CN105160359A - 一种基于超声导波的复杂结构损伤协同识别方法 - Google Patents

Abstract

本发明涉及一种基于超声导波的复杂结构损伤协同识别方法，该方法包括初步识别机制和反馈决策机制。其中初步识别机制用于实现各类复杂结构损伤类型的初步判别，反馈决策机制用于实现损伤识别结果的优化，有效提高识别率。在初步识别机制中，采用了面向超声导波特性的特征量提取方法，从信号的时域、频域、细节特征综合分析损伤信号以获取相应的特征量；并构建了3层“输入单元层——序参量层——输出单元层”的损伤协同识别网络模型。在对复杂结构损伤初步识别的基础上引入了反馈决策机制，采用了基于类内类间平均距离的特征量评估，选取出了最适合于协同训练的损伤特征量；并利用信息叠加方法进行了原型特征向量重构，有效降低了误识别率。

Description

一种基于超声导波的复杂结构损伤协同识别方法

技术领域

本发明涉及无损检测技术领域，特别涉及一种基于超声导波的复杂结构损伤协同识别方法。

背景技术

在运输、输电线路、桥梁及房屋建筑等各领域中，往往需要采用各类复杂长状类结构，如绞线、管道、钢丝绳等，这些复杂结构在工作中往往会长期受到外部环境和承载力变化的影响，从而在使用过程中产生各种损伤，如磨损、锈蚀、断股等，这些损伤会危及到人员和设备财产的安全。不同的损伤会造成不同的影响，而各类型的损伤也有着其对应的处理方案，这就要求检测系统能够对不同类型的损伤进行快速有效的分类识别。传统的结构损伤识别方法已远远不能满足高速发展下提出的损伤识别需求。因此，涌现了基于射线、红外摄像、电磁通等一系列损伤识别方法。虽然在识别率方面有一定提升，但大都采用了传统的神经网络，而且往往需要大量的检测样本进行训练，这使得现有的识别方法受到了极大挑战，其新方法的研究也一直是结构健康监测学科的前沿问题。

同时，随着检测技术的不断发展，超声导波由于其激励信号可设可控、传播距离远及安装方便等优点，在结构健康监测领域越来越受业界人士重视，特别适用于绞线、管道等长状类复杂特殊结构的损伤检测。然而在这些复杂结构中，超声导波的传输存在着明显的频散、多模态、多路径延迟等现象，即无序状态，导致激励信号难以在复杂结构对象的另一端对损伤位置和形状等信息进行有效的定量表征。因此，如何从宏观角度进行探索，研究基于超声导波的复杂结构损伤识别方法是亟待解决的问题。

现如今，基于协同学理论的识别决策技术凭借其预处理及特征提取简单，不必要进行细节特征提取和选择的过程，且具备一定的抗干扰和抗噪声性能等优点，近年来引起了国内外学者的高度关注，在人脸识别、字符识别、交通状态识别等模式识别研究领域得到快速的发展。因此，面对复杂结构损伤识别中出现的问题以及超声导波的特殊传输特性，如何将协同识别理论引入到其损伤识别中是值得探索的一条新途径，并具有重要的学术价值和实际意义。

目前，国内外学者已证明了超声导波结合协同学理论在大型复杂结构损伤识别新领域中的可行性，并在管道损伤识别中进行了初步研究。然而，由于复杂结构所处的外部复杂工作环境往往存在着较大的噪声，条件极端化、结构复杂化都对超声导波的检测信号带来极大的干扰。同时，由于在超声导波接收信号中所提取的特征值类与类之间并不存在很明确的界限，因此往往不可避免地会出现误识别的情况。故此，在初步识别的基础上，引入闭环反馈机制以提高修正误识别样本，实现绞线结构的高精度和高准确率的损伤识别，也是各类复杂长状类结构损伤识别方法今后非常重要的研究方向。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于超声导波的复杂结构损伤协同识别方法。

本发明的目的通过下述技术方案实现：

一种基于超声导波的复杂结构损伤协同识别方法，包括初步识别机制和反馈决策机制，其中，所述初步识别机制采用面向超声导波特性的特征量提取方法，并建立了损伤协同识别网络模型，用于实现各类复杂结构损伤类型的初步判别；

所述反馈决策机制采用特征量评估和原型特征向量重构，用于实现损伤识别结果的优化，有效降低了误识别率。

该基于超声导波的复杂结构损伤协同识别方法有较强的抗干扰能力，解决了传统识别方法存在的准确识别率低、识别速度较慢等不足。

优选的，所述初步识别机制包括下列步骤：

S11、在不同结构状态下，采集原始超声导波接收信号，作为训练样本信号；

S12、对所述训练样本信号进行特征量提取，构造出属于不同损伤类型的特征向量；

S13、经过零均值和归一化预处理过程，将所述特征向量传输至所述损伤协同识别网络模型的输入单元进行训练；

S14、确定训练样本之后，在外部条件改变情况下，实时采集外部被测信号样本；

S15、对所述实时采集的被测信号样本进行特征量提取，并构造特征向量作为被测样本，同样传输至所述损伤协同识别网络模型；

S16、经过序参量的动力演化过程，所述损伤协同识别网络模型输出获胜的序参量，上述序参量对应损伤识别结果；

S17、判别所述损伤识别结果的正确性，如果正确，则直接输出。

优选的，所述反馈决策机制包括下列步骤：

S21、如果所述步骤S17中所述损伤识别结果错误，则将所述所述损伤识别结果进行特征量评估，筛除对损伤分类不敏感的特征量，

S22、同时进行原型特征向量重构，重组优化后的特征向量；

S23、跳转至步骤S13，将上述重组优化后的特征向量替换之前的特征向量进行重新识别，直至所述损伤识别结果正确，输出损伤识别的结果为止。

优选的，所述特征量提取是结合超声导波信号的传输特性，采用时域分析、频域分析、小波基分解及EMD分解的“四综合”分析方法，从超声导波信号的时域、频域、变换域分析损伤信号以获取相应的15类特征量，实现各类复杂结构的损伤信息提取过程，具体包括下列步骤:

S31、时域提取：选取超声导波接收信号的时域峰值以及波峰系数分别作为第一、第二类的特征量v₁,v₂；选取均方根值和方差作为第三、第四类的特征量v₃,v₄；

S32、频域提取：对超声导波接收端信号做频谱分析，选取频谱曲线峰值和频域峰值系数作为第五、第六类特征量v₅,v₆；

S33、变换域提取：用db8小波基对接收端信号做三层小波分解，取小波系数能量和小波系数均方差作为第七至第十四类特征量(v₇—v₁₄)；

S34、采用EMD经验模态分解方法分解信号样本，选取所占总能量比例最大、集中了信号最显著信息的IMF能量作为第十五类特征量v₁₅；

S34、将上述特征量构造出特征向量：V_i＝(v₁,v₂,...,v₁₅)。

优选的，所述特征量评估具体包括下列步骤：

S41、确定结构的损伤状态数量S；

S42、采集各类损伤状态下的超声导波信号样本；

S43、提取每一组所述超声导波信号样本特征值；

S44、通过对所述超声导波信号样本特征值求平均计算出同一样本中的不同损伤类别下的样本特征平均距离，首先按照公式(1)计算出同一个损伤类别中样本特征值的平均值，

$P_{m,n}=\frac{1}{S}\underset{u=1}{\overset{S}{\Σ}}{T}_{m,n}\left(u\right)---\left(1\right)$

其中，T_m,n(u)表示第n类第u个样本中提取出的第m个特征值，

之后，按照公式(2)计算出不同损伤类别下的样本特征平均距离，

$d_m=\frac{1}{M(M-1)}\underset{x,y=1}{\overset{M}{\Σ}}\left|P_{m,x}-P_{n,y}\right|---\left(2\right);$

S45、按照公式(3)和公式(4)计算出不同样本中的同一特征值在各种损伤状态之间的平均距离，

$d_{m,n}=\frac{1}{S(S-1)}\underset{u\≠v}{\overset{S}{\underset{u,v=1}{\Σ}}}|T_{m,n}\left(u\right)-T_{m,n}\left(v\right)|---\left(3\right)$

${d^{\′}}_m=\frac{1}{M}\underset{m=1}{\overset{M}{\Σ}}{d}_{m,n}---\left(4\right);$

S46、按照公式(5)计算出损伤特征量的评估因子:

$F_m=\frac{d_m}{d_m^{\′}}---\left(5\right),$

计算得出的所述评估因子F_m值越大则表明其所对应的特征值越敏感，即对复杂结构的损伤状态可以进行更好地分类；

S47、筛除评估因子F_m值较小的特征量。

优选的，所述原型特征向量重构具体包括下列步骤：

S51、确定误识别的原型特征向量V_i；

S52、确定修正力度参数r，其代表原型模式和待识别向量之间的差异，可通过实验数据不断比较r取值对结果的优化效果；

S53、通过公式(6)对所述原型特征向量V_i进行修正重构，

V_i′＝V_i×(1-r)+q×r,r∈(0，1)(6)；

S54、将上述修正重构后的V_i′输入到所述损伤协同识别网络模型中重新训练；

S55、利用所述反馈决策机制逐一将误识别的样本个体进行修正，以提升结构损伤识别的可靠性。

优选的，所述损伤协同识别网络模型共分为“输入单元层——序参量层——输出单元层”3层，所述输入单元层中每个单元接收所需要的在线输入被测复杂结构的超声导波接收信号特征向量；所述输入单元层中每个单元通过合作将结果投射到所述序参量层的序参量中，其中各个序参量进行竞争，通过若干步迭代后认知网络收敛达到稳定，即说明某个序参量役使系统进入到定常状态；最后被识别出的损伤特征向量输出投影到所述输出单元层输出结果，所胜出的序参量即对应识别出的结构损伤状态。

本发明相对于现有技术具有如下的优点及效果：

1)针对复杂长状类结构，能够有效地、全面地提取损伤特征信息；

2)利用协同识别网络模型能进行识别结果的实时输出，大大提高了识别速度；

3)能够在有效识别结构损伤的基础上进行反馈决策再识别，显著提高了损伤识别率；

4)具有较强的抗干扰和抗噪声的性能，能够克服识别结果易受外界环境干扰、需要大量识别样本等不足，为复杂长状类结构在更为复杂环境下的损伤识别奠定基础。

附图说明

图1是本发明的方法执行图；

图2是本发明的超声导波检测原理图；

图3是本发明的基于超声导波的复杂结构损伤特征量提取流程图；

图4是本发明的损伤协同识别网络模型图；

图5是本发明的基于类内类间平均距离方法的特征量评估流程图；

图6是本发明的基于信息叠加原理的原型向量重构流程图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例

参见图1，图1为一种基于超声导波的复杂结构损伤协同识别方法执行图。该方法主要包括初步识别机制和反馈决策机制。其中初步识别机制采用了面向超声导波特性的特征量提取方法，并建立了损伤协同识别网络模型，用于实现各类复杂结构损伤类型的初步判别。反馈决策机制结合了特征量评估和原型特征向量重构，用于实现损伤识别结果的优化。

其中，特征量提取方法主要采用了时域分析、频域分析、小波包分解及EMD分解等方法，实现复杂结构的损伤信息提取过程。损伤协同识别网络模型中，构建了3层”输入单元层——序参量层——输出单元层”的结构识别模型，通过在线输入被测超声导波损伤信号特征向量，即可实时将识别结果输出。

特征量评估采用了基于类内类间平均距离的方法，计算出评估因子F_m，以选取出最适合于训练的损伤特征量。原型特征向量重构采用了基于信息叠加原理的方法，对误识别的原型特征向量V进行逐步重构，从而逐一将误识别的样本个体进行修正。

一种基于超声导波的复杂结构损伤协同识别方法，具体执行步骤如下：

1)首先在不同结构状态下，采集原始超声导波接收信号，作为训练样本信号；

2)之后，对训练样本信号进行特征量提取，构造出属于不同损伤类型的特征向量；

3)随后经过零均值和归一化预处理过程，特征向量传输至损伤协同识别网络模型的输入单元进行训练；

4)确定训练样本之后，采集被测信号样本。即在外部条件改变情况下，实时采集外部信号；

5)同样对实时采集的信号进行特征量提取，并构造特征向量作为被测样本，同样传输至网络模型；

6)经过序参量的动力演化过程，识别模型输出获胜的序参量，即对应的损伤识别结果；

7)判别识别结果的正确性。如果正确，则直接输出；

8)如果识别结果错误，则将识别结果输入到反馈决策机制中进行特征量评估，筛除对损伤分类不敏感的特征量，同时进行原型特征向量重构，重组优化后的特征向量；

9)跳转至步骤3)，将重组优化后的特征向量替换之前的特征向量进行重新识别，直至识别结果正确为止，输出损伤识别的结果。

参见图2，为超声导波检测原理图。在复杂长状型结构的两端采用压电材料换能器分别作为发射端和接收端。首先在发射端激发超声导波，导波在结构内部与材料的微结构相互作用后继续传播，通过损伤区域后到达置于复杂长状型结构的另一端的一个或多个接收端，之后用信号采集卡对超声导波接收信号进行采集，该信号包含了损伤的信息，从而可以进行特征值的提取过程。

参见图3，为基于超声导波的复杂结构损伤特征量提取流程图。在线输入的结构损伤特征向量需要通过时频分析与处理之后进行提取。本发明从接收信号的时域、频域、细节特征来分析损伤信号，采用“四综合”分析方法获取15类特征值，具体处理流程如下：

1)时域提取：选取超声导波接收信号的时域峰值以及波峰系数分别作为第一、第二类的特征量v₁,v₂；选取均方根值和方差作为第三、第四类的特征量v₃,v₄；

2)频域提取：对超声导波接收端信号做频谱分析，选取频谱曲线峰值和频域峰值系数作为第五、第六类特征量v₅,v₆；

3)变换域提取：用db8小波基对接收端信号做三层小波分解，取小波系数能量和小波系数均方差作为第七至第十四类特征量(v₇—v₁₄)；

4)采用EMD经验模态分解方法分解信号样本，选取所占总能量比例最大、集中了信号最显著信息的IMF能量作为第十五类特征量v₁₅；

5)将上述特征量构造出特征向量：V_i＝(v₁,v₂,...,v₁₅)。

如图4所示，为损伤协同识别网络模型图，该模型共分为”输入单元层——序参量层——输出单元层”3层。对于图4中的输入单元层，每个单元接收所需要的在线输入被测复杂结构的超声导波接收信号特征向量；输入单元层中每个单元通过合作将结果投射到代表序参量的第二层(即序参量层)，其中各个序参量进行竞争，通过若干步迭代后认知网络收敛达到稳定，即说明某个序参量役使系统进入到定常状态；最后被识别出的损伤特征向量输出被投影到所述输出单元层输出结果，所胜出的序参量即对应识别出的结构损伤状态。

参见图5，为基于类内类间平均距离方法的特征量评估流程图。由于不同类型的复杂结构损伤状态所属类别在特征空间中是不同的区域，因此这些区域重叠部分越小或完全没有重叠，则损伤类别的可分性越好。特征量评估的具体处理过程如下：

步骤41为确定结构的损伤状态数量S；

步骤42为采集各类损伤状态下的超声导波信号样本；

步骤43为提取每一组样本特征值；

步骤44为从特征平均值中计算出同一样本中的不同损伤类别下的样本特征平均距离；首先按照公式(1)计算出同一个损伤类别中样本特征值的平均值。其中，T_m,n(u)表示第n类第u个样本中提取出的第m个特征值:

$P_{m,n}=\frac{1}{S}\underset{u=1}{\overset{S}{\Σ}}{T}_{m,n}\left(u\right)---\left(1\right)$

之后，按照公式(2)计算出不同损伤类别下的样本特征平均距离：

$d_m=\frac{1}{M(M-1)}\underset{x,y=1}{\overset{M}{\Σ}}\left|P_{m,x}-P_{n,y}\right|---\left(2\right)$

步骤45为计算出不同样本中的同一特征值在各种损伤状态之间的平均距离：

$d_{m,n}=\frac{1}{S(S-1)}\underset{u\≠v}{\overset{S}{\underset{u,v=1}{\Σ}}}|T_{m,n}\left(u\right)-T_{m,n}\left(v\right)|---\left(3\right)$

${d^{\′}}_m=\frac{1}{M}\underset{m=1}{\overset{M}{\Σ}}{d}_{m,n}---\left(4\right)$

步骤46为计算出损伤特征量的评估因子:

$F_m=\frac{d_m}{d_m^{\′}}---\left(5\right)$

计算出的评估因子F_m值越大则表明其所对应的特征值越敏感，即对复杂结构的损伤状态可以进行更好地分类。

步骤47为筛除评估因子F_m值较小的特征量。评估过程能够针对不同损伤状态选择其相应的敏感特征，从而筛除对识别训练无用甚至影响效果的特征值。

参见图5，为基于信息叠加原理的原型向量重构流程图。由于原型模式具有一定的信息叠加能力，因此将采集到的超声导波接收信号样本特征向量q输入到协同识别网络模型中，如果q本对应第i个原型特征向量，而结果却被误识别成属于第j个原型损伤模式。

步骤51为确定误识别的原型特征向量V_i。

步骤52为确定修正力度参数r，其代表原型模式和待识别向量之间的差异，可通过实验数据不断比较r取值对结果的优化效果。

步骤53对该原型特征向量V_i进行修正。

V_i′＝V_i×(1-r)+q×r,r∈(0,1)(6)

步骤54为将重构后的V_i′输入到网络模型中重新训练。

步骤55利用反馈机制逐一将误识别的样本个体进行修正，有效地提升结构损伤的识别正确率和可靠性。

该方法具有较强的抗干扰能力，解决了传统识别方法存在的准确识别率低、识别速度较慢等不足。在复杂环境下，实现了对绞线、管道、钢杆等各类复杂长状结构的高准确率、高效率的损伤识别过程。并从整体上分析损伤的特征，创新性地将反馈机制优化后的协同理论引入到复杂结构损伤识别领域，具有重要的学术价值和实际意义。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种基于超声导波的复杂结构损伤协同识别方法，其特征在于，包括初步识别机制和反馈决策机制，其中，所述初步识别机制采用面向超声导波特性的特征量提取方法，并建立了损伤协同识别网络模型，用于实现各类复杂结构损伤类型的初步判别；

所述反馈决策机制采用特征量评估和原型特征向量重构，用于实现损伤识别结果的优化。

2.根据权利要求1所述的一种基于超声导波的复杂结构损伤协同识别方法，其特征在于，所述初步识别机制包括下列步骤：

S11、在不同结构状态下，采集原始超声导波接收信号，作为训练样本信号；

S12、对所述训练样本信号进行特征量提取，构造出属于不同损伤类型的特征向量；

S13、经过零均值和归一化预处理过程，将所述特征向量传输至所述损伤协同识别网络模型的输入单元进行训练；

S14、确定训练样本之后，在外部条件改变情况下，实时采集外部被测信号样本；

S15、对所述实时采集的被测信号样本进行特征量提取，并构造特征向量作为被测样本，同样传输至所述损伤协同识别网络模型；

S16、经过序参量的动力演化过程，所述损伤协同识别网络模型输出获胜的序参量，上述序参量对应损伤识别结果；

S17、判别所述损伤识别结果的正确性，如果正确，则直接输出。

3.根据权利要求2所述的一种基于超声导波的复杂结构损伤协同识别方法，其特征在于，所述反馈决策机制包括下列步骤：

S21、如果所述步骤S17中所述损伤识别结果错误，则将所述所述损伤识别结果进行特征量评估，筛除对损伤分类不敏感的特征量，

S22、同时进行原型特征向量重构，重组优化后的特征向量；

S23、跳转至步骤S13，将上述重组优化后的特征向量替换之前的特征向量进行重新识别，直至所述损伤识别结果正确，输出损伤识别的结果为止。

4.根据权利要求1至3任一所述的一种基于超声导波的复杂结构损伤协同识别方法，其特征在于，所述特征量提取是结合超声导波信号的传输特性，采用时域分析、频域分析、小波基分解及EMD分解的“四综合”分析方法，从超声导波信号的时域、频域、变换域分析损伤信号以获取相应的15类特征量，实现各类复杂结构的损伤信息提取过程。

5.根据权利要求4所述的一种基于超声导波的复杂结构损伤协同识别方法，其特征在于，所述特征量提取具体包括下列步骤:

S31、时域提取：选取超声导波接收信号的时域峰值以及波峰系数分别作为第一、第二类的特征量v₁,v₂；选取均方根值和方差作为第三、第四类的特征量v₃,v₄；

S32、频域提取：对超声导波接收端信号做频谱分析，选取频谱曲线峰值和频域峰值系数作为第五、第六类特征量v₅,v₆；

S33、变换域提取：用db8小波基对接收端信号做三层小波分解，取小波系数能量和小波系数均方差作为第七至第十四类特征量(v₇—v₁₄)；

S34、采用EMD经验模态分解方法分解信号样本，选取所占总能量比例最大、集中了信号最显著信息的IMF能量作为第十五类特征量v₁₅；

S34、将上述特征量构造出特征向量：V_i＝(v₁,v₂,...,v₁₅)。

6.根据权利要求1至3任一所述的一种基于超声导波的复杂结构损伤协同识别方法，其特征在于，所述特征量评估具体包括下列步骤：

S41、确定结构的损伤状态数量S；

S42、采集各类损伤状态下的超声导波信号样本；

S43、提取每一组所述超声导波信号样本特征值；

S44、通过对所述超声导波信号样本特征值求平均计算出同一样本中的不同损伤类别下的样本特征平均距离，首先按照公式(1)计算出同一个损伤类别中样本特征值的平均值，

$P_{m,n}=\frac{1}{S}\underset{u=1}{\overset{S}{\Σ}}{T}_{m,n}\left(u\right)---\left(1\right)$

其中，T_m,n(u)表示第n类第u个样本中提取出的第m个特征值，

之后，按照公式(2)计算出不同损伤类别下的样本特征平均距离，

$d_m=\frac{1}{M(M-1)}\underset{x,y=1}{\overset{M}{\Σ}}\left|P_{m,x}-P_{n,y}\right|---\left(2\right);$

S45、按照公式(3)和公式(4)计算出不同样本中的同一特征值在各种

损伤状态之间的平均距离，

$d_{m,n}=\frac{1}{S(S-1)}\underset{u\≠v}{\overset{S}{\underset{u,v=1}{\Σ}}}|T_{m,n}\left(u\right)-T_{m,n}\left(v\right)|---\left(3\right)$

${d^{\′}}_m=\frac{1}{M}\underset{m=1}{\overset{M}{\Σ}}{d}_{m,n}---\left(4\right);$

S46、按照公式(5)计算出损伤特征量的评估因子:

$F_m=\frac{d_m}{{d^{\′}}_m}---\left(5\right),$

计算得出的所述评估因子F_m值越大则表明其所对应的特征值越敏感，即对复杂结构的损伤状态可以进行更好地分类；

S47、筛除评估因子F_m值较小的特征量。

7.根据权利要求1至3任一所述的一种基于超声导波的复杂结构损伤协同识别方法，其特征在于，所述原型特征向量重构具体包括下列步骤：

S51、确定误识别的原型特征向量V_i；

S52、确定修正力度参数r，其代表原型模式和待识别向量之间的差异，可通过实验数据不断比较r取值对结果的优化效果；

S53、通过公式(6)对所述原型特征向量V_i进行修正重构，

V_i′＝V_i×(1-r)+q×r,r∈(0，1)(6)；

S54、将上述修正重构后的V_i′输入到所述损伤协同识别网络模型中重新训练；

S55、利用所述反馈决策机制逐一将误识别的样本个体进行修正。

8.根据权利要求1至3任一所述的一种基于超声导波的复杂结构损伤协同识别方法，其特征在于，所述损伤协同识别网络模型共分为“输入单元层——序参量层——输出单元层”3层，所述输入单元层中每个单元接收所需要的在线输入被测复杂结构的超声导波接收信号特征向量；所述输入单元层中每个单元通过合作将结果投射到所述序参量层的序参量中，其中各个序参量进行竞争，通过若干步迭代后认知网络收敛达到稳定，即说明某个序参量役使系统进入到定常状态；最后被识别出的损伤特征向量输出投影到所述输出单元层输出结果，所胜出的序参量即对应识别出的结构损伤状态。