Estimation of Elbow Wall Thinning Using Ensemble-Averaged Mel-Spectrogram with ResNet-like Architecture

Kim, Jonghwan; Chung, Byunyoung; Park, Junhong; Choi, Youngchul

doi:10.3390/s22113976

开放式访问第条

基于ResNet-like架构的集成平均Mel-S谱图估计肘管壁减薄

¹

汉阳大学机械工程学院，222 Wangsimni-ro，Seongdong-gu，Seoul 04763，Korea

²

韩国原子能研究所智能结构安全与预测研究部，地址：111 Daedeok-daero 989 Beon-gil，Yuseong-gu，Daejeon 34057，Korea

^*

信件应寄给的作者。

传感器 2022,22(11), 3976;https://doi.org/10.3390/s22113976

收到的提交文件：2022年3月29日/修订日期：2022年5月16日/接受日期：2022年5月18日/发布日期：2022年5月24日

（本条属于本节物理传感器)

下载

浏览地物

审查报告版本注释

摘要

:

提出了一种突出工作回路平稳特性的肘管壁减薄诊断方法。弯曲管道表面的加速度是在一个封闭的试验回路中测量的，该回路以恒定的泵转速运行，并结合带有人工减薄壁的弯曲管道试样。采用能表达模态特征变化位移的mel-spectrogram提取壁厚减薄弯管的振动特性。为了减小模型预测值的偏差，利用mel-spectrogram的集合平均值来强调平稳信号并减少噪声信号。提出了一种带残差块的卷积神经网络（CNN）回归模型，与无残差块模型相比，该模型的性能有所提高。该回归模型预测了排除在训练数据集中的肘部变薄厚度。

关键词：

壁厚减薄;回路试验;卷积神经网络;振动特性;集合平均值;残余块;梅尔谱图

1.简介

高温高压流动引起的管壁减薄是核电厂的一种故障，1986年和2004年曾报道过几起严重的管壁变薄事故[1,2,三]. 由于流动加速腐蚀（FAC）导致的管壁减薄现象对安全构成威胁，主要国家已经制定了预测管壁减厚的规范[4,5,6]. 根据规范对检查进行可靠的分析和决策，以防止管道破裂。通过定期检查对决定选择的管道进行管道检查和更换管理。超声波检测（UT）主要用于定期检查中测量管壁厚度[7,8]. 由于UT测厚误差可能由操作人员和检测环境造成，如何降低UT的测量误差[9,10]以及其他类型的无损检测（NDT）检查方法[11,12]已经过研究。由于传统的无损检测特征是逐点测量，因此有必要定期测量特定管道区域内的所有点，这需要花费大量时间。定期检查中可以检查的管道数量有限。对于不在定期检查清单中的管道，管道的检查周期可能会延长，并且在连续的检查周期之间可能会遗漏一些故障[13].

条件维修（CBM）的发展是为了弥补定期检查在预防意外事故方面的不足。核电厂中的CBM可以通过状态监测提供更好的预测，减少过度维护[14]. 提出了利用附加传感器监测壁面变薄状态的研究。一种使用超声波导系统的方法[15]很难在难以安装波导管的区域使用。直流电位降（DCPD）法中的高电流可能导致安全问题[16]. 我们打算提出一种使用相对容易安装的加速计监测壁变薄状态的方法。根据核电厂使用后更换的弯头的实际形状，通过制作具有不同稀释量的壁薄试样来准备回路试验。采用回路试验，结合制备的试样，通过在恒定操作条件下测量的加速度信号，根据减薄来检查振动特性。如中所示[17]观察到，自然模态阶数越高，自然频率随减薄量的变化越大。

本研究提出了一种预测弯头壁变薄的方法，该方法不需要选择与壁变薄相关的加速度计信号的频率分量。CNN模型利用卷积滤波器识别图像特征，在图像识别方面具有显著的性能[18,19,20,21]. 对振动信号进行成像，并将其作为输入数据，以实现卷积神经网络（CNN）模型的优点。因此，在弯头处测量的一维加速度计信号需要转换为二维图像输入数据。通过对振动信号应用mel-filter，将其转换为图像形式的mel-spectrogram。梅尔谱图由频率轴和时间轴组成。根据壁面变薄量，频谱特征在高频区比低频区变化更大，使用梅尔滤波器作为梅尔谱图的频率轴，将其分解为更少的分量。环路运行期间振动随时间的变化通过梅尔谱图的时间轴表示。CNN模型输入由振动信号转换而来的梅尔谱图，用于学习壁厚变薄导致的振动特性变化。环路运行期间的信号是一个平稳信号和一种含有噪声的随机信号[22]. 由于当噪声信号较大时，很难观察到主要特征分量，因此使用系综平均来减少梅尔谱数据的噪声信号，使CNN模型更容易学习振动特性。传统卷积滤波器的结构直接对从上一层传输的数据执行卷积操作。在残余块体结构中，见[23]从上一层传输的数据通过跳跃连接单独存储，并与应用卷积滤波器的数据求和。当卷积滤波器使用残差块学习原始数据的残差时，模型优化更容易，并且可以减少梯度消失现象。该模型是通过将残差块应用于现有Lenet-5模型来设计的[24]. 根据输出层的不同，深度学习模型可以分为分类模型和回归模型[25,26]，但分类模型有一个限制，因为它只输出用于模型训练的一个标签。提出了一种利用加速度计进行细化诊断的方法，并通过分类模型对细化状态进行诊断[27]. 该方法将数据分为三种细化状态，但存在无法预测其他细化状态的局限性。与分类模型不同，回归模型具有很高的可伸缩性，因为输出值可以用实数表示，除了训练中使用的值外，还允许输出。研究了一种使用回归模型的方法，利用各种因素预测壁变薄率[28]，但是由于在每个状态下预测的壁薄化率误差的累积，在最终状态的壁薄化预测中可能存在不确定性。此外，FAC的非线性行为通过规范基于测量的厚度和各种环境因素来表示，但很难确定管壁变薄的实际原因。本研究提出了一种通过振动信号预测壁厚减薄的回归模型，以便通过监测弯头壁厚减薄来进行更有效的管理。

2.材料和方法

2.1. 管壁减薄的制作与实验

应力是由管道中的高温高压流动引起的，导致主要发生在弯曲管道中的变薄。对核电厂使用后更换的90度弯管的横截面进行了测量，并确认最大减径发生在流量出口34度处。设计了一个变薄的弯管，如所示图1a、通过模拟变薄弯管的实际形状。为了根据减薄量测量振动特性，制作了弯曲管道中最大减薄量为0%（非减薄）、14%、28%、42%、56%和70%的六个试样。由于减薄试样是通过机械加工制造的，因此实际减薄厚度与设计厚度不同，如所示表1实际试样的最小厚度设置为每个数据的标签值。为了将试样与回路结合，使用标称尺寸为8英寸Sch20（外径219.1 mm，厚度6.35 mm）的直管制造薄壁弯管。材料采用A234 WPB（A106B，碳钢）。

将壁薄试样与环结合，如所示图1b、并在恒定泵运行条件下进行了实验。泵以800 rpm的转速运行，软化水在回路中输送。将水加压至1巴，流速为128

米^{三} / 小时

。如所示图2在弯管外表面安装三个加速度计以获取数据。加速计使用B&K的4375型产品测量600 s的数据，加速计的采样频率设置为16384 Hz，以测量每个试样的数据。

将测得的加速度信号转换为梅尔谱图，提取壁面变薄的特征。图3显示了从距离流量出口22.5度的加速度计测量的4s加速度信号转换而来的梅尔谱图。转换过程中使用了256个成分的金属过滤器。在泵以恒定转速运行的条件下测量每个试样的数据。在600 Hz或以下的频率范围内，观察到泵的励磁特性。在600Hz或以上的频率范围内，发生了流致激励，且梅尔谱图随壁厚变薄而变化。应用CNN模型，根据壁变薄的情况，学习光谱图中的变化。

2.2. 预测弯管壁减薄的数据准备

为了通过应用深度学习模型预测减薄厚度，需要选择输入数据、提取数据特征、设计模型和选择输出数据的过程，如所示图4。在数据特征提取步骤中，有必要分析数据以了解振动特性，并设置要用作特征的主频率范围。为了简化这一过程，研究了一种利用频域和时域特征通过梅尔谱图预测减薄厚度的方法。

输入数据包括通过环路测试测量的加速度计信号，并且通过mel谱图变换简化了输入数据的特征提取过程。测量数据的采样频率为16384 Hz，因此当频率分辨率设置为1时，最大频率为8192 Hz。由于每段数据在频域中的大小为8192，输入数据的大小变得太大，不必要的特征会影响模型学习。采用mel-filter提高频率分辨率，减小数据量，同时保持频率分量的壁薄特性。如果频谱的范围为600 Hz或更高，则共振频率会根据变薄厚度而移动，并且频谱水平会在较宽的频率范围内发生变化。梅尔滤波器具有更宽的带宽和更高的频率范围。使用mel-filter的mel-spectrogram将更宽的频率范围特性过滤为更高频率范围内的单个分量。

使用长度为4s的数据来识别随时间的变化。当噪声信号太大时，CNN模型很难学习数据特征。使用10个连续数据段的集合平均值，通过减少噪声信号来提高模型的学习性能。由于CNN通常用于方形图像数据，因此将256（频率分量）×257（时间分量）大小的梅尔谱图（其中对4s加速度信号应用了256个分量的梅尔滤波器）用作模型的输入，该谱图接近适合CNN模型学习的方形。将输出数据设置为减薄厚度。

2.3. 预测壁厚减薄的CNN模型开发

通过输入输出数据选择和模型结构设计，开发了CNN模型。通过在Lenet-5模型中添加跳跃连接，提出了应用剩余块结构的CNN模型，如所示图5，以改进操作期间对平稳信号的学习。该模型按顺序由输入层、第一剩余块、第一平均池层、第二剩余块、第二平均池层和平坦层、第一完全连接（F.C）层、第二全连接（F.C.）层和输出层组成。

输入层是模型的第一层，接收前一节中准备的梅尔谱图作为输入数据。在600 Hz或以下的范围内，由于泵激励，光谱值大于600 Hz范围内的值。在训练深度学习模型时，该模型以相对较大的值范围为主。这意味着模型很难学习由小值组成的范围的特征。计算mel-spectrogram的对数，将较小值缩放为相对较大值，将较大值缩放为较小值。使用mel谱图对数的模型不受600 Hz或更低范围内的值的支配。如等式（1）所示，对于每一条数据，根据总数据的最大值和最小值对日志进行归一化，然后将其用作输入数据。

{x个}^{'} = \frac{[{日志}_{2} x个 - 最小值 ({日志}_{2} {x个}_{t吨 o个 t吨 一 我})]}{[最大值 ({日志}_{2} {x个}_{t吨 o个 t吨 一 我}) - 最小值 ({日志}_{2} {x个}_{t吨 o个 t吨 一 我})]}

(1)

x个

表示原始数据和

{x个}^{'}

表示标准化数据。将归一化输入数据传输到一个剩余块，该剩余块由一个通过跳跃连接传输输入数据的层和一个计算输入数据上卷积滤波器的层组成。在并行计算两层剩余块后，将两个计算结果相加，并应用激活函数。在计算卷积滤波器的层中，滤波器组的权重相乘，偏差相加，如方程（2）所示。

年_{k个} = \sum_{c（c） = 1}^{米} {w个}_{c（c）, k个} * {x个}_{c（c）} + {b条}_{k个} k个 = 1, 2, \dots n个

(2)

{x个}_{c（c）}

表示c（c）-输入数据向量的第个信道；

年_{k个}

表示k个-输出数据矢量的第个通道。米是输入数据的总信道数。n个是输出数据的总信道数。

{w个}_{c（c）, k个}

是的权重向量k个-与c（c）-输入数据矢量的第个通道

{b条}_{k个}

是k个-偏置矢量的第个滤波器通道。*表示向量的卷积运算符。通过卷积滤波器计算米通道转换为n个频道。

通过卷积滤波器的值通过激活函数。作为激活函数，方程式（3）中的ReLU函数用于添加非线性[29].

σ (年_{k个}) = 最大值 (0, 年_{k个})

(3)

σ表示激活函数ReLU。为了添加通过跳跃连接传递的数据和通过卷积层计算的数据，这两种类型的数据必须具有相同的大小。如果卷积滤波器中的信道数量与输入数据中的信道数不同，

{w个}^{'}_{c（c）, k个}

计算，使得具有米通道被存储并作为数据输出n个频道。然后，将结果添加到等式（3）中n个如方程式（4）所示，使用通道和激活函数。

{z（z）}_{k个} = σ (\sum_{c（c） = 1}^{米} {w个}^{'}_{c（c）, k个} * {x个}_{c（c）} + σ (年_{k个}))

(4)

{z（z）}_{k个}

表示剩余块的输出值。通过剩余块和激活函数的值被传输到平均池层。平均池层按特定间隔提取平均值，以减小数据大小，防止因数据丢失而导致过拟合[30].

通过平均池层的数据通过扁平层以一维形式排列，然后连接到FC层。FC层计算前一层数据的权重和偏差，并将其传输到下一层，如方程（5）所示。

年_{j个} = \sum_{我 = 1}^{米} {w个}_{我 j个} {x个}_{我} + {b条}_{j个}

(5)

米表示输入数据的总节点数。

{x个}_{我}

表示我-第个输入数据节点和

年_{j个}

表示j个-输出数据的第个节点。

{w个}_{我 j个}

表示连接

{x个}_{我}

到

年_{j个}

和

{b条}_{j个}

表示

年_{j个}

在方程式（5）之后，应用ReLU激活函数添加非线性。

在完全连接层之后，在最后一个输出层中处理输出减薄厚度值的一个节点。为了设计回归模型，将线性函数应用于激活函数以输出实数，并将均方误差（MSE）应用于模型的损失函数。Adam函数应用于优化器以更新参数，优化器的学习速率设置为0.0003。

建议模型的详细架构如所示表2.接收256×257大小的输入数据并将其发送到第一个剩余块。在增加数据信道的同时传递数据的跳过连接层被添加到用剩余块中的5×5大小的6信道卷积滤波器计算的数据中。然后应用ReLU激活函数和第一个平均池层。在平均汇集层中，为每个2×2的区域提取一个平均值，并转移到第二个剩余块。在第二剩余块中使用5×5大小的16信道卷积滤波器。第二平均池层为每2×2提取一个平均值，与第一平均池层相同。三维数据通过扁平层转换为一维数据。展平值链接到完全连接的层。在第一个完全连接层中，节点数被设置为120，在第二个完全连接的层中，将节点数设置为80。最后，从由一个节点组成的输出层输出细化厚度值。

3.结果

3.1. 基于实验数据的CNN模型评估

3.1.1. CNN模型丢失

对于回归模型，由于在确定预测标签是否正确时不能准确地执行性能评估，因此通过根据模型的预测值和目标值之间的差计算的损失来评估模型。较小的损失意味着预测值更接近目标值。将整个输入数据集向前和向后传递一次模型称为epoch。更新参数以减少每个历元的损失值。然而，过多的时段可能会使模型与训练数据过拟合，导致训练中未使用的数据损失较大。使用了验证损失数据集，以便推广模型以防止过度拟合。每个样本总共有20%的数据被用作验证数据，并且存储了50个历元训练期间验证数据集损失最小的历元模型参数。评估了存储模型在测试数据集上的预测性能。

3.1.2. 使用测试数据集进行模型评估

根据肘管壁变薄的情况，利用光谱特征训练模型，对未观测数据的预测性能进行评估。在每个样本的数据中，60%被用作训练数据。剩余数据的一半用作验证数据，另一半用作测试数据。图6显示了通过由集合平均mel谱图和非平均mel频谱图训练的模型评估测试数据的结果。预测值的平均值表示为杆的高度，预测值的标准偏差表示为杆末端的尖端。利用加速度信号转换的光谱图训练深度学习模型时，可以根据细化厚度的变化训练特征来估计未观测数据的细化厚度。与使用非平均数据相比，使用集合平均值的模型预测结果更接近实际试样厚度，且标准偏差小于使用原始数据的模型的预测结果。

使用深度神经网络（DNN）、无残留块的CNN和建议的CNN的模型结果进行了比较，如所示表3在所提出的模型中，测试数据集的MSE损失值是最佳的。

此外，用mel-spectrogram训练用于验证缺失数据预测性能的拟议模型，其中一个样本数据从所有样本中缺失。用五个样本数据训练的模型用六个样本数据评估测试数据。表4显示了训练模型对缺失样本数据的预测结果。缺失试样的预测值接近实际厚度。当使用集合平均数据时，预测值与实际值更为相似。

4.结论

为了根据弯管壁厚减薄情况测量回路运行期间加速度信号的特征变化，对六个模拟实际壁厚减厚的人工弯管试样进行了回路试验。在从测得的加速度信号转换的频谱中，观察到泵的激励在600 Hz或以下的范围内，而流致激励在600赫兹或以上的范围内。频谱水平随壁厚变薄而变化，共振频率的偏移发生在600 Hz或更高的范围内。使用mel-filter将加速度信号转换为mel-spectrogram，以便用小频率分量表示高频宽带和共振频率上的谱电平变化。环路运行期间的信号是一个平稳状态的随机信号。集合平均值用于减少噪声信号中的偏差，并用于模型训练。提出了一种带残差块的CNN回归模型，利用梅尔谱图学习平稳信号的特征，与DNN和CNN相比，该模型的损失值有所改善。通过省略提取特定频域值的特征提取过程，可以使用整个频域的特征根据变薄厚度学习振动特性。为了验证缺失数据的预测性能，使用所有样本数据中缺失一个样本数据的训练数据集来训练模型。训练后的模型输出的缺失试样的减薄厚度接近实际值。通过回归模型，可以使用一个加速度计信号预测弯头的减薄厚度，预计可以用作减薄监测方法。

作者贡献

概念化，Y.C。；不列颠哥伦比亚省数据管理。；方法论，J.K。；项目管理，Y.C。；不列颠哥伦比亚省资源部。；监管，J.P。；可视化，J.K。；撰写原稿，J.K。所有作者均已阅读并同意手稿的出版版本。

基金

这项工作得到了韩国政府（科学和信息技术部）资助的韩国国家研究基金会（NRF）的资助（编号：NRF-2020M2C9A1062710）。

机构审查委员会声明

不适用。

知情同意书

不适用。

数据可用性声明

不适用。

利益冲突

作者声明没有利益冲突。

工具书类

雷米，F.N。；Bouchacourt，M.《流动辅助腐蚀：避免损坏的方法》。编号。工程设计。 1992,133, 23–30. [谷歌学者] [交叉参考]
吴，P.C。美国核电厂腐蚀/腐蚀引起的管壁减薄; 编号NUREG-1344；美国核管理委员会（NRC）：美国华盛顿特区，1989年。
Matsumura，M.Mihama核电厂管道破裂案例研究。马特。科洛斯。 2006,57, 872–882. [谷歌学者] [交叉参考]
谢夫斯基，C。；Hazelton，T.CHECWORKS腐蚀控制集成软件。1997年7月1日在加拿大安大略省多伦多举行的第四届CANDU维护国际会议记录。[谷歌学者]
Baier，R。；A.Zander，COMSY——一种用于老化和植物寿命管理的软件工具，带有集成文档工具。2008年9月21日至26日，瑞士因特拉肯，2008年国际青年核大会会议记录。[谷歌学者]
黄，K.M。；Yun，H。；Seo，香港。；Lee，G.Y。；Kim，K.W.开发用于核电厂管壁减薄管理的ToSPACE。世界期刊Nucl。科学。技术。 2018,9, 1–15. [谷歌学者] [交叉参考] [绿色版本]
Knook，T。；佩索斯，M。；Trevin，S。；Friol，S。；莫特里尔，M.-P。；Dejoux，L.法国电力公司（EDF）的管壁减薄管理。E-J.高级维护。 2011,2, 1–13. [谷歌学者]
西口，I。；Inada，F。；高桥，M。；Ogawa，B。；稻垣祯一，T。；Ohira，T。；岩原，K。；Yamakami，K.A评论：基于JSME规则的日本管壁减薄管理，以及最近为加强规则而进行的研发研究。E-J.高级维护。 2011,2, 14–24. [谷歌学者]
云，H。；Moon，S.J.公司。；Oh，Y.J.核电厂管道壁厚减薄评估程序的开发——第1部分：厚度测量偏差的量化。编号。工程技术。 2016,48, 820–830. [谷歌学者] [交叉参考] [绿色版本]
Yun，H。；Moon，S.J。；Oh，Y.J.核电厂管道壁厚减薄评估程序的开发——第2部分：局部壁厚减厚评估方法。编号。工程技术。 2020,52, 2119–2129. [谷歌学者] [交叉参考]
Katagiri，T。；陈，G。；尤萨，N。；Hashizume，H.利用微波检测多个管壁变薄缺陷的演示。测量 2021,175, 109074. [谷歌学者] [交叉参考]
郭毅。；陈，G。；Katagiri，T。；尤萨，N。；Hashizume，H.使用微波无损检测定量评估管壁变薄缺陷尺寸。非破坏性。测试。评估。 2022, 1–17. [谷歌学者] [交叉参考]
Jardine，A.K。；Lin，D。；Banjevic，D.《机械诊断和预测实施基于状态的维护的综述》。机械。系统。信号处理。 2006,20, 1483–1510. [谷歌学者] [交叉参考]
Khurmi，R。；桑卡拉纳拉亚南，K。；Harvel，G.《核电厂基于状态的维护：局限性和实用性》。《2021年IEEE工业工程和工程管理国际会议论文集》，新加坡，2021年12月13日至16日。[谷歌学者]
K.H.Ryu。；Lee，T.H。；Kim，J.H。；黄光裕，I.S。；Lee，纽约州。；Kim，J.H。；Park，J.H。；Sohn，C.H.使用等电位开关直流电位降在线监测流动加速腐蚀引起的管道壁损失的方法。编号。工程设计。 2010,240, 468–472. [谷歌学者] [交叉参考]
哦，S.B。；Cheong，Y.M。；Kim，D.J.博士。；Kim，K.M.在流动加速防腐设施中通过高温超声波波导系统对管壁减薄进行在线监测。传感器 2019,19, 1762. [谷歌学者] [交叉参考] [公共医学] [绿色版本]
韩，S.W。；Seo，J.S。；Park，J.H.管壁——使用周向变化厚度管道的振动模式进行的管壁精整检查。J.韩国Inst.Gas 2017,21, 18–26. [谷歌学者] [交叉参考] [绿色版本]
奥谢，K。；Nash，R.卷积神经网络导论。arXiv公司 2015，arXiv:1511.08458。[谷歌学者]
阿尔巴维，S。；T.A.穆罕默德。；Al-Zawi，S.《卷积神经网络的理解》，2017年8月21日至23日，土耳其安塔利亚，2017年国际工程技术会议论文集。[谷歌学者]
Krizhevsky，A。；Sutskever，I。；Hinton，G.E.用深度卷积神经网络进行Imagenet分类。高级神经信息处理。系统。 2012, 25. 在线可用：https://proceedings.neurips.cc/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html（2022年3月28日访问）。
Simonyan，K。；用于大规模图像识别的极深卷积网络。arXiv公司 2014，arXiv:1409.1556。[谷歌学者]
华盛顿州范·埃滕。随机信号与噪声导论; 约翰·威利父子公司：奇切斯特，英国，2006年；第1-8页。[谷歌学者]
He，K。；张，X。；任，S。；Sun，J.图像识别的深度残差学习。2016年IEEE计算机视觉和模式识别会议记录，美国内华达州拉斯维加斯，2016年6月27日至30日。[谷歌学者]
Lecun，Y。；博图，L。；Y.本吉奥。；Haffner，P.基于梯度的学习应用于文档识别。程序。电气与电子工程师协会 1998,86, 2278–2324. [谷歌学者] [交叉参考] [绿色版本]
Gunn，S.R.分类和回归支持向量机。ISIS技术代表。 1998,14, 5–16. [谷歌学者]
霍夫曼，F。；Bertram，T。；米库特，R。；Reischl，M。；Nelles，O.分类和回归基准。威利公司（Wiley Interdiscip）。版本数据最小知识。发现。 2019,9，e1318。[谷歌学者] [交叉参考]
查伊，Y.H。；Kim，S.G。；Kim，H。；Kim，J.T。；Seong，P.H.使用加速度计和深度学习模型诊断FAC引起的管道变薄的方法。附录编号。能源 2020,143, 107501. [谷歌学者] [交叉参考]
Moon，S。；Kim，K。；Lee，G.G.公司。；Yu，Y。；Kim，D.J.基于机器学习的管道壁厚减薄率预测模型。编号。工程技术。 2021,53, 4060–4066. [谷歌学者] [交叉参考]
奈尔，V。；Hinton，G.E.校正线性单元改进了受限boltzmann机器。2010年6月21日至24日，以色列海法，第27届国际机器学习会议记录。[谷歌学者]
谢勒，D。；米勒，A。；Behnke，S.对象识别卷积体系结构中池操作的评估。2010年9月15日至18日，希腊塞萨洛尼基，2010年国际人工神经网络会议记录。[谷歌学者]

图1。(一)34度位置处厚度为30%的减壁弯管的剖面图(b条)循环与变薄弯头相结合。

图2。振动信号测量系统和加速度计位于弯管表面。

图3。用256个滤光片从22.5度的加速度计算出的光谱图(一)2.40毫米(b条)3.59毫米(c（c）)4.38毫米(d日)5.22毫米(e（电子）)5.96毫米，以及(（f）)7.48 mm厚试样。

图4。使用深度学习模型监测壁厚变薄过程，从信号测量到厚度估计。

图5。提出了使用残差块的CNN模型体系结构。

图5。提出了使用剩余块的CNN模型结构。

图6。通过训练模型预测测试数据集的值(一)建议的方法和(b条)传统方法，加速度计位于22.5度。

表1。六个预制试样的减薄厚度。

最大稀释比	弯头的最小厚度
0%	7.48毫米
20.3%	5.96毫米
30.2%	5.22毫米
41.4%	4.38毫米
53%	3.59毫米
77.9%	2.40毫米

表2。建议模型的详细架构。

图层	输入形状	输出形状
输入层	(256, 257, 1)	(256, 257, 1)
跳过连接1	(256, 257, 1)	(256, 257, 6)
卷积层1（ReLU）	(256, 257, 1)	(256, 257, 6)
添加1[Conv1，Skip1]（ReLU）	(256, 257, 6)	(256, 257, 6)
平均池层1	(256, 257, 6)	(128, 128, 6)
跳过连接2	(128, 128, 6)	(128, 128, 16)
卷积层2（ReLU）	(128, 128, 6)	(128, 128, 16)
添加2[Conv1，Skip1]（ReLU）	(128, 128, 16)	(128, 128, 16)
平均池层2	(128, 128, 16)	(64, 64, 16)
平整层	(64, 64, 16)	(65, 536)
FC层1（ReLU）	(65, 536)	(120)
FC层2（ReLU）	(120)	(84)
输出层（线性）	(84)	(1)

表3。根据深度学习模型对每个数据集进行MSE损失比较。

模型	均方误差
模型	培训数据	验证数据	测试数据
挪威船级社	0.003665	0.005296	0.005493
美国有线电视新闻网	0.000440	0.001770	0.002042
CNN+剩余块	0.000238	0.001186	0.001244

表4。用原始数据和没有一个样本的集合平均数据训练的模型的缺失样本的预测值的平均值和标准偏差。

表4。使用原始数据训练的模型缺失样本预测值的平均值和标准偏差，以及没有一个样本的集合平均数据。

缺少样本在训练数据集中	非平均数据		集合平均数据
缺少样本在训练数据集中	平均值	标准偏差	平均值	标准偏差
3.59	3.34	0.236	3.49	0.205
4.38	4.75	0.279	4.38	0.215
5.22	5.13	0.279	5.26	0.200
5.96	5.75	0.223	5.94	0.178

出版商备注：MDPI对公布的地图和机构关联中的管辖权主张保持中立。

分享和引用

MDPI和ACS样式

Kim，J。；Chung，B。；Park，J。；Y.Choi。使用具有ResNet-like架构的集成平均梅尔谱图估计肘部壁变薄。传感器 2022,22, 3976.https://doi.org/10.3390/s22113976

AMA风格

Kim J、Chung B、Park J、Choi Y。使用具有ResNet-like架构的集成平均梅尔谱图估计肘部壁变薄。传感器. 2022; 22(11):3976.https://doi.org/10.3390/s22113976

芝加哥/图拉宾风格

Kim、Jonghwan、Byunyoung Chung、Junhong Park和Youngchul Choi。2022.“使用具有ResNet-like架构的集成平均Mel-S谱图估算肘部壁变薄”传感器22，11号：3976。https://doi.org/10.3390/s22113976

请注意，从2016年第一期开始，该杂志使用文章编号而不是页码。请参阅更多详细信息在这里.

文章菜单

基于ResNet-like架构的集成平均Mel-S谱图估计肘管壁减薄

摘要

1.简介

2.材料和方法

2.1. 管壁减薄的制作与实验

2.2. 预测弯管壁减薄的数据准备

2.3. 预测壁厚减薄的CNN模型开发

3.结果

3.1. 基于实验数据的CNN模型评估

3.1.1. CNN模型丢失

3.1.2. 使用测试数据集进行模型评估

4.结论

作者贡献

基金

机构审查委员会声明

知情同意书

数据可用性声明

利益冲突

工具书类

分享和引用

文章指标

文章访问统计

更多信息

指导方针

MDPI计划

遵循MDPI