CN114492146A

CN114492146A - 基于迁移学习的螺栓群松动定位和定量分析方法及系统

Info

Publication number: CN114492146A
Application number: CN202210342392.4A
Authority: CN
Inventors: 江健; 陈乙轩; 吴文彬
Original assignee: Wuhan Institute Of Earthquake Engineering Co ltd
Current assignee: Wuhan Institute Of Earthquake Engineering Co ltd
Priority date: 2022-04-02
Filing date: 2022-04-02
Publication date: 2022-05-13
Anticipated expiration: 2042-04-02
Also published as: CN114492146B

Abstract

本发明公开一种基于迁移学习的螺栓群松动定位和定量分析方法及系统，所述方法包括：搭建实际监测对象的机电耦合有限元模型，选取合适的子结构；分别采集子结构及实际监测对象不同工况下的多通道应力波信号，分别得到源域数据和目标域数据；分别提取源域数据和目标域数据的定位特征和定量特征；基于对抗判别域适应迁移学习模型分别构建定位预测模型和定量分析模型，并通过源域数据和目标域数据的定位特征和定量特征进行定位预测模型和定量分析模型训练；通过训练好的定位预测模型和定量分析模型对实际监测对象进行螺栓群松动定位和螺栓松紧程度定量分析。本发明通过子结构与实际监测结构的跨域迁移学习，实现了实际监测结构的损伤定位和定量分析。

Description

基于迁移学习的螺栓群松动定位和定量分析方法及系统

技术领域

本发明属于钢结构健康监测领域，尤其涉及一种基于子结构及对抗判别跨域适应迁移学习的螺栓群松动定位和定量方法及系统。

背景技术

螺栓连接具有连接可靠、装卸便利等优点而被广泛运用于各种工程及工业结构中。基于人工巡检的方式耗时费力且难以实时监测螺栓连接部位的安全性。在现有的监测方法中，压电主动传感法具有成本低、监测范围大、响应快等优点而广泛应用于螺栓连接节点的监测。

目前，基于压电主动传感法结合深度学习方法主要是实现单一螺栓松紧程度的定量或简单螺栓群的定位，但很少有同时实现螺栓的松动定位和定量的相关研究。此外，实际监测结构通常难以获得足量带标签的数据，这对于深度学习模型的训练是非常不利的。因此，如何解决基于无标签数据实现实际监测对象螺栓连接节点松动监测正成为一个亟待解决的关键问题。

发明内容

有鉴于此，本发明提出了一种基于迁移学习的螺栓群松动定位和定量分析方法及系统，用于解决实际松紧程度监测时难以同时实现螺栓群松动位置定位和松动程度定量分析的问题。

本发明第一方面，公开一种基于迁移学习的螺栓群松动定位和定量分析方法，所述方法包括：

S1、搭建实际监测对象的机电耦合有限元模型，模拟压电主动传感法监测螺栓的松紧程度，基于仿真的应力波云图从实际监测对象中选取应力波集中部位作为子结构；

S2、通过压电传感法分别采集子结构及实际监测对象不同工况下的多通道应力波信号，分别得到源域数据和目标域数据；

S3、分别提取源域数据的定位特征和定量特征、目标域数据的定位特征和定量特征；所述定位特征为无阈值多变量递归图，定量特征为多域能量指标向量；

S4、基于对抗判别域适应迁移学习模型分别构建定位预测模型和定量分析模型，并通过源域数据和目标域数据的定位特征和定量特征进行定位预测模型和定量分析模型训练；

S5、通过训练好的定位预测模型和定量分析模型对实际监测对象进行螺栓群松动定位和螺栓松紧程度定量分析。

在以上技术方案的基础上，优选的，所述步骤S2具体包括：

在所选取的子结构和实际监测对象的相同位置布设相应的压电传感器，基于压电主动传感法分别获取相应螺栓松动工况下的多通道应力波信号；

将从子结构获取的多通道应力波信号作为源域数据，源域数据带标签；将从实际监测对象获取的多通道应力波信号作为目标域数据，目标域数据无标签。

在以上技术方案的基础上，优选的，所述步骤S3具体包括：

S31、分别对源域数据和目标域数据进行预处理；

S32、根据无阈值多变量递归图算法分别对预处理后的源域数据和目标域数据进行相空间重构，得到源域数据和目标域数据的无阈值多变量递归图作为定位特征；

S33、根据多域能量指标算法分别提取预处理后的源域数据和目标域数据的时域能量、平均周期图峰值及时频域能量指标，分别按监测通道排列形成源域数据和目标域数据的多域能量指标向量作为定量特征。

在以上技术方案的基础上，优选的，所述步骤S33具体包括：

S331、对于每个压电监测通道获得的应力波信号X，提取其时域信号能量指标

；

S332、提取应力波信号X的平均周期图峰值，具体的计算流程如下：

将应力波信号X切分为K段子信号，使用窗函数点乘每个子信号，得到多个子序列；

对每个子序列开展离散傅里叶变换；

计算每个信号序列的功率谱估计平均值；

求解出平均周期图峰值

；

S333、计算时频域能量指标，采用三层小波包分解每个通道的应力波信号将分解得到的小波包能量分量作为时频域指标，表示为

；

S334、最后将多个应力波信号按通道进行编号，并将对应的时域信号能量指标

、平均周期图峰值

、时频域能量指标

排列组成一维的定量特征向量，表示为：

其中，r=1,2,…,c表示压电监测通道编号，c为压电监测通道总数。

在以上技术方案的基础上，优选的，所述定位预测模型采用以二维卷积神经网络为基础的二维对抗判别域适应迁移学习模型；所述定量分析模型采用以一维卷积神经网络模型为基础的一维对抗判别域适应迁移学习模型。

在以上技术方案的基础上，优选的，所述通过源域数据和目标域数据的定位特征和定量特征进行定位预测模型和定量分析模型训练具体包括：

分别获取不同工况下带标签的源域数据的定位特征和无标签的目标域数据的定位特征，组成定位特征数据集；

分别获取不同工况下带标签的源域数据的定量特征和无标签的目标域数据的定量特征，组成定量特征数据集；

通过定位特征数据集对定位预测模型进行无监督训练，得到训练好的定位预测模型；

通过定量特征数据集对定量分析模型进行无监督训练，得到训练好的定量分析模型。

在以上技术方案的基础上，优选的，所述步骤S5具体包括：

获取实时采集的目标域数据并分别提取定位特征和定量特征，将定位特征输入训练好的定位预测模型实现螺栓的松动定位；

将定量特征输入训练好的定量分析模型实现螺栓松紧程度的预测，完成实际监测对象的螺栓连接节点松动定位和定量监测。

本发明第二方面，公开一种基于迁移学习的螺栓群松动定位和定量分析系统，所述系统包括：

子结构选取模块：用于搭建实际监测对象的机电耦合有限元模型，模拟压电主动传感法监测螺栓的松紧程度，基于仿真的应力波云图从实际监测对象中选取应力波集中部位作为子结构；

压电监测与数据采集模块：用于通过压电传感法分别采集子结构及实际监测对象不同工况下的多通道应力波信号，分别得到源域数据和目标域数据；

数据处理模块：用于分别提取源域数据的定位特征和定量特征、目标域数据的定位特征和定量特征；所述定位特征为无阈值多变量递归图，定量特征为多域能量指标向量；

智能监测模块：用于基于对抗判别域适应迁移学习模型分别构建定位预测模型和定量分析模型，并通过源域数据和目标域数据的定位特征和定量特征进行定位预测模型和定量分析模型训练；通过训练好的定位预测模型和定量分析模型对实际监测对象进行螺栓群松动定位和螺栓松紧程度定量分析。

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）本发明通过有限元软件建立实际监测对象的机电耦合模型，模拟压电主动传感法监测实际监测对象门式框架螺栓连接节点的松动情况的过程。基于应力波云图的分布情况，确定出合适的实际监测对象门式框架子结构，为合理的子结构选取提供理论依据。合理的子结构为后续获得海量带标签数据对对抗判别域适应迁移学习模型训练、优化、识别提供数据基础。

2）本发明通过子结构获取大量的带标签的源域数据、通过实际监测对象获取的不带标签的目标域数据，无需获得实际监测对象门式框架结构的标签信息即可基于对抗判别域适应迁移学习模型进行跨域迁移学习，相比于有监督训练需要获得大量监测对象带标签的数据，本发明基于对抗判别域适应迁移学习模型实现无监督训练，在一定程度上解决实际监测对象难以获得带标签数据的难题，减少了标注数据的时间成本，更加适用于实际监测对象的运维管理。

3）本发明将对抗判别域适应迁移学习模型与压电主动传感法相结合，基于定位和定量的任务，建立两个独立的对抗判别域适应迁移学习模型，分步实现螺栓连接节点松动位置和程度的确定，从而实现实际监测对象的螺栓群松动定位及定量监测一体化，可以实时、准确评估螺栓松动位置及松动的程度等信息。

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为本发明提出的基于迁移学习的螺栓群松动定位和定量分析系统示意图；

图2为本发明监测系统中门式框架结构的压电主动传感监测系统示意图；

图3为本发明提出的基于有限元机电耦合建模的应力波云图；

图4为本发明监测系统中子结构的压电传感监测装置示意图；

图5为本发明提出的对抗判别域适应迁移学习模型训练示意图；

图6为本发明提出的基于迁移学习的螺栓群松动定位和定量分析方法流程图；

图7(A)为本发明实施例中门式框架结构某一螺栓发生不同程度松动的应力波原始信号；

图7(B)为本发明实施例中子结构某一螺栓发生不同程度松动的应力波原始信号；

图8(A)为本发明实施例中门式框架结构某一螺栓位置发生松动时的无阈值多变量递归图；

图8(B)为本发明实施例中子结构某一螺栓位置发生松动时的无阈值多变量递归图；

图9为本发明实例中二维对抗判别域适应迁移学习模型进行螺栓群松动定位训练及验证过程的准确率曲线；

图10(A)为本发明实例中一维对抗判别域适应迁移学习模型进行螺栓群松动定量训练及验证过程的准确率曲线；

图10(B)为本发明实例中一维的对抗判别域适应迁移学习模型进行螺栓群松动定量实测混淆矩阵图。

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。

请参阅图1，本发明提出一种基于迁移学习的螺栓群松动定位和定量分析系统，该系统采用门式框架结构作为实际监测对象，进行螺栓群松动定位和定量分析。所述系统包括：依次连接的子结构选取模块100、压电监测与数据采集模块200、数据处理模块300、智能监测模块400。

子结构选取模块100，用于搭建实际监测对象的机电耦合有限元模型，模拟压电主动传感法监测螺栓的松紧程度，基于仿真的应力波云图从实际监测对象中选取应力波集中部位作为子结构。

具体的，对于图2所示的门式框架结构1，通过有限元软件ABAQUS/CAE2019前处理模块建立压电-门式框架结构的机电耦合仿真模型，模拟压电主动传感法监测实际监测对象门式框架螺栓连接节点的松动情况。仿真的压电材料采用压缩型，将扫频范围为100Hz-250kHz，幅值为50V，采样时间为0.005s，采样频率为1MHz的激励信号作用于压电驱动器，驱动器在扫频电压的作用下产生应力波，应力波在应力波在实际监测对象门式框架结构螺栓连接节点传播、反射、衰减后被压电传感器捕获。如图3所示为门式框架结构的应力波云图，基于应力波云图的分布情况，可以看出应力波主要集中在门式框架结构螺栓连接节点部位及左侧的立柱，因此选择门式框架结构的一侧作为子结构，本实施例选择的子结构如图4中所示。

压电监测与数据采集模块200，用于通过压电传感法分别采集子结构及实际监测对象不同工况下的多通道应力波信号，分别得到源域数据和目标域数据。

在子结构和实际监测对象的螺栓连接节点部位正面及背面分别粘贴一个压电驱动器和四个压电传感器，连接多功能采集卡、功率放大器、带有labview采集程序的电脑终端，形成多通道压电主动传感系统。图2为门式框架结构压电主动传感监测系统，图4为子结构压电主动传感监测系统。

通过如图2所示的门式框架结构压电主动传感监测系统采集实际监测对象不同工况下的多通道应力波信号，得到无标签的目标域数据。所述门式框架结构压电主动传感监测系统包括门式框架结构1、压电驱动器2、压电传感器3、螺栓连接节点4、BNC线缆5、多功能NI信号采集卡6、功率放大器7、USB线缆8以及装有Labview的电脑终端9。压电驱动器2及压电传感器3预先通过环氧树脂粘贴在螺栓连接的节点板上，多个压电传感器3通过BNC线缆5分别连接至多功能NI信号采集卡6的两个输入端，压电驱动器2通过BNC线缆5与功率放大器7相连，功率放大器7通过BNC线缆5与多功能NI信号采集卡6的输出端连接，而多功能NI信号采集卡6通过USB线缆8与电脑终端9相连。

压电主动传感法采集信号的流程如下：电脑终端9通过Labview程序产生某一频段的正弦扫频激励电信号，经USB线缆8传输到多功能NI信号采集卡6，经功率放大器7放大50倍后输出到压电驱动器2，压电驱动器2在激励信号的作用下由于压电效应产生了应力波，应力波在钢板中传播后被压电传感器3组成的阵列接收，经BNC线缆5传输到多功能NI信号采集卡6的输入端，多功能NI信号采集卡6将其转化为数字信号并通过USB线缆8传输到电脑终端9，电脑终端9可以采集到不同工况下的压电信号。

图4的子结构压电主动传感监测系统的结构和原理与图2类似，不同点在于子结构压电主动传感监测系统是采集子结构10在不同工况下的多通道应力波信号，并标注得到带标签的源域数据。

数据处理模块300，用于分别提取源域数据的定位特征和定量特征、目标域数据的定位特征和定量特征；其中，基于相空间重构，提取无阈值多变量递归图特征作为定位特征；基于信号处理，提取多域能量指标作为定量特征。

数据处理模块300具体包括数据预处理单元、无阈值多变量递归图构建单元、多域能量指标向量计算单元：

数据预处理单元，用于分别对源域和目标域的对多个通道的应力波信号进行去噪、归一化等处理。

无阈值多变量递归图构建单元，用于通过预处理后的应力波信号构建相应工况的多变量递归图作为定位特征；与常规的单一变量相比，多变量递归图无需通过互信息法、虚假临近点法求解延迟时间和嵌入维度等相空间构造参数，也无需设置阈值，而可以通过多个传感信息直接进行相空间重构从而计算得到无阈值多变量递归图，计算便捷。

预处理后的应力波进行相空间重构的表达式为：

其中，

为相空间时间点

处的相点，i=1,2,…,N，j=1,2,…,n，

与

分别代表采样长度以及传感器数量，

表示第

个传感器在采样点

处采集的数据。

无阈值多变量递归图可以表示为：

其中，

代表范数；

指递归图中

位置处的递归值。

多域能量指标向量计算单元，用于计算螺栓松紧程度定量监测指标，基于信号处理的方法，分别提取应力波信号的时域、频域、时频能量指标，并将其按监测通道组成一个一维的定量指标向量作为定量特征，其原理包括：

1）对于每个压电监测通道r获得的应力波信号X，首先提取其时域信号能量指标：

A_i为应力波信号X第i个数据点的幅值，

为应力波信号X的数据点总数

2）然后提取其平均周期图峰值，具体的计算流程如下：

a) 将信号X切分为K段子信号，

可以表示为

其中，

为分段后每段子信号的数据点数即子信号长度，P为前后两段子信号重叠的点数。

b) 使用窗函数点乘每个子信号，得到子序列X_i(n)：

其中，w_d(n)窗函数，

表示窗函数的长度，

表示第i段子信号。

c) 对上述每个子序列

开展离散傅里叶变换：

其中，

表示离散傅里叶变换的周期，k

1,2,…,M-1，j为虚数单位。

d) 计算每个信号序列的功率谱估计平均值：

其中，

表示窗函数功率谱的平均值。

e) 求解出平均周期图峰值

：

3）计算时频域能量指标，采用小波包分解方法分解每个通道的应力波信号。本发明使用三层小波包分解得到的小波包能量分量作为时频域指标，表示为

。

最后将多个应力波信号按通道进行编号，并将对应的时域信号能量指标

、平均周期图峰值

、时频域能量指标

排列组成一维的定量特征向量，表示为：

本发明基于应力波信号分别提取无阈值多变量递归图作为其定位特征，并构建多域能量向量作为定量特征，分步实现螺栓群松动的定位和定量，且上述定位和定量指标计算耗时小、效率高，为后续开展智能检测提供极大的时间优势。

智能监测模块400，用于基于对抗判别域适应迁移学习模型分别构建定位预测模型和定量分析模型，并通过源域数据和目标域数据的定位特征和定量特征进行定位预测模型和定量分析模型训练；通过训练好的定位预测模型和定量分析模型对实际监测对象进行螺栓群松动定位和螺栓松紧程度定量分析。

智能监测模块400主要包括两个部分，一个是内嵌两个迁移学习预训练模型，另一个是定位定量监测可视化界面。

其中，内嵌的两个迁移学习预训练模型，一个为定位预测模型，采用二维对抗判别域适应迁移学习模型，主要是以源域带标签的无阈值多变量递归图和目标域不带标签的无阈值多变量递归图作为模型训练的输入，基于机器学习框架Pytorch预先对模型开展训练、优化并最终确定识别性能较好的预训练模型。基于该预训练模型，可以实现螺栓松动定位。另一个模型则是定量分析模型，采用一维对抗判别域适应迁移学习模型，以源域带标签的和目标域不带标签的一维的多域能量指标向量作为模型的输入，同样采用无监督的方式对目标域数据开展训练、优化，最终完成子结构数据的知识迁移。

具体的，定位预测模型训练时，分别获取不同工况下带标签的源域数据的定位特征和无标签的目标域数据的定位特征，组成定位特征数据集；通过定位特征数据集对定位预测模型进行无监督训练，得到训练好的定位预测模型；定量分析模型训练时，分别获取不同工况下带标签的源域数据的定量特征和无标签的目标域数据的定量特征，组成定量特征数据集；通过定量特征数据集对定量分析模型进行无监督训练，得到训练好的定量分析模型。

状态评估可视化界面主要包括数据读取单元和状态可视化评估单元。所述数据读取单元，首先读取相应工况下的无阈值多变量递归图进入预训练好的定位预测模型，确定门式框架结构螺栓的松动位置。然后读取相应工况下的多域能量指标向量进入预训练好的定量分析模型，从而确定具体松动的程度，实现定量分析。所述状态可视化评估单元则通过图、表等形式将松动位置及程度等信息在智能终端上直观显示出来，为重要结构的智慧运维提供信息支撑。

本发明提出的定位预测模型和定量分析模型，均采用对抗判别域适应迁移学习模型框架构建而成。本发明所提出的对抗判别域适应迁移学习模型特点在于：使用了判别基础模型，不添加层级约束及使用GAN损失函数。该模型的基本思想是固定源域映射，使目标域逼近源域映射，从而实现知识迁移，而这个逼近的过程则通过优化损失函数实现，从而将优化后的目标域模型用于目标域数据的无监督学习。

如图5所示，本发明所提出的对抗判别域适应迁移学习模型训练过程主要包括以下步骤：

1）使用源域中带标签的无阈值多变量递归图数据集（UMRF数据集）和多域能量指标数据集对源域基础网络和相应源域分类器开展训练，使得模型学习到源域数据的映射关系；

2）将迁移训练好的源域基础网络的参数对目标域的CNN基础网络进行初始化，然后固定源域基础网络的参数，基于目标域的不带标签的数据和源域带标签的数据，对目标域的基础网络和判别器开展对抗判别训练；

3）将目标域的数据输入目标域训练好的模型识别具体螺栓松动情况。

本发明提出的定位模型和定量模型，主要通过优化分类器、判别器、目标域与源域的差异性三方面的损失函数从而实现目标域与源域特征的迁移学习，优化过程如下：

1）使用源域带有标签的数据对源域网络

和相应的分类器进行有监督式训练，其优化的损失函数可以表示为：

2）使用源域带标签的数据和目标域无标签数据对目标域网络

和域判别器D基于对抗判别域适应迁移学习模型进行对抗训练，损失函数包括域判别器本身的损失函数

、目标域与源域的差异性造成的损失函数

，优化的损失函数可以分别表示为：

3）基于训练好的目标域网络

和分类器C对目标域进行实测，从而实现实际监测对象门式框架螺栓连接节点的松动定位、程度定量。

其中，E表示期望，

表示源域映射网络的特征表示；

表示目标域映射网络的特征表示；

表示源域的输入特征；

表示源域输入特征的标签；

表示目标域的输入特征；

表示源域的每个样本，

为对应的输出；

表示目标域的每个样本；

表示分类器；

表示分类的类别；D表示对抗判别域适应迁移学习模型中的域判别器。

与上述系统实施例相对应，本发明还提出一种基于迁移学习的螺栓群松动定位和定量分析方法，如图6所示，所述方法包括：

S1、搭建实际监测对象的机电耦合有限元模型，模拟压电主动传感法监测螺栓的松紧程度，基于仿真的应力波云图从实际监测对象中选取应力波集中部位作为子结构。

S2、通过压电传感法分别采集子结构及实际监测对象不同工况下的多通道应力波信号，分别得到源域数据和目标域数据。

S21、在所选取的子结构和实际监测对象的相同位置布设相应的压电传感器，基于压电主动传感法分别获取相应螺栓松动工况下的多通道应力波信号；

S22、将从子结构获取的多通道应力波信号作为源域数据，源域数据带标签；将从实际监测对象获取的多通道应力波信号作为目标域数据，目标域数据无标签。

S3、分别提取源域数据的定位特征和定量特征、目标域数据的定位特征和定量特征；所述定位特征为无阈值多变量递归图，定量特征为多域能量指标向量。

S31、分别对源域数据和目标域数据进行预处理；

所述步骤S33具体包括：

；

对每个子序列开展离散傅里叶变换；

计算每个信号序列的功率谱估计平均值；

求解出平均周期图峰值

。

；

、平均周期图峰值

、时频域能量指标

排列组成一维的定量特征向量，表示为：

S4、基于对抗判别域适应迁移学习模型分别构建定位预测模型和定量分析模型，并通过源域数据和目标域数据的定位特征和定量特征进行定位预测模型和定量分析模型训练。

由于定位预测模型的输入为无阈值多变量递归图，因此定位预测模型内嵌的骨干网络采用预训练好的ResNet50提取图片特征。而定量分析模型的输入为一维的多域能量指标向量，因此定量分析模型内嵌的骨干网络采用一维卷积神经网络提取一维定量特征。

S41、分别获取不同工况下带标签的源域数据的定位特征和无标签的目标域数据的定位特征，组成定位特征数据集；

S42、分别获取不同工况下带标签的源域数据的定量特征和无标签的目标域数据的定量特征，组成定量特征数据集；

S43、通过定位特征数据集对定位预测模型进行无监督训练，得到训练好的定位预测模型；

S44、通过定量特征数据集对定量分析模型进行无监督训练，得到训练好的定量分析模型。

S51、获取实时采集的目标域数据并分别提取定位特征和定量特征，将定位特征输入训练好的定位预测模型实现螺栓的松动定位；

S52、将定量特征输入训练好的定量分析模型实现螺栓松紧程度的预测，完成实际监测对象的螺栓连接节点松动定位和定量监测。

以上方法实施例与系统实施例是对应的，方法实施例简述之处请参阅系统实施例即可。

下面结合具体实验过程，以门式框架结构的螺栓连接节点为实际监测对象，进一步验证本发明提出的监测系统的可靠性。

如表1所示，本实施案例一共设置了24个工况，即4个不同的螺栓（Bolt1~Bolt4）发生不同程度的松动。

表1 螺栓松动工况

基于压电监测与数据采集模块200，使用扭矩扳手重复扭动螺栓到指定数值100次，每个工况采集100组信号，其中子结构的数据标记为源域数据，而门式框架结构上采集到的数据标记为目标域数据。图7（A）为门式框架结构某一螺栓发生不同程度松动时的压电原始信号。图7（B）为子结构某一螺栓发生不同程度松动时的压电原始信号。其中源域数据制作标签，目标域数据则无需标签。这些信号经过数据处理模块300自动计算计算出其无阈值多变量递归图和多域能量指标向量，形成定位任务和定量任务的数据集。图8（A）为门式框架结构某一位置螺栓发生松动的无阈值多变量递归图。图8（B）为子结构某一位置螺栓发生松动的无阈值多变量递归图。对于每个任务，80组用于训练集，20组用于验证集。基于本发明提出的对抗判别域适应迁移学习模型，分别根据定位和定量任务训练相应的模型，如图9所示，当模型训练稳定，即识别准确率接近不发生变化时，模型训练完成，固定模型参数。基于上述训练后保存的模型，使用测试集数据进一步实测螺栓松动定位的效果，结果以迁移学习特征可视化形式呈现。定量模型的训练及验证过程如图10（A）所示，实测效果图如10（B）所示，结果以混淆矩阵形式表示。混淆矩阵中每行表示一个实际分类的样本，每列表示预测分类的样本，主对角线上的值表示被正确预测的样本数，由于测试集每一类的样本数为80组，由主对角线上预测正确的样本数可知，本发明的训练的模型有较高的准确率。

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。