
 here,
Figure 2023184389000064
 Cable aluminum sheath corrosion damage imaging method based on twin networks and ultrasound guided waves according to appendix 6, characterized in that is the label of the input pair and X k is the output of the twin network.

（付記８）
前記の確率画像化法でケーブルアルミニウムシース腐食損傷状態を表すことは、具体的には、
標準テストセットのテスト信号Ｙｔと標準トレーニングセットの正常信号からなるテストペア

Figure 2023184389000065
をトレーニング済みツインネットワークに入力し、ケーブルアルミニウムシースの腐食損傷指標を出力し、
腐食損傷指標に基づいて、マルチセンサを使用して損傷確率を伝達経路の近くの画像化点に割り当て、面積化の損傷確率の割り当てにより画像化性能を向上させ、
画像化のステップは、
Ｎ個のセンサがある条件下で、Ｎ×（Ｎ－１）本の異なる伝達経路を有し、励起センサ、収集センサと腐食損傷箇所の距離をユークリッド距離計算によって取得し、
ケーブルアルミニウムシース内の超音波誘導波の伝搬速度に基づいて、超音波誘導波が各距離で伝搬するのに必要な時間を計算し、直接波信号と散乱信号の時間差を計算し、
ΔＴ＝Ｔ１＋Ｔ２－Ｔ０
ここで、Ｔ１は、誘導波信号が励起センサからケーブルアルミニウムシース腐食損傷箇所に至る時間であり、Ｔ２は、誘導波信号がケーブルアルミニウムシース腐食損傷箇所から収集センサに至る時間であり、Ｔ０は、正常状態で誘導波信号が励起センサから収集センサに至る時間であり、
前記直接波信号は、正常状態で励起センサから収集センサに至る誘導波信号であり、
前記散乱信号は、ケーブルアルミニウムシース腐食損傷箇所から収集センサに至る誘導波信号と、正常状態で励起センサから収集センサに至る誘導波信号との差信号であり、
ケーブルの検出対象領域を離散化し、各離散点を１つの基準点として励起点、受信点と離散点の伝搬時間を計算し、損傷点と離散点の時間差を求め、時間係数は、次のように定義され、
τｔ＝（ΔＴ’－ΔＴ）／Ｔ０＝［（Ｔ１’＋Ｔ２’－Ｔ０）－（Ｔ１＋Ｔ２－Ｔ０）］／Ｔ０
ここで、ΔＴ’は、離散点信号と正常状態信号の時間差であり、Ｔ１’は、誘導波信号が励起センサから離散点に至る時間であり、Ｔ２’は、誘導波信号が離散点から収集センサに至る時間であり、
前記励起点は、励起センサの位置であり、前記受信点は、収集センサの位置であり、前記損傷点は、ケーブルアルミニウムシース腐食損傷箇所の位置であり、
τｔ＝０の場合、基準点での損傷確率が最も大きくなり、τｔが大きいほど、基準点が損傷から離れ、損傷確率が低くなり、
画像化の重みを線形減衰に設定し、τｔと線形減衰係数αによって計算され、
Figure 2023184389000066
 離散点毎に損傷確率値を計算することにより、ケーブルアルミニウムシースの腐食損傷画像を得て、
前記損傷確率値の計算式は、以下の通りであり、
Figure 2023184389000067
 ここで、Ｐｎ（ｘ，ｙ）は、ｎ本目の超音波誘導波伝達経路によって推定される座標（ｘ，ｙ）の離散点の損傷確率であり、ＮＰは、全ての励起センサの伝達経路の数であり、Ｃｌｎは、ｎ本目の超音波誘導波伝達経路の損傷指標であり、Ｈｎ（ｘ，ｙ）は、ｎ本目の超音波誘導波伝達経路の線形減衰画像化重みであることを特徴とする付記７に記載のツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法。 (Appendix 8)
Specifically, representing the cable aluminum sheath corrosion damage state with the above stochastic imaging method is as follows:
A test pair consisting of the test signal Y t of the standard test set and the normal signal of the standard training set
Figure 2023184389000065
 into the trained twin network and output the corrosion damage index of the cable aluminum sheath,
Based on the corrosion damage index, multi-sensors are used to assign damage probabilities to imaging points near the transmission path, and area-based damage probability assignment improves imaging performance;
The imaging step is
Under certain conditions, N sensors have N×(N−1) different transmission paths, and the distances between the excitation sensor, the collection sensor, and the corrosion damage location are obtained by Euclidean distance calculation,
Based on the propagation speed of the ultrasonic guided wave in the cable aluminum sheath, calculate the time required for the ultrasonic guided wave to propagate at each distance, calculate the time difference between the direct wave signal and the scattered signal,
ΔT=T 1 +T 2 -T 0
Here, T 1 is the time for the guided wave signal to travel from the excitation sensor to the cable aluminum sheath corrosion damage location, T 2 is the time for the guided wave signal to travel from the cable aluminum sheath corrosion damage location to the collection sensor, and T 0 is the time for the guided wave signal to travel from the excitation sensor to the collection sensor under normal conditions;
The direct wave signal is a guided wave signal from an excitation sensor to a collection sensor under normal conditions;
The scattered signal is a difference signal between a guided wave signal from a corrosion damaged part of the cable aluminum sheath to the collection sensor and a guided wave signal from the excitation sensor to the collection sensor under normal conditions,
Discretize the detection target area of the cable, calculate the propagation time of the excitation point, reception point, and discrete point using each discrete point as one reference point, and find the time difference between the damage point and the discrete point, and the time coefficient is as follows. is defined as
τ t = (ΔT'-ΔT)/T 0 = [(T 1 '+T 2 '-T 0 )-(T 1 +T 2 -T 0 )]/T 0
Here, ΔT' is the time difference between the discrete point signal and the normal state signal, T1 ' is the time for the guided wave signal to reach the discrete point from the excitation sensor, and T2 ' is the time difference between the discrete point signal and the normal state signal. is the time from to the collection sensor,
The excitation point is the location of an excitation sensor, the reception point is the location of a collection sensor, and the damage point is the location of a cable aluminum sheath corrosion damage location;
When τ t = 0, the damage probability at the reference point is the largest, and the larger τ t is, the farther the reference point is from the damage, the lower the damage probability;
Set the imaging weight to linear attenuation, calculated by τ t and linear attenuation coefficient α,
Figure 2023184389000066
 By calculating the damage probability value for each discrete point, a corrosion damage image of the cable aluminum sheath is obtained,
The calculation formula for the damage probability value is as follows:
Figure 2023184389000067
 Here, P n (x, y) is the damage probability of a discrete point at coordinates (x, y) estimated by the n-th ultrasonic guided wave transmission path, and N is the number of paths, Cl n is the damage index of the nth ultrasound guided wave transmission path, and H n (x,y) is the linear attenuation imaging weight of the nth ultrasound guided wave transmission path. A method for imaging cable aluminum sheath corrosion damage based on twin networks and ultrasound guided waves according to appendix 7, characterized in that:

（付記９）
ツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化システムであって、
超音波誘導波検出機器を利用し、ケーブルアルミニウムシースの正常状態で超音波誘導波信号をトレーニング信号セットとして収集し、ケーブルアルミニウムシースの腐食損傷状態で超音波誘導波信号をテスト信号セットとして収集する信号収集モジュールと、
トレーニング信号セットとテスト信号セットの標準化処理を行って標準トレーニングセットと標準テストセットを得る信号標準化モジュールと、
ディープ畳み込みニューラルネットワークを利用して標準トレーニングセットの次元低下及び再構築を行い、ケーブルアルミニウムシース腐食損傷信号セットを模擬する信号模擬モジュールと、
ツインネットワークを構築し、ケーブルアルミニウムシース腐食損傷信号と標準トレーニングセットを用いてディープ学習を行うと共にツインネットワークパラメータを更新して、トレーニング済みツインネットワークを取得するツインネットワークトレーニングモジュールと、
トレーニング済みツインネットワークに標準テストセットを入力してケーブルアルミニウムシース腐食損傷指標を取得し、確率画像化法を用いてケーブルアルミニウムシース腐食損傷状態を表す確率画像化モジュールと、を含むことを特徴とするツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化システム。 (Appendix 9)
A cable aluminum sheath corrosion damage imaging system based on twin networks and ultrasonic guided waves, comprising:
Using ultrasonic guided wave detection equipment, collect the ultrasonic guided wave signals under the normal state of the cable aluminum sheath as a training signal set, and collect the ultrasonic guided wave signals under the corrosion damaged state of the cable aluminum sheath as a test signal set. a signal acquisition module;
a signal standardization module that performs standardization processing on the training signal set and the test signal set to obtain a standard training set and a standard test set;
a signal simulation module that utilizes a deep convolutional neural network to reduce and reconstruct a standard training set to simulate a cable aluminum sheath corrosion damage signal set;
a twin network training module that constructs a twin network and performs deep learning using the cable aluminum sheath corrosion damage signal and a standard training set and updates twin network parameters to obtain a trained twin network;
a probabilistic imaging module that inputs a standard test set to the trained twin network to obtain a cable aluminum sheath corrosion damage index and represents the cable aluminum sheath corrosion damage state using a probabilistic imaging method. Cable aluminum sheath corrosion damage imaging system based on twin network and ultrasonic guided waves.

（付記１０）
プログラムが格納されているコンピュータ可読記憶媒体であって、前記プログラムがプロセッサによって実行されると、付記１～８のいずれか一つに記載のツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法を実現することを特徴とするコンピュータ可読記憶媒体。 (Appendix 10)
A computer-readable storage medium in which a program is stored, which causes corrosion damage to the cable aluminum sheath based on the twin network and ultrasonic guided waves according to any one of appendices 1 to 8, when the program is executed by a processor. A computer-readable storage medium for implementing an imaging method.

Claims (10)

ツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法であって、
超音波誘導波検出機器を利用し、ケーブルアルミニウムシースの正常状態で超音波誘導波信号をトレーニング信号セットとして収集し、ケーブルアルミニウムシースの腐食損傷状態で超音波誘導波信号をテスト信号セットとして収集するステップと、
トレーニング信号セットとテスト信号セットの標準化処理を行って標準トレーニングセットと標準テストセットを得るステップと、
ディープ畳み込みニューラルネットワークを利用して標準トレーニングセットの次元低下及び再構築を行い、ケーブルアルミニウムシース腐食損傷信号セットを模擬するステップと、
ツインネットワークを構築し、ケーブルアルミニウムシース腐食損傷信号と標準トレーニングセットを用いてディープ学習を行うと共にツインネットワークパラメータを更新して、トレーニング済みツインネットワークを取得するステップと、
トレーニング済みツインネットワークに標準テストセットを入力してケーブルアルミニウムシース腐食損傷指標を取得し、確率画像化法を用いてケーブルアルミニウムシース腐食損傷状態を表すステップと、を含むことを特徴とするツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法。 A cable aluminum sheath corrosion damage imaging method based on twin networks and ultrasound guided waves, comprising:
Using ultrasonic guided wave detection equipment, collect the ultrasonic guided wave signals under the normal state of the cable aluminum sheath as a training signal set, and collect the ultrasonic guided wave signals under the corrosion damaged state of the cable aluminum sheath as a test signal set. step and
performing standardization processing on the training signal set and the test signal set to obtain a standard training set and a standard test set;
reducing and reconstructing a standard training set using a deep convolutional neural network to simulate a set of cable aluminum sheath corrosion damage signals;
constructing a twin network and performing deep learning using the cable aluminum sheath corrosion damage signal and a standard training set and updating twin network parameters to obtain a trained twin network;
inputting a standard test set into the trained twin network to obtain a cable aluminum sheath corrosion damage index, and representing the cable aluminum sheath corrosion damage state using a probabilistic imaging method; Cable aluminum sheath corrosion damage imaging method based on ultrasound guided waves. 前記の超音波誘導波信号の収集は、具体的には、
コンピュータで励起信号を生成して任意の信号発生器に導入して電圧増幅器に入力し、
電気信号を増幅する電圧を電圧増幅器からケーブルアルミニウムシースの励起センサに出力し、励起センサの圧電チップの逆圧電効果を利用して電気信号を振動信号に変換し、
振動信号がケーブルアルミニウムシース内を誘導波方式で伝搬し、ケーブルアルミニウムシースのねじ込みパイプ構造の外凸面と銅編組の溶接箇所で収集センサにより振動信号を収集し、収集センサの圧電チップの正圧電効果を利用して振動信号を電気信号に変換してデータ収集カードに入力し、
データ収集カードにおけるデジタルからアナログへの変換後にコンピュータに入力し、腐食損傷状態と正常状態のケーブルアルミニウムシースの超音波誘導波信号を取得し、
ケーブルアルミニウムシースの正常状態で収集された超音波誘導波信号をトレーニング信号セット
Figure 2023184389000068
 （
Figure 2023184389000069
 は、正常状態におけるｎ個目の超音波誘導波信号サンプルであり、Ｎｓは、トレーニング信号セットのサンプル数である）とし、ケーブルアルミニウムシースの腐食損傷状態で収集された超音波誘導波信号をテスト信号セット
Figure 2023184389000070
 （
Figure 2023184389000071
 は、腐食損傷状態におけるｎ番目の超音波誘導波信号サンプルであり、Ｎｔは、テスト信号セットのサンプル数である）とすることを特徴とする請求項１に記載のツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法。 Specifically, the collection of the ultrasonic guided wave signals includes:
Generate an excitation signal with a computer, introduce it into any signal generator, input it into a voltage amplifier,
The voltage that amplifies the electrical signal is output from the voltage amplifier to the excitation sensor of the cable aluminum sheath, and the inverse piezoelectric effect of the piezoelectric chip of the excitation sensor is used to convert the electrical signal into a vibration signal.
The vibration signal propagates in the cable aluminum sheath by guided wave method, and the vibration signal is collected by the collection sensor at the welding point between the outer convex surface of the threaded pipe structure of the cable aluminum sheath and the copper braid, and the positive piezoelectric effect of the piezoelectric chip of the collection sensor convert the vibration signal into an electrical signal and input it to the data collection card using
After digital to analog conversion in the data acquisition card, input into the computer to obtain the ultrasonic guided wave signals of the cable aluminum sheath in corrosion damage state and normal state;
Training signal set: Ultrasonic guided wave signals collected under normal conditions of cable aluminum sheath
Figure 2023184389000068
 (
Figure 2023184389000069
 is the n-th ultrasound guided wave signal sample in the normal state, and N s is the number of samples in the training signal set), and the ultrasound guided wave signal collected in the corrosion damaged state of the cable aluminum sheath is test signal set
Figure 2023184389000070
 (
Figure 2023184389000071
 2. The twin network and ultrasound guidance system of claim 1, wherein Nt is the nth ultrasound guided wave signal sample in the corrosion damage state, and Nt is the number of samples in the test signal set. A wave-based cable aluminum sheath corrosion damage imaging method. 前記の標準化処理を行うことは、具体的には、
式
Figure 2023184389000072
 （Ｙｉは、信号セットのｉ番目の信号サンプルであり、ｍａｘ（Ｙ）は、全ての信号サンプルの最大値であり、ｍｉｎ（Ｙ）は、全ての信号サンプルの最小値である）のように、信号セット内の信号サンプル毎に標準化処理を行い、
トレーニング信号セットとテスト信号セットをそれぞれ［－１，１］に標準化し、標準トレーニングセットＹｈ＝｛Ｙｈｉ｝、ｉ＝１，２，…，Ｎｓと標準テストセットＹｔ＝｛Ｙｔｉ｝、ｉ＝１，２，…，Ｎｔを取得することを特徴とする請求項２に記載のツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法。 Specifically, performing the standardization process described above is as follows:
formula
Figure 2023184389000072
 (Y i is the i-th signal sample of the signal set, max(Y) is the maximum value of all signal samples, min(Y) is the minimum value of all signal samples) Then, standardization processing is performed for each signal sample in the signal set,
The training signal set and the test signal set are each standardized to [-1, 1], and the standard training set Y h = {Y hi }, i = 1, 2, ..., N s and the standard test set Y t = {Y ti }, i = 1, 2,..., N t. The method for imaging cable aluminum sheath corrosion damage based on twin networks and ultrasound guided waves according to claim 2. 前記ディープ畳み込みニューラルネットワークは、畳み込み符号化ネットワーク及び復号再構築ネットワークを含み、
前記畳み込み符号化ネットワークは、畳み込み層とプーリング層で構成され、入力信号に対して層ごとの特徴抽出を行い、特徴の次元低下を実現し、畳み込み計算プロセスは、次のように表され、
Figure 2023184389000073
 ここで、ｉ、ｊ、ｋは、全て正の整数であり、ｈｉ，ｋは、ｉ番目の畳み込みカーネルによってキャプチャされた隠れ層によって表されるｋ番目の要素であり、ｍ１は、畳み込みカーネルのサイズであり、ｎ１は、畳み込みカーネルの数であり、ｌは、入力信号の長さであり、Ｙｋ－１＋ｊは、ｋ－１＋ｊ番目の標準化信号のゼロベクトルであり、Ｋｉ，ｊは、ｉ番目の畳み込みカーネルのｊ番目の要素であり、
前記復号再構築ネットワークは、多層アップサンプリング層とデコンボリューション層で構成され、次元低下後の信号を再構築し、再構築プロセスは、次のように表され、
Figure 2023184389000074
 ここで、ｉ、ｊ、ｋは、全て正の整数であり、
Figure 2023184389000075
 は、Ｎｌ層のデコンボリューション層のｉ番目の畳み込みカーネルによって得られる畳み込みで表現されるｋ番目の要素であり、
Figure 2023184389000076
 は、Ｎｌ番目のデコンボリューション層のｉ番目の畳み込みカーネルのｋ番目の要素の、前のアップサンプリング層における結果を示し、
Figure 2023184389000077
 は、Ｎｌ層のデコンボリューション層のｉ番目の畳み込みカーネルのｊ番目の要素であり、
Figure 2023184389000078
 は、Ｎｌ番目のデコンボリューション層の畳み込みカーネルのサイズであり、
Figure 2023184389000079
 は、Ｎｌ番目のデコンボリューション層の入力信号長であることを特徴とする請求項３に記載のツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法。 The deep convolutional neural network includes a convolutional encoding network and a decoding reconstruction network,
The convolutional encoding network is composed of a convolutional layer and a pooling layer, and performs feature extraction for each layer of the input signal to realize feature dimension reduction, and the convolutional calculation process is expressed as follows:
Figure 2023184389000073
 Here, i, j, k are all positive integers, h i,k is the k-th element represented by the hidden layer captured by the i-th convolution kernel, and m 1 is the convolution is the size of the kernel, n 1 is the number of convolution kernels, l is the length of the input signal, Y k-1+j is the zero vector of the k-1+jth standardized signal, and K i, j is the j-th element of the i-th convolution kernel,
The decoding reconstruction network is composed of a multi-layer upsampling layer and a deconvolution layer, and reconstructs the signal after dimensionality reduction, and the reconstruction process is expressed as follows:
Figure 2023184389000074
 Here, i, j, k are all positive integers,
Figure 2023184389000075
 is the k-th element expressed by the convolution obtained by the i-th convolution kernel of the N l deconvolution layer,
Figure 2023184389000076
 denotes the result in the previous upsampling layer of the k-th element of the i-th convolution kernel of the N l -th deconvolution layer,
Figure 2023184389000077
 is the j-th element of the i-th convolution kernel of the N l- layer deconvolution layer,
Figure 2023184389000078
 is the size of the convolution kernel of the Nlth deconvolution layer,
Figure 2023184389000079
 The cable aluminum sheath corrosion damage imaging method based on twin network and ultrasonic guided waves as claimed in claim 3, wherein is the input signal length of the Nlth deconvolution layer. 前記のケーブルアルミニウムシース腐食損傷信号セットの模擬ステップは、
標準トレーニングセットをディープ畳み込みニューラルネットワークに入力し、畳み込み符号化ネットワークを用いて標準トレーニングセットの次元低下を行ってディープ畳み込み特徴、即ち隠れ層表現を取得し、
標準トレーニングセットの隠れ層表現に信号干渉を追加して、乱れた隠れ層表現を取得し、
復号再構築ネットワークを用いて、乱れた隠れ層表現を再構築してケーブルアルミニウムシース腐食損傷信号セットを取得し、
前記ケーブルアルミニウムシース腐食損傷信号セットの生成式は、次のとおりであり、
Figure 2023184389000080
 ここで、Ｙｈは、標準トレーニングセットであり、Ｙｄは、腐食損傷信号セットであり、ＱＨは、畳み込み符号化ネットワークによって次元低下して出力される隠れ層表現であり、
Figure 2023184389000081
 は、乱れた隠れ層表現であり、Ｅｎｃｏｄｅｒは、畳み込み符号化ネットワークであり、Ｄｅｃｏｄｅｒは、復号再構築ネットワークであることを特徴とする請求項４に記載のツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法。 The simulation steps of the cable aluminum sheath corrosion damage signal set above are as follows:
inputting a standard training set into a deep convolutional neural network, performing dimensionality reduction of the standard training set using a convolutional encoding network to obtain deep convolutional features, i.e., hidden layer representations;
Add signal interference to the hidden layer representation of the standard training set to obtain a perturbed hidden layer representation,
Using a decoding reconstruction network, reconstruct the disturbed hidden layer representation to obtain a set of cable aluminum sheath corrosion damage signals,
The generation formula of the cable aluminum sheath corrosion damage signal set is as follows:
Figure 2023184389000080
 Here, Y h is the standard training set, Y d is the corrosion damage signal set, Q H is the hidden layer representation reduced in dimension and output by the convolutional encoding network,
Figure 2023184389000081
 Cable based on twin networks and ultrasound guided waves according to claim 4, characterized in that is a perturbed hidden layer representation, Encoder is a convolutional encoding network, and Decoder is a decoding reconstruction network. Aluminum sheath corrosion damage imaging method. 前記ツインネットワークは、半教師あり学習ネットワークによって構築され、２つのパラメータ共有の畳み込みニューラルネットワークを含み、
入力信号ペア［Ｙｎ，Ｙｔ］に対して、マッピング関数ＦＷ（Ｙ）を使用し、畳み込みニューラルネットワークを介して入力信号を新しい座標系空間にマッピングし、マッピング信号ＦＷ（Ｙｎ）とＦＷ（Ｙｔ）のユークリッド距離ＳＷを距離メトリックで計算し、
Ｓ（ＦＷ（Ｙｎ），ＦＷ（Ｙｔ））＝||ＦＷ（Ｙｎ），ＦＷ（Ｙｔ）||２
ここで、ＹｎとＹｔは、異なる信号セットであるか、同じ信号セットであり、
前記ユークリッド距離ＳＷは、ツインネットワークの出力として、信号間の偏差値を表すことを特徴とする請求項５に記載のツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法。 The twin network is constructed by a semi-supervised learning network and includes two parameter-sharing convolutional neural networks;
For an input signal pair [Y n , Y t ], a mapping function F W (Y) is used to map the input signal to a new coordinate system space via a convolutional neural network, and a mapping signal F W (Y n ) is obtained. Calculate the Euclidean distance S W of and F W (Y t ) using the distance metric,
S(F W (Y n ), F W (Y t ))=||F W (Y n ), F W (Y t )|| 2
Here, Y n and Y t are different signal sets or the same signal set,
The cable aluminum sheath corrosion damage imaging method based on twin network and ultrasonic guided waves as claimed in claim 5, wherein the Euclidean distance S W represents the deviation value between signals as the output of the twin network. 前記のディープ学習を行うと共にツインネットワークパラメータを更新してトレーニング済みツインネットワークを取得することは、具体的には、
トレーニングデータセットからサイズＮＲの正常状態トレーニングセット
Figure 2023184389000082
 を取得し、［１，ＮＲ］から正の整数値ｎ１及びｎ２をランダムに選択し、正常サンプル入力ペア
Figure 2023184389000083
 を構築し、
ケーブルアルミニウムシース腐食損傷信号セットから、損傷サンプルを模擬する損傷模擬入力ペア
Figure 2023184389000084
 （Ｓ１は、正の整数値である）を構築し、
正常サンプル入力ペアのラベルを０、損傷模擬入力ペアのラベルを１にセットし、正常サンプル入力ペアの数を損傷模擬入力ペアの数と同じにし、
正常サンプル入力ペアと損傷模擬入力ペアをツインネットワークに入力してパラメータ更新を行い、
バイナリクロスエントロピーを損失関数とし、次のように定義され、
Figure 2023184389000085
 ここで、
Figure 2023184389000086
 は、入力ペアのラベルであり、Ｘｋは、ツインネットワークの出力であることを特徴とする請求項６に記載のツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法。 Specifically, performing the deep learning described above and updating the twin network parameters to obtain a trained twin network is as follows.
Normal state training set of size N R from the training dataset
Figure 2023184389000082
 , randomly select positive integer values n 1 and n 2 from [1,N R ], and select the normal sample input pair
Figure 2023184389000083
 Build and
Damage simulation input pair to simulate damage samples from cable aluminum sheath corrosion damage signal set
Figure 2023184389000084
 (S 1 is a positive integer value),
Set the label of the normal sample input pair to 0, the label of the damaged simulated input pair to 1, and make the number of normal sample input pairs equal to the number of damaged simulated input pairs,
Input the normal sample input pair and the damaged simulated input pair into the twin network and update the parameters.
The loss function is binary cross entropy, which is defined as follows,
Figure 2023184389000085
 here,
Figure 2023184389000086
 The cable aluminum sheath corrosion damage imaging method based on twin networks and ultrasonic guided waves as claimed in claim 6, wherein is the label of the input pair and Xk is the output of the twin network. 前記の確率画像化法でケーブルアルミニウムシース腐食損傷状態を表すことは、具体的には、
標準テストセットのテスト信号Ｙｔと標準トレーニングセットの正常信号からなるテストペア
Figure 2023184389000087
 をトレーニング済みツインネットワークに入力し、ケーブルアルミニウムシースの腐食損傷指標を出力し、
腐食損傷指標に基づいて、マルチセンサを使用して損傷確率を伝達経路の近くの画像化点に割り当て、面積化の損傷確率の割り当てにより画像化性能を向上させ、
画像化のステップは、
Ｎ個のセンサがある条件下で、Ｎ×（Ｎ－１）本の異なる伝達経路を有し、励起センサ、収集センサと腐食損傷箇所の距離をユークリッド距離計算によって取得し、
ケーブルアルミニウムシース内の超音波誘導波の伝搬速度に基づいて、超音波誘導波が各距離で伝搬するのに必要な時間を計算し、直接波信号と散乱信号の時間差を計算し、
ΔＴ＝Ｔ１＋Ｔ２－Ｔ０
ここで、Ｔ１は、誘導波信号が励起センサからケーブルアルミニウムシース腐食損傷箇所に至る時間であり、Ｔ２は、誘導波信号がケーブルアルミニウムシース腐食損傷箇所から収集センサに至る時間であり、Ｔ０は、正常状態で誘導波信号が励起センサから収集センサに至る時間であり、
前記直接波信号は、正常状態で励起センサから収集センサに至る誘導波信号であり、
前記散乱信号は、ケーブルアルミニウムシース腐食損傷箇所から収集センサに至る誘導波信号と、正常状態で励起センサから収集センサに至る誘導波信号との差信号であり、
ケーブルの検出対象領域を離散化し、各離散点を１つの基準点として励起点、受信点と離散点の伝搬時間を計算し、損傷点と離散点の時間差を求め、時間係数は、次のように定義され、
τｔ＝（ΔＴ’－ΔＴ）／Ｔ０＝［（Ｔ１’＋Ｔ２’－Ｔ０）－（Ｔ１＋Ｔ２－Ｔ０）］／Ｔ０
ここで、ΔＴ’は、離散点信号と正常状態信号の時間差であり、Ｔ１’は、誘導波信号が励起センサから離散点に至る時間であり、Ｔ２’は、誘導波信号が離散点から収集センサに至る時間であり、
前記励起点は、励起センサの位置であり、前記受信点は、収集センサの位置であり、前記損傷点は、ケーブルアルミニウムシース腐食損傷箇所の位置であり、
τｔ＝０の場合、基準点での損傷確率が最も大きくなり、τｔが大きいほど、基準点が損傷から離れ、損傷確率が低くなり、
画像化の重みを線形減衰に設定し、τｔと線形減衰係数αによって計算され、
Figure 2023184389000088
 離散点毎に損傷確率値を計算することにより、ケーブルアルミニウムシースの腐食損傷画像を得て、
前記損傷確率値の計算式は、以下の通りであり、
Figure 2023184389000089
 ここで、Ｐｎ（ｘ，ｙ）は、ｎ本目の超音波誘導波伝達経路によって推定される座標（ｘ，ｙ）の離散点の損傷確率であり、ＮＰは、全ての励起センサの伝達経路の数であり、Ｃｌｎは、ｎ本目の超音波誘導波伝達経路の損傷指標であり、Ｈｎ（ｘ，ｙ）は、ｎ本目の超音波誘導波伝達経路の線形減衰画像化重みであることを特徴とする請求項７に記載のツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法。 Specifically, representing the cable aluminum sheath corrosion damage state with the above stochastic imaging method is as follows:
A test pair consisting of the test signal Y t of the standard test set and the normal signal of the standard training set
Figure 2023184389000087
 into the trained twin network and output the corrosion damage index of the cable aluminum sheath,
Based on the corrosion damage index, multi-sensors are used to assign damage probabilities to imaging points near the transmission path, and area-based damage probability assignment improves imaging performance;
The imaging step is
Under certain conditions, N sensors have N×(N−1) different transmission paths, and the distances between the excitation sensor, the collection sensor, and the corrosion damage location are obtained by Euclidean distance calculation,
Based on the propagation speed of the ultrasonic guided wave in the cable aluminum sheath, calculate the time required for the ultrasonic guided wave to propagate at each distance, calculate the time difference between the direct wave signal and the scattered signal,
ΔT=T 1 +T 2 -T 0
Here, T 1 is the time for the guided wave signal to travel from the excitation sensor to the cable aluminum sheath corrosion damage location, T 2 is the time for the guided wave signal to travel from the cable aluminum sheath corrosion damage location to the collection sensor, and T 0 is the time for the guided wave signal to travel from the excitation sensor to the collection sensor under normal conditions;
The direct wave signal is a guided wave signal from an excitation sensor to a collection sensor under normal conditions;
The scattered signal is a difference signal between a guided wave signal from a corrosion damaged part of the cable aluminum sheath to the collection sensor and a guided wave signal from the excitation sensor to the collection sensor under normal conditions,
Discretize the detection target area of the cable, calculate the propagation time of the excitation point, reception point, and discrete point using each discrete point as one reference point, and find the time difference between the damage point and the discrete point, and the time coefficient is as follows. is defined as
τ t = (ΔT'-ΔT)/T 0 = [(T 1 '+T 2 '-T 0 )-(T 1 +T 2 -T 0 )]/T 0
Here, ΔT' is the time difference between the discrete point signal and the normal state signal, T1 ' is the time for the guided wave signal to reach the discrete point from the excitation sensor, and T2 ' is the time difference between the discrete point signal and the normal state signal. is the time from to the collection sensor,
The excitation point is the location of an excitation sensor, the reception point is the location of a collection sensor, and the damage point is the location of a cable aluminum sheath corrosion damage location;
When τ t = 0, the damage probability at the reference point is the largest, and the larger τ t is, the farther the reference point is from the damage, the lower the damage probability;
Set the imaging weight to linear attenuation, calculated by τ t and linear attenuation coefficient α,
Figure 2023184389000088
 By calculating the damage probability value for each discrete point, a corrosion damage image of the cable aluminum sheath is obtained,
The calculation formula for the damage probability value is as follows:
Figure 2023184389000089
 Here, P n (x, y) is the damage probability of a discrete point at coordinates (x, y) estimated by the n-th ultrasonic guided wave transmission path, and N is the number of paths, Cl n is the damage index of the nth ultrasound guided wave transmission path, and H n (x,y) is the linear attenuation imaging weight of the nth ultrasound guided wave transmission path. 8. The cable aluminum sheath corrosion damage imaging method based on twin networks and ultrasound guided waves according to claim 7. ツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化システムであって、
超音波誘導波検出機器を利用し、ケーブルアルミニウムシースの正常状態で超音波誘導波信号をトレーニング信号セットとして収集し、ケーブルアルミニウムシースの腐食損傷状態で超音波誘導波信号をテスト信号セットとして収集する信号収集モジュールと、
トレーニング信号セットとテスト信号セットの標準化処理を行って標準トレーニングセットと標準テストセットを得る信号標準化モジュールと、
ディープ畳み込みニューラルネットワークを利用して標準トレーニングセットの次元低下及び再構築を行い、ケーブルアルミニウムシース腐食損傷信号セットを模擬する信号模擬モジュールと、
ツインネットワークを構築し、ケーブルアルミニウムシース腐食損傷信号と標準トレーニングセットを用いてディープ学習を行うと共にツインネットワークパラメータを更新して、トレーニング済みツインネットワークを取得するツインネットワークトレーニングモジュールと、
トレーニング済みツインネットワークに標準テストセットを入力してケーブルアルミニウムシース腐食損傷指標を取得し、確率画像化法を用いてケーブルアルミニウムシース腐食損傷状態を表す確率画像化モジュールと、を含むことを特徴とするツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化システム。 A cable aluminum sheath corrosion damage imaging system based on twin networks and ultrasonic guided waves, comprising:
Using ultrasonic guided wave detection equipment, collect the ultrasonic guided wave signals under the normal state of the cable aluminum sheath as a training signal set, and collect the ultrasonic guided wave signals under the corrosion damaged state of the cable aluminum sheath as a test signal set. a signal acquisition module;
a signal standardization module that performs standardization processing on the training signal set and the test signal set to obtain a standard training set and a standard test set;
a signal simulation module that utilizes a deep convolutional neural network to reduce and reconstruct a standard training set to simulate a cable aluminum sheath corrosion damage signal set;
a twin network training module that constructs a twin network and performs deep learning using the cable aluminum sheath corrosion damage signal and a standard training set and updates twin network parameters to obtain a trained twin network;
a probabilistic imaging module that inputs a standard test set to the trained twin network to obtain a cable aluminum sheath corrosion damage index and represents the cable aluminum sheath corrosion damage state using a probabilistic imaging method. Cable aluminum sheath corrosion damage imaging system based on twin network and ultrasonic guided waves. プログラムが格納されているコンピュータ可読記憶媒体であって、前記プログラムがプロセッサによって実行されると、請求項１～８のいずれか一項に記載のツインネットワーク及び超音波誘導波に基づくケーブルアルミニウムシース腐食損傷画像化方法を実現することを特徴とするコンピュータ可読記憶媒体。 9. A computer readable storage medium having a program stored thereon, the twin network and ultrasonic guided wave based cable aluminum sheath corrosion according to any one of claims 1 to 8, said program being executed by a processor. A computer-readable storage medium for implementing a method of lesion imaging.
JP2022166691A 2022-06-17 2022-10-18 Cable aluminum sheath corrosion damage imaging method and device based on twin network and ultrasonic guided wave Active JP7492567B2 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210688937.7A CN115128166B (en) 2022-06-17 2022-06-17 Cable aluminum sheath corrosion damage imaging method and device based on twin network and ultrasonic guided wave
CN202210688937.7 2022-06-17

Publications (2)

Publication Number Publication Date
JP2023184389A true JP2023184389A (en) 2023-12-28
JP7492567B2 JP7492567B2 (en) 2024-05-29

Family

ID=83378968

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022166691A Active JP7492567B2 (en) 2022-06-17 2022-10-18 Cable aluminum sheath corrosion damage imaging method and device based on twin network and ultrasonic guided wave

Country Status (2)

Country Link
JP (1) JP7492567B2 (en)
CN (1) CN115128166B (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117312916A (en) * 2023-09-28 2023-12-29 中国南方电网有限责任公司超高压输电公司大理局 Structural damage identification method, device, computer equipment and storage medium

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6450036B1 (en) * 1997-11-21 2002-09-17 Mitsubishi Cable Industries, Ltd. Method and device for diagnosing deterioration of an article having at least a covering layer organic polymer material
JP4094464B2 (en) * 2003-03-28 2008-06-04 コスモ石油株式会社 Nondestructive inspection method and nondestructive inspection device
CN112161919A (en) * 2020-08-31 2021-01-01 国网江苏省电力有限公司电力科学研究院 Method for testing electrochemical corrosion of cable aluminum sheath
JP2021071304A (en) * 2019-10-29 2021-05-06 株式会社日立製作所 Corrosion detection system
CN113191215A (en) * 2021-04-12 2021-07-30 西安理工大学 Rolling bearing fault diagnosis method integrating attention mechanism and twin network structure

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110567558B (en) * 2019-08-28 2021-08-10 华南理工大学 Ultrasonic guided wave detection method based on deep convolution characteristics
CN114170128B (en) * 2020-08-21 2023-05-30 张逸凌 Bone segmentation method and system based on deep learning
CN112668527B (en) * 2020-12-31 2023-04-25 华南理工大学 Ultrasonic guided wave semi-supervised imaging detection method
CN113362379B (en) * 2021-07-09 2023-04-07 肇庆学院 Moving target trajectory tracking detection method based on virtual ultrasonic image

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6450036B1 (en) * 1997-11-21 2002-09-17 Mitsubishi Cable Industries, Ltd. Method and device for diagnosing deterioration of an article having at least a covering layer organic polymer material
JP4094464B2 (en) * 2003-03-28 2008-06-04 コスモ石油株式会社 Nondestructive inspection method and nondestructive inspection device
JP2021071304A (en) * 2019-10-29 2021-05-06 株式会社日立製作所 Corrosion detection system
CN112161919A (en) * 2020-08-31 2021-01-01 国网江苏省电力有限公司电力科学研究院 Method for testing electrochemical corrosion of cable aluminum sheath
CN113191215A (en) * 2021-04-12 2021-07-30 西安理工大学 Rolling bearing fault diagnosis method integrating attention mechanism and twin network structure

Also Published As

Publication number Publication date
CN115128166B (en) 2024-07-12
JP7492567B2 (en) 2024-05-29
CN115128166A (en) 2022-09-30

Similar Documents

Publication Publication Date Title
Wang et al. A MobileNets convolutional neural network for GIS partial discharge pattern recognition in the ubiquitous power internet of things context: optimization, comparison, and application
CN110074813B (en) Ultrasonic image reconstruction method and system
CN111860982A (en) Wind power plant short-term wind power prediction method based on VMD-FCM-GRU
Raymond et al. Noise invariant partial discharge classification based on convolutional neural network
Wang et al. Prediction model of natural gas pipeline crack evolution based on optimized DCNN-LSTM
CN112668527A (en) Ultrasonic guided wave semi-supervised imaging detection method
JP2023184389A (en) Method and apparatus for imaging corrosion damage of cable aluminum sheath based on twin network and ultrasonic guided wave
CN117540174B (en) Building structure multi-source heterogeneous data intelligent analysis system and method based on neural network
CN116577788B (en) Power transmission line foreign matter intrusion monitoring method, device and computer equipment
Scarpetta et al. Analysis of TDR signals with convolutional neural networks
CN115392301A (en) Converter transformer state identification method, converter transformer state identification device, converter transformer state identification equipment, converter transformer state identification medium and program product
Cao et al. Seismic damage identification of high arch dams based on an unsupervised deep learning approach
CN117289097A (en) Power equipment partial discharge detection method, model training method, device and equipment
CN113740671A (en) Fault arc identification method based on VMD and ELM
CN114034375B (en) Ultra-high voltage transmission line noise measurement system and method
Yuan et al. A novel fault diagnosis method for second-order bandpass filter circuit based on TQWT-CNN
CN115101149B (en) Method for predicting total energy of microstructure of material
CN115684855A (en) Electric power equipment internal insulation defect discharge quantity quantification method and system based on twin model
CN114841892B (en) Sparse guided wave data recovery method based on fully connected network
Su et al. Identification of partial discharge location in a power cable using fuzzy inference system and probabilistic neural networks
An et al. Partial discharge fault identification of transformer based on CNN-SVM and multi-model fusion
CN114689991A (en) Method and system for determining fault time of high-voltage cable and related components
Hao et al. Insulator fouling monitoring based on acoustic signal and one-dimensional convolutional neural network
Lyu et al. Image reconstruction for ultrasonic tomography using multi-channel convolutional neural network
CN116124902B (en) Diagnostic method for ultrasonic guided wave damage positioning accuracy

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221018

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231128

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20240228

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240409

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240423

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240517

R150 Certificate of patent or registration of utility model

Ref document number: 7492567

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150