Page 34 - 无损检测2025年第一期
P. 34
齐卜弘，等：
基于贝叶斯优化的 BiLSTM 小管径弯管漏磁缺陷识别
图 6 不同尺寸一般金属损失的漏磁仿真轴向分量信号
图 7 不同类型缺陷的仿真漏磁检测信号
表2 小管径弯管缺陷特征量信息 800，缺陷的编号作为输出进行训练和测试，得到缺
信号特征名称 径向分量符号 轴向分量符号 陷识别结果的混淆矩阵如图9所示。
峰峰值
由于参数设置具有一定的盲目性，因此，使用贝
H 1
H 2
峰间距 L 1 L 2
叶斯优化对BiLSTM的初始学习率和隐藏层数进行
半高宽 W 1 W 2
峰面积 S 1 S 2 优化，隐层数和初始学习率的优化范围分别为[10，
波形能量 E 1 E 2 20]和[10 − 3 ，10 − 2 ]，迭代次数预设为 14，贝叶斯优
且每次训练输入样本的顺序随机。 化迭代过程示意如图10所示，经过多次优化后模型
将数据代入BiLSTM神经网络，隐藏层数初始 性能达到最优，其缺陷识别结果的混淆矩阵如图11
设置为4，初始学习率预设为0. 01，迭代次数设置为 所示。
图 8 波形曲线特征量定义示意
4
2025 年 第 47 卷 第 1 期
无损检测
