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方案

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：获取超声导波的回波信号；提取小波系数能量值；提取时域信号中的时域特征值；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，提取曲线中混沌指标特征值；将小波系数能量值、时域特征值和混沌指标特征值组合得到多维向量；构建BP神经网络，将多维向量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。本发明专利技术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。提高钢轨或管道缺陷检测效率。提高钢轨或管道缺陷检测效率。

【技术实现步骤摘要】
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


[0001]本专利技术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。

技术介绍

[0002]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。

技术实现思路

[0003]本专利技术为克服现有技术，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。
[0004]本专利技术的技术方案是：
[0005]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：
[0006]S11、获取超声导波的回波信号；
[0007]S12、提取小波系数能量值；
[0008]S13、提取时域信号中的时域特征值；
[0009]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；
[0010]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；
[0011]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。
[0012]本专利技术相比现有技术的有益效果是：
[0013]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。
[0014]下面结合附图和实施例对本专利技术的技术方案作进一步地说明：
附图说明
[0015]图1为本专利技术基于深度学习和Duffing系统结合的超声导波无损检测方法的流程图；
[0016]图2为小波变换分解示意图；
[0017]图3为建立的有限元模型图；
[0018]图4为选取的激发模态曲线图；
[0019]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
[0020]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：
[0021]S11、获取超声导波的回波信号；
[0022]S12、提取小波系数能量值；
[0023]S13、提取时域信号中的时域特征值；
[0024]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；
[0025]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；
[0026]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。
[0027]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。
[0028]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，L
i
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]基于上述专利技术构思或实施方案，下面以管道缺陷检测模拟验证为例，作进一步说明：
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习和Duffing系统结合的超声导波无损检测方法，其特征在于：所述方法包含：S11、获取超声导波的回波信号；S12、提取小波系数能量值；S13、提取时域信号中的时域特征值；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；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；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。2.根据权利要求1所述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，其特征在于：所述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：再通过逆变换重构信号：其中，a，b分别表示信号分解的伸缩因子和平移因子，对信号在不同频域下进行分解，提取得到单个信号的多个小波系数能量值。3.根据权利要求1或2所述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，其特征在于：所述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：回波包络线上升沿从20％峰值到90％峰值的上升时间...

【专利技术属性】
技术研发人员：武静，马宏伟，饶子玉，熊俊杰，张伟伟，
申请(专利权)人：东莞市轨道交通有限公司，
类型：发明
国别省市：