CN111060591B - 基于空洞卷积网络的金属零件疲劳监测方法及系统 - Google Patents
基于空洞卷积网络的金属零件疲劳监测方法及系统 Download PDFInfo
- Publication number
- CN111060591B CN111060591B CN201911244662.2A CN201911244662A CN111060591B CN 111060591 B CN111060591 B CN 111060591B CN 201911244662 A CN201911244662 A CN 201911244662A CN 111060591 B CN111060591 B CN 111060591B
- Authority
- CN
- China
- Prior art keywords
- fatigue
- piezoelectric
- piezoelectric signal
- convolution
- metal
- 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
Links
Images
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
- G01N29/04—Analysing solids
- G01N29/041—Analysing solids on the surface of the material, e.g. using Lamb, Rayleigh or shear waves
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
- G01N2291/0234—Metals, e.g. steel
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/04—Wave modes and trajectories
- G01N2291/042—Wave modes
- G01N2291/0423—Surface waves, e.g. Rayleigh waves, Love waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Acoustics & Sound (AREA)
- Signal Processing (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开基于空洞卷积网络的金属零件疲劳监测方法及系统,对金属对象进行无损探测,所述无损探测过程中对所述金属对象的一端施加压电信号并于金属对象的另外一端接收压电信号,所述压电信号在所述金属对象中传播形成具有时间属性和裂缝长度属性的兰博波;采用k大小的卷积核和l大小的空洞率对所述兰博波的时间序列信号f进行空洞卷积,对所述压电信号重采样并进行任务回归获得用于金属零件疲劳监测的神经网络模型。本发明将压电信号特征与用电镜原位观测得到的准确金属裂缝长度之间建立机器学习模型,通过机器学习模型只需借助简单易操作的压电信号发射接收就能够实现对反映金属疲劳程度的裂缝长度预测。
Description
技术领域
本发明涉及金属监测技术领域,具体涉及一种基于空洞卷积网络的金属零件疲劳监测方法及系统。
背景技术
兰博波(Lamb波)是一种弹性波,是由横波和纵波在拥有两个平行表面结构中互相耦合而成的。兰博波在传播的过程中,介质振动位移可分解成两个方向,即沿波传播的方向和垂直于波传播的方向。
目前,由于制造零件的金属材料具有夹杂、偏析或缺陷,或由于设计不合理,或由于加工制造的工艺不合理等,经常会使金属零件的某些部位产生应力集中,在反复的应力交变下金属零件会萌生裂缝,随着作用时间延长裂缝逐渐向纵深发展,最终导致金属零件完全断裂。裂缝长度是反映金属疲劳的重要指标。
现阶段,机械动力系统如飞机、大型机床中由于包含了重要的金属材料,需要通过对压电信号的分析得到金属裂缝的长度。传统技术方案中,通常是人工设置相关的监测参数,定期传回参数值,并根据经验公式或专家意见去判断是否会发生故障。现有技术方案基于特征提取的方法,其特征提取的效果往往不高,特征提取的方法往往严重依赖专家知识,对于一个新的机器、不同的压电信号,往往需要重新进行特征提取,从而带来监测精度不高、监测周期长等问题。
发明内容
为此,本发明实施例提供一种基于空洞卷积网络的金属零件疲劳监测方法及系统,将压电信号特征与用电镜原位观测得到的准确金属裂缝长度之间建立机器学习模型,通过机器学习模型只需借助简单易操作的压电信号发射接收,就能够实现对反映金属疲劳程度的裂缝长度预测。
为了实现上述目的,本发明提供如下技术方案:第一方面,提供一种基于空洞卷积网络的金属零件疲劳监测方法,包括以下步骤:对金属对象进行无损探测,所述无损探测过程中对所述金属对象的一端施加压电信号并于金属对象的另外一端接收压电信号,所述压电信号在所述金属对象中传播形成具有时间属性和裂缝长度属性的兰博波;
采用k大小的卷积核和l大小的空洞率对所述兰博波的时间序列信号f进行空洞卷积:
其中,τ代表卷积提取时间,t代表通过空洞卷机提取到的特征的维度;
对所述压电信号重采样并进行任务回归获得用于金属零件疲劳监测的神经网络模型;
所述神经网络模型包括:
数据层:用于存储不同疲劳状态下金属零件测量的压电信号;
递归连接层:用于对所述压电信号进行递归神经网络连接;
卷积连接层:用于采用空洞卷积网络对所述压电信号进行特征提取;
池化层:用于对提取的所述压电信号特征进行下采样;
回归层:用于对所述压电信号的特征进行全连接以输出反映所述金属零件疲劳程度的裂缝长度。
作为基于空洞卷积网络的金属零件疲劳监测方法的优选方案,所述数据层中,每个所述压电信号以所述时间序列信号f的方式存储:f=[f1,f2,…,fN],f1,f2,…,fN代表不同时间点的压电信号。
作为基于空洞卷积网络的金属零件疲劳监测方法的优选方案,所述递归连接层中,所述压电信号的每一个时间点具有一个隐含特征h,将所述隐含特征h与时间序列信号f共同输入一个递归映射g得到下一个时间点的隐含特征,即ht+1=g(ht,ft)。
作为基于空洞卷积网络的金属零件疲劳监测方法的优选方案,所述递归映射g采用逻辑斯谛函数。
作为基于空洞卷积网络的金属零件疲劳监测方法的优选方案,所述递归映射g采用长短记忆单元。
作为基于空洞卷积网络的金属零件疲劳监测方法的优选方案,所述回归层中,对反映所述金属零件疲劳程度的裂缝长度进行线性回归,所述全连接指的是每一层神经元F与下一层Fi经过激活函数进行连接:
其中wi为激活函数的系数。
第二方面,提供一种基于空洞卷积网络的金属零件疲劳监测系统,包括:
兰博波获取单元,用于对金属对象进行无损探测,所述无损探测过程中对所述金属对象的一端施加压电信号并于金属对象的另外一端接收压电信号,所述压电信号在所述金属对象中传播形成具有时间属性和裂缝长度属性的兰博波;通过所述兰博波获取单元对所述压电信号重采样;
空洞卷积单元,用于采用k大小的卷积核和l大小的空洞率对所述兰博波的时间序列信号f进行空洞卷积:
其中,τ代表卷积提取时间,t代表通过空洞卷机提取到的特征的维度;
神经网络构建单元,包括数据存储模块、递归模块、卷积模块、池化模块和回归模块,其中:
数据存储模块,用于存储不同疲劳状态下金属零件测量的压电信号;
递归模块,用于对所述压电信号进行递归神经网络连接;
卷积模块,用于采用空洞卷积网络对所述压电信号进行特征提取;
池化模块,用于对提取的所述压电信号特征进行下采样;
回归模块,用于对所述压电信号的特征进行全连接以输出反映所述金属零件疲劳程度的裂缝长度。
作为基于空洞卷积网络的金属零件疲劳监测系统的优选方案,所述数据存储模块中,每个所述压电信号以所述时间序列信号f的方式存储:f=[f1,f2,…,fN],f1,f2,…,fN代表不同时间点的压电信号。
作为基于空洞卷积网络的金属零件疲劳监测系统的优选方案,所述递归模块中,所述压电信号的每一个时间点具有一个隐含特征h,将所述隐含特征h与时间序列信号f共同输入一个递归映射g得到下一个时间点的隐含特征,即ht+1=g(ht,ft)。
作为基于空洞卷积网络的金属零件疲劳监测系统的优选方案,所述递归映射g采用逻辑斯谛函数。
作为基于空洞卷积网络的金属零件疲劳监测系统的优选方案,所述递归映射g采用长短记忆单元。
作为基于空洞卷积网络的金属零件疲劳监测系统的优选方案,所述回归模块中,对反映所述金属零件疲劳程度的裂缝长度进行线性回归,所述全连接指的是每一层神经元F与下一层Fi经过激活函数进行连接:
其中wi为激活函数的系数。
第三方面,提供一种计算机可读存储介质,所述计算机可读存储介质中存储用于基于空洞卷积网络的金属零件疲劳监测的程序代码,所述程序代码包括用于执行第一方面或其任意可能的实现方式中的基于空洞卷积网络的金属零件疲劳监测方法的指令。
第四方面,提供一种电子设备,所述电子设备包括处理器,所述处理器与存储介质耦合,当所述处理器执行存储介质中的指令时,使得所述电子设备执行第一方面或其任意可能的实现方式中的基于空洞卷积网络的金属零件疲劳监测方法。
本发明技术方案将压电信号特征与用电镜原位观测得到的准确金属裂缝长度之间建立机器学习模型,通过机器学习模型只需借助简单易操作的压电信号发射接收就能够实现对反映金属疲劳程度的裂缝长度预测。本发明技术方案可以对多种工业场景下不易处理的电信号进行处理,直接通过空洞卷积对信号进行预处理,并用于后续的预测和检测任务,通过本发明可以实现对金属零件的快速无伤检测,可以广泛应用于不同种类、不同形状的工业零件的维护任务,本发明纯数据驱动,具有自动化程度高,不需要专家知识,精度更高,预测和检测的准确性更好等优点。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例中涉及的现有技术中金属裂缝萌生的过程示意图;
图2为本发明实施例中涉及的对金属零件进行压电信号处理示意图;
图3为本发明实施例中涉及的不同裂缝长度下的压电信号反馈示意图;
图4为本发明实施例中涉及的基于空洞卷积网络的金属零件疲劳监测系统架构示意图;
图5为用于实施根据本发明实施方式的方法和系统的计算机的示意性框图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。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。
实施例1
提供一种基于空洞卷积网络的金属零件疲劳监测方法,包括以下步骤:参见图1和图2,对金属对象进行无损探测,所述无损探测过程中对所述金属对象的一端施加压电信号并于金属对象的另外一端接收压电信号,所述压电信号在所述金属对象中传播形成具有时间属性和裂缝长度属性的兰博波。随着金属表面裂缝不断的增加,接收到的压电信号会产生变化。参见图3,随着裂缝长度的增加,兰博波出现相位增加、振幅减小的总体趋势。
具体的,采用k大小的卷积核和l大小的空洞率对所述兰博波的时间序列信号f进行空洞卷积:
其中,τ代表卷积提取时间,t代表通过空洞卷机提取到的特征的维度;
对所述压电信号重采样并进行任务回归获得用于金属零件疲劳监测的神经网络模型;
所述神经网络模型包括:
数据层:用于存储不同疲劳状态下金属零件测量的压电信号;
递归连接层:用于对所述压电信号进行递归神经网络连接;
卷积连接层:用于采用空洞卷积网络对所述压电信号进行特征提取;
池化层:用于对提取的所述压电信号特征进行下采样;
回归层:用于对所述压电信号的特征进行全连接以输出反映所述金属零件疲劳程度的裂缝长度。
具体的,所述数据层中存有不同疲劳状态下金属测量的压电信号,每个所述压电信号以所述时间序列信号f的方式存储:f=[f1,f2,…,fN],f1,f2,…,fN代表不同时间点的压电信号。
具体的,所述递归连接层中,所述压电信号的每一个时间点具有一个隐含特征h,将所述隐含特征h与时间序列信号f共同输入一个递归映射g得到下一个时间点的隐含特征,即ht+1=g(ht,ft)。
具体的,所述递归映射g采用逻辑斯谛函数,逻辑斯谛函数是一种S形函数,是皮埃尔·弗朗索瓦·韦吕勒在研究人口增长时命名的,逻辑斯谛函数可以模仿金属裂缝增长的S形曲线,起初阶段大致是指数增长,然后随着开始变得饱和,增加变慢,最后,达到成熟时增加停止。
此外,递归映射g也可以采用长短记忆单元,长短记忆单元能够实现将本次有选择的记忆用到下一次的递归工作中,长短记忆单元中最核心是控制记忆的元胞状态C,C是一个矩阵,可以用来和输入做内积,用实际的数字控制输入哪些该遗忘,哪些该记忆。长短记忆单元可以对元胞状态添加或者删除信息,这种能力通过一种叫门的结构来控制。门是一种选择性让信息通过的方法,由一个Sigmoid神经网络层和一个元素级相乘操作组成。Sigmoid层输出0~1之间的值,每个值表示对应的部分信息是否应该通过。0值表示不允许信息通过,1值表示让所有信息通过。
具体的,所述回归层中,对反映所述金属零件疲劳程度的裂缝长度进行线性回归,所述全连接指的是每一层神经元F与下一层Fi经过激活函数进行连接:
其中wi为激活函数的系数。
本发明实施例首先针对裂缝萌生的过程,使用压电信号的方式对带有不同裂缝的金属零件进行无损探测,在金属零件的一端施加压电信号,在另一端接收压电信号,这种在固体介质中传播的压电信号也即是本方案中的述及的兰博波,随着金属零件表面裂缝不断的增加,接收到的电信号会产生变化。如图3所示,随着裂缝长度的增加,兰博波出现相位增加、振幅减小的总体趋势。传统的方法示根据不同的区间,并提取相位特征。在一整段信号中,提取这一方法的缺点是严重依赖专家知识、效果不突出。本技术方案根据周期信号的特点,使用了基于空洞卷积网络的特征提取和学习方法,针对一个时间序列信号f,使用k大小的卷积核和l大小的空洞率,则空洞卷积可以定义为间隔l长度对原信号取卷积,按照以上方法提取卷积之后,将上述信号叠加多层卷积操作,或者增加全连接网络操作,并输出结果。其中全连接操作指的是每一层神经元F与下一层Fi都经过激活函数进行连接。在完成使用空洞卷积网络对兰博波的自动特征提取之后,后续对信号进行重采样并进行后续的回归任务,最终获得用于金属零件疲劳监测的神经网络模型。本发明技术方案可以对多种工业场景下不易处理的电信号进行处理,直接通过空洞卷积对信号进行预处理,并用于后续的预测和检测任务,通过本发明可以实现对金属零件的快速无伤检测,可以广泛应用于不同种类、不同形状的工业零件的维护任务,具有自动化程度高,不需要专家知识,精度更高,预测和检测的准确性更好等优点。
实施例2
参见图4,提供一种基于空洞卷积网络的金属零件疲劳监测系统,包括:
兰博波获取单元1,用于对金属对象进行无损探测,所述无损探测过程中对所述金属对象的一端施加压电信号并于金属对象的另外一端接收压电信号,所述压电信号在所述金属对象中传播形成具有时间属性和裂缝长度属性的兰博波;通过所述兰博波获取单元对所述压电信号重采样;
空洞卷积单元2,用于采用k大小的卷积核和l大小的空洞率对所述兰博波的时间序列信号f进行空洞卷积:
其中,τ代表卷积提取时间,t代表通过空洞卷机提取到的特征的维度;
神经网络构建单元3,包括数据存储模块4、递归模块5、卷积模块6、池化模块7和回归模块8,其中:
数据存储模块4,用于存储不同疲劳状态下金属零件测量的压电信号;
递归模块5,用于对所述压电信号进行递归神经网络连接;
卷积模块6,用于采用空洞卷积网络对所述压电信号进行特征提取;
池化模块7,用于对提取的所述压电信号特征进行下采样;
回归模块8,用于对所述压电信号的特征进行全连接以输出反映所述金属零件疲劳程度的裂缝长度。
具体的,所述数据存储模块4中,每个所述压电信号以所述时间序列信号f的方式存储:f=[f1,f2,…,fN],f1,f2,…,fN代表不同时间点的压电信号。
具体的,所述递归模块5中,所述压电信号的每一个时间点具有一个隐含特征h,将所述隐含特征h与时间序列信号f共同输入一个递归映射g得到下一个时间点的隐含特征,即ht+1=g(ht,ft)。所述递归映射g采用逻辑斯谛函数或长短记忆单元。
具体的,所述回归模块8中,对反映所述金属零件疲劳程度的裂缝长度进行线性回归,所述全连接指的是每一层神经元F与下一层Fi经过激活函数进行连接:
其中wi为激活函数的系数。
需要说明的是,上述系统各模块/单元之间的信息交互、执行过程等内容,由于与本申请实施例中的方法实施例基于同一构思,其带来的技术效果与本申请方法实施例相同,具体内容可参见本申请前述所示的方法实施例中的叙述。
实施例3
提供一种计算机可读存储介质,所述计算机可读存储介质中存储用于基于空洞卷积网络的金属零件疲劳监测的程序代码,所述程序代码包括用于执行实施例1或其任意可能的实现方式中的基于空洞卷积网络的金属零件疲劳监测方法的指令。
计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(SolidStateDisk、SSD))等。
实施例4
参见图5,提供一种电子设备,所述电子设备包括处理器,所述处理器与存储介质耦合,当所述处理器执行存储介质中的指令时,使得所述电子设备执行实施例1或其任意可能的实现方式中的基于空洞卷积网络的金属零件疲劳监测方法。
具体的,处理器可以通过硬件来实现也可以通过软件来实现,当通过硬件实现时,该处理器可以是逻辑电路、集成电路等;当通过软件来实现时,该处理器可以是一个通用处理器,通过读取存储器中存储的软件代码来实现,该存储器可以集成在处理器中,可以位于所述处理器之外,独立存在。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机900程序产品的形式实现。所述计算机900程序产品包括一个或多个计算机900指令。在计算机900上加载和执行所述计算机900程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机900可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机900指令可以存储在计算机900可读存储介质中,或者从一个计算机900可读存储介质向另一个计算机900可读存储介质传输,例如,所述计算机900指令可以从一个网站站点、计算机900、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机900、服务器或数据中心进行传输。
具体的,参见图5,示出了可用于实施根据本发明实施方式的方法和系统的计算机的示意性框图,在图5中,中央处理单元(CPU)901根据只读存储器(ROM)902中存储的程序或从存储部分908加载到随机存取存储器(RAM)903的程序执行各种处理。在RAM 903中,还根据需要存储当CPU 901执行各种处理等等时所需的数据。CPU 901、ROM 902和RAM 903经由总线904彼此连接。输入/输出接口905也连接到总线904。
下述部件连接到输入/输出接口905:输入部分906(包括键盘、鼠标等等)、输出部分907(包括显示器,比如阴极射线管(CRT)、液晶显示器(LCD)等,和扬声器等)、存储部分908(包括硬盘等)、通信部分909(包括网络接口卡比如LAN卡、调制解调器等)。通信部分909经由网络比如因特网执行通信处理。根据需要,驱动器910也可连接到输入/输出接口905。可拆卸介质911比如磁盘、光盘、磁光盘、半导体存储器等等可以根据需要被安装在驱动器910上,使得从中读出的计算机程序根据需要被安装到存储部分908中。
在通过软件实现上述系列处理的情况下,从网络比如因特网或存储介质比如可拆卸介质911安装构成软件的程序。
本领域的技术人员应当理解,这种存储介质不局限于图5所示的其中存储有程序的、与设备相分离地分发以向用户提供程序的可拆卸介质911。可拆卸介质911的例子包含磁盘(包含软盘(注册商标))、光盘(包含光盘只读存储器(CD-ROM)和数字通用盘(DVD))、磁光盘(包含迷你盘(MD)(注册商标))和半导体存储器。或者,存储介质可以是ROM 902、存储部分908中包含的硬盘等等,其中存有程序,并且与包含它们的设备一起被分发给用户。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
综上,在根据本公开的实施例中,本公开提供了如下方案,但不限于此:
1.基于空洞卷积网络的金属零件疲劳监测方法,其特征在于,包括以下步骤:对金属对象进行无损探测,所述无损探测过程中对所述金属对象的一端施加压电信号并于金属对象的另外一端接收压电信号,所述压电信号在所述金属对象中传播形成具有时间属性和裂缝长度属性的兰博波;
采用k大小的卷积核和l大小的空洞率对所述兰博波的时间序列信号f进行空洞卷积:
其中,τ代表卷积提取时间,t代表通过空洞卷机提取到的特征的维度;
对所述压电信号重采样并进行任务回归获得用于金属零件疲劳监测的神经网络模型;
所述神经网络模型包括:
数据层:用于存储不同疲劳状态下金属零件测量的压电信号;
递归连接层:用于对所述压电信号进行递归神经网络连接;
卷积连接层:用于采用空洞卷积网络对所述压电信号进行特征提取;
池化层:用于对提取的所述压电信号特征进行下采样;
回归层:用于对所述压电信号的特征进行全连接以输出反映所述金属零件疲劳程度的裂缝长度。
2.根据方案1所述的基于空洞卷积网络的金属零件疲劳监测方法,其特征在于,所述数据层中,每个所述压电信号以所述时间序列信号f的方式存储:f=[f1,f2,…,fN],f1,f2,…,fN代表不同时间点的压电信号。
3.根据方案1所述的基于空洞卷积网络的金属零件疲劳监测方法,其特征在于,所述递归连接层中,所述压电信号的每一个时间点具有一个隐含特征h,将所述隐含特征h与时间序列信号f共同输入一个递归映射g得到下一个时间点的隐含特征,即ht+1=g(ht,ft)。
4.根据方案3所述的基于空洞卷积网络的金属零件疲劳监测方法,其特征在于,所述递归映射g采用逻辑斯谛函数。
5.根据方案3所述的基于空洞卷积网络的金属零件疲劳监测方法,其特征在于,所述递归映射g采用长短记忆单元。
6.根据方案1所述的基于空洞卷积网络的金属零件疲劳监测方法,其特征在于,所述回归层中,对反映所述金属零件疲劳程度的裂缝长度进行线性回归,所述全连接指的是每一层神经元F与下一层Fi经过激活函数进行连接:
其中wi为激活函数的系数。
8.基于空洞卷积网络的金属零件疲劳监测系统,其特征在于,包括:
兰博波获取单元,用于对金属对象进行无损探测,所述无损探测过程中对所述金属对象的一端施加压电信号并于金属对象的另外一端接收压电信号,所述压电信号在所述金属对象中传播形成具有时间属性和裂缝长度属性的兰博波;通过所述兰博波获取单元对所述压电信号重采样;
空洞卷积单元,用于采用k大小的卷积核和l大小的空洞率对所述兰博波的时间序列信号f进行空洞卷积:
其中,τ代表卷积提取时间,t代表通过空洞卷机提取到的特征的维度;
神经网络构建单元,包括数据存储模块、递归模块、卷积模块、池化模块和回归模块,其中:
数据存储模块,用于存储不同疲劳状态下金属零件测量的压电信号;
递归模块,用于对所述压电信号进行递归神经网络连接;
卷积模块,用于采用空洞卷积网络对所述压电信号进行特征提取;
池化模块,用于对提取的所述压电信号特征进行下采样;
回归模块,用于对所述压电信号的特征进行全连接以输出反映所述金属零件疲劳程度的裂缝长度。
9.根据方案8所述的基于空洞卷积网络的金属零件疲劳监测系统,其特征在于,所述数据存储模块中,每个所述压电信号以所述时间序列信号f的方式存储:f=[f1,f2,…,fN],f1,f2,…,fN代表不同时间点的压电信号。
10.根据方案8所述的基于空洞卷积网络的金属零件疲劳监测系统,其特征在于,所述递归模块中,所述压电信号的每一个时间点具有一个隐含特征h,将所述隐含特征h与时间序列信号f共同输入一个递归映射g得到下一个时间点的隐含特征,即ht+1=g(ht,ft)。
11.根据方案9所述的基于空洞卷积网络的金属零件疲劳监测系统,其特征在于,所述递归映射g采用逻辑斯谛函数。
12.根据方案9所述的基于空洞卷积网络的金属零件疲劳监测系统,其特征在于,所述递归映射g采用长短记忆单元。
13.根据方案8所述的基于空洞卷积网络的金属零件疲劳监测系统,其特征在于,所述回归模块中,对反映所述金属零件疲劳程度的裂缝长度进行线性回归,所述全连接指的是每一层神经元F与下一层Fi经过激活函数进行连接:
其中wi为激活函数的系数。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储用于基于空洞卷积网络的金属零件疲劳监测的程序代码,所述程序代码包括用于执行方案1至7中任一项所述的基于空洞卷积网络的金属零件疲劳监测方法的指令。
16.一种电子设备,其特征在于,所述电子设备包括处理器,所述处理器与存储介质耦合,当所述处理器执行存储介质中的指令时,使得所述电子设备执行方案1至7中任一项所述的基于空洞卷积网络的金属零件疲劳监测方法。
Claims (12)
1.基于空洞卷积网络的金属零件疲劳监测方法,其特征在于,包括以下步骤:针对裂缝萌生的过程,使用压电信号的方式对带有不同裂缝的金属对象进行无损探测,所述无损探测过程中对所述金属对象的一端施加压电信号并于金属对象的另外一端接收压电信号,所述压电信号在所述金属对象中传播形成具有时间属性和裂缝长度属性的兰博波;
采用k大小的卷积核和l大小的空洞率对所述兰博波的时间序列信号f进行空洞卷积:
其中,τ代表卷积提取时间,t代表通过空洞卷机提取到的特征的维度;
对所述压电信号重采样并进行任务回归获得用于金属零件疲劳监测的神经网络模型;
所述神经网络模型包括:
数据层:用于存储不同疲劳状态下金属零件测量的压电信号;
递归连接层:用于对所述压电信号进行递归神经网络连接;
卷积连接层:用于采用空洞卷积网络对所述压电信号进行特征提取;
池化层:用于对提取的所述压电信号特征进行下采样;
回归层:用于对所述压电信号的特征进行全连接以输出反映所述金属零件疲劳程度的裂缝长度;
所述数据层中,每个所述压电信号以所述时间序列信号f的方式存储:f=[f1,f2,…,fN],f1,f2,…,fN代表不同时间点的压电信号;
所述递归连接层中,所述压电信号的每一个时间点具有一个隐含特征h,将所述隐含特征h与时间序列信号f共同输入一个递归映射g得到下一个时间点的隐含特征,即ht+1=g(ht,ft)。
2.根据权利要求1所述的基于空洞卷积网络的金属零件疲劳监测方法,其特征在于,所述递归映射g采用逻辑斯谛函数。
3.根据权利要求1所述的基于空洞卷积网络的金属零件疲劳监测方法,其特征在于,所述递归映射g采用长短记忆单元。
4.根据权利要求1所述的基于空洞卷积网络的金属零件疲劳监测方法,其特征在于,所述回归层中,对反映所述金属零件疲劳程度的裂缝长度进行线性回归,所述全连接指的是每一层神经元F与下一层Fi经过激活函数进行连接:
Fi=∑Fwi*F
其中wi为激活函数的系数。
5.根据权利要求1所述的基于空洞卷积网络的金属零件疲劳监测方法,其特征在于,所述池化层中,对已有特征hj的区间提取最大池化,即对以s步长大小的区域内的提取最大值输入下一层特征hi:hi=maxj=i,…i+shj。
6.基于空洞卷积网络的金属零件疲劳监测系统,采用如权利要求1至5任一项的基于空洞卷积网络的金属零件疲劳监测方法,其特征在于,包括:
兰博波获取单元,用于对金属对象进行无损探测,所述无损探测过程中对所述金属对象的一端施加压电信号并于金属对象的另外一端接收压电信号,所述压电信号在所述金属对象中传播形成具有时间属性和裂缝长度属性的兰博波;通过所述兰博波获取单元对所述压电信号重采样;
空洞卷积单元,用于采用k大小的卷积核和l大小的空洞率对所述兰博波的时间序列信号f进行空洞卷积:
其中,τ代表卷积提取时间,t代表通过空洞卷机提取到的特征的维度;
神经网络构建单元,包括数据存储模块、递归模块、卷积模块、池化模块和回归模块,其中:
数据存储模块,用于存储不同疲劳状态下金属零件测量的压电信号;
递归模块,用于对所述压电信号进行递归神经网络连接;
卷积模块,用于采用空洞卷积网络对所述压电信号进行特征提取;
池化模块,用于对提取的所述压电信号特征进行下采样;
回归模块,用于对所述压电信号的特征进行全连接以输出反映所述金属零件疲劳程度的裂缝长度;
所述数据存储模块中,每个所述压电信号以所述时间序列信号f的方式存储:f=[f1,f2,…,fN],f1,f2,…,fN代表不同时间点的压电信号;
所述递归模块中,所述压电信号的每一个时间点具有一个隐含特征h,将所述隐含特征h与时间序列信号f共同输入一个递归映射g得到下一个时间点的隐含特征,即ht+1=g(ht,ft)。
7.根据权利要求6所述的基于空洞卷积网络的金属零件疲劳监测系统,其特征在于,所述递归映射g采用逻辑斯谛函数。
8.根据权利要求6所述的基于空洞卷积网络的金属零件疲劳监测系统,其特征在于,所述递归映射g采用长短记忆单元。
9.根据权利要求6所述的基于空洞卷积网络的金属零件疲劳监测系统,其特征在于,所述回归模块中,对反映所述金属零件疲劳程度的裂缝长度进行线性回归,所述全连接指的是每一层神经元F与下一层Fi经过激活函数进行连接:
Fi=∑Fwi*F
其中wi为激活函数的系数。
10.根据权利要求6所述的基于空洞卷积网络的金属零件疲劳监测系统,其特征在于,所述池化模块中,对已有特征hj的区间提取最大池化,即对以s步长大小的区域内的提取最大值输入下一层特征hi:hi=maxj=i,…i+shj。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储用于基于空洞卷积网络的金属零件疲劳监测的程序代码,所述程序代码包括用于执行权利要求1至5中任一项所述的基于空洞卷积网络的金属零件疲劳监测方法的指令。
12.一种电子设备,其特征在于,所述电子设备包括处理器,所述处理器与存储介质耦合,当所述处理器执行存储介质中的指令时,使得所述电子设备执行权利要求1至5中任一项所述的基于空洞卷积网络的金属零件疲劳监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911244662.2A CN111060591B (zh) | 2019-12-06 | 2019-12-06 | 基于空洞卷积网络的金属零件疲劳监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911244662.2A CN111060591B (zh) | 2019-12-06 | 2019-12-06 | 基于空洞卷积网络的金属零件疲劳监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111060591A CN111060591A (zh) | 2020-04-24 |
CN111060591B true CN111060591B (zh) | 2020-09-22 |
Family
ID=70299985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911244662.2A Active CN111060591B (zh) | 2019-12-06 | 2019-12-06 | 基于空洞卷积网络的金属零件疲劳监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111060591B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364407B (zh) * | 2020-11-13 | 2023-06-06 | 东莞职业技术学院 | 基于nx系统的零件属性获取的方法、装置及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106248801B (zh) * | 2016-09-06 | 2019-06-14 | 哈尔滨工业大学 | 一种基于多声发射事件概率的钢轨裂纹检测方法 |
CN107515253B (zh) * | 2017-07-10 | 2019-11-15 | 西安科技大学 | 基于卷积神经网络的梁结构缺陷非接触定量诊断方法 |
US11078631B2 (en) * | 2017-11-30 | 2021-08-03 | Sperry Rail Holdings, Inc. | System and method for inspecting a rail using machine learning |
CN108056789A (zh) * | 2017-12-19 | 2018-05-22 | 飞依诺科技(苏州)有限公司 | 一种生成超声扫描设备的配置参数值的方法和装置 |
CN109961017A (zh) * | 2019-02-26 | 2019-07-02 | 杭州电子科技大学 | 一种基于卷积循环神经网络的心音信号分类方法 |
-
2019
- 2019-12-06 CN CN201911244662.2A patent/CN111060591B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111060591A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Karve et al. | Digital twin approach for damage-tolerant mission planning under uncertainty | |
CN111046564B (zh) | 两阶段退化产品的剩余寿命预测方法 | |
CN112579758A (zh) | 模型训练方法、装置、设备、存储介质和程序产品 | |
CN111290922B (zh) | 服务运行健康度监测方法及装置 | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN112380774B (zh) | 一种基于残差回声状态网络的动态建模方法及系统 | |
Wang et al. | Remaining useful life prediction based on improved temporal convolutional network for nuclear power plant valves | |
US11645540B2 (en) | Deep graph de-noise by differentiable ranking | |
CN111060591B (zh) | 基于空洞卷积网络的金属零件疲劳监测方法及系统 | |
CN113326744B (zh) | 一种航天器在轨状态异常检测方法及系统 | |
CN113607817B (zh) | 一种管道环焊缝检测方法、系统、电子设备及介质 | |
Ben-Yelun et al. | Self-learning locally-optimal hypertuning using maximum entropy, and comparison of machine learning approaches for estimating fatigue life in composite materials of the aerospace industry | |
CN117370065A (zh) | 一种异常任务确定方法、电子设备及存储介质 | |
Liu et al. | Nonlinear ultrasonic concrete crack identification with deep learning based on time-frequency image | |
CN112598259A (zh) | 产能测算方法、装置及计算机可读存储介质 | |
Rizvi et al. | Anomaly Detection and Localization Using LSTM Based Autoencoder with Maximal Overlap Discrete Wavelet Transform for Structural Health Monitoring | |
CN113052325A (zh) | 在线模型的优化方法、装置、设备、存储介质及程序产品 | |
CN112818455A (zh) | 一种桥梁结构响应监测方法及系统 | |
CN117909717A (zh) | 一种基于深度学习和数据挖掘的工程量辅助验收结算方法 | |
CN116186534B (zh) | 预训练模型的更新方法、装置及电子设备 | |
Poblete et al. | Model Class Selection and Model Parameter Identification on Piezoelectric Energy Harvesters | |
Marasanov et al. | Analysis of Digital Processing of the Acoustic Emission Diagnostics Informative Parameters Under Deformation Impact Conditions | |
Chen et al. | Fatigue Crack Growth Prognosis With the Particle Filter and On-Line Guided Wave Structural Monitoring Data | |
CN115878783A (zh) | 文本处理方法、深度学习模型训练方法以及样本生成方法 | |
CN115905492A (zh) | 一种告警信息分析方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
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 |