JP7492567B2 - 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 - Google Patents

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 Download PDF

Info

Publication number
JP7492567B2
JP7492567B2 JP2022166691A JP2022166691A JP7492567B2 JP 7492567 B2 JP7492567 B2 JP 7492567B2 JP 2022166691 A JP2022166691 A JP 2022166691A JP 2022166691 A JP2022166691 A JP 2022166691A JP 7492567 B2 JP7492567 B2 JP 7492567B2
Authority
JP
Japan
Prior art keywords
signal
aluminum sheath
guided wave
cable aluminum
corrosion damage
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
Application number
JP2022166691A
Other languages
English (en)
Other versions
JP2023184389A (ja
Inventor
嘉盛 黄
卓展 韓
濛 李
智勇 劉
飛 張
銀霞 石
倩 冉
滔 張
Original Assignee
グアンジョウ パワー サプライ ビューロー オブ グァンドン パワー グリッド カンパニー リミテッド
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 グアンジョウ パワー サプライ ビューロー オブ グァンドン パワー グリッド カンパニー リミテッド filed Critical グアンジョウ パワー サプライ ビューロー オブ グァンドン パワー グリッド カンパニー リミテッド
Publication of JP2023184389A publication Critical patent/JP2023184389A/ja
Application granted granted Critical
Publication of JP7492567B2 publication Critical patent/JP7492567B2/ja
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)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
  • Image Analysis (AREA)

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。
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。
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。
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。
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。
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。
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。
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 0007492567000001
 （
Figure 0007492567000002
 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 0007492567000003
 （
Figure 0007492567000004
 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。
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 0007492567000005
 （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。
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 0007492567000006
 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 0007492567000007
 ここで、ｉ、ｊ、ｋは、全て正の整数であり、
Figure 0007492567000008
 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 0007492567000009
 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 0007492567000010
 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 0007492567000011
 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 0007492567000012
 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。
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 0007492567000013
 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 0007492567000014
 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。
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。
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 0007492567000015
 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 0007492567000016
 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 0007492567000017
 （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 0007492567000018
 ここで、
Figure 0007492567000019
 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。
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 0007492567000020
 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 0007492567000021
 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 0007492567000022
 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。
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。
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。
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。
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。
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。 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。 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。 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。 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。 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。 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。
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。
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。
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。
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 0007492567000023
 （
Figure 0007492567000024
 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 0007492567000025
 （
Figure 0007492567000026
 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。
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 0007492567000027
 （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。
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 0007492567000028
 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 0007492567000029
 ここで、ｉ、ｊ、ｋは、全て正の整数であり、
Figure 0007492567000030
 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 0007492567000031
 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 0007492567000032
 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 0007492567000033
 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 0007492567000034
 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。
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 0007492567000035
 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 0007492567000036
 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。
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。
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 0007492567000037
 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 0007492567000038
 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 0007492567000039
 （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 0007492567000040
 ここで、
Figure 0007492567000041
 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。
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 0007492567000042
 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 0007492567000043
 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 0007492567000044
 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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
（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。
（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 0007492567000045
 （
Figure 0007492567000046
 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 0007492567000047
 （
Figure 0007492567000048
 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。
（付記３）
前記の標準化処理を行うことは、具体的には、
式
Figure 0007492567000049
 （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。
（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 0007492567000050
 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 0007492567000051
 ここで、ｉ、ｊ、ｋは、全て正の整数であり、
Figure 0007492567000052
 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 0007492567000053
 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 0007492567000054
 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 0007492567000055
 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 0007492567000056
 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。
（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 0007492567000057
 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 0007492567000058
 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。
（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。
（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 0007492567000059
 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 0007492567000060
 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 0007492567000061
 （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 0007492567000062
 ここで、
Figure 0007492567000063
 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。
（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 0007492567000064
 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 0007492567000065
 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 0007492567000066
 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。
（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。
（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。

Claims (10)

  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、信号干渉の追加、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。
  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 0007492567000067
     （
    Figure 0007492567000068
     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 0007492567000069
     （
    Figure 0007492567000070
     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。
  3. 前記の標準化処理を行うことは、具体的には、
    式
    Figure 0007492567000071
     （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。
  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 0007492567000072
     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 0007492567000073
     ここで、ｉ、ｊ、ｋは、全て正の整数であり、
    Figure 0007492567000074
     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 0007492567000075
     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 0007492567000076
     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 0007492567000077
     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 0007492567000078
     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。
  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 0007492567000079
     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 0007492567000080
     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。
  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。
  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 0007492567000081
     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 0007492567000082
     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 0007492567000083
     （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 0007492567000084
     ここで、
    Figure 0007492567000085
     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。
  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 0007492567000086
     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 0007492567000087
     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 0007492567000088
     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。
  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、信号干渉の追加、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。
  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、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。
JP2022166691A 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 Active JP7492567B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210688937.7A CN115128166A (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
CN202210688937.7 2022-06-17

Publications (2)

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

Family

ID=83378968

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022166691A Active 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

Country Status (2)

Country Link
JP (1) JP7492567B2 (ja)
CN (1) CN115128166A (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112161919A (zh) 2020-08-31 2021-01-01 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
JP2021071304A (ja) 2019-10-29 2021-05-06 株式会社日立製作所 腐食検知システム
CN113191215A (zh) 2021-04-12 2021-07-30 西安理工大学 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

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1999027360A1 (fr) * 1997-11-21 1999-06-03 Mitsubishi Cable Industries, Ltd. Procede et dispositif de diagnostic de la deterioration d'un article presentant au moins une couche de couverture en materiau polymere organique
CN110567558B (zh) * 2019-08-28 2021-08-10 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
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
CN112668527B (zh) * 2020-12-31 2023-04-25 华南理工大学 一种超声导波半监督成像检测方法
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
JP2021071304A (ja) 2019-10-29 2021-05-06 株式会社日立製作所 腐食検知システム
CN112161919A (zh) 2020-08-31 2021-01-01 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
CN113191215A (zh) 2021-04-12 2021-07-30 西安理工大学 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

Also Published As

Publication number Publication date
CN115128166A (zh) 2022-09-30
JP2023184389A (ja) 2023-12-28

Similar Documents

Publication Publication Date Title
CN109947086B (zh) 基于对抗学习的机械故障迁移诊断方法及系统
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
Barrios et al. Partial discharge classification using deep learning methods—Survey of recent progress
Raymond et al. Noise invariant partial discharge classification based on convolutional neural network
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
CN116577788B (zh) 输电线路异物侵限监测方法、装置和计算机设备
CN117540174B (zh) 基于神经网络的建筑结构多源异构数据智能分析系统及方法
CN112668527A (zh) 一种超声导波半监督成像检测方法
Liu et al. Deep learning in frequency domain for inverse identification of nonhomogeneous material properties
Scarpetta et al. Analysis of TDR signals with convolutional neural networks
Liu et al. Data‐driven method using DNN for PD location in substations
CN116861694A (zh) 一种基于人工智能的电缆温度预测方法
JP7492567B2 (ja) 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
Zhan et al. A Novel Structural Damage Detection Method via Multisensor Spatial–Temporal Graph-Based Features and Deep Graph Convolutional Network
CN112347531B (zh) 一种脆性大理石三维裂纹扩展路径预测方法及系统
Raymond et al. Novel data augmentation for improved insulation fault diagnosis under nonideal condition
CN116502672A (zh) 一种神经网络量化部署方法、系统、设备和介质
Yang et al. A multi-sensor mapping Bi-LSTM model of bridge monitoring data based on spatial-temporal attention mechanism
CN115791957A (zh) 高压电缆铅封缺陷脉冲涡流检测方法、系统、终端及介质
CN115270002A (zh) 一种基于知识蒸馏的物品推荐方法、电子设备及存储介质
CN114841892A (zh) 一种基于全连接网络的稀疏导波数据恢复方法
CN110472801B (zh) 直流输电线路电磁环境评估方法及系统
Hao et al. Insulator fouling monitoring based on acoustic signal and one-dimensional convolutional neural network
An et al. Partial discharge fault identification of transformer based on CNN-SVM and multi-model fusion
CN117829264A (zh) 一种gis绝缘和机械故障诊断方法方法、装置、设备和存储介质

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