Page 64 - 2022'中国无损检测年度报告
P. 64
⚥㕂偽䰀唬崵䎃䏞䫣デ ⚥㕂偽䰀唬崵䎃䏞䫣デ
2022
20222 ࠛ௨ចय़ˮڥQGWખ˘ᛸˡԾࡰᤠቅ ࠛ௨ចय़ˮڥQGWખ˘ᛸˡԾࡰᤠቅ 2 2
2
图 2 传热管缺陷建模示意
使用标准试块验证数值方法有限元模型的准
（b）高性能阵列涡流仪 确性后，对不同种类缺陷进行仿真并获取模拟数
据，分析了数据特征并建立了不同缺陷的信号响
应特征数据库。运用数据增广技术对数据库规模
进行扩充，即采用添加高斯噪声、翻转、窗口平移、
时序变换或线性插值采样等算法对数据库中元素
进行处理，并将生成元素重新注入原有数据库，
从而实现训练数据库与识别数据库的扩充，缺陷
数据集及旋转增广过程如图 3 所示。将所有李萨
如图尺寸进行统一重构，经数据分类、数据清洗
以及数据预处理后，形成机器学习算法训练库与
算法识别库。
（c）高速推拔器
（d）通用定位器
图 1 高性能阵列涡流检测系统
2 基于机器学习的传热管涡流智能信号识别
图 3 缺陷数据集及旋转增广示意
核电站在役检查通常使用涡流检测技术对
传热管降质现象进行跟踪检测，而传统数据分析 训练库采用明测方式，同时对算法输入待识
方法主要依赖人工比对，分析人员极易疲劳从 别信号与预期结果；识别库采用盲测方式，仅对
而增加人员失误的可能性。针对该问题，开展了 算法输入待识别信号，在识别完成后对识别结果
基于机器学习的传热管涡流智能信号识别技术 进行考核与评价。单次识别过程结束后，也会根
据识别效率、正确率等指标进行反馈与评价，进
研究。此项目研究数据来源以核电站役前 / 在役
而执行下一步算法优化或增加训练内容。
检查为主，重点探索蒸汽发生管的自然缺陷的
智能识别。借助有限元数值仿真软件 COMSOL 不同数据集的传热管缺陷识别结果如表 1 所
Multiphysics，对不同种类的自然缺陷进行建模、 示，实测结果表明：信号识别模块运行准确率已
网格剖分、物理场设置以及边界条件设置（见图2）。 部分满足项目要求，后续将进一步扩充数据库规
56
