[发明专利]一种基于卷积神经网络的压力容器损伤定位方法

权利要求书

1.一种基于卷积神经网络的压力容器损伤定位方法，其特征在于，包括以下步骤：

步骤S1，对压力容器进行区域网格划分并对划分后的每个网格进行编号；

步骤S2，对划分后的每个网格进行模拟压力容器损伤，并在压力容器上设置信号控制及保存系统；

步骤S3，通过所述信号控制及保存系统扫查压力容器以采集超声导波信号大数据集；

步骤S4，对采集后的超声导波信号进行中心化及归一化处理；

步骤S5，对处理后的超声导波信号进行滤波、降噪处理；

步骤S6，将每次扫查采集的所有超声导波信号进行组合，以获得卷积神经网络的训练数据集；

步骤S7，对获得的训练数据集进行分类，并利用分类后的训练数据集对卷积神经网络进行训练，通过调整卷积层的层数及卷积神经网络的模型学习率来优化卷积神经网络的模型参数，最终实现损伤定位。

2.如权利要求1所述的基于卷积神经网络的压力容器损伤定位方法，其特征在于，在步骤S1中，为使损伤定位区域细化，分别对压力容器的筒体及封头进行区域网格划分。

3.如权利要求1所述的基于卷积神经网络的压力容器损伤定位方法，其特征在于，在步骤S2中，采用在每个网格上粘贴金属块的方式来影响超声导波信号，进而来模拟压力容器损伤。

4.如权利要求3所述的基于卷积神经网络的压力容器损伤定位方法，其特征在于，步骤S2中的所述信号控制及保存系统包括：

布置于压力容器上的至少一组超声导波传感器阵列，每组所述超声导波传感器阵列均由多个超声导波传感器组成，两两所述超声导波传感器构成多个传感器子集，每个传感器子集中的其中一个超声导波传感器受激励发出超声导波信号，另一个超声导波传感器则用于接收该超声导波信号；

控制装置，用于输出控制信号并对反馈回来的所述超声导波信号进行接收、存储及后处理；

信号发生器，接收所述控制信号后激发并输出电信号；

信号开关，用于接收所述电信号后向传感器子集中的其中一个超声导波传感器传递所述电信号并随后接收另一个超声导波传感器的超声导波信号，最终将所述超声导波信号传递给所述控制装置。

5.如权利要求4所述的基于卷积神经网络的压力容器损伤定位方法，其特征在于，所述信号控制及保存系统还包括放大单元，用于放大所述信号发生器的电信号。

6.如权利要求4所述的基于卷积神经网络的压力容器损伤定位方法，其特征在于，所述信号控制及保存系统还包括示波器，用于在所述超声导波信号导入控制装置前将电信号转换为模拟信号。

7.如权利要求4所述的基于卷积神经网络的压力容器损伤定位方法，其特征在于，所述超声导波传感器设于区域网格划分后的网格节点上。

8.如权利要求1所述的基于卷积神经网络的压力容器损伤定位方法，其特征在于，在步骤S4中，先对采集后的超声导波信号进行中心化处理，以消除硬件设备带来的信号基线漂移现象；随后对中心化处理后的信号数据进行归一化处理，以加快模型的收敛速度；其中，中心化处理方程为：x←x-E(x)，E(x)为采集的数据样本均值，最大最小值归一化方程为：X为原始数据，Xmax、Xmin分别为导波信号的最大值和最小值，Xnorm为归一化处理后的值。

9.如权利要求1所述的基于卷积神经网络的压力容器损伤定位方法，其特征在于，在步骤S5中，首先进行高通、低通滤波操作，滤波范围需要根据传感器带宽设置；然后对滤波后的导波信号进行小波降噪处理。

10.如权利要求1所述的基于卷积神经网络的压力容器损伤定位方法，其特征在于，在步骤S6中，考虑压力容器健康信号在内，每个传感器阵列分别获得足够多的导波数据，按照传感器阵列激发顺序进行损伤数据组合，建立大数据集训练样本用于卷积神经网络训练；在步骤S7中，采用基于VGG模型(Visual Geometry Group)的深层卷积神经网络，通过数据集对模型的训练调整模型参数，选择最优卷积神经网络模型，并重新采集导波信号对模型进行验证，实现压力容器的损伤定位。