一种基于深度学习和Duffing系统结合的超声导波无损检测方法与流程

一种基于深度学习和duffing系统结合的超声导波无损检测方法
技术领域
1.本发明涉及超声导波检测缺陷领域，特别涉及一种基于深度学习和duffing系统结合的超声导波无损检测方法。


背景技术：

2.超声导波检测技术作为一种新兴无损检测技术，可在不破坏管道或者钢轨结构的情况下，在线检测损伤，且由于能量集中、沿传播路径衰减小的特性，超声导波在钢管中传播的距离较长，能完整携带钢管的检测信息。2013年何存富教授团队研究了基于bp神经网络使损伤识别准确率达到了87％；2018年辜清等人利用bp网络和pca结合的技术使综合损伤识别准确率达到了95％；2020李奇、笪益辉、王彬等人通过传感器数据经过波数空间域变换法处理后，作为神经网络的输入样本，对于大缺陷识别准确率相较不加入神经网络提高了200％，但由于深度学习对样本质量要求较高，需要结合更好的特征提取方法；duffing振子检测方法从提出到现在过去了20年左右，该方法具有优异的噪声免疫能力，对微小管道缺陷的识别有良好效果，因此，研究深度学习和duffing系统相结合应用对于提高钢轨或管道缺陷识别准确率有重要意义。


技术实现要素：

3.本发明为克服现有技术，提供一种基于深度学习和duffing系统结合的超声导波无损检测方法。该方法可实现多类缺陷识别，并能有效提高识别率，为实际工程中的钢轨或管道缺陷检测提供了高效、易行的方法，能提高钢轨或管道缺陷检测效率。
4.本发明的技术方案是：
5.一种基于深度学习和duffing系统结合的超声导波无损检测方法包含：
6.s11、获取超声导波的回波信号；
7.s12、提取小波系数能量值；
8.s13、提取时域信号中的时域特征值；
9.s14、构造时移窗函数扫描待测信号并分段输入duffing系统，获得duffing系统的分维数随待测信号中心时刻变化的曲线，计算分维数，提取曲线中分维数不为2的时间长度和面积作为混沌指标特征值；
10.s15、将步骤s12、s13和s14中的小波系数能量值、时域特征值和混沌指标特征值组合得到多维向量k；
11.s16、构建bp神经网络，将步骤s15的向量k与对应的目标向量输入到bp神经网络中训练，完成缺陷的分类识别，输出识别结果。
12.本发明相比现有技术的有益效果是：
13.在输入到bp神经网络的特征值中增加了duffing系统中的非线性特征量即分维数，分维数是用来衡量混沌特性的一项重要的定量指标，混沌指标抗噪声干扰能力强，加入
混沌指标，提升了对带噪信号的识别精度，可实现多类缺陷识别，为实际工程中的钢轨或管道缺陷检测提供了高效，易行的方法，能提高钢轨或管道缺陷检测效率。
14.下面结合附图和实施例对本发明的技术方案作进一步地说明：
附图说明
15.图1为本发明基于深度学习和duffing系统结合的超声导波无损检测方法的流程图；
16.图2为小波变换分解示意图；
17.图3为建立的有限元模型图；
18.图4为选取的激发模态曲线图；
19.图5为实施例中数值模拟后经神经网络训练得到的最佳测试性能曲线图。
具体实施方式
20.如图1所示，本实施方式的一种基于深度学习和duffing系统结合的超声导波无损检测方法包含：
21.s11、获取超声导波的回波信号；
22.s12、提取小波系数能量值；
23.s13、提取时域信号中的时域特征值；
24.s14、构造时移窗函数扫描待测信号并分段输入duffing系统，获得duffing系统的分维数随待测信号中心时刻变化的曲线，计算分维数，提取曲线中分维数不为2的时间长度和面积作为混沌指标特征值；
25.s15、将步骤s12、s13和s14中的小波系数能量值、时域特征值和混沌指标特征值组合得到多维向量k；
26.s16、构建bp神经网络，将步骤s15的向量k与对应的目标向量输入到bp神经网络中训练，完成缺陷的分类识别，输出识别结果。
27.上述构建的神经网络为三层bp神经网络，确定输入层为3个节点，中间层将输入层送来的数据和中间层的权值相乘，结果送输出层，确定中间层神经元个数为12个，确定输出层节点数为3个。
28.步骤s12中的提取小波系数能量值是通过小波变换，对单个信号通过连续的小波变换：
[0029][0030]
再通过逆变换重构信号：
[0031][0032]
其中，a，b分别表示信号分解的伸缩因子和平移因子，如图2所示，对信号在不同频域下进行分解，提取得到单个信号的多8个小波系数能量值。
[0033]
步骤s13中提取时域信号中的时域特征值，包含提取的缺陷回波信号的10个时域特征值：分别为回波包络线上升沿从20％峰值到90％峰值的上升时间、回波包络线下降沿
从90％峰值到20％峰值的下降时间、回波包络线20％峰值之间的持续时间、回波包络线50％峰值之间的持续时间、回波包络线90％峰值之间的持续时间、回波包络线上升沿从20％峰值到90％峰值覆盖的上升面积、回波包络线下降沿从90％峰值到20％峰值覆盖的下降面积、回波信号的离散系数、回波信号的峰度系数和回波信号的偏度系数。
[0034]
步骤s14中构造时移窗函数扫描待测信号并分段输入duffing系统，获得duffing系统的分维数随待测信号中心时刻变化的曲线，计算分维数，混沌吸引子的lyapunov分维数：
[0035][0036]
满足，
[0037][0038]
其中，li为李雅普诺夫指数，计算得到分维数后，提取曲线中分维数不为2的时间长度和面积作为混沌指标特征值；
[0039]
分别将步骤s12、s13和s14中提取的8个小波系数能量值、10个时域特征值和2个混沌指标特征值组合得到20维向量k。构建三层bp神经网络，确定输入层为3个节点，中间层将输入层送来的数据和中间层的权值相乘，结果送输出层，确定中间层神经元个数为12个，确定输出层节点数为3个，将步骤s16的向量k与对应的目标向量输入到三层bp神经网络中训练，完成缺陷的检测识别。
[0040]
更进一步地，对上述无损检测方法进行了数值模拟验证：具体为：
[0041]
s21、建立有限元模型，设置缺陷类别；
[0042]
s22、将升余弦函数调制的10周期正弦信号作为激发信号，以l(0,2)模态传播，求解并采集不同工况回波信号；
[0043]
s23、将采集到的回波信号经过步骤s11-s16处理，获得模拟结果。通过数值模拟验证，表明本实施方式可有效地提高缺陷识别准确率。
[0044]
基于上述发明构思或实施方案，下面以管道缺陷检测模拟验证为例，作进一步说明：
[0045]
(1)选取钢管模型为管长2m，外径50.8mm，壁厚1mm，其材料属性中密度
[0046]
ρ＝7850kg/m3，弹性模量e＝200gpa，泊松比v＝0.3，设置凹陷、裂纹、孔洞三种常见缺陷类别，分别将缺陷中心设置于管道不同位置，即距离钢管端头的0.5m、0.7m、1.0m、1.3m、1.5m处，建立有限元模型如图3所示；
[0047]
(2)将升余弦函数调制的10周期正弦信号作为激发信号，以l(0,2)模态传播，如图4所示传播曲线，不同模态导波中，l(0,2)传播速度快，不容易发生频散，有利于缺陷检测，求解并选取40khz-180khz中心频率信号作为待检测信号，随机选取凹陷60组、裂纹90组、孔洞90组，端面数据10组，共计250组信号作为样本回波信号样本；
[0048]
(3)将采集得到的回波信号经过步骤1过程处理，经15次训练后，均方误差值mse达到4.7
×
10-4
，如图5所示，train、validation、test、best分别表示训练集(图中的中间曲线)、验证集(图中下方曲线)、测试集(图中上方曲线)和最优值(点虚线交叉圆圈位置)。横
坐标表示训练结束时的epochs数，纵坐标表示均方误差，图中是在epochs＝15时，验证集valiadation和测试集test达到最小均方误差4.7
×
10-4
。
[0049]
本发明已以较佳实施案例揭示如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可以利用上述揭示的结构及技术内容做出些许的更动或修饰为等同变化的等效实施案例，均仍属本发明技术方案范围。