CN116609442A - 基于非线性超声导波和深度学习的管道裂纹评估定位方法 - Google Patents
基于非线性超声导波和深度学习的管道裂纹评估定位方法 Download PDFInfo
- Publication number
- CN116609442A CN116609442A CN202310873368.8A CN202310873368A CN116609442A CN 116609442 A CN116609442 A CN 116609442A CN 202310873368 A CN202310873368 A CN 202310873368A CN 116609442 A CN116609442 A CN 116609442A
- Authority
- CN
- China
- Prior art keywords
- crack
- deep learning
- pipeline
- guided wave
- ultrasonic guided
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 27
- 238000011156 evaluation Methods 0.000 title claims abstract description 15
- 238000001228 spectrum Methods 0.000 claims abstract description 50
- 230000005284 excitation Effects 0.000 claims abstract description 42
- 230000004044 response Effects 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 238000013136 deep learning model Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 239000006185 dispersion Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 7
- 229910000831 Steel Inorganic materials 0.000 abstract description 6
- 239000010959 steel Substances 0.000 abstract description 6
- 238000009659 non-destructive testing Methods 0.000 abstract description 4
- 230000006378 damage Effects 0.000 description 10
- 230000007547 defect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000009022 nonlinear effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 235000019687 Lamb Nutrition 0.000 description 1
- 230000004323 axial length Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000009021 linear effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012800 visualization Methods 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
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Molecular Biology (AREA)
- Biochemistry (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Acoustics & Sound (AREA)
- Signal Processing (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于非线性超声导波和深度学习的管道裂纹评估定位方法,属于无损检测技术领域。方法主要包括传感器阵列布置接收非线性信号、阵列响应频谱矩阵获取、深度学习网络模型训练及裂纹信息预测结果等步骤。首先选择合适的基频激励信号,并在钢管端面中线节点上对称加载集中力,沿着管道的轴向激发出基频超声导波;之后通过传感器阵列接收并保存回波信号,将所有传感器接收的信号做傅里叶变换以得到阵列响应频谱矩阵;最后将得到的所有阵列响应频谱矩阵训练深度学习模型实现管道裂纹评估和定位。本发明通过超声导波结合深度学习算法,可以同时生成裂纹的特征和位置信息,并提升裂纹信息的处理效率,使得微裂纹的检测与定位更为高效。
Description
技术领域
本发明公开了一种基于非线性超声导波和深度学习的管道裂纹评估定位方法,属于无损检测技术领域。
背景技术
近年来,管状结构在工程领域和日常生活中都得到了非常普遍的应用,在管状构件生产和使用的过程中,由于工艺、外力、侵蚀等原因,导致分层、裂纹等各类缺陷的产生。结构内部损伤隐蔽性很强,危害性很大,如果不能及时发现解决,很可能出现意料之外的损失。因此,对使用中的管状构件进行有规律的定期损伤检测可以及时地发现各类微小隐患,及早做出全面有效的防护措施,最大可能地预防和避免事故的发生。
超声波具有穿透能力强、灵敏度高、无污染且对人体没有伤害等优点,这使得采用超声进行缺陷检测的使用最为广泛。传统的超声导波检测技术多基于线性理论,根据缺陷引起回波的声速、衰减、相位、反射系数等特性的变化来实现损伤的检测,但对于早期的亚波长微裂纹不敏感。而管状结构中的微裂纹具有接触非线性效应,会在透射和反射波中产生高次谐波,这为微裂纹定位和评估提供了新的可能性。
近些年,随着深度学习的兴起,越来越多的人开始将注意力放到无损检测和深度学习的结合上,深度学习和无损检测的结合为同时研究微裂纹的评估和定位提供了新思路。通过利用该方法,可以同时生成裂纹的特征和位置信息,并提升裂纹信息处理的效率,使得管道中微裂纹的检测更为高效。
发明内容
为解决现有超声导波检测方法对微裂纹损伤检测时,无法实现兼顾微裂纹评估与定位和处理大量损伤信息等不足,本发明提出了一种基于非线性超声导波和深度学习算法的管道裂纹评估定位方法。
技术方案
为达到上述目的,本发明提供的技术方案为:
基于非线性超声导波和深度学习的管道裂纹评估定位方法,包含传感器阵列布置接收非线性信号、阵列响应频谱矩阵获取、深度学习网络模型训练及裂纹信息预测过程,其中传感器阵列布置接收非线性信号包括如下步骤:
步骤1,获取管道中超声导波频散曲线,选择合适模态作为激励信号并进行调制;
步骤2,在存在裂纹特征的管道端面布置激励传感器阵列,在管道表面布置接收传感器阵列;
步骤3,在管道端面中线节点上对称加载集中力,激励传感器沿管道轴向发射激励信号;
步骤4,接收传感器接收时域响应信号并保存;
阵列响应频谱矩阵获取包括以下步骤:
步骤5,将步骤4所得每个接收传感器所接收时域信号进行傅里叶变换得到其频谱,并将所有接收传感器频谱叠加,得到该裂纹特征下的阵列响应频谱矩阵;
步骤6,改变管道裂纹特征、激励信号特征,重复步骤3-5,得到不同管道裂纹特征和激励信号特征下的阵列响应频谱矩阵;
深度学习网络模型训练及裂纹信息预测包括以下步骤:
步骤7,将得到的所有阵列响应频谱矩阵作为原始数据划分为训练数据集和测试数据集;
步骤8,在训练数据集中加入高斯白噪声;
步骤9,基于训练数据集学习深度学习模型,使用步骤7所得测试数据集对模型进行验证,待测试数据集精度收敛后深度学习模型训练结束;
步骤10,使用训练所得深度学习模型进行管道裂纹信息预测。
进一步地,步骤1中激励信号的选择方法为:根据频散曲线,在二倍频小于其它模态的截止频率范围内,选择低频散、速度快的超声导波L(0,2)模态信号作为激励。
进一步地,步骤1采用矩形窗和汉宁窗对超声导波激励信号进行调制,调制方法为:
为信号的相位;N为调制正弦信号的周期数。
进一步地,步骤5中,管道裂纹特征包括裂纹的长度、方向、位置,激励信号特征包括激励信号的频率与幅值。
进一步地,步骤9中深度学习模型为SEResNet50网络。
有益效果
本发明通过使用各种阵列信号处理方法,探究不同微裂纹的非线性影响,方法有效利用了微裂纹的非线性效应,实现了高准确率的管道损伤评估与定位;
本发明方法将深度学习技术应用于裂纹评估定位领域,通过应用深度学习算法有效处理了不同裂纹、激励信号特征下得到的大量数据,实现管道微裂纹的高效评估和定位。
附图说明
图1为本发明损伤评估和定位方法的步骤框图;
图2为本发明实施例仿真模型及传感器布置图;
图3为本发明检查区域和裂纹模型示意图;
图4为本发明实验方法采用的激励信号和其对应的频谱图
图5为实验有损和无损管道传感器接收信号的频谱图;
图6为实验不同长度裂纹下传感器A接收信号的频谱图;
图7为实验不同长度裂纹下的叠加频谱图;
图8为本发明使用的SEResNet50网络结构示意图;
图9为深度学习模型训练过程中的损失和准确性曲线。
具体实施方式
为进一步了解本发明的内容,结合附图和具体实施方式对本发明作详细描述。
如图1所示,本发明方法主要包括传感器阵列布置接收非线性信号、阵列响应频谱矩阵获取、深度学习网络模型训练及裂纹信息预测三个步骤。
布置传感器阵列接收非线性信号
如图2所示,本实施例在钢管端面对称布置8个传感器阵列激励超声导波信号,并在裂纹区域附近布置8个传感器阵列接收超声导波信号,钢管尺寸以及上表面传感器的具体位置如图中所示,确定传感器位置后,在钢管端面中线节点上对称加载集中力,方向沿着管道的轴向,激发出对应的L(0,2)模态的基频超声导波。
超声导波的传播具有频散和多模特性,根据频散曲线,在小于其它模态的截止频率范围内,选择低频散、速度快的超声导波L(0,2)模态信号作为激励;为了确保获取合适模态,激励信号中心频率选择在低频区的频率,在此基础上对激励信号进行调制设计。通常采用矩形窗和汉宁窗对超声导波激励信号进行调制,本实施例中采用汉宁窗进行调制,对于单频激励,激励信号的表达形式如下:
其中为阶跃函数;/>为激励信号的中心频率;/>为信号的相位;N为调制正弦信号的周期数。调制后的信号频带能量更加集中,改善了纵向超声导波的频散程度。
获取阵列响应频谱矩阵
在布置传感器阵列接收非线性信号后,下面将处理信号得到阵列响应频谱矩阵,并通过深度学习网络模型获得裂纹信息的预测结果,实现最终的评估和定位结果。
首先对每个传感器接收的时域信号进行傅里叶变换得到频谱,离散傅里叶变换(DFT)表达式为:其中x(n)是连续信号x(t)的离散样本,N为DFT变换区间长度,k= 0,1,⋯,N−1。对于每个裂纹特征,都会得到8个传感器的频谱,将这八个频谱进行叠加将得到一个裂纹特征下的阵列响应频谱矩阵,叠加公式如下:/>
其中矩阵A为阵列响应频谱矩阵,A 1-A 8为每个传感器得到的频谱。
下一步改变管道中纹的长度、方向、位置及激励信号频率与幅值,从而得到不同裂纹的阵列响应频谱矩阵。如图3所示,本实施例中裂纹区位于所示的16个不同的子区域的中心,在每个子区域中,微裂纹的角度从5度变化到165度,间隔20度,即有9个角度。微裂纹的长度有14mm、17mm和20mm三种情况。此外,激励信号的频率有四种情况,幅值从100V变化到600V,间隔100V,即激励信号共有24种情况。因此共包含16*9*3*4=10368组阵列响应频谱矩阵,每组阵列响应频谱矩阵包含8个传感器从微裂纹区收集的响应信号,每个响应信号都携带了关于微裂纹的信息,所得到的阵列响应频谱矩阵将作为后续深度学习的原始数据。
深度学习模型训练
在利用深度学习网络模型处理的过程中,需要将得到的所有阵列响应频谱矩阵作为原始数据,并将原始数据分为原始训练数据和原始测试数据。将相同的微裂纹角度、长度和位置作为标签,9组角度、3组长度和16组位置,共计432组标签。每个标签下有4组激励信号频率和6组幅值,共计24个原始数据,因此所有原始数据共有10368个。从每个标签中随机选择一个数据,共获得432个数据作为原始测试数据,其余9936个数据为原始训练数据。
为了模拟真实环境中噪声对超声导波响应信号的影响,在原始训练数据中加入高斯白噪声,以提高后续训练模型的鲁棒性。将20dB、25dB、30dB和35dB四种不同的噪声水平添加到原始训练数据中,并将数据扩展到49680个数据,其中包括原始9936个无噪声训练数据。最后,获得49680个训练集数据和432个测试集数据,每个数据都包含8个传感器的数据特征。将训练集作为深度学习模型的输入,训练过程收敛后模型训练完毕,最后用训练好的深度学习模型去验证准备好的测试集。
实验结果
实验选择圆管的几何参数为:外径140mm,壁厚6mm,长度1m,管道选用钢材料,具体参数如表1所示,其中E表示杨氏模量,υ表示泊松比,ρ表示密度;使用单频激励,激励信号为10周期的经汉宁窗调制的正弦信号,中心频率共有4组,分别为50kHz、55kHz、60kHz、65kHz,图4显示了50kHz情况下兰姆波信号的时域波形和对应的频谱。在施加激励时在端面中线节点上对称加载方向沿管道轴向的集中力,便可以激发出L(0,2)导波。
如图2所示,检查区域位于钢管中心,轴向方向长度为96mm,周向方向长度为80度的弧长,平均划分为16个不同的子区域。将8个圆形传感器(A~H)网络绑定在检测区域周围的圆管表面上,以捕获来自损伤区域的响应信号。其中传感器A、B、E和F均位于轴向距离检查区域边界24mm处,周向位置为两个子区域的交界;传感器C、D、H和G的轴向位置为两个子区域的交界,周向位置均位于距离裂纹区域边界20度的弧长处。
如图3所示,16个检查区域分别用1~16标记。缺陷类型为贯穿微裂纹损伤。在该模型中,规定微裂纹的长度为垂直方向上的长度,微裂纹的方向定义为微裂纹与正z轴的夹角。
首先对完整管道和带微裂纹的管道进行对比,从图5中可以观察到超声导波和微裂纹相互作用在二倍频处产生的非线性信号。接下来以传感器A为例分析微裂纹不同特征的影响,图6为不同裂纹长度下的频谱比较,可见裂纹越长,频谱中二次谐波的幅值就越大,非线性就越强。虽然频谱一定程度上可以反映出裂纹特征对于非线性的影响,但使用这个变量来探索微裂纹的位置、扩展方向和损伤程度会有很大的误差,因此需要进行方法改进。对所有8个传感器的频谱进行叠加,以分析和揭示裂纹三个因素与8个传感器频谱之间的关系,将8个传感器频谱在从0到140kHz进行叠加,选择合适步长将其均匀量化为一个2048大小的矢量,对该向量进行对数和归一化处理,8个传感器数据叠加为一个2048*8的叠加频谱矩阵。
下一步改变裂纹的特征和激励信号获取响应频谱矩阵,每组阵列响应频谱矩阵包含8个传感器从微裂纹处收集的响应信号,每个响应信号都携带了关于微裂纹的信息。所得到的阵列响应频谱矩阵将作为后续深度学习处理的原始数据。图7为角度为85度,裂纹位置位于子区域10时,不同长度裂纹的叠加频谱图,叠加频谱图本质上就是阵列响应频谱矩阵的可视化。
本实施例选取SEResNet50网络作为深度学习模型,SEResNet50网络是将SE模块嵌入到ResNet50网络中构成的,其中SE模块(Squeeze-and-Excitation Module)是整个网络模型的核心。
SE模块首先进行F tr 转换操作,把向量X映射到特征空间U,F tr 是一个标准的卷积操作,输入X和输出U的定义如下表示:
其中H’×W’×C’为输入向量的维度大小,H×W×C为输出向量的维度大小。F tr 的公式可表示如下:
式中*表示卷积,v c 表示第c个卷积核的参数,X s 表示第s个输入,,。通过F tr 转换得到的U是一个三维矩阵,可称为tensor,或者叫C个大小为H*W的feature map,u c 表示U中的第c个二维矩阵。
接下来就是Squeeze操作,其本质是一个通过global average pooling来生成channel-wise统计数据的过程:
上式可将H×W×C的输入转换成1×1×C的输出。
再接下来是Excitation操作,该操作旨在完全捕获通道相关性。前面Squeeze得到的结果是z,这里先用W 1 乘以z,完成一个全连接层操作,W 1 的维度是C/r ×C,这个r是一个缩放参数,引入该参数的目的是为了减少channel个数从而降低计算量。又因为z的维度是1×1×C,所以W 1 乘以z的结果就是1×1×C/r;然后再经过一个ReLU层,输出的维度不变;然后再和W 2 相乘,和W 2 相乘也是一个全连接层的过程,W 2 的维度是C×C/r,因此输出的维度就是1×1×C;最后再经过sigmoid函数,得到s。
具体表达式为:在得到s之后,便可对原来的tensorU进行操作,
采用下面的公式: u c 是一个二维矩阵,s c 是一常数,其为权重,因此相当于把u c 矩阵中的每个值都乘以s c, x c 为最终结果矩阵。
SEResNet50网络结构如图8所示,除输入和输出环节外,网络还包含步骤块链接环节、阶段链接1-4环节、后续处理链接环节。其中步骤块链接环节的输入是一个三通道的矩阵,这一环节可以理解为四个阶段链接前的预处理操作;阶段链接1-4环节中每个阶段链接的输出作为下一个阶段链接的输入,在每个阶段链接环节后都嵌入SE模块,最终结果经后续处理链接的全链接层得到裂纹的长度、方向、位置信息的预测结果。
训练过程中,作为网络输入的叠加频谱图由8个传感器数据(S1-S8)组成,每个传感器输入的频谱矢量大小为2048,输入为8×2048的二维矩阵,做一次维度扩展生成1×128×128的三维矩阵做为步骤块链接的输入,步骤块链接和阶段链接1-4的核心部分为卷积层和池化层,目的是为了实现特征的提取,步骤块链接输出为64×32×32的三维矩阵,经过四个阶段链接大小变为2048×4×4,最终通过后续处理链接的全连接层得到裂纹信息的预测结果。
SEResNet50网络在训练阶段的损耗和精度曲线如图9所示,可以看出经过100轮训练后测试集的准确度最高达到98.57%,网络模型在测试集上实现了较低的损耗和较高的准确率,可以用于进一步的微裂纹预测。
模型训练完毕后,使用432个测试数据对训练好的模型进行测试,实验中420个样本是正确的,准确率达97.22%,表明该模型在微裂纹的定位和评估方面有着显著的泛化能力。
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (5)
1.基于非线性超声导波和深度学习的管道裂纹评估定位方法,其特征在于,包含传感器阵列布置接收非线性信号、阵列响应频谱矩阵获取、深度学习网络模型训练及裂纹信息预测过程,其中传感器阵列布置接收非线性信号包括以下步骤:
步骤S1,获取管道中超声导波频散曲线,选择模态作为激励信号并进行调制;
步骤S2,在存在裂纹特征的管道端面布置激励传感器阵列,在管道表面布置接收传感器阵列;
步骤S3,在管道端面中线节点上对称加载集中力,激励传感器沿管道轴向发射激励信号;
步骤S4,接收传感器接收时域响应信号并保存;
阵列响应频谱矩阵获取包括以下步骤:
步骤S5,将步骤S4所得每个接收传感器所接收时域信号进行傅里叶变换得到其频谱,并将所有接收传感器频谱叠加,得到该裂纹特征下的阵列响应频谱矩阵;
步骤S6,改变管道裂纹特征、激励信号特征,重复步骤S3-S5,得到不同管道裂纹特征和激励信号特征下的阵列响应频谱矩阵;
深度学习网络模型训练及裂纹信息预测包括以下步骤:
步骤S7,将得到的所有阵列响应频谱矩阵作为原始数据划分为训练数据集和测试数据集;
步骤S8,在训练数据集中加入高斯白噪声;
步骤S9,基于训练数据集学习深度学习模型,使用步骤S7所得测试数据集对模型进行验证,待测试数据集精度收敛后深度学习模型训练结束;
步骤S10,使用训练所得深度学习模型进行管道裂纹信息预测。
2.如权利要求1所述的基于非线性超声导波和深度学习的管道裂纹评估定位方法,其特征在于,所述步骤S1中激励信号的选择方法为:根据频散曲线,在二倍频小于其它模态的截止频率范围内,选择低频散、速度快的超声导波L(0,2)模态信号作为激励。
3.如权利要求1所述的基于非线性超声导波和深度学习的管道裂纹评估定位方法,其特征在于,所述步骤S1采用矩形窗和汉宁窗对超声导波激励信号进行调制,调制方法为:
其中/>为阶跃函数;/>为激励信号的中心频率;/>为信号的相位;N为调制正弦信号的周期数,t为时间变量,f为频率变量,n为当前所处周期。
4.如权利要求1所述的基于非线性超声导波和深度学习的管道裂纹评估定位方法,其特征在于,所述步骤S5中,管道裂纹特征包括裂纹的长度、方向、位置,激励信号特征包括激励信号的频率与幅值。
5.如权利要求1所述的基于非线性超声导波和深度学习的管道裂纹评估定位方法,其特征在于,所述步骤S9中深度训练模型为SEResNet50网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310873368.8A CN116609442B (zh) | 2023-07-17 | 2023-07-17 | 基于非线性超声导波和深度学习的管道裂纹评估定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310873368.8A CN116609442B (zh) | 2023-07-17 | 2023-07-17 | 基于非线性超声导波和深度学习的管道裂纹评估定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116609442A true CN116609442A (zh) | 2023-08-18 |
CN116609442B CN116609442B (zh) | 2023-10-13 |
Family
ID=87678555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310873368.8A Active CN116609442B (zh) | 2023-07-17 | 2023-07-17 | 基于非线性超声导波和深度学习的管道裂纹评估定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116609442B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823821A (zh) * | 2023-08-29 | 2023-09-29 | 成都中科卓尔智能科技集团有限公司 | 基于相位恢复的芯片掩模版瑕疵检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020232687A1 (zh) * | 2019-05-22 | 2020-11-26 | 华南理工大学 | 一种载波调制非线性超声导波损伤检测方法 |
CN113466335A (zh) * | 2021-06-28 | 2021-10-01 | 大连理工大学 | 一种超声导波蜂窝夹芯结构脱粘层诊断方法 |
CN114544765A (zh) * | 2022-01-21 | 2022-05-27 | 东南大学 | 一种基于深度学习的检测板状材料缺陷存在与位置的方法 |
CN114705755A (zh) * | 2022-03-21 | 2022-07-05 | 南京工业大学 | 基于Lamb波脉冲反转和改进全聚焦方法的缺陷分类与定位 |
WO2022146098A1 (ko) * | 2020-12-31 | 2022-07-07 | 한국과학기술원 | 장단기 기억 네트워크 기반 스펙트럼 노이즈 감소 및 비선형 초음파 변조를 이용한 구조물의 피로 균열 검출 방법 및 이를 위한 시스템 |
CN115859074A (zh) * | 2022-10-27 | 2023-03-28 | 大连理工大学 | 一种基于超声导波和深度学习的复合材料加筋板损伤识别方法 |
CN115901954A (zh) * | 2022-12-15 | 2023-04-04 | 东南塞普检测技术有限公司 | 超声导波管道缺陷无损检测方法 |
CN116183718A (zh) * | 2023-03-13 | 2023-05-30 | 南京工业大学 | 基于Lamb波非线性混频和LT网络的微裂纹定位与评估方法 |
WO2023102110A1 (en) * | 2021-12-01 | 2023-06-08 | Brown University | Computations trained machine learning models for non-destructive evaluation of material and structural flaws |
-
2023
- 2023-07-17 CN CN202310873368.8A patent/CN116609442B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020232687A1 (zh) * | 2019-05-22 | 2020-11-26 | 华南理工大学 | 一种载波调制非线性超声导波损伤检测方法 |
WO2022146098A1 (ko) * | 2020-12-31 | 2022-07-07 | 한국과학기술원 | 장단기 기억 네트워크 기반 스펙트럼 노이즈 감소 및 비선형 초음파 변조를 이용한 구조물의 피로 균열 검출 방법 및 이를 위한 시스템 |
CN113466335A (zh) * | 2021-06-28 | 2021-10-01 | 大连理工大学 | 一种超声导波蜂窝夹芯结构脱粘层诊断方法 |
WO2023102110A1 (en) * | 2021-12-01 | 2023-06-08 | Brown University | Computations trained machine learning models for non-destructive evaluation of material and structural flaws |
CN114544765A (zh) * | 2022-01-21 | 2022-05-27 | 东南大学 | 一种基于深度学习的检测板状材料缺陷存在与位置的方法 |
CN114705755A (zh) * | 2022-03-21 | 2022-07-05 | 南京工业大学 | 基于Lamb波脉冲反转和改进全聚焦方法的缺陷分类与定位 |
CN115859074A (zh) * | 2022-10-27 | 2023-03-28 | 大连理工大学 | 一种基于超声导波和深度学习的复合材料加筋板损伤识别方法 |
CN115901954A (zh) * | 2022-12-15 | 2023-04-04 | 东南塞普检测技术有限公司 | 超声导波管道缺陷无损检测方法 |
CN116183718A (zh) * | 2023-03-13 | 2023-05-30 | 南京工业大学 | 基于Lamb波非线性混频和LT网络的微裂纹定位与评估方法 |
Non-Patent Citations (2)
Title |
---|
ZI ZHANG 等: "Deep learning-enriched stress level identification of pretensioned rods via guided wave approaches", BUILDINGS, vol. 12, no. 11, pages 1772 * |
徐旭 等: "基于非线性Lamb波改进全聚焦成像的板中损伤分类与定位", 南京大学学报(自然科学), vol. 58, no. 05, pages 894 - 903 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823821A (zh) * | 2023-08-29 | 2023-09-29 | 成都中科卓尔智能科技集团有限公司 | 基于相位恢复的芯片掩模版瑕疵检测方法 |
CN116823821B (zh) * | 2023-08-29 | 2023-12-15 | 成都中科卓尔智能科技集团有限公司 | 基于相位恢复的芯片掩膜板瑕疵检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116609442B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ghavamian et al. | Detection, localisation and assessment of defects in pipes using guided wave techniques: A review | |
CN110108802B (zh) | 一种载波调制非线性超声导波损伤检测方法 | |
Cheng et al. | Acoustic emission source location using Lamb wave propagation simulation and artificial neural network for I-shaped steel girder | |
Huang et al. | CNN-LSTM network-based damage detection approach for copper pipeline using laser ultrasonic scanning | |
CN116609442B (zh) | 基于非线性超声导波和深度学习的管道裂纹评估定位方法 | |
CN105403622A (zh) | 一种板材损伤识别定位方法 | |
CN113848252B (zh) | 一种基于超声导波和卷积神经网络的腐蚀成像方法 | |
Yücel et al. | Coded waveform excitation for high-resolution ultrasonic guided wave response | |
Lowe et al. | Hybrid active focusing with adaptive dispersion for higher defect sensitivity in guided wave inspection of cylindrical structures | |
CN114705755A (zh) | 基于Lamb波脉冲反转和改进全聚焦方法的缺陷分类与定位 | |
Hu et al. | Ultrasonic based concrete defects identification via wavelet packet transform and GA-BP neural network | |
CN114330435A (zh) | 一种基于动态权重小波系数深度残余网络的复合材料缺陷检测方法 | |
Chen et al. | Sign coherence factor-based search algorithm for defect localization with laser generated Lamb waves | |
CN103604869B (zh) | 基于数值反演的无损检测模拟试块缺陷参数的识别方法 | |
Zima et al. | Experimental and numerical identification of corrosion degradation of ageing structural components | |
Vy et al. | Damage localization using acoustic emission sensors via convolutional neural network and continuous wavelet transform | |
Draudviliene et al. | Metrological performance of hybrid measurement technique applied for the Lamb waves phase velocity dispersion evaluation | |
KR102611457B1 (ko) | 인공지능 기반 콘크리트 부재 내부 결함 탐지 시스템 | |
CN103926329A (zh) | 一种基于单纯形法的半无限域基体涂层结构材料弹性性质获取方法 | |
CN104515812A (zh) | 一种针对变截面构件体内微裂纹的非经典非线性检测方法 | |
US11946735B2 (en) | Method for measuring deviation angle of fatigue microcrack based on nonlinear ultrasound | |
Hong et al. | Laser ultrasonic scanning for detection of damage in copper pipelines using blind compressive sensing and the adjacent area difference coefficient | |
Wang et al. | Lamb wave tomography technique for crack damage detection | |
CN116026921A (zh) | 一种内建环形超声波传感器阵列的智能灌浆套筒系统 | |
Cheng et al. | Corrosion damage detection in reinforced concrete using Rayleigh wave-based method |
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 | ||
GR01 | Patent grant |