卷积神经网络的超声波识别互感器缺陷方法及装置与流程

本发明涉及电流互感器缺陷识别，并且更具体地，涉及一种卷积神经网络的超声波识别互感器缺陷方法及装置。

背景技术：

1、为了对计量用互感器进行快速全覆盖式的预筛选，选取劣质概率较高的计量用互感器进一步通过全性能试验排查，提升计量用互感器的缺陷检出率和待投运计量用互感器的质量水平，本项目采用超声波这种快速无损检测的方法对互感器进行检测。

2、超声检测基本原理信号通常以波的形式出现，例如声波和电磁波等，超声波属于声波，其频率通常大于20khz，是介质中超声振动的传播所引起的呈波动形式的一种机械振动。超声波具有波长短、频率高以及能定向发射等特征，能在界面上产生反射、折射和波型变换。超声波能量与其频率二次方成正比，因此能量密度高、传播距离大、穿透能力强。

3、超声波在不同材料介质而组成的界面上所产生的反射和透射状况与材料的声阻抗关系密切。由于界面不同材料介质的弹性模量和密度不同，因此在该区域传播的超声波声阻抗也不同。反射波的强弱关键取决于界面两侧材料介质的声阻抗z1和z2，故尺寸一样但不同性质的缺陷，缺陷回波强度不同。空气的声阻抗远小于钢的声阻抗，对于固体材料中气孔、裂纹等含气体的缺陷，可近似认为声波在缺陷表面发生全反射。而超声检测就是根据超声波在器件内的回波情况来判断器件内是否有缺陷。

4、一般的超声检测研究是在结构较为简单及材料较为单一的器件上进行，波形较为规律，易于分析。下图为电流互感器切面示意图，其中灰色的环表示铁心，以铁心为中心对应的黑黄棕橙色区域分别为铁心塑料护壳、二次线圈、缓冲层以及环氧树脂，紫色区域为超声波发射及接收装置。可见电流互感器内部结构复杂，材料种类多，回波波形极其复杂，一般的分析方法已经不能适用。

技术实现思路

1、电流互感器由于制造过程中的各种不确定因素，可能会产生各种缺陷，相关缺陷可以采用非接触非破坏性的超声波缺陷检测方法进行检测。不同的缺陷对应的超声波波形不同，因此可以针对超声波的波形对缺陷进行识别。但是通过人工的方式进行识别不仅准确率低而且非常低效。针对此问题，提出了本发明。本发明的实施例提供了一种卷积神经网络的超声波识别互感器缺陷方法及装置。

2、根据本发明实施例的一个方面，提供了一种卷积神经网络的超声波缺陷识别方法，包括：

3、利用超声波检测装置对电流互感器进行检测，采集对应不同缺陷下的超声波的波形数据；

4、应用傅里叶变换提取波形数据的频谱信息；

5、使用格拉姆角场算法将频谱信息生成对应不同缺陷类别的特征图像；

6、将生成的特征图像分成训练集和测试集，并将训练集输入卷积神经网络模型进行训练；

7、将测试集输入训练好的卷积神经网络模型，对特征图像中的缺陷特征进行提取和分类，确定超声波缺陷类型。

8、可选地，电流互感器的缺陷类型包括：气泡和裂缝。

9、可选地，使用格拉姆角场算法生成的特征图像为二维彩色图像。

10、可选地，训练好的卷积神经网络模型包括3个卷积层、2个池化层和2个全连接层；其中3个卷积层的卷积核大小均为2×2，卷积核个数分别为16，32，48；2个池化层的池化窗口大小为2×2，步幅为2；2个全连接层神经元个数为240和120；经过softmax分类器输出10种分类结果。

11、根据本发明实施例的另一个方面，提供了一种卷积神经网络的超声波缺陷识别装置，包括：

12、波形数据采集模块，用于利用超声波检测装置对电流互感器进行检测，采集对应不同缺陷下的超声波的波形数据；

13、频谱信息提取模块，用于应用傅里叶变换提取波形数据的频谱信息；

14、特征图像生成模块，用于使用格拉姆角场算法将频谱信息生成对应不同缺陷类别的特征图像；

15、模型训练模块，用于将生成的特征图像分成训练集和测试集，并将训练集输入卷积神经网络模型进行训练；

16、缺陷类型确定模块，用于将测试集输入训练好的卷积神经网络模型，对特征图像中的缺陷特征进行提取和分类，确定超声波缺陷类型。

17、可选地，电流互感器的缺陷类型包括：气泡和裂缝。

18、可选地，使用格拉姆角场算法生成的特征图像为二维彩色图像。

19、可选地，训练好的卷积神经网络模型包括3个卷积层、2个池化层和2个全连接层；其中3个卷积层的卷积核大小均为2×2，卷积核个数分别为16，32，48；2个池化层的池化窗口大小为2×2，步幅为2；2个全连接层神经元个数为240和120；经过softmax分类器输出10种分类结果。

20、根据本发明实施例的另一个方面，还提供了一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述方法。

21、根据本发明实施例的另一个方面，还提供了一种电子设备，所述电子设备包括：

22、处理器；

23、用于存储所述处理器可执行指令的存储器；

24、所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述方法。

25、本发明所提出的卷积神经网络的超声波缺陷识别方法，借助机器视觉中图像分类算法的优势，可以提高辨识准确度，进一步降低缺陷类型辨识所需时间。在本发明中，应用快速傅里叶变换和格拉姆角场算法对获取的特征数据进行处理，获取对应电流互感器不同缺陷类型的特征图片。然后应用卷积神经网络对特征图片进行分类从而实现缺陷类型识别。与以往方法相比，本发明可以将人工智能算法中发展应用较为成熟的图像分类算法应用到缺陷识别中，实现缺陷类型的准确快速辨识。

26、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

技术特征：

1.一种卷积神经网络的超声波缺陷识别方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，电流互感器的缺陷类型包括：气泡和裂缝。

3.根据权利要求1所述的方法，其特征在于，使用格拉姆角场算法生成的特征图像为二维彩色图像。

4.根据权利要求1所述的方法，其特征在于，训练好的卷积神经网络模型包括3个卷积层、2个池化层和2个全连接层；其中3个卷积层的卷积核大小均为2×2，卷积核个数分别为16，32，48；2个池化层的池化窗口大小为2×2，步幅为2；2个全连接层神经元个数为240和120；经过softmax分类器输出10种分类结果。

5.一种卷积神经网络的超声波缺陷识别装置，其特征在于，包括：

6.根据权利要求5所述的装置，其特征在于，电流互感器的缺陷类型包括：气泡和裂缝。

7.根据权利要求5所述的装置，其特征在于，使用格拉姆角场算法生成的特征图像为二维彩色图像。

8.根据权利要求5所述的装置，其特征在于，训练好的卷积神经网络模型包括3个卷积层、2个池化层和2个全连接层；其中3个卷积层的卷积核大小均为2×2，卷积核个数分别为16，32，48；2个池化层的池化窗口大小为2×2，步幅为2；2个全连接层神经元个数为240和120；经过softmax分类器输出10种分类结果。

9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-4任一所述的方法。

10.一种电子设备，其特征在于，所述电子设备包括：

技术总结
本发明实施例公开了一种卷积神经网络的超声波识别互感器缺陷方法及装置，其中方法包括：利用超声波检测装置对电流互感器进行检测，采集对应不同缺陷下的超声波的波形数据；应用傅里叶变换提取波形数据的频谱信息；使用格拉姆角场算法将频谱信息生成对应不同缺陷类别的特征图像；将生成的特征图像分成训练集和测试集，并将训练集输入卷积神经网络模型进行训练；将测试集输入训练好的卷积神经网络模型，对特征图像中的缺陷特征进行提取和分类，确定超声波缺陷类型。

技术研发人员：卢冰,周峰,雷民,殷小东,姜春阳,陈习文,金淼,聂高宁,王斯琪,王欢,王旭,齐聪,郭子娟,付济良,余雪芹,高克俭,郭鹏,刘俊,朱赤丹,赵世杰
受保护的技术使用者：中国电力科学研究院有限公司
技术研发日：
技术公布日：2024/1/15