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 PDFInfo
- 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
Links
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 title claims description 186
- 229910052782 aluminium Inorganic materials 0.000 title claims description 186
- 230000007797 corrosion Effects 0.000 title claims description 171
- 238000005260 corrosion Methods 0.000 title claims description 171
- 238000003384 imaging method Methods 0.000 title claims description 79
- 238000012549 training Methods 0.000 claims description 99
- 238000012360 testing method Methods 0.000 claims description 68
- 230000005284 excitation Effects 0.000 claims description 52
- 238000000034 method Methods 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 27
- 238000001514 detection method Methods 0.000 claims description 25
- 230000005540 biological transmission Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 17
- 238000013135 deep learning Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 7
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 229910052802 copper Inorganic materials 0.000 claims description 4
- 239000010949 copper Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000003466 welding Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000006249 magnetic particle Substances 0.000 description 1
- 238000012423 maintenance Methods 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
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000004078 waterproofing Methods 0.000 description 1
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
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
式
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。
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、
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、
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、
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。
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
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
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、
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
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、
前記損傷確率値の計算式は、以下の通りであり、
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。
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
式
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。
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。
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。
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。
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
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
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。
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
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。
前記損傷確率値の計算式は、以下の通りである。
(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。
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
前記の標準化処理を行うことは、具体的には、
式
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。
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、
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、
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、
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。
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
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
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、
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
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、
前記損傷確率値の計算式は、以下の通りであり、
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。
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)
- 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。 - 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
- 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、
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、
- 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、
- 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。 - 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
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
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、
- 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
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、
前記損傷確率値の計算式は、以下の通りであり、
- 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。 - 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。
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)
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)
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 |
-
2022
- 2022-06-17 CN CN202210688937.7A patent/CN115128166A/zh active Pending
- 2022-10-18 JP JP2022166691A patent/JP7492567B2/ja active Active
Patent Citations (4)
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 |