基于非线性超声导波和深度学习的管道裂纹评估定位方法技术

本发明专利技术公开了一种基于非线性超声导波和深度学习的管道裂纹评估定位方法，属于无损检测技术领域。方法主要包括传感器阵列布置接收非线性信号、阵列响应频谱矩阵获取、深度学习网络模型训练及裂纹信息预测结果等步骤。首先选择合适的基频激励信号，并在钢管端面中线节点上对称加载集中力，沿着管道的轴向激发出基频超声导波；之后通过传感器阵列接收并保存回波信号，将所有传感器接收的信号做傅里叶变换以得到阵列响应频谱矩阵；最后将得到的所有阵列响应频谱矩阵训练深度学习模型实现管道裂纹评估和定位。本发明专利技术通过超声导波结合深度学习算法，可以同时生成裂纹的特征和位置信息，并提升裂纹信息的处理效率，使得微裂纹的检测与定位更为高效。与定位更为高效。与定位更为高效。

【技术实现步骤摘要】
基于非线性超声导波和深度学习的管道裂纹评估定位方法


[0001]本专利技术公开了一种基于非线性超声导波和深度学习的管道裂纹评估定位方法，属于无损检测


技术介绍

[0002]近年来，管状结构在工程领域和日常生活中都得到了非常普遍的应用，在管状构件生产和使用的过程中，由于工艺、外力、侵蚀等原因，导致分层、裂纹等各类缺陷的产生。结构内部损伤隐蔽性很强，危害性很大，如果不能及时发现解决，很可能出现意料之外的损失。因此，对使用中的管状构件进行有规律的定期损伤检测可以及时地发现各类微小隐患，及早做出全面有效的防护措施，最大可能地预防和避免事故的发生。
[0003]超声波具有穿透能力强、灵敏度高、无污染且对人体没有伤害等优点，这使得采用超声进行缺陷检测的使用最为广泛。传统的超声导波检测技术多基于线性理论，根据缺陷引起回波的声速、衰减、相位、反射系数等特性的变化来实现损伤的检测，但对于早期的亚波长微裂纹不敏感。而管状结构中的微裂纹具有接触非线性效应，会在透射和反射波中产生高次谐波，这为微裂纹定位和评估提供了新的可能性。
[0004]近些年，随着深度学习的兴起，越来越多的人开始将注意力放到无损检测和深度学习的结合上，深度学习和无损检测的结合为同时研究微裂纹的评估和定位提供了新思路。通过利用该方法，可以同时生成裂纹的特征和位置信息，并提升裂纹信息处理的效率，使得管道中微裂纹的检测更为高效。

技术实现思路

[0005]为解决现有超声导波检测方法对微裂纹损伤检测时，无法实现兼顾微裂纹评估与定位和处理大量损伤信息等不足，本专利技术提出了一种基于非线性超声导波和深度学习算法的管道裂纹评估定位方法。
[0006]技术方案为达到上述目的，本专利技术提供的技术方案为：基于非线性超声导波和深度学习的管道裂纹评估定位方法，包含传感器阵列布置接收非线性信号、阵列响应频谱矩阵获取、深度学习网络模型训练及裂纹信息预测过程，其中传感器阵列布置接收非线性信号包括如下步骤：步骤1，获取管道中超声导波频散曲线，选择合适模态作为激励信号并进行调制；步骤2，在存在裂纹特征的管道端面布置激励传感器阵列，在管道表面布置接收传感器阵列；步骤3，在管道端面中线节点上对称加载集中力，激励传感器沿管道轴向发射激励信号；步骤4，接收传感器接收时域响应信号并保存；阵列响应频谱矩阵获取包括以下步骤：
步骤5，将步骤4所得每个接收传感器所接收时域信号进行傅里叶变换得到其频谱，并将所有接收传感器频谱叠加，得到该裂纹特征下的阵列响应频谱矩阵；步骤6，改变管道裂纹特征、激励信号特征，重复步骤3
‑
5，得到不同管道裂纹特征和激励信号特征下的阵列响应频谱矩阵；深度学习网络模型训练及裂纹信息预测包括以下步骤：步骤7，将得到的所有阵列响应频谱矩阵作为原始数据划分为训练数据集和测试数据集；步骤8，在训练数据集中加入高斯白噪声；步骤9，基于训练数据集学习深度学习模型，使用步骤7所得测试数据集对模型进行验证，待测试数据集精度收敛后深度学习模型训练结束；步骤10，使用训练所得深度学习模型进行管道裂纹信息预测。
[0007]进一步地，步骤1中激励信号的选择方法为：根据频散曲线，在二倍频小于其它模态的截止频率范围内，选择低频散、速度快的超声导波L(0,2)模态信号作为激励。
[0008]进一步地，步骤1采用矩形窗和汉宁窗对超声导波激励信号进行调制，调制方法为：
[0009]为信号的相位；N为调制正弦信号的周期数。
[0010]进一步地，步骤5中，管道裂纹特征包括裂纹的长度、方向、位置，激励信号特征包括激励信号的频率与幅值。
[0011]进一步地，步骤9中深度学习模型为SEResNet50网络。
[0012]有益效果本专利技术通过使用各种阵列信号处理方法，探究不同微裂纹的非线性影响，方法有效利用了微裂纹的非线性效应，实现了高准确率的管道损伤评估与定位；本专利技术方法将深度学习技术应用于裂纹评估定位领域，通过应用深度学习算法有效处理了不同裂纹、激励信号特征下得到的大量数据，实现管道微裂纹的高效评估和定位。
附图说明
[0013]图1为本专利技术损伤评估和定位方法的步骤框图；图2为本专利技术实施例仿真模型及传感器布置图；图3为本专利技术检查区域和裂纹模型示意图；图4为本专利技术实验方法采用的激励信号和其对应的频谱图图5为实验有损和无损管道传感器接收信号的频谱图；图6为实验不同长度裂纹下传感器A接收信号的频谱图；图7为实验不同长度裂纹下的叠加频谱图；图8为本专利技术使用的SEResNet50网络结构示意图；图9为深度学习模型训练过程中的损失和准确性曲线。
具体实施方式
[0014]为进一步了解本专利技术的内容，结合附图和具体实施方式对本专利技术作详细描述。
[0015]如图1所示，本专利技术方法主要包括传感器阵列布置接收非线性信号、阵列响应频谱矩阵获取、深度学习网络模型训练及裂纹信息预测三个步骤。
布置传感器阵列接收非线性信号
[0016]如图2所示，本实施例在钢管端面对称布置8个传感器阵列激励超声导波信号，并在裂纹区域附近布置8个传感器阵列接收超声导波信号，钢管尺寸以及上表面传感器的具体位置如图中所示，确定传感器位置后，在钢管端面中线节点上对称加载集中力，方向沿着管道的轴向，激发出对应的L(0,2)模态的基频超声导波。
[0017]超声导波的传播具有频散和多模特性，根据频散曲线，在小于其它模态的截止频率范围内，选择低频散、速度快的超声导波L(0,2)模态信号作为激励；为了确保获取合适模态，激励信号中心频率选择在低频区的频率，在此基础上对激励信号进行调制设计。通常采用矩形窗和汉宁窗对超声导波激励信号进行调制，本实施例中采用汉宁窗进行调制，对于单频激励，激励信号的表达形式如下：
[0018]其中为阶跃函数；为激励信号的中心频率；为信号的相位；N为调制正弦信号的周期数。调制后的信号频带能量更加集中，改善了纵向超声导波的频散程度。
[0019]获取阵列响应频谱矩阵在布置传感器阵列接收非线性信号后，下面将处理信号得到阵列响应频谱矩阵，并通过深度学习网络模型获得裂纹信息的预测结果，实现最终的评估和定位结果。
[0020]首先对每个传感器接收的时域信号进行傅里叶变换得到频谱，离散傅里叶变换(DFT)表达式为：其中x(n)是连续信号x(t)的离散样本，N为DFT变换区间长度，k= 0,1,
⋯
,N
−
1。对于每个裂纹特征，都会得到8个传感器的频谱，将这八个频谱进行叠加将得到一个裂纹特征下的阵列响应频谱矩阵，叠加公式如下：
[0021]其中矩阵A为阵列响应频谱矩阵，A1‑
A8为每个传感器得到的频谱。
[0022]下一步改变管道中纹的长度、方向、位置及激励信号频率与幅值，从而得到不同裂纹的阵列响应频谱矩阵。如图3所示，本实施例中裂纹区位于所示的16个不同的子区域的中心，在每个子区域中，微裂纹的角度从5度变化到165度，间隔20度，即有9个角度。微裂纹的长度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于非线性超声导波和深度学习的管道裂纹评估定位方法，其特征在于，包含传感器阵列布置接收非线性信号、阵列响应频谱矩阵获取、深度学习网络模型训练及裂纹信息预测过程，其中传感器阵列布置接收非线性信号包括以下步骤：步骤S1，获取管道中超声导波频散曲线，选择模态作为激励信号并进行调制；步骤S2，在存在裂纹特征的管道端面布置激励传感器阵列，在管道表面布置接收传感器阵列；步骤S3，在管道端面中线节点上对称加载集中力，激励传感器沿管道轴向发射激励信号；步骤S4，接收传感器接收时域响应信号并保存；阵列响应频谱矩阵获取包括以下步骤：步骤S5，将步骤S4所得每个接收传感器所接收时域信号进行傅里叶变换得到其频谱，并将所有接收传感器频谱叠加，得到该裂纹特征下的阵列响应频谱矩阵；步骤S6，改变管道裂纹特征、激励信号特征，重复步骤S3
‑
S5，得到不同管道裂纹特征和激励信号特征下的阵列响应频谱矩阵；深度学习网络模型训练及裂纹信息预测包括以下步骤：步骤S7，将得到的所有阵列响应频谱矩阵作为原始数据划分为训练数据集和测试数据集；步骤S8，在训练数据集中加入高斯白噪声；步骤S9，基于训练数据集学...

【专利技术属性】
技术研发人员：李义丰，艾星，徐旭，颜劲夫，刘庭灏，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：