CN111721450A - 一种冲击定位识别装置及方法 - Google Patents
一种冲击定位识别装置及方法 Download PDFInfo
- Publication number
- CN111721450A CN111721450A CN202010573209.2A CN202010573209A CN111721450A CN 111721450 A CN111721450 A CN 111721450A CN 202010573209 A CN202010573209 A CN 202010573209A CN 111721450 A CN111721450 A CN 111721450A
- Authority
- CN
- China
- Prior art keywords
- impact
- data
- model
- test structure
- neural network
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 230000001788 irregular Effects 0.000 claims abstract description 6
- 230000007246 mechanism Effects 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 2
- 238000010304 firing Methods 0.000 claims 1
- 230000004807 localization Effects 0.000 claims 1
- 230000004044 response Effects 0.000 abstract description 10
- 230000003014 reinforcing effect Effects 0.000 abstract description 6
- 238000000547 structure data Methods 0.000 abstract description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 29
- 238000003775 Density Functional Theory Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 238000011176 pooling Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000005284 excitation Effects 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013529 biological neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 229920002379 silicone rubber Polymers 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L1/00—Measuring force or stress, in general
- G01L1/16—Measuring force or stress, in general using properties of piezoelectric devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/16—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
- G01L5/0052—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes measuring forces due to impact
-
- 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
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本公开提供一种冲击定位识别装置及方法，涉及冲击定位识别领域，包括，冲击输出机构，用于向测试结构数据采集区域施加冲击；压电传感器，安装在测试结构上采集测试结构应变数据发送至控制器；控制器，获取应变数据并基于卷积神经网络模型实现冲击定位识别；其中，卷积神经网络模型基于冲击定位识别数据集利用深度学习框架训练构建；使用深度学习的方法，构建卷积神经网络模型，实现冲击定位识别的任务，解决加筋轻量化结构的不规则的加强筋使得冲击响应过于复杂、难以分析的问题，使用深度学习方法不需要确定当前的波速，适用于复杂结构的冲击定位识别。
Description
技术领域
本公开涉及冲击定位识别领域，特别涉及一种冲击定位识别装置及方法。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。
随着航天技术的发展，特别是长寿命近地空间站、载人飞船、深空探测器等特殊航天器技术的迅速发展，使得新一代航天器服役周期长、适应恶劣服役环境能力增强。其中，铝合金加筋轻量化结构已然在航天器密封舱舱壁中广泛应用。
铝合金加筋轻量化结构指具有加强筋结构的铝合金板材，其具有质量轻、结构可靠性强、较高的强度和刚度、抗疲劳性能良好等特点，是航空航天理想结构材料。然而，铝合金板材上分布着大量不规则的加强筋，致使结构表现出各向异性，应力波频繁发生反射、折射、衍射和散射，使波的传播路径较为繁杂以及波速不为单一常数，这使得冲击定位识别变得更加艰难。因此，鉴于加强筋结构的复杂性，研究复杂结构的冲击事件识别方法具有重要意义。
发明人发现，目前针对冲击定位识别的方法很多采用时差定位法，然而，时差定位法通常需要假定被测对象材料具有各向同性且波速为已知常数，但是对于具有各向异性且波速不为单一常数的铝合金加筋轻量化结构，使用时差定位法会导致针对平面结构开发的算法存在最优波速残差过大的问题，精度无法得到保证，无法满足冲击定位过程中对精度的需求。
发明内容
本公开的目的是针对现有技术存在的缺陷，提供一种冲击定位识别装置及方法，使用深度学习的方法，构建卷积神经网络模型，实现冲击定位识别的任务，解决加筋轻量化结构的不规则的加强筋使得冲击响应过于复杂、难以分析的问题，使用深度学习方法不需要确定当前的波速，适用于复杂结构的冲击定位识别。
本公开的第一目的是提供一种冲击定位识别装置，采用以下技术方案：
冲击输出机构，用于向测试结构数据采集区域施加冲击；
压电传感器，安装在测试结构上采集测试结构应变数据发送至控制器；
控制器，获取应变数据并基于卷积神经网络模型实现冲击定位识别；
其中，卷积神经网络模型基于冲击定位识别数据集利用深度学习框架训练构建。
进一步地，所述冲击输出机构为仿真枪，在构建冲击定位识别数据集时，通过发射子弹对测试结构依次遍历需要采集数据的区域。
进一步地，所述压电传感器有多个，布置在测试结构数据采集区域的周围，采集测试结构的结构应变。
进一步地，所述压电传感器有四个，布置在矩形数据采集区域外的四个角上，压电传感器均与控制器电联。
进一步地，所述控制器包括数据采集模块、波形显示模块、模型导入和冲击定位模块，数据采集模块与压电传感器电联，波形显示模块显示冲击信号，模型导入和冲击定位模块用于导入训练好的卷积神经网络模型并通过此模型识别冲击位置。
本公开的第二目的是提供一种冲击定位识别方法，利用如上所述的行走控制系统，包括以下步骤：
在测试结构上布置压电传感器并标记，压电传感器与控制器电联；
对数据采集区域施加冲击，压电传感器采集测试结构的结构应变并发送至控制器；
依次对多个数据采集区域完成冲击并采集相应的结构应变数据；
对结构应变数据进行特征提取，构建冲击定位识别数据集；
基于冲击定位识别数据集利用深度学习框架构建卷积神经网络模型；
将训练好的卷积神经网络模型导入控制器，获取测试结构上的冲击进行识别，并输出显示，完成冲击定位识别。
进一步地，所述压电传感器布置在测试区域的周围，并依次通过衰减/放大器、数据采集卡进行处理后接入控制器。
进一步地，依据测试结构上不规则的加筋结构将数据采集区域划分为多个冲击区域，并取每个冲击区域的四个角和中间位置作为采样冲击点，依次对每个冲击区域进行冲击并采集相应的结构应变数据。
进一步地，对压电传感器采集的数据提取频率特征，生成每组数据对应的位置数据将其作为训练标签，完成数据集的构建，将每个位置的部分数据集作为测试集，其与部分作为训练集。
与现有技术相比，本公开具有的优点和积极效果是：
(1)利用深度学习框架构件卷积神经网络模型，不需要确定当前的波速，适用于复杂结构的冲击定位识别，解决了冲击过程短暂难以捕捉、冲击定位困难、电磁场干扰等使铝合金加筋轻量化结构冲击定位识别检测的问题；
(2)利用卷积神经网络的局部感知特点，提出每个神经元不需要感知图像中的全部像素，只对图像的局部像素进行感知，然后在更高层将这些局部的信息进行合并，从而得到图像的全部表征信息；不同层的神经单元采用局部连接的方式，即每一层的神经单元只与前一层部分神经单元相连，每个神经单元只响应感受野内的区域，完全不关心感受野之外的区域，局部连接模式保证了学习到的卷积核对输入的空间局部模式具有最强的响应；
(3)权值共享网络结构使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。而且卷积神经网络可以有效的从大量样本中学习到相应地特征，避免了复杂的特征提取过程，适合大量数据的处理和学习；
(4)建立了深层模型，减少了对大量冲击响应信号的处理以及诊断经验依赖，实现了大量数据下冲击特征的自适应提取，减少了信号处理的繁杂任务，保证冲击定位的准确率。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例1、2、3中压电传感器的布置结构示意图；
图2为本公开实施例1、2、3中冲击定位识别的模块连接示意图；
图3为本公开实施例1、2、3中数据样本采集流程示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步地说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合；
为了方便叙述，本公开中如果出现“上”、“下”、“左”、“右”字样，仅表示与附图本身的上、下、左、右方向一致，并不对结构起限定作用，仅仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对本公开的限制。
正如背景技术中所介绍的，现有技术中挖掘机等大型履带式工程机械的操作方式多通过脚控制脚踏、手控制操纵杆，完成设备整体的工作，但是，手脚同时动作容易因动作不协调而导致操作失误，脚部长时间保持在脚踏上方，会阻挡驾驶员对于低处的视野，不利于驾驶员的安全操作；针对上述问题，本公开提出了一种冲击定位识别装置及方法。
实施例1
本公开的一种典型的实施方式中，如图1-图3所示，提出了一种冲击定位识别装置。
在本实施例中，测试结构为航天器舱壁，即铝合金加筋轻量化结构为例，控制器采用计算机，利用仿真枪发射子弹对铝合金加筋轻量化结构产生冲击，使铝合金加筋轻量化结构发生应变，通过压电传感器感受应变产生电信号，经导线将电信号传入NI数据采集卡，通过数据采集卡将电信号转换成计算机可以识别的数字信号，通过计算机加工处理，构建冲击检测数据集，提取频率特征，并结合卷积神经网络模型实现铝合金加筋轻量化结构的冲击位置识别。
结合附图对冲击定位识别装置进行详细描述。
冲击定位识别装置包括：航天器舱壁(铝合金加筋轻量化结构)、压电传感器、电源、仿真枪、衰减/放大器、NI数据采集卡、计算机；
在本实施例中，以压电传感器选用四个为例，将压电创安琪布置在铝合金加筋轻量化结构数据采集区域的周围，采集其结构应变；
仿真枪发射子弹对铝合金加筋轻量化结构产生冲击，通过分布在铝合金加筋板上的4个压电传感器感受结构应变，并将之转换成电压信号，此信号经过衰减/放大器是电压信号满足NI数据采集卡的电压采集范围，再经由数据采集卡将电压信号转换成计算机能够识别的数字信号。
通过使用仿真枪发射子弹对铝合金加筋轻量化结构依次遍历需要采集数据的区域，完成时域信号数据采集，通过计算机数据处理，提取铝合金加筋轻量化结构上各个区域的频率信号，构建冲击定位识别数据集，使用深度学习框架构建卷积神经网络模型，同时载入数据集训练卷积神经网络，使其实现铝合金加筋轻量化结构冲击定位识别任务，并在上位机程序中输出显示位置信息。
具体的，对于上述的各元件：
所述压电传感器，可以感受铝合金加筋轻量化结构的应变，并将其转换成电压信号；
所述衰减/放大器，由于数据采集卡的电压采集范围是有限制的，因此需要将压电传感器输出的电压通过衰减/放大器转换到满足要求的范围；
所属NI数据采集卡，能够将电压信号转换成计算机能够识别的数字信号，完成模数转换。
所述提取频率特征，根据香农采样定理确定采样频率，使用数据采集卡采集铝合金加筋轻量化结构各个区域的响应数据，然后对这些数据进行快速傅里叶变换(FFT)处理，并对频率信号进行归一化处理；
所述构建冲击定位识别数据集，对铝合金加筋轻量化结构各个区域处理后的频率信号进行整合，按区域分组，由于卷积神经网络为监督学习，为此需要确定各个类别的标签，这两部分组成了数据集。
所述卷积神经网络，使用深度学习框架中构建卷积神经网络模型，卷积神经网络的层级结构有数据输入层、卷积计算层、ReLU激励层、池化层、全连接层。
所述上位机程序，包括数据采集模块、波形显示模块、模型导入和冲击定位识别模块。通过数据采集模块采集冲击响应数据；波形显示显示冲击信号；模型导入和冲击定位识别模块。可以导入训练好的卷积神经网络模型，并通过此模型识别冲击的位置。
传统的机器学习方法，主要面向非线性、小样本、高维度数据进行模式识别或者分类，这对于铝合金加筋轻量化结构响应信息特性并不具有针对性，并且对比传统时序模型方法一般存在建模困难、强假设要求、预测误差率较高等一系列缺点；
选用卷积神经网络能够克服传统的机器学习方法存在的问题，不仅避免了显式的特征抽取，而是隐式地从训练数据中进行学习，由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，而且可以共享卷积核，使其布局更接近于实际的生物神经网络，同时，权值共享降低了网络的复杂性，对高维数据处理快速、无压力。
实施例2
本公开的另一典型实施例中，如图1-图3所示，提出一种冲击定位识别方法。
具体包括以下步骤：
步骤如下：
(1)选取4个压电传感器并使用有机硅橡胶将传感器粘合与铝合金加筋轻量化结构上组成传感器单元，并标记为1-4号。
(2)压电传感器固定后，将引线与传感器引脚进行焊接，引线另一端分别和衰减/放大器相连接，衰减/放大器后端端口直接接入NI数据采集卡的4通道输入端，使1-4号传感器的输出分别接入NI数据采集卡的0-3号通道，经过数据采集卡后，电信号被转化成数字信号送入计算机中处理。
(3)根据铝板上不规则的加筋结构将铝合金加筋轻量化结构划分成多个冲击区域，并标记为1-n，而每一个冲击区域分别取在左下、左上、右下、右上、中间位置作为采样冲击点。
(4)给仿真枪填充子弹，选择第1个冲击区域，依次对准左下、左上、右下、右上、中间5个位置发射子弹，同时上位机程序不断采集冲击响应数据，直至第1个冲击区域的数据量满足要求，在进行下一个区域的数据采集，操作同上述方法，直至完成n个冲击区域的采集任务。
(5)数据采集完成后，需要进行特征提取。由于采集的数据为4个通道，分别对每个通道的数据进行快速傅里叶变换，提取频率特征。其次，生成每组数据对应的位置数据将其作为训练标签，从而完成数据集的构建。
(6)将每个位置数据集的10％作为测试集，其余部分作为训练集，即训练集:测试集＝9:1。
(7)使用Python在基于Tensorflow的Keras深度学习框架构建卷积神经网络模型，在构建模型的过程中需要使用数据输入层、卷积计算层、ReLU激励层、池化层以及全连接层，模型创建完成后，便可以载入数据集进行模型训练和模型测试，这个过程可以调整模型参数，直至模型准确率达到标准，并保存此模型。
(8)训练好模型之后，结合LabView编写的上位机程序，编写模型导入模块，导入训练好的卷积神经网络模型，此时，使用仿真枪发射子弹冲击某一区域，经过处理后输入到训练好的模型中，模型便识别冲击区域并输出显示，完成冲击定位识别。
所述步骤3、4中，由于铝合金加筋轻量化结构上的加强筋分布不规则，导致冲击区域大小不一，如果某一区域比较小，可以适量减少冲击位置的数量，例如选区左侧、右侧和中间作为冲击位置。
所述步骤5中基于快速傅里叶变换的频率特征提取的原理如下：
非周期性连续时间信号x(t)的傅里叶变换可以表示为
式中计算出来的是信号x(t)的连续频谱。但是，在实际的控制系统中能够得到的是连续信号x(t)的离散采样值x(nT)。因此需要利用离散信号x(nT)来计算信号x(t)的频谱。
有限长离散信号x(n)，n＝0,1,2,…,N-1的DFT定义为：
可以看出，DFT需要计算大约N2次乘法和N2次加法。当N较大时，这个计算量是很大的。利用WN的对称性和周期性，将N点DFT分解为两个N/2点的DFT，这样两个N/2点DFT总的计算量只是原来的一半，即(N/2)2+(N/2)2＝N2/2，这样可以继续分解下去，将N/2再分解为N/4点DFT等。对于N＝2m点的DFT都可以分解为2点的DFT，这样其计算量可以减少为(N/2)log2N次乘法和Nlog2N次加法。
将x(n)分解为偶数与奇数的两个序列之和，即
x(n)＝x1(n)+x2(n)
x1(n)和x2(n)的长度都是N/2，x1(n)是偶数序列，x2(n)是奇数序列，则
所以
由于
则
其中X1(k)和X2(k)分别为x1(n)和x2(n)的N/2点DFT。由于X1(k)和X2(k)均以N/2为周期，且
所以X(k)又可表示为：
经过m-1次分解，最后将N点DFT分解为N/2个两点DFT。FFT算法的原理是通过许多小的更加容易进行的变换去实现大规模的变换，降低了运算要求，提高了与运算速度。FFT不是DFT的近似运算，它们完全是等效的。
所述步骤6中，在分割数据集时，要确保训练集与测试集组成相同，只是样本数量不同。
所述步骤7中，卷积神经网络实现冲击定位识别的原理如下：
卷积神经网络主要由数据输入层、卷积计算层、ReLU激励层、池化层以及全连接层等组成，其中数据输入层模拟神经元感知信息，用以接受数据。
卷积计算层是指当给定一张新图时，卷积神经网络并不能准确地知道这些特征到底要匹配原图的哪些部分，所以它会在原图中把每一个可能的位置都进行尝试，相当于把这个特征变成了一个过滤器，这个用来匹配的过程就被称为卷积计算。
池化层就是将输入图像进行缩小，减少像素信息，只保留重要信息。
池化的通常操作为，池化区域如果是2*2大小，然后按一定规则转换成相应的值，例如取这个池化区域内的最大值(max-pooling)、平均值(mean-pooling)等，以这个值作为结果的数据值。
ReLU激励层的作用是利用ReLU激活函数来加入非线性因素，把卷积层输出结果做非线性映射，它的特点是收敛快，求梯度简单。
当输入为负值时，输出为0，如果输入为正值，则原样输出。全连接层在整个卷积神经网络中起到“分类器”的作用，即通过卷积计算、激活函数、池化等深度网络后，再经过全连接层对结果进行识别分类。
实施例3
本申请的再一典型实施例中，给出一种利用如实施例2中冲击定位识别方法的操作过程。
包括以下步骤：
在铝合金加筋轻量化平板内依据加强筋的分布划分成9个区域，分别在1、3、7和9号区域用硅橡胶安装4个压电传感器，具体安装位置如图1所示；如图2所示，冲击定位识别整体装置包括：铝合金加筋轻量化结构、压电传感器、电源、仿真枪、衰减/放大器、NI数据采集卡、计算机等。
铝合金加筋轻量化平板的9个区域内又分别设置5个冲击点，使用仿真枪发射子弹冲击平板的1号区域的第一个冲击点，上位机采集时域冲击响应信号，每一个冲击点完成300次冲击，直至完成本区域的信号采集才会移至下一个区域，从而完成9个区域的数据集采集任务，具体数据样本采集流程如图3所示。
由于采集的样本数据为时域信号，为了获取各个区域的频域特征，需要进行FFT变换将时域信号转换成频域信号，构建完整的数据集。
使用Python语言在Keras深度学习框架下搭建卷积神经网络模型，模型结构如图2中卷积神经网络模块所示，同时载入数据集进行模型的训练，是模型准确率达到指标要求，保存训练好的卷积神经网络模型。
在Labview编写的上位机程序中导入训练好的卷积神经网络模型，再次使用仿真枪发射子弹冲击铝合金加筋轻量化平板的各个区域，获取实时冲击响应信号，通过训练好的卷积神经网络模型便可识别冲击位置，实现铝合金加筋轻量化结构冲击定位在线识别。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种冲击定位识别装置，其特征在于，包括：
冲击输出机构，用于向测试结构数据采集区域施加冲击；
压电传感器，安装在测试结构上采集测试结构应变数据发送至控制器；
控制器，获取应变数据并基于卷积神经网络模型实现冲击定位识别；
其中，卷积神经网络模型基于冲击定位识别数据集利用深度学习框架训练构建。
2.如权利要求1所述的冲击定位识别装置，其特征在于，所述冲击输出机构为仿真枪，在构建冲击定位识别数据集时，通过发射子弹对测试结构依次遍历需要采集数据的区域。
3.如权利要求1所述的冲击定位识别装置，其特征在于，所述压电传感器有多个，布置在测试结构数据采集区域的周围，采集测试结构的结构应变。
4.如权利要求2所述的冲击定位识别装置，其特征在于，所述压电传感器有四个，布置在矩形数据采集区域外的四个角上，压电传感器均与控制器电联。
5.如权利要求1所述的冲击定位识别装置，其特征在于，所述控制器包括数据采集模块、波形显示模块、模型导入和冲击定位模块，数据采集模块与压电传感器电联，波形显示模块显示冲击信号，模型导入和冲击定位模块用于导入训练好的卷积神经网络模型并通过此模型识别冲击位置。
6.一种冲击定位识别方法，其特征在于，包括以下步骤：
在测试结构上布置压电传感器并标记，压电传感器与控制器电联；
对数据采集区域施加冲击，压电传感器采集测试结构的结构应变并发送至控制器；
依次对多个数据采集区域完成冲击并采集相应的结构应变数据；
对结构应变数据进行特征提取，构建冲击定位识别数据集；
基于冲击定位识别数据集利用深度学习框架构建卷积神经网络模型；将训练好的卷积神经网络模型导入控制器，获取测试结构上的冲击进行识别，并输出显示，完成冲击定位识别。
7.如权利要求6所述的冲击定位识别方法，其特征在于，所述压电传感器布置在测试区域的周围，并依次通过衰减/放大器、数据采集卡进行处理后接入控制器。
8.如权利要求6所述的冲击定位识别方法，其特征在于，依据测试结构上不规则的加筋结构将数据采集区域划分为多个冲击区域，并取每个冲击区域的四个角和中间位置作为采样冲击点，依次对每个冲击区域进行冲击并采集相应的结构应变数据。
9.如权利要求8所述的冲击定位识别方法，其特征在于，对压电传感器采集的数据提取频率特征，生成每组数据对应的位置数据将其作为训练标签，完成数据集的构建，将每个位置的部分数据集作为测试集，其与部分作为训练集。
10.如权利要求6所述的冲击定位识别方法，其特征在于，在模型创建完成后，载入数据集进行模型训练和模型测试，调整模型参数，直至模型准确率达到标准，保存此模型完成训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010573209.2A CN111721450B (zh) | 2020-06-22 | 2020-06-22 | 一种冲击定位识别装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010573209.2A CN111721450B (zh) | 2020-06-22 | 2020-06-22 | 一种冲击定位识别装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111721450A true CN111721450A (zh) | 2020-09-29 |
| CN111721450B CN111721450B (zh) | 2021-06-29 |
Family
ID=72569905
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010573209.2A Active CN111721450B (zh) | 2020-06-22 | 2020-06-22 | 一种冲击定位识别装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111721450B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113792484A (zh) * | 2021-09-07 | 2021-12-14 | 珠海格力电器股份有限公司 | 货物冲击姿态模型构建方法和平台 |
| CN115326935A (zh) * | 2022-08-29 | 2022-11-11 | 厦门大学 | 基于卷积神经网络和质心加权的冲击定位方法、可读存储介质及设备 |
| CN116428129A (zh) * | 2023-06-13 | 2023-07-14 | 山东大学 | 基于注意力混合神经网络的风机叶片冲击定位方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1669048A (zh) * | 2002-06-12 | 2005-09-14 | 国家科学研究中心 | 定位表面冲击的方法及其实现设备 |
| US20060225496A1 (en) * | 2005-04-06 | 2006-10-12 | Rosemount Aerospace Inc. | Method and apparatus for obtaining improved accuracy and range for air data parameters inferred from independent measurements of interdependent pressures |
| CN101000293A (zh) * | 2007-01-18 | 2007-07-18 | 南京航空航天大学 | 飞行器层合结构冲击位置的监测方法及其监测装置 |
| CN102183350A (zh) * | 2011-03-10 | 2011-09-14 | 南京航空航天大学 | 一种大型航空结构实时冲击监测仪及方法 |
| CN106645406A (zh) * | 2016-12-02 | 2017-05-10 | 北京空间飞行器总体设计部 | 一种航天器遭受空间碎片撞击的定位系统及定位方法 |
| CN108333046A (zh) * | 2018-02-02 | 2018-07-27 | 江苏科技大学 | 一种测定膜材料力学性能的装置及采用该装置进行测定的方法 |
| CN108645498A (zh) * | 2018-04-28 | 2018-10-12 | 南京航空航天大学 | 基于相敏光反射和卷积神经网络深度学习的冲击定位方法 |
| US20190065951A1 (en) * | 2017-08-31 | 2019-02-28 | Micron Technology, Inc. | Cooperative learning neural networks and systems |
-
2020
- 2020-06-22 CN CN202010573209.2A patent/CN111721450B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1669048A (zh) * | 2002-06-12 | 2005-09-14 | 国家科学研究中心 | 定位表面冲击的方法及其实现设备 |
| US20060225496A1 (en) * | 2005-04-06 | 2006-10-12 | Rosemount Aerospace Inc. | Method and apparatus for obtaining improved accuracy and range for air data parameters inferred from independent measurements of interdependent pressures |
| CN101000293A (zh) * | 2007-01-18 | 2007-07-18 | 南京航空航天大学 | 飞行器层合结构冲击位置的监测方法及其监测装置 |
| CN102183350A (zh) * | 2011-03-10 | 2011-09-14 | 南京航空航天大学 | 一种大型航空结构实时冲击监测仪及方法 |
| CN106645406A (zh) * | 2016-12-02 | 2017-05-10 | 北京空间飞行器总体设计部 | 一种航天器遭受空间碎片撞击的定位系统及定位方法 |
| US20190065951A1 (en) * | 2017-08-31 | 2019-02-28 | Micron Technology, Inc. | Cooperative learning neural networks and systems |
| CN108333046A (zh) * | 2018-02-02 | 2018-07-27 | 江苏科技大学 | 一种测定膜材料力学性能的装置及采用该装置进行测定的方法 |
| CN108645498A (zh) * | 2018-04-28 | 2018-10-12 | 南京航空航天大学 | 基于相敏光反射和卷积神经网络深度学习的冲击定位方法 |
Non-Patent Citations (2)
| Title |
|---|
| CHENHUI SU,MINGSHUN JIANG,SHANSHAN LV，AT EL.: "Improved Damage Localization and Quantification of CFRP Using Lamb Waves and Convolution Neural Network", 《IEEE SENSORS JOURNAL》 * |
| IULIANA TABIAN，HAILING FU，ZAHRA SHARIF KHODAEI: "A Convolutional Neural Network for Impact Detection and Characterization of Complex Composite Structures", 《SENSORS》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113792484A (zh) * | 2021-09-07 | 2021-12-14 | 珠海格力电器股份有限公司 | 货物冲击姿态模型构建方法和平台 |
| CN113792484B (zh) * | 2021-09-07 | 2024-02-27 | 珠海格力电器股份有限公司 | 货物冲击姿态模型构建方法和平台 |
| CN115326935A (zh) * | 2022-08-29 | 2022-11-11 | 厦门大学 | 基于卷积神经网络和质心加权的冲击定位方法、可读存储介质及设备 |
| CN116428129A (zh) * | 2023-06-13 | 2023-07-14 | 山东大学 | 基于注意力混合神经网络的风机叶片冲击定位方法及系统 |
| CN116428129B (zh) * | 2023-06-13 | 2023-09-01 | 山东大学 | 基于注意力混合神经网络的风机叶片冲击定位方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111721450B (zh) | 2021-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111721450B (zh) | 一种冲击定位识别装置及方法 | |
| CN112131760B (zh) | 基于cbam模型的航空发动机剩余寿命预测方法 | |
| CN112507915B (zh) | 一种基于振动响应信息的螺栓连接结构松动状态识别方法 | |
| CN109902832A (zh) | 机器学习模型的训练方法、异常预测方法及相关装置 | |
| CN111562612B (zh) | 一种基于注意力机制的深度学习微震事件识别方法及系统 | |
| CN110631792B (zh) | 基于卷积神经网络的抗震混合试验模型更新方法 | |
| CN112185104A (zh) | 一种基于对抗自编码器的交通大数据修复方法 | |
| CN102262211A (zh) | 基于回声状态网络动态分类的模拟电路故障诊断方法 | |
| CN106197886A (zh) | 液压缸内泄漏故障诊断评估方法 | |
| CN113627093A (zh) | 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法 | |
| CN112785183B (zh) | 一种分层融合式车辆分队健康管理系统架构 | |
| CN113607325A (zh) | 一种钢结构螺栓群松动定位智能监测方法及系统 | |
| CN112668526A (zh) | 基于深度学习和压电主动传感的螺栓群松动定位监测方法 | |
| CN113688770B (zh) | 高层建筑长期风压缺失数据补全方法及装置 | |
| Zong et al. | Embedded software fault prediction based on back propagation neural network | |
| CN116822089A (zh) | 一种基于数据驱动的电动机内部扰动分析及建模方法 | |
| CN116432359A (zh) | 基于元迁移学习的变拓扑网络潮流计算方法 | |
| CN115101149B (zh) | 材料微观结构总能量预测方法 | |
| CN112711873B (zh) | 基于兰姆波和神经网络进行损伤定位的方法及系统、介质 | |
| CN114841063A (zh) | 一种基于深度学习的航空发动机剩余寿命预测方法 | |
| CN114638048A (zh) | 三维喷管流场快速预测与敏感性参数分析方法及装置 | |
| Mohanty et al. | Fatigue life prediction using multivariate gaussian process | |
| CN111177975A (zh) | 一种基于人工智能的航空装备可用度预计方法 | |
| Kulakovskyi et al. | Defect sizing using convolution neural network applied to guided wave imaging | |
| Wang et al. | Complex equipment diagnostic reasoning based on neural network algorithm |
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 |