CN107515253B - 基于卷积神经网络的梁结构缺陷非接触定量诊断方法 - Google Patents

基于卷积神经网络的梁结构缺陷非接触定量诊断方法 Download PDF

Info

Publication number
CN107515253B
CN107515253B CN201710556077.0A CN201710556077A CN107515253B CN 107515253 B CN107515253 B CN 107515253B CN 201710556077 A CN201710556077 A CN 201710556077A CN 107515253 B CN107515253 B CN 107515253B
Authority
CN
China
Prior art keywords
neural networks
convolutional neural
frequency
girder construction
defect
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710556077.0A
Other languages
English (en)
Other versions
CN107515253A (zh
Inventor
赵栓峰
从博文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Science and Technology
Original Assignee
Xian University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian University of Science and Technology filed Critical Xian University of Science and Technology
Priority to CN201710556077.0A priority Critical patent/CN107515253B/zh
Publication of CN107515253A publication Critical patent/CN107515253A/zh
Application granted granted Critical
Publication of CN107515253B publication Critical patent/CN107515253B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于卷积神经网络的梁结构缺陷非接触定量诊断方法，诊断方法及过程为：用激光多普勒非接触方法测量梁上若干点在随机激励下的弱振动时域信号，将其任何非共线三点的随机振动信号相加，然后进行快速傅里叶变换生成频率谱，将频率谱由连续小波变换(CWT)转化生成频率‑尺度分布图。梁结构损伤的定量评价结果可以通过输入梁结构表面上任何非共线三点振动数据的频率‑尺度分布图到训练好的的卷积神经网络(CNN)中，让神经网络给出梁缺陷程度的评判结果。

Description

基于卷积神经网络的梁结构缺陷非接触定量诊断方法
技术领域
本发明涉及一种基于卷积神经网络的梁结构缺陷非接触定量诊断方法，属于激光检测与计量和图像处理领域。
背景技术
梁结构被广泛应用于机械工程、土木工程、航空航天等领域，在服役过程中，由于环境温度、长期的机械载荷和各类腐蚀条件的影响，它将不可避免地产生缺陷损伤，导致梁结构的损坏甚至断裂，造成财产的巨大损失和不可估量的灾难性事故。梁结构的快速定量诊断日益成为一个重要的研究课题。传统梁缺陷识别方法需要在梁结构上附加传感器进行测量，附加质量引起薄壁小结构梁的测量结果误差较大，而且测量点的信息不能被完全利用。基于激光多普勒效应的微振动测量不需要额外的传感器，由于其高分辨率和灵敏度、响应时间快、效果好等优点在振动测量领域取得了广泛研究。卷积神经网络是近年发展起来的一种特殊的深层神经网络模型，能够自提取特征，具有高效图像识别能力，主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。基于以上激光多普勒效应的微振动测量和卷积神经网络的特点，本发明提出一种基于卷积神经网络和激光多普勒效应非接触传感的梁缺陷定量诊断方法，利用激光多普勒测振效应获得梁结构表面上若干点在随机激励下的振动时域信号，利用快速傅里叶变换和连续小波变换将梁表面任何不共线的三点随机时域振动信号转换成为二维频率-尺度图，将梁缺陷的定量诊断问题转换为图像识别与分类问题，该方法有望帮助解决服役状态下的梁结构缺陷在线实时评估问题。
发明内容
本发明的目的是提供一种基于卷积神经网络和激光多普勒效应非接触传感的梁缺陷定量诊断方法，利用卷积神经网络和激光多普勒非接触式传感测量对梁缺陷进行定量诊断，展现出高精度，高灵敏度，高效率等优点。
本发明的技术方案是：一种基于卷积神经网络的梁结构缺陷非接触定量诊断方法，其特征是，诊断方法及过程为：基于激光多普勒效应测量待测梁上若干点在随机激励下的弱振动时域信号，将其任何非共线三点的随机振动时域信号相加，然后进行快速傅里叶变换生成频率谱，将频率谱由连续小波变换(CWT)转化生成频率-尺度分布图。梁结构损伤的定量评价结果可以通过输入梁结构表面上任何非共线三点振动时域信号的频率-尺度分布图到训练好的的卷积神经网络(CNN)中，让神经网络给出梁缺陷程度的评判结果。
本发明的具体技术方案如下：
(1)基于激光多普勒效应测量待测梁上若干点在随机激励下的弱振动时域信号。
(2)选取梁结构表面上任何非共线三点随机振动时域信号并将其求和，然后做快速傅里叶变换得到频率谱，对频率谱做连续小波变换生成频率-尺度分布图。
(3)在利用卷积神经网络对梁的缺陷进行诊断前，需要对卷积神经网络进行训练，将训练样本输入到卷积神经网络，对网络进行训练，获得输出和输入之间的映射关系；训练样本的来源可以通过物理模拟、现场收集、仿真模拟等手段取得；用正确率、敏感度、特异性和精确率对卷积神经网络的评估效果进行评价，当准确率达到要求时，就可以利用该网络完成梁的定量诊断。
(4)将待测梁的频率-尺度分布图输入训练好的卷积神经网络就可以对梁的缺陷程度进行定量评估。
本发明优点：本发明采用一种基于卷积神经网络和激光多普勒效应非接触传感的梁缺陷定量诊断方法，釆用高分辨率、高灵敏度、响应时间快和效果好的激光多普勒效应的微振动测量，在振动梁上不附加额外传感器，不仅极大简化了振动测量装置的复杂结构，使测量系统具有更大的灵活性，而且能够有效克服现有振动测量技术中实时性差、测量结果不精确等问题。将振动信号经过连续小波变换转换为二维频率-尺度分布图输入到卷积神经网络进行梁缺陷定量诊断，由于卷积神经网络的自提取特征能力，图像直接作为输入不需要前期预处理，使得从振动数据中提取特征的复杂度大大降低，而且卷积神经网络在处理二维图像问题上，特别是识别位移、缩放及其它形式扭曲不变性的应用上具有良好的鲁棒性和运算效率。利用卷积神经网络和激光多普勒非接触式传感测量对梁缺陷进行定量诊断，展现出高精度，高灵敏度，高效率等优点。
附图说明
图1是缺陷梁定量诊断方法结构图。
图2是卷积神经网络结构图。
图3是不同缺陷等级的频率-尺度分布图。
具体实施方式
下面将结合附图对本发明内容进一步说明，但本发明的实际方法并不仅限于下述的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明公开了一种基于卷积神经网络和激光多普勒效应非接触传感的梁缺陷定量诊断方法，下面结合附图对本发明进行详细的说明。
本发明具体工作方法流程图如图1所示，由两大部分组成：一部分是随机振动信号采集，基于激光多普勒效应采集随机振动下缺陷梁上若干点的振动时域信号；另一部分是基于卷积神经网络的梁缺陷定量诊断算法。该实施例将梁缺陷分为六个等级(缺陷种类依次为：无，特小，小，中，大，特大)。
1、梁表面随机振动的非接触测量。基于激光多普勒效应的振动测量光学路径如图1所示。由激光光束分束器BS1发出的光被分为“参考光”和“对象光”。对象光穿过BS3光束分束器，通过透镜集中在振动的对象上。反向散射光由BS3传到BS2。参考光从BS1传到镜子并经其反射到布拉格盒，布拉格盒也被称为声光调制器(AOM)使用声光效应产生的衍射和光频移。被测物体的反射光束和参考光束在BS2调强，混合多普勒效应引起频率差异。最后，由光电探测器PD1和PD2将光信号转换为电信号。激光多普勒测振原理在于从运动物体反射回来的反射光会带有运动着的物体本身的振动特性，即多普勒频移。
式中，ΔfD表示激光经振动着的物体反射后所发生的多普勒频移，V是物体的运动速度，λ是激光波长。由此可知，激光多普勒测振原理就是基于测量从物体表面微小区域反射回的相干激光光波的多普勒频率ΔfD，进而确定该测点的振动速度V。
基于上述光学基本理论，激光多普勒测振原理如图1所示，由激光器发出频率为f的激光束经分光镜入射到被测表面，由于测量表面的振动，反射光将产生多普勒频移ΔfD，频率为f+fr的参考光束和频率为f+ΔfD反射光经反光镜反射共同投射到光电探测器上产生了拍频信号，经过电子信号处理系统，最后得到频率为ΔfD-fr拍频的电信号，由于参考光束增加的fr已知，所以，对输出信号ΔfD-fr进行分析和处理就可得到所需的物体振动信号。
2、选取梁表面上任何非共线三点振动数据，由连续小波变换转化生成频率-尺度分布图。为了避免激光照射点位于模态节点上造成频率分布信息损失，以任何非共线三点的随机激励振动的总和作为输入信号，用傅里叶变换(FFT)把它所载的缺陷信息从时间域转换到频率域。
为了充分提取梁测量点所载缺陷信息的频率分布特征，对傅里叶变换的序列S(k)进行连续小波变换。振动信息扩展到频率尺度平面上。连续小波变换作为频率窗口变量的多分辨率分析工具，可以更详细说明缺陷梁信息频率分布特征。
连续小波变换的原理是：
假设函数如果它的傅立叶变换满足条件：
被称为母小波或基小波，母小波经平移和伸缩后可以得到一个窗函数，其表达式为：
a为尺度因子,b为平移因子，尺度因子a用于缩放小波变换，平移因子b用于改变窗口在频率轴上的位置，则傅里叶变换生成序列S(k)的连续小波变换定义为:
3、将获得的频率-尺度分布图调整大小为32*32，划分为训练样本和测试样本，设计卷积神经网络如图2，将训练样本输入到卷积神经网络，对网络进行训练，获得输出和输入之间的映射关系。卷积神经网络的训练过程包括两个阶段：前向传播和反向传播。前向传播是将训练样本输入到网络，网络进行输出。反向传播是计算网络的输出与理想的输出误差，然后回传得到每个层的误差，然后使用随机梯度下降法来调整网络参数，直至网络收敛或达到指定的迭代终止条件误差值。
4.将测试样本输入到训练好的卷积神经网络，输出正确率、敏感度、特异性和精确率作为对缺陷梁定量诊断识别分类的评价指标，以证明该发明一种基于卷积神经网络和激光多普勒效应非接触传感的梁缺陷定量诊断方法的优越性。
本发明设计的卷积神经网络结构如图2所示：输入层是一个大小为32*32的频率-尺度分布图。C1层是卷积层包含6个特征图，使用的卷积核大小为5*5，每个特征图(32-5+1)*(32-5+1)就是28*28个神经元，每个连接到输入层5*5大小的区域。S2层是具有六个特征图的下采样层，特征图每个神经元连接到C1层所对应的2*2大小区域。S2层每个神经元的值等于这四个输入相加，乘以训练参数，再加上偏置参数。其结果将由sigmoid函数计算。同样，C3层也是卷积层，其卷积内核大小是5*5。在C3层每个特征图的神经元数目是(14-5+1)*(14-5+1)等于10*10。C3有16个特征图，每个特征图是上层的特征图的不同组合。S4层是下采样层，包括16特征图5*5，其中每个连接到对应的C3层2*2大小区域。C5层也是卷积核大小为5*5卷积层，包含120个特征图，每个特征图有(5-5+1)*(5-5+1)等于1的神经元，每个单元连接对应的S4层16个特征图内5*5大小的区域。F6层有84个特征图(取决于输出层的设计)，每个特征图只有一个神经元连接到C5层。输出层由欧式径向基函数组成，梁的缺陷按大小分为6个等级，所以它需要6个神经元，每个神经元有84个输入。
上述具体实施方式用来解释本发明，而不是对本发明进行限制，在本发明精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。

Claims (3)

1.一种基于卷积神经网络的梁结构缺陷非接触定量诊断方法，其特征是，诊断方法及过程为：
(1)基于激光多普勒效应测量待测梁上若干点在随机激励下的弱振动时域信号；
(2)选取梁结构表面上任何非共线三点随机振动时域信号并将其求和，然后做快速傅里叶变换得到频率谱，对频率谱做连续小波变换生成频率-尺度分布图；
(3)在利用卷积神经网络对梁的缺陷进行诊断前，对卷积神经网络进行训练，用正确率、敏感度、特异性和精确率对卷积神经网络的评估效果进行评价，当准确率达到要求时，利用该网络完成梁的定量诊断；
(4)将待测梁的频率-尺度分布图输入训练好的卷积神经网络对梁的缺陷程度进行定量评估。
2.如权利要求1所述的基于卷积神经网络的梁结构缺陷非接触定量诊断方法，其特征是步骤(3)卷积神经网络的训练过程包括两个阶段：前向传播和反向传播，前向传播是将训练样本输入到网络，网络进行输出；反向传播是计算网络的输出与理想的输出误差，然后回传得到每个层的误差，然后使用随机梯度下降法来调整网络参数，直至网络收敛或达到指定的迭代终止条件误差值。
3.如权利要求1所述的基于卷积神经网络的梁结构缺陷非接触定量诊断方法，其特征是步骤(2)连续小波变换的过程为：以任何非共线三点的随机振动时域信号的总和作为输入信号，用傅里叶变换把输入信号所载的缺陷信息从时间域转换到频率域，对傅里叶变换的序列S(k)进行连续小波变换生成频率-尺度分布图；
则连续小波变换定义为:
其中被称为母小波或基小波，母小波经平移和伸缩后得到一个窗函数，其表达式为：
其中a为尺度因子,b为平移因子，尺度因子a用于缩放小波变换，平移因子b用于改变窗口在频率轴上的位置。
CN201710556077.0A 2017-07-10 2017-07-10 基于卷积神经网络的梁结构缺陷非接触定量诊断方法 Active CN107515253B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710556077.0A CN107515253B (zh) 2017-07-10 2017-07-10 基于卷积神经网络的梁结构缺陷非接触定量诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710556077.0A CN107515253B (zh) 2017-07-10 2017-07-10 基于卷积神经网络的梁结构缺陷非接触定量诊断方法

Publications (2)

Publication Number Publication Date
CN107515253A CN107515253A (zh) 2017-12-26
CN107515253B true CN107515253B (zh) 2019-11-15

Family

ID=60722416

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710556077.0A Active CN107515253B (zh) 2017-07-10 2017-07-10 基于卷积神经网络的梁结构缺陷非接触定量诊断方法

Country Status (1)

Country Link
CN (1) CN107515253B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256488A (zh) * 2018-01-19 2018-07-06 中国人民解放军陆军装甲兵学院 一种基于微多普勒特征提取和深度学习的雷达目标识别方法
CN110045015B (zh) * 2019-04-18 2021-09-07 河海大学 一种基于深度学习的混凝土结构内部缺陷检测方法
CN111060591B (zh) * 2019-12-06 2020-09-22 北京瑞莱智慧科技有限公司 基于空洞卷积网络的金属零件疲劳监测方法及系统
CN112964789B (zh) * 2021-01-30 2023-06-06 江苏省特种设备安全监督检验研究院 一种声学与图像信息相融合的动态点蚀智能评价方法
CN114578308B (zh) * 2022-03-08 2024-04-16 桂林电子科技大学 一种基于混合多普勒的旋翼目标特征提取方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1191968A (zh) * 1998-01-14 1998-09-02 西安交通大学 基于扭振的回转机械状态监测方法
CN104198184A (zh) * 2014-08-11 2014-12-10 中国人民解放军空军工程大学 基于第二代小波变换与bp神经网络的轴承故障的诊断方法
JP2016023537A (ja) * 2014-07-24 2016-02-08 国立研究開発法人土木研究所 たわみ計測方法およびたわみ計測装置
CN105784841A (zh) * 2015-01-14 2016-07-20 东芝泰格有限公司 构造物变形检测装置
CN106930770A (zh) * 2017-02-06 2017-07-07 西安科技大学 基于卷积神经网络的盾构机护盾间隙估计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1191968A (zh) * 1998-01-14 1998-09-02 西安交通大学 基于扭振的回转机械状态监测方法
JP2016023537A (ja) * 2014-07-24 2016-02-08 国立研究開発法人土木研究所 たわみ計測方法およびたわみ計測装置
CN104198184A (zh) * 2014-08-11 2014-12-10 中国人民解放军空军工程大学 基于第二代小波变换与bp神经网络的轴承故障的诊断方法
CN105784841A (zh) * 2015-01-14 2016-07-20 东芝泰格有限公司 构造物变形检测装置
CN106930770A (zh) * 2017-02-06 2017-07-07 西安科技大学 基于卷积神经网络的盾构机护盾间隙估计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Nondestructive Damage Assessment of Composite Structures Based on Wavelet Analysis of Modal Curvatures: State-of-the-Art Review and Description of Wavelet-Based Damage Assessment Benchmark;Andrzej Katunin;《Shock and Vibration》;20151231;第1-19页 *
Wavelet Processing of Continuous Scanning Laser Doppler Vibrometry data in Non-Destructive Testing;P Chiariotti et al.;《Journal of Physics: Conference Series》;20151231;第658卷;第1-13页 *
用激光多普勒测振仪检查轴承的表面缺陷;R.Valliapua 等;《国外计量》;19921231(第3期);第5-8页 *

Also Published As

Publication number Publication date
CN107515253A (zh) 2017-12-26

Similar Documents

Publication Publication Date Title
CN107515253B (zh) 基于卷积神经网络的梁结构缺陷非接触定量诊断方法
CN112781634B (zh) 一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感系统
WO2015154313A1 (zh) 高速多尺度振动和形变检测装置及方法
CN102840964A (zh) 大口径、长焦距平行光管焦点实时监测系统
CN106618496A (zh) 全光学光声多普勒横向流速测量方法及装置
CN103558412A (zh) 用于流场的干涉瑞利散射测速装置
CN105424653A (zh) 用集成光纤探头的水果果肉组织光学特性检测系统和方法
CN108279317A (zh) 一种空间滤波测速传感器装置及提高测速精度的方法
Zhao et al. Quantitative diagnosis method of beam defects based on laser Doppler non-contact random vibration measurement
CN102788678B (zh) 一种海洋湍流参数的非接触测量方法及系统
CN109085601B (zh) 一种用于弹道靶的高速模型速度连续测量装置及方法
CN110686853A (zh) 聚焦激光差分干涉仪及非介入式测量风洞流场密度脉动的方法
CN102927923B (zh) 一种高精度纳米间距检测装置及检测方法
CN104111243A (zh) 一种荧光比率测量系统及方法
US9582883B2 (en) Method and apparatus for remote sensing and comparing utilizing radiation speckle
Sheng et al. Defects localization using the data fusion of laser Doppler and image correlation vibration measurements
CN103744269B (zh) 光刻投影物镜波像差和成像最佳焦面的检测方法
CN113820051B (zh) 材料的互补干涉应力测量装置
Naughton et al. Oil-film interferometry measurement of skin friction-analysis summary and description of matlab program
Šmíd et al. Speckle correlation method used to measure object's in-plane velocity
CN205581024U (zh) 透射型合成孔径数字全息术的光学元件表面疵病检测装置
CN103217871B (zh) 基于相位环空间像主成分分析的投影物镜波像差检测方法
JP3799453B2 (ja) 内部温度分布測定装置及び内部温度分布測定方法
CN113238076A (zh) 一种基于深度学习的复杂流场测量方法与系统
CN114858060A (zh) 基于同轴激光三角法与显微成像的位移传感器及应用

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant