CN116306231B - 基于超声导波深度学习的胶接结构脱粘损伤识别方法和装置 - Google Patents
基于超声导波深度学习的胶接结构脱粘损伤识别方法和装置 Download PDFInfo
- Publication number
- CN116306231B CN116306231B CN202310068874.XA CN202310068874A CN116306231B CN 116306231 B CN116306231 B CN 116306231B CN 202310068874 A CN202310068874 A CN 202310068874A CN 116306231 B CN116306231 B CN 116306231B
- Authority
- CN
- China
- Prior art keywords
- damage
- debonding
- guided wave
- debonding damage
- deep learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 239000000853 adhesive Substances 0.000 title claims description 16
- 230000001070 adhesive effect Effects 0.000 title claims description 16
- 238000004088 simulation Methods 0.000 claims abstract description 48
- 238000013136 deep learning model Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 12
- 239000003292 glue Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 4
- 238000000137 annealing Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 239000010410 layer Substances 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000004026 adhesive bonding Methods 0.000 description 1
- 239000012790 adhesive layer Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance 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
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了基于超声导波深度学习的胶接结构脱粘损伤识别方法,其包括将所述胶接结构仿真模型的胶接区域网格化,将胶接区域中的无脱粘损伤区域的网格设为第一像素值,将胶接区域中的脱粘损伤区域的网格设为不同于第一像素值的第二像素值,从而形成胶接区域的仿真脱粘损伤像素图;再将所述多组仿真脱粘损伤像素图与所述多组仿真超声导波信号数据对应建立脱粘损伤导波数据库;并运用建立的残差网络深度学习模型基于脱粘损伤导波数据库识别所述胶接结构的脱粘损伤。本方法利用深度学习技术进行脱粘损伤识别,无需考虑信号的多模态复杂特性,其可直接给出脱粘损伤的图像,损伤预测精度高。本申请还公开了对应的装置。
Description
技术领域
本发明属于结构健康监测领域,涉及一种基于超声导波深度学习的胶接结构脱粘损伤识别方法。
背景技术
胶接结构与传统机械紧固结构相比,具有制造时间更短、应力分布更均匀、刚度更大、耐腐蚀性更强和结构重量更低的优点,因而被广泛应用于航空航天等工业领域。但胶接结构服役过程中因冲击载荷或外部环境等作用,易导致结构的胶接界面发生脱粘损伤,脱粘损伤会严重降低结构的承载能力进而影响结构的使用安全性,因此需要采用有效的技术手段以评估胶接结构在服役过程中的界面粘接状态。
结构健康监测技术可对飞机、桥梁、钢轨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。结构健康监测技术可基于不同的物理原理监测损伤,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,其在结构中传播时会受到它们所经过的介质的影响,非常适合用于损伤监测,并且超声导波对界面粘接特性非常敏感,是评估胶接结构粘接质量非常理想的监测手段。
传统的基于超声导波的损伤识别方法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。而且受胶接结构的胶层界面和材料的影响,超声导波在胶接结构内的传播过程更为复杂,使得基于损伤因子的阈值设定较为困难,难以准确识别损伤。
发明内容
根据现有技术存在的问题,本发明公开了一种基于超声导波深度学习的胶接结构脱粘损伤识别方法,该方法包括步骤:建立所述胶接结构的胶接结构仿真模型,其中所述胶接结构仿真模型的脱粘区域的胶层网格单元被删除以模拟所述脱粘损伤,采用有限元仿真生成所述脱粘损伤的仿真超声导波信号数据;将所述胶接结构仿真模型的胶接区域网格化,为所述胶接区域的每个网格设置像素值;其中,将胶接区域中的无脱粘损伤区域的网格设为第一像素值,将胶接区域中的脱粘损伤区域的网格设为不同于第一像素值的第二像素值,从而形成所述胶接区域的仿真脱粘损伤像素图;改变所述脱粘算上位置,从而重复生成多组仿真超声导波信号数据以及对应的多个仿真脱粘损伤像素图,再将所述多组仿真脱粘损伤像素图与所述多组仿真超声导波信号数据一一对应建立脱粘损伤导波数据库;建立残差网络深度学习模型,以所述脱粘损伤导波数据库中的仿真超声导波信号数据作为输入,以所述脱粘损伤像素图作为输出,使得引入残差模型用于识别所述脱粘损伤区域;以及通过所述残差网络深度学习模型识别所述胶接结构的脱粘损伤。
在一些实施例中,采用有限元仿真生成所述脱粘损伤的仿真超声导波信号数据包括:在形成所述胶接结构仿真模型的两块板的仿真模型的每一块板上各布设多个压电传感器仿真模型,依次利用其中一个压电传感器仿真模型激励汉宁窗调制五波峰正弦信号,由其他压电传感器仿真模型接收导波信号,依次改变产生激励信号的压电传感器仿真模型,得到针对全部压电传感器仿真模型的仿真超声导波信号,从而生成深度学习所需的所述胶接结构仿真模型的脱粘损伤的仿真超声导波信号数据。
在一些实施例中,基于ResNet残差网络模型建立残差网络深度学习模型,其中所述超声波导波数据是二维信号,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。
在一些实施例中,所述引入残差模型识别损伤包括引入ResNet18残差网络模型识别损伤,其中,ResNet18网络中的残差连接方式是恒等映射。
在一些实施例中,采用二分类交叉熵损失函数对所述识别到的脱粘损伤进行损失值计算。
在一些实施例中,采用Adam算法,通过一阶动量和二阶动量即梯度的均值和方差最小化损失函数。
在一些实施例中,采用余弦退火算法逐渐降低学习率。
在一些实施例中,还包括根据评价指标判别所述残差网络深度学习模型的效果。
在一些实施例中,根据评价指标判别模型的效果包括为了衡量网络模型的性能,判断损伤识别效果。
本申请的一些实施例还公开了基于超声导波深度学习的胶接结构脱粘损伤识别装置包括处理器和存储器,所述存储器中存储有程序代码,所述程序代码被所述处理器执行后,实现上述任意一项中的方法。
本申请提供的基于超声导波深度学习的胶接结构脱粘损伤识别方法和装置的有益之处至少在于:其利用深度学习技术进行脱粘损伤识别,无需考虑信号的多模态复杂特性,可挖掘并学习数据的深度内在特征。其可直接给出脱粘损伤的图像,损伤预测精度高。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。因此将超声导波技术和深度学习相结合可以更好地对胶接结构中的脱粘损伤进行识别。
本申请的以上特征和效果以及其他特征和效果将在具体实施方式中进行详细说明。
附图说明
图1为根据本申请的胶接结构脱粘损伤识别方法的损伤设置及压电传感器布设示意图;
图2A至2H为利用第一压电传感器激励其他压电传感器接收的导波信号示意图;
图3A为根据本申请的实施例的胶接区域网格划分示意图;
图3B为胶接区域网格划分后脱粘损伤标记示意图;
图4为根据本申请的实施例的实现脱粘损伤识别的残差网络深度学习模型的结构示意图;
图5为根据本申请的实验例的测试集评价指标和损失迭代曲线示意图;
图6为根据本申请的实验例的真实脱粘损伤图像和深度学习模型预测损伤图像对比示意图。
具体实施方式
为使本发明的技术方案和优点更清楚,下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行描述。
这里所公开的具体结构和功能细节仅仅是代表性的,并且是用于描述本申请的示例性实施例的目的。但是本申请可以通过许多替换形式来具体实现,并且不应当被解释成仅仅受限于这里所阐述的实施例。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
这里所使用的术语仅仅是为了描述具体实施例而不意图限制示例性实施例。除非上下文明确地另有所指,否则这里所使用的单数形式“一个”、“一项”还意图包括复数。还应当理解的是,这里所使用的术语“包括”和/或“包含”规定所陈述的特征、整数、步骤、操作、单元和/或组件的存在,而不排除存在或添加一个或更多其他特征、整数、步骤、操作、单元、组件和/或其组合。
还应当提到的是,在一些替换实现方式中,所提到的功能/动作可以按照不同于附图中标示的顺序发生。举例来说,取决于所涉及的功能/动作,相继示出的两幅图实际上可以基本上同时执行或者有时可以按照相反的顺序来执行。
根据本申请的一种实施例的基于超声导波深度学习的胶接结构脱粘损伤识别方法包括如下步骤:
1)生成脱粘损伤超声导波数据。
采用有限元仿真生成深度学习所需的胶接结构脱粘损伤超声导波数据。如图1所示为胶接结构仿真模型的脱粘损伤设置及压电传感器仿真模型布设示意图。脱粘损伤区域A设置为圆形,其中心和直径通过随机数生成,将胶接结构仿真模型脱粘区域的胶层网格单元删除以模拟脱粘损伤。在形成胶接结构仿真模型的两块板的仿真模型每一块板上各布设四个压电传感器仿真模型,分别为S1、S2、S3、S4、S5、S6、S7、S8。依次利用其中一个压电传感器仿真模型激励汉宁窗调制五波峰正弦信号,其他七个压电传感器仿真模型则接收仿真超声导波信号。例如,图2A所示为第一压电传感器仿真模型S1产生的仿真激励信号波形图,图2B至图2H为其他七个压电传感器仿真模型S2、S3、S4、S5、S6、S7、S8对应的路径1-2、路径1-3、路径1-4、路径1-5、路径1-6、路径1-7、路径1-8接收的仿真超声导波信号的示意图。以此类推,从压电传感器仿真模型S1至S8依次改变产生仿真激励信号的传感器,并用剩余的七个压电传感器仿真模型接收仿真超声导波信号。则针对每一个脱粘损伤可对应得到五十六条路径的仿真超声导波信号。以上含随机脱粘损伤的胶接结构仿真模型有限元建模、分析和结果输出均可通过有限元软件二次开发实现。
2)标注数据建立数据库
为了将每个脱粘损伤处理为可被计算机识别的形式,对胶接结构仿真模型的胶接区域网格化,为每个网格设置像素值,包括0、1。例如,如图3A、图3B所示,将胶接区域S中的无脱粘损伤区域B的网格像素值设为0,而脱粘损伤区域A的网格像素值设为1,从而形成胶接区域的仿真脱粘损伤像素图。
改变所述脱粘算上位置,从而重复生成多组仿真超声导波信号数据以及对应的多个仿真脱粘损伤像素图;
将每个仿真脱粘损伤像素图与每个五十六条路径的仿真超声导波信号一一对应建立脱粘损伤导波数据库,即将上述全部五十六条路径的超声导波信号和图3A所示的胶接区域的脱粘损伤像素图分别作为网络模型的输入和输出。图3B中区域C为即包括无脱粘损伤区域B的网格又包括脱粘损伤区域A的网格的区域,其放大图如图3B中的C1部分所示。
3)建立深度学习网络模型
建立残差网络深度学习模型,网络模型的结构如图4所示。仿真超声波导波数据的采集是二维信号,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。输入数据首先通过一个卷积核为64×7×7,步幅为2的卷积层,然后进行3×3和步幅为2的最大池化操作。卷积过程是将原始数据值乘以对应的卷积核值,再求和作为卷积计算的结果。然后将卷积核以一定的步幅在原始数据上滑动,并进行卷积计算,二维卷积的计算过程如公式1所示。
其中,k是卷积核的大小,f(i,j)是原始数据,g(k-i,k-j)是卷积核。
引入残差网络,例如ResNet18网络,ResNet18网络中的残差连接方式是恒等映射,如公式2、公式3所示
y=F(x,Wi)+x 公式2
F(x)=W2ReLU(W1x) 公式3
其中,y为经过残差块后的输出,F(x)为残差块的前向学习,Wi、W1、W2为卷积操作。
残差网络中在每次卷积计算之后执行批量归一化(BN)。批量归一化可以加快训练过程并减少内部协变量偏差,提高性能并解决梯度消失等问题。批量归一化的过程是学习参数γ,β,如公式4所示。
自适应平均池化操作不用考虑输入数据大小,在经过自适应平均池化层之后,按照指定维度输出。然后将数据变成1维,通过全连接层后输出。损失函数用于衡量模型预测值与真实值的不一致性。用于评估模型当前训练得到的概率分布与真实分布之间的差异。损失函数越小,模型的鲁棒性越好,在此采用二分类交叉熵损失函数,见公式5。
其中yn是损伤真实标签,是模型输出,N是样本个数。
本发明中采用Adam优化方法,是一个最小化损失函数的过程,这个过程通常是基于梯度的。Adam通过一阶动量和二阶动量即梯度的均值和方差最小化损失函数,涉及到的参数关系如公式6所示。采用余弦退火算法逐渐降低学习率,如公式7所示。
其中θ是待优化参数,t是轮次(epoch),f(g)是目标函数即损失函数,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,即步长。
4)其中,η是学习率,ηmax,ηmin分别是学习率的最大值和最小值,Tcur表示当前执行了多少个epoch,Ti是需要执行的总epoch数。设置评价指标
为了衡量网络模型的性能,判断损伤识别效果,设置Acc、F1和Pre三个评价指标,如公式7、公式8、公式9所示,其中Acc是准确率,用于衡量预测正确的比例;Pre是精确率,用于衡量所有预测出来的正例中有多少是真正例;F1是精确率和召回率的调和均值,其结果高表明精确率和召回率都高,这些指标是深度学习分类模型中常用的评价指标,其数值越接近于1表明模型的效果越好,同样地也可根据评价指标值去调节网络模型结构。
其中,TP,即真阳性表示正确识别损伤像素点的数量,TN,即真阴性,表示正确识别非损伤区域的数量,FP,即假阳性,表示错误识别损伤区域的数量,而FN,即假阴性,表示错误识别非损伤区域的数量。
应当理解,除ResNet18网络外,本申请中的方法还可以应用其他ResNet网络,例如ResNet34,ResNet50等网络。
实施例:
通过PyTorch诱导实验并使用一块NVIDIA GeForce RTX3090实现了本发明的算法。依照上述方法,利用有限元仿真构建了2000组随机脱粘损伤仿真模型和对应的仿真超声导波数据。对构建完成的残差网络深度学习模型采用Adam优化模型参数,权重衰减为1e-5,初始学习率为1e-4。采用余弦退火算法逐渐降低学习率。训练集和测试集的划分比例为8:2,将批量尺寸(batch size)设为32,共迭代100个轮次(epoch),训练集迭代一次后用测试集验证一次,经过100个轮次后得到测试的评价指标值,测试集的Acc为0.9962,F1为0.9421,Pre为0.9379,损失(Loss)值为0.0276,测试集评价指标和损失迭代曲线如图5所示。随机选取15个真实脱粘损伤图像和根据上述深度学习预测损伤图像进行对比,如图6所示。可以看到,深度学习模型预测的脱粘损伤与真实损伤吻合得非常好,验证了本发明方法的有效性。
本申请的实施例还可以包括与所述方法对应的装置,该装置可以包括如上述方法的各流程相对应的计算机程序模块。
在一些示例实施例中,本文描述的任何方法,过程,信令图,算法或流程图的功能可以由存储在存储器或其他计算机可读或有形媒体的软件和/或计算机程序代码或代码部分实现,并由处理器执行。
在一些示例实施例中,一种装置可以被包括或与至少一个软件应用、模块、单元或实体相关联,该软件应用、模块、单元或实体被配置为算术运算,或作为其程序或部分(包括添加或更新的软件例程),由至少一个操作处理器执行。程序,也称为程序产品或计算机程序,包括软件例程,小程序和宏,可以被存储在任何装置可读数据存储介质中,并且可以包括用于执行特定任务的程序指令。
序列是数据结构的单元,其可以包括字符串、列表、元组等。
一种计算机程序产品可以包括一个或多个计算机可执行部件,当程序运行时,该计算机可执行部件被配置为执行一些示例实施例。该一个或多个计算机可执行部件可以是至少一个软件代码或代码部分。用于实现示例实施例的功能的更改和配置可以作为例程来执行,该例程可以作为添加或更新的软件例程来实现。在一示例中,可以将软件例程下载到该装置中。
作为示例,软件或计算机程序代码或代码的一部分可以是源代码形式,目标代码形式或某种中间形式,并且可以存储在某种载体,分发介质或计算机可读介质,其可以是能够承载程序的任何实体或设备。例如,这样的载体可以包括记录介质、计算机存储器、只读存储器、光电和/或电载体信号、电信信号和/或软件分发包。取决于所需的处理能力,计算机程序可以在单个电子数字计算机中执行,或者可以分布在多个计算机中。所述计算机可读介质或计算机可读存储介质可以是非暂时性介质。
在其他示例实施例中,功能可以由路执行,例如通过使用专用集成电路(ASIC),可编程门阵列(PGA),现场可编程门阵列(FPGA)或任何其他硬件和软件组合。在又一示例实施例中,该功能可以被实现为信号,诸如可以由从因特网或其他网络下载的电磁信号所携带的非有形手段。
根据示例实施例,诸如节点、设备或响应部件之类的装置可以被配置为电路,计算机或微处理器(诸如单芯片计算机元件)或芯片集,其可以至少包括用于提供用于算术运算的存储容量的存储器和/或用于执行算术运算的运算处理器。
本文描述的示例实施例同等地适用于单数和复数实施方式,无论描述某些实施例所使用的语言是单数还是复数形式。例如,描述单个计算设备的操作的实施例同样适用于包括计算设备的多个实例的实施例,反之亦然。
本领域的普通技术人员将容易理解,可以以不同顺序的操作和/或以与所公开的配置不同的配置的硬件元件来实施如上所述的示例实施例。因此,尽管已经基于这些示例实施例描述了一些实施例,但是对于本领域技术人员显而易见的是,某些修改,变化和替代构造将是显而易见的,同时仍在示例实施例的精神和范围内。
Claims (5)
1.基于超声导波深度学习的胶接结构脱粘损伤识别方法,其特征在于:该方法包括步骤:
建立所述胶接结构的胶接结构仿真模型,其中所述胶接结构仿真模型的脱粘区域的胶层网格单元被删除以模拟所述脱粘损伤,采用有限元仿真生成所述脱粘损伤的仿真超声导波信号数据;
将所述胶接结构仿真模型的胶接区域网格化,为所述胶接区域的每个网格设置像素值;其中,将胶接区域中的无脱粘损伤区域的网格设为第一像素值,将胶接区域中的脱粘损伤区域的网格设为不同于第一像素值的第二像素值,从而形成所述胶接区域的仿真脱粘损伤像素图;
改变所述脱粘损伤位置,从而重复生成多组仿真超声导波信号数据以及对应的多个仿真脱粘损伤像素图,再将所述多组仿真脱粘损伤像素图与所述多组仿真超声导波信号数据一一对应建立脱粘损伤导波数据库;
建立残差网络深度学习模型,以所述脱粘损伤导波数据库中的仿真超声导波信号数据作为输入,以所述脱粘损伤像素图作为输出,使得引入残差模型用于识别所述脱粘损伤区域;以及
通过所述残差网络深度学习模型识别所述胶接结构的脱粘损伤;
其中,基于ResNet残差网络模型建立残差网络深度学习模型,其中所述超声波导波数据是二维信号,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;
所述引入残差模型识别损伤包括引入ResNet18残差网络模型识别损伤,其中,ResNet18网络中的残差连接方式是恒等映射,如公式2、公式3所示
y=F(x,Wi)+x公式2,
F(x)=W2ReLU(W1x)公式3,
其中,y为经过残差块后的输出,F(x)为残差块的前向学习,Wi、W1、W2为卷积操作;
在每次卷积计算之后执行批量归一化;批量归一化的过程是学习参数γ,β,如公式4所示:
再经过自适应平均池化层之后,按照指定维度输出数据;
然后将输出数据变成一维,通过全连接层后输出识别到的脱粘损伤;
采用二分类交叉熵损失函数对所述识别到的脱粘损伤进行损失值计算,见公式5:
其中yn是损伤真实标签,是模型输出,N是样本个数;
还包括根据评价指标判别所述残差网络深度学习模型的效果,所述根据评价指标判别模型的效果包括为了衡量网络模型的性能,判断损伤识别效果,设置Acc、F1和Pre三个评价指标,如公式7、公式8、公式9所示:
其中,TP,即真阳性表示正确识别损伤像素点的数量,TN,即真阴性,表示正确识别非损伤区域的数量,FP,即假阳性,表示错误识别损伤区域的数量,而FN,即假阴性,表示错误识别非损伤区域的数量。
2.根据权利要求1所述的基于超声导波深度学习的胶接结构脱粘损伤识别方法,其特征在于:采用有限元仿真生成所述脱粘损伤的仿真超声导波信号数据包括:在形成所述胶接结构仿真模型的两块板的仿真模型的每一块板上各布设多个压电传感器仿真模型,依次利用其中一个压电传感器仿真模型激励汉宁窗调制五波峰正弦信号,由其他压电传感器仿真模型接收导波信号,依次改变产生激励信号的压电传感器仿真模型,得到针对全部压电传感器仿真模型的仿真超声导波信号,从而生成深度学习所需的所述胶接结构仿真模型的脱粘损伤的仿真超声导波信号数据。
3.根据权利要求1所述的基于超声导波深度学习的胶接结构脱粘损伤识别方法,其特征在于:采用Adam算法,通过一阶动量和二阶动量即梯度的均值和方差最小化损失函数,涉及到的参数关系如公式6所示;
其中θ是待优化参数,t是轮次,f(g)是目标函数即损失函数,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,即步长。
4.根据权利要求3所述的基于超声导波深度学习的胶接结构脱粘损伤识别方法,其特征在于:采用余弦退火算法逐渐降低学习率,如公式7所示;
其中,η是学习率,ηmax,ηmin分别是学习率的最大值和最小值,Tcur表示当前执行了多少个epoch,Ti是需要执行的总轮次数。
5.基于超声导波深度学习的胶接结构脱粘损伤识别装置,其特征在于,包括处理器和存储器,所述存储器中存储有程序代码,所述程序代码被所述处理器执行后,实现上述权利要求中1至4中任意一项中的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310068874.XA CN116306231B (zh) | 2023-02-06 | 2023-02-06 | 基于超声导波深度学习的胶接结构脱粘损伤识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310068874.XA CN116306231B (zh) | 2023-02-06 | 2023-02-06 | 基于超声导波深度学习的胶接结构脱粘损伤识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116306231A CN116306231A (zh) | 2023-06-23 |
CN116306231B true CN116306231B (zh) | 2024-01-23 |
Family
ID=86800338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310068874.XA Active CN116306231B (zh) | 2023-02-06 | 2023-02-06 | 基于超声导波深度学习的胶接结构脱粘损伤识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116306231B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117907445B (zh) * | 2024-01-13 | 2024-08-13 | 大连理工大学 | 基于超声导波和时空混合网络的复合材料加筋板损伤识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3655926A1 (en) * | 2017-08-08 | 2020-05-27 | Siemens Aktiengesellschaft | Synthetic depth image generation from cad data using generative adversarial neural networks for enhancement |
KR102298175B1 (ko) * | 2020-05-28 | 2021-09-03 | 건양대학교 산학협력단 | 딥러닝기반의 영상 아웃페인팅 장치 및 그 방법 |
CN113466335A (zh) * | 2021-06-28 | 2021-10-01 | 大连理工大学 | 一种超声导波蜂窝夹芯结构脱粘层诊断方法 |
KR102346676B1 (ko) * | 2021-07-23 | 2022-01-03 | 주원씨엔시 주식회사 | 딥러닝 기반의 시설물 손상영상 분류를 활용한 손상도 생성방법 |
CN114002334A (zh) * | 2021-09-29 | 2022-02-01 | 西安交通大学 | 一种结构损伤声发射信号识别方法、装置、存储介质 |
WO2022077605A1 (zh) * | 2020-10-15 | 2022-04-21 | 青岛理工大学 | 一种风力机叶片图像损伤检测和定位方法 |
CN115099281A (zh) * | 2022-07-11 | 2022-09-23 | 广州北环智能交通科技有限公司 | 一种基于机器学习的粘钢加固胶层缺陷检测方法及装置 |
-
2023
- 2023-02-06 CN CN202310068874.XA patent/CN116306231B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3655926A1 (en) * | 2017-08-08 | 2020-05-27 | Siemens Aktiengesellschaft | Synthetic depth image generation from cad data using generative adversarial neural networks for enhancement |
KR102298175B1 (ko) * | 2020-05-28 | 2021-09-03 | 건양대학교 산학협력단 | 딥러닝기반의 영상 아웃페인팅 장치 및 그 방법 |
WO2022077605A1 (zh) * | 2020-10-15 | 2022-04-21 | 青岛理工大学 | 一种风力机叶片图像损伤检测和定位方法 |
CN113466335A (zh) * | 2021-06-28 | 2021-10-01 | 大连理工大学 | 一种超声导波蜂窝夹芯结构脱粘层诊断方法 |
KR102346676B1 (ko) * | 2021-07-23 | 2022-01-03 | 주원씨엔시 주식회사 | 딥러닝 기반의 시설물 손상영상 분류를 활용한 손상도 생성방법 |
CN114002334A (zh) * | 2021-09-29 | 2022-02-01 | 西安交通大学 | 一种结构损伤声发射信号识别方法、装置、存储介质 |
CN115099281A (zh) * | 2022-07-11 | 2022-09-23 | 广州北环智能交通科技有限公司 | 一种基于机器学习的粘钢加固胶层缺陷检测方法及装置 |
Non-Patent Citations (6)
Title |
---|
RAN4.RP-161381 "[DRAFT] Response LS to ITU-R WP5D/TEMP/125(Rev.1) = RP-161360 on Modelling and simulation of IMT networks for use in sharing and compatibility studies (R4-166674 * |
to: RAN ; cc: RAN1 ; contact: Nokia)".3GPP tsg_ran\TSG_RAN.2016,(TSGR_73),全文. * |
基于机器学习方法的超声导波结构健康监测研究;高东岳;;纤维复合材料(03);全文 * |
基于空气耦合超声兰姆波技术的固体火箭发动机脱粘检测研究;曾雪峰;常俊杰;万陶磊;余盼;吴中权;卢超;;固体火箭技术(04);全文 * |
层状粘接结构超声检测信号的同态解卷积脱粘界面定征;张建生, 李明轩;应用声学(01);全文 * |
超声导波在H型钢结构损伤识别中的应用;王国锋;王敏;刘阳;孙杰;李富才;孟光;;振动.测试与诊断(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116306231A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | State-of-the-art review on Bayesian inference in structural system identification and damage assessment | |
Hesser et al. | Identification of acoustic emission sources for structural health monitoring applications based on convolutional neural networks and deep transfer learning | |
Gillich et al. | Beam damage assessment using natural frequency shift and machine learning | |
Sony et al. | Multiclass damage identification in a full-scale bridge using optimally tuned one-dimensional convolutional neural network | |
Lyathakula et al. | A probabilistic fatigue life prediction for adhesively bonded joints via ANNs-based hybrid model | |
Li et al. | Damage detection of bridges using response of vehicle considering road surface roughness | |
Shao et al. | Time-series-based leakage detection using multiple pressure sensors in water distribution systems | |
CN116306231B (zh) | 基于超声导波深度学习的胶接结构脱粘损伤识别方法和装置 | |
Barraza et al. | Capsule Neural Networks for structural damage localization and quantification using transmissibility data | |
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 | |
Tian et al. | Joint learning model for underwater acoustic target recognition | |
Hu et al. | Ultrasonic based concrete defects identification via wavelet packet transform and GA-BP neural network | |
Rosso et al. | Structural health monitoring with artificial neural network and subspace-based damage indicators | |
CN117540174A (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 | |
Zeng et al. | Bayesian model updating for structural dynamic applications combing differential evolution adaptive metropolis and kriging model | |
CN117347501A (zh) | 建筑材料性能检测系统及方法 | |
Shang et al. | CNN-LSTM hybrid model to promote signal processing of ultrasonic guided lamb waves for damage detection in metallic pipelines | |
Tufisi et al. | Determining the severity of open and closed cracks using the strain energy loss and the Hill-Climbing method | |
Santaniello et al. | Bridge damage identification using deep neural networks on time–frequency signals representation | |
Rizvi et al. | Lamb wave damage severity estimation using ensemble-based machine learning method with separate model network | |
Moon et al. | Impact parameter prediction of a simulated metallic loose part using convolutional neural network | |
Li et al. | An intelligent framework of upgraded CapsNets with massive transmissibility data for identifying damage in bridges | |
Moreh et al. | Deep neural networks for crack detection inside structures | |
Monaco et al. | Simulation of waves propagation into composites thin shells by FEM methodologies for training of deep neural networks aimed at damage reconstruction | |
Ma et al. | Direct waveform extraction via a deep recurrent denoising autoencoder |
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 |