CN116183718A - 基于Lamb波非线性混频和LT网络的微裂纹定位与评估方法 - Google Patents
基于Lamb波非线性混频和LT网络的微裂纹定位与评估方法 Download PDFInfo
- Publication number
- CN116183718A CN116183718A CN202310237524.1A CN202310237524A CN116183718A CN 116183718 A CN116183718 A CN 116183718A CN 202310237524 A CN202310237524 A CN 202310237524A CN 116183718 A CN116183718 A CN 116183718A
- Authority
- CN
- China
- Prior art keywords
- microcrack
- lamb wave
- positioning
- data set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 235000019687 Lamb Nutrition 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 48
- 230000005284 excitation Effects 0.000 claims abstract description 40
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 238000001228 spectrum Methods 0.000 claims abstract description 19
- 229910052782 aluminium Inorganic materials 0.000 claims abstract description 16
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 26
- 239000006185 dispersion Substances 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000003491 array Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 16
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000004044 response Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 239000013598 vector Substances 0.000 description 15
- 238000013135 deep learning Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/041—Analysing solids on the surface of the material, e.g. using Lamb, Rayleigh or shear waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
- G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
- G01N2291/0234—Metals, e.g. steel
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/028—Material parameters
- G01N2291/0289—Internal structure, e.g. defects, grain size, texture
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/04—Wave modes and trajectories
- G01N2291/042—Wave modes
- G01N2291/0423—Surface waves, e.g. Rayleigh waves, Love waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/10—Number of transducers
- G01N2291/106—Number of transducers one or more transducer arrays
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于Lamb波非线性混频和LT网络的微裂纹定位与评估方法,主要包括微裂纹损伤信号采集、微裂纹损伤信号预处理、微裂纹定位与评估等步骤。方法首先选择并调制适合的Lamb波激励信号,在铝板上布置传感器阵列并采集微裂纹损伤信号;之后从Lamb波响应信号中提取传感器阵列频谱数据并转换得到堆叠频谱图;模型训练阶段将堆叠频谱图输入到LT网络中进行训练,采用梯度下降算法优化获得最优模型,并利用此最优模型对微裂纹进行定位和评估,生成微裂纹位置、方向以及长度等信息。本发明在传统Lamb波非线性混频技术的基础上引入神经网络技术训练定位与评估算法,弥补了传统检测方法在定位和评估方面的局限性,简单高效、成本低廉且应用范围广。
Description
技术领域
本发明涉及一种基于Lamb波非线性混频和LT网络的微裂纹定位与评估方法,属于无损检测技术领域。
背景技术
近年来,金属板状结构工程工业领域中被广泛采用。板状结构的稳定性和安全性成为了近些年来研究人员关注的问题。在生产和使用的过程中,外部力对板材冲击等因素会使得板材出现一些细小的微裂纹、孔洞等损伤,这些损伤早期阶段难以观测,如不能被及时地探出,可能导致板材结构性能急剧下降,严重威胁结构的安全,不仅可能带来巨大的经济损失,严重的甚至会造成重大安全事故。因此,尽早地检测出结构中的损伤尤为重要。Lamb波凭借传播距离远、能量衰减小、能够检测结构内部损伤等优点和特点,在无损检测和结构健康监测领域得到广泛应用。
迄今为止,诸多研究者已经对板中微裂纹的定位和成像方法做了很多的研究。现有非线性Lamb波采用混频法对微裂纹进行检测评价时,通过定义非线性参数等方式研究其与板中微裂纹产生的接触非线性的关系,进而确定微裂纹长度、宽度以及角度等信息,但是这些研究通常是在保持裂纹位置固定的情况下进行的,一般忽略位置因素对非线性的影响。此外,尽管已经有许多关于用于无损检测的非线性Lamb波方法的研究,但这方面大多数的工作都仅仅是从研究微裂纹的定位或评估这两类问题中的一个方面出发。因此,一方面现有方法很少实现对微裂纹的缺陷定位和特征评估两个方面的同步研究,另一方面已有的微裂纹检测方法较为复杂且效率低。近年来以数据导向的深度学习方法引起了越来越多的关注,在诸多研究中已与传统的Lamb波损伤检测技术进行结合以实现薄板中损伤的检测。深度学习方法在Lamb波损伤检测中的应用,为解决板材疲劳裂纹定位与特征评价同步研究的问题提供了新的思路,将已有的非线性Lamb波混频检测技术和深度学习算法结合,可以克服现有方法的限制,同时生成位置和特征信息,有利于提高板状结构中微裂纹的检测效率。
发明内容
发明要解决的技术问题
为解决传统检测方法效率低、缺乏微裂纹位置检测、不能同时实现对微裂纹的定位和评估等不足,本发明利用非线性Lamb波混频检测技术结合深度学习,提出了基于Lamb波非线性混频和LT网络的微裂纹定位与评估方法。
技术方案
为达到上述目的,本发明提供的技术方案为:
基于Lamb波非线性混频和LT网络的微裂纹定位与评估方法,包括微裂纹损伤信号采集、微裂纹损伤信号预处理、微裂纹定位与评估步骤,其中微裂纹损伤信号采集包括如下步骤:
步骤1,获取Lamb波频散曲线,选择合适模态作为激励信号并进行调制;
步骤2,在铝板指定位置处放置激励传感器,在激励传感器处铝板上下表面对称发射步骤1所述Lamb波激励信号;
步骤3,在铝板指定位置处表面设置一组圆形传感器阵列,用来接收来自目标区域的回波信号,构成一组传感器数据;
步骤4,通过改变微裂纹分布改变铝板微裂纹损伤类别,重复步骤2激励与步骤3,将得到的若干组传感器数据作为原始数据集;
微裂纹损伤信号预处理包括如下步骤:
步骤5,将步骤4中得到原始数据集划分为原始训练数据集和原始测试数据集;
步骤6,将步骤5中所得原始训练数据集和原始测试数据集中信号进行快速傅里叶变换得到频谱,并将其频谱数据进行对数化并归一化操作;
步骤7,将一组内的传感器数据的对数归一化频谱叠加为一个堆叠频谱图,原始训练数据集和原始测试数据集转换为对应的堆叠频谱图训练数据集与堆叠频谱图测试数据集;
微裂纹定位与评估包括如下步骤:
步骤8,使用步骤7中得到的堆叠频谱图训练数据集进行LT网络模型参数的训练,选择出性能最优的模型;
步骤9,利用步骤8中得到的最优LT网络模型对步骤7中的堆叠频谱图测试数据集进行板中微裂纹损伤的定位与特征评估,生成关于微裂纹位置、方向以及长度等特征信息,以验证算法模型的有效性。
进一步地,步骤1中激励信号的选择方法为:根据频散曲线,在和频率小于其他模态的截止频率范围内,选择低频散、速度快的Lamb波S0模态信号作为激励。
进一步地,步骤1中采用汉宁窗对Lamb波混频激励信号进行调制,调制方法为:
其中,f1和f2为混频激励信号的两个中心频率,n表示激励信号的周期数。
进一步地,步骤8中对LT网络模型参数训练的步骤为:
步骤81,将堆叠频谱图训练数据集分为k份,每次取k-1份数据作为训练数据,剩余的1份作为验证数据,设定初始LT网络参数;
步骤82,利用随机梯度下降算法对模型进行训练,设定初始学习率η0与调节参数γ,对初始LT网络参数进行迭代优化,优化过程使用步骤81验证数据对参数进行验证,优化方法为:
进一步地,步骤82中损失函数定义为:
其中,ppred和plabel为验证数据依据模型预测的标签结果和实际标签对应的概率分布。
有益效果
本发明方法通过将传统的非线性Lamb波混频技术与深度学习技术结合,可以同时实现微裂纹损伤的定位和损伤特征信息的评估细化,弥补了已有方法对定位和特征评估研究方面的不足和局限性;
本发明方法通过使用以数据驱动的深度学习方法,相较于传统的非线性分析方法,提高了板中微裂纹损伤识别的效率和准确性;
本发明方法通过布置一组传感器阵列实现板中微裂纹损伤的定位和评估,提高对不同损伤定位和评估的准确性,且对各种操作和环境条件具有稳定性。
附图说明
图1为本发明方法微裂纹定位评估步骤框图;
图2为本发明方法形成的堆叠频谱图;
图3为本发明方法提出的LT网络结构示意图;
图4为本发明方法实施的仿真模型图;
图5为本发明方法中的检查区域及微裂纹建模图;
图6为本发明方法使用的一组激励信号及其频谱图;
图7为本发明方法实现微裂纹定位与评估的预测结果示例图。
具体实施方式
为进一步了解本发明的内容,结合附图和具体实施方式对本发明作详细描述。
如图1所示,本发明方法主要包括微裂纹损伤信号采集、微裂纹损伤信号预处理、微裂纹定位与评估三个步骤。
微裂纹损伤信号采集
在铝板上表面设置合适的激励信号源并在损伤区域周围布置一组呈圆形排列的传感器阵列。在确定激励和接收传感器位置后,在铝板激励点上下表面对称入射Lamb波信号,Lamb波的传播具有频散和多模特性,根据频散曲线,在和频小于其他模态的截止频率范围内,选择低频散、速度快的Lamb波S0模态信号作为激励;为了确保获取合适模态,激励信号中心频率选择在低频区的第一个截止频率以下,这样Lamb波在铝板中就只有两个基本模态(S0和A0)可以传播并且在自由边界处不发生模态的转变,在此基础上对激励信号进行调制,本实施例中采用汉宁窗进行调制,对于混频激励,激励信号的表达形式如下:
其中,f1和f2为混频激励信号的两个中心频率,n表示激励信号的周期数。调制后的信号频带能量更加集中,改善了Lamb波的频散程度。
在检测区域中设置了一个微裂纹损伤,通过改变不同的微裂纹分布,重复激励和接收来自微裂纹区域的损伤信号,进而得到若干组传感器数据,并将其作为原始数据集。
微裂纹损伤信号预处理
在完成微裂纹损伤信号采集后,下面将进行微裂纹损伤信号预处理。首先将采集到的数据集划分为训练集和测试集,然后通过对数归一化操作将信号频谱转换为堆叠频谱图,得到堆叠频谱图训练数据集和测试数据集。其中堆叠频谱图训练数据集将在模型训练阶段作为LT网络的输入,堆叠频谱图测试数据集用以在模型测试阶段完成微裂纹检测,以验证算法模型的有效性。微裂纹损伤信号采集得到的数据集中,每一组数据由N个传感器时域数据组成。将每个时域数据进行快速傅里叶变换,并对结果进行对数化和归一化操作,其中频谱数据对数化和归一化方法如下:
Flog(k)=20lg(F(k)) (2)
其中,F(k)为信号频谱,Flog(k)为对F(k)对数化的结果,Fnorm(k)是对Flog(k)的归一化结果,max和min分别为求最大值和最小值函数。
本实施例中以八个传感器(A、B、…、H)组成的环形阵列为例,将这八个传感器的对数归一化频谱依次进行叠加,形成堆叠频谱图如图2所示。利用此方法将所有原始数据集中的数据转换为堆叠频谱图数据集。堆叠频谱图数据集得到后,将以其作为LT网络的输入,并用于进一步的训练和预测。
微裂纹定位与评估
(1)LT网络结构
本发明中LT(Lamb Transformer)网络的结构如图3所示,结构共包含三个不同的子层:预处理层、编码器层、全连接层。
堆叠频谱图中的每个向量(S1、S2、…、SN)被送入到第一部分预处理层中。预处理结构包含一个线性映射层和一个位置编码层,其中线性映射层完成输入序列的嵌入,位置编码用来保留传感器相对位置关系,经过预处理的输出满足式(4)
P=SW+E (4)
其中S为输入的D×N维堆叠频谱图,W为N×N的投影矩阵,E为D×N的位置编码矩阵,D为截取的频谱长度,N为传感器数量。
位置编码矩阵E的偶数维与奇数维分别表示为:
其中pos∈{1,2,...N}表示传感器的位置,2i与2i+1表示向量的偶数维与奇数维。
经预处理层后得到D×N维矩阵数据P,即向量(S1、S2、…、SN)转换为(P1、P2、…、PN),下一步输入编码器层进行编码操作,本实施例中编码器层使用K个叠加的编码器,(P1、P2、…、PN)经编码器执行K次编码并进行拉平操作,得到一个1×DN维的向量。
将编码器所得向量输入全连接层,经历多级子层变换映射输出与目标分类数量相同的结果,得到M维输出分类向量(M为待分类数量),其中第k级网络的输出由式(6)得到,其中,x为输入1×N1维向量,W为N1×N2的权重矩阵,b为偏置,输出FCNk的维度为1×N2,N1和N2分别表示第k级输入向量和输出向量的长度。
FCNk(x)=max(0,xW+b) (6)
全连接层输出为1×M的向量,向量的每个维度对应于不同的微裂纹分类,经式(7)中的变换得到模型分类的结果,式中P(xi)为向量x属于第i类的概率。
(2)利用LT网络的微裂纹定位与评估
微裂纹定位与评估主要分为两个子阶段:模型训练和模型预测。
(a)在模型训练阶段,之前得到的堆叠频谱图训练数据集将作为模型训练的输入,在本实施例中,为了提高模型的泛化能力,使用k折交叉验证来验证模型的鲁棒性,实际操作时,将训练数据集分为k份,每次取k-1份数据作为训练数据,剩余的1份作为验证数据,用于选取性能最优的模型。在此期间,每次从训练数据中选择一小批次(batch)的数据进行网络模型训练,合适的批次大小会加快模型的收敛速度。
训练阶段使用式(8)对LT网络的参数进行优化:
ηgen+1=ηgen×γ (9)
其中γ为调节参数,上式表示从初始学习率η0开始,执行一次调节会产生一个新的学习率用于参数的迭代更新。
本实施例采用式(10)中的交叉熵损失作为网络模型迭代的依据:
其中,ppred和plabel为预测结果和标签对应的概率分布。训练过程使用式(8)中的随机梯度下降(SGD)对LT网络的参数进行优化,选择如式(9)的指数学习率参数调节器用于调整SGD算法更新迭代的速度。
(b)在模型预测阶段,从堆叠频谱图测试数据集中抽取待测试数据,将其送入到选取的最优模型中,此时网络内部参数已经是最优参数,模型会对测试数据进行预处理并提取针对不同位置、不同方向以及不同长度的微裂纹分布特征信息,以实现微裂纹进行同时的定位和特征评估,生成微裂纹的位置、拓展方向以及长度信息。
实验结果
表1铝板材料属性
(1)微裂纹损伤信号采集
实验选择待检测样本为铝板,使用Abaqus建立模型,具体材料性能参数见表1,其中ρ表示密度,E表示杨氏模量,υ表示泊松比。铝板尺寸为600mm×600mm×2mm,激励位于(-70,0)mm,在检测区域周围40mm半径的圆周上均匀布置八个传感器阵列,依次记为A、B、…、H,如图4所示。
表2激励信号的频率组合
为了分析微裂纹位置对损伤的影响,检测区域被建模为一个边长为30mm的正方形区域,并将其分为9个不同的子区域,依次标记为1到9,如图5所示。通过嵌入cohesive单元到检测区域的特定部分以模拟微裂纹损伤。微裂纹区被放置在九个不同分区的中心,以研究不同位置的影响。在每个分区中,微裂纹的长度分别取4mm、6mm和8mm。此外,微裂纹的方向从5度逐步变化到175度,其中步长为10度,一共有18个不同的微裂纹方向。在该模型中,微裂纹的方向定义为微裂纹与正y轴之间的夹角,当微裂纹与直线AE平行时,其方向角为90度。此外为了降低Lamb波传播过程中多模态和频散的影响,在铝板同一位置处上下表面同时施加反相对称激励以获得单一S0模态Lamb波。仿真中所用的激励信号为三组10周期汉宁窗调制的正弦波,具体参数见表2,其中第一组时域波形和频谱如图6所示。通过改变位置、长度、角度、激励频率这四个不同的参数,共可利用八个传感器采集到1458(9×3×18×3)组原始数据,每一个原始数据包含八个传感器的时域数据。
(2)微裂纹损伤信号预处理
将上述1458个原始数据分为原始训练数据和原始测试数据,其中100个测试数据是从1458个原始数据中随机抽取的。为模拟真实环境中噪声对Lamb波响应信号的影响,在原始训练数据中加入15dB、20dB、25dB、30dB四种不同噪声级别的高斯白噪声,以提高后续算法的鲁棒性。此时,原始训练数据的大小扩展到6790(1358×5),其中包含原始的1358个无噪声数据。另外,通过改变接收传感器向量的位置来模拟八个不同的激励点,以扩充数据集。经过数据扩充后,最终生成了54320(6790×8)个训练数据用于后续的模型训练。这54320个训练数据和100个测试数据经微裂纹损伤信号预处理后转换成堆叠频谱图,本实施例中截取频谱前512kHz数据并以1kHz为步长进行频谱抽取,因此每一个堆叠频谱图的维度为512×8,即D为512,N为8,对应的训练数据集和测试数据集大小分别为54320×512×8和100×512×8。
(3)微裂纹定位与评估
(a)模型训练
在模型训练部分,采用所提出的LT网络生成机器学习算法模型用于后续微裂纹损伤的定位和特征评估。本实施例中,采用一个Transformer编码器单元作为LT网络模型的特征提取层,LT网络模型中预处理层、编码器层输入特征向量维度均为512×8,其输出与输入维度相同,而全连接层输入为编码器层拉平的结果,即输入维度为4096(512×8),过程中为了得到与目标分类数相同的输出向量,共提供两级子层实现从4096到1024再到486的映射,其中位置、方向和长度的总分类目标数为486(9×3×18);使用5折交叉验证来验证模型的泛化能力,训练集和验证集大小分别为43456(80%)和10864(20%);使用批次大小为64,因此每一个参与更新迭代过程数据大小为64×512×8;应用指数学习率调整器参与SGD算法的梯度迭代过程,其中式(9)中初始学习率η0设置为0.01,调节参数γ为0.98。利用5折交叉验证进行训练并验证的结果表明,本发明所提出的LT网络模型在验证集上的平均精度可达到98.72%,实现了相对较低的损失和较高的准确性,这表明该模型具有良好的泛化能力,可在模型预测部分用于进一步的微裂纹定位和特征评估。
(b)模型预测
在模型预测部分,利用生成的最优机器学习模型对测试集中的微裂纹数据的定位和特征评估效果的有效性进行验证,结果显示针对100个测试数据,只出现1个裂纹位置方向偏差,测试集的预测准确率为99%,这表明依据本发明方法所训练得到的机器学习模型在微裂纹定位和特征评估方面具有显著的泛化能力,可以同时生成位置、方向以及长度信息。两个测试示例的堆叠频谱图和预测结果可视化对比如图7所示,其中错误的预测结果仅与其实际标签略有偏差,所有剩余的测试用例都被正确预测。
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (5)
1.基于Lamb波非线性混频和LT网络的微裂纹定位与评估方法,其特征在于,包括微裂纹损伤信号采集、微裂纹损伤信号预处理、微裂纹定位与评估步骤,其中微裂纹损伤信号采集包括如下步骤:
步骤S1,获取Lamb波频散曲线,选择合适模态作为激励信号并进行调制;
步骤S2,在铝板指定位置处放置激励传感器,在激励传感器处铝板上下表面对称发射步骤S1所述Lamb波激励信号;
步骤S3,在铝板指定位置处表面设置一组圆形传感器阵列,用来接收来自目标区域的回波信号,构成一组传感器数据;
步骤S4,通过改变微裂纹分布改变铝板微裂纹损伤类别,重复所述步骤S2激励与步骤S3,将得到的若干组传感器数据作为原始数据集;
微裂纹损伤信号预处理包括如下步骤:
步骤S5,将所述步骤S4中得到原始数据集划分为原始训练数据集和原始测试数据集;
步骤S6,将所述步骤S5中所得原始训练数据集和原始测试数据集中信号进行快速傅里叶变换得到频谱,并将其频谱数据进行对数化并归一化操作;
步骤S7,将一组内的传感器数据的对数归一化频谱叠加为一个堆叠频谱图,原始训练数据集和原始测试数据集转换为对应的堆叠频谱图训练数据集与堆叠频谱图测试数据集;
微裂纹定位与评估包括如下步骤:
步骤S8,使用所述步骤S7中得到的堆叠频谱图训练数据集进行LT网络模型参数的训练,选择出性能最优的模型;
步骤S9,利用所述步骤S8中得到的最优LT网络模型对所述步骤S7中的堆叠频谱图测试数据集进行板中微裂纹损伤的定位与特征评估,生成关于微裂纹位置、方向以及长度等特征信息,以验证算法模型的有效性。
2.如权利要求1所述的基于Lamb波非线性混频和LT网络的微裂纹定位与评估方法,其特征在于,所述步骤S1中激励信号的选择方法为:根据频散曲线,在和频率小于其他模态的截止频率范围内,选择低频散、速度快的Lamb波S0模态信号作为激励。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310237524.1A CN116183718A (zh) | 2023-03-13 | 2023-03-13 | 基于Lamb波非线性混频和LT网络的微裂纹定位与评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310237524.1A CN116183718A (zh) | 2023-03-13 | 2023-03-13 | 基于Lamb波非线性混频和LT网络的微裂纹定位与评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116183718A true CN116183718A (zh) | 2023-05-30 |
Family
ID=86432797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310237524.1A Pending CN116183718A (zh) | 2023-03-13 | 2023-03-13 | 基于Lamb波非线性混频和LT网络的微裂纹定位与评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116183718A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116609442A (zh) * | 2023-07-17 | 2023-08-18 | 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 |
-
2023
- 2023-03-13 CN CN202310237524.1A patent/CN116183718A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116609442A (zh) * | 2023-07-17 | 2023-08-18 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109597043B (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
CN105929024B (zh) | 混凝土缺陷智能化检测与定量识别方法 | |
CN110044554A (zh) | 一种基于声发射信号的金属压力容器泄漏的在线检测方法 | |
CN111664365A (zh) | 基于改进vmd和1dcnn的油气管道泄漏检测方法 | |
CN110440148B (zh) | 一种漏损声信号分类识别方法、装置及系统 | |
CN110231395B (zh) | 一种钢丝绳断丝损伤识别方法及系统 | |
CN109409271B (zh) | 基于bp神经网络改进算法的铁磁材料硬度预测算法 | |
CN116183718A (zh) | 基于Lamb波非线性混频和LT网络的微裂纹定位与评估方法 | |
CN105403622A (zh) | 一种板材损伤识别定位方法 | |
CN112990082B (zh) | 一种水声脉冲信号的检测识别方法 | |
CN109858523A (zh) | 一种神经网络和射线理论的浅海声速剖面反演方法 | |
CN112733447A (zh) | 一种基于域自适应网络的水下声源定位方法及系统 | |
CN111754463A (zh) | 一种基于卷积神经网络的无砟轨道ca砂浆层缺陷检测方法 | |
CN112036239A (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
Li et al. | An improved AIC onset-time picking method based on regression convolutional neural network | |
CN115754022A (zh) | 一种基于声发射的钢桁架焊接节点损伤程度识别方法 | |
CN107727749A (zh) | 一种基于小波包融合特征提取算法的超声定量检测方法 | |
CN113253248B (zh) | 一种基于迁移学习的小样本垂直阵目标距离估计方法 | |
CN107071894A (zh) | 一种基于WiFi的室内定位优化算法 | |
CN112014791B (zh) | 存在阵列误差的阵列pca-bp算法的近场源定位方法 | |
CN116609442B (zh) | 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 | |
CN109632942B (zh) | 一种基于集成学习的管道缺陷尺寸的反演方法 | |
Saechai et al. | Test system for defect detection in construction materials with ultrasonic waves by support vector machine and neural network | |
CN115081487A (zh) | 一种基于多域迁移学习的跨时间辐射源个体识别方法 | |
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 |