CN111678991B - 一种用于混凝土结构无损检测损伤识别的方法 - Google Patents

一种用于混凝土结构无损检测损伤识别的方法 Download PDF

Info

Publication number
CN111678991B
CN111678991B CN202010411481.0A CN202010411481A CN111678991B CN 111678991 B CN111678991 B CN 111678991B CN 202010411481 A CN202010411481 A CN 202010411481A CN 111678991 B CN111678991 B CN 111678991B
Authority
CN
China
Prior art keywords
acoustic emission
damage
data
parameter
model
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
CN202010411481.0A
Other languages
English (en)
Other versions
CN111678991A (zh
Inventor
刘福东
王文强
李良图
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.)
Jiangsu Yuzhi Basin Management Technology Research Institute Co ltd
Luonan Borun Industrial Co ltd
Original Assignee
Luonan Borun Industrial Co ltd
Jiangsu Yuzhi Basin Management Technology Research Institute Co ltd
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 Luonan Borun Industrial Co ltd, Jiangsu Yuzhi Basin Management Technology Research Institute Co ltd filed Critical Luonan Borun Industrial Co ltd
Priority to CN202010411481.0A priority Critical patent/CN111678991B/zh
Publication of CN111678991A publication Critical patent/CN111678991A/zh
Application granted granted Critical
Publication of CN111678991B publication Critical patent/CN111678991B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01N29/14—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 using acoustic emission techniques
    • 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
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis

Abstract

本发明公开了一种用于混凝土结构无损检测损伤识别的方法，该方法包括结构监测信号采集和声发射信号后处理两部分。结构监测信号采集包括测点布置，试件加载，搭载声发射系统和声发射信号采集，分类模型构建和损伤识别将所述信号采集测得的参数进行计算分析，声发射信号后处理将所述信号采集测得的参数进行计算分析，声发射信号的参数特征的提取、分类模型构建、损伤识别以及安全预警。该方法将声发射技术与机器学习算法相结合，利用统计分析和机器学习算法，能够结合实际结构的荷载数据提供的信息，尽可能全面地保证了对数据信息的提取和分析，同时具有较高的准确度，为混凝土结构损伤的无损监测分析提供了技术手段，具有广泛的应用价值。

Description

一种用于混凝土结构无损检测损伤识别的方法
技术领域
本发明涉及一种用于混凝土结构无损检测损伤识别的方法，属于无损检测领域。
背景技术
在工程的维护与管养中，对大型混凝土结构进行无损检测是非常重要的技术手段，其能够在结构工作期间对其内部产生的损伤进行探测和及时预警。然而当下无损检测技术还未发展完善。声发射技术由于其xxx等特点，近年来受到很多人的关注。尤其是在需要长期健康观察的环境中特别有用。
目前，有许多工程尝试使用声发射技术对于大型混凝土结构的内部损伤进行检测。但是由于混凝土内部破坏过程复杂，在其劣化过程中且会产生大量的声发射信号，过大的数据量会给数据分析带来难度，传统的振幅，振铃计数等参数分析的方法虽然简单且易于实现，但是容易受到干扰，不能准确反映结构的损伤状态。频域分析方法具有较强的抗噪能力，但是也存在一致性不好的缺陷，而这可能会造成对信息理解产生偏差从而形成错误的判断。因此需要一种能够有效分析无损检测数据来进行损伤识别的方法。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种用于混凝土结构无损检测损伤识别的方法，构建了信号压缩方法和机器学习分类模型，进而实现高效全面的对数据特征进行评估，损伤识别以及安全预警。
技术方案：为解决上述技术问题，本发明的用于混凝土结构无损检测损伤识别的方法，其特征在于，包括以下步骤：
(1)布置实体结构的监测点，选择结构最大荷载或易发生破坏的节点，如跨中，支座处等；
(2)搭载声发射系统，安装声发射探头，在探头与结构表面接触，并用隔音罩罩住声发射探头，防止外界噪音干扰；
(3)结构定点荷载试验，采集声发射信号并储存，计算分析得声发射信号参数；
(4)对相应声发射参数的数据进行重新整理；
(5)对不同声发射参数数据之间的线性相关性进行分析，去除相关性最高的参数，以避免分析过程中的多重共线性，重复上述的操作，最终每个试验过程的数据经过不断去除参数剩余三个相关性最小的特征参数；
(6)采用10折交叉验证法，构造训练样本，基于所述的样本进行决策树模型训练获得决策树分类模型；
(7)基于超参数，利用贝叶斯优化策略构建一个代理模型，并利用该代理模型从超参数配置中预测指标，反复迭代直到达到了预设迭代次数或者预设约束值被超越，最终使参数趋近于最佳值，从而完成对模型的优化调参工作；
(8)基于所述训练模型，将待分类的数据输入到完成调参的模型内，通过计算，分类模型将每个声发射数据标记类别标签并输出，完成对数据点的分类。根据混凝土结构破坏特点，损伤类型可大致被分为基质破坏，骨料破坏，界面摩擦，纤维断裂等四种类型，可以根据分类结果与所述的破坏类型对应，从而进行损伤模式识别。当骨料破坏和纤维断裂的信号比例超过基质破坏和界面摩擦信号比例时，标记为潜在严重损坏，并向外部信息中心反馈信息。
作为优选，所述步骤(4)中数据进行重新整理遵循的具体公式如下：
Figure BDA0002493419990000021
其中：
xi表示某声发射参数的原始实测值；
μ表示该声发射参数的实测数据的均值；
σ表示该声发射参数的实测数据的方差。
作为优选，所述步骤(5)中，相关性分析按照如下公式计算：
Figure BDA0002493419990000022
其中r为参数X和Y的相关系数，xi，yi为对应参数的原始实测值，分别为对应参数数据的平均值。
作为优选，所述步骤6中决策树算法所进行的模型训练包括以下步骤：
步骤01：建立模型的根节点；
步骤02：计算所述训练样本集的候选参数的信息增益，将信息增益最大的第一属性标记为新的根节点，其中信息增益计算公式如下：
Figure BDA0002493419990000031
Figure BDA0002493419990000032
I(P,Y)＝H(P)-H(P|Yi)
其中H(P)是信息熵；
X表示声发射数据代表的损伤类型；
pi表示对应损伤发生的信号产生的概率；
H(P|Yi)是条件熵；
Yi表示声发射对应参数的数据特征i；
p(yi)表示参数的yi特征中，损伤类型pi发生的概率；
I(P,Y)即为信息增益；
步骤03：在新的根节点处生成新的分支，将分支定义为训练样本集的声发射样本子集合；
步骤04：所有子树创建成功后，将最终的决策树分类模型作为所述的训练模型。
作为优选，所述步骤(7)中，超参数优化采用贝叶斯优化方法，其中的超参数包括：最小叶大小、最小叶节点数、最大分裂数、最大分支节点数量。
有益效果：本发明的用于混凝土结构无损检测损伤识别的方法，提出了基于决策树的无损检测和损伤分析方法。通过该方法可以建立决策树分类模型。该模型能够结合实际结构的荷载数据提供的信息，尽可能全面地保证了对数据信息的提取和分析，同时具有较高的准确度，该模型准确率达到84％以上。该模型不仅可以从声发射数据中挖掘结构损伤类型，还能将数据中异常信号进行识别，并判断哪种信号更可能表征结构的失效。
附图说明
图1为本发明的流程示意图。
图2为声发射信号后处理的流程示意图。
图3为声发射信号参数示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1至图3所示，第一步，结构的测点布置与加载试验。首先进行实体结构的监测点布置。对于大型混凝土结构，声发射探头的布置应该接近结构所受荷载最大部位，如梁的跨中，支座处。根据实际结构的尺寸和加载的特点进行不同程度的更改。本实施例中对混凝土梁结构进行试验。测点布置后，搭载声发射系统。将声发射传感器放置于测点处，利用凡士林作为耦合剂，涂抹在混凝土结构与声发射传感器之间，并用特制的隔音罩罩住声发射探头，特制隔音罩不仅起到固定声发射探头的作用，还能隔绝外界噪音对声发射探头的干扰。随后对结构进行定点加载试验，本实施例中采用三点弯试验方法对混凝土梁结构进行加载，同时对梁的跨中，支座处进行声发射信号采集，采集的信号通过数据线导入到示波器中，得到的声发射信号如图2。然后通过软件的计算和分析得到波形等声发射信号参数，储存在电脑中。
第二步，构建分类模型。首先对目标参数进行筛选，计算任意两参数间的线性相关系数，得到某一参数与其他参数相关系数的和。
AE参数特征的相关性分析按如下公式计算：
Figure BDA0002493419990000041
其中r为参数X和Y的相关系数，xi，yi为对应参数的原始实测值，
Figure BDA0002493419990000042
分别为对应参数数据的平均值。
计算比较各参数的相关系数和，然后去除与其他参数相关性最高的参数。按照此步骤进行迭代，最终剩下4组弱相关参数，在本实施例中4组弱相关系数为幅值，上升时间，平均频率和信号强度。
表1为8个声发射参数的相关系数和的计算结果(％)：
Figure BDA0002493419990000043
对样本对应参数的数据进行预处理，解决不同参数数据之间值域差异的问题，其遵循的具体公式如下：
Figure BDA0002493419990000051
其中：
xi表示某声发射参数的原始实测值；
μ表示该声发射参数的实测数据的均值；
σ表示该声发射参数的实测数据的方差。
根据得到的数据建立决策树分类模型：
步骤01：建立模型的根节点；
步骤02：计算所述训练样本集的候选参数的信息增益，将信息增益最大的第一属性标记为新的根节点，其中信息增益计算公式如下：
Figure BDA0002493419990000052
Figure BDA0002493419990000053
I(X,Y)＝H(X)-H(X|Y)
其中H(X)是信息熵；
X表示声发射数据代表的损伤类型；
pi表示对应损伤发生的信号产生的概率；
H(X|Y)是条件熵；
Y表示声发射对应参数的数据特征；
p(yi)表示参数的yi特征中，损伤类型pi发生的概率；
I(X,Y)即为信息增益。
步骤03：在新的根节点处生成新的分支，将分支定义为训练样本集的声发射样本子集合；
步骤04：所有子树创建成功后，将最终的决策树分类模型作为所述的训练模型。
第三步进一步调整超参数以优化决策树。超参数优化采用贝叶斯优化方法，其中的超参数包括：最小叶大小、最小叶节点数、最大分裂数、最大分支节点数量。利用贝叶斯优化策略构建一个代理模型，并利用该代理模型从超参数配置中预测指标，反复迭代直到达到了预设迭代次数或者预设约束值被超越，最终使参数趋近于最佳值，从而完成对模型的优化调参工作；
基于所述训练模型，将待分类的数据输入到完成调参的模型内，通过计算，分类模型将每个声发射数据标记类别标签并输出，完成对数据点的分类，根据混凝土结构破坏特点，损伤类型被分为基质破坏，骨料破坏，界面摩擦，纤维断裂四种类型，根据分类结果与所述的破坏类型对应，从而进行损伤模式识别，每次损伤类型均包含基质破坏，骨料破坏，界面摩擦，纤维断裂四种类型，四种损伤均为一定比例，例如，含基质破坏，骨料破坏，界面摩擦，纤维断裂四种类型的损伤比例为0.2:0.3:0.2:0.3，当骨料破坏和纤维断裂的信号比例之和为0.6超过基质破坏和界面摩擦信号比例之和为0.4时，标记为潜在严重损坏，并向外部信息中心反馈信息。
通过以上的多个步骤，构建起决策树分类模型，基于所述训练模型，将待分类的数据输入到完成调参的模型内，通过计算，分类模型将每个声发射数据标记类别标签并输出，完成对数据点的分类。根据混凝土结构破坏特点，损伤类型可大致被分为基质破坏，骨料破坏，界面摩擦，纤维断裂四种类型，可以根据分类结果与所述的破坏类型对应，从而进行损伤模式识别。当骨料破坏和纤维断裂的信号比例超过基质破坏和界面摩擦信号比例时，标记为潜在严重损坏，并向外部信息中心反馈信息。
该模型考虑因素很多，且通过去除线性相关的参数的方式大大减小了数据量，同时又能保证较高的准确度，非常适合用于长期结构监测的声发射方法。运用该模型对验证组数据进行分类，其准确率可达84％以上。
本发明针对声发射无损监测没有可靠规范的模型用于对数据进行分析，判定结构损伤类型的问题，参考声发射无损检测对结构损伤的类型反映，提出了基于决策树的无损检测和损伤分析方法。通过该方法可以建立决策树分类模型。该模型能够结合实际结构的荷载数据提供的信息，尽可能全面地保证了对数据信息的提取和分析，同时具有较高的准确度，该模型准确率达到84％以上。该模型不仅可以从声发射数据中挖掘结构损伤类型，还能将数据中异常信号进行识别，并判断哪种信号更可能表征结构的失效。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.一种用于混凝土结构无损检测损伤识别的方法，其特征在于，包括以下步骤：
（1）布置实体结构的监测点，选择结构最大荷载或易发生破坏的节点；
（2）搭载声发射系统，安装声发射探头，在探头与结构表面接触，并用隔音罩罩住声发射探头；
（3）结构定点荷载试验，采集声发射信号并储存，计算分析得声发射信号参数；
（4）对相应声发射参数的数据进行重新整理；
（5）对不同声发射参数数据之间的线性相关性进行分析，去除相关性最高的参数，重复上述的操作，最终每个试验过程的数据经过不断去除参数剩余三个相关性最小的特征参数；
（6）采用10折交叉验证法，构造训练样本，基于所述的训练样本进行决策树模型训练获得决策树分类模型；
所述步骤6中决策树算法所进行的模型训练包括以下步骤：
步骤01：建立模型的根节点；
步骤02：计算所述训练样本的候选参数的信息增益，将信息增益最大的第一属性标记为新的根节点，其中信息增益计算公式如下：
Figure 806927DEST_PATH_IMAGE001
其中H(P)是信息熵；
X表示声发射数据代表的损伤类型；
pi表示对应损伤发生的信号产生的概率；
H(P|Yi)是条件熵；
Yi表示声发射对应参数的数据特征i；
P（yi）表示参数的yi特征中，损伤类型pi发生的概率；
I（P，Y）即为信息增益；
步骤03：在新的根节点处生成新的分支，将分支定义为训练样本集的声发射样本子集合；
步骤04：所有子树创建成功后，将最终的决策树作为决策树分类模型；
（7）进一步调整超参数以优化决策树分类模型；基于超参数，利用贝叶斯优化策略构建一个代理模型，并利用该代理模型从超参数配置中预测指标，反复迭代直到达到了预设迭代次数或者预设约束值被超越，最终使参数趋近于最佳值，从而完成对模型的优化调参工作；
（8）基于所述决策树分类模型，将待分类的数据输入到完成调参的模型内，通过计算，分类模型将每个声发射数据标记类别标签并输出，完成对数据点的分类，根据混凝土结构破坏特点，损伤类型被分为基质破坏，骨料破坏，界面摩擦，纤维断裂四种类型，根据分类结果与所述的损伤 类型对应，从而进行损伤模式识别，当骨料破坏和纤维断裂的信号比例之和超过基质破坏和界面摩擦信号比例之和时，标记为潜在严重损坏，并向外部信息中心反馈信息；
所述步骤（4）中数据进行重新整理遵循的具体公式如下：
Figure 458488DEST_PATH_IMAGE002
其中：
xi表示某声发射参数的原始实测值；
µ表示该声发射参数的实测数据的均值；
σ表示该声发射参数的实测数据的方差；
所述步骤（5）中，相关性分析按照如下公式计算：
Figure 707067DEST_PATH_IMAGE003
其中r为参数X和Y的相关系数，xi，yi为对应参数的原始实测值，
Figure DEST_PATH_IMAGE004
分别为对应参数数据的平均值。
2.根据权利要求1所述的用于混凝土结构无损检测损伤识别的方法，其特征在于：所述步骤（7）中，超参数优化采用贝叶斯优化方法，其中的超参数包括：最小叶大小、最小叶节点数、最大分裂数、最大分支节点数量。
CN202010411481.0A 2020-05-15 2020-05-15 一种用于混凝土结构无损检测损伤识别的方法 Active CN111678991B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010411481.0A CN111678991B (zh) 2020-05-15 2020-05-15 一种用于混凝土结构无损检测损伤识别的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010411481.0A CN111678991B (zh) 2020-05-15 2020-05-15 一种用于混凝土结构无损检测损伤识别的方法

Publications (2)

Publication Number Publication Date
CN111678991A CN111678991A (zh) 2020-09-18
CN111678991B true CN111678991B (zh) 2022-12-30

Family

ID=72433675

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010411481.0A Active CN111678991B (zh) 2020-05-15 2020-05-15 一种用于混凝土结构无损检测损伤识别的方法

Country Status (1)

Country Link
CN (1) CN111678991B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114002334A (zh) * 2021-09-29 2022-02-01 西安交通大学 一种结构损伤声发射信号识别方法、装置、存储介质
CN113960176A (zh) * 2021-10-20 2022-01-21 应急管理部上海消防研究所 火场建筑结构安全状态的非接触式声发射检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106461617A (zh) * 2014-05-12 2017-02-22 阿勒泰科有限公司 检测结构故障的方法和仪器
CN110646507A (zh) * 2019-09-26 2020-01-03 东北大学 基于锁相放大的多频旋转磁场的金属缺陷检测装置及方法
CN111024527A (zh) * 2019-12-06 2020-04-17 西安理工大学 一种基于多传感器数据融合的裂纹扩展监测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010047691A1 (en) * 2000-01-03 2001-12-06 Yuris Dzenis Hybrid transient-parametric method and system to distinguish and analyze sources of acoustic emission for nondestructive inspection and structural health monitoring
GB2416207B (en) * 2004-07-15 2008-08-27 Ultra Electronics Ltd Acoustic structural integrity monitoring system and method
JP6719082B2 (ja) * 2016-07-04 2020-07-08 パナソニックＩｐマネジメント株式会社 決定木生成装置、決定木生成方法、決定木生成プログラム及び質問システム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106461617A (zh) * 2014-05-12 2017-02-22 阿勒泰科有限公司 检测结构故障的方法和仪器
CN110646507A (zh) * 2019-09-26 2020-01-03 东北大学 基于锁相放大的多频旋转磁场的金属缺陷检测装置及方法
CN111024527A (zh) * 2019-12-06 2020-04-17 西安理工大学 一种基于多传感器数据融合的裂纹扩展监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于梯度提升决策树的风电机组齿轮箱故障检测;唐明珠等;《湖南电力》;20191225(第06期);第56-60页 *

Also Published As

Publication number Publication date
CN111678991A (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
CN111459700B (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
CN111678991B (zh) 一种用于混凝土结构无损检测损伤识别的方法
CN111678992A (zh) 一种用于识别混凝土结构损伤类型的无损检测方法
CN107657110A (zh) 大型风力机叶片的疲劳损伤评价方法
CN109886433A (zh) 智能识别城市燃气管道缺陷的方法
CN117195135B (zh) 一种水污染异常溯源检测方法及系统
CN109034483A (zh) 一种基于质量功能配置的检测规划方法
CN111460702B (zh) 一种基于正逆向损伤特征融合的结构件损伤识别方法
CN111999614A (zh) 一种面向高压开关柜的局部放电多源融合检测预警方法
CN112147221A (zh) 基于超声波探伤仪数据的钢轨螺孔裂纹识别方法及系统
US20230084562A1 (en) Non-destructive inspection method and system based on artificial intelligence
CN113642209B (zh) 基于数字孪生的结构植入故障响应数据获取及评判方法
CN113361209B (zh) 一种高温合金表面缺陷磁异常定量分析方法
CN115684855A (zh) 基于孪生模型的电力设备内部绝缘缺陷放电量定量方法及系统
Zhou et al. Quantification of value of information associated with optimal observation actions within partially observable Markov decision processes
CN112732773B (zh) 一种继电保护缺陷数据的唯一性校核方法及系统
CN114330141A (zh) 一种基于gru超参数优化的风机主轴轴承寿命预测方法
CN114186586A (zh) 基于二维卷积神经网络的损伤识别方法及设备
CN114186624A (zh) 基于二维卷积神经网络的损伤识别模型建立方法及设备
DE102011111091A1 (de) Verfahren und system zum auswerten des zustandes einer ansammlung von ähnlichen länglichen hohlen objekten
KR101102496B1 (ko) 전력 기자재 상태판정식 도출 방법, 이를 이용한 활선상태의 전력 기자재 진단 장치 및 방법
CN115144259B (zh) 一种钢材抗形变性能检测方法及系统
Wallace et al. Experience, testing and future development of an ultrasonic inspection analysis defect decision support tool for CANDU reactors
Wang et al. Gear damage severity evaluation based on cross recurrence quantification analysis
CN117559937B (zh) 一种阻抗匹配网络调节方法

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
TA01 Transfer of patent application right

Effective date of registration: 20221128

Address after: Room 901, No. 6, Shuiyougang, Gulou District, Nanjing, Jiangsu 210000

Applicant after: Jiangsu Yuzhi Basin Management Technology Research Institute Co.,Ltd.

Applicant after: Luonan Borun Industrial Co.,Ltd.

Address before: 21F, block B, Lianchuang technology building, No.16, Jihui Road, Gulou District, Nanjing City, Jiangsu Province, 210000

Applicant before: Jiangsu Yuzhi Basin Management Technology Research Institute Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant