CN115859074B - 一种基于超声导波和深度学习的复合材料加筋板损伤识别方法 - Google Patents
一种基于超声导波和深度学习的复合材料加筋板损伤识别方法 Download PDFInfo
- Publication number
- CN115859074B CN115859074B CN202211322331.8A CN202211322331A CN115859074B CN 115859074 B CN115859074 B CN 115859074B CN 202211322331 A CN202211322331 A CN 202211322331A CN 115859074 B CN115859074 B CN 115859074B
- Authority
- CN
- China
- Prior art keywords
- damage
- data
- deep learning
- guided wave
- ultrasonic guided
- 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.)
- Active
Links
- 230000006378 damage Effects 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000002131 composite material Substances 0.000 title claims abstract description 38
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000013136 deep learning model Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 38
- 230000003014 reinforcing effect Effects 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000037380 skin damage Effects 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 12
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000002787 reinforcement Effects 0.000 description 12
- 230000036541 health Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 239000004568 cement Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 229920000049 Carbon (fiber) Polymers 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 239000004917 carbon fiber Substances 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002847 impedance measurement Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 239000011208 reinforced composite material Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明公开了一种基于超声导波和深度学习的复合材料加筋板损伤识别方法,包括步骤:(1)在加筋板上粘贴传感器,进行超声导波信号的激励与接收,接收的超声导波信号包括无损数据及损伤数据;(2)将接收的数据根据数据类型及损伤位置用不同数字标签进行标注,建立数据库;(3)建立残差网络深度学习模型,并利用数据库中的数据对残差网络深度学习模型进行训练,得到训练后的模型;(4)利用所得的训练后的模型进行复合材料加筋板损伤识别,且在损伤识别过程中采用分步法分别识别数据类型及损伤位置。本发明的损伤识别方法将超声导波与深度学习技术相结合,并利用分类分步法,能准确损伤识别数据类型及相应的损伤位置。
Description
技术领域
本发明涉及结构健康监测技术领域,具体涉及一种基于超声导波和深度学习的复合材料加筋板损伤识别方法。
背景技术
结构健康监测技术可对飞机、钢轨、桥梁等结构材料的质量和损坏程度进行实时监测,从而为被监测结构的使用和维护提供依据。碳纤维增强复合材料具有比强度/比刚度高、抗疲劳性能优异、性能可定制设计、易于整体成型等优点,被广泛应用于飞机主要承重部件。在飞机服役过程中,外界物体的冲击、材料性能退化、疲劳载荷和环境侵蚀导致复合材料结构的承载能力降低和目不可见损伤。为了确保结构安全,同时最大限度地减少资源浪费,及时有效的健康监测技术至关重要。结构健康监测系统可基于不同的物理原理检测损伤,包括超声导波、声发射、光纤光栅、机电阻抗测量等。其中,超声导波是由板块边界引导的一种特殊形式的弹性波,其非常适合用于损伤监测,因为导波会受到它们所经过的介质的影响,即使目不可见的损伤也可检测出来。传统的损伤识别方式通常是基于损伤因子、概率成像等技术,常因信号的多模态复杂特性导致识别正确率较低。尤其对于复合材料加筋板,其结构构型复杂,基于损伤因子的阈值设定较为困难,较难准确识别损伤。而深度学习算法可学习数据的抽象内在特征,不用提取损伤因子以及分析信号的多模态特性,属于一种端对端的学习方式,因此,我们将超声导波技术和深度学习相结合以更好地对复合材料加筋板结构中的损伤进行识别。
发明内容
为解决上述技术问题,本发明提供了一种基于超声导波和深度学习的复合材料加筋板损伤识别方法。
本发明所采用的技术方案是:
一种基于超声导波和深度学习的复合材料加筋板损伤识别方法,包括如下步骤:
(1)在复合材料加筋板上粘贴压电传感器,构建传感器网络,进行超声导波信号的激励与接收,接收的超声导波信号包括无损数据及损伤数据;
(2)将接收的无损数据及损伤数据根据数据类型及损伤位置用不同数字标签进行标注,并建立数据库,其中数据类型包括无损、T型筋条损伤、加筋侧蒙皮损伤及蒙皮侧损伤;
(3)建立残差网络深度学习模型,并利用数据库中的无损数据及损伤数据对残差网络深度学习模型进行训练,得到训练后的残差网络深度学习模型;
(4)利用所得的训练后的残差网络深度学习模型进行复合材料加筋板损伤识别,且在损伤识别过程中采用分步法分别识别数据类型及损伤位置。
进一步地,所述步骤(1)中压电传感器以矩阵方式粘贴在复合材料加筋板上形成传感器网络,且每四个相邻的压电传感器组成一个小传感器网络;在每一个小传感器网络中每个压电传感器依次作为激励传感器激发超声导波信号,其余三个压电传感器接收超声导波信号。
进一步地,所述步骤(1)中无损数据从无损加筋板试验件上进行采集,损伤数据从具有不同损伤位置的加筋板试验件上进行采集。
进一步地,所述步骤(3)中残差网络深度学习模型包括4个,即1个用于识别数据类型的残差网络深度学习模型及3个分别用于识别T型筋条损伤、加筋侧蒙皮损伤及蒙皮侧损伤的损伤位置的残差网络深度学习模型。
进一步地,所述步骤(4)中采用分步法对复合材料加筋板损伤识别的具体步骤为:
(41)采用识别数据类型的残差网络深度学习模型识别是否发生损伤,并识别损伤类型;
(42)如果步骤(41)中识别结果为发生损伤,则根据步骤(41)所识别的损伤类型选择相应的识别损伤位置的残差网络深度学习模型识别具体损伤位置。
进一步地,所述步骤(3)中对残差网络深度学习模型进行训练的步骤为:
(31)将步骤(2)所采集的无损数据及损伤数据作为输入数据,并使其首先通过卷积层提取特征数据,然后进行最大池化操作;
(32)将最大池化操作后的数据进行卷积计算,卷积计算过程中包含至少一个模块,且每个模块中均设置有残差块,并设置恒等映射和线性投射两种残差连接方式;
(33)对步骤(32)卷积计算所得的数据进行自适应平均池化操作,输出为指定数值;
(34)将步骤(33)自适应平均池化后得到的数据依次通过线性层和softmax层,得到最终训练数据并输出;
(35)利用损失函数衡量步骤(34)得到的训练数据与真实值之间的不一致性,对残差网络深度学习模型进行优化。
进一步地,所述步骤(32)中卷积计算公式为:
其中,k是卷积核的大小,f(p,q)是原始数据,g(k-p,k-q)是卷积核。
进一步地,所述步骤(32)中残差块包括三次卷积计算,且每次卷积计算后执行批量归一化操作,并在每次批量归一化后设置一个激活函数ReLU;
所述批量归一化操作的计算公式为:
其中,γ,β是学习参数,初始化为γ=1,β=0;
所述激活函数ReLU为:
ReLU(x)=max(x,0)。
进一步地,所述步骤(32)中恒等映射及线性投射的关系式为:
F(x)=W3ReLU(W2ReLU(W1x))
其中,x为输入,y为经过残差块后的输出,F(x)为残差块的前向学习,Wn、Ws为卷积操作。
进一步地,所述步骤(35)中损失函数为:
其中,c是类别个数,m是样本数,分别表示属于第j个类的第i个样本的真实输出和预测结果。
本发明的有益效果是:
(1)本发明所提供的复合材料加筋板损伤识别方法,将超声导波信号与深度学习网络模型进行结合,利用深度学习技术进行损伤识别,无需考虑超声导波信号的多模态复杂特性,且可在训练数据过程中自动挖掘超声导波信号的内在特征,从而提高损伤识别的准确性;
(2)本发明所提供的复合材料加筋板损伤识别方法采用了分类分步法,将数据类型与损伤具体位置分开识别判断,提高损伤识别的准确率,能准确识别复合材料加筋板的数据类型及对应的损伤具体位置。
附图说明
图1为本发明方法的流程图;
图2为复合材料加筋板试验件示意图及压电传感器粘贴位置图;
图3是本发明所采用的超声导波信号激励图;
图4是本发明所划分的四种数据类型的示意图;
图5是本发明所建立的残差网络深度学习模型图;
图6是某一位置两条路径的无损信号与有损信号对比图;
图7是测试集指标迭代曲线图。
具体实施方式
本发明提供了一种基于超声导波和深度学习的复合材料加筋板损伤识别方法,为使本发明的目的、技术方案及效果更加清楚、明确,以下对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,本发明提供一种基于超声导波和深度学习的复合材料加筋板损伤识别方法,包括如下步骤:
(1)在复合材料加筋板上粘贴压电传感器,构建传感器网络,进行超声导波信号的激励与接收,接收的超声导波信号包括无损数据及损伤数据。
具体地,如图2所示,上述步骤(1)中压电传感器以矩阵方式粘贴在复合材料加筋板上形成传感器网络,且每四个相邻的压电传感器组成一个小传感器网络;在每一个小传感器网络中每个压电传感器依次作为激励传感器激发超声导波信号,其余三个压电传感器接收超声导波信号;如图3所示,上述激励信号可采用100kHz中心频率下的5周期汉宁窗调制的正弦时域信号。
另外,如图4所示,上述步骤(1)中无损数据从无损加筋板试验件上进行采集,在不同的时间中采集基准信号作为无损数据,损伤数据从具有不同损伤位置的加筋板试验件上进行采集,具体可在加筋板试验件的不同结构件的不同位置粘贴胶泥用于模拟损伤,并采集损伤信号。需要说明的是,加筋板试验件由T型筋条及蒙皮两个结构件构成,其中T型筋条位于蒙皮的一侧。
(2)将接收的无损数据及损伤数据根据数据类型及损伤位置用不同数字标签进行标注,并建立数据库。
具体地,本发明共设计四种数据类型,包括无损、T型筋条损伤、加筋侧蒙皮损伤及蒙皮侧损伤,并对应四种类型的导波信号数据:无损数据、T型筋条损伤数据、加筋侧蒙皮损伤数据及蒙皮侧损伤数据。
(3)建立残差网络深度学习模型,并利用数据库中的无损数据及损伤数据对残差网络深度学习模型进行训练,得到训练后的残差网络深度学习模型;
具体地,上述步骤(3)中残差网络深度学习模型共包括4个,即1个用于识别数据类型的残差网络深度学习模型及3个分别用于识别T型筋条损伤、加筋侧蒙皮损伤及蒙皮侧损伤的具体损伤位置的残差网络深度学习模型,上述4个残差网络深度学习模型分别记为残差网络深度学习模型一、二、三、四。
参照图5,上述步骤(3)中对每个残差网络深度学习模型进行训练的步骤为:
(31)将步骤(2)所采集的无损数据及损伤数据作为输入数据,并使其首先通过一个卷积核为64×7×7,步幅为2的卷积层提取特征数据,然后进行3×3和步幅为2的最大池化操作;其中,所采集的超声导波信号是二维信号,数据维度记为C×H×W,其中C、H、W分别表示数据通道、高度和宽度。
(32)将最大池化操作后的数据进行卷积计算,卷积计算过程中包含layer1、layer2、layer3、layer4四个模块,且每个模块中均设置有残差块,并设置恒等映射和线性投射两种残差连接方式,且layer1中包括一次恒等映射和两次线性投射,layer2中包括一次恒等映射和三次线性投射,layer3中包括一次恒等映射和五次线性投射,layer4中包括一次恒等映射和两次线性投射。另外,该步骤中残差块包括三次卷积计算,且每次卷积计算后执行批量归一化操作,并在每次批量归一化后设置一个激活函数ReLU,具体如图5中右图所示:先进行1*1卷积,卷积后进行批量归一化及ReLU函数激活;然后进行3*3卷积,卷积后进行批量归一化及ReLU函数激活;再次进行1*1卷积,卷积后进行批量归一化及ReLU函数激活。
其中,二维卷积的计算公式为:
其中,k是卷积核的大小,f(p,q)是原始数据,g(k-p,k-q)是卷积核;
恒等映射及线性投射的关系式为:
F(x)=W3ReLU(W2ReLU(W1x))
其中,x为输入,y为经过残差块后的输出,F(x)为残差块的前向学习,Wn、Ws为卷积操作,W1、W2、W3为残差连接中的卷积操作;
批量归一化操作的计算公式为:
其中,γ,β是学习参数,初始化为γ=1,β=0,μβ为批处理中数据特征的均值,σβ为标准差,ε=1×10-5防止分母为零;
所述激活函数ReLU为:
ReLU(x)=max(x,0)。
即如果x<0,则ReLU输出为0,否则为1。
(33)对步骤(32)卷积计算所得的数据进行自适应平均池化操作,输出为指定数值;
其中,自适应平均池化操作无论数据大小如何,在经过自适应平均池化层之后,输出为指定大小。
(34)将步骤(33)自适应平均池化后得到的数据依次通过线性层和softmax层,得到最终训练数据并输出;通过Softmax函数就可以将多分类的输出值转换为范围在[0,1]并且和为1的概率分布;
Softmax函数为:
其中,zj为第j个节点的输出值,K为输出节点的个数,即分类的类别个数。
(35)利用损失函数衡量步骤(34)得到的训练数据与真实值之间的不一致性,对残差网络深度学习模型进行优化,其中,损失函数越小,模型的鲁棒性越好;该步骤(35)中损失函数为:
其中,c是类别个数,m是样本数,分别表示属于第j个类的第i个样本的真实输出和预测结果;
并利用下述优化器对损失函数进行求解,引导损失函数的各个参数朝着正确的方向更新合适的值,使更新后的损失函数的参数值不断逼近全局最小值。优化器优化算法为:
mt=β1·mt-1+(1-β1)·gt
其中,ω是待优化参数,t是epoch,f(·)是目标函数,gt是当前参数梯度,mt是一阶动量,Vt是二阶动量,β1、β2是超参数,η是学习率。
(36)对优化后的残差网络深度学习模型进行评价;
以识别数据类型的残差网络深度学习模型为例,用以下指标进行评价:
其中,真阳性(TP)表示正确识别某一类的数量,真阴性(TN)表示正确识别非该类的数量,假阳性(FP)表示错误识别该类的数量,假阴性(FN)表示错误识别非该类的数量。
另外,由于本发明是多分类模型,所有评价指标均采用宏观平均法,即先计算每个类别的指标,然后计算平均值。
(4)利用所得的训练后的残差网络深度学习模型进行复合材料加筋板损伤识别,且在损伤识别过程中采用分步法分别识别损伤类型及损伤位置。具体步骤为:
(41)采用识别损伤类型的残差网络深度学习模型识别是否发生损伤,并识别损伤类型(即判断属于T型筋条损伤、加筋侧蒙皮损伤或蒙皮侧损伤);
(42)如果步骤(41)中识别结果为发生损伤,则根据步骤(41)所识别的损伤类型选择相应的识别损伤位置的残差网络深度学习模型识别具体损伤位置。
实施例
下面参照图1的流程,结合具体实施例数据对复合材料加筋板损伤识别方法进一步说明。
本实施例具体以包含4根T型加强筋的碳纤维复合材料加筋板为例,其尺寸为700mm×450mm,蒙皮铺层角度为[45/90/0/-45/0/90/45/0]s,T型筋条铺层角度为[45/0/-45/90/0/45/-45/0]s。具体步骤如下:
(1)如图2所示,在加筋板的筋条侧布置12个压电传感器(PZT),传感器间距为160mm×130mm。每4个PZT组成一个小矩阵传感网络,其中每一个传感器依次作为激励传感器,另外3个作为接收,则这12个传感器形成了72条一发一收路径,其中激励信号可采用如图3所示的100kHz中心频率下的5周期汉宁窗调制的正弦时域信号。采样频率为12MHz,采样点数为4000个,采集到的每个数据维度是72×4000。
上述步骤(1)中无损数据从无损加筋板试验件上进行采集,在不同的时间中采集基准信号作为无损数据,损伤数据从具有不同损伤位置的加筋板试验件上进行采集,具体可在加筋板试验件的不同结构件的不同位置粘贴胶泥用于模拟损伤,并采集损伤信号。在试验件上取一位置粘贴胶泥,选取其中两条路径(损伤在信号路径上及损伤不在损伤路径)上的无损信号、有损信号进行对比,如图6所示,通过图6可以看出损伤在信号路径上时有损数据和无损数据之间的差异性较大,若不在信号路径上差异性较小。
(2)采集数据并建立数据库。本发明共设计四种数据类型,包括无损、T型筋条损伤、加筋侧蒙皮损伤及蒙皮侧损伤,按照数据类型划分,将无损数据标注为0、T型筋条损伤数据标注为1、加筋侧蒙皮损伤数据标注为2、蒙皮侧损伤数据标注为3。具体在试验件测试区域画出大小为2cm×2cm的网格点,在每个网格点上依次模拟损伤,试验件上共采集到638个损伤点,其中加筋侧的筋条和蒙皮分别有100个和163个损伤点,蒙皮上有375个损伤点,在每个点采集5次数据,数据库包含4390条数据,其中包括3190条损伤数据和1200条健康数据,且筋条、加筋侧蒙皮和蒙皮处的损伤数据数为500、815、1875。
(3)建立残差网络深度学习模型,并利用数据库中的无损数据及损伤数据对残差网络深度学习模型进行训练。本实施例具体通过PyTorch诱导实验并使用一块NVIDIAGeForce RTX3090实现了本发明的训练过程,并采用Adam优化模型参数,权重衰减为1e-5,初始学习率为1e-4。对数据库数据划分为训练集及测试集,其中,训练集和测试集的划分比例为7:3,batch size设为64,共迭代40个epoch。
具体地,步骤1:建立用于识别数据类型的残差网络深度学习模型并进行训练及测试。该训练及测试过程中,一共有4390条数据,将该数据集据按照数据类型划分并用数字标签进行标注,将无损数据标注为0、T型筋条损伤数据标注为1、加筋侧蒙皮损伤数据标注为2、蒙皮侧损伤数据标注为3,并将该数据集划分为训练集及测试集,其中训练集有3073条,测试集有1317条;然后利用这些训练集数据对模型进行训练,并利用Adam优化器优化模型参数,得到所需的残差网络深度学习模型一;然后利用测试集数据进行验证。
步骤2:建立3个分别用于识别T型筋条损伤、加筋侧蒙皮损伤及蒙皮侧损伤的具体损伤位置的残差网络深度学习模型并进行训练及测试。该训练及测试过程中,分别用T型筋条损伤、加筋侧蒙皮损伤及蒙皮侧损伤数据对应的模型进行训练及测试,T型筋条损伤、加筋侧蒙皮损伤及蒙皮侧损伤位置数据分别有500条、815条、1875条,并将该数据集中的T型筋条损伤、加筋侧蒙皮损伤及蒙皮侧损伤的损伤位置数据用数字标签进行标注,其中,T型筋条损伤的损伤位置数据标注为0、1、2…499,加筋侧蒙皮损伤的损伤位置数据标注为0、1、2…814,蒙皮侧损伤的损伤位置数据标注为0、1、2…1874,然后将该数据集划分为训练集及测试,其中,T型筋条损伤、加筋侧蒙皮损伤及蒙皮侧损伤的测试集的数据量分别是350,570,1312,训练集的数据量分别是150,245,563,。然后分别利用这些训练集数据对模型进行训练,并利用Adam优化器优化模型参数,得到所需的残差网络深度学习模型二、三、四;然后利用测试集数据分别进行验证。
对比例
本对比例与上述实施例的区别在于,本对比例采用直接定位法,仅建立一个残差网络深度学习模型,将采集的4390条导波数据划分为训练集3073条、测试集1317条,将训练集3073条的导波数据全部输入至残差网络中进行训练,直接识别定位损伤位置;然后利用测试集数据对该模型进行验证。
上述实施例及对比例经过40个epoch后得到测试的评价指标值,见表1。另外,测试集的评价指标和Loss曲线图如图7所示。
表1
对上述结果进行分析,在测试集结果中,分步法中前三个模型的Acc、Sen、F1都等于100.00%,步骤2的蒙皮上的损伤定位中的Acc、Sen、F1分别为97.23%、98.00%、97.23%;而直接法中的Acc、Sen、F1分别为81.72%、91.79%、81.79%。通过上述数据,可以看出通过本发明的方法所建立的四个模型的识别效果都很好,准确率高,也进一步说明了本发明的分类分步法通过将数据类型与损伤具体位置分开识别判断,能提高损伤识别的准确率,能更准确地识别复合材料加筋板的数据类型及对应的损伤具体位置;同时也进一步说明了通过深度学习可以在训练数据过程中自动挖掘超声导波信号的内在特征,通过残差网络学习数据特征能准确识别损伤以及损伤位置。
本发明中未述及的部分,采用或借鉴已有技术即可实现。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (9)
1.一种基于超声导波和深度学习的复合材料加筋板损伤识别方法,其特征在于,包括如下步骤:
(1)在复合材料加筋板上粘贴压电传感器,构建传感器网络,进行超声导波信号的激励与接收,接收的超声导波信号包括无损数据及损伤数据;
(2)将接收的无损数据及损伤数据根据数据类型及损伤位置用不同数字标签进行标注,并建立数据库,其中数据类型包括无损、T型筋条损伤、加筋侧蒙皮损伤及蒙皮侧损伤;
(3)建立残差网络深度学习模型,并利用数据库中的无损数据及损伤数据对残差网络深度学习模型进行训练,得到训练后的残差网络深度学习模型;
(4)利用所得的训练后的残差网络深度学习模型进行复合材料加筋板损伤识别,且在损伤识别过程中采用分步法分别识别数据类型及损伤位置;
所述步骤(3)中对残差网络深度学习模型进行训练的步骤为:
(31)将步骤(2)所采集的无损数据及损伤数据作为输入数据,并使其首先通过卷积层提取特征数据,然后进行最大池化操作;
(32)将最大池化操作后的数据进行三次卷积计算,卷积计算过程中包含layer1、layer2、layer3、layer4四个模块,且每个模块中均设置有残差块,并设置恒等映射和线性投射两种残差连接方式,且layer1中包括一次恒等映射和两次线性投射,layer2中包括一次恒等映射和三次线性投射,layer3中包括一次恒等映射和五次线性投射,layer4中包括一次恒等映射和两次线性投射;且每次卷积计算后执行批量归一化操作,并在每次批量归一化后设置一个激活函数ReLU;
(33)对步骤(32)卷积计算所得的数据进行自适应平均池化操作,输出为指定数值;
(34)将步骤(33)自适应平均池化后得到的数据依次通过线性层和softmax层,得到最终训练数据并输出;
(35)利用损失函数衡量步骤(34)得到的训练数据与真实值之间的不一致性,对残差网络深度学习模型进行优化。
2.根据权利要求1所述的一种基于超声导波和深度学习的复合材料加筋板损伤识别方法,其特征在于,所述步骤(1)中压电传感器以矩阵方式粘贴在复合材料加筋板上形成传感器网络,且每四个相邻的压电传感器组成一个小传感器网络;在每一个小传感器网络中每个压电传感器依次作为激励传感器激发超声导波信号,其余三个压电传感器接收超声导波信号。
3.根据权利要求1所述的一种基于超声导波和深度学习的复合材料加筋板损伤识别方法,其特征在于,所述步骤(1)中无损数据从无损加筋板试验件上进行采集,损伤数据从具有不同损伤位置的加筋板试验件上进行采集。
4.根据权利要求1所述的一种基于超声导波和深度学习的复合材料加筋板损伤识别方法,其特征在于,所述步骤(3)中残差网络深度学习模型包括4个,即1个用于识别数据类型的残差网络深度学习模型及3个分别用于识别T型筋条损伤、加筋侧蒙皮损伤及蒙皮侧损伤的损伤位置的残差网络深度学习模型。
5.根据权利要求4所述的一种基于超声导波和深度学习的复合材料加筋板损伤识别方法,其特征在于,所述步骤(4)中采用分步法对复合材料加筋板损伤识别的具体步骤为:
(41)采用识别数据类型的残差网络深度学习模型识别是否发生损伤,并识别损伤类型;
(42)如果步骤(41)中识别结果为发生损伤,则根据步骤(41)所识别的损伤类型选择相应的识别损伤位置的残差网络深度学习模型识别具体损伤位置。
6.根据权利要求1所述的一种基于超声导波和深度学习的复合材料加筋板损伤识别方法,其特征在于,所述步骤(32)中卷积计算公式为:
其中,k是卷积核的大小,f(p,q)是原始数据,g(k-p,k-q)是卷积核。
7.根据权利要求1所述的一种基于超声导波和深度学习的复合材料加筋板损伤识别方法,其特征在于,所述批量归一化操作的计算公式为:
其中,γ,β是学习参数;
所述激活函数ReLU为:
ReLU(x)=max(x,0)。
8.根据权利要求7所述的一种基于超声导波和深度学习的复合材料加筋板损伤识别方法,其特征在于,所述步骤(32)中恒等映射及线性投射的关系式为:
F(x)=W3ReLU(W2ReLU(W1x))
其中,x为输入,y为经过残差块后的输出,F(x)为残差块的前向学习,Wn、Ws为卷积操作。
9.根据权利要求1所述的一种基于超声导波和深度学习的复合材料加筋板损伤识别方法,其特征在于,所述步骤(35)中损失函数为:
其中,c是类别个数,m是样本数,分别表示属于第j个类的第i个样本的真实输出和预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211322331.8A CN115859074B (zh) | 2022-10-27 | 2022-10-27 | 一种基于超声导波和深度学习的复合材料加筋板损伤识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211322331.8A CN115859074B (zh) | 2022-10-27 | 2022-10-27 | 一种基于超声导波和深度学习的复合材料加筋板损伤识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115859074A CN115859074A (zh) | 2023-03-28 |
CN115859074B true CN115859074B (zh) | 2023-10-20 |
Family
ID=85661914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211322331.8A Active CN115859074B (zh) | 2022-10-27 | 2022-10-27 | 一种基于超声导波和深度学习的复合材料加筋板损伤识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115859074B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116609442B (zh) * | 2023-07-17 | 2023-10-13 | 南京工业大学 | 基于非线性超声导波和深度学习的管道裂纹评估定位方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765404A (zh) * | 2018-05-31 | 2018-11-06 | 南京行者易智能交通科技有限公司 | 一种基于深度学习图像分类的道路破损检测方法及装置 |
CN110490249A (zh) * | 2019-08-16 | 2019-11-22 | 哈尔滨工业大学 | 基于属性类别关系和少样本元学习的结构损伤识别方法 |
CN112330594A (zh) * | 2020-10-13 | 2021-02-05 | 浙江华睿科技有限公司 | 一种纸筒缺陷检测方法、装置、电子设备及存储介质 |
CN112800911A (zh) * | 2021-01-20 | 2021-05-14 | 同济大学 | 一种路面损伤快速检测及自然数据集构建方法 |
CN113838010A (zh) * | 2021-09-09 | 2021-12-24 | 中国人民解放军空军工程大学 | 基于红外热波及卷积神经网络的复合材料损伤智能检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200279156A1 (en) * | 2017-10-09 | 2020-09-03 | Intel Corporation | Feature fusion for multi-modal machine learning analysis |
CN111179253B (zh) * | 2019-12-30 | 2023-11-24 | 歌尔股份有限公司 | 一种产品缺陷检测方法、装置与系统 |
-
2022
- 2022-10-27 CN CN202211322331.8A patent/CN115859074B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765404A (zh) * | 2018-05-31 | 2018-11-06 | 南京行者易智能交通科技有限公司 | 一种基于深度学习图像分类的道路破损检测方法及装置 |
CN110490249A (zh) * | 2019-08-16 | 2019-11-22 | 哈尔滨工业大学 | 基于属性类别关系和少样本元学习的结构损伤识别方法 |
CN112330594A (zh) * | 2020-10-13 | 2021-02-05 | 浙江华睿科技有限公司 | 一种纸筒缺陷检测方法、装置、电子设备及存储介质 |
CN112800911A (zh) * | 2021-01-20 | 2021-05-14 | 同济大学 | 一种路面损伤快速检测及自然数据集构建方法 |
CN113838010A (zh) * | 2021-09-09 | 2021-12-24 | 中国人民解放军空军工程大学 | 基于红外热波及卷积神经网络的复合材料损伤智能检测方法 |
Non-Patent Citations (3)
Title |
---|
"Combined two-level damage identification strategy using ultrasonic guided waves and physical knowledge assisted machine learning";Mahindra Rautela et al;《Ultrasonics》;第115卷;第1-13页 * |
"一种改进残差网络的服装图像识别模型";陆建波等;《计算机工程与应用》;第56卷(第20期);第206-211页 * |
"基于神经网络技术的斜拉桥损伤分步识别方法";赵玲等;《公路交通科技》;第26卷(第9期);第70-75页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115859074A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Vibration-based assessment of delaminations in FRP composite plates | |
US8036836B2 (en) | Dynamic environmental change compensation of sensor data in structural health monitoring systems | |
US11855265B2 (en) | Acoustic signal based analysis of batteries | |
Chiachío et al. | A multilevel Bayesian method for ultrasound-based damage identification in composite laminates | |
CN115859074B (zh) | 一种基于超声导波和深度学习的复合材料加筋板损伤识别方法 | |
CN115169479A (zh) | 污水处理过程远程监控方法、系统及存储介质 | |
JPWO2009139052A1 (ja) | 信号判定方法、信号判定装置、プログラム、信号判定システム | |
Fathnejat et al. | An efficient two-stage approach for structural damage detection using meta-heuristic algorithms and group method of data handling surrogate model | |
Liu et al. | Data-driven approaches for characterization of delamination damage in composite materials | |
Mishra et al. | Remaining useful life estimation with lamb-wave sensors based on wiener process and principal components regression | |
CN114692758A (zh) | 电力通信故障分析方法、装置、终端设备及介质 | |
CN117540174B (zh) | 基于神经网络的建筑结构多源异构数据智能分析系统及方法 | |
Li et al. | Particle filter‐based hybrid damage prognosis considering measurement bias | |
CN112613105B (zh) | 一种基于声发射参数与遗传算法优化bp神经网络的钢筋混凝土梁损伤状态识别方法 | |
Hu et al. | Machine learning-based model for recognizing the failure modes of FRP-strengthened RC beams in flexure | |
Araque et al. | Advanced fuzzy arithmetic for material characterization of composites using guided ultrasonic waves | |
CN116070508A (zh) | 一种桥梁健康状态预测预警方法 | |
CN110779477A (zh) | 一种用于实时识别物体形状的声学方法 | |
CN117129895A (zh) | 电池健康状态计算方法、装置、存储介质以及车辆 | |
CN110389176B (zh) | 一种碳纤维增强基复合材料结构的疲劳损伤诊断方法 | |
CN112307918A (zh) | 一种基于模糊神经网络的变压器直流偏磁的诊断方法 | |
Monaco et al. | Simulation of waves propagation into composites thin shells by FEM methodologies for training of deep neural networks aimed at damage reconstruction | |
Xu | Damage detection of fiber reinforced polymer plate repaired steel structure using percussion and machine learning | |
Rajeswari et al. | Structural health monitoring of aircraft through prediction of delamination using machine learning | |
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 |
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 |