CN110567558B - 一种基于深度卷积特征的超声导波检测方法 - Google Patents

Abstract

本发明公开了一种基于深度卷积特征的超声导波检测方法，包括步骤：对超声导波原始信号进行截断重构，获取随机样本集用于网络训练，单个信号样本的起点随机选取；利用随机样本集对卷积自编码网络经过训练，通过无监督学习从原始信号的截断信号学习低维表示，此提取过程不需要标签；训练好的卷积自编码网络模型从原始导波信号中依次提取低维特征；将所提取的低维特征输入到长短时记忆循环神经网络中，用于检测对象状态的量化识别。本发明将深度学习算法和导波信号处理技术进行结合，在保证导波信号信息量破坏更小的情况下，准确提取信号的压缩编码信息，同时所采用的循环神经网络能有效运用导波信号的时序特性，从而对检测对象状态进行量化评估。

Description

一种基于深度卷积特征的超声导波检测方法

技术领域

本发明属于无损检测领域，具体涉及一种基于深度卷积特征的超声导波检测方法。

背景技术

超声导波具有衰减慢、检测范围广等优点，可以有效提高检测效率。传统导波检测方法主要包括信号采集、特征提取和后处理检测等三个步骤。作为高维非平稳信号，导波信号包含丰富的状态信息，但也容易出现信息冗余和信号失真。特别在一些复杂结构中，超声导波检测信号回波众多，各种模态的波形产生严重混叠。因此，特征提取和后处理检测的信号处理技术在导波测试中起着重要的作用。

深度学习由于其复杂的网络结构，具有很强的端到端映射能力，可以直接获取原始数据与检测结果之间的参数化映射关系。对深度学习算法的进一步研究有助于提高导波检测的智能和效率。虽然导波检测已经得到广泛的研究和发展，但基于深度学习的超声导波处理方法的研究还比较少。一方面，利用逐层特征变换实现原始导波信号的自动特征学习，可以减少传统人工特征提取中对专家知识的依赖。另一方面，非平稳导波信号的传播是一个连续的过程，检测对象状态的识别应充分利用波形发生、传播、发展的完整过程信息。

发明内容

本发明旨在至少解决上述技术问题之一。

为此，本发明的目的在于提供一种基于深度卷积特征的超声导波检测方法。该方法在信息量破坏更小的情况下，准确提取导波信号的压缩编码信息，同时利用导波特征的时序特性对检测对象状态进行量化评估。以瓷套管内液位检测为例，说明了所提方法在超声导波状态检测中的有效性。

本发明的目的至少通过以下的技术方案之一来实现：

一种基于深度卷积特征的超声导波检测方法，包括以下步骤：

S1、对被检测对象在多个状态下的超声导波信号进行采集，每个状态获取多组信号样本；

S2、对超声导波原始信号进行截断重构得到截断信号，获取随机样本集用于卷积自编码网络训练，单个信号样本的起点随机选取；

S3、利用随机样本集对卷积自编码网络进行训练，通过无监督学习从原始信号的截断信号学习低维表示，且提取过程不需要标签；

S4、利用训练好的卷积自编码网络，从原始导波信号中依次提取低维特征，将所提取的低维特征输入到长短时记忆循环神经网络中，用于检测对象状态的量化识别。

优选地，步骤S1中，所述多个状态下的超声导波信号是指被检测对象从正常运行到严重偏离正常运行状态的系列过程状态信号。

优选地，步骤S2中，

所述卷积自编码网络的参数包括池化大小、卷积层数、卷积核个数、卷积核大小，设置卷积自编码网络的池化大小p₁，所述截断信号的长度设置为池化大小p₁的幂次方。

优选地，所述池化大小p₁尽可能小，用于减小池化压缩造成的信号失真，所述卷积层数、卷积核数、卷积核大小通过训练误差和训练时间进行寻优。

优选地，所述卷积自编码的结构参数遵从的规则包括：

对于信号长度m₁和池化大小p₁，利用最大值池化保留每间隔p₁长度中隐藏表示的最大值，其隐藏表示的长度将减少到m₁/p₁；设置向上采样大小p₂，上采样层将隐藏表示的长度扩展到p₂*m₁/p₁，p₂设置为等于p₁；若需继续压缩信号，则添加更多的卷积层和池化层，对称的编码卷积层和解码卷积层的池化大小和上采样大小设置成同一值。

优选地，所用卷积自编码网络为一维卷积自编码网络，给定一截断信号X∈R^l×1作为输入信号，将卷积核大小设置为m₁，将卷积核数量设置为n₁，编码器可以通过“same”卷积获取隐层表示，其具体卷积计算过程为：

其中，h_i,k是第i个卷积核获得的卷积表示的第k个元素，是输入信号X的零填充矩阵，K_i,j是第i个卷积核的第j个元素，tanh是激活函数:

所述卷积自编码的输入信号需要进行补零变换，即对于m₁长度的超声导波信号，利用一维卷积自编码网络进行特征提取，卷积操作之前对输入信号进行补零变换：(m₁-1)个零将在输入信号前后各填充一半，其中输入信号末尾的填充数始终是奇数。

优选地，所述卷积自编码网络最后一层卷积将重构原始信号，并且此层中的卷积核数量设置为1；卷积核大小需要考虑卷积层通道的数量m_r，将重建卷积核K_r的大小设置为m_r。

优选地，所述重构原始信号通过下式计算:

其中

是重构信号，tanh(·)是tanh激活函数，

是第i个卷积核上采样输出的第k个元素,K_rj,i是第i个卷积核的第j个元素；

用于更新权重矩阵和偏置的重构误差，通过平均平方误差损失函数计算：

优选地，所述长短时记忆循环神经网络设置所遵从的规则包括：

步骤S4中，所述原始导波信号长度设置为步骤S2中所述截断信号长度的s倍，则所述长短时记忆循环神经网络的时间步长也为s；所述长短时记忆循环神经网络的输入节点数由所述卷积自编码网络的编码长度决定，网络输出节点数为1。

优选地，所述长短时记忆循环神经网络具有多个隐藏层，所有隐层节点均为长短时记忆单元，根据回归误差和训练时间对各层的节点进行寻优，优化器为“Adam”。

与现有技术相比，本发明的有益成果包括：

本发明提出了一种基于深度学习的超声导波智能化状态检测方法，训练完成的模型可以直接提供较为准确的检测结果，避免复杂的专业分析。基于一维卷积自动编码器的特征提取方法可以捕获导波的波形特征，通过参数化模型将原始导波信号转换为低维特征。实现了一种基于循环神经网络的状态定量评估方法，该方法的准确性和鲁棒性优于其他网络方法(反向传播网络和卷积神经网络)。以瓷套管内液位检测为例，证明该方法可以直接从原始导波信号中精确诊断被检测对象的状态信息。

附图说明

图1是超声导波状态检测方法流程图；

图2是实验平台示意图；

图3是卷积自编码网络结构示意图。

图4是循环神经网络示意图。

图5是长短时记忆单元结构示意图。

图6是卷积自编码网络信号重构结果示意图，其中，图6(a)为原始截断信号示意图，图6(b)为重构信号示意图。

图7是卷积自编码中间输出结果示意图，其中，图7(a)为编码过程输出结果示意图，图7(b)为解码过程输出结果示意图。

图8是液位状态检测结果示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合实施例(以瓷套管内液位状态检测为例)及附图对本发明作进一步详细的描述。

如图1所示，一种基于深度卷积特征的超声导波检测方法，基于如图2所示的实验平台示，包括以下步骤：

S1、对被检测对象在多个状态下的超声导波信号进行采集，每个状态获取多组信号样本；

S2、对超声导波原始信号进行截断重构得到截断信号，获取随机样本集用于卷积自编码网络训练，单个信号样本的起点随机选取；

S3、利用随机样本集对卷积自编码网络进行训练，通过无监督学习从原始信号的截断信号学习低维表示，且提取过程不需要标签；

S4、利用训练好的卷积自编码网络，从原始导波信号中依次提取低维特征，将所提取的低维特征输入到长短时记忆循环神经网络中，用于检测对象状态的量化识别。

步骤S1中，所述多个状态下的超声导波信号是指被检测对象从正常运行到严重偏离正常运行状态的系列过程状态信号。本实施例中，以瓷套管内液位状态检测为例，所述多个状态下的超声导波信号是指瓷套管内液位从满液位到0液位的系列过程状态信号。在0到1.4m、间隔为0.1m的不同液体下，获得实验数据，并分为训练集和测试集。因此数据集有150个样本，包含15个不同高度，实际液位由激光距离计测量，其误差小于9mm。

下面结合图3对本发明采用的卷积自编码网络做简要说明。

所用卷积自编码网络为一维卷积自编码网络，参数包括池化大小、卷积层数、卷积核个数、卷积核大小。给定一截断信号X∈R^l×1，将卷积核大小设置为m₁，将卷积核数量设置为n₁，编码器可以通过“same”卷积获取隐层表示，其具体操作为：

其中h_i,k是第i个卷积核获得的卷积表示的第k个元素，是输入信号X的零填充矩阵，(m₁-1)个零将在输入信号前后各填充一半(输入信号末尾的填充数始终是奇数)，K_i,j是第i个卷积核的第j个元素，tanh是激活函数:

设置池化大小p₁，最大值池化将保留每间隔p₁长度中隐藏表示的最大值。如果想要继续压缩信号，可以添加更多的卷积层和池化层。原始信号的重建可以分为两个步骤:上采样和卷积。设置向上采样大小p₂，上采样层将隐藏表示的长度扩展到p₂*m₁/p₁。为了确保重建数据的尺寸与原始数据的尺寸一致，p₂设置为等于p₁。若需继续压缩信号，则添加更多的卷积层和池化层，对称的编码卷积层和解码卷积层的池化大小和上采样大小设置成同一值。

最后一层卷积将重构原始信号，并且此层中的卷积核数量为1。卷积核大小需要考虑卷积层通道的数量。将重建卷积内核K_r的大小设置为m_r,重构信号可以计算:

其中

是重构信号，tanh(·)是tanh激活函数，

是第i个卷积核上采样输出的第k个元素,K_rj,i是第i个卷积核的第j个元素。

用于更新权重矩阵和偏置的重构误差，可以通过平均平方误差损失函数计算：

下面结合图4对本发明采用的循环神经网络做简要说明。

如图所示的所述循环神经网络中，x₁,x₂,...,x_m表示网络的输入向量X，即当前时刻的状态向量。y表示网络的输出，即所预测的状态量化值。W⁽¹⁾,W⁽²⁾,W⁽³⁾表示网络在低一层网络层与高一层网络层之间的权值，在图4中用实线表示。W_t ⁽¹⁾,W_t ⁽²⁾,W_t ⁽³⁾表示当前时刻隐藏层与上一时刻隐藏层的权值，在图中用虚线表示。由此循环神经网络的计算可以用以下隐函数的公式表示：

h_t ⁽¹⁾＝tanh(W⁽¹⁾*X_t+W_t ⁽¹⁾*h_t-1) (5)

y＝tanh(W⁽³⁾*h_t ⁽²⁾) (6)

下面结合图5对本发明采用的长短时记忆单元做简要说明。

为解决梯度消失带来的循环神经网络难以训练的问题，长短时记忆单元对传统前馈神经网络的节点进行了改进。长短时记忆单元中增加了输入门，遗忘门和输出门，从而降低了循环网络由于循环层数增加而进入梯度饱和区的风险。这些门还有让网络包含更多用于参数优化的作用。其中输入门的作用是控制新信息的加入，输入门产生一个值均在区间[0,1]以内的向量i_s来控制输入向量被加入下一步计算的比例。遗忘门产生一个在区间[0,1]内的向量f_s，来控制上一单元状态被遗忘的程度。输出门的作用是控制隐层节点状态值被传递到下一层网络中的量。

下面结合图6及图7对本实例的卷积自编码网络的编码和解码过程做简要说明。

根据训练误差和训练时间确定了卷积自编码的网络参数后，提取网络中间层输出的隐藏表示，以更直观地说明重建过程。原始截断信号的编码过程如图6(a)所示，编码信号通过卷积和激活获得，在前三个编码层中，波形及其包络仍可识别。但后三层的表示方式只保留了卷积自编码网络捕获的高层抽象信息。解码信号是通过卷积和上采样获得的，解码过程如图6(b)所示。在前三个解码层中，解码信号仍然是抽象信息。但在后两层解码中，原始波包的位置和大小变得更加明显。在最后一层解码层中，原始信号几乎被重建。另一截断信号的重构信号如图7(a)和7(b)所示，说明本发明采用的卷积自编码有较好的重构结果，中间层表示可以有效表征截断信号的完整信息，实现特征自动提取。

下面结合图8对本实例的卷积自编码网络的编码和解码过程做简要说明。

所提方法的液位状态最终检测结果如图8所示(20次试验的中位数)。“训练标签”线是训练集的液位标签，“训练输出值”线是网络模型训练结果输出。同样，“测试真实值”线是测试集的实际液位，“预测”线是本发明所提方法的测试输出结果。检测结果的平均误差仅为0.0180m，最大误差为0.0334m，能很好地满足瓷套管内液位检测的要求。所提方法与对比网络方法的检测误差见表1。

表1.不同网络方法的瓷套管液位状态检测误差

需要说明的是，上述实施方式只是本发明的一个实例，并非用以限定本发明的实施与权利范围。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上进行变更和修改。因此，本发明并不局限于上面揭示和描述的具体实施方式，对本发明的一些等同修改和变更也应当在本发明的权利要求的保护范围内。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对本发明构成任何限制。

Claims (9)

1.一种基于深度卷积特征的超声导波检测方法，其特征在于，包括以下步骤：

S1、对被检测对象在多个状态下的超声导波信号进行采集，每个状态获取多组信号样本；

S2、对超声导波原始信号进行截断重构得到截断信号，获取随机样本集用于卷积自编码网络训练，单个信号样本的起点随机选取；所述卷积自编码网络的参数包括池化大小、卷积层数、卷积核个数、卷积核大小，设置卷积自编码网络的池化大小p₁，所述截断信号的长度设置为池化大小p₁的幂次方；

S3、利用随机样本集对卷积自编码网络进行训练，通过无监督学习从原始信号的截断信号学习低维表示，且提取过程不需要标签；

S4、利用训练好的卷积自编码网络，从原始导波信号中依次提取低维特征，将所提取的低维特征输入到长短时记忆循环神经网络中，用于检测对象状态的量化识别。

2.根据权利要求1所述的一种基于深度卷积特征的超声导波检测方法，其特征在于，步骤S1中，所述多个状态下的超声导波信号是指被检测对象从正常运行到严重偏离正常运行状态的系列过程状态信号。

3.根据权利要求2所述的一种基于深度卷积特征的超声导波检测方法，其特征在于：所述池化大小p₁尽可能小，用于减小池化压缩造成的信号失真，所述卷积层数、卷积核数、卷积核大小通过训练误差和训练时间进行寻优。

4.根据权利要求3所述的一种基于深度卷积特征的超声导波检测方法，其特征在于，所述卷积自编码的结构参数遵从的规则包括：

对于信号长度m₁和池化大小p₁，利用最大值池化保留每间隔p₁长度中隐藏表示的最大值，其隐藏表示的长度将减少到m₁/p₁；设置向上采样大小p₂，上采样层将隐藏表示的长度扩展到p₂*m₁/p₁，p₂设置为等于p₁；若需继续压缩信号，则添加更多的卷积层和池化层，对称的编码卷积层和解码卷积层的池化大小和上采样大小设置成同一值。

5.根据权利要求4所述的一种基于深度卷积特征的超声导波检测方法，其特征在于，所用卷积自编码网络为一维卷积自编码网络，给定一截断信号X∈R^l×1作为输入信号，将卷积核大小设置为m₁，将卷积核数量设置为n₁，编码器通过“same”卷积获取隐层表示，其具体卷积计算过程为：

其中，h_i,k是第i个卷积核获得的卷积表示的第k个元素，是输入信号X的零填充矩阵，K_i,j是第i个卷积核的第j个元素，tanh是激活函数:

所述卷积自编码的输入信号需要进行补零变换，即对于m₁长度的超声导波信号，利用一维卷积自编码网络进行特征提取，卷积操作之前对输入信号进行补零变换：(m₁-1)个零将在输入信号前后各填充一半，其中输入信号末尾的填充数始终是奇数。

6.根据权利要求5所述的一种基于深度卷积特征的超声导波检测方法，其特征在于：

所述卷积自编码网络最后一层卷积将重构原始信号，并且此层中的卷积核数量设置为1；卷积核大小需要考虑卷积层通道的数量m_r，将重建卷积核K_r的大小设置为m_r。

7.根据权利要求6所述的一种基于深度卷积特征的超声导波检测方法，其特征在于：

所述重构原始信号通过下式计算:

其中

是重构信号，tanh(·)是tanh激活函数，

是第i个卷积核上采样输出的第k个元素,K_rj,i是第i个卷积核的第j个元素；

用于更新权重矩阵和偏置的重构误差，通过平均平方误差损失函数计算：

8.根据权利要求1所述的一种基于深度卷积特征的超声导波检测方法，其特征在于，所述长短时记忆循环神经网络设置所遵从的规则包括：

步骤S4中，所述原始导波信号长度设置为步骤S2中所述截断信号长度的s倍，则所述长短时记忆循环神经网络的时间步长也为s；所述长短时记忆循环神经网络的输入节点数由所述卷积自编码网络的编码长度决定，网络输出节点数为1。

9.根据权利要求8所述的一种基于深度卷积特征的超声导波检测方法，其特征在于，所述长短时记忆循环神经网络具有多个隐藏层，所有隐层节点均为长短时记忆单元，根据回归误差和训练时间对各层的节点进行寻优，优化器为“Adam”。

Images