CN114429771A - 钢梁与cfrp板粘结缺陷智能检测方法及系统 - Google Patents
钢梁与cfrp板粘结缺陷智能检测方法及系统 Download PDFInfo
- Publication number
- CN114429771A CN114429771A CN202210353589.8A CN202210353589A CN114429771A CN 114429771 A CN114429771 A CN 114429771A CN 202210353589 A CN202210353589 A CN 202210353589A CN 114429771 A CN114429771 A CN 114429771A
- Authority
- CN
- China
- Prior art keywords
- mfcc
- cfrp
- steel beam
- debonding
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- 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
-
- 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/21—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being power information
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
Abstract
本发明公开一种钢梁与CFRP板粘结缺陷智能检测方法及系统,所述方法包括:使用敲击工具敲击采用CFRP加固的钢梁结构表面的损伤位置,采集对应的声音信号并对声音信号进行预处理;对预处理后的声音信号提取L阶MFCC系数,形成MFCC矩阵;将MFCC矩阵转换为MFCC特征图,并以脱粘面积为标签制作数据集;搭建CNN神经网络模型,通过所述数据集训练CNN神经网络模型;通过训练好的CNN神经网络模型对采用CFRP加固的钢梁结构进行脱粘面积识别。本发明将声音频率损伤识别方法与深度学习等方法结合起来,实现对钢梁与CFRP板粘结结构的脱粘面积识别,可进行脱粘部位定位及脱粘面积量化识别。
Description
技术领域
本发明属于结构健康监测领域,具体涉及一种钢梁与CFRP板粘结缺陷智能检测方法及系统。
背景技术
碳纤维增强聚合物(CFRP)材料具有安装方便、耐腐蚀性能好、强重比高等特点而广泛运用于钢结构加固。通过在结构受拉区域粘贴CFRP板可以有效加固钢结构并保证其安全。
然而,钢结构与加固CFRP板之间的脱胶是加固CFRP板的主要破坏形式之一,不仅会影响加固效果,而且还可能会导致结构突发性破坏。压电波动法、超声波检测技术、X射线检测、红外热成像仪检测等传统的方法大多需要复杂的设备和算法以及工艺,设备造价昂贵,对检测人员技术要求较高,在一些工程应用中可能难以部署。
目前,该领域并没有一种行之有效的方法对钢梁与CFRP板粘接强度的变化进行有效的检测和识别。因此,有必要采用一种简单有效的无损检测方法来检测钢结构与加固CFRP板之间的粘结缺陷。
发明内容
有鉴于此,本发明提出了一种钢梁与CFRP板粘结缺陷智能检测方法及系统,用于解决无法有效识别钢梁与CFRP板的脱粘面积的问题。
本发明第一方面,公开一种钢梁与CFRP板粘结缺陷智能检测方法,所述方法包括:
使用敲击工具敲击采用CFRP加固的钢梁结构表面的损伤位置,采集对应的声音信号并对声音信号进行预处理;
对预处理后的声音信号提取L阶MFCC系数,形成MFCC矩阵;
将MFCC矩阵转换为MFCC特征图,并以脱粘面积为标签制作数据集;
搭建CNN神经网络模型,通过所述数据集训练CNN神经网络模型;
通过训练好的CNN神经网络模型对采用CFRP加固的钢梁结构进行脱粘位置定位和脱粘面积识别。
在以上技术方案的基础上,优选的,所述通过LabVIEW平台和麦克风采集声音信号。
在以上技术方案的基础上,优选的,所述预处理包括采用巴特沃斯滤波器进行降噪。
在以上技术方案的基础上,优选的,所述对预处理后的声音信号提取L阶MFCC系数,形成MFCC矩阵具体包括:
将预处理后的声音信号通过高通滤波器进行高频预加重,并进行信号分帧和加窗;
对分帧加窗后的各帧信号进行快速傅里叶变换得到各帧的频谱;
对声音信号的频谱取模平方得到声音信号的能量谱;
将能量谱通过三角形滤波器组进行Mel滤波;
计算每个滤波器组输出的对数能量;
对数能量进行离散余弦变换得到L阶MFCC系数;
通过将一段信号分成L帧,每帧信号形成L阶MFCC指数,一段信号形成L*L的MFCC矩阵;
在以上技术方案的基础上,优选的,所述将MFCC矩阵转换为MFCC特征图,并以脱粘面积为标签标制作数据集具体包括:
以2 cm *2cm、2 cm *4cm、4 cm *4cm、4 cm *6cm、6 cm *6cm的面积缺陷作为损伤量化指标,获取敲击损伤位置的中间部位得到的MFCC矩阵作为数据样本,以MFCC的阶数为横轴,以时间序列为纵轴,将MFCC矩阵转换为灰度图,得到不同工况下对应的MFCC灰度图作为数据集。
在以上技术方案的基础上,优选的,所述CNN神经网络模型包括依次连接的输入层、9*9卷积层、2*2池化层、7*7卷积层、2*2池化层、5*5卷积层、2*2池化层、第一全连接层、第二全连接层;激活函数采用ReLU函数,采用交叉熵损失函数进行分类输出,优化器采用SGD函数进行优化。
在以上技术方案的基础上,优选的,所述通过训练好的CNN神经网络模型对采用CFRP加固的钢梁结构进行脱粘位置定位和脱粘面积识别具体包括:
对待测的钢梁与CFRP板粘结结构表面进行网格划分;
使用敲击工具敲击不同网格对应的位置,分别采集对应的待测声音信号并对待测声音信号进行预处理;
分别对预处理后的待测声音信号提取L阶MFCC系数,形成待测MFCC矩阵;
分别将待测MFCC矩阵转换为待测MFCC特征图,分别输入训练好的CNN神经网络模型,输出脱粘位置定位结果和脱粘面积识别结果。
本发明第二方面,公开一种钢梁与CFRP板粘结缺陷智能检测系统,所述系统包括:
数据采集模块:用于采集使用敲击工具敲击采用CFRP加固的钢梁结构表面产生的声音信号;
数据处理模块:用于对声音信号进行预处理,对预处理后的声音信号提取L阶MFCC系数,形成MFCC矩阵;
数据集制作模块:用于将MFCC矩阵转换为MFCC特征图,并以脱粘面积为标签制作数据集;
模型训练模块:用于搭建CNN神经网络模型,通过所述数据集训练CNN神经网络模型;
脱粘识别模块:用于通过训练好的CNN神经网络模型对采用CFRP加固的钢梁结构进行脱粘位置定位和脱粘面积识别。
本发明第三方面,公开一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;
其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现如本发明第一方面所述的方法。
本发明第四方面,公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使计算机实现如本发明第一方面所述的方法。
本发明相对于现有技术具有以下有益效果:
1)本发明将声音频率损伤识别方法与深度学习等方法结合起来,通过提取不同敲击位置的声音信号的MFCC特征,转换成特征图,并以脱粘面积作为损伤量化指标制作数据集训练卷积神经网络模型,进而实现对钢梁与CFRP板粘结结构的脱粘部位识别,不仅可以进行脱粘位置定位,还可以实现脱粘面积量化识别。
2)本发明具有可操作性强、成本低廉、识别效果好等优点,可以进行结构加固完成后质量检测以及后期服役过程中的定期检测,可以有效的检测CFRP加固板与钢梁界面的粘结缺陷情况从而为加固结构服役期间的安全评价和寿命预测提供了科学依据,对于减少整个系统结构的监测和运行维护成本,降低由CFRP板加固结构中粘接力失效引起的安全隐患和运行风险。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明的钢梁与CFRP板粘结缺陷智能检测装置结构图;
图2为本发明提出的一种钢梁与CFRP板粘结缺陷智能检测方法流程图;
图3为本发明实施例提供的不同工况下对应的MFCC灰度图示例;
图4为本发明实施例提供的训练集的准确率和loss损失函数曲线;
图5为本发明实施例提供的测试集的准确率和loss损失函数曲线。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。
本发明使用图1所示装置进行钢梁与CFRP板粘结缺陷智能检测,在钢梁与CFRP板粘结结构表面画出合适大小的网格,然后选择合适大小的方形锤子,并且准备好采集声音信号的麦克风,之后将麦克风与计算机相连,计算机上通过LabVIEW平台采集声音信号并显示结构的振动频率信息,通过频域图可分辨出不同损伤状态下的声音信号的频域差别,对结构损伤位置进行初步的判断。然后基于声音信号,使用本发明提出的钢梁与CFRP板粘结缺陷智能检测方法或系统,对结构的脱粘部位进行量化显示,进而将结构脱粘损伤的程度进行可视化。
如图2所示,本发明提出一种钢梁与CFRP板粘结缺陷智能检测方法,所述方法包括:
S1、使用敲击工具敲击采用CFRP加固的钢梁结构表面的损伤位置,采集对应的声音信号并对声音信号进行预处理;
如图1所示,使用20mm*20mm方形锤子敲击工具,采用工字形被加固钢梁,结构胶层粘贴于被加固钢梁表面,碳纤维板(CFRP板)粘贴于结构胶层表面。对钢梁与CFRP板粘结结构表面进行网格划分,通过方形锤子敲击损伤位置的中间部位,通过麦克风收集不同敲击位置产生的声音信号,在与麦克风相连的计算机上,采用LabVIEW平台按设定的采样频率及通道数进行声音信号采样,将采集到的声音信号保存到计算机中。然后对声音信号进行预处理,具体可采用巴特沃斯滤波器进行降噪,参数设置如下:通带最大波纹度Rp=1dB,阻带最小衰减Rs=30dB;单位通带边界频率wp=0.25*pi和阻带边界频率ws=0.4*pi,单位为rad/s。
S2、对预处理后的声音信号提取L阶MFCC系数,形成MFCC矩阵。
步骤S2具体包括如下分步骤:
S21、将预处理后的声音信号通过高通滤波器进行高频预加重,高通滤波器的传递函数H(z)如下:
μ为预加重系数,z为对所述加重音频信号进行处理过程中的变化频域。预加重的目的提升高频部分,使信号变得平坦,保持在低频到高频的整个过程中,能用同样的信噪比求频谱。
S22、进行信号分帧和加窗。
信号分帧是将P个采样点集合成一个观测单位,称为帧。P的取值为256或512,为避免相邻为了避免相邻两帧的变化过大,让两相邻帧之间有一段重叠区域,此重叠区域包含了Q个取样点,通常Q的值约为P的1/2或1/3。通常语音识别所采用语音信号的采样频率为8KHz或16KHz,以8KHz来说,若帧长度为256个采样点,则对应的时间长度是256/8000*1000=32ms。
加窗是将每一帧乘以汉明窗,以增加帧左端和右端的连续性。假设分帧后的信号为S(n), n=0,1,…,N-1,N为帧的大小,乘以汉明窗后,如下:
式中a=0.46。
S23、对分帧加窗后的各帧信号进行离散快速傅里叶变换得到各帧的频谱:
S24、对声音信号的频谱取模平方得到声音信号的功率谱;
S25、将能量谱通过三角形滤波器组进行Mel滤波;
定义一个有M个三角滤波器的滤波器组, M通常取22-26。中心频率为f(m),m=1,2,…,M,各f(m)之间的间隔随着m值的减小而缩小,随着m值的增大而增宽。
三角滤波器的频率响应定义为:
S26、计算每个滤波器组输出的对数能量;
N为傅里叶变换的点数,M为三角滤波器个数。
S27、对数能量进行离散余弦变换得到L阶MFCC系数;
L阶指MFCC系数阶数,通常取12-16,本发明的数据处理过程中采用16阶MFCC。
S28、通过将一段信号分成L帧,每帧信号形成L阶MFCC指数,最终一段信号形成L*L的MFCC矩阵。
在本实施例中,截取的声音信号长度为0.18s,共16帧,采用汉明窗,每帧长度为1440,重叠窗口为480点;并提取16阶MFCC,形成MFCC矩阵。
S3、将MFCC矩阵转换为MFCC特征图,并以脱粘面积为标签制作数据集;
本实施例中用于制作数据集的数据来自于HW100*100*6*8工字钢(长度500mm)翼缘板的碳板加固结构界面缺陷数据。实验构件中边界条件为固支,以2 cm *2cm、2 cm *4cm、4 cm *4cm、4 cm *6cm、6 cm *6cm的面积缺陷作为损伤量化指标,获取采用步骤S1的方式获取不同工况下敲击损伤位置的中间部位声音信号以及通过步骤S2的数据处理得到的MFCC矩阵,每个损伤位置采集100条有效数据信息,本实施例共采集1000条有效数据信息作为数据样本,并获取一定量的敲击正常构件的声音信号转换成MFCC矩阵作为正样本。本实施例中采集声音的采样频率为48KHz、双通道采样,截取的有效声音长度为0.18s,以MFCC的阶数为横轴,以时间序列为纵轴,将MFCC矩阵转换为灰度图,得到不同工况下对应的MFCC灰度图作为数据集。
图3为不同工况下对应的MFCC灰度图示例,其中,a为正常构件MFCC特征图,b为2cm*2cm损伤面积的MFCC特征图,c为2cm*4cm损伤位置MFCC,d为4 cm *4 cm损伤面积的MFCC特征图,e为4 cm *6 cm损伤面积的MFCC特征图,f为6 cm *6 cm损伤面积的MFCC特征图。
S4、搭建CNN神经网络模型,通过所述数据集训练CNN神经网络模型。
所述CNN神经网络模型包括依次连接的输入层、9*9卷积层、2*2池化层、7*7卷积层、2*2池化层、5*5卷积层、2*2池化层、第一全连接层、第二全连接层;激活函数采用ReLU函数,采用交叉熵损失函数进行分类输出,优化器采用SGD函数进行优化。
具体参数设置如下:
(1)输入层,同一将图片转化为尺寸600*800*3,并且将图片上的RGB值归一化。
(2)卷积层:输入图片尺寸大小为600*800*3,卷积核大小为9*9,步长为5。
(3)池化层:采用均值池化(Average Pooling:2*2),输出图片尺寸大小为40*53*6,激活函数采用ReLU函数。
(4)卷积层:输入图片尺寸大小为40*53*6,卷积核大小为7*7,步长为3。
(5)池化层:采用均值池化(Average Pooling:2*2),输出图片尺寸大小为13*17*16,激活函数采用ReLU函数。
(6)卷积层:输入图片尺寸大小为13*17*16,卷积核大小为5*5,步长为3。
(7)池化层:采用均值池化(Average Pooling:2*2),输出图片尺寸大小为6*8*25,激活函数采用ReLU函数。
(8)全连接层:
FC1:输入图片尺寸大小为6*8*25,输出图片尺寸大小为600,激活函数ReLU函数;
FC2:输入图片尺寸大小为600,输出图片尺寸大小为80,激活函数采用ReLU函数,采用交叉熵损失函数进行分类输出,优化器采用SGD函数进行优化。
图4为训练集的准确率和loss损失函数曲线,图5为测试集的准确率和loss损失函数曲线。由图4和图5可知,经过本实施例的测试,对于模拟界面脱粘面积的识别中,本实施例训练模型的识别效果准确率维持在99.9%左右,能够以稳定的高准确率识别出界面脱粘面积,证实了本发明提出的方法的可行性与有效性。
因此,通过采集敲击结构所产生的信号,利用本发明训练好的神经网络模型,即可分析出CFRP与钢梁的粘结缺陷,从而对CFRP与钢梁的粘结缺陷进行准确地评估和监测。
S5、通过训练好的CNN神经网络模型对采用CFRP加固的钢梁结构进行脱粘位置定位和脱粘面积识别。
S51、步骤S1类似,对待测的钢梁与CFRP板粘结结构表面进行网格划分,按照预设间隔敲击不同位置的网格,采集对应的声音信号先进行损伤位置预定位,获取较可能存在损伤的预定位区域,在预定位区域内减少敲击间隔,使用敲击工具依次敲击待测的钢梁与CFRP板粘结结构表面的不同网格对应的位置,分别采集对应的待测声音信号并对待测声音信号进行预处理;
S52、步骤S2类似,分别对预处理后的待测声音信号提取L阶MFCC系数,形成待测MFCC矩阵;
S53、分别将待测MFCC矩阵转换为待测MFCC特征图,输入训练好的CNN神经网络模型,输出脱粘位置定位结果和脱粘面积识别结果。
具体的,训练好的CNN神经网络模型对不同位置的敲击声音信号进行识别,输出不同位置对应的识别结果,当某一位置对应的识别结果为脱粘,输出脱粘面积,则根据对应位置进行脱粘位置定位。因此,本申请可同时实现脱粘位置定位和脱粘面积识别。
与上述方法实施例相对应,本发明还提出一种钢梁与CFRP板粘结缺陷智能检测系统,所述系统包括:
数据采集模块:用于采集使用敲击工具敲击采用CFRP加固的钢梁结构表面产生的声音信号;
数据处理模块:用于对声音信号进行预处理,对预处理后的声音信号提取L阶MFCC系数,形成MFCC矩阵;
数据集制作模块:用于将MFCC矩阵转换为MFCC特征图,并以脱粘面积为标签制作数据集;
模型训练模块:用于搭建CNN神经网络模型,通过所述数据集训练CNN神经网络模型;
脱粘识别模块:用于通过训练好的CNN神经网络模型对采用CFRP加固的钢梁结构进行脱粘位置定位和脱粘面积识别。
以上系统实施例和方法实施例是一一对应的,系统实施例简述之处请参阅方法实施例即可。
本发明还公开一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现本发明前述的方法。
本发明还公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括:U盘、移动硬盘、只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以分布到多个网络单元上。本领域普通技术人员在不付出创造性的劳动的情况下,可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种钢梁与CFRP板粘结缺陷智能检测方法,其特征在于,所述方法包括:
使用敲击工具敲击采用CFRP加固的钢梁结构表面的损伤位置,采集对应的声音信号并对声音信号进行预处理;
对预处理后的声音信号提取L阶MFCC系数,形成MFCC矩阵;
将MFCC矩阵转换为MFCC特征图,并以脱粘面积为标签制作数据集;
搭建CNN神经网络模型,通过所述数据集训练CNN神经网络模型;
通过训练好的CNN神经网络模型对采用CFRP加固的钢梁结构进行脱粘位置定位和脱粘面积识别。
2.根据权利要求1所述的钢梁与CFRP板粘结缺陷智能检测方法,其特征在于,通过LabVIEW平台和麦克风采集声音信号。
3.根据权利要求2所述的钢梁与CFRP板粘结缺陷智能检测方法,其特征在于,所述预处理包括采用巴特沃斯滤波器进行降噪。
4.根据权利要求1所述的钢梁与CFRP板粘结缺陷智能检测方法,其特征在于,所述对预处理后的声音信号提取L阶MFCC系数,形成MFCC矩阵具体包括:
将预处理后的声音信号通过高通滤波器进行高频预加重,并进行信号分帧和加窗;
对分帧加窗后的各帧信号进行快速傅里叶变换得到各帧的频谱;
对声音信号的频谱取模平方得到声音信号的能量谱;
将能量谱通过三角形滤波器组进行Mel滤波;
计算每个滤波器组输出的对数能量;
对数能量进行离散余弦变换得到L阶MFCC系数;
通过将一段信号分成L帧,每帧信号提取L阶MFCC指数,一段信号形成L*L的MFCC矩阵。
5.根据权利要求4所述的钢梁与CFRP板粘结缺陷智能检测方法,其特征在于,所述将MFCC矩阵转换为MFCC特征图,并以脱粘面积为标签标制作数据集具体包括:
以2 cm *2cm、2 cm *4cm、4 cm *4cm、4 cm *6cm、6 cm *6cm的面积缺陷作为损伤量化指标,获取不同工况下敲击损伤位置的中间部位得到的MFCC矩阵作为数据样本,以MFCC的阶数为横轴,以时间序列为纵轴,将MFCC矩阵转换为灰度图,得到不同工况下对应的MFCC灰度图作为数据集。
6.根据权利要求1所述的钢梁与CFRP板粘结缺陷智能检测方法,其特征在于,所述CNN神经网络模型包括依次连接的输入层、9*9卷积层、2*2池化层、7*7卷积层、2*2池化层、5*5卷积层、2*2池化层、第一全连接层、第二全连接层;激活函数采用ReLU函数,采用交叉熵损失函数进行分类输出,优化器采用SGD函数进行优化。
7.根据权利要求1所述的钢梁与CFRP板粘结缺陷智能检测方法,其特征在于,所述通过训练好的CNN神经网络模型对采用CFRP加固的钢梁结构进行脱粘位置定位和脱粘面积识别具体包括:
对待测的钢梁与CFRP板粘结结构表面进行网格划分;
使用敲击工具依次敲击不同网格对应的位置,分别采集对应的待测声音信号并对待测声音信号进行预处理;
分别对预处理后的待测声音信号提取L阶MFCC系数,形成待测MFCC矩阵;
分别将待测MFCC矩阵转换为待测MFCC特征图,分别输入训练好的CNN神经网络模型,输出脱粘位置定位结果和脱粘面积识别结果。
8.一种钢梁与CFRP板粘结缺陷智能检测系统,其特征在于,所述系统包括:
数据采集模块:用于采集使用敲击工具敲击采用CFRP加固的钢梁结构表面的损伤位置产生的声音信号;
数据处理模块:用于对声音信号进行预处理,对预处理后的声音信号提取L阶MFCC系数,形成MFCC矩阵;
数据集制作模块:用于将MFCC矩阵转换为MFCC特征图,并以脱粘面积为标签制作数据集;
模型训练模块:用于搭建CNN神经网络模型,通过所述数据集训练CNN神经网络模型;
脱粘识别模块:用于通过训练好的CNN神经网络模型对采用CFRP加固的钢梁结构进行脱粘位置定位和脱粘面积识别。
9.一种电子设备,其特征在于,包括:至少一个处理器、至少一个存储器、通信接口和总线;
其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现如权利要求1~7任一项所述的方法。
10.一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存储计算机指令,所述计算机指令使计算机实现如权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210353589.8A CN114429771A (zh) | 2022-04-02 | 2022-04-02 | 钢梁与cfrp板粘结缺陷智能检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210353589.8A CN114429771A (zh) | 2022-04-02 | 2022-04-02 | 钢梁与cfrp板粘结缺陷智能检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114429771A true CN114429771A (zh) | 2022-05-03 |
Family
ID=81314386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210353589.8A Pending CN114429771A (zh) | 2022-04-02 | 2022-04-02 | 钢梁与cfrp板粘结缺陷智能检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114429771A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1425730A (zh) * | 2002-11-29 | 2003-06-25 | 国家工业建筑诊断与改造工程技术研究中心 | 用纤维增强复合材料加固修复钢结构的方法 |
JP2008255415A (ja) * | 2007-04-05 | 2008-10-23 | Yasusaburo Sakai | 炭素繊維強化金属複合材フィルム及びその製造法 |
CN106290152A (zh) * | 2016-08-29 | 2017-01-04 | 北京星航机电装备有限公司 | 一种用于复合材料复杂型面粘接质量的原位检测方法 |
CN107053702A (zh) * | 2017-05-04 | 2017-08-18 | 华东交通大学 | 基于真空负压法的钢构件加固工艺 |
CN107545902A (zh) * | 2017-07-14 | 2018-01-05 | 清华大学 | 一种基于声音特征的物品材质识别方法及装置 |
CN107609488A (zh) * | 2017-08-21 | 2018-01-19 | 哈尔滨工程大学 | 一种基于深度卷积网络的舰船噪声识别分类方法 |
CN108648764A (zh) * | 2018-05-14 | 2018-10-12 | 南京信息工程大学 | 基于雨水敲击声识别的雨量测量系统及其测量方法 |
CN110246504A (zh) * | 2019-05-20 | 2019-09-17 | 平安科技(深圳)有限公司 | 鸟类声音识别方法、装置、计算机设备和存储介质 |
CN111159838A (zh) * | 2018-10-18 | 2020-05-15 | 现代自动车株式会社 | 预测接合异种材料的接合强度的方法及车辆制造方法 |
CN111983020A (zh) * | 2020-08-25 | 2020-11-24 | 绍兴市特种设备检测院 | 一种金属构件内部缺陷敲击检测识别系统及识别方法 |
WO2021068848A1 (zh) * | 2019-10-09 | 2021-04-15 | 山东大学 | 隧道结构病害多尺度检测与智能诊断系统及方法 |
WO2021199380A1 (ja) * | 2020-04-01 | 2021-10-07 | 日本製鉄株式会社 | 車両用炭素繊維強化プラスチック複合金属板及び車両用パネル |
CN113643275A (zh) * | 2021-08-29 | 2021-11-12 | 浙江工业大学 | 一种基于无监督流形分割的超声波缺陷检测方法 |
CN216051494U (zh) * | 2021-09-14 | 2022-03-15 | 武汉地震工程研究院有限公司 | 一种钢梁与碳纤维板粘接强度的监测系统 |
-
2022
- 2022-04-02 CN CN202210353589.8A patent/CN114429771A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1425730A (zh) * | 2002-11-29 | 2003-06-25 | 国家工业建筑诊断与改造工程技术研究中心 | 用纤维增强复合材料加固修复钢结构的方法 |
JP2008255415A (ja) * | 2007-04-05 | 2008-10-23 | Yasusaburo Sakai | 炭素繊維強化金属複合材フィルム及びその製造法 |
CN106290152A (zh) * | 2016-08-29 | 2017-01-04 | 北京星航机电装备有限公司 | 一种用于复合材料复杂型面粘接质量的原位检测方法 |
CN107053702A (zh) * | 2017-05-04 | 2017-08-18 | 华东交通大学 | 基于真空负压法的钢构件加固工艺 |
CN107545902A (zh) * | 2017-07-14 | 2018-01-05 | 清华大学 | 一种基于声音特征的物品材质识别方法及装置 |
CN107609488A (zh) * | 2017-08-21 | 2018-01-19 | 哈尔滨工程大学 | 一种基于深度卷积网络的舰船噪声识别分类方法 |
CN108648764A (zh) * | 2018-05-14 | 2018-10-12 | 南京信息工程大学 | 基于雨水敲击声识别的雨量测量系统及其测量方法 |
CN111159838A (zh) * | 2018-10-18 | 2020-05-15 | 现代自动车株式会社 | 预测接合异种材料的接合强度的方法及车辆制造方法 |
CN110246504A (zh) * | 2019-05-20 | 2019-09-17 | 平安科技(深圳)有限公司 | 鸟类声音识别方法、装置、计算机设备和存储介质 |
WO2021068848A1 (zh) * | 2019-10-09 | 2021-04-15 | 山东大学 | 隧道结构病害多尺度检测与智能诊断系统及方法 |
WO2021199380A1 (ja) * | 2020-04-01 | 2021-10-07 | 日本製鉄株式会社 | 車両用炭素繊維強化プラスチック複合金属板及び車両用パネル |
CN111983020A (zh) * | 2020-08-25 | 2020-11-24 | 绍兴市特种设备检测院 | 一种金属构件内部缺陷敲击检测识别系统及识别方法 |
CN113643275A (zh) * | 2021-08-29 | 2021-11-12 | 浙江工业大学 | 一种基于无监督流形分割的超声波缺陷检测方法 |
CN216051494U (zh) * | 2021-09-14 | 2022-03-15 | 武汉地震工程研究院有限公司 | 一种钢梁与碳纤维板粘接强度的监测系统 |
Non-Patent Citations (3)
Title |
---|
HONGYU LI等: "Deep Learning based Intelligent Coin-tap Test for Defect Recognition", 《ARXIV》 * |
严勤 等: "《语音信号处理与识别》", 31 December 2015, 国防工业出版社 * |
胡媛馨等: "基于声信号的饰面砖外墙面空鼓检测研究", 《建筑科技》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113707176B (zh) | 一种基于声信号及深度学习技术的变压器故障检测方法 | |
CN112660745B (zh) | 托辊故障智能诊断方法、系统及可读存储介质 | |
CN112504673B (zh) | 基于机器学习的托辊故障诊断方法、系统及存储介质 | |
CN113192532A (zh) | 一种基于mfcc-cnn的矿井提升机故障声学分析方法 | |
CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测系统及方法 | |
Zheng et al. | Localized damage detection of structures subject to multiple ambient excitations using two distance measures for autoregressive models | |
CN116741148A (zh) | 一种基于数字孪生的语音识别系统 | |
Vazirizade et al. | Online nonlinear structural damage detection using Hilbert Huang transform and artificial neural networks | |
CN112394324A (zh) | 一种基于麦克风阵列的远距离声源定位的方法及系统 | |
CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
CN115376526A (zh) | 一种基于声纹识别的电力设备故障检测方法及系统 | |
CN114974229A (zh) | 基于电力现场作业音频数据提取异常行为的方法和系统 | |
CN114358082A (zh) | 一种基于多传感器特征融合的火电厂风机设备故障诊断方法 | |
CN114137410A (zh) | 一种基于声纹检测技术的液压机构断路器故障识别方法 | |
CN115910097A (zh) | 一种高压断路器潜伏性故障可听声信号识别方法及系统 | |
CN114429771A (zh) | 钢梁与cfrp板粘结缺陷智能检测方法及系统 | |
CN116935892A (zh) | 一种基于音频关键特征动态聚合的工业阀门异常检测方法 | |
CN112660746B (zh) | 基于大数据技术的托辊故障诊断方法、系统及存储介质 | |
CN114783462A (zh) | 一种基于cs-music矿井提升机故障源定位分析方法 | |
CN109993211B (zh) | 基于结构加速度ar模型系数的损伤识别方法 | |
CN115343573A (zh) | 一种面向电网监控的声纹模型演化设备故障融合判决方法 | |
CN114550711A (zh) | 基于时频注意力网络模型的电缆周边环境声音识别方法 | |
CN114121025A (zh) | 一种面向变电站设备的声纹故障智能检测方法及装置 | |
Cao et al. | Acoustics recognition of excavation equipment based on MF-PLPCC features and RELM | |
Morovati | Increase the accuracy of speech signal categories in high noise environments |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220503 |