CN116583747A - 使用基于长短期记忆网络的频谱降噪和非线性超声波调制检测结构中疲劳裂纹的方法及系统 - Google Patents
使用基于长短期记忆网络的频谱降噪和非线性超声波调制检测结构中疲劳裂纹的方法及系统 Download PDFInfo
- Publication number
- CN116583747A CN116583747A CN202180083951.8A CN202180083951A CN116583747A CN 116583747 A CN116583747 A CN 116583747A CN 202180083951 A CN202180083951 A CN 202180083951A CN 116583747 A CN116583747 A CN 116583747A
- Authority
- CN
- China
- Prior art keywords
- signal
- ultrasonic
- target structure
- reconstructed
- processing unit
- 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 69
- 230000009467 reduction Effects 0.000 title claims description 38
- 238000001228 spectrum Methods 0.000 title description 9
- 230000007787 long-term memory Effects 0.000 title description 3
- 238000005259 measurement Methods 0.000 claims abstract description 71
- 230000003595 spectral effect Effects 0.000 claims abstract description 71
- 230000006870 function Effects 0.000 claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 230000001131 transforming effect Effects 0.000 claims abstract description 9
- 230000005284 excitation Effects 0.000 claims description 66
- 230000004044 response Effects 0.000 claims description 59
- 238000012545 processing Methods 0.000 claims description 49
- 238000002604 ultrasonography Methods 0.000 claims description 34
- 230000006378 damage Effects 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 208000027418 Wounds and injury Diseases 0.000 claims description 3
- 208000014674 injury Diseases 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 abstract description 2
- 210000004027 cell Anatomy 0.000 description 36
- 230000015654 memory Effects 0.000 description 15
- 229910052782 aluminium Inorganic materials 0.000 description 11
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 11
- 230000000694 effects Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000005336 cracking Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000004880 explosion Methods 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
- 230000003993 interaction Effects 0.000 description 1
- 239000006249 magnetic particle Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G01N29/44—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
- 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
- G01N29/043—Analysing solids in the interior, e.g. by 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
- G01N29/34—Generating the ultrasonic, sonic or infrasonic waves, e.g. electronic circuits specially adapted therefor
-
- 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
- G01N29/34—Generating the ultrasonic, sonic or infrasonic waves, e.g. electronic circuits specially adapted therefor
- G01N29/341—Generating the ultrasonic, sonic or infrasonic waves, e.g. electronic circuits specially adapted therefor with time characteristics
-
- 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
- G01N29/36—Detecting the response signal, e.g. electronic circuits specially adapted therefor
-
- 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
-
- 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
- G01N29/4445—Classification of defects
Landscapes
- Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Acoustics & Sound (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
公开了一种用于检测结构中的疲劳裂纹的方法及其系统。振动检测元件检测当以低频和高频激励所述结构时所生成的所述结构的振动,并且生成时域中的测量信号。基于经训练的长短期记忆(LSTM)网络,根据由所述振动检测元件测量的当前时间步长的所述测量信号预测下一时间步长的信号。所述测量信号和所述预测信号被组合起来以产生新的组合信号,其在所述时域中的长度增加。对所述组合信号进行傅里叶变换,以减少噪声并且增强所述测量信号在频域中的信息,并且所述傅里叶变换后的信号被用于获得频谱密度函数以及检测在所述结构中的裂纹。
Description
技术领域
本发明涉及用于检测结构中疲劳裂纹的技术领域,并且更特别地涉及一种基于长短期记忆(LSTM)网络和非线性超声波调制技术的结构中疲劳裂纹检测方法和系统。
背景技术
金属结构中的疲劳裂纹在实践中是非常关键的问题。这是因为疲劳裂纹是导致金属结构和部件破损的主要故障原因。一般来说,疲劳裂纹通常在裂纹扩展达到结构的整体疲劳寿命的约80%之后才会被注意到。为了避免灾难性的故障,在早期阶段检测疲劳裂纹是至关重要的。
各种无损评价(NDE)技术和结构健康监测(SHM)技术是已知的,诸如超声波方法、热成像方法、声发射方法、磁粉探伤方法、X射线成像方法和涡流方法。其中,超声波方法对疲劳裂纹的连续在线监测特别有效,从而使其成为疲劳裂纹检测的最有前途的方法之一。此外,这种技术已被证明能有效地在分辨率、可检测性和实用性之间取得合理的折中。
传统的线性超声波方法使用通过疲劳裂纹传输或从疲劳裂纹反射的线性超声波的振幅衰减、相位延迟和模式转换的变化。然而,由于这些线性特性的变化只有在结构损伤严重时才会被注意到,因此传统的线性超声波方法很难检测到主要发生在早期阶段的疲劳裂纹。最近的研究显示疲劳裂纹是非线性超声波的来源,并且非线性超声波方法对疲劳裂纹的敏感性远远高于传统的线性超声波方法。
非线性超声波方法很有前景,但对应的非线性响应相当弱,所以非线性特性容易受到噪声的影响。因此,使用频谱密度函数难于在有噪声的条件下提取非线性特性。特别地,这是因为噪声与谱域中的非线性特性重叠。因此,减少频谱噪声很重要并且对于提高基于非线性特性的疲劳裂纹检测性能来说有很大的优势。
已采用谱减法来降低频谱噪声。该方法是通过从噪声信号频谱减去平均噪声频谱的估计值来从加性噪声重建所观察信号的功率频谱。噪声频谱通常在没有信号的情况下进行估计和更新。然而,由于噪声的随机变化,谱减法可能导致对功率频谱的负估计。此外,该方法不适合于超声波信号,这是因为超声波信号中没有无信号期。
零填充是一种广泛使用的降低频谱噪声的方法。零填充是一种增加零样本的方式。然而,由于用零外推的信号不能保留信号的信息,所以信号的非线性特性也会丢失。
发明内容
技术目标
本发明的目标是提供一种方法,其可以在不破坏现有非线性超声波调制分量的频谱密度和振幅的情况下,通过使用数据缩减效应提高检测在结构中的疲劳裂纹的性能,同时使用用于超声波信号的LSTM网络的预测特性来降低频谱噪声。
本发明的另一个目标是提供一种能够进行上述方法的系统。
本发明所要解决的问题并不限于上述问题并且可以在不脱离本发明的精神和范围的情况下以各种方式进行扩展。
技术方案
根据用于实现本发明的目标的实施例的一种用于检测结构中的疲劳裂纹的方法包括:在响应信号处理单元中,使用从分别由具有两个可区分频率的超声波信号同时激励的结构测得的超声波测量信号训练LSTM网络,以获得用于时域信号的预测模型;在响应信号处理单元中,取决于设定的数据点的数量,将从同时由第一频率ωa的第一超声波信号和第二频率ωb的第二超声波信号激励的目标结构测量的在当前时间步长的超声波测量信号(其中ωa<ωb)输入至经训练的LSTM网络中以获得在下一时间步长的超声波预测信号;在响应信号处理单元中,使用获得的超声波预测信号重建信号;在响应信号处理单元中,对重建的信号进行傅里叶变换;以及在响应信号处理单元中,通过检测基于使用傅里叶变换信号获得的频谱密度函数的值的非线性调制分量来确定目标结构中是否出现了裂纹。
在一个示例性实施例中,用于检测结构中的疲劳裂纹的方法可以包括:在响应信号处理单元中,通过将频谱密度函数代入非线性调制参数方程来计算损伤指数;以及使用计算出的损伤指数来检测结构的疲劳裂纹。
在一个示例性实施例中,可以使用等式来计算频谱密度函数PxN(ω),其中XN(ω)表示重建的超声波信号xN(t)的傅里叶变换后的信号,*表示复共轭,并且E[]表示期望算子。此外,损伤指数βDN可以使用等式
来获得。
在一个示例性实施例中,用于检测结构中的疲劳裂纹的方法还可以包括:通过由激励单元生成第一和第二超声波信号并且将它们分别施加到附接到目标结构的第一激励元件和第二激励元件来同时激励目标结构;以及根据用附接到目标结构的振动检测元件对第一超声波信号和第二超声波信号的激励来检测目标结构的振动,并且将对应的超声波测量信号提供给响应信号处理单元。
在一个示例性实施例中,可以以通过部分添加由输入门提供的新信息,同时忘记先前的单元状态信息中的一些来将先前的单元状态更新至新的单元状态的方式来设计和训练经训练的LSTM网络的预测模型以通过学习非线性调制频率分量(其是在超声波测量信号的全部时间序列数据上的疲劳裂纹引起的模式)来预测在下一时间步长的超声波信号。
在一个示例性实施例中,重建的信号可以是在下一时间步长的仅用超声波预测信号重建的信号。
在一个示例性实施例中,重建的信号的数据点的数量是通过将超声波测量信号的数据点的数量乘以具有预定大小的数据缩减率α来确定的,并且数据缩减率α可以被确定在0到1的范围内。
在一个示例性实施例中,重建的信号可以是通过组合在当前时间步长的超声波测量信号和在下一时间步长的超声波预测信号而重建的信号。
在一个示例性实施例中,重建的信号的傅里叶变换后的信号可以是在频域中的信号,在频域中,降低了噪声并且增强了超声波测量信号的信息。
在本发明的另一个方面,示例性实施例提供了一种用于检测结构中的疲劳裂纹的系统,其包括第一激励元件、第二激励元件、激励单元、振动检测元件和响应信号处理单元。第一激励元件附接到目标结构的第一区域并且被配置为通过在输入第一频率ωa的第一超声波信号时振动来激励目标结构。第二激励元件附接到目标结构的第一区域并且被配置为通过在输入第二频率ωb的第二超声波信号时振动来激励目标结构,其中ωa<ωb。激励单元被配置为生成第一超声波信号和第二超声波信号,并且同时分别将它们提供给第一激励元件和第二激励元件。振动检测元件附接到与第一区域间隔开的目标结构的第二区域并且被配置为根据第一超声波信号和第二超声波信号的激励来检测目标结构的振动以生成对应的超声波测量信号。响应信号处理单元包括操作处理单元,操作处理单元被配置为执行以下的功能:使用从分别由具有两个可区分频率的超声波信号同时激励的结构测得的超声波测量信号训练LSTM网络,以获得用于时域信号的预测模型;取决于设定的数据点的数量,将从同时由第一频率ωa的第一超声波信号和第二频率ωb的第二超声波信号激励的目标结构测量的在当前时间步长的超声波测量信号(其中ωa<ωb)输入至经训练的LSTM网络中以获得在下一时间步长的超声波预测信号;使用获得的超声波预测信号重建信号;在响应信号处理单元中,对重建的信号进行傅里叶变换;以及通过检测基于使用傅里叶变换信号获得的频谱密度函数的值的非线性调制分量来确定目标结构中是否出现了裂纹。
在一个示例性实施例中,响应信号处理单元的操作处理单元可以被配置为进一步执行以下功能:通过将频谱密度函数代入非线性调制参数方程来计算损伤指数;以及使用计算出的损伤指数来检测结构的疲劳裂纹。
在一个示例性实施例中,响应信号处理单元还可以包括数字化单元,数字化单元将由振动检测元件测得的模拟测量信号转换为数字测量信号,并且将转换后的数字测量信号提供给操作处理单元。
在一个示例性实施例中,第一激励元件和第二激励元件以及振动检测元件可以由压电元件组成。
在一个示例性实施例中,可以以通过部分添加由输入门提供的新信息,同时忘记先前的单元状态信息中的一些来将先前的单元状态更新至新的单元状态的方式来设计和训练经训练的LSTM网络的预测模型以通过学习非线性调制频率分量(其是在超声波测量信号的全部时间序列数据上的疲劳裂纹引起的模式)来预测在下一时间步长的超声波信号。
在一个示例性实施例中,重建的信号可以是在下一时间步长的仅用超声波预测信号重建的信号。
在一个示例性实施例中,重建的信号的数据点的数量可以通过将超声波测量信号的数据点的数量乘以具有预定大小的数据缩减率α来确定,并且数据缩减率α可以被确定在0到1的范围内。
在一个示例性实施例中,重建的信号可以是通过组合在当前时间步长的超声波测量信号和在下一时间步长的超声波预测信号而重建的信号。
发明效果
根据本发明的示例性实施例,使用的是LSTM网络,设计和训练该网络以通过学习非线性调制频率分量(其是在测得的超声波信号的全部时间序列数据上的由疲劳裂纹引起的模式)来预测下一时间步长的超声波信号。在通过经训练的LSTM重建的信号中,保持疲劳裂纹检测所需的非线性调制分量并且以原始水平放大,以及减少噪声分量。即,使用经训练的LSTM网络可以大大提高信噪比(SNR)(高达276%),从而有效地提高疲劳裂纹检测的性能。
此外,经训练的LSTM网络可以生成重建信号,其使用比测量信号少得多的数据点,而不会减小调制振幅。以这种方式,可以减少要处理的数据量。经训练的LSTM网络仅使用20%的原始数据就能生成重建的超声波信号。此时,从重建信号获得的非线性调制振幅等于原始信号的调制振幅,因此,尽管数量减少,疲劳裂纹检测的性能也不会退化。
附图说明
图1(A)示出了使用根据本发明的示例性实施例的基于超声波调制的裂纹检测系统对完整结构执行超声波测量,并且(B)表示从完整结构测量的频率响应特性。
图2(A)示出了使用图1的基于超声波调制的裂纹检测系统对具有裂纹的受损结构执行非线性超声波测量,并且(B)示出了从受损结构测量的频率响应特性。
图3示意性地示出了(A)LSTM网络的结构,以及(B)用于根据本发明的示例性实施例的疲劳裂纹检测方法的存储单元的结构。
图4是示意性示出了根据本发明的示例性实施例的用于结构中的疲劳裂纹检测的频谱噪声和数据缩减算法的流程图。
图5示出了(A)时间序列的超声波测量信号以及(B)表示在频谱域中的该信号的信号。
图6示出了根据本发明的示例性实施例的训练LSTM网络预测模型。
图7示意性地示出了根据本发明的示例性实施例的使用经训练的LSTM网络来重建超声波信号。
图8和图9提供了比较在对具有“疲劳裂纹”的铝板样品施加使用经训练的LSTM网络将频谱噪声和数据缩减技术之前(A)和之后(B)所测得信号的频谱密度函数Px(ω)的示例。
图10提供了比较在对“没有疲劳裂纹”的铝板样品施加使用经训练的LSTM网络将频谱噪声和数据缩减技术之前(A)和之后(B)的频谱密度值的示例。
图11和图12展示了将根据本发明示例性实施例的基于经训练的LSTM网络的频谱噪声和数据减少方法施加到具有疲劳裂纹的铝板样品时所获得的数据缩减效果。
图13示出了使用铝板样品对根据本发明的示例性实施例的基于经训练的LSTM网络的频谱噪声和数据缩减方法的性能评价的结果。
具体实施方式
下面,参考附图,将更详细地描述本发明的优选实施例。在附图中,相同的附图标记将用于相同的元件,并且将省略对相同元件的冗余描述。
图1(A)示出了使用根据本发明的示例性实施例的基于超声波的裂纹检测系统10的对完整结构50的超声波测量,并且(B)示出了从结构50测量的频率响应特性。图2(A)示出了使用图1所示的基于超声波的裂纹检测系统10的对具有裂纹的受损结构60的非线性超声波测量,并且(B)示出了从受损结构60测量的频率响应特性。
如图1所示,基于超声波的裂纹检测系统10可以包括激励单元20、响应信号处理单元30、第一激励元件42和第二激励元件44以及振动检测元件46。
激励单元20可以被配置为生成和提供激励信号,以通过振动第一激励元件42和第二激励元件44来激励结构50。在一个实施例中,激励单元20可以包括波形发生器,其能够生成具有预定频率的任意周期性波形。激励单元20可以生成低频超声波信号LF(ωa)和高频超声波信号HF(ωb)作为激励信号并且将它们分别提供给第一激励元件42和第二激励元件44。
第一激励元件42和第二激励元件44可以在完整结构50的第一区域中相互靠近地附接,并且振动检测元件46可以附接到结构50的第二区域。第一区域和第二区域可以位于目标区域的相对端以进行裂纹检测。激励单元20连接到第一激励元件42和第二激励元件44。
在一个示例性实施例中,第一激励元件42和第二激励元件44可以由例如,压电元件组成。当激励单元20同时将低频超声波信号LF(ωa)和高频超声波信号HF(ωb)分别输入到第一激励元件42和第二激励元件44时,第一激励元件42和第二激励元件44可以通过分别以低频ωa和高频ωb振动来激励结构50。因此,结构50在低频ωa和高频ωb下做出超声波振动。
在一个示例性实施例中,振动检测元件46还可以由例如,压电元件组成。当结构50通过第一激励元件42和第二激励元件44的激励振动时,振动可以被传输到振动检测装置46。振动检测元件46可以检测结构50的振动并且生成与其相对应的电信号。例如,振动检测元件46可以检测结构50的振动并且输出低频和高频模拟信号。两个模拟响应信号的振幅可以被设定为例如,16V的峰-峰电压。
在一个示例性实施例中,响应信号处理单元30可以连接到振动检测元件46。响应信号处理单元30可以被配置为通过接收对应于由振动检测元件46检测到的结构50的振动的模拟响应信号并执行特定的处理以获得结构50的频率响应来产生关于裂纹在结构50中的出现的信息。在一个示例性实施例中,响应信号处理单元30可以被配置为通过处理对应于由振动检测元件46检测到的振动的模拟响应信号来产生结构50的损伤指数。
在一个示例性实施例中,响应信号处理单元30可以包括数字化单元32,其将来自振动检测元件46的输出模拟信号转换为数字信号;以及操作处理单元34,其接收转换后的数字信号并且执行特定操作以获得结构50的频率响应、损伤指数等。数字化单元32可以以例如,1MHz、0.1秒的采样速率执行转换。响应信号处理单元30可以使用硬件部件、软件部件和/或硬件和软件部件的组合来实现。
操作处理单元34可以被实现为计算机程序和能够执行计算机程序并且执行由计算机程序指示的预定任务或提供功能的计算装置。操作处理单元34可以是计算装置,其被配置为通过执行将在后面描述的计算机程序进行训练以通过基于LSTM网络的学习来预测下一时间步长的测量信号,以将时域中的信号转换为频域中的信号,并且通过执行将在后面描述的实施频谱降噪算法的计算机程序来计算损伤指数。计算装置可以使用例如,处理器、控制器、算术逻辑单元(ALU)、数字信号处理器、微型计算机、现场可编程阵列(FPA)、可编程逻辑单元(PLU)、微处理器或一个或多个通用或特殊用途计算机来实现,就像任何其他能够执行和响应于指令的装置一样。计算装置还可以包括计算资源,诸如存储器、数据存储装置、输入/输出单元和其他计算资源。
为执行响应信号处理单元30的功能而实施的计算机程序,包括LSTM网络模型及其学习数据等可以存储在一个或多个计算机可读的记录介质中。根据本发明的一个示例性实施例的方法可以以程度命令的形式实施,该程序命令可以通过各种计算机手段执行并且记录在计算机可读介质上。计算机可读记录介质可以单独地或组合地包括程序命令、数据文件、数据结构等。记录在记录介质上的程序命令可以是为示例性实施例专门设计和配置的,并且可以是计算机程序领域中的技术人员已知和可获得的。
在具有这种配置的基于超声波的裂纹检测系统10中,激励单元20可以将具有两个不同频率,例如,低频ωa和高频ωb(其中ωa<ωb)的两个超声波信号分别施加到第一激励元件42和第二激励元件44以同时激励完整结构50。因此,完整结构50振动,并且同时,可以使用振动检测元件46来测量对应于结构50的振动的响应。由振动检测元件46测量的结构50的振动的信号可以是时域中的模拟信号。响应信号处理单元30处理从振动检测元件46接收的模拟测量信号,以观察仅在激励结构50的输入信号的两个频率ωa和ωb下的响应A和B,如在频谱域中看到的。换句话说,当具有两个不同频率ωa和ωb(ωa<ωb)的超声波输入信号LF(ωa)和HF(ωb)同时被输入至完整结构50时,仅在两个输入频率ωa和ωb下观察由于未受损结构50的振动而导致的频率响应A和B(见图1(B))。
然而,与上述情况不同,当两个超声波输入信号LF(ωa)和HF(ωb)被施加到具有诸如裂纹的受损(非线性)结构60时,非线性超声调制是由裂纹开闭机制引起的。参考图2,如在图1的情况中的,激振单元20同时将具有低频ωa和高频ωb的两个超声波激励信号LF(ωa)和HF(ωb)分别应用于第一激励元件42和第二激励元件44,以激励受损(非线性)结构60。同时,如果通过振动检测元件46测量受损结构60的振动响应,则可以得到时域中的模拟响应信号,如图2的(B)中所示。通过将模拟响应信号变换至频域中,可以检查在频谱中的响应,其与完整结构50的不同。当结构60由于裂纹而非线性地操作时,来自结构60在频域中的响应可以不仅包括在两个输入频率ωa和ωb下的响应分量A和B,还包括分别在和频(ωb+ωa)和差频(ωb-ωa)下的调制分量Mo和Ms,其是输入频率的调制频率。即,由于低频超声波输入信号,高频超声波输入信号的振幅由裂纹开闭机制调制。振幅调制在输入频率的和频和差频(ωa±ωb)下创建了额外的频率分量(非线性调制分量)。这种现象被称为“非线性超声调制”。由于这种现象仅当存在有非线性特征时出现,其可以被认为是结构中损伤的指数。因此,可以通过寻找和提取在频谱域中的调制分量来识别疲劳裂纹的存在。
然而,由结构的非线性而引起的非线性超声调制分量的振幅通常较小(MO、MS),使其难以与噪声区分开来。为了解决这个非常容易受噪声影响的问题,需要进行信号处理,以减弱噪声并且区分调制频率响应,即调制分量的振幅与噪声。为此,本发明的一个示例性实施例提出了一种通过使用LSTM网络和傅里叶变换来减少频谱噪声而选择性地检测对结构的损伤的方法。下面,将对此进行详细描述。
LSTM网络被有效地用于预测顺序数据,诸如时域信号。LSTM网络是一种特殊类型的循环神经网络(RNN)架构,其可以被应用于顺序数据。然而,传统的RNN经常由于在训练期间的梯度爆炸和梯度消失问题而难以学习时间顺序数据的长期依赖性。为了克服这个问题,已经开发出LSTM网络。LSTM网络使用可以代表时间序列数据的长期依赖性的存储单元块。具体地,LSTM网络可以通过将单元状态门(C)添加到现有的RNN来控制要从遥远的过去记忆(反映)数据的程度。
图3(A)和(B)分别示意性地示出了用于根据本发明的示例性实施例的检测疲劳裂纹的方法中的LSTM网络和存储单元的架构。
参考图3(A),LSTM网络80具有架构,其中多个存储单元70的块被顺序连接。每个存储单元70可以包括输入门it、输出门ot、遗忘门ft和自循环神经元。这些门it、ot和ft控制与相邻存储单元的交互。LSTM网络可以包括输入层、全连接的隐藏层和输出层。隐蔽层包括存储单元、相关联的门单元和隐藏单元,其将输入提供给门单元和存储单元。输入门it可以控制输入信号是否可以修改存储单元70的状态。在另一方面,输出门ot可以控制其他存储单元70的状态是否可以进行修改。遗忘门ft可以决定是要遗忘还是要记住先前的状态。即,先前的存储单元状态Ct-1可以被反映的程度是由遗忘门ft控制的。LSTM存储单元块中的计算可以被表示如下:
ft=σ(XtUJ+St-1WJ+bf)......(1)
it=σ(XtUi+St-1Wi+bi)......(2)
Ot=σ(XtUo+St-1Wo+bo)......(5)
在这里,U(Uf、Ui、Uo、Uc)、b(bf、bi、bo、bc)和W(Wf、Wi、Wo、Wc)分别是输入权重、偏置权重和循环权重。上标f、i、o,和c分别表示遗忘门、输入门、输出门和自循环神经元。Xt是在第t时间步长的顺序输入数据。St、Ct、σ和τ分别是隐藏状态、单元状态、单元状态的新候选值、S形激活函数和双曲正切(tanh)激活函数。最后,/>和/>分别是点乘法和加法算子。
LSTM网络80的第一步是选择要从单元状态扔掉哪些信息。这个决定是由等式(1)中的遗忘门ft做出的。第二步是选择要存储在单元状态中的新信息。等式(2)中的输入门确定要更新哪些输入值。双曲正切(tanh)激活函数τ按顺序创建可以被添加至方程(3)中的单元状态的新候选值第三步是通过忘记先前的单元状态信息中的某个部分(忘记被决定要在先前的时间步长忘记的信息)并且部分添加从输入门提供的新信息来将旧的单元状态Ct-1更新至新的单元状态Ct中。为此,如等式(4)中所示,将通过将先前的单元状态Ct-1点乘以ft获得的值/>与通过将新候选值/>点乘以输入门信息it获得的值/>相加。最终,使用输出门Ot更新隐藏的单元状态,并且更新的单元状态Ct如在等式(5)和(6)中所示。
LSTM网络80的关键特征是单元状态Ct,其水平地穿过存储单元块70的顶部并且与门线性地交互,如图3所示。LSTM网络80可以移除过去的信息或通过门将新的信息添加至单元状态。门提供了一种使信息选择性地通过单元状态的方式。例如,用于存储单元70的门中的S形激活函数σ通过在0和1之间改变其输出值来控制通过S形函数的信息量。如果输出值为0,这表示没有信息通过。如果其是1,这表示所有信息通过。
根据示例性实施例的频谱噪声和数据缩减技术可以使用LSTM网络的信号预测(重建)特性。LSTM网络在学习数据中的长期模式方面具有优势。超声波信号可以被视为长期时间序列数据,这是因为时域中的许多数据点是在高采样频率下获得的。考虑到这一点,可以构建和训练LSTM网络来学习测得的超声波信号中的疲劳裂纹引起的模式(非线性调制频率分量)。在这里,疲劳裂纹引起的模式可以沿着整个时间序列数据被提取出来。然而,噪声分量在数据中具有随机分布,并且LSTM网络并不学习噪声分量。因此,可以使用LSTM网络消除噪声分量,并且重建的信号只保留有意义的分量,诸如疲劳裂纹引起的非线性调制分量。因此,非线性调制分量的振幅可以被放大,并且噪声基底水平可以在频谱域中降低。
傅里叶变换将数据从时域转换到频域。即,傅里叶变换可以用于分析频域中的测量时域信号x(t)。
测量信号x(t)的频谱系数由以下等式给出
系数a(0)是x(t)的常数分量,并且是由等式(7)计算的,其中k=0。
在这里,其只是x(t)在一个周期内的平均值。当信号被表示为傅里叶级数时,傅里叶变换是由表示用于信号的特定频率的加权值导出的,并且傅里叶变换的公式如下。
傅里叶变换表示将测量信号x(t)描述为在不同频率下的正弦信号的线性组合所需的信息。即,当通过如等式(7-9)中所示的傅里叶变换将x(t)变换成X(ω)时,信号长度T与平均化有关。因此,如果在保留测量信号x(t)的信息的同时测量信号x(t)的长度T可以延长,则可以通过噪声平均化来降低通过执行傅里叶变换而获得的信号X(ω)在频域中的频谱噪声。
更具体地,随着信号在时域中的长度增加,信号的傅里叶变换信号提供了增强平均化次数的效果。由于噪声是随机分布的,随着平均化次数的增加,噪声减少。鉴于此,为了增加在时域中的信号长度,可以通过使用通过学习大量训练数据而训练的LSTM网络80’在时域中预测当前时间间隔的测量信号的下一时间间隔的信号。在构建LSTM网络模型中,不学习噪声,但学习包括在测量信号中的信息。因此,噪声不会反映在使用LSTM网络预测的信号中,而仅反映了学习的信息。如果将测量信号和预测信号组合成时域中的新信号并且用新信号进行傅里叶变换,则随着平均化次数的增加,噪声会减少,但是可以加强信号中所包括的信息。还可以丰富关于裂纹的信息。在降低噪声的同时,信号中所包括的裂纹信息也得到了增强,因此可以增加SNR并且可以提高裂纹检测能力。
可以计算频谱密度函数(幂函数)来提取调制分量并且该函数如下给出。
Px(ω)=E[X(ω)X*(ω)]......(10)
在这里,*表示复共轭,并且E[]表示期望算子。在一个示例性实施例中,针对损伤指数考虑在和频和差频ωa±ωb下的一阶调制。非线性调制参数βD可以定义如下。
在这里,ka和kb分别是对应的波数。将等式(10)代入等式(11),得到如下的等式。
由于其对疲劳裂纹的敏感性,这个非线性调制参数βD可以用作损伤指数。
如上面所解释的,频谱降噪是使用LSTM网络和傅里叶变换开发的。可以训练LSTM网络以通过学习当前步长测量的信号x(t)来预测当前时间步长的测量信号的下一时间步长的信号x′(t)。通过训练,可获得能够预测下一时间步长的信号的LSTM网络的模型。由LSTM网络测量的信号x(t)的信号长度T可以用保留的信号信息进行扩展。因此,在基于噪声平均化效果进行傅里叶变换时,会减少频谱噪声。相反地,由于信号,即信号信息的特性是通过经训练的LSTM网络学习的,并且反映在预测的时间步长的信号中,即使执行了傅立叶变换,信号信息也不会减少。因此,由于时域中的信号长度和频谱信号之间的关系,可以提高信噪比(SNR)。
基于该概念,有可能减少频谱噪声和用于结构的疲劳裂纹检测的数据。图4的流程图示意性地示出了根据本发明的示例性实施例的用于检测结构中的疲劳裂纹的频谱噪声和数据缩减算法。用于非线性疲劳裂纹检测的基于超声波的频谱噪声和数据缩减技术可以使用LSTM网络80。
参考图4,有可能测量来自目标结构60的超声波信号,同时使用在当前时间步长的低频LFωa和高频ωb下的激励信号激励结构60(S10)。测得的超声波信号x(tm)是时域中的信号并且具有长度T(0≤tm≤T),其是当前时间步长的时间间隔。图5(A)示出了时间序列的超声波数据,并且(B)示出了表示在频谱域中的该信号的信号。超声波测量信号x(t)具有Nm个数据点。在这里,在超声波测量信号x(t)中,频谱密度可以包括目标结构60的振动响应分量(即,输入频率分量)和随机噪声分量,并且因为目标结构60具有疲劳裂纹,甚至还可以包括由疲劳裂纹引起的非线性调制分量。
对于超声波信号测量而言,如上所述,激励单元20可以将低频LF(ωa)和高频HF(ωb)的两个激励信号分别传输到附接到目标结构60的第一激励元件42和第二激励元件44,以同时振动目标结构60,使得激励目标结构60。同时,可以使用附接到目标结构60的振动检测元件46测量与激励相对应的响应,并且可以将测量信号x(tm)提供给响应信号处理单元30。测量信号x(tm)可以是超声波信号。
作为下一步骤,可以通过构建LSTM网络并且使用原始超声波信号x(Nmfs)训练LSTM网络来建立预测模型80,以学习测得的超声波信号的基本模式,而不是随机的噪声模式(步骤S20)。LSTM网络的输入和输出可以被设定为时间序列数据中的相邻数据点。即,LSTM网络可以被设计和训练成使用当前时间步长的数据来预测下一时间步长的数据。图6示出了以这种方式的对LSTM网络预测模型80'的训练。
具体地,在响应信号处理单元30中,可基于经训练的LSTM网络模型预测当前时间步长的测量信号x(tm)的下一时间步长的信号,即直到时间Tf(其中T≤tf≤Tf)的信号x'(tf)。为此,如上面所提及的,当输入当前时间步长的测量信号时,经训练的LSTM网络模型可以通过提前学习大量的测量信号来预测下一时间步长的信号。
可以通过使用经训练的LSTM网络模型生成在时域中的超声波信号的预测信号来重建新的时间序列超声波信号。图7示意性地示出了根据示例性实施例的使用经训练的LSTM网络80'来重建超声波信号。
在一个示例性实施例中,如图7(A)中所示,当前时间步长的超声波测量信号x(tm)可以被输入至经训练的网络模型80'中,以依据数据点的数量Nf来生成下一时间步长的预测信号x'(tf)。数据点的数量Nf可以被预设为最佳值,并且最佳值可以通过测试获得。然后,可以通过组合当前时间步长的测量信号x(tm)和下一时间步长的预测信号x′(tf)来生成以下重建的超声波信号xN(t)(步骤S30)。在这里,N是表示重建的超声波信号的指标。
xN(t)=x(tm)+x′(tf),0≤t≤Tf......(13-1)
与前面的实施例不同,在获得重建的超声波信号xN(t)中,如图7(B)所示,可以仅使用预测信号x′(tf)而不包括测量信号x(tm)来重建超声波信号xN(t)。
xN(t)=x′(tf),T≤t≤Tf......(13-2)
在这种情况下,与先前的实施例相比,重建的超声波信号与测量信号x(tm)的长度T一样短。由于测量信号包含很多噪声,因此仅从没有噪声分量的预测信号获得的重建信号可能比通过组合测量信号和预测信号获得的重建信号在减少噪声方面很加有效。
接下来,对重建的超声波信号xN(t)进行傅里叶变换,并且在频谱域中进行分析,以识别由疲劳裂纹引起的非线性调制频率分量(步骤S40)。当如上所述获得的重建的超声波信号xN(t)在频谱域中进行分析时,可以在重建的超声波信号xN(t)的频谱域中有效地减少噪声分量,并且因此仅出现对应于两个输入频率的分量和对应于其调制频率的分量。
具体地,可以使用等式(9)对重建的信号xN(t)执行傅里叶变换,并且可以计算频谱密度函数(S40)。用于重建信号xN(t)的傅里叶变换等式由以下等式(14)给出。
因此,减少了频谱噪声,并且降噪后的频谱密度函数可以由如下的等式(10)表示。
通过将组合信号xN(t)的频谱密度函数等式(15)代入非线性调制参数等式(12),可以得到由等式(16)表示的损伤指数βDN等式。结构60的损伤指数βDN可以使用等式(16)计算。
以这种方式获得的损伤指数βDN等式可以用于检测疲劳裂纹。
为了评价根据示例性实施例的频谱噪声和数据缩减技术的降噪性能,可以使用下列等式计算信噪比(SNR)。
在这里,PxN(ωb-wa)和PxN(ωb+wa)分别表示在调制频率ωb±ωa下的频谱功率密度函数的振幅。在等式(17)中,分母是平均噪声基底(NF)。平均NF是频谱功率密度的平均值,不包括信号的主要分量,如输入分量和非线性调制分量。
最后,可以通过估计实现等于原始测量信号的调制振幅水平所需的数据点的数量Nf来评估数据缩减的有效性。数据点的数量Nf可以通过以下等式获得。
Nf=αNm......(18)
在这里,α表示数据缩减率,并且其值可以确定在0或更多至1或更小的范围中。
同时,在构建LSTM网络80'模型时,可以构建单隐层LSTM网络以避免过拟合问题。自适应矩估计(ADAM)优化器可以用于LSTM网络训练。就ADAM优化器的超参数而言,梯度衰减和平方梯度衰减因子可以分别被设定为例如,0.9和0.999。用于防止零除的ε值和初始学习率可以分别被设定为1.0e-8和1.5e-3。在一半的训练时期后,学习率下降因子可以被设定为0.1。均方根误差(RMSE)函数可以被用作成本函数。LSTM网络的构建、训练和测试可以在配备有处理器(例如,GPU)和RAM的计算机上的MATLAB(R2019a)环境中执行。对于训练而言,90%的测量时域超声波信号可以用作训练数据集,并且剩余的10%的测量数据可以用作验证数据集。如上面所提及的,频谱噪声和数据缩减算法可以作为计算机程序实施,并且可以存储在计算机可读的记录介质上。此外,记录在这种记录介质上的计算机程序可以由响应信号处理单元30的计算装置执行。
根据示例性实施例的基于LSTM网络的频谱噪声和数据缩减技术的性能得到了实验验证。用于对铝板样品进行超声波信号激励的第一压电(PZT)换能器和第二压电(PZT)换能器(对应于第一激励元件42和第二激励元件44)以及用于检测超声波振动的第三压电换能器(对应于振动检测元件46)安装在铝板样品上。对铝板样品施加28,000倍的疲劳载荷,以产生长度为9mm和宽度为20μm的疲劳裂纹。
两个波形发生器(对应于激励单元20)被用来生成具有独特频率(ωa=48kHz和ωb=203kHz)的LF和HF正弦超声波输入信号,它们被施加到第一压电换能器和第二压电换能器以进行激励。持续时间和峰-峰振幅分别被设定为0.1秒和12V。前述输入频率是考虑样品的局部谐振特性和LF输入的高阶谐波分量和非线性调制分量的重叠来进行选择的。通过第三压电换能器检测到的对应的超声波响应是通过使用数字化仪以1MHz的采样率在0.1秒内进行数字化获得的,以提高超声波响应的SNR,并且在时域中对超声波响应进行5次平均化。
图8和图9示出了在对具有“疲劳裂纹”的铝板样品施加使用根据本发明的示例性实施例的经训练的LSTM网络的频谱噪声和数据缩减技术之前(A)和之后(B)测量信号的频谱密度函数Px(ω)的比较结果。图8是其中Nm为100K(Nf被设定为100K,其等于Nm以用于公平比较),并且数据获取持续时间T为0.1秒,且fs被设定为1MHz的情况。图9是其中Nm为30K(Nf也是30K),数据获取时间T被设定为0.03秒,fs被设定为1MHz并且其他测试参数与图8中的相同的情况。下面,由AMs和AMd表示在调制频率(ωb+ωa)和(ωb-ωa)下的频谱密度函数的振幅Px(ωb+ωa)和Px(ωb-ωa)。
图8(A)显示非线性调制频率分量AMs和AMd的值分别为6.71e-7和8.03e-7。图8(B)示出由经训练的LSTM网络重建的信号的频谱密度函数并且AMs和AMd的估计值分别为3.27e-6和2.99e-6。与图8(A)相比,图8(B)中的调制频率分量的振幅被显著放大,并且所计算的NF值分别为4.6e-8和3.0e-9,其明显降低,如(A)和(B)中所示。此外,Px(ω)和/>的SNR分别为34dBW和76dBW。因此,SNR被提高了224%。
图9(A)显示由于其高噪声水平(AMd+AMs=4.4e-7且SNR=21dBW),非线性调制频率分量不能很好地与噪声区分开,因此很难检测到非线性调制频率分量。在另一方面,图9(B)显示由于提高的SNR(AMd+AMs=2.0e-6和SNR=56dBW),非线性调制频率分量与噪声清楚地区分开,并且检测它们没有困难。
图10示出对没有“疲劳裂纹”的铝板样品应用基于LSTM网络的样品噪声和数据缩减方法之前(A)和之后(B)的频谱密度值的比较结果(数据获取时间T=0.1秒,并且Nm=Nf=100,000)。
参考图10,NF水平在图(B)中比在图(A)中下降得更低,但在两个图中都没有观察到频率调制分量。换句话说,在应用根据本发明的方法之前,由于存在大量的噪声分量,不容易确定调制频率分量是否包括在频谱密度值中。然而,在应用根据本发明的方法之后,可能清楚地确认在频谱密度值中没有调制频率分量。
总结图8至图10中所示的结果,可以看出根据本发明的示例性方法建立的LSTM网络80'模型大大降低了重建的超声波信号的频谱密度值中所包括的噪声分量,同时增强了非线性频率调制分量,从而提高了SNR,并且使得能够清楚地检测到出现在输入高频分量的两侧上的调制频率分量。
同时,图11和图12示出了将根据本发明的示例性实施例的基于经训练的LSTM网络的频谱噪声和数据缩减方法应用于有疲劳裂纹的铝板样品时得到的数据缩减效果。
参考图11,从具有480k数据点的“测得的超声波信号”获得的非线性调制频率分量AMs+AMd的振幅是6.3e-6(见图(A))。图中示出,即使只有100,000个数据点(α=0.21),也可从使用经训练的LSTM网络80'获得的“重建的超声波信号”获得相同水平的非线性调制频率分量AMs+AMd的值。测得的超声波信号和重建的超声波信号的估计SNR分别为49dBW和76dBW。
图12示出了使用具有145,000个数据点的“测得的超声波信号”的执行类似于图11的测试的结果。从具有145,000数据点的“测得的超声波信号”获得的非线性调制频率分量AMs+AMd的振幅是2.0e-6。即使数据点的数量减少到30,000个(α=0.21),可通过使用经训练的LSTM网络80'获得的“重建的超声波信号”获得非线性调制频率分量AMs+AMd的相同水平的值2.0e-6。测得的超声波信号和重建的超声波信号的估计SNR分别为38dBW和56dBW。
图11和图12所示的测试结果表明根据本发明的示例性方法的方法可以实现具有减少的数据点和噪声的类似的频率调制振幅。
图13示出了使用铝板样品对根据本发明的示例性实施例的基于经训练的LSTM网络的频谱噪声和数据缩减方法的性能评价的结果。图(A)示出了频谱噪声降低性能,其中对于60k和80k数据点而言,SNR分别提高了238%和276%。图(B)示出了数据缩减性能,其中对于220k和270k数据点而言,数据缩减率α分别为0.18和0.19。
如上所述,根据本发明的示例性实施例,通过使用经训练的LSTM网络的频谱噪声和数据缩减方法来显著地减少频谱噪声,可以大大改善疲劳裂纹检测的性能。这是因为来自经训练的LSTM的重建信号可以减少噪声分量(SNR可以提高到276%),同时保持和放大疲劳裂纹检测所必需的非线性调制分量。此外,经训练的LSTM网络可以使用比测量信号少得多的数据点生成重建信号,而不会减小调制振幅,从而减少要处理的数据量(可以仅使用原始数据的20%生成重建信号)。
工业适用性
本发明可以用于检测出现在物理结构、结构主体等中的裂纹。
如上所述,虽然已经用有限的附图描述了实施例,但是可以理解本领域的技术人员可以在不背离以下权利要求书中描述的本发明的精神和范围的情况下,对本发明进行各种修改和改变。例如,即使所描述的技术可以按照不同于所述方法的顺序执行,和/或所述系统、结构、设备、电路等的部件以不同于所述的形式组合或组装或由其他元件或等同物替代或取代,仍然可以实现适当的结果。因此,其他实施方式、其他实施例和权利要求的等同物落在权利要求的范围内。
Claims (20)
1.一种用于检测结构中的疲劳裂纹的方法,其包括:
在响应信号处理单元中,使用从分别由具有两个可区分频率的超声波信号同时激励的结构测得的超声波测量信号训练LSTM网络,以获得用于时域信号的预测模型;
在所述响应信号处理单元中,取决于设定的数据点的数量,将从同时由第一频率ωa的第一超声波信号和第二频率ωb的第二超声波信号激励的目标结构测得的当前时间步长的超声波测量信号输入至经训练的LSTM网络中,以获得在下一时间步长的超声波预测信号,其中ωa<ωb;
在所述响应信号处理单元中,使用所获得的超声波预测信号重建信号;
在所述响应信号处理单元中,对所述重建的信号进行傅里叶变换;以及
在所述响应信号处理单元中,通过检测基于使用所述傅里叶变换信号获得的频谱密度函数的值的非线性调制分量来确定所述目标结构中是否出现了裂纹。
2.根据权利要求1所述的方法,其还包括在所述响应信号处理单元中,通过将所述频谱密度函数代入非线性调制参数等式来计算损伤指数;以及使用计算出的所述损伤指数来检测所述结构的疲劳裂纹。
3.根据权利要求2所述的方法,其中使用等式来计算所述频谱密度函数PxN(ω),其中XN(ω)表示所述重建的超声波信号xN(t)傅里叶变换后的信号,*表示复共轭,并且E[]表示期望算子。
4.根据权利要求3所述的方法,其中所述损伤指数βDN是使用等式
来计算的。
5.根据权利要求1所述的方法,其还包括:通过由激励单元生成所述第一超声波信号和第二超声波信号并且将它们分别应用于附接到所述目标结构的第一激励元件和第二激励元件来同时激励所述目标结构;以及根据用附接到所述目标结构的振动检测元件对所述第一超声波信号和第二超声波信号的激励来检测所述目标结构的振动,并且将对应的超声波测量信号提供给所述响应信号处理单元。
6.根据权利要求1所述的方法,其中以通过部分添加由输入门提供的新信息,同时忘记先前的单元状态信息中的一些来将所述先前的单元状态更新至新的单元状态的方式,设计和训练所述经训练的LSTM网络的所述预测模型以通过学习所述非线性调制频率分量来预测在所述下一时间步长的超声波信号,所述非线性调制频率份量是在所述超声波测量信号的全部时间序列数据上的疲劳裂纹引起的模式。
7.根据权利要求1所述的方法,其中所述重建的信号是在所述下一时间步长的仅用超声波预测信号重建的信号。
8.根据权利要求7所述的方法,其中所述重建的信号的所述数据点的数量是通过将所述超声波测量信号的所述数据点的数量乘以具有预定大小的数据缩减率α来确定的,并且所述数据缩减率α在0到1的范围内被确定。
9.根据权利要求1所述的方法,其中所述重建的信号是通过组合在所述当前时间步长的所述超声波测量信号和在所述下一时间步长的所述超声波预测信号而重建的信号。
10.根据权利要求1所述的方法,其中所述重建的信号的所述傅里叶变换后的信号是在频域中的信号,在所述频域中,减少了噪声并且增强了所述超声波测量信号的信息。
11.一种用于检测结构中的疲劳裂纹的系统,其包括:
第一激励元件,所述第一激励元件附接到目标结构的第一区域并且被配置为通过在输入第一频率ωa的第一超声波信号时振动来激励所述目标结构;
第二激励元件,所述第二激励元件附接到所述目标结构的所述第一区域并且被配置为通过在输入第二频率ωb的第二超声波信号时振动来激励所述目标结构,其中ωa<ωb;
激励单元,所述激励单元被配置为生成所述第一超声波信号和所述第二超声波信号,并且同时分别将它们提供给所述第一激励元件和第二激励元件;
振动检测元件,所述振动检测元件附接到与所述第一区域间隔开的所述目标结构的第二区域并且被配置为根据用于生成对应的超声波测量信号的通过所述第一超声波信号和第二超声波信号的激励来检测所述目标结构的振动;以及
响应信号处理单元,所述响应信号处理单元包括操作处理单元,所述操作处理单元被配置为执行以下的功能:使用从分别由具有两个可区分频率的超声波信号同时激励的结构测得的超声波测量信号训练LSTM网络,以获得用于时域信号的预测模型;取决于设定的数据点的数量,将从同时由第一频率ωa的第一超声波信号和第二频率ωb的第二超声波信号激励的目标结构测得的在当前时间步长的超声波测量信号输入至经训练的LSTM网络中,以获得在下一时间步长的超声波预测信号,其中ωa<ωb;使用所获得的超声波预测信号重建信号;在所述响应信号处理单元中,对所述重建的信号进行傅里叶变换;以及通过检测基于使用所述傅里叶变换信号获得的频谱密度函数的值的非线性调制分量来确定所述目标结构中是否出现了裂纹。
12.根据权利要求11所述的系统,其中所述响应信号处理单元的所述操作处理单元还被配置为进一步执行以下功能:通过将所述频谱密度函数代入非线性调制参数方程来计算损伤指数;以及使用所述计算出的损伤指数来检测所述结构的所述疲劳裂纹。
13.根据权利要求11所述的系统,其中所述响应信号处理单元还包括数字化单元,所述数字化单元将由所述振动检测元件测得的模拟测量信号转换为数字测量信号,并且将所述转换后的数字测量信号提供给所述操作处理单元。
14.根据权利要求11所述的系统,其中所述第一激励元件和第二激励元件以及所述振动检测元件由压电元件组成。
15.根据权利要求11所述的系统,其中以通过部分添加由输入门提供的新信息,同时忘记先前的单元状态信息中的一些来将所述先前的单元状态更新至新的单元状态的方式,设计和训练所述经训练的LSTM网络的所述预测模型以通过学习所述非线性调制频率分量来预测在所述下一时间步长的超声波信号,所述非线性调制频率分量是在所述超声波测量信号的全部时间序列数据上的疲劳裂纹引起的模式。
16.根据权利要求11所述的系统,其中所述重建的信号是在所述下一时间步长的仅用超声波预测信号重建的信号。
17.根据权利要求16所述的系统,其中所述重建的信号的所述数据点的数量是通过将所述超声波测量信号的所述数据点的数量乘以具有预定大小的数据缩减率α来确定的,并且所述数据缩减率α在0到1的范围内被确定。
18.根据权利要求11所述的系统,其中所述重建的信号是通过组合在所述当前时间步长的所述超声波测量信号和在所述下一时间步长的所述超声波预测信号而重建的信号。
19.一种计算机可读存储介质,其中存储有计算机程序,所述计算机程序被配置为当由计算机装置的处理器执行时,使所述计算机装置的所述处理器通过处理超声波测量信号来计算关于在目标结构中是否出现裂纹的信息,所述超声波测量信号是通过检测由对所述目标结构的超声波激励而导致的振动而生成的并且被提供作为输入,
其中所述计算机程序包括以下的功能:使用从分别由具有两个可区分频率的超声波信号同时激励的结构测得的超声波测量信号训练LSTM网络,以获得用于时域信号的预测模型;取决于设定的数据点的数量,将从同时由第一频率ωa的第一超声波信号和第二频率ωb的第二超声波信号激励的目标结构测得的在当前时间步长的超声波测量信号输入至经训练的LSTM网络中以获得在下一时间步长的超声波预测信号,其中ωa<ωb;使用所述获得的超声波预测信号重建信号;在所述响应信号处理单元中,对所述重建的信号进行傅里叶变换;以及通过检测基于使用所述傅里叶变换信号获得的频谱密度函数的值的非线性调制分量来确定所述目标结构中是否出现了裂纹。
20.一种计算机可执行程序,所述计算机可执行程序存储在计算机可读存储介质中以通过处理超声波测量信号来计算关于在目标结构中是否出现裂纹的信息,所述超声波测量信号是通过检测由对所述目标结构的超声波激励而导致的振动而生成的并且被提供作为输入,
其中所述计算机程序包括以下的功能:使用从分别由具有两个可区分频率的超声波信号同时激励的结构测得的超声波测量信号训练LSTM网络,以获得用于时域信号的预测模型;取决于设定的数据点的数量,将从同时由第一频率ωa的第一超声波信号和第二频率ωb的第二超声波信号激励的目标结构测得的在当前时间步长的超声波测量信号输入至经训练的LSTM网络中以获得在下一时间步长的超声波预测信号,其中ωa<ωb;使用所获得的超声波预测信号重建信号;在所述响应信号处理单元中,对所述重建的信号进行傅里叶变换;以及通过检测基于使用所述傅里叶变换信号获得的频谱密度函数的值的非线性调制分量来确定所述目标结构中是否出现了裂纹。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20200189448 | 2020-12-31 | ||
KR10-2020-0189448 | 2020-12-31 | ||
PCT/KR2021/020341 WO2022146098A1 (ko) | 2020-12-31 | 2021-12-31 | 장단기 기억 네트워크 기반 스펙트럼 노이즈 감소 및 비선형 초음파 변조를 이용한 구조물의 피로 균열 검출 방법 및 이를 위한 시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116583747A true CN116583747A (zh) | 2023-08-11 |
Family
ID=82259534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180083951.8A Pending CN116583747A (zh) | 2020-12-31 | 2021-12-31 | 使用基于长短期记忆网络的频谱降噪和非线性超声波调制检测结构中疲劳裂纹的方法及系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230384268A1 (zh) |
KR (1) | KR102687744B1 (zh) |
CN (1) | CN116583747A (zh) |
WO (1) | WO2022146098A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118246128A (zh) * | 2024-05-27 | 2024-06-25 | 中建安装集团黄河建设有限公司 | 一种钢筋混凝土框架结构质量检测方法、介质及系统 |
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 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101693710B1 (ko) * | 2015-08-24 | 2017-01-17 | 세종대학교산학협력단 | 멤스 마이크로폰 어레이를 이용한 유도 초음파 영상화 장치 및 방법 |
KR101716877B1 (ko) * | 2016-06-09 | 2017-03-15 | 세종대학교산학협력단 | 자가 압전센싱 기반의 비선형 초음파 피로균열 검사 장치 및 방법 |
US11078631B2 (en) * | 2017-11-30 | 2021-08-03 | Sperry Rail Holdings, Inc. | System and method for inspecting a rail using machine learning |
KR102061616B1 (ko) * | 2018-01-25 | 2020-01-02 | 한국과학기술원 | 비선형 스펙트럼 상관관계를 이용한 구조물 진단 방법 및 구조물 진단 시스템 |
WO2019172655A1 (ko) * | 2018-03-06 | 2019-09-12 | 주식회사 엘지화학 | 배터리 팩의 균열을 진단하기 위한 장치와, 그것을 포함하는 배터리 팩 및 자동차 |
KR102157903B1 (ko) * | 2019-05-10 | 2020-09-18 | 한국과학기술원 | 비선형 초음파 변조 기반 피로균열 파손 경고 시스템 및 그 방법과, 이를 이용한 구조물의 잔여 피로수명 추정 시스템 및 그 방법 |
-
2021
- 2021-12-29 KR KR1020210190639A patent/KR102687744B1/ko active IP Right Grant
- 2021-12-31 CN CN202180083951.8A patent/CN116583747A/zh active Pending
- 2021-12-31 WO PCT/KR2021/020341 patent/WO2022146098A1/ko active Application Filing
- 2021-12-31 US US18/250,261 patent/US20230384268A1/en active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118246128A (zh) * | 2024-05-27 | 2024-06-25 | 中建安装集团黄河建设有限公司 | 一种钢筋混凝土框架结构质量检测方法、介质及系统 |
Also Published As
Publication number | Publication date |
---|---|
KR20220097296A (ko) | 2022-07-07 |
KR102687744B1 (ko) | 2024-07-24 |
WO2022146098A1 (ko) | 2022-07-07 |
US20230384268A1 (en) | 2023-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Model‐based method with nonlinear ultrasonic system identification for mechanical structural health assessment | |
CN116583747A (zh) | 使用基于长短期记忆网络的频谱降噪和非线性超声波调制检测结构中疲劳裂纹的方法及系统 | |
Peng et al. | Feasibility study of structural damage detection using NARMAX modelling and nonlinear output frequency response function based analysis | |
JP7247007B2 (ja) | 温度に敏感でない損傷検出のためのシステム | |
Yapar et al. | Structural health monitoring of bridges with piezoelectric AE sensors | |
Zamen et al. | Fractal analysis of nonlinear ultrasonic waves in phase-space domain as a quantitative method for damage assessment of concrete structures | |
Zumpano et al. | Damage localization using transient non-linear elastic wave spectroscopy on composite structures | |
Shah et al. | Predicting residual strength of non-linear ultrasonically evaluated damaged concrete using artificial neural network | |
Sriramadasu et al. | Detection and assessment of pitting corrosion in rebars using scattering of ultrasonic guided waves | |
Chapon et al. | Deconvolution of ultrasonic signals using a convolutional neural network | |
Sawant et al. | Unsupervised learning framework for temperature compensated damage identification and localization in ultrasonic guided wave SHM with transfer learning | |
Joglekar et al. | Nonlinear analysis of flexural wave propagation through 1D waveguides with a breathing crack | |
Mahajan et al. | A machine learning framework for guided wave-based damage detection of rail head using surface-bonded piezo-electric wafer transducers | |
Koh et al. | Effects of local stiffness changes and delamination on Lamb wave transmission using surface-mounted piezoelectric transducers | |
Rai et al. | A hybrid physics-assisted machine-learning-based damage detection using Lamb wave | |
Chen et al. | Dual crack growth prognosis by using a mixture proposal particle filter and on-line crack monitoring | |
Li et al. | System identification-based frequency domain feature extraction for defect detection and characterization | |
Hu et al. | Ultrasonic based concrete defects identification via wavelet packet transform and GA-BP neural network | |
Das et al. | ICD: A methodology for real time onset detection of overlapped acoustic emission waves | |
Jang et al. | Spectral noise and data reduction using a long short-term memory network for nonlinear ultrasonic modulation-based fatigue crack detection | |
Wang et al. | Ultrasonic flaw detection based on temporal and spectral signals applied to neural network | |
Yang et al. | Feature extraction of ultrasonic guided wave weld detection based on group sparse wavelet transform with tunable Q-factor | |
Chen et al. | Quantitative monitoring of bolt looseness using multichannel piezoelectric active sensing and CBAM-based convolutional neural network | |
Todd et al. | Quantitative classification of adhesive bondline dimensions using Lamb waves and artificial neural networks | |
Fasel et al. | An adhesive bond state classification method for a composite skin-to-spar joint using chaotic insonification |
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 |