[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

说明书

本发明公开了一种基于卷积神经网络的压力容器损伤定位方法，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；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；步骤S7，对数据集进行分类，并利用分类后的训练数据集对卷积神经网络进行训练。根据本发明，其通过结合深度卷积神经网络及超声导波技术，自适应地提取超声导波信号特征，提高损伤定位精度及抗干扰能力。

技术领域

本发明涉及深度学习及超声导波结构健康监测领域，特别涉及一种基于卷积神经网络的压力容器损伤定位方法。

背景技术

压力容器是指盛装气体或者液体，并承载一定压力的密闭设备。随着我国工业化进程的不断加快，压力容器等承压装备在石油化工、冶金、核电、航空航天、海洋等部门及工程领域的应用越来越广泛，是工业生产过程中不可或缺的核心部件。承压装备长期在苛刻的工作环境下运行，运行温度及运行压力范围广泛，工作介质常常具有腐蚀性，并且承受着动、静或者交变载荷的作用。严苛的工作环境会导致压力容器装备出现目视不可见的损伤，进而导致结构失效爆炸等灾难性后果。事故一旦发生，会对人民的生命财产安全造成巨大损失，因此有必要开展针对压力容器的结构健康监测技术研究，进而在运行阶段保证结构安全，在维护阶段降低维修成本。

目前无损检测技术已广泛应用于压力容器设备的结构健康监测中，该技术可以在不破坏待检测对象本身使用性能的情况下，通过超声、红外、电磁、射线以及涡流等方法的辅助，检测出零件或者设备的缺陷并确定其位置及大小。但是传统无损检测技术的局限性较大，仅能在设备停机、结构停用的情况下进行离线检查；并且检测面积小，进而导致了成本的提升，影响生产效率；不仅如此，这些检测方法常常依赖于操作人员的专业水平，越来越无法满足工业发展的需求。与之相比，基于超声导波的结构健康监测技术由于其灵敏度高、传播距离远、可检测面积大、能在设备不停机的情况下进行实时在线监测，近年来越来越受到国内外学者的关注。该技术通过驱动传感器在机构中激励超声导波信号监测结构状态，一旦结构出现损伤，超声导波信号会与缺陷发生相互作用，并且产生反射、散射等现象，通过接受传感器获取反射、散射信号，并进行数据处理、特征提取，进而获得结构的健康状况。

基于超声导波的结构健康监测技术可有效的实现对压力容器的实时在线监测。该技术的关键在于如何通过合理的数据分析及特征提取，获得超声导波信号携带的损伤信息。传统的超声导波信号分析方法主要有时域分析方法，如Hilbert变换、相关性分析等；频域分析方法，如傅里叶变换，滤波等；时频分析方法，如小波变换，短时傅里叶变换等。这些方法均建立在人工提取损伤特征的基础上，通过浅层的信号特征进行损伤定位、分析损伤信息。这就存在了无法有效提取全部特征，损伤信息丢失的情况。

有鉴于此，实有必要开发一种基于卷积神经网络的压力容器损伤定位方法，用以解决上述问题。

发明内容

针对现有技术中存在的不足之处，本发明的主要目的是，提供一种基于卷积神经网络的压力容器损伤定位方法，其通过结合深度卷积神经网络及超声导波技术，自适应地提取超声导波信号特征，提高损伤定位精度及抗干扰能力。

为了实现根据本发明的上述目的和其他优点，提供了一种基于卷积神经网络的压力容器损伤定位方法，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；