在船舶运输、石油化工等需要广泛使用各类型管道的行业中,管道的结构健康监测(structural health monitoring, SHM)对于工业系统的安全稳定运行意义重大。在基于超声导波的管道裂纹等级识别方面,建立了一个与实际管道基本一致的有限元模...在船舶运输、石油化工等需要广泛使用各类型管道的行业中,管道的结构健康监测(structural health monitoring, SHM)对于工业系统的安全稳定运行意义重大。在基于超声导波的管道裂纹等级识别方面,建立了一个与实际管道基本一致的有限元模型,通过添加噪声的方式合成了更接近实际检测的导波数据。基于包含不同管道裂纹等级的有限元仿真数据库,提出了一种基于多尺度一维卷积神经网络(multi-scale one dimensional convolution neural network, MS-1DCNN)的管道裂纹等级识别模型,该模型以端到端的方法,将原始波形信号直接作为输入,无需专门设计信号降噪及特征提取算法。试验结果表明,该模型相较于传统机器学习方法在噪声环境下对管道裂纹等级的识别具有较高精度,并通过实物管道试验,验证了该模型在管道结构健康监测中的有效性。展开更多
文摘在船舶运输、石油化工等需要广泛使用各类型管道的行业中,管道的结构健康监测(structural health monitoring, SHM)对于工业系统的安全稳定运行意义重大。在基于超声导波的管道裂纹等级识别方面,建立了一个与实际管道基本一致的有限元模型,通过添加噪声的方式合成了更接近实际检测的导波数据。基于包含不同管道裂纹等级的有限元仿真数据库,提出了一种基于多尺度一维卷积神经网络(multi-scale one dimensional convolution neural network, MS-1DCNN)的管道裂纹等级识别模型,该模型以端到端的方法,将原始波形信号直接作为输入,无需专门设计信号降噪及特征提取算法。试验结果表明,该模型相较于传统机器学习方法在噪声环境下对管道裂纹等级的识别具有较高精度,并通过实物管道试验,验证了该模型在管道结构健康监测中的有效性。
