基于系统信号补偿的非完备中空板式平板膜智能识别方法

1.本发明涉及超声缺陷信号的识别领域，特别涉及基于系统信号补偿的非完备中空板式平板膜智能识别方法。


背景技术：

2.目前，中空板式平板膜具有可回收、易分解、使用时间久等优点，被广泛应用在污水处理、海水淡化、水的净化等领域中。在水处理中，由于大块杂质会于中空板式平板膜发生碰撞，会对中空板式平板膜的内部造成损伤。在内部缺陷的检测时，中空板式平板膜的流水孔信号会增加流水孔的计算量和降低检测信号的识别率。因此，降低流水孔的信号的干扰，以及快速准确识别中空板式平板膜内部缺陷信号的显得尤为重要。
3.thomasov
á
barbora等人在《3d reconstruction and visualization from 2d x-ray ct images in the study of ceramic membrane microstructure》一文中采用x射线计算机断层扫描(ct)技术对陶瓷膜支架的三维(3d)微观结构进行可视化三维几何模型的空间重建，用来评估总孔隙度、不连续性、失效和缺陷、材料中特定成分的空间分布以及模拟液体流动的可能性。射线方法在检测的时候虽然简单方便，但是不足的是x射线具有一定辐射性，对长期从事检测的工作人员危害较大。2020年，y yan等人在《a deep learning-based ultrasonic pattern recognition method for inspecting girth weld cracking of gas pipeline》一文中利用深度卷积神经网络与预先训练的支持向量机分类器相结合的方法，把a扫描测量燃气管道环焊缝裂纹信号分类为缺陷组或非缺陷组。将一维信号转换为二维时频图不但增加了一维卷积神经网络的计算量，而且将信号的转换和提出增加了处理者的主观因素，损失了信号的原有特性。2020年，bin wu等人在《radar emitter signal recognition based on one-dimensional convolutional neural network with attention mechanism》一文中提出了一维卷积神经网络并加入了注意力机制，可以在时域内直接从原始雷达信号序列中提取特征，并集中提取信号中的关键信息。避免的将一维的信号转换为二维的时频图降低了深度学习的计算量，增加了识别的准确率。
4.综上所述，现有的方法虽然能检测出中空板式平板膜内部的缺陷，但是射线检测的方法存在辐射性不利于检测人员的健康，传统的超声信号识别需多次转换信号丧失了超声信号的原有信息。为此，本发明提出了基于系统信号补偿思想的非完备中空板式平板膜智能识别方法，实现了用融合注意力机制的一维卷积神经网络对超声信号有较高的识别准确率，避免了中空板式平板膜内的固有结构——流水孔产生信号的干扰，有效地降低神经网络对中空板式平板膜缺陷信号识别的影响，极大地提高了融合注意力的一维卷积神经网络的鲁棒性。


技术实现要素：

5.本发明的目的是克服现有技术缺陷，提供基于系统信号补偿的非完备中空板式平板膜智能识别方法，能够有效提高对中空板式平板膜缺陷信号的识别。
6.本发明的目的是这样实现的：一种基于系统信号补偿的非完备中空板式平板膜智能识别方法包括以下步骤：
7.步骤1)：通过探伤仪采集中空板式平板膜的缺陷信号；
8.步骤2)：采集“矩形框”截取流水孔的信号；
9.步骤3)：获得截取后的缺陷信号；
10.步骤4)：建立融合注意力机制的一维卷积神经网络模型；
11.步骤5)：训练模型并输出检测结果。
12.作为本发明的进一步限定，所述步骤1)具体包括通过检测人员手持探头的方法对中空板式平板膜进行缺陷检测，采集中空板式平板膜缺陷信号时，探头以“s”型移动，并对收集的信号和数据及时进行存储。
13.作为本发明的进一步限定，所述步骤2)具体包括：
14.获取缺陷信号的完整信号，基于“矩形框”方法的数据处理，通过对步骤1)采集的超声缺陷信号进行分析，根据中空板式平板膜内部流水孔均匀分布的特性和脉冲反射法原理，准确判断出流水孔波形所在信号片段，通过“矩形框”去截取流水孔所在的信号片段，将截取的后的信号进行拼接处理，形成一个缺少流水孔波形信号的一维超声检测信号。
15.作为本发明的进一步限定，所述步骤3)具体包括：对截取的缺陷信号进行降噪处理，去除突兀点的超声波形，超声信号缺陷回波模型可构建为：
[0016][0017]
其中：β为超声缺陷信号的幅值；α为缺陷波的带宽因子；τ为缺陷波返回时间；ωc为回波中心频率；φ为超声缺陷信号的相位；
[0018]
一个超声信号中含有噪声建模如下：
[0019]
y(ti)＝f(ti)+n(ti)
ꢀꢀ
i＝，1
…
，n
ꢀꢀꢀꢀꢀꢀ
(2)
[0020]
式中：f(ti)为原始信号；n(ti)为期望值等于0，方差为σ2的独立同分布的高斯白噪声；
[0021]
本发明去除噪声重新获取原始信号的信息的方法如下：为了获取原始信号，就需要去除噪声，去噪声就是剔除n(ti)恢复f(ti)；其中，n(t)的自相关函数为：
[0022]
rn(u,v)＝e[n(u)n(v)]＝σ2δ(u-v)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0023]
|wn(s,x)|2＝∫∫zn(u)n(v)ψs(x-u)ψs(x-v)dudv
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0024][0025]
随着尺度s的增加，|wn(s,x)|2及e(|wn(s,x)|2)在减小；而原始信号的小波变换模的极大值随着尺度s的增加在增加或保持不变，因此，根据两者的区别进行去噪。
[0026]
作为本发明的进一步限定，所述步骤4)具体包括：所述一维卷积神经网络模型包括五个部分的网络结构，所述五个部分的网络结构均包括卷积层、激活函数、注意力机制、池化层和标准化层；前四部分的网络结构经小卷积核卷积后通过relu激活函数变为一组完整的特征图，送往平均池化层进行降采样；第五部分的网络结构为大卷积核卷积，使上一层输入特征图自动学习面向诊断的局部特征；将最后一个池化层的所有特征图展平形成全连接层，经抑制过拟合技术dropout处理后，传递到最后的softmax分类层；
[0027][0028]
其中，r代表卷积核；f()代表的是激活函数；j代表内核的数量；m代表输入的通道号；b代表是与内核的偏差；代表卷积算子。
[0029]
作为本发明的进一步限定，所述步骤5)具体包括：通过全连接层后，到最后的softmax分类层，即可输出检测结果；利用交叉熵损失函数，对softmax求得概率并取-ln得到函数l如下：
[0030][0031]
其中，||
·
||表示二范数算子；m是分类的数量；yc等于0或1，如果预测出的类别和样本标记相同就是1，否则是0；pc为样本属于类别c的概率；wi,bi表示i类对应的全连接层权重和偏置，θi表示wi和x的夹角。
[0032]
在基于正、负余弦相似性的softmax损失函数的基础上，同时引入尺度因子、权重更新因子和边距因子这三种因子，分别对正、负余弦相似性做相应转换，得到新的正、负相似性度量s
ip
,s
jn
，如式(8)所示：
[0033]sip
＝f(λ,α
p
,si,δp),s
jn
＝g(λ,αn,sj,δn)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0034]
其中，λ为尺度因子，δn，δp为边距因子，αn，α
p
为权重更新因子，f()和g()是相似性转换函数。
[0035]
本发明采用以上技术方案，与现有技术相比，有益效果为：由于对探伤仪采集的信号进行了截取，因此降低了后续整体的计算量以及提高了缺陷的识别准确率。提出“矩形框”并加入注意力机制的方法，突破了传统的超声信号识别方法，实现了用卷积神经网络对超声信号的较高的识别的准确率，有效地减少流水孔的信号对识别信号的影响。通过加入注意力机制提高了识别流水孔信号所在的位置，在识别流水孔准确地位置之后，通过“矩形框”截取流水孔的位置，降低了采集的信号的长度和后续一维卷积神经网络的计算量；由于采用“矩形框”提前去除中空板式平板膜特有的机构—流水孔的信号，消除了探伤仪采集的“系统误差”，还有效地降低了计算的复杂性，有效地提高识别的速率，且能够保证识别的准确率。
附图说明
[0036]
图1本发明的流程图；
[0037]
图2本发明中空板式平板膜的结构示意图。
[0038]
其中，1流水孔。
具体实施方式
[0039]
如图1所示的基于系统信号补偿的非完备中空板式平板膜智能识别方法包括以下步骤：
[0040]
步骤1)：通过探伤仪采集中空板式平板膜的缺陷信号；
[0041]
在检测时，通过检测人员手持探头的方法对中空板式平板膜进行缺陷检测，采集
中空板式平板膜缺陷信号时，探头以“s”型移动，对中空板式平板膜进行缺陷检测，并对收集的信号和数据及时进行存储。
[0042]
步骤2)：采集“矩形框”截取流水孔的信号；
[0043]
获取缺陷信号的完整信号，基于“矩形框”方法的数据处理，通过对步骤1)采集的超声缺陷信号进行分析，根据中空板式平板膜内部流水孔均匀分布的特性和脉冲反射法原理，准确判断出流水孔波形所在信号片段，通过“矩形框”去截取流水孔所在的信号片段，将截取的后的信号进行拼接处理，形成一个缺少流水孔波形信号的一维超声检测信号；
[0044]
如图2所示，中空板式平板膜的流水孔存在固定的高度和宽度且均匀分布在中空板式平板膜内部，在使用超声波探伤时流水孔的波形存在非常类似的高度和长度。在中空板式平板膜进行探伤时会出现这种“系统误差”，流水孔的信号波峰会影响一维卷积神经网络对信号的识别以及会增大计算量。通过“矩形框”截取流水孔位置信号，不仅有效地减少了中空板式平板膜的信号长度，还提高一维卷积神经网络对中空板式平板膜超声信号识别的准确性。使用“矩形框”去截取完整的超声信号，不仅消除了中空板式平板膜的流水孔的“系统误差”，还有效地降低了计算的复杂性；准确识别流水孔的信号是提高识别率准确性的关键因素。
[0045]
步骤3)：获得截取后的缺陷信号；
[0046]
对截取的缺陷信号进行降噪处理，去除突兀点的超声波形，超声信号缺陷回波模型可构建为：
[0047][0048]
其中：β为幅值，α为缺陷波的带宽因子，τ为缺陷波返回时间，ωc为回波中心频率，φ为相位；
[0049]
一个信号中含有噪声建模如下：
[0050]
y(ti)＝f(ti)+n(ti)
ꢀꢀꢀꢀ
i＝1，
…
，n
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0051]
式中：f(ti)为原始信号；n(ti)为期望值等于0，方差为σ2的独立同分布的高斯白噪声；
[0052]
本发明去除噪声重新获取原始信号的信息的方法如下：为了获取原始信号，就需要去除噪声，去噪声就是剔除n(ti)恢复f(ti)。其中，n(t)的自相关函数为：
[0053]
rn(u,v)＝e[n(u)n(v)]＝σ2δ(u-v)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0054]
|wn(s,x)|2＝∫∫zn(u)n(v)ψs(x-u)ψs(x-v)dudv
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0055][0056]
随着尺度s的增加，|wn(s,x)|2及e(|wn(s,x)|2)在减小；而原始信号的小波变换模的极大值随着尺度s的增加在增加或保持不变，因此，根据两者的区别进行去噪。
[0057]
步骤4)：建立融合注意力机制的一维卷积神经网络模型；
[0058]
一维卷积神经网络模型包括五个部分的网络结构，五个部分的网络结构均包括卷积层、激活函数、注意力机制、池化层和标准化层；前四部分的网络结构经小卷积核卷积后通过relu激活函数变为一组完整的特征图，送往平均池化层进行降采样；第五部分的网络结构为大卷积核卷积，使上一层输入特征图自动学习面向诊断的局部特征；将最后一个池
化层的所有特征图展平形成全连接层，经抑制过拟合技术dropout处理后，传递到最后的sigmoid分类层；
[0059][0060]
其中，r代表卷积核；f()代表的是激活函数；j代表内核的数量；m代表输入的通道号；b代表是与内核的偏差；代表卷积算子。
[0061]
步骤5)：训练模型并输出检测结果；
[0062]
得到步骤4)输出的结果，通过全连接层后，到最后的softmax分类层，即可输出检测结果；
[0063]
传统的softmax分类器对于多分类任务具有优异的性能。它可以根据分类次数对各种特征进行归一化处理，使正向特征更加清晰。现利用交叉熵损失函数，对softmax求得概率并取-ln得到函数如下：
[0064][0065]
其中，||
·
||表示二范数算子；m是分类的数量；yc等于0或1，如果预测出的类别和样本标记相同就是1，否则是0；pc为样本属于类别c的概率；wi,bi表示i类对应的全连接层权重和偏置，θi表示wi和x的夹角；
[0066]
如果全连接层的某个节点输出过大，softmax损失函数值会接近0，此时训练会出现提前停止的问题。softmax损失函数中引入尺度因子，可以扩大逻辑值的取值范围，使逻辑值的可分性更强；引入权重更新因子，可以实现分别优化正、负余弦相似性。引入边距因子，可以将类别间的决策边界分开，增强嵌入表示的判别性能；在基于正、负余弦相似性的softmax损失函数的基础上，同时引入尺度因子、权重更新因子和边距因子这三种因子，分别对正、负余弦相似性做相应转换，得到新的正、负相似性度量s
ip
,s
jn
，如式(8)所示：
[0067]sip
＝f(λ,α
p
,si,δp),s
jn
＝g(λ,αn,sj,δn)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0068]
其中，λ为尺度因子，δn，δp为边距因子，αn，α
p
为权重更新因子，f()和g()是相似性转换函数。
[0069]
本发明提供一种基于系统信号补偿的非完备中空板式平板膜智能识别方法，由于对探伤仪采集的信号进行了截取，因此降低了后续整体的计算量以及提高了缺陷的识别准确率。提出“矩形框”并加入注意力机制的方法，突破了传统的超声信号识别方法，实现了用卷积神经网络对超声信号的较高的识别的准确率，有效地减少流水孔的信号对识别信号的影响。由于采用“矩形框”提前去除中空板式平板膜特有的机构—流水孔的信号，消除了探伤仪采集的“系统误差”，有效地提高识别的速率，且能够保证识别的准确率。
[0070]
本发明并不局限于上述实施例，在本发明公开的技术方案的基础上，本领域的技术人员根据所公开的技术内容，不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形，这些替换和变形均在本发明的保护范围内。