CN115128166B - 基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法及装置 - Google Patents
基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法及装置 Download PDFInfo
- Publication number
- CN115128166B CN115128166B CN202210688937.7A CN202210688937A CN115128166B CN 115128166 B CN115128166 B CN 115128166B CN 202210688937 A CN202210688937 A CN 202210688937A CN 115128166 B CN115128166 B CN 115128166B
- Authority
- CN
- China
- Prior art keywords
- signal
- aluminum sheath
- corrosion damage
- cable aluminum
- 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.)
- Active
Links
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims abstract description 159
- 229910052782 aluminium Inorganic materials 0.000 title claims abstract description 159
- 230000007797 corrosion Effects 0.000 title claims abstract description 143
- 238000005260 corrosion Methods 0.000 title claims abstract description 143
- 238000003384 imaging method Methods 0.000 title claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 87
- 238000012360 testing method Methods 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 23
- 230000009467 reduction Effects 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 230000005284 excitation Effects 0.000 claims description 49
- 238000004088 simulation Methods 0.000 claims description 24
- 230000005540 biological transmission Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000003902 lesion Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 4
- 230000015556 catabolic process Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000010949 copper Substances 0.000 claims description 4
- 229910052802 copper Inorganic materials 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000003466 welding Methods 0.000 claims description 4
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 239000004411 aluminium Substances 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000006056 electrooxidation reaction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000006247 magnetic powder Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
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)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Acoustics & Sound (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法及装置，方法为：利用超声导波检测设备，采集超声导波信号；对训练信号集和测试信号集进行标准化处理，得到标准训练集和标准测试集；利用深度卷积神经网络对标准训练集进行降维和重构，模拟出电缆铝护套腐蚀损伤信号集；构建孪生网络，进行深度学习并更新孪生网络参数，获得训练好的孪生网络；将标准测试集输入训练好的孪生网络中获取电缆铝护套腐蚀损伤指标，采用概率成像方法呈现电缆铝护套腐蚀损伤状态。本发明采用超声导波对电缆铝护套进行检测，通过模拟腐蚀损伤信号对孪生网络进行训练优化和知识迁移，实现了电缆铝护套的腐蚀损伤成像，有利于电缆铝护套的检测与维护。
Description
技术领域
本发明属于电缆铝护套无损检测的技术领域，具体涉及一种基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法及装置。
背景技术
现代社会中，电力电缆作为城市电网的重要组成部分，对于其结构的健康监测至关重要。其中，电缆铝护套作为电缆的一部分，常常由于防水措施不佳产生电化学腐蚀，使得电缆铝护套未能有效接地，从而产生悬浮电压，最终会导致电缆或附件击穿，对电力系统造成破坏，甚至威胁人员生命安全；因此，针对电缆铝护套的腐蚀缺陷检测迫在眉睫。
现有检测电力系统常用的无损检测方式有磁粉检测、涡流检测、红外检测、超声检测等；但高压电缆铝护套外层有较厚的PVC材料，现有方法无法经过多层结构检测到电缆铝护套的腐蚀缺陷情况，故急需一种检测手段检测高压电缆铝护套的腐蚀缺陷。
超声导波方法具有传播距离远、检测距离大、检测效率高等优点，可实现电缆铝护套腐蚀缺陷的定位和损伤评估；同时对早期损伤和微小缺陷有很好的敏感度；将超声导波引入高压电缆铝护套的腐蚀损伤检测中，能够有效的对腐蚀缺陷进行定位及评估。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法及装置，本发明通过对不同传感器采集的电缆铝护套原始信号进行标准化处理，以保证训练样本的一致性；再利用卷积神经网络对导波信号进行降维和重构，在正常信号的表示中加入信号干扰，模拟电缆铝护套腐蚀损伤信号；然后对孪生网络进行训练；使用正常状态信号和测试信号在孪生网络中获取电缆铝护套腐蚀损伤指标；最后采用概率成像方法直观地呈现电缆铝护套腐蚀损伤状态。
为了达到上述目的，本发明采用以下技术方案：
本发明第一目的在于提供一种基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法，其特征在于，包括下述步骤：
利用超声导波检测设备，在电缆铝护套正常状态下采集超声导波信号作为训练信号集，在电缆铝护套腐蚀损伤状态采集超声导波信号作为测试信号集；
对训练信号集和测试信号集进行标准化处理，得到标准训练集和标准测试集；
利用深度卷积神经网络对标准训练集进行降维和重构，模拟出电缆铝护套腐蚀损伤信号集；
构建孪生网络并使用电缆铝护套腐蚀损伤信号和标准训练集进行深度学习并更新孪生网络参数，获得训练好的孪生网络；
将标准测试集输入训练好的孪生网络中获取电缆铝护套腐蚀损伤指标，采用概率成像方法呈现电缆铝护套腐蚀损伤状态。
作为优选的技术方案，所述采集超声导波信号，具体为：
在计算机中产生激励信号，导入任意信号发生器中并输入电压放大器；
电压放大器输出放大电信号的电压到电缆铝护套上的激励传感器，利用激励传感器中压电芯片的逆压电效应将电信号转换为振动信号；
振动信号在电缆铝护套中以导波方式进行传播，使用采集传感器在电缆铝护套螺纹管结构外凸表面与铜编织带焊接处采集振动信号，再利用采集传感器中压电芯片的正压电效应将振动信号转换为电信号输入数据采集卡；
数据采集卡经数模转换后输入计算机中，获取电缆铝护套在腐蚀损害状态和正常状态下的超声导波信号；
在电缆铝护套正常状态下采集的超声导波信号作为训练信号集：在电缆铝护套腐蚀损伤状态下采集的超声导波信号作为测试信号集：其中为正常状态下第n个超声导波信号样本，Ns为训练信号集的样本数量，为腐蚀损害状态下第n个超声导波信号样本，Nt为测试信号集的样本数量。
作为优选的技术方案，所述进行标准化处理，具体为：
对信号集中每个信号样本进行标准化处理，公式如下：
其中Yi是信号集的第i个信号样本，max(Y)是所有信号样本的最大值，min(Y)是所有信号样本的最小值；
分别对训练信号集和测试信号集标准化为[-1，1]，获得标准训练集和标准测试集；
所述标准训练集表示为Yh＝{Yhi}，i＝1，2，…，Ns；
所述标准测试集表示为Yt＝{Yti}，i＝1，2，…，Nt。
作为优选的技术方案，所述深度卷积神经网络包括卷积编码网络和解码重构网络；
所述卷积编码网络由卷积层和池化层组成，对输入信号进行逐层特征提取，实现特征降维，卷积计算过程表示为：
其中i、j和k均为正整数，hi，k为第i个卷积核所捕获的隐层表示的第k个元素，m1为卷积核尺寸，n1为卷积核数量，l是输入信号的长度，Yk-1+j为第k-1+j个标准化信号的补零向量，Ki，j为第i个卷积核的第j个元素；
所述解码重构网络由多层上采样层和反卷积层组成，将降维后信号进行重构，重构过程表示为：
其中i、j和k均为正整数，为在Nl层反卷积层中第i个卷积核获得的卷积表示的第k个元素，表示第Nl层反卷积层中第i个卷积核第k个元素在前一上采样层的结果，是在Nl层反卷积层中第i个卷积核的第j个元素，是第Nl层反卷积层的卷积核尺寸，是第Nl层反卷积层的输入信号长度。
作为优选的技术方案，所述电缆铝护套腐蚀损伤信号集的模拟步骤为：
将标准训练集输入深度卷积神经网络中，使用卷积编码网络对标准训练集进行降维获取深度卷积特征，即隐层表示；
在标准训练集的隐层表示中加入信号干扰，获得扰动隐层表示；
使用解码重构网络对扰动隐层表示进行重构，获得电缆铝护套腐蚀损伤信号集；
所述电缆铝护套腐蚀损伤信号集的生成公式为：
QH＝Encoder(Yh)
其中，Yh是标准训练集，Yd是腐蚀损伤信号集，QH为卷积编码网络降维输出的隐层表示，为扰动隐层表示，Encoder是卷积编码网络，Decoder是解码重构网络。
作为优选的技术方案，所述孪生网络采用半监督学习网络进行构建，包括两个共享参数的卷积神经网络；
对于一对输入信号[Yn，Yt]，使用映射函数Fw(Y)通过卷积神经网络将输入信号映射到新的坐标系空间，通过距离度量计算映射信号Fw(Yn)和Fw(Yt)的欧几里得距离Sw：
S(Fw(Yn)，Fw(Yt))＝||Fw(Yn)，Fw(Yt)||2
其中，Yn与Yt为不同或相同的信号集；
所述欧几里得距离Sw用于表示信号间的偏差值，作为孪生网络的输出。
作为优选的技术方案，所述进行深度学习并更新孪生网络参数，获得训练好的孪生网络，具体为：
从训练数据集获取一个大小为NR的正常状态训练集从[1，NR]中随机取正整数值n1和n2，并构建正常样本输入对
从电缆铝护套腐蚀损伤信号集中构建模拟损伤样本的模拟损伤输入对s1为正整数值；
设置正常样本输入对的标签为0，模拟损伤输入对的标签为1，同时正常样本输入对的数量与模拟损伤输入对的数量相同；
将正常样本输入对和模拟损伤输入对输入孪生网络中进行参数更新；
采用二进制交叉熵作为损失函数，定义为：
其中是输入对的标签，Xk是孪生网络的输出。
作为优选的技术方案，所述采用概率成像方法呈现电缆铝护套腐蚀损伤状态，具体为：
将标准测试集中的测试信号yt和标准训练集中的正常信号构成的测试对输入训练好的孪生网络，输出电缆铝护套的腐蚀损伤指标；
根据腐蚀损伤指标，使用多传感器将损伤概率分配给传递路径附近的成像点，通过面积化的损伤概率分配来提高成像性能，成像步骤为：
在有N个传感器的条件下，具有N×(N-1)条不同的传递路径，通过欧式距离计算得到激励传感器、采集传感器与腐蚀损伤处之间的距离；
根据超声导波在电缆铝护套的传播速度，计算出超声导波在每一距离上传播所需的时间，计算直达波信号与散射信号的时间差：
ΔT＝T1+T2-T0
其中，T1为导波信号从激励传感器到电缆铝护套腐蚀损伤处的时间，T2为导波信号从电缆铝护套腐蚀损伤处到采集传感器的时间，T0为正常状态下导波信号从激励传感器到采集传感器的时间；
所述直达波信号为正常状态下从激励传感器到采集传感器的导波信号；
所述散射信号为电缆铝护套腐蚀损伤处到采集传感器的导波信号与正常状态下从激励传感器到采集传感器的导波信号之间的差信号；
将电缆待检测区域离散化，其中的每个离散点作为一个参考点，计算出激励点、接收点和离散点之间的传播时间，得到损伤点与离散点的时间差，时间系数τt定义为：
τt＝(ΔT′-ΔT)/T0＝[(T1′+T2′-T0)-(T1+T2-T0)]/T0
其中，ΔT′为离散点信号与正常状态信号的时间差，T1′为导波信号从激励传感器到离散点处的时间，T2′为导波信号从离散点到采集传感器的时间；
所述激励点为激励传感器所在位置；所述接收点为采集传感器所在位置；所述损伤点为电缆铝护套腐蚀损伤处所在位置；
当τt＝0时，参考点处的损伤概率最大；τt越大，参考点离损伤越远，损伤概率越低；
将成像权重设为线性衰减，通过τt和线性衰减系数α计算得到：
通过对离散点逐个计算损伤概率值，得到电缆铝护套的腐蚀损伤图像；
所述损伤概率值计算公式为：
其中pn(x，y)是坐标为(x，y)的离散点通过第n条超声导波传递路径估计的损伤概率，NP为所有激励传感器的传递路径数，CIn为第n条超声导波传递路径的损伤指标，Hn(x，y)为第n条超声导波传递路径的线性衰减成像权值。
本发明第二目的在于提供一种基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像系统，其特征在于，所述系统包括信号采集模块、信号标准模块、信号模拟模块、孪生网络训练模块及概率成像模块；
所述信号采集模块利用超声导波检测设备，在电缆铝护套正常状态下采集超声导波信号作为训练信号集，在电缆铝护套腐蚀损伤状态采集超声导波信号作为测试信号集；
所述信号标准模块用于对训练信号集和测试信号集进行标准化处理，得到标准训练集和标准测试集；
所述信号模拟模块利用深度卷积神经网络对标准训练集进行降维和重构，模拟出电缆铝护套腐蚀损伤信号集；
所述孪生网络训练模块用于构建孪生网络并使用电缆铝护套腐蚀损伤信号和标准训练集进行深度学习并更新孪生网络参数，获得训练好的孪生网络；
所述概率成像模块用于将标准测试集输入训练好的孪生网络中获取电缆铝护套腐蚀损伤指标，采用概率成像方法呈现电缆铝护套腐蚀损伤状态。
本发明第三目的在于提供一种计算机可读存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现上述的基于孪生网络和超声导波的电缆铝护套腐蚀损伤方法。
本发明与现有技术相比，具有如下优点和有益效果：
本发明采用超声导波对高压电缆铝护套进行检测，通过孪生卷积网络实现了模拟电缆铝护套腐蚀损伤信号对训练模型的训练优化和知识迁移；在超声导波信号编码表征的基础上，实现了腐蚀损伤信号的模拟生成，利用模拟损伤信号的知识迁移实现了腐蚀损伤模型的有效训练，结合孪生网络模型构建基于正常样本的腐蚀缺陷特征获取模型并输出电缆铝护套的腐蚀损伤指标；结合概率成像方法得到电缆铝护套的腐蚀损伤图像，直观展示电缆铝护套腐蚀损伤状态，方便电缆的监测与维护。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法的流程图；
图2为本发明实施例基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法的框架图；
图3为本发明实施例卷积神经网络进行降维和重构的结构图；
图4为本发明实施例孪生网络工作原理图；
图5为本发明实施例单离散点损伤成像值原理图；
图6为本发明实施例基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像系统的结构图；
图7为本发明实施例一种计算机可读存储介质的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本申请所描述的实施例可以与其它实施例相结合。
请参阅图1，在本申请的一个实施例中提供了一种基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法，包括下述步骤：
利用超声导波检测设备，在电缆铝护套腐蚀损伤状态采集超声导波信号作为测试信号集，在电缆铝护套正常状态下采集超声导波信号作为训练信号集；
对训练信号集和测试信号集进行标准化处理，得到标准训练集和标准测试集；
利用深度卷积神经网络对标准训练集进行降维获和重构，模拟出电缆铝护套腐蚀损伤信号集；
构建孪生网络并使用电缆铝护套腐蚀损伤信号和标准训练集进行深度学习并更新孪生网络参数，获得训练好的孪生网络；
将标准测试集输入训练好的孪生网络中获取电缆铝护套腐蚀损伤指标，采用概率成像方法呈现电缆铝护套腐蚀损伤状态。
如图2所示，采集超声导波信号具体为：
首先在计算机中产生激励信号，导入任意信号发生器中将数字信号转换为模拟信号并输入电压放大器；
接着电压放大器输出放大电信号的电压到电缆铝护套上的激励传感器，利用激励传感器中压电芯片的逆压电效应将电信号转换为振动信号；
之后振动信号在电缆铝护套中以导波方式进行传播，使用采集传感器在电缆铝护套螺纹管结构外凸表面与铜编织带焊接处采集振动信号，再利用采集传感器中压电芯片的正压电效应将振动信号转换为电信号输入数据采集卡；
最后数据采集卡经数模转换后输入计算机中，获取电缆铝护套在腐蚀损害状态和正常状态下的超声导波信号；
在电缆铝护套正常状态下采集的超声导波信号作为训练信号集：在电缆铝护套腐蚀损伤状态下采集的超声导波信号作为测试信号集：其中为正常状态下第n个超声导波信号样本，Ns为训练信号集的样本数量，为腐蚀损害状态下第n个超声导波信号样本，Nt为测试信号集的样本数量。
为避免深度神经网络对不同传感器接收到的原始信号重构差异过大，必须对每个信号样本进行标准化处理，具体为：
对信号集中每个信号样本进行标准化处理，公式如下：
其中Yi是信号集的第i个信号样本，max(Y)是所有信号样本的最大值，min(Y)是所有信号样本的最小值；
分别对训练信号集和测试信号集标准化为[-1，1]，获得标准训练集和标准测试集；
标准训练集表示为Yh＝{Yhi}，i＝1，2，…，Ns；标准测试集表示为Yt＝{Yti}，i＝1，2，…，Nt。
如图2、图3所示，本实施例中的深度卷积神经网络包括卷积编码网络和解码重构网络；其中卷积编码网络由卷积层和池化层组成，对输入信号进行逐层特征提取，有效实现特征降维，卷积计算过程表示为：
其中i、j和k均为正整数，hi，k为第i个卷积核所捕获的隐层表示的第k个元素，m1为卷积核尺寸，n1为卷积核数量，l是输入信号的长度，Y为第k-1+j个标准化信号的补零向量，Ki，j为第i个卷积核的第j个元素；
解码重构网络由多层上采样层和反卷积层组成，将降维后信号进行重构，重构过程表示为：
其中i、j和k均为正整数，为在Nl层反卷积层中第i个卷积核获得的卷积表示的第k个元素，表示第Nl层反卷积层中第i个卷积核第k个元素在前一上采样层的结果，是在Nl层反卷积层中第i个卷积核的第j个元素，是第Nl层反卷积层的卷积核尺寸，是第Nl层反卷积层的输入信号长度。
基于构建的深度卷积神经网络，模拟电缆铝护套腐蚀损伤信号集，步骤为：
将标准训练集输入深度卷积神经网络中，使用卷积编码网络对标准训练集进行降维获取深度卷积特征，即隐层表示；
在标准训练集的隐层表示中加入信号干扰，获得扰动隐层表示；
使用解码重构网络对扰动隐层表示进行重构，获得电缆铝护套腐蚀损伤信号集；
所述电缆铝护套腐蚀损伤信号集的生成公式为：
QH＝Encoder(Yh)
其中，Yh是标准训练集，Yd是腐蚀损伤信号集，QH为卷积编码网络降维输出的隐层表示，为扰动隐层表示，Encoder是卷积编码网络，Decoder是解码重构网络。
如图2、图4所示，本实施例的孪生网络采用半监督学习网络进行构建，包括两个共享参数的卷积神经网络；孪生网络的原理为：
对于一对输入信号[Yn，Yt]，使用映射函数Fw(Y)通过卷积神经网络将输入信号映射到新的坐标系空间，通过距离度量计算映射信号Fw(Yn)和Fw(Yt)的欧几里得距离Sw：
S(Fw(Yn)，Fw(Yt))＝||Fw(Yn)，Fw(Yt)||2
其中，Yn与Yt为不同或相同的信号集；
由于欧几里得距离Sw用于表示信号间的偏差值，可用于计算本发明中测试信号与正常信号之间的偏差，故将其作为孪生网络的输出。
对构建的孪生网络进行深度学习并更新孪生网络参数，获得训练好的孪生网络，具体为：
从训练数据集获取一个大小为NR的正常状态训练集从[1，NR]中随机取正整数值n1和n2，并构建正常样本输入对
在以同样的方式从电缆铝护套腐蚀损伤信号集中构建模拟损伤样本的模拟损伤输入对s1为正整数值；
设置正常样本输入对的标签为0，模拟损伤输入对的标签为1，同时正常样本输入对的数量与模拟损伤输入对的数量相同；
将正常样本输入对和模拟损伤输入对输入孪生网络中进行参数更新；
采用二进制交叉熵作为损失函数，定义为：
其中是输入对的标签，Xk是孪生网络的输出。
对不同的测试信号进行标准化，通过输出各测试信号的损伤指标对电缆铝护套腐蚀损伤状态进行评估，利用不同的损伤指标，结合概率成像算法来获取结构状态的图像表征，具体为：
将标准测试集中的测试信号yt和标准训练集中的正常信号构成的测试对输入训练好的孪生网络，输出电缆铝护套的腐蚀损伤指标；
根据腐蚀损伤指标，使用多传感器将损伤概率分配给传递路径附近的成像点，通过面积化的损伤概率分配来提高成像性能，成像步骤为：
如图5所示，在有N个传感器的条件下，具有N×(N-1)条不同的传递路径，通过欧式距离计算得到激励传感器(激励PZT)、采集传感器(接收PZT)与腐蚀损伤处之间的距离；
根据超声导波在电缆铝护套的传播速度，计算出超声导波在每一距离上传播所需的时间，计算直达波信号与散射信号的时间差：
ΔT＝T1+T2-T0
其中，T1为导波信号从激励传感器到电缆铝护套腐蚀损伤处的时间，T2为导波信号从电缆铝护套腐蚀损伤处到采集传感器的时间，T0为正常状态下导波信号从激励传感器到采集传感器的时间；
图5中，直达波信号为正常状态下从激励传感器到采集传感器的导波信号；散射信号为电缆铝护套腐蚀损伤处到采集传感器的导波信号与正常状态下从激励传感器到采集传感器的导波信号之间的差信号；
将电缆待检测区域离散化，其中的每个离散点作为一个参考点，计算出激励点、接收点和离散点之间的传播时间，得到损伤点与离散点的时间差，时间系数τt定义为：
τt＝(ΔT′-ΔT)/T0＝[(T1′+T2′-T0)-(T1+T2-T0)]/T0
其中，ΔT′为离散点信号与正常状态信号的时间差，T1′为导波信号从激励传感器到离散点处的时间，T2′为导波信号从离散点到采集传感器的时间；
图5中，激励点为激励传感器所在位置；接收点为采集传感器所在位置；损伤点为电缆铝护套腐蚀损伤处所在位置；
当τt＝0时，参考点处的损伤概率最大；τt越大，参考点离损伤越远，损伤概率越低；
将成像权重设为线性衰减，通过τt和线性衰减系数α计算得到：
通过对离散点逐个计算损伤概率值，得到电缆铝护套的腐蚀损伤图像；
其中损伤概率值计算公式为：
其中pn(x，y)是坐标为(x，y)的离散点通过第n条超声导波传递路径估计的损伤概率，NP为所有激励传感器的传递路径数，CIn为第n条超声导波传递路径的损伤指标，Hn(x，y)为第n条超声导波传递路径的线性衰减成像权值。
需要说明的是，对于前述的各方法实施例，为了简便描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。
基于与上述实施例中的基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法相同的思想，本发明还提供了基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像系统，该系统可用于执行上述基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法。为了便于说明，基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像系统实施例的结构示意图中，仅仅示出了与本发明实施例相关的部分，本领域技术人员可以理解，图示结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
请参阅图6，在本申请的另一个实施例中，提供了一种基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像系统，该系统包括信号采集模块、信号标准模块、信号模拟模块、孪生网络训练模块及概率成像模块；
信号采集模块利用超声导波检测设备，在电缆铝护套腐蚀损伤状态采集超声导波信号作为测试信号集，在电缆铝护套正常状态下采集超声导波信号作为训练信号集；
信号标准模块用于对训练信号集和测试信号集进行标准化处理，得到标准训练集和标准测试集；
信号模拟模块利用深度卷积神经网络对标准训练集进行降维和重构，模拟出电缆铝护套腐蚀损伤信号集；
孪生网络训练模块用于构建孪生网络并使用电缆铝护套腐蚀损伤信号和标准训练集进行深度学习并更新孪生网络参数，获得训练好的孪生网络；
概率成像模块用于将标准测试集输入训练好的孪生网络中获取电缆铝护套腐蚀损伤指标，采用概率成像方法呈现电缆铝护套腐蚀损伤状态。
需要说明的是，本发明的基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像系统与本发明的基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法一一对应，在上述基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法的实施例阐述的技术特征及其有益效果均适用于基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像系统的实施例中，具体内容可参见本发明方法实施例中的叙述，此处不再赘述，特此声明。
此外，上述实施例的基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像系统的实施方式中，各程序模块的逻辑划分仅是举例说明，实际应用中可以根据需要，例如出于相应硬件的配置要求或者软件的实现的便利考虑，将上述功能分配由不同的程序模块完成，即将所述基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像系统的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分功能。
请参阅图7，本发明实施例还提供了一种计算机可读存储介质，存储有程序于存储器中，当程序被处理器执行时，实现一种基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法，具体为：
利用超声导波检测设备，在电缆铝护套腐蚀损伤状态采集超声导波信号作为测试信号集，在电缆铝护套正常状态下采集超声导波信号作为训练信号集；
对训练信号集和测试信号集进行标准化处理，得到标准训练集和标准测试集；
利用深度卷积神经网络对标准训练集进行降维和重构，模拟出电缆铝护套腐蚀损伤信号集；
构建孪生网络并使用电缆铝护套腐蚀损伤信号和标准训练集进行深度学习并更新孪生网络参数，获得训练好的孪生网络；
将标准测试集输入训练好的孪生网络中获取电缆铝护套腐蚀损伤指标，采用概率成像方法呈现电缆铝护套腐蚀损伤状态。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (8)
1.基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法，其特征在于，包括下述步骤：
利用超声导波检测设备，在电缆铝护套正常状态下采集超声导波信号作为训练信号集，在电缆铝护套腐蚀损伤状态采集超声导波信号作为测试信号集；
对训练信号集和测试信号集进行标准化处理，得到标准训练集和标准测试集；
利用深度卷积神经网络对标准训练集进行降维和重构，模拟出电缆铝护套腐蚀损伤信号集；
构建孪生网络并使用电缆铝护套腐蚀损伤信号和标准训练集进行深度学习并更新孪生网络参数，获得训练好的孪生网络；
将标准测试集输入训练好的孪生网络中获取电缆铝护套腐蚀损伤指标，采用概率成像方法呈现电缆铝护套腐蚀损伤状态；
所述采集超声导波信号，具体为：
在计算机中产生激励信号，导入任意信号发生器中并输入电压放大器；
电压放大器输出放大电信号的电压到电缆铝护套上的激励传感器，利用激励传感器中压电芯片的逆压电效应将电信号转换为振动信号；
振动信号在电缆铝护套中以导波方式进行传播，使用采集传感器在电缆铝护套螺纹管结构外凸表面与铜编织带焊接处采集振动信号，再利用采集传感器中压电芯片的正压电效应将振动信号转换为电信号输入数据采集卡；
数据采集卡经数模转换后输入计算机中，获取电缆铝护套在腐蚀损害状态和正常状态下的超声导波信号；
在电缆铝护套正常状态下采集的超声导波信号作为训练信号集：在电缆铝护套腐蚀损伤状态下采集的超声导波信号作为测试信号集：其中为正常状态下第n个超声导波信号样本，Ns为训练信号集的样本数量，为腐蚀损害状态下第n个超声导波信号样本，Nt为测试信号集的样本数量；
所述深度卷积神经网络包括卷积编码网络和解码重构网络；
所述卷积编码网络由卷积层和池化层组成，对输入信号进行逐层特征提取，实现特征降维，卷积计算过程表示为：
其中i、j和k均为正整数，hi,k为第i个卷积核所捕获的隐层表示的第k个元素，m1为卷积核尺寸，n1为卷积核数量，l是输入信号的长度，Yk-1+j为第k-1+j个标准化信号的补零向量，Ki,j为第i个卷积核的第j个元素；
所述解码重构网络由多层上采样层和反卷积层组成，将降维后信号进行重构，重构过程表示为：
其中i、j和k均为正整数，为在Nl层反卷积层中第i个卷积核获得的卷积表示的第k个元素，表示第Nl层反卷积层中第i个卷积核第k个元素在前一上采样层的结果，是在Nl层反卷积层中第i个卷积核的第j个元素，是第Nl层反卷积层的卷积核尺寸，是第Nl层反卷积层的输入信号长度。
2.根据权利要求1所述的基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法，其特征在于，所述进行标准化处理，具体为：
对信号集中每个信号样本进行标准化处理，公式如下：
其中Yi是信号集的第i个信号样本，max(Y)是所有信号样本的最大值，min(Y)是所有信号样本的最小值；
分别对训练信号集和测试信号集标准化为[-1,1]，获得标准训练集和标准测试集；
所述标准训练集表示为Yh＝{Yhi},i＝1,2,…,Ns；
所述标准测试集表示为Yt＝{Yti},i＝1,2,…,Nt。
3.根据权利要求1所述的基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法，其特征在于，所述电缆铝护套腐蚀损伤信号集的模拟步骤为：
将标准训练集输入深度卷积神经网络中，使用卷积编码网络对标准训练集进行降维获取深度卷积特征，即隐层表示；
在标准训练集的隐层表示中加入信号干扰，获得扰动隐层表示；
使用解码重构网络对扰动隐层表示进行重构，获得电缆铝护套腐蚀损伤信号集；
所述电缆铝护套腐蚀损伤信号集的生成公式为：
QH＝Encoder(Yh)
其中，Yh是标准训练集，Yd是腐蚀损伤信号集，QH为卷积编码网络降维输出的隐层表示，为扰动隐层表示，Encoder是卷积编码网络，Decoder是解码重构网络。
4.根据权利要求3所述的基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法，其特征在于，所述孪生网络采用半监督学习网络进行构建，包括两个共享参数的卷积神经网络；
对于一对输入信号[Yn,Yt]，使用映射函数Fw(Y)通过卷积神经网络将输入信号映射到新的坐标系空间，通过距离度量计算映射信号Fw(Yn)和Fw(Yt)的欧几里得距离Sw：
S(Fw(Yn),Fw(Yt))＝||Fw(Yn),Fw(Yt)||2
其中，Yn与Yt为不同或相同的信号集；
所述欧几里得距离Sw用于表示信号间的偏差值，作为孪生网络的输出。
5.根据权利要求4所述的基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法，其特征在于，所述进行深度学习并更新孪生网络参数，获得训练好的孪生网络，具体为：
从训练数据集获取一个大小为NR的正常状态训练集从[1,NR]中随机取正整数值n1和n2，并构建正常样本输入对
从电缆铝护套腐蚀损伤信号集中构建模拟损伤样本的模拟损伤输入对s1为正整数值；
设置正常样本输入对的标签为0，模拟损伤输入对的标签为1，同时正常样本输入对的数量与模拟损伤输入对的数量相同；
将正常样本输入对和模拟损伤输入对输入孪生网络中进行参数更新；
采用二进制交叉熵作为损失函数，定义为：
其中是输入对的标签，Xk是孪生网络的输出。
6.根据权利要求5所述的基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法，其特征在于，所述采用概率成像方法呈现电缆铝护套腐蚀损伤状态，具体为：
将标准测试集中的测试信号yt和标准训练集中的正常信号构成的测试对输入训练好的孪生网络，输出电缆铝护套的腐蚀损伤指标；
根据腐蚀损伤指标，使用多传感器将损伤概率分配给传递路径附近的成像点，通过面积化的损伤概率分配来提高成像性能，成像步骤为：
在有N个传感器的条件下，具有N×(N-1)条不同的传递路径，通过欧式距离计算得到激励传感器、采集传感器与腐蚀损伤处之间的距离；
根据超声导波在电缆铝护套的传播速度，计算出超声导波在每一距离上传播所需的时间，计算直达波信号与散射信号的时间差：
ΔT＝T1+T2-T0
其中，T1为导波信号从激励传感器到电缆铝护套腐蚀损伤处的时间，T2为导波信号从电缆铝护套腐蚀损伤处到采集传感器的时间，T0为正常状态下导波信号从激励传感器到采集传感器的时间；
所述直达波信号为正常状态下从激励传感器到采集传感器的导波信号；
所述散射信号为电缆铝护套腐蚀损伤处到采集传感器的导波信号与正常状态下从激励传感器到采集传感器的导波信号之间的差信号；
将电缆待检测区域离散化，其中的每个离散点作为一个参考点，计算出激励点、接收点和离散点之间的传播时间，得到损伤点与离散点的时间差，时间系数τt定义为：
τt＝(ΔT′-ΔT)/T0＝[(T1′+T2′-T0)-(T1+T2-T0)]/T0
其中，ΔT′为离散点信号与正常状态信号的时间差，T1′为导波信号从激励传感器到离散点处的时间，T2′为导波信号从离散点到采集传感器的时间；
所述激励点为激励传感器所在位置；所述接收点为采集传感器所在位置；所述损伤点为电缆铝护套腐蚀损伤处所在位置；
当τt＝0时，参考点处的损伤概率最大；τt越大，参考点离损伤越远，损伤概率越低；
将成像权重设为线性衰减，通过τt和线性衰减系数α计算得到：
通过对离散点逐个计算损伤概率值，得到电缆铝护套的腐蚀损伤图像；
所述损伤概率值计算公式为：
其中pn(x,y)是坐标为(x,y)的离散点通过第n条超声导波传递路径估计的损伤概率，NP为所有激励传感器的传递路径数，CIn为第n条超声导波传递路径的损伤指标，Hn(x,y)为第n条超声导波传递路径的线性衰减成像权值。
7.基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像系统，其特征在于，所述系统包括信号采集模块、信号标准模块、信号模拟模块、孪生网络训练模块及概率成像模块；
所述信号采集模块利用超声导波检测设备，在电缆铝护套正常状态下采集超声导波信号作为训练信号集，在电缆铝护套腐蚀损伤状态采集超声导波信号作为测试信号集；
所述信号标准模块用于对训练信号集和测试信号集进行标准化处理，得到标准训练集和标准测试集；
所述信号模拟模块利用深度卷积神经网络对标准训练集进行降维和重构，模拟出电缆铝护套腐蚀损伤信号集；
所述孪生网络训练模块用于构建孪生网络并使用电缆铝护套腐蚀损伤信号和标准训练集进行深度学习并更新孪生网络参数，获得训练好的孪生网络；
所述概率成像模块用于将标准测试集输入训练好的孪生网络中获取电缆铝护套腐蚀损伤指标，采用概率成像方法呈现电缆铝护套腐蚀损伤状态；
所述采集超声导波信号，具体为：
在计算机中产生激励信号，导入任意信号发生器中并输入电压放大器；
电压放大器输出放大电信号的电压到电缆铝护套上的激励传感器，利用激励传感器中压电芯片的逆压电效应将电信号转换为振动信号；
振动信号在电缆铝护套中以导波方式进行传播，使用采集传感器在电缆铝护套螺纹管结构外凸表面与铜编织带焊接处采集振动信号，再利用采集传感器中压电芯片的正压电效应将振动信号转换为电信号输入数据采集卡；
数据采集卡经数模转换后输入计算机中，获取电缆铝护套在腐蚀损害状态和正常状态下的超声导波信号；
在电缆铝护套正常状态下采集的超声导波信号作为训练信号集：在电缆铝护套腐蚀损伤状态下采集的超声导波信号作为测试信号集：其中为正常状态下第n个超声导波信号样本，Ns为训练信号集的样本数量，为腐蚀损害状态下第n个超声导波信号样本，Nt为测试信号集的样本数量；
所述深度卷积神经网络包括卷积编码网络和解码重构网络；
所述卷积编码网络由卷积层和池化层组成，对输入信号进行逐层特征提取，实现特征降维，卷积计算过程表示为：
其中i、j和k均为正整数，hi,k为第i个卷积核所捕获的隐层表示的第k个元素，m1为卷积核尺寸，n1为卷积核数量，l是输入信号的长度，Yk-1+j为第k-1+j个标准化信号的补零向量，Ki,j为第i个卷积核的第j个元素；
所述解码重构网络由多层上采样层和反卷积层组成，将降维后信号进行重构，重构过程表示为：
其中i、j和k均为正整数，为在Nl层反卷积层中第i个卷积核获得的卷积表示的第k个元素，表示第Nl层反卷积层中第i个卷积核第k个元素在前一上采样层的结果，是在Nl层反卷积层中第i个卷积核的第j个元素，是第Nl层反卷积层的卷积核尺寸，是第Nl层反卷积层的输入信号长度。
8.一种计算机可读存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-6任一项所述的基于孪生网络和超声导波的电缆铝护套腐蚀损伤方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210688937.7A CN115128166B (zh) | 2022-06-17 | 2022-06-17 | 基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法及装置 |
| JP2022166691A JP7492567B2 (ja) | 2022-06-17 | 2022-10-18 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210688937.7A CN115128166B (zh) | 2022-06-17 | 2022-06-17 | 基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115128166A CN115128166A (zh) | 2022-09-30 |
| CN115128166B true CN115128166B (zh) | 2024-07-12 |
Family
ID=83378968
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210688937.7A Active CN115128166B (zh) | 2022-06-17 | 2022-06-17 | 基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP7492567B2 (zh) |
| CN (1) | CN115128166B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117312916A (zh) * | 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 | 结构损伤识别方法、装置、计算机设备和存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110567558A (zh) * | 2019-08-28 | 2019-12-13 | 华南理工大学 | 一种基于深度卷积特征的超声导波检测方法 |
| CN112668527A (zh) * | 2020-12-31 | 2021-04-16 | 华南理工大学 | 一种超声导波半监督成像检测方法 |
Family Cites Families (7)
| 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 (ja) | 2003-03-28 | 2008-06-04 | コスモ石油株式会社 | 非破壊検査方法および非破壊検査装置 |
| JP7287879B2 (ja) | 2019-10-29 | 2023-06-06 | 株式会社日立製作所 | 腐食検知システム |
| CN114170128B (zh) * | 2020-08-21 | 2023-05-30 | 张逸凌 | 基于深度学习的骨骼分割方法和系统 |
| CN112161919B (zh) | 2020-08-31 | 2023-03-24 | 国网江苏省电力有限公司电力科学研究院 | 一种测试电缆铝护套电化学腐蚀的方法 |
| CN113191215B (zh) | 2021-04-12 | 2024-02-23 | 陕西少梁塬网络科技有限公司 | 融合注意力机制与孪生网络结构的滚动轴承故障诊断方法 |
| CN113362379B (zh) * | 2021-07-09 | 2023-04-07 | 肇庆学院 | 一种基于虚拟超声图像的运动目标轨迹追踪检测方法 |
-
2022
- 2022-06-17 CN CN202210688937.7A patent/CN115128166B/zh active Active
- 2022-10-18 JP JP2022166691A patent/JP7492567B2/ja active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110567558A (zh) * | 2019-08-28 | 2019-12-13 | 华南理工大学 | 一种基于深度卷积特征的超声导波检测方法 |
| CN112668527A (zh) * | 2020-12-31 | 2021-04-16 | 华南理工大学 | 一种超声导波半监督成像检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2023184389A (ja) | 2023-12-28 |
| JP7492567B2 (ja) | 2024-05-29 |
| CN115128166A (zh) | 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 | |
| Yu et al. | A wavelet packet transform-based deep feature transfer learning method for bearing fault diagnosis under different working conditions | |
| Mrówczyńska et al. | Compression of results of geodetic displacement measurements using the PCA method and neural networks | |
| CN111044570A (zh) | 电力设备的缺陷识别及预警方法、装置及计算机设备 | |
| Wang et al. | Prediction model of natural gas pipeline crack evolution based on optimized DCNN-LSTM | |
| CN115128166B (zh) | 基于孪生网络和超声导波的电缆铝护套腐蚀损伤成像方法及装置 | |
| Vigneshwaran et al. | Recognition of pollution layer location in 11 kV polymer insulators used in smart power grid using dual-input VGG Convolutional Neural Network | |
| CN114355240A (zh) | 配电网接地故障诊断方法及装置 | |
| Xu et al. | Hierarchical multiscale dense networks for intelligent fault diagnosis of electromechanical systems | |
| CN114549925A (zh) | 一种基于深度学习的海浪有效波高时间序列预测方法 | |
| CN112668527A (zh) | 一种超声导波半监督成像检测方法 | |
| CN113160190A (zh) | 一种接触网紧固件异常检测方法、设备、检测装置及存储介质 | |
| CN116577788B (zh) | 输电线路异物侵限监测方法、装置和计算机设备 | |
| CN115758208A (zh) | 牵引变流器故障诊断方法、装置、计算机设备和存储介质 | |
| Swaminathan et al. | A CNN-LSTM-based fault classifier and locator for underground cables | |
| CN117590172A (zh) | 应用于变压器的局部放电声电联合定位方法、装置和设备 | |
| CN114881157A (zh) | 换流阀工作状态的检测方法、装置、设备和存储介质 | |
| CN117289097A (zh) | 电力设备局部放电检测方法、模型训练方法、装置和设备 | |
| CN109901021B (zh) | 基于二维Hankel矩阵多尺度SVD变换法 | |
| Wang et al. | An Automatic Identification Framework for Complex Power Quality Disturbances Based on Ensemble CNN | |
| Liu et al. | An anomaly detection method based on double encoder–decoder generative adversarial networks | |
| Su et al. | Identification of partial discharge location in a power cable using fuzzy inference system and probabilistic neural networks | |
| Hsieh et al. | Identification of partial discharge location using probabilistic neural networks and the fuzzy c-means clustering approach | |
| CN115825239A (zh) | 一种发电机定子线棒绝缘缺陷识别方法 | |
| Gu et al. | A variable-speed-condition bearing fault diagnosis methodology with recurrence plot coding and MobileNet-v3 model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |