CN115630281A - 一种浮空器囊体表面损伤识别方法 - Google Patents

Abstract

本发明公开了一种浮空器囊体表面损伤识别方法，属于囊体表面损伤识别技术领域。本发明针对浮空器囊体表面损伤识别问题，基于CWT和CNN建立了一种浮空器囊体表面损伤识别方法，能够对浮空器囊体表面的损伤进行精确识别，实现囊体状态的长期监测，保障浮空器的安全运行；所采用的CWT‑CNN模型可以同时实现多种损伤状态的分类，克服了传统机器学习分类精度不高的问题；所采用的CWT‑CNN模型，不同于传统的故障诊断方法，需要经历传统的特征提取过程，有效克服了传统故障诊断方法需要依靠大量的信号处理技术和丰富的工程实践经验来提取故障经验的不足；采用的算法较为简单，易于编程，能够较好地解决损伤识别算法易用性与准确性的矛盾问题。

Description

一种浮空器囊体表面损伤识别方法

技术领域

本发明涉及囊体表面损伤识别技术领域，具体涉及一种浮空器囊体表面损伤识别方法。

背景技术

浮空器是人类历史上最早应用和发展的飞行器之一，它依靠充入气囊内部轻于空气的气体产生浮力，克服自身重量而实现在空中飘浮，进而在高空中执行任务，发挥功能。浮空器相比于其他飞行器有着独特的优势，如载荷能力强、运行噪声小、能工作耗小、续航时间长、能垂直升降、安全性能高等，因此越来越受到人们的关注和重视，在越来越多的领域中得到了广泛应用。囊体是浮空器的主要结构部件，它是一个封闭的充气膜结构。

囊体材料通常由多层软性复合材料构成，包括耐污防护层、抗紫外光层、组氦层、承力层、密封层。其中承力层是囊体结构安全中最重要的部分，影响着囊体的承压性能和负载性能，通常采用聚乙烯加酯复合材料。浮空器囊体在空中的工作环境十分恶劣，如昼夜温差大，紫外线辐射强，变化风载等，加上浮空器工作驻空时间长，长期服役后必然存在结构损伤和强度退化的趋势，也可能存在裂纹、跳丝、撕裂、蠕变等安全隐患，亟需一种可靠、稳定、准确地识别囊体表面损伤的方法，为此，提出一种浮空器囊体表面损伤识别方法。

发明内容

本发明所要解决的技术问题在于：如何实现对浮空器囊体表面损伤可靠、稳定、准确地识别，提供了一种浮空器囊体表面损伤识别方法。

本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

S1：给实验囊体表面施加音波激励，获取囊体表面的应力应变信号；

S2：将应力应变信号导出为mat格式，对信号进行滑动平均处理，选取窗和小波基，对信号进行连续小波变换，获得时频图；

S3：利用步骤S2获得的时频图，对卷积神经网络进行训练，获得训练好的CWT-CNN模型；

S4：采集实际工作环境浮空器囊体表面的应力应变信号，按照步骤S2进行处理和绘制时频图，输入到步骤S3中的CWT-CNN模型中，获得实际工况中浮空器囊体表面损伤识别结果。

更进一步地，在所述步骤S1中，使用绳子将囊体悬挂在空中保持自由态，将囊体充气至5kPa，在设定位置粘贴应变片，采用持续100s的恒定200Hz的声波信号当作激励信号，采集应力应变信号。

更进一步地，在所述步骤S2中，将应力应变信号导出为mat格式时截去起始和结束位置的无用数据。

更进一步地，在所述步骤S2中，将信号导出后进行滑动平均处理，选取窗和小波基，对信号进行连续小波变换CWT处理，连续小波变换的定义如下式所示：

其中，参数s,τ称为尺度因子和平移因子。

更进一步地，在所述步骤S3中，所述CWT-CNN模型包括依次连接的1个输入层、3个卷积层、2个全连接层、1个输出层，各卷积层的卷积核分别为5、3、3，卷积步长均为1，其中卷积层卷积后经过池化、批量标准化、随机失活和激活处理；全连接层输出后经过批量标准化、随机失活和激活处理；输出层的输出维度为故障种类。

更进一步地，所述CWT-CNN模型中卷积层的计算公式为：

其中，

为第l层的第i个卷积核的第j^′个权值，

为第l层中第j个被卷积的局部区域，W为卷积核的宽度。

更进一步地，所述CWT-CNN模型中激活处理时使用ReLU作为激活函数，其表达式为：

a^l(i,j)＝max{0,y^l(i,j)}

其中，y^l(i,j)为卷积层的输出，a^l(i,j)为卷积层输出y^l(i,j)的激活值。

更进一步地，所述CWT-CNN模型中池化处理使用最大值池化，其表达式为：

其中，a^l(i,t)为第l层中第i帧第t个神经元的激活值，w为池化区域的宽度，p^l(i,j)为池化后的值。

更进一步地，所述CWT-CNN模型使用批量标准化和随机失活处理防止过拟合。

本发明相比现有技术具有以下优点：

1、本发明针对浮空器囊体表面损伤识别问题，基于CWT和CNN建立了一种浮空器囊体表面损伤识别方法，能够对浮空器囊体表面的损伤进行精确识别，实现囊体状态的长期监测，保障浮空器的安全运行。

2、本发明所采用的CWT-CNN模型可以同时实现多种损伤状态的分类，克服了传统机器学习分类精度不高的问题。

3、本发明所采用的CWT-CNN模型，不同于传统的故障诊断方法，需要经历传统的特征提取过程，有效克服了传统故障诊断方法需要依靠大量的信号处理技术和丰富的工程实践经验来提取故障经验的不足。

4、本发明中采用的算法较为简单，易于编程，能够较好地解决损伤识别算法易用性与准确性的矛盾问题。

附图说明

图1是本发明实施例一中浮空器囊体表面损伤识别方法的流程图；

图2是本发明实施例一中卷积神经网络结构图；

图3是本发明实施例二中实验所用装置的结构示意图，其中椭圆形为实验囊体，实验囊体表面的八个长方形为应变片；

图4a是本发明实施例二中无损伤状态下的时频图；

图4b是本发明实施例二中5mm横向切缝损伤状态下的时频图；

图4c是本发明实施例二中5mm×5mm十字切缝损伤状态下的时频图；

图4d是本发明实施例二中5mm×5mm磨损损伤状态下的时频图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1、2所示，本实施例提供一种技术方案：一种浮空器囊体表面损伤识别方法，包括以下步骤：

步骤1：给实验囊体表面施加音波激励，获取囊体表面的应力应变信号；

步骤2：将应力应变信号导出为mat格式，导出时截去起始和结束位置的无用数据，对信号进行滑动平均处理，对信号进行连续小波变换(CWT)，获得时频图；

步骤3：利用步骤2获得的时频图，对卷积神经网络(CNN)进行训练，获得训练好的CNN模型(即CWT-CNN模型)；

步骤4：针对实际工作环境浮空器囊体表面采集到的应力应变信号，按照步骤2进行预处理和绘制时频图，输入到步骤3中训练好的CWT-CNN模型，获得实际工况中囊体表面损伤识别结果。

更进一步地，在所述步骤1中，使用绳子将囊体悬挂在空中保持自由态，将囊体充气至5kPa，在设定位置粘贴应变片，采用持续100s的恒定200Hz的声波信号当作激励信号，采集应力应变信号，需要说明的是，在步骤4中，实际工作环境浮空器囊体表面采集到的应力应变信号也通过粘贴应变片采集。

在本实施例中，在步骤2中，将信号导出后进行滑动平均处理，选取合适的窗和小波基(选取hann窗口函数和cmor1-3小波基函数)，对信号进行连续小波变换CWT处理，连续小波变换的定义如下式所示：

其中，参数s,τ称为尺度因子和平移因子，用于控制小波变换的中心频率与其在时间轴上沿着信号的平移。

在本实施例中，所述CWT-CNN模型包括依次连接的1个输入层、3个卷积层、2个全连接层、1个输出层，各卷积层的卷积核分别为5、3、3，卷积步长为1，其中卷积层卷积后经过池化、批量标准化、随机失活和激活处理；全连接层输出后经过批量标准化、随机失活和激活处理；输出层通过1个全连接层构成，输出维度为故障种类。

在本实施例中，卷积神经网络(CNN)中各层计算公式如下：

3.1卷积层：

其中，

为第l层的第i个卷积核的第j^′个权值，

为第l层中第j个被卷积的局部区域，W为卷积核的宽度。

3.2激活层

本发明训练的CNN模型使用ReLU作为激活函数，其表达式如下所示：

a^l(i,j)＝max{0,y^l(i,j)}

其中，y^l(i,j)为卷积层的输出，a^l(i,j)为卷积层输出y^l(i,j)的激活值。

3.3池化层

本发明训练的CNN模型使用最大值池化，其表达式如下所示：

其中，a^l(i,t)为第l层中第i帧第t个神经元的激活值，w为池化区域的宽度，p^l(i,j)为池化后的值。

3.4批量标准化与随机失活

本发明训练的CNN模型使用批量标准化(Batch Normalization)和随机失活(Dropout)防止过拟合。

实施例二

如图3所示，实验囊体用绳子悬挂成自由状态，每次采集数据之前将囊体充气至5kPa。用恒定200Hz的声波信号当作激励信号，持续100s。信号采集使用的是动态应力应变测试系统，采样频率设置为2K。

实验过程中总共给囊体设置了三种损伤，分别为横向的5mm切缝，5mm×5mm的十字形切缝和5mm×5mm的不规则磨损。无损伤状态和每种损伤状态重复十次实验采集数据，原始数据经过信号采集系统导出为mat文件，导出过程中提前截去实验起始处和结束处的无用数据。

数据预处理的过程中发现，在200Hz的激励下，不同损伤状态的囊体在300Hz以上的振动信号有较大区别，所以最终进行CWT时，截取300Hz以上的部分绘制时频图进行训练。取每种状态十次实验的随机八次为训练样本，其余两次为测试样本，训练样本中，训练集与验证集的比例为7:3。

首先，对采集到的囊体表面应力应变信号进行滑动平均处理；

然后，对步骤1处理后的应力应变信号进行连续小波变换，得到时频图，如图4a-4d所示，得到的训练样本和测试样本如表1所示；

表1训练样本和测试样本的介绍

损伤状态	气压状态(kPa)	训练/测试样本	标签
				正常(无损伤状态)	5.1	5636/1372	0
5mm横向切缝	5.0	5432/1372	1
				5mm×5mm十字切缝	5.0	5308/1276	2
5mm×5mm磨损	4.9	5358/1394	3

接着，利用步骤2获得的训练样本时频图对CNN进行训练；

最后，将测试样本的时频图视为采集到的实际工况囊体表面的应力应变信号，输入到步骤3中训练好的CWT-CNN模型中，获得囊体表面损伤状态识别结果。表2展示了本方法的识别结果。

表2囊体表面损伤状态识别结果

损伤分类	验证集准确率	测试集准确率
			正常/单切缝	100％	98.78％
正常/十字切缝	100％	99.48％
			正常/磨损	99.94％	98.89％
单切缝/十字切缝/磨损	98.59％	98.74％
			正常/单切缝/十字切缝/磨损	95.30％	95.72％

如表2所示，正常和任意一种损伤的二分类识别准确率可以达到99％，三种损伤的三分类识别准确率可以达到98％，正常和三种损伤的四分类识别准确率可以达到95％。所提出的方法识别准确率较高，识别结果与实际结果很吻合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (9)

1.一种浮空器囊体表面损伤识别方法，其特征在于，包括以下步骤：

S1：给实验囊体表面施加音波激励，获取囊体表面的应力应变信号；

S2：将应力应变信号导出为mat格式，对信号进行滑动平均处理，选取窗和小波基，对信号进行连续小波变换，获得时频图；

S3：利用步骤S2获得的时频图，对卷积神经网络进行训练，获得训练好的CWT-CNN模型；

S4：采集实际工作环境浮空器囊体表面的应力应变信号，按照步骤S2进行处理和绘制时频图，输入到步骤S3中的CWT-CNN模型中，获得实际工况中浮空器囊体表面损伤识别结果。

2.根据权利要求1所述的一种浮空器囊体表面损伤识别方法，其特征在于：在所述步骤S1中，使用绳子将囊体悬挂在空中保持自由态，将囊体充气至5kPa，在设定位置粘贴应变片，采用持续100s的恒定200Hz的声波信号当作激励信号，采集应力应变信号。

3.根据权利要求1所述的一种浮空器囊体表面损伤识别方法，其特征在于：在所述步骤S2中，将应力应变信号导出为mat格式时截去起始和结束位置的无用数据。

4.根据权利要求1所述的一种浮空器囊体表面损伤识别方法，其特征在于：在所述步骤S2中，将信号导出后进行滑动平均处理，选取窗和小波基，对信号进行连续小波变换CWT处理，连续小波变换的定义如下式所示：

其中，参数s,τ称为尺度因子和平移因子。

5.根据权利要求1所述的一种浮空器囊体表面损伤识别方法，其特征在于：在所述步骤S3中，所述CWT-CNN模型包括依次连接的1个输入层、3个卷积层、2个全连接层、1个输出层，各卷积层的卷积核分别为5、3、3，卷积步长均为1，其中卷积层卷积后经过池化、批量标准化、随机失活和激活处理；全连接层输出后经过批量标准化、随机失活和激活处理；输出层的输出维度为故障种类。

6.根据权利要求5所述的一种浮空器囊体表面损伤识别方法，其特征在于：所述CWT-CNN模型中卷积层的计算公式为：

其中，

为第l层的第i个卷积核的第j′个权值，

为第l层中第j个被卷积的局部区域，W为卷积核的宽度。

7.根据权利要求5所述的一种浮空器囊体表面损伤识别方法，其特征在于：所述CWT-CNN模型中激活处理时使用ReLU作为激活函数，其表达式为：

a^l(i,j)＝max{0,y^l(i,j)}

其中，y^l(i,j)为卷积层的输出，a^l(i,j)为卷积层输出y^l(i,j)的激活值。

8.根据权利要求5所述的一种浮空器囊体表面损伤识别方法，其特征在于：所述CWT-CNN模型中池化处理使用最大值池化，其表达式为：

其中，a^l(i,t)为第l层中第i帧第t个神经元的激活值，w为池化区域的宽度，p^l(i,j)为池化后的值。

9.根据权利要求5所述的一种浮空器囊体表面损伤识别方法，其特征在于：所述CWT-CNN模型使用批量标准化和随机失活处理防止过拟合。

Images