CN116429912A - 一种基于卷积自编码的超声兰姆波频散补偿方法和装置 - Google Patents
一种基于卷积自编码的超声兰姆波频散补偿方法和装置 Download PDFInfo
- Publication number
- CN116429912A CN116429912A CN202310294518.XA CN202310294518A CN116429912A CN 116429912 A CN116429912 A CN 116429912A CN 202310294518 A CN202310294518 A CN 202310294518A CN 116429912 A CN116429912 A CN 116429912A
- Authority
- CN
- China
- Prior art keywords
- lamb wave
- ultrasonic lamb
- network model
- signals
- wave
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 235000019687 Lamb Nutrition 0.000 title claims abstract description 100
- 239000006185 dispersion Substances 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000005284 excitation Effects 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 229910052782 aluminium Inorganic materials 0.000 claims description 5
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 229910052751 metal Inorganic materials 0.000 claims description 3
- 239000002184 metal Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000000919 ceramic Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G01N29/4463—Signal correction, e.g. distance amplitude correction [DAC], distance gain size [DGS], noise filtering
-
- 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
- G01N29/4472—Mathematical theories or simulation
-
- 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
- G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/04—Wave modes and trajectories
- G01N2291/042—Wave modes
- G01N2291/0427—Flexural waves, plate waves, e.g. Lamb waves, tuning fork, cantilever
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Analytical Chemistry (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开一种基于卷积自编码的超声兰姆波频散补偿方法和装置,该方法包括S1、构建应用于补偿超声兰姆波频散信号的卷积自编码网络模型;S2、根据不同距离下多模态多波包的超声兰姆波频散信号各波包的飞行时间构成训练集数据,并利用所述训练集数据训练所述卷积自编码网络模型;S3、生成超声兰姆波测试数据集,对训练后的所述卷积自编码网络模型进行测试并输出测试结果;S4、根据所述测试结果重构超声兰姆波信号。本发明实现了多模态多波包的超声兰姆波频散信号的同步补偿,捕捉多模态多波包条件下的频散信号波包飞行时间信息,同时能分离混叠波包,结合激励信号波形实现超声兰姆波信号的有效频散补偿。
Description
技术领域
本发明涉及无损检测技术领域。更具体地,涉及一种基于卷积自编码的超声兰姆波频散补偿方法和装置。
背景技术
超声兰姆波的关键特征之一是频散,其中相速度和群速度取决于激励频率和结构厚度的乘积。波数和频率之间的非线性关系导致了波包的扩散和波形的扭曲。此外,结构中存在损伤时,采集的信号是直达波、边界反射波和多个模态成分的损伤反射波的叠加,使得信号的解释更加复杂。频散的波包在时域上很容易相互重叠,这就降低了超声兰姆波的时间分辨率,进而影响了损伤定位以及成像结果。
目前的频散补偿主要通过传统信号分析与处理来实现。其中一种简单方法是在适当的参数设置下采用窄带梳形信号激励,当带宽降低时,频散效应会减弱,时间分辨率也会降低。另一种应用较为广泛的频散补偿方法是时间-距离映射法,将单模态的超声兰姆波信号从时域映射到距离域,但补偿后波包的波形仍然存在扭曲,难以恢复成原始激励波形状态。然而,当前大部分频散补偿方法仅适用于单模态的情况,若信号中存在多种模态,补偿后超声兰姆波的非目标模态会有更严重的变形,补偿后的波包波形仍然存在扭曲,难以恢复成原始激励波形的状态,且混叠波包难以分离。此外,当提供的先验频散曲线数据不够精确时,传统方法的结果就会受到严重影响。
因此,需要提供一种基于卷积自编码的超声兰姆波频散补偿方法和装置。
发明内容
本发明的目的在于提供一种基于卷积自编码的超声兰姆波频散补偿方法和装置,实现多模态超声兰姆波信号的同步频散补偿,且分离混叠波包,在先验频散数据不精确的情况下具有更好的性能,为用深度学习技术解决超声兰姆波信号处理任务提供了一种新思路。
为达到上述目的,本发明采用下述技术方案:
本发明第一方面提供一种基于卷积自编码的超声兰姆波频散补偿方法,该方法步骤为:
S1、构建应用于补偿超声兰姆波频散信号的卷积自编码网络模型;
S2、根据不同距离下多模态多波包的超声兰姆波频散信号各波包的飞行时间构成训练集数据,并利用所述训练集数据训练所述卷积自编码网络模型;
S3、生成超声兰姆波测试数据集,对训练后的所述卷积自编码网络模型进行测试并输出测试结果;
S4、根据所述测试结果重构超声兰姆波信号。
可选地,所述S2进一步包括:
S21、对激励信号进行仿真并获得不同传播距离下多模态多波包的超声兰姆波频散信号;
S22、根据不同传播距离与兰姆波各模态群速度,计算所述超声兰姆波频散信号中各波包的飞行时间并生成时间序列,所述时间序列作为对应超声兰姆波频散信号y(t)的时间序列标签,构成训练数据集。
可选地,所述卷积自编码网络模型的损失函数为均方差损失函数LMSE,
其中,yToF为时间序列结果。
可选地,所述卷积自编码网络模型包括卷积模块和反卷积模块,其中,所述卷积模块包括卷积层、批处理归一化层和激活函数ReLU函数,用于对所述卷积自编码网络模型进行编码;所述反卷积模块包括反卷积层、批处理归一化层和激活函数ReLU函数,用于对所述卷积自编码网络模型进行上采样解码。
可选地,所述测试集数据包括在金属铝板表面激励和采集的超声兰姆波频散信号,所述超声兰姆波频散信号为通过设置不同传播距离的路径采集并对其进行预处理得到的。
可选地,所述S4进一步包括:
所述测试结果为卷积自编码网络模型输出的时间序列结果,根据所述测试结果对所述S2中采集的超声兰姆波信号进行重构频散补偿并输出补偿后的超声兰姆波频散信号。
本发明第二方面提供一种基于卷积自编码的超声兰姆波频散补偿装置,该装置包括,
模型构建单元,用于构建应用于补偿超声兰姆波频散信号的卷积自编码网络模型;
训练单元,用于根据不同距离下多模态多波包的超声兰姆波频散信号各波包的飞行时间构成训练集数据,并利用所述训练集数据训练所述卷积自编码网络模型;
测试单元,用于生成超声兰姆波测试数据集,并对训练后的所述卷积自编码网络模型进行测试并输出测试结果;
信号重构单元,用于根据所述测试结果重构补偿后的超声兰姆波频散信号。
本发明第三方面提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行程序时实现本发明第一方面提供的方法。
本发明第四方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明第一方面提供的方法。
本发明的有益效果如下:
本发明提出的一种基于卷积自编码的超声兰姆波频散补偿方法和装置能够实现超声兰姆波频散信号的有效补偿,且补偿信号的波包波形能够与激励信号波形保持一致。与传统的频散补偿信号处理相比,本发明可以实现多模态多波包超声兰姆波频散信号的同步补偿,卷积自编码网络模型输出的时间序列结果能够与给定的时间序列标签相互对应,说明网络能够捕捉多模态、多波包条件下的频散信号波包飞行时间信息,同时能够分离混叠波包,结合激励信号波形进而实现超声兰姆波信号的有效频散补偿,为采用深度学习技术解决超声兰姆波信号处理任务提供了一种新思路。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出本发明基于卷积自编码的超声兰姆波频散补偿方法的流程图;
图2示出卷积自编码网络模型的示意图;
图3示出实施例中压电陶瓷传感器布置的示意图;
图4示出实施例接收传感器1采集的超声兰姆波信号与补偿信号结果;
图5示出实施例接收传感器2采集的超声兰姆波信号与补偿信号结果;
图6示出实施例接收传感器3采集的超声兰姆波信号与补偿信号结果;
图7示出本发明实施例的计算机设备结构示意图。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
实施例1
实施例1提供一种基于卷积自编码的超声兰姆波频散补偿方法,该方法步骤为:
S1、构建应用于补偿超声兰姆波频散信号的卷积自编码网络模型;
S2、根据不同距离下多模态多波包的超声兰姆波频散信号各波包的飞行时间构成训练集数据,并利用所述训练集数据训练所述卷积自编码网络模型;
S3、生成超声兰姆波测试数据集,对训练后的所述卷积自编码网络模型进行测试并输出测试结果;
S4、根据所述测试结果重构超声兰姆波信号。
在一个具体示例中,根据超声兰姆波的先验频散曲线信息,给定激励信号f(t),对激励信号进行仿真得到不同传播距离下多模态多波包的超声兰姆波频散信号y(t)。
假设传感器只激发一种兰姆波模态,忽略振幅的变化,由于波数的非线性特性引起频散,响应波形的持续时间增加,振幅减小。具体而言,当超声兰姆波的传播距离为x0时,传感器采集的响应信号y0(t)可表示为:
其中,t为时间,ω为角频率,F(ω)为激励信号f(t)的傅里叶变换,k=k(ω)为超声兰姆波某一模态的波数。本实施例激励信号为中心频率200kHz的3周期窄带梳形信号。由于超声兰姆波信号中一般同时存在S0模态与A0模态,S0和A0模态是指超声导波的两种传播形式,分别是0阶对称模态和0阶反对称模态。因此,本实施例中采用如下公式仿真两种模态下两个波包的频散信号:
其中,kS为S0模态的先验波数信息,kA为A0模态的先验波数信息,xS1为S0模态波包的传播距离,xA1为A0模态波包的传播距离,其中,xS1∈[0.4,2.4],xA1∈[0.4,1.2],在两波包条件下(1个S0波包和1个A0波包)随机取值1000次,在四波包条件下(2个S0波包和2个A0波包)随机取值1000次,由此构成2000个频散信号样本作为训练集数据。
结合不同的传播距离与兰姆波各模态群速度,计算超声兰姆波频散信号中各波包的飞行时间(Time of flight,ToF)并分别表示为脉冲函数,生成包含飞行时间信息的时间序列,作为对应频散信号y(t)的标签,从而构成训练数据集;
当兰姆波信号非频散时,波数k成为频率的线性函数k',在这种情况下,模态的相速度cp(ω)和群速度cg(ω)满足下式:
x为传播距离。
因此,当传播距离为xi(i=1,2,3……N)时频散补偿信号yi_c(t)可以表示为:
其中,δ(t-ti)为脉冲函数。进而,对应的频散补偿信号则可以表示为:
其中,t为时间,tS1为S0模态波包的传播时间,tA1为A0模态波包的传播时间,为S0模态的群速度,/>为A0模态的群速度,fc为激励信号的中心频率,中心频率设为200kHz,根据S1中设置的传播距离xS1与xA1,计算包含飞行时间信息的时间序列并作为对应超声兰姆波频散信号的时间序列标签/>
将其作为训练集数据的标签输入卷积自编码网络模型。
将获取的仿真数据及标签作为训练集,输入到卷积自编码网络模型中进行训练;
卷积自编码网络模型示意图如图2所示,卷积自编码网络模型包括两个卷积模块和两个反卷积模块,卷积模块包括卷积层、批处理归一化(BN)层和激活函数ReLU函数,对卷积自编码网络模型进行编码;相应地,反卷积模块包括反卷积层、BN层和ReLU函数,对卷积自编码网络模型进行上采样解码。卷积层与反卷积层的核大小分别为1×10、1×3、1×3、1×10,数量分别为4、8、8、4。在反卷积模块前利用dropout操作避免过拟合,比率设置为0.25。通过特征提取后重新生成时间序列,采用均方误差作为损失函数,随机梯度下降作为优化器,学习率设为0.0001,批大小设为64,进行训练。
卷积自编码网络模型的损失函数采用均方差损失函数LMSE,
yToF为时间序列结果。
将压电陶瓷传感器置于金属铝板表面分别激励和采集超声兰姆波信号,在铝板试件上设置三种不同传播距离的路径,激励信号为中心频率为200kHz的3周期窄带梳形信号,采集超声兰姆波频散信号,对频散信号进行预处理,构成超声兰姆波测试数据集。本实施例采用了规格为2000mm×1200mm×2mm的铝板作为试件,图3为压电陶瓷传感器布置示意图。
将获取的测试数据集作为测试集,输入到已训练好的卷积自编码网络模型中对训练后的卷积自编码网络模型进行测试,获取对应各频散信号中各波包的飞行时间,并输出测试结果,测试结果为卷积自编码网络模型输出的时间序列结果yToF。
根据测试结果对S2中采集的超声兰姆波信号进行重构频散补偿,将激励信号f(t)卷积时间序列结果yToF,乘以原始采集信号对应时刻处的幅值,重构频散补偿并输出补偿后的超声兰姆波yc(t)。在接收传感器三种距离下的原始采集的超声兰姆波信号与网络补偿后的信号分别如图4、图5和图6所示。由于边界效应,信号中存在S0模态与A0模态的直达波以及各边界反射波。结果表明,真实的ToF与卷积自编码网络模型输出得到的ToF能够相互对应,卷积激励信号后得到清晰的频散补偿信号。
可以发现,该技术方案提出的卷积自编码模型能够实现超声兰姆波信号的频散补偿。结果表明,本发明可以完成多模态超声兰姆波频散信号的同步补偿,克服了传统信号处理方法只能补偿单模态信号的问题,且该方法能够有效分离混叠波包。本发明智能化程度高,在工程实际中更加适用。
本发明提出的技术方案可以实现多模态超声兰姆波频闪信号的同步补偿。通过实验结果分析可以发现,网络模型输出获取的时间序列能够与给定的时间序列标签相互对应,说明网络能够捕捉多模态、多波包条件下的频散信号波包飞行时间信息,同时能够分离混叠波包,结合激励信号波形进而实现超声兰姆波信号的有效频散补偿。
数据驱动的方法因其显著的特征提取能力而受到越来越多的关注,众多深度学习方法已应用于无损检测和结构健康监测中。当前深度学习模型大多用于提取损伤特征,之后直接对信号执行分类或回归任务,尚未从信号中识别波形特征。本发明的创新点之一即在于采用深度学习方法来解决兰姆波传统信号处理任务,从波形分析角度入手,实现对信号的频散补偿,弱先验频散信息的影响。此外,本发明能够克服传统频散补偿方法仅适用单模模态的局限性,能够完成多模态超声兰姆波信号的同步频散补偿,并且分离信号中的混叠波包。本发明智能化程度高,具有广阔的应用前景。
实施例2
实施例2提供了一种基于卷积自编码的超声兰姆波频散补偿装置,该装置包括,
模型构建单元,用于构建应用于补偿超声兰姆波频散信号的卷积自编码网络模型;
训练单元,用于根据不同距离下多模态多波包的超声兰姆波频散信号各波包的飞行时间构成训练集数据,并利用所述训练集数据训练所述卷积自编码网络模型;
测试单元,用于生成超声兰姆波测试数据集,并对训练后的所述卷积自编码网络模型进行测试并输出测试结果;
信号重构单元,用于根据所述测试结果重构补偿后的超声兰姆波频散信号。
实施例3
如图7所示,实施例3提供一种计算机设备,可理解的是,图7显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示,通常称为“硬盘驱动器”)。尽管图7中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图7所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图7中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例1所提供方法。
实施例4
实施例4提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现实施例1所述的方法。
在实际应用中,所述计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (10)
1.一种基于卷积自编码的超声兰姆波频散补偿方法,其特征在于,该方法包括,
S1、构建应用于补偿超声兰姆波频散信号的卷积自编码网络模型;
S2、根据不同距离下多模态多波包的超声兰姆波频散信号各波包的飞行时间构成训练集数据,并利用所述训练集数据训练所述卷积自编码网络模型;
S3、生成超声兰姆波测试数据集,对训练后的所述卷积自编码网络模型进行测试并输出测试结果;
S4、根据所述测试结果重构超声兰姆波信号。
2.根据权利要求1所述的超声兰姆波频散补偿方法,其特征在于,所述S2进一步包括:
S21、对激励信号进行仿真并获得不同传播距离下多模态多波包的超声兰姆波频散信号;
S22、根据不同传播距离与兰姆波各模态群速度,计算所述超声兰姆波频散信号中各波包的飞行时间并生成时间序列,所述时间序列作为对应超声兰姆波频散信号y(t)的时间序列标签,构成训练数据集。
5.根据权利要求1所述的超声兰姆波频散补偿方法,其特征在于,所述卷积自编码网络模型包括卷积模块和反卷积模块,其中,
所述卷积模块包括卷积层、批处理归一化层和激活函数ReLU函数,用于对所述卷积自编码网络模型进行编码;
所述反卷积模块包括反卷积层、批处理归一化层和激活函数ReLU函数,用于对所述卷积自编码网络模型进行上采样解码。
6.根据权利要求1所述的超声兰姆波频散补偿方法,其特征在于,所述测试集数据包括在金属铝板表面激励和采集的超声兰姆波频散信号,所述超声兰姆波频散信号为通过设置不同传播距离的路径采集并对其进行预处理获得的。
7.根据权利要求1所述的超声兰姆波频散补偿方法,其特征在于,所述S4进一步包括:
所述测试结果为卷积自编码网络模型输出的时间序列结果,根据所述测试结果对所述S2中采集的超声兰姆波信号进行重构频散补偿并输出补偿后的超声兰姆波频散信号。
8.一种基于卷积自编码的超声兰姆波频散补偿装置,其特征在于,包括,
模型构建单元,用于构建应用于补偿超声兰姆波频散信号的卷积自编码网络模型;
训练单元,用于根据不同距离下多模态多波包的超声兰姆波频散信号各波包的飞行时间构成训练集数据,并利用所述训练集数据训练所述卷积自编码网络模型;
测试单元,用于生成超声兰姆波测试数据集,并对训练后的所述卷积自编码网络模型进行测试并输出测试结果;
信号重构单元,用于根据所述测试结果重构补偿后的超声兰姆波频散信号。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2022117029942 | 2022-12-29 | ||
CN202211702994 | 2022-12-29 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116429912A true CN116429912A (zh) | 2023-07-14 |
Family
ID=87089962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310294518.XA Pending CN116429912A (zh) | 2022-12-29 | 2023-03-23 | 一种基于卷积自编码的超声兰姆波频散补偿方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116429912A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116773677A (zh) * | 2023-08-25 | 2023-09-19 | 西南交通大学 | 基于群速度的宽频梳状阵列激励方法、装置、设备及介质 |
-
2023
- 2023-03-23 CN CN202310294518.XA patent/CN116429912A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116773677A (zh) * | 2023-08-25 | 2023-09-19 | 西南交通大学 | 基于群速度的宽频梳状阵列激励方法、装置、设备及介质 |
CN116773677B (zh) * | 2023-08-25 | 2023-11-07 | 西南交通大学 | 基于群速度的宽频梳状阵列激励方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Herrmann | Computer programs in seismology: An evolving tool for instruction and research | |
CN109116374B (zh) | 确定障碍物距离的方法、装置、设备及存储介质 | |
CN107103903B (zh) | 基于人工智能的声学模型训练方法、装置及存储介质 | |
US20190171904A1 (en) | Method and apparatus for training fine-grained image recognition model, fine-grained image recognition method and apparatus, and storage mediums | |
CN108510985A (zh) | 用于减小生产语音模型中的原则性偏差的系统和方法 | |
JP7059508B2 (ja) | ビデオ時系列動作の検出方法、装置、電子デバイス、プログラム及び記憶媒体 | |
CN108229364B (zh) | 建筑物轮廓生成方法、装置、计算机设备及存储介质 | |
Civera et al. | The Teager-Kaiser energy cepstral coefficients as an effective structural health monitoring tool | |
CN116429912A (zh) | 一种基于卷积自编码的超声兰姆波频散补偿方法和装置 | |
CN110232277A (zh) | 网页后门的检测方法、装置和计算机设备 | |
CN111291882A (zh) | 一种模型转换的方法、装置、设备和计算机存储介质 | |
CN103473483A (zh) | 一种蛋白质结构与功能的在线预测方法 | |
CN115795282B (zh) | 激波管动态压力重构方法、装置、电子设备及存储介质 | |
Haile et al. | Deep machine learning for detection of acoustic wave reflections | |
Zonzini et al. | Deep learning approaches for robust time of arrival estimation in acoustic emission monitoring | |
Brankovic et al. | A machine learning-based seismic data compression and interpretation using a novel shifted-matrix decomposition algorithm | |
Ben et al. | A local search maximum likelihood parameter estimator of chirp signal | |
CN110579746A (zh) | 一种回波信号的处理方法、装置、设备及存储介质 | |
Yang et al. | Acoustic emission source location using finite element generated delta-T mapping | |
CN115226408A (zh) | 用于会话式ai应用的说话者自适应语音结束检测 | |
Lamrini et al. | Evaluating the performance of pre-trained convolutional neural network for audio classification on embedded systems for anomaly detection in smart cities | |
Castro et al. | Applications of operational modal analysis in gearbox and induction motor, based on random decrement technique and enhanced ibrahim time method | |
CN112241001A (zh) | 雷达人体动作识别方法、装置、电子设备和存储介质 | |
CN107944564B (zh) | 深度学习作业处理方法、装置、设备及存储介质 | |
Wang et al. | Future trend forecast by empirical wavelet transform and autoregressive moving average |
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 |