CN115656221A - 一种金属结构损伤模式识别系统和方法 - Google Patents

Abstract

本发明公开了一种金属结构损伤模式识别系统和方法，该系统包括：信号采集模块，包括多个传感器，用于发射和接收针对待测物体进行监测的波信号，以得到针对待测物体的监测信号；特征提取模块，用于提取所述监测信号的功率谱，并根据功率谱提取监测信号的频域特征参数；模式识别模块，用于根据频域特征参数采用预先构建的模式识别模型对待测物体的结构损伤模式进行识别；模型训练模块，用于采用预先获取的训练参数对预先构建的神经网络模型进行训练，以得到模式识别模型，所述训练参数与所述频域特征参数所包含的特征参数相同。通过本发明提供的技术方案，可以大大提高结构裂纹损伤的评估准确率和结构健康监测系统的可靠性。

Description

一种金属结构损伤模式识别系统和方法

技术领域

本发明涉及信号处理和结构健康监测领域，特别地，涉及一种金属结构损伤模式识别系统和方法。

背景技术

结构健康监测(Structural Health Monitoring，SHM)技术利用集成在结构中的先进传感/驱动元件实现结构状态的监控功能。通过提取信号的特征参数，建立结构损伤的物理模型，对腐蚀、裂纹等损伤进行定位定量监测。结构健康监测系统中的压电传感器常常用界面粘接层来固定在结构上，压电元件和结构之间的粘接层扮演着应力或应变传递的作用。因此，压电传感器与结构集成后功能的完整性是保证在役结构有效监测的必要条件。

在实际服役环境中，压电传感器经常受到环境应力如拉应力、压应力以及疲劳载荷的作用，压电传感器在外载荷作用下也会发生开裂甚至脱粘的现象，这将导致传感器网络在监测结构的腐蚀、疲劳裂纹损伤时产生误判，对于结构健康监测系统的稳定性会产生很大影响。

目前关于金属结构损伤监测的方法主要是利用集中的传感器网络在结构中产生的波信号，通过提取lamb波信号的特征参数来对损伤进行定位定量分析。提取的特征参数主要包括时域信号和频域信号。时域信号特征参数包括归一化幅值、峰峰值、相位角偏移、平均值和标准差等，频域信号特征参数主要包括重心频率、均方频率、均方根频率、频率方差和频率标准差等。

在利用传感器网络监测结构损伤时往往伴随着传感器的脱粘，结构损伤通常是通过提取波信号的特征参数进行监测，因此，必须采用合适的信号特征参数提取、损伤模式识别方法来区分不同的损伤模式。这对于保证结构健康监测系统的可靠性具有重要的意义。

发明内容

本发明的目的在于提供一种金属结构损伤模式识别系统和方法，用以解决结构健康监测的可靠性问题。

为实现上述目的，本发明提供了一种金属结构损伤模式识别系统，该系统包括：信号采集模块，包括多个传感器，用于发射和接收针对待测物体进行监测的波信号，以得到针对待测物体的监测信号；特征提取模块，用于提取所述监测信号的功率谱，并根据所述功率谱提取所述监测信号的频域特征参数；以及模式识别模块，用于根据所述频域特征参数采用预先构建的模式识别模型对所述待测物体的结构损伤模式进行识别；其中，所述金属结构损伤模式识别系统还包括模型训练模块，用于采用预先获取的训练参数对预先构建的神经网络模型进行训练，以得到模式识别模型，所述训练参数与所述频域特征参数所包含的特征参数相同。

优选地，所述频域特征参数包括以下多者：重心频率、均方频率、均方根频率、频率方差和频率标准差。

优选地，所述信号采集模块包括：两个压电传感器，包括激励传感器和接收传感器，用于发射和接收波信号，其中，发射的波信号为激励信号，接收的波信号为接收信号，所述激励传感器用于发射所述激励信号，所述接收传感器用于接收所述接收信号。

优选地，所述结构损伤模式包括压电传感器脱粘损伤、结构腐蚀损伤和结构疲劳裂纹损伤。

优选地，该系统还包括：数据处理模块，用于对所述频域特征参数进行归一化处理；其中，所述模式识别模块用于根据归一化处理之后的频域特征参数对所述待测物体的结构损伤模式进行识别。

相应地，本发明还提供了一种金属结构损伤模式识别方法，采用多个传感器发射和接收针对待测物体进行监测的波信号，该方法包括：获取针对待测物体的监测信号；提取所述监测信号的功率谱，并根据所述功率谱提取所述监测信号的频域特征参数；以及根据所述频域特征参数采用预先构建的模式识别模型对所述待测物体的结构损伤模式进行识别；其中，所述金属结构损伤模式识别方法还包括：采用预先获取的训练参数对预先构建的神经网络模型进行训练，以得到模式识别模型，所述训练参数与所述频域特征参数所包含的特征参数相同。

优选地，所述频域特征参数包括以下多者：重心频率、均方频率、均方根频率、频率方差和频率标准差。

优选地，所述多个传感器包括两个压电传感器，包括激励传感器和接收传感器，用于发射和接收波信号，其中，发射的波信号为激励信号，接收的波信号为接收信号，所述激励传感器用于发射所述激励信号，所述接收传感器用于接收所述接收信号。

优选地，所述结构损伤模式包括压电传感器脱粘损伤、结构腐蚀损伤和结构疲劳裂纹损伤。

优选地，该方法还包括：对所述频域特征参数进行归一化处理；其中，对所述待测物体的结构损伤模式进行识别还包括：根据归一化处理之后的频域特征参数对所述待测物体的结构损伤模式进行识别。

本发明通过所采集到的波信号进行特征提取，根据得到的频域特征参数采用模式识别模型对待测物体的结构损伤模式进行识别，通过本发明提供的技术方案，可以大大提高结构裂纹损伤的评估准确率和结构健康监测系统的可靠性。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

图1是本发明提供的金属结构损伤模式识别系统的框图；以及

图2是本发明提供的金属结构损伤模式识别方法的流程图。

具体实施方式

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明的范围。

图1是本发明提供的金属结构损伤模式识别系统的框图，如图1所示，该系统包括信号采集模块10、特征提取模块20、模式识别模块30和模型训练模块40。

信号采集模块10，包括多个传感器，用于发射和接收针对待测物体进行监测的波信号，以得到针对待测物体的监测信号。待测物体例如可以是金属板，更具体地，可以是铝合金板。发射和接收的波信号例如可以为lamb波信号，发射波信号的传感器称为激励传感器，激励传感器用于发射波信号，发射的波信号可以成为激励信号，接收波信号的传感器称为接收传感器，接收传感器用于接收波信号，接收的波信号可以成为接收信号，也就是说信号采集模块10所包括的多个传感器为一对或多对传感器，在每一对传感器中，一个传感器作为激励传感器，另一个传感器作为接收传感器，每一对传感器中的激励传感器和接收传感器可以交换使用。在实际应用中，激励信号可以为窄带激励的模式，可以采用5周期的经汉宁窗调制的正弦信号作为激励脉冲，激励频率可以为50KHz，当然这里所描述激励信号的这种模式仅仅是为了使本发明更清楚而不是为了限制本发明，其它适合的激励信号也在本发明的保护范围。这里lamb波信号的产生与接收设备可以利用ACCESS多通道传感器阵列扫描集成系统。

特征提取模块20，用于提取监测信号的功率谱，并根据功率谱提取监测信号的频域特征参数。在信号采集模块10得到监测信号之后，特征提取模块20然后提取信号采集模块10所得到的监测信号的功率谱，本发明中特征提取模块20提取功率谱的过程和提取频域特征参数的过程采用现有技术实现，于此不予赘述。

模式识别模块30，用于根据频域特征参数采用预先构建的模式识别模型对待测物体的结构损伤模式进行识别。这里，预先构建的模式识别模型是可以根据频域特征参数得到结构损伤模式的一种模式，模式识别模型的输入端为频域特征参数，输出端为结构损伤模式，本领域技术人员应当理解，模式识别模型需要预先进行训练，具体训练过程将在下文中进行介绍。

如图1所示，金属结构损伤模式识别系统还包括模型训练模块40，用于采用预先获取的训练参数对预先构建的神经网络模型进行训练，以得到模式识别模型，训练参数与频域特征参数所包含的特征参数相同。本发明中的算法模型采用的是神经网络模型，更具体地，例如可以采用BP(Back Propagation)神经网络模型，训练参数中的特征参数与频域特征参数中的特征参数为相同的数据参数，训练参数是已知结果的数据参数，即已知结构损伤模式，也就是说，训练参数包括模式识别模型的输入端的参数和输出端的参数，而频域特征参数仅仅包括模式识别模型的输入端的参数。训练参数可以是人为设置的一些参数，也可以是利用信号采集模块10在已知结构损伤模式的金属板上采集的参数。

应当理解，通过模型训练模块40得到的模式识别模型即为模式识别模块30所采用的预先构建的模式识别模型。

BP神经网络模型例如可以为3层BP神经网络，分别包括输入层神经元、隐层神经元和输出层神经元。隐藏层节点数可以根据输出层节点数和输入层节点数确定。人工神经网络在模式识别领域有很好的应用，在运用模式识别的各种神经网络模型中，由于BP神经网络具有良好的非线性映射能力，其模型应用最为广泛。关于神经网络的节点数设置和训练过程为本领域公知的技术，于此不予赘述。

频域特征参数包括以下多者：重心频率、均方频率、均方根频率、频率方差和频率标准差。换句话说，频域特征参数包括重心频率、均方频率、均方根频率、频率方差和频率标准差中的至少两者，也就是说，频域特征参数可以包括重心频率、均方频率、均方根频率、频率方差和频率标准差中的任意二者或任意三者或任意四者或五者。

重心频率、均方频率、均方根频率、频率方差和频率标准差这五个参数的定义和提取方式可以采用本领域技术人员所熟知的现有技术，于此不予赘述。

本领域技术人员应当理解，训练参数与频域特征参数具有相同的特征参数，也就是说，训练参数也包括重心频率、均方频率、均方根频率、频率方差和频率标准差中的至少两者，并且训练参数所包括的特征参数与频域特征参数相同，举例来说，在频域特征参数包括重心频率、均方频率和均方根频率的情况下，训练参数也应当包括重心频率、均方频率和均方根频率；在频域特征参数包括均方频率、频率方差和频率标准差的情况下，训练参数也应当包括均方频率、频率方差和频率标准差；在频域特征参数包括重心频率、均方频率、均方根频率、频率方差和频率标准差的情况下，训练参数也应当包括重心频率、均方频率、均方根频率、频率方差和频率标准差。

信号采集模块10包括：两个压电传感器，包括激励传感器和接收传感器，用于发射和接收波信号，其中，发射的波信号为激励信号，接收的波信号为接收信号，所述激励传感器用于发射所述激励信号，所述接收传感器用于接收所述接收信号。这两个压电传感器中，在第一压电传感器为激励传感器的情况下，第二压电传感器为接收传感器；在第一压电传感器为接收传感器的情况下，第二压电传感器为激励传感器。

本发明中的结构损伤模式包括压电传感器脱粘损伤、结构腐蚀损伤和结构疲劳裂纹损伤。通过本发明提供的技术方案可以识别压电传感器脱粘损伤、结构腐蚀损伤和结构疲劳裂纹损伤三种结构损伤模式。

下面通过一个具体实例对本发明的技术方案进行进一步的阐述。举例来说，模式识别模型的输入端可以是重心频率、均方频率、均方根频率、频率方差和频率标准差五个(即输入节点数设置为5)，输出端可以是压电传感器脱粘损伤、结构腐蚀损伤和结构疲劳裂纹损伤三个(即输出节点数设置为3，分别对应三种损伤)，隐层数例如设置为1，隐层节点数例如设置为11。当然，本发明不限于此，只要适合本发明的模式识别模型的设置方式均属于本发明的保护范围。

本发明提供的金属结构损伤模式识别系统还包括数据处理模块(图中未示出)，用于对频域特征参数进行归一化处理；其中，模式识别模块30用于根据归一化处理之后的频域特征参数对待测物体的结构损伤模式进行识别。归一化处理是为了消除绝对值对预测效果的影响，这里为了使预测结果更加精确，在特征提取模块20得到频域特征参数之后，首先对频域特征参数进行归一化，然后模式识别模块30再利用归一化处理之后的频域特征参数对结构损伤模式进行识别。

图2是本发明提供的金属结构损伤模式识别方法的流程图，该方法中采用多个传感器发射和接收针对待测物体进行监测的波信号，如图2所示，该流程包括：

步骤201，获取针对待测物体的监测信号；

步骤202，提取监测信号的功率谱，并根据功率谱提取监测信号的频域特征参数；

步骤203，根据频域特征参数采用预先构建的模式识别模型对待测物体的结构损伤模式进行识别。

其中，金属结构损伤模式识别方法还包括：采用预先获取的训练参数对预先构建的神经网络模型进行训练，以得到模式识别模型，训练参数与频域特征参数所包含的特征参数相同。

其中，频域特征参数包括以下多者：重心频率、均方频率、均方根频率、频率方差和频率标准差。

其中，多个传感器包括两个压电传感器，包括激励传感器和接收传感器，用于发射和接收波信号，其中，发射的波信号为激励信号，接收的波信号为接收信号，激励传感器用于发射所述激励信号，接收传感器用于接收所述接收信号。

其中，结构损伤模式包括压电传感器脱粘损伤、结构腐蚀损伤和结构疲劳裂纹损伤。

其中，本发明提供的金属结构损伤模式识别方法还包括：对频域特征参数进行归一化处理；其中，对待测物体的结构损伤模式进行识别还包括：根据归一化处理之后的频域特征参数对待测物体的结构损伤模式进行识别。

需要说明的是，本发明提供的金属结构损伤模式识别方法的具体细节及益处与本发明提供的金属结构损伤模式识别系统类似，于此不予赘述。

以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。

本发明不仅可以应用于实际情况中的模式识别，也可以在实验室中使用，在实验室中使用的情况下，可以利用聚四氟乙烯薄膜在压电传感器与待测物体间制造脱粘损伤、利用吸波胶在结构中模拟腐蚀损伤、利用MTS疲劳试验机开展疲劳试验，并记录不同疲劳裂纹长度下接收的lamb波信号，以开展后续的模式识别过程。

通过本发明提供的技术方案具有以下优点：(1)对损伤前后lamb波散射信号进行功率谱变换，提取信号频域特征参数对损伤模式进行识别，信号频域特征参数易于提取，算法简单，具有很好的实际操作性；(2)提取lamb波信号功率谱最多可以有5个频域特征参数，分别为重心频率、均方频率、均方根频率、频率方差和频率标准差，而不只是单一的一个参数，对频域的评价更加全面；(3)对压电传感器脱粘、结构腐蚀损伤和结构裂纹损伤的评估准确率达到100％，可用于提高结构健康监测系统的可靠性。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。

此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。

Claims (10)

1.一种金属结构损伤模式识别系统，其特征在于，该系统包括：

信号采集模块，包括多个传感器，用于发射和接收针对待测物体进行监测的波信号，以得到针对待测物体的监测信号；

特征提取模块，用于提取所述监测信号的功率谱，并根据所述功率谱提取所述监测信号的频域特征参数；以及

模式识别模块，用于根据所述频域特征参数采用预先构建的模式识别模型对所述待测物体的结构损伤模式进行识别；

其中，所述金属结构损伤模式识别系统还包括模型训练模块，用于采用预先获取的训练参数对预先构建的神经网络模型进行训练，以得到所述模式识别模型，所述训练参数与所述频域特征参数所包含的特征参数相同。

2.根据权利要求1所述的金属结构损伤模式识别系统，其特征在于，所述频域特征参数包括以下多者：重心频率、均方频率、均方根频率、频率方差和频率标准差。

3.根据权利要求1所述的金属结构损伤模式识别系统，其特征在于，所述信号采集模块包括：

两个压电传感器，包括激励传感器和接收传感器，用于发射和接收波信号，其中，发射的波信号为激励信号，接收的波信号为接收信号，所述激励传感器用于发射所述激励信号，所述接收传感器用于接收所述接收信号。

4.根据权利要求3所述的金属结构损伤模式识别系统，其特征在于，所述结构损伤模式包括压电传感器脱粘损伤、结构腐蚀损伤和结构疲劳裂纹损伤。

5.根据权利要求1所述的金属结构损伤模式识别系统，其特征在于，该系统还包括：

数据处理模块，用于对所述频域特征参数进行归一化处理；

其中，所述模式识别模块用于根据归一化处理之后的频域特征参数对所述待测物体的结构损伤模式进行识别。

6.一种金属结构损伤模式识别方法，其特征在于，采用多个传感器发射和接收针对待测物体进行监测的波信号，该方法包括：

获取针对待测物体的监测信号；

提取所述监测信号的功率谱，并根据所述功率谱提取所述监测信号的频域特征参数；以及

根据所述频域特征参数采用预先构建的模式识别模型对所述待测物体的结构损伤模式进行识别；

其中，所述金属结构损伤模式识别方法还包括：采用预先获取的训练参数对预先构建的神经网络模型进行训练，以得到所述模式识别模型，所述训练参数与所述频域特征参数所包含的特征参数相同。

7.根据权利要求6所述的金属结构损伤模式识别方法，其特征在于，所述频域特征参数包括以下多者：重心频率、均方频率、均方根频率、频率方差和频率标准差。

8.根据权利要求6所述的金属结构损伤模式识别方法，其特征在于，所述多个传感器包括两个压电传感器，包括激励传感器和接收传感器，用于发射和接收波信号，其中，发射的波信号为激励信号，接收的波信号为接收信号，所述激励传感器用于发射所述激励信号，所述接收传感器用于接收所述接收信号。

9.根据权利要求8所述的金属结构损伤模式识别方法，其特征在于，所述结构损伤模式包括压电传感器脱粘损伤、结构腐蚀损伤和结构疲劳裂纹损伤。

10.根据权利要求6所述的金属结构损伤模式识别方法，其特征在于，该方法还包括：

对所述频域特征参数进行归一化处理；

其中，对所述待测物体的结构损伤模式进行识别还包括：根据归一化处理之后的频域特征参数对所述待测物体的结构损伤模式进行识别。

Images