CN116975656A - 基于声发射信号的智能损伤检测识别方法及系统 - Google Patents
基于声发射信号的智能损伤检测识别方法及系统 Download PDFInfo
- Publication number
- CN116975656A CN116975656A CN202311229987.XA CN202311229987A CN116975656A CN 116975656 A CN116975656 A CN 116975656A CN 202311229987 A CN202311229987 A CN 202311229987A CN 116975656 A CN116975656 A CN 116975656A
- Authority
- CN
- China
- Prior art keywords
- damage
- acoustic emission
- features
- engineering structure
- acquiring
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 230000008439 repair process Effects 0.000 claims abstract description 22
- 230000000007 visual effect Effects 0.000 claims abstract description 20
- 239000000463 material Substances 0.000 claims abstract description 16
- 230000009467 reduction Effects 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000009825 accumulation Methods 0.000 claims description 42
- 238000004422 calculation algorithm Methods 0.000 claims description 39
- 230000002159 abnormal effect Effects 0.000 claims description 29
- 210000000349 chromosome Anatomy 0.000 claims description 28
- 230000007547 defect Effects 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 18
- 208000036075 Autosomal dominant tubulointerstitial kidney disease Diseases 0.000 claims description 16
- 101001133056 Homo sapiens Mucin-1 Proteins 0.000 claims description 16
- 102100034256 Mucin-1 Human genes 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 11
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 8
- CLSIFQGHPQDTHQ-DTWKUNHWSA-N (2s,3r)-2-[(4-carboxyphenyl)methyl]-3-hydroxybutanedioic acid Chemical compound OC(=O)[C@H](O)[C@@H](C(O)=O)CC1=CC=C(C(O)=O)C=C1 CLSIFQGHPQDTHQ-DTWKUNHWSA-N 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G01N29/4472—Mathematical theories or simulation
-
- 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
- G01N29/14—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 using acoustic emission techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Acoustics & Sound (AREA)
- Signal Processing (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于声发射信号的智能损伤检测识别方法及系统，包括，获取目标工程结构的采集目标工程结构的声发射信号，利用预处理方法进行降噪，获取去噪后的声发射信号，与目标工程结构的材料信息匹配；构建特征提取单元，利用不同尺度的卷积核提取声发射信号中不同精细度的特征，并通过特征之间的相关性及非相关性获取多维度特征；构建损伤识别单元，进行目标工程结构的损伤识别定位及可视化显示；对识别到的损伤状态进行评估，生成预警信息，并推荐对应的修复方案。本发明实现对工程结构的损伤进行实时动态的损伤监测与识别，为工程结构的稳定性提供数据基础，通过声发射信号进行损伤识别定位，不需要人工观察，节省人力资源的同时，检测效率更高。
Description
技术领域
本发明涉及损伤定位技术领域，更具体的，涉及一种基于声发射信号的智能损伤检测识别方法及系统。
背景技术
随着城市化建设的逐步推进，建筑工程的数量逐渐增多，建筑结构的施工以及使用安全性成为民众关注的焦点。工程结构在制造和使用过程中由于工艺原因或使用载荷的作用，往往会产生一些局部损伤，比如裂纹、凹坑、脱粘等等，这些损伤积累到一定程度就会影响结构的正常使用。为确保结构能够正常运行，在其交付使用前或使用一段时间后都需要对之进行损伤检测，针对一些位于关键位置上的钢结构，甚至要进行定期检测，多次获取检测数据。
随着时间的推移以及外界环境的长期影响,由于重载荷、腐蚀、振动等因素的存在,许多现有工程结构常出现老化甚至开裂现象。以桥梁或者航空构件为例，桥梁在通车前，需要进行成试验以确保达到设计要求，在使用期内，需要进行定期的常规检测或不定期的特殊检测，以便及时发现结构中出现的损伤。再如机翼蒙皮等航空中的常见的钢结构，必须要确定其损伤小于规定的程度才能正常使用，否则可能会引发较大的安全隐患。现有的工程结构的损伤的方法中，人工检测产品质量效率低且精度不高；因此，如何对来自不同性质材料的损伤声发射信号进行准确识别是需要解决的问题之一。
发明内容
为了解决上述技术问题，本发明提出了一种基于声发射信号的智能损伤检测识别方法及系统。
本发明第一方面提供了一种基于声发射信号的智能损伤检测识别方法，包括：
获取目标工程结构的采集目标工程结构的声发射信号，将所述声发射信号利用预处理方法进行降噪，获取去噪后的声发射信号，与目标工程结构的材料信息匹配；
基于深度学习方法构建特征提取单元，利用不同尺度的卷积核提取声发射信号中不同精细度的特征，并通过特征之间的相关性及非相关性获取多维度特征；
构建损伤识别单元，将所述多维度特征作为损伤识别单元的输入进行目标工程结构的损伤识别定位及可视化显示；
对识别到的损伤状态进行评估，根据目标工程结构的损伤评估结果生成预警信息，并推荐对应的修复方案。
本方案中，将所述声发射信号利用预处理方法进行降噪，获取去噪后的声发射信号，具体为：
获取目标工程结构的声发射信号，利用遗传算法对MCKD算法进行寻优，初始化MCKD算法中的移位数、理论周期及滤波器长度，确定染色体初始种群，根据声发射信号的合成峭度计算个体的适应度；
根据所述适应度进行染色体排序，并保留预设数量的染色体，在所述初始种群进行选择、交叉及变异运算得到新的染色体与保留的染色体进行合并，得到新种群；
在所述新种群中计算个体之间的曼哈顿距离作为新的适应度，并重新进行排序记忆预设数量的染色体，迭代训练后获取最大曼哈顿距离确定最优参数组合，优化MCKD算法；
利用优化的MCKD算法将所述声发射信号进行初步降噪，将初步降噪后的声发射信号利用CEEMDAN算法进行分解，划分为若干模态分量，筛选出含有噪声的模态分量；
将含有噪声的模态分量利用小波变换进行再次降噪，通过遗传算法对小波变化进行优化，根据小波熵设置目标函数，通过最大小波熵值确定小波变换最优参数组合，设置小波变换的阈值函数进行含有噪声的模态分量的滤波；
将小波变换后的模态分量与不含噪声的模态分量进行合并，通过合并后的模态分量进行信号重构，输出去噪后的声发射信号。
本方案中，利用不同尺度的卷积核提取声发射信号中不同精细度的特征，并通过特征之间的相关性及非相关性获取多维度特征，具体为：
获取去噪后的声发射信号构建声发射信号序列，基于U-Net网络构建特征提取单元，在所述U-Net网络中引入Transformer结构建立编码器及解码器；
将所述声发射信号序列导入特征提取单元，通过所述编码器进行特征提取，在Transformer结构中设置多头注意力机制，利用不同尺度的卷积核提取不同尺度特征；
计算不同尺度特征的自注意力权重对特征进行加权，利用残差网络将不同的多头注意力层进行连接，通过上采样进行卷积编码；
通过Transformer结构组成瓶颈模块，在瓶颈模块中设置CBMA注意力机制，通过通道注意力及空间注意力获取特征之间的相关性；
利用解码器将跳跃连接与上采样特征根据所述相关性进行多尺度融合，利用融合特征与非相关性特征获取声发射信号对应的多维度特征。
本方案中，构建损伤识别单元，将所述多维度特征作为损伤识别单元的输入进行目标工程结构的损伤识别定位及可视化显示，具体为：
获取目标工程结构的历史监测的声发射信号特征，结合对应损伤缺陷构建监测数据集合，预设正常及异常类别标签，将监测数据集合中的信号特征样本利用聚类算法进行损伤类别标签的匹配更新；
根据所述正常及异常标签设置聚类簇数，将监测数据集合中的信号特征样本通过聚类迭代分配到距离最近的类簇，建立信号特征样本与正常或异常类别的映射关系；
根据所述映射关系训练损伤识别单元，根据目标工程结构当前声发射信号对应的多维度特征判断是否异常；
获取监测数据集合中同一损伤缺陷的声发射信号特征，进行主成分分析，根据主成分声发射特征进行主成分投影，获取同一损伤缺陷的特征散点分布，作为损伤缺陷的识别特征；
计算目标工程结构声发射信号对应的多维度特征与识别特征的相似度，获取目标工程结构异常声发射信号对应损伤类别；
通过门控循环网络构建损伤定位模块，在所述多维度特征中选取定位特征进行损伤定位。
本方案中，通过门控循环网络构建损伤定位模块，在所述多维度特征中选取定位特征进行损伤定位，具体为：
基于三维激光扫描获取目标工程结构的点云数据，根据所述点云数据进行三维重建构建目标工程结构的三维模型；
从当前声发射信号对应的多维度特征中筛选幅值、能量、振铃计数以及到达时差，结合目标工程结构的材料信息特征作为损伤定位模块的输入；
通过门控循环网络构建损伤定位模块，将当前声发射信号对应的幅值、能量、振铃计数以及到达时差导入输入层，通过设置两个卷积层及最大池化层对多维度特征进行处理；
在卷积层及池化层后设置两层门控循环网络，通过隐藏状态的重置更新对特征进行表示学习，并进行标准化处理，利用输出层获取损伤定位信息，结合所述三维模型进行可视化显示。
本方案中，对识别到的损伤状态进行评估，根据目标工程结构的损伤评估结果生成预警信息，并推荐对应的修复方案，具体为：
根据历史损伤识别获取幅值、能量、振铃计数以及到达时差的参数累积值，基于所述参数累积值提取时序参数累积特征，根据所述时序参数累积特征进行统计分析，获取目标工程结构在不同损伤类别的极限荷载参数累积值；
获取目标工程结构当前损伤类别提取对应的极限荷载参数累积值，获取当前声发射信号对应的多维度特征中筛选幅值、能量、振铃计数以及到达时差对应的当前损伤参数累积值；
将所述当前损伤参数累积值与极限荷载参数累积值进行对比，获取比值进行损伤评估，当所述比值大于预设比值阈值时，则生成预警信息；
根据目标工程结构的损伤识别定位结果及损伤评估结果生成损伤特征，基于所述损伤特征利用大数据方法检索相似损伤的修复实例，根据修复实例推荐对应的修复方案。
本发明第二方面还提供了一种基于声发射信号的智能损伤检测识别系统，该系统包括：存储器、处理器，所述存储器中包括基于声发射信号的智能损伤检测识别方法程序，所述基于声发射信号的智能损伤检测识别方法程序被所述处理器执行时实现如下步骤：
获取目标工程结构的采集目标工程结构的声发射信号，将所述声发射信号利用预处理方法进行降噪，获取去噪后的声发射信号，与目标工程结构的材料信息匹配；
基于深度学习方法构建特征提取单元，利用不同尺度的卷积核提取声发射信号中不同精细度的特征，并通过特征之间的相关性及非相关性获取多维度特征；
构建损伤识别单元，将所述多维度特征作为损伤识别单元的输入进行目标工程结构的损伤识别定位及可视化显示；
对识别到的损伤状态进行评估，根据目标工程结构的损伤评估结果生成预警信息，并推荐对应的修复方案。
本发明公开了一种基于声发射信号的智能损伤检测识别方法及系统，包括，获取目标工程结构的采集目标工程结构的声发射信号，利用预处理方法进行降噪，获取去噪后的声发射信号，与目标工程结构的材料信息匹配；构建特征提取单元，利用不同尺度的卷积核提取声发射信号中不同精细度的特征，并通过特征之间的相关性及非相关性获取多维度特征；构建损伤识别单元，进行目标工程结构的损伤识别定位及可视化显示；对识别到的损伤状态进行评估，生成预警信息，并推荐对应的修复方案。本发明实现对工程结构的损伤进行实时动态的损伤监测与识别，为工程结构的稳定性提供数据基础，通过声发射信号进行损伤识别定位，不需要人工观察，节省人力资源的同时，检测效率更高。
附图说明
图1示出了本发明一种基于声发射信号的智能损伤检测识别方法的流程图；
图2示出了本发明获取多维度特征的流程图；
图3示出了本发明进行目标工程结构的损伤识别定位的流程图；
图4示出了本发明一种基于声发射信号的智能损伤检测识别系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于声发射信号的智能损伤检测识别方法的流程图。
如图1所示，本发明第一方面提供了一种基于声发射信号的智能损伤检测识别方法，包括：
S102，获取目标工程结构的采集目标工程结构的声发射信号，将所述声发射信号利用预处理方法进行降噪，获取去噪后的声发射信号，与目标工程结构的材料信息匹配；
S104，基于深度学习方法构建特征提取单元，利用不同尺度的卷积核提取声发射信号中不同精细度的特征，并通过特征之间的相关性及非相关性获取多维度特征；
S106，构建损伤识别单元，将所述多维度特征作为损伤识别单元的输入进行目标工程结构的损伤识别定位及可视化显示；
S108，对识别到的损伤状态进行评估，根据目标工程结构的损伤评估结果生成预警信息，并推荐对应的修复方案。
需要说明的是，获取目标工程结构的声发射信号，利用遗传算法对MCKD算法进行寻优，初始化MCKD算法中的移位数、理论周期及滤波器长度，确定染色体初始种群，根据声发射信号的合成峭度计算个体的适应度；根据所述适应度进行染色体排序，并保留预设数量的染色体，在所述初始种群进行选择、交叉及变异运算得到新的染色体与保留的染色体进行合并，得到新种群；在所述新种群中计算个体之间的曼哈顿距离作为新的适应度，并重新进行排序记忆预设数量的染色体，迭代训练后获取最大曼哈顿距离确定最优参数组合，优化MCKD算法；利用优化的MCKD算法将所述声发射信号进行初步降噪，将初步降噪后的声发射信号利用CEEMDAN算法进行分解，划分为若干模态分量，筛选出含有噪声的模态分量；本发明所用的CEEMDAN算法与EMD算法在加入白噪声的方式和各个模态分量求平均值不同，很大程度上缓解了噪声残留和最后模态分量数量不等而造成的平均处理困难问题。
将含有噪声的模态分量利用小波变换进行再次降噪，通过遗传算法对小波变化进行优化，计算小波能量概率的分布，通过小波能量概率的分布计算小波熵，根据小波熵的计算设置目标函数，通过最大小波熵值确定小波变换最优参数组合，设置小波变换的阈值函数进行含有噪声的模态分量的滤波；将小波变换后的模态分量与不含噪声的模态分量进行合并，通过合并后的模态分量进行信号重构，输出去噪后的声发射信号。
图2示出了本发明获取多维度特征的流程图。
根据本发明实施例，利用不同尺度的卷积核提取声发射信号中不同精细度的特征，并通过特征之间的相关性及非相关性获取多维度特征，具体为：
S202，获取去噪后的声发射信号构建声发射信号序列，基于U-Net网络构建特征提取单元，在所述U-Net网络中引入Transformer结构建立编码器及解码器；
S204，将所述声发射信号序列导入特征提取单元，通过所述编码器进行特征提取，在Transformer结构中设置多头注意力机制，利用不同尺度的卷积核提取不同尺度特征；
S206，计算不同尺度特征的自注意力权重对特征进行加权，利用残差网络将不同的多头注意力层进行连接，通过上采样进行卷积编码；
S208，通过Transformer结构组成瓶颈模块，在瓶颈模块中设置CBMA注意力机制，通过通道注意力及空间注意力获取特征之间的相关性；
S210，利用解码器将跳跃连接与上采样特征根据所述相关性进行多尺度融合，利用融合特征与非相关性特征获取声发射信号对应的多维度特征。
需要说明的是，Transformer结构由归一化、多头注意力模块、邻近窗口连接模块，Transformer结构是多头注意力机制的一种实现方式，可以同时关注多个区域，扩展了网络的注意力关注范围。对U-Net网络中进行改良，提高特征提取的质量。U-Net网络将编码提取到的特征信息传递到解码器，实现不同尺度下的特征融合。通过融合不同尺度下的特征信息有助于提高损伤识别的精确度。在瓶颈模块中设置CBMA注意力机制，获取特征之间的相关性，将重要特征信息进行关联突出，并抑制不准确的信号特征，提高网络的表达能力。
图3示出了本发明进行目标工程结构的损伤识别定位的流程图。
根据本发明实施例，构建损伤识别单元，将所述多维度特征作为损伤识别单元的输入进行目标工程结构的损伤识别定位及可视化显示，具体为：
S302，获取目标工程结构的历史监测的声发射信号特征，结合对应损伤缺陷构建监测数据集合，预设正常及异常类别标签，将监测数据集合中的信号特征样本利用聚类算法进行损伤类别标签的匹配更新；
S304，根据所述正常及异常标签设置聚类簇数，将监测数据集合中的信号特征样本通过聚类迭代分配到距离最近的类簇，建立信号特征样本与正常或异常类别的映射关系；
S306，根据所述映射关系训练损伤识别单元，根据目标工程结构当前声发射信号对应的多维度特征判断是否异常；
S308，获取监测数据集合中同一损伤缺陷的声发射信号特征，进行主成分分析，根据主成分声发射特征进行主成分投影，获取同一损伤缺陷的特征散点分布，作为损伤缺陷的识别特征；
S310，计算目标工程结构声发射信号对应的多维度特征与识别特征的相似度，获取目标工程结构异常声发射信号对应损伤类别；
S312，通过门控循环网络构建损伤定位模块，在所述多维度特征中选取定位特征进行损伤定位。
需要说明的是，利用聚类算法建立损伤类别标签与正常或异常类别的对应关系，确定聚类簇数为2；为了提高聚类的准确度，加快收敛速度，根据监测数据集合中的信号特征样本选取初始聚类中心点：令迭代次数，从“正常”的样本集中随机抽取一个样本作为聚类中心/>，从“异常”类别中随机抽取一个样本分别作为聚类中心/>，初始聚类中心集合为/>；在第/>次迭代中，获取各样本点到聚类中心点的欧式距离，将样本指派至与其距离最近的聚类中心所属类别中构成聚类结果，选定最大迭代次数，迭代次数大于等于结束聚类流程，取最后一次运算结果为最终聚类结果，选取最后一次运算结果为最终聚类结果，否则令/>，继续迭代聚类。
需要说明的是，基于三维激光扫描获取目标工程结构的点云数据，根据所述点云数据进行三维重建构建目标工程结构的三维模型；获取声发射信号在对应材料中的传播速度、规律及衰减特性，从当前声发射信号对应的多维度特征中筛选幅值、能量、振铃计数以及到达时差，结合目标工程结构的材料信息特征作为损伤定位模块的输入；利用门控循环网络构建损伤定位模块，极大程度的避免了损伤定位过程中的梯度消失或者梯度爆炸的问题。门控循环网络包括重置门和更新门两个门控结构。门控循环网络的最终输出状态是前序状态以及候选状态的按权重相加所得，两者的权重由更新门控制，候选状态则由重置门控制。通过门控循环网络构建损伤定位模块，将当前声发射信号对应的幅值、能量、振铃计数以及到达时差导入输入层，通过设置两个卷积层及最大池化层对多维度特征进行处理；在卷积层及池化层后设置两层门控循环网络，通过隐藏状态的重置更新对特征进行表示学习，并进行标准化处理，利用输出层获取损伤定位信息，结合所述三维模型进行可视化显示。通过损伤定位的可视化显示，直观的显示了损伤在工程结构中的相对位置，为目标工程的运维提供数据基础。
需要说明的是，根据历史损伤识别获取幅值、能量、振铃计数以及到达时差的参数累积值，基于所述参数累积值提取时序参数累积特征，根据所述时序参数累积特征进行统计分析，获取目标工程结构在不同损伤类别的极限荷载参数累积值；获取目标工程结构当前损伤类别提取对应的极限荷载参数累积值，获取当前声发射信号对应的多维度特征中筛选幅值、能量、振铃计数以及到达时差对应的当前损伤参数累积值；将所述当前损伤参数累积值与极限荷载参数累积值进行对比，获取比值进行损伤评估，当所述比值大于预设比值阈值时，则生成预警信息；根据目标工程结构的损伤识别定位结果及损伤评估结果生成损伤特征，基于所述损伤特征利用大数据方法检索相似损伤的修复实例，根据修复实例推荐对应的修复方案。
根据本发明实施例，根据损伤识别进行目标工程结构中的关联损伤预警，具体为：获取目标工程结构不同损伤类别的时序参数累积特征，并根据不同损伤类别的历史损伤部位获取不同损伤类别的高频损伤部位，生成对应时序参数累积特征的数据标签；获取目标工程结构的结构特征，基于结构特征将数据标签进行筛选，获取存在结构关联的数据标签，构建每个数据标签的邻接矩阵；提取当前损伤的邻接矩阵中，计算当前损伤与其他损伤类别的时序参数累积特征的皮尔逊相关参数，提取皮尔逊相关参数大于预设标准的损伤类别进行标记，并根据所述皮尔逊相关参数生成各损伤类别的权重信息；获取当前损伤参数累积值与极限荷载参数累积值的比值，根据所述权重信息对比值进行加权，提取大于预设阈值的损失类别，获取损伤类别的数据标签确定关联位置，生成当前损伤的关联预警。
如图4所示，本发明第二方面还提供了基于声发射信号的智能损伤检测识别系统4，该系统包括：存储器41、处理器42，所述存储器中包括基于声发射信号的智能损伤检测识别方法程序，所述基于声发射信号的智能损伤检测识别方法程序被所述处理器执行时实现如下步骤：
获取目标工程结构的采集目标工程结构的声发射信号，将所述声发射信号利用预处理方法进行降噪，获取去噪后的声发射信号，与目标工程结构的材料信息匹配；
基于深度学习方法构建特征提取单元，利用不同尺度的卷积核提取声发射信号中不同精细度的特征，并通过特征之间的相关性及非相关性获取多维度特征；
构建损伤识别单元，将所述多维度特征作为损伤识别单元的输入进行目标工程结构的损伤识别定位及可视化显示；
对识别到的损伤状态进行评估，根据目标工程结构的损伤评估结果生成预警信息，并推荐对应的修复方案。
需要说明的是，获取目标工程结构的声发射信号，利用遗传算法对MCKD算法进行寻优，初始化MCKD算法中的移位数、理论周期及滤波器长度，确定染色体初始种群，根据声发射信号的合成峭度计算个体的适应度；根据所述适应度进行染色体排序，并保留预设数量的染色体，在所述初始种群进行选择、交叉及变异运算得到新的染色体与保留的染色体进行合并，得到新种群；在所述新种群中计算个体之间的曼哈顿距离作为新的适应度，并重新进行排序记忆预设数量的染色体，迭代训练后获取最大曼哈顿距离确定最优参数组合，优化MCKD算法；利用优化的MCKD算法将所述声发射信号进行初步降噪，将初步降噪后的声发射信号利用CEEMDAN算法进行分解，划分为若干模态分量，筛选出含有噪声的模态分量；本发明所用的CEEMDAN算法与EMD算法在加入白噪声的方式和各个模态分量求平均值不同，很大程度上缓解了噪声残留和最后模态分量数量不等而造成的平均处理困难问题。
将含有噪声的模态分量利用小波变换进行再次降噪，通过遗传算法对小波变化进行优化，计算小波能量概率的分布，通过小波能量概率的分布计算小波熵，根据小波熵的计算设置目标函数，通过最大小波熵值确定小波变换最优参数组合，设置小波变换的阈值函数进行含有噪声的模态分量的滤波；将小波变换后的模态分量与不含噪声的模态分量进行合并，通过合并后的模态分量进行信号重构，输出去噪后的声发射信号。
根据本发明实施例，利用不同尺度的卷积核提取声发射信号中不同精细度的特征，并通过特征之间的相关性及非相关性获取多维度特征，具体为：
获取去噪后的声发射信号构建声发射信号序列，基于U-Net网络构建特征提取单元，在所述U-Net网络中引入Transformer结构建立编码器及解码器；
将所述声发射信号序列导入特征提取单元，通过所述编码器进行特征提取，在Transformer结构中设置多头注意力机制，利用不同尺度的卷积核提取不同尺度特征；
计算不同尺度特征的自注意力权重对特征进行加权，利用残差网络将不同的多头注意力层进行连接，通过上采样进行卷积编码；
通过Transformer结构组成瓶颈模块，在瓶颈模块中设置CBMA注意力机制，通过通道注意力及空间注意力获取特征之间的相关性；
利用解码器将跳跃连接与上采样特征根据所述相关性进行多尺度融合，利用融合特征与非相关性特征获取声发射信号对应的多维度特征。
需要说明的是，Transformer结构由归一化、多头注意力模块、邻近窗口连接模块，Transformer结构是多头注意力机制的一种实现方式，可以同时关注多个区域，扩展了网络的注意力关注范围。对U-Net网络中进行改良，提高特征提取的质量。U-Net网络将编码提取到的特征信息传递到解码器，实现不同尺度下的特征融合。通过融合不同尺度下的特征信息有助于提高损伤识别的精确度。在瓶颈模块中设置CBMA注意力机制，获取特征之间的相关性，将重要特征信息进行关联突出，并抑制不准确的信号特征，提高网络的表达能力。
根据本发明实施例，构建损伤识别单元，将所述多维度特征作为损伤识别单元的输入进行目标工程结构的损伤识别定位及可视化显示，具体为：
获取目标工程结构的历史监测的声发射信号特征，结合对应损伤缺陷构建监测数据集合，预设正常及异常类别标签，将监测数据集合中的信号特征样本利用聚类算法进行损伤类别标签的匹配更新；
根据所述正常及异常标签设置聚类簇数，将监测数据集合中的信号特征样本通过聚类迭代分配到距离最近的类簇，建立信号特征样本与正常或异常类别的映射关系；
根据所述映射关系训练损伤识别单元，根据目标工程结构当前声发射信号对应的多维度特征判断是否异常；
获取监测数据集合中同一损伤缺陷的声发射信号特征，进行主成分分析，根据主成分声发射特征进行主成分投影，获取同一损伤缺陷的特征散点分布，作为损伤缺陷的识别特征；
计算目标工程结构声发射信号对应的多维度特征与识别特征的相似度，获取目标工程结构异常声发射信号对应损伤类别；
通过门控循环网络构建损伤定位模块，在所述多维度特征中选取定位特征进行损伤定位。
需要说明的是，利用聚类算法建立损伤类别标签与正常或异常类别的对应关系，确定聚类簇数为2；为了提高聚类的准确度，加快收敛速度，根据监测数据集合中的信号特征样本选取初始聚类中心点：令迭代次数，从“正常”的样本集中随机抽取一个样本作为聚类中心/>，从“异常”类别中随机抽取一个样本分别作为聚类中心/>，初始聚类中心集合为/>；在第/>次迭代中，获取各样本点到聚类中心点的欧式距离，将样本指派至与其距离最近的聚类中心所属类别中构成聚类结果，选定最大迭代次数，迭代次数大于等于结束聚类流程，取最后一次运算结果为最终聚类结果，选取最后一次运算结果为最终聚类结果，否则令/>，继续迭代聚类。
需要说明的是，基于三维激光扫描获取目标工程结构的点云数据，根据所述点云数据进行三维重建构建目标工程结构的三维模型；获取声发射信号在对应材料中的传播速度、规律及衰减特性，从当前声发射信号对应的多维度特征中筛选幅值、能量、振铃计数以及到达时差，结合目标工程结构的材料信息特征作为损伤定位模块的输入；利用门控循环网络构建损伤定位模块，极大程度的避免了损伤定位过程中的梯度消失或者梯度爆炸的问题。门控循环网络包括重置门和更新门两个门控结构。门控循环网络的最终输出状态是前序状态以及候选状态的按权重相加所得，两者的权重由更新门控制，候选状态则由重置门控制。通过门控循环网络构建损伤定位模块，将当前声发射信号对应的幅值、能量、振铃计数以及到达时差导入输入层，通过设置两个卷积层及最大池化层对多维度特征进行处理；在卷积层及池化层后设置两层门控循环网络，通过隐藏状态的重置更新对特征进行表示学习，并进行标准化处理，利用输出层获取损伤定位信息，结合所述三维模型进行可视化显示。通过损伤定位的可视化显示，直观的显示了损伤在工程结构中的相对位置，为目标工程的运维提供数据基础。
需要说明的是，根据历史损伤识别获取幅值、能量、振铃计数以及到达时差的参数累积值，基于所述参数累积值提取时序参数累积特征，根据所述时序参数累积特征进行统计分析，获取目标工程结构在不同损伤类别的极限荷载参数累积值；获取目标工程结构当前损伤类别提取对应的极限荷载参数累积值，获取当前声发射信号对应的多维度特征中筛选幅值、能量、振铃计数以及到达时差对应的当前损伤参数累积值；将所述当前损伤参数累积值与极限荷载参数累积值进行对比，获取比值进行损伤评估，当所述比值大于预设比值阈值时，则生成预警信息；根据目标工程结构的损伤识别定位结果及损伤评估结果生成损伤特征，基于所述损伤特征利用大数据方法检索相似损伤的修复实例，根据修复实例推荐对应的修复方案。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于声发射信号的智能损伤检测识别方法程序，所述基于声发射信号的智能损伤检测识别方法程序被处理器执行时，实现如上述任一项所述的基于声发射信号的智能损伤检测识别方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于声发射信号的智能损伤检测识别方法，其特征在于，包括以下步骤：
获取目标工程结构的采集目标工程结构的声发射信号，将所述声发射信号利用预处理方法进行降噪，获取去噪后的声发射信号，与目标工程结构的材料信息匹配；
基于深度学习方法构建特征提取单元，利用不同尺度的卷积核提取声发射信号中不同精细度的特征，并通过特征之间的相关性及非相关性获取多维度特征；
构建损伤识别单元，将所述多维度特征作为损伤识别单元的输入进行目标工程结构的损伤识别定位及可视化显示；
对识别到的损伤状态进行评估，根据目标工程结构的损伤评估结果生成预警信息，并推荐对应的修复方案；
利用不同尺度的卷积核提取声发射信号中不同精细度的特征，并通过特征之间的相关性及非相关性获取多维度特征，具体为：
获取去噪后的声发射信号构建声发射信号序列，基于U-Net网络构建特征提取单元，在所述U-Net网络中引入Transformer结构建立编码器及解码器；
将所述声发射信号序列导入特征提取单元，通过所述编码器进行特征提取，在Transformer结构中设置多头注意力机制，利用不同尺度的卷积核提取不同尺度特征；
计算不同尺度特征的自注意力权重对特征进行加权，利用残差网络将不同的多头注意力层进行连接，通过上采样进行卷积编码；
通过Transformer结构组成瓶颈模块，在瓶颈模块中设置CBMA注意力机制，通过通道注意力及空间注意力获取特征之间的相关性；
利用解码器将跳跃连接与上采样特征根据所述相关性进行多尺度融合，利用融合特征与非相关性特征获取声发射信号对应的多维度特征。
2.根据权利要求1所述的一种基于声发射信号的智能损伤检测识别方法，其特征在于，将所述声发射信号利用预处理方法进行降噪，获取去噪后的声发射信号，具体为：
获取目标工程结构的声发射信号，利用遗传算法对MCKD算法进行寻优，初始化MCKD算法中的移位数、理论周期及滤波器长度，确定染色体初始种群，根据声发射信号的合成峭度计算个体的适应度；
根据所述适应度进行染色体排序，并保留预设数量的染色体，在所述初始种群进行选择、交叉及变异运算得到新的染色体与保留的染色体进行合并，得到新种群；
在所述新种群中计算个体之间的曼哈顿距离作为新的适应度，并重新进行排序记忆预设数量的染色体，迭代训练后获取最大曼哈顿距离确定最优参数组合，优化MCKD算法；
利用优化的MCKD算法将所述声发射信号进行初步降噪，将初步降噪后的声发射信号利用CEEMDAN算法进行分解，划分为若干模态分量，筛选出含有噪声的模态分量；
将含有噪声的模态分量利用小波变换进行再次降噪，通过遗传算法对小波变化进行优化，根据小波熵设置目标函数，通过最大小波熵值确定小波变换最优参数组合，设置小波变换的阈值函数进行含有噪声的模态分量的滤波；
将小波变换后的模态分量与不含噪声的模态分量进行合并，通过合并后的模态分量进行信号重构，输出去噪后的声发射信号。
3.根据权利要求1所述的一种基于声发射信号的智能损伤检测识别方法，其特征在于，构建损伤识别单元，将所述多维度特征作为损伤识别单元的输入进行目标工程结构的损伤识别定位及可视化显示，具体为：
获取目标工程结构的历史监测的声发射信号特征，结合对应损伤缺陷构建监测数据集合，预设正常及异常类别标签，将监测数据集合中的信号特征样本利用聚类算法进行损伤类别标签的匹配更新；
根据所述正常及异常标签设置聚类簇数，将监测数据集合中的信号特征样本通过聚类迭代分配到距离最近的类簇，建立信号特征样本与正常或异常类别的映射关系；
根据所述映射关系训练损伤识别单元，根据目标工程结构当前声发射信号对应的多维度特征判断是否异常；
获取监测数据集合中同一损伤缺陷的声发射信号特征，进行主成分分析，根据主成分声发射特征进行主成分投影，获取同一损伤缺陷的特征散点分布，作为损伤缺陷的识别特征；
计算目标工程结构声发射信号对应的多维度特征与识别特征的相似度，获取目标工程结构异常声发射信号对应损伤类别；
通过门控循环网络构建损伤定位模块，在所述多维度特征中选取定位特征进行损伤定位。
4.根据权利要求3所述的一种基于声发射信号的智能损伤检测识别方法，其特征在于，通过门控循环网络构建损伤定位模块，在所述多维度特征中选取定位特征进行损伤定位，具体为：
基于三维激光扫描获取目标工程结构的点云数据，根据所述点云数据进行三维重建构建目标工程结构的三维模型；
从当前声发射信号对应的多维度特征中筛选幅值、能量、振铃计数以及到达时差，结合目标工程结构的材料信息特征作为损伤定位模块的输入；
通过门控循环网络构建损伤定位模块，将当前声发射信号对应的幅值、能量、振铃计数以及到达时差导入输入层，通过设置两个卷积层及最大池化层对多维度特征进行处理；
在卷积层及池化层后设置两层门控循环网络，通过隐藏状态的重置更新对特征进行表示学习，并进行标准化处理，利用输出层获取损伤定位信息，结合所述三维模型进行可视化显示。
5.根据权利要求1所述的一种基于声发射信号的智能损伤检测识别方法，其特征在于，对识别到的损伤状态进行评估，根据目标工程结构的损伤评估结果生成预警信息，并推荐对应的修复方案，具体为：
根据历史损伤识别获取幅值、能量、振铃计数以及到达时差的参数累积值，基于所述参数累积值提取时序参数累积特征，根据所述时序参数累积特征进行统计分析，获取目标工程结构在不同损伤类别的极限荷载参数累积值；
获取目标工程结构当前损伤类别提取对应的极限荷载参数累积值，获取当前声发射信号对应的多维度特征中筛选幅值、能量、振铃计数以及到达时差对应的当前损伤参数累积值；
将所述当前损伤参数累积值与极限荷载参数累积值进行对比，获取比值进行损伤评估，当所述比值大于预设比值阈值时，则生成预警信息；
根据目标工程结构的损伤识别定位结果及损伤评估结果生成损伤特征，基于所述损伤特征利用大数据方法检索相似损伤的修复实例，根据修复实例推荐对应的修复方案。
6.一种基于声发射信号的智能损伤检测识别系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于声发射信号的智能损伤检测识别方法程序，所述基于声发射信号的智能损伤检测识别方法程序被所述处理器执行时实现如下步骤：
获取目标工程结构的采集目标工程结构的声发射信号，将所述声发射信号利用预处理方法进行降噪，获取去噪后的声发射信号，与目标工程结构的材料信息匹配；
基于深度学习方法构建特征提取单元，利用不同尺度的卷积核提取声发射信号中不同精细度的特征，并通过特征之间的相关性及非相关性获取多维度特征；
构建损伤识别单元，将所述多维度特征作为损伤识别单元的输入进行目标工程结构的损伤识别定位及可视化显示；
对识别到的损伤状态进行评估，根据目标工程结构的损伤评估结果生成预警信息，并推荐对应的修复方案；
利用不同尺度的卷积核提取声发射信号中不同精细度的特征，并通过特征之间的相关性及非相关性获取多维度特征，具体为：
获取去噪后的声发射信号构建声发射信号序列，基于U-Net网络构建特征提取单元，在所述U-Net网络中引入Transformer结构建立编码器及解码器；
将所述声发射信号序列导入特征提取单元，通过所述编码器进行特征提取，在Transformer结构中设置多头注意力机制，利用不同尺度的卷积核提取不同尺度特征；
计算不同尺度特征的自注意力权重对特征进行加权，利用残差网络将不同的多头注意力层进行连接，通过上采样进行卷积编码；
通过Transformer结构组成瓶颈模块，在瓶颈模块中设置CBMA注意力机制，通过通道注意力及空间注意力获取特征之间的相关性；
利用解码器将跳跃连接与上采样特征根据所述相关性进行多尺度融合，利用融合特征与非相关性特征获取声发射信号对应的多维度特征。
7.根据权利要求6所述的一种基于声发射信号的智能损伤检测识别系统，其特征在于，构建损伤识别单元，将所述多维度特征作为损伤识别单元的输入进行目标工程结构的损伤识别定位及可视化显示，具体为：
获取目标工程结构的历史监测的声发射信号特征，结合对应损伤缺陷构建监测数据集合，预设正常及异常类别标签，将监测数据集合中的信号特征样本利用聚类算法进行损伤类别标签的匹配更新；
根据所述正常及异常标签设置聚类簇数，将监测数据集合中的信号特征样本通过聚类迭代分配到距离最近的类簇，建立信号特征样本与正常或异常类别的映射关系；
根据所述映射关系训练损伤识别单元，根据目标工程结构当前声发射信号对应的多维度特征判断是否异常；
获取监测数据集合中同一损伤缺陷的声发射信号特征，进行主成分分析，根据主成分声发射特征进行主成分投影，获取同一损伤缺陷的特征散点分布，作为损伤缺陷的识别特征；
计算目标工程结构声发射信号对应的多维度特征与识别特征的相似度，获取目标工程结构异常声发射信号对应损伤类别；
通过门控循环网络构建损伤定位模块，在所述多维度特征中选取定位特征进行损伤定位。
8.根据权利要求7所述的一种基于声发射信号的智能损伤检测识别系统，其特征在于，通过门控循环网络构建损伤定位模块，在所述多维度特征中选取定位特征进行损伤定位，具体为：
基于三维激光扫描获取目标工程结构的点云数据，根据所述点云数据进行三维重建构建目标工程结构的三维模型；
从当前声发射信号对应的多维度特征中筛选幅值、能量、振铃计数以及到达时差，结合目标工程结构的材料信息特征作为损伤定位模块的输入；
通过门控循环网络构建损伤定位模块，将当前声发射信号对应的幅值、能量、振铃计数以及到达时差导入输入层，通过设置两个卷积层及最大池化层对多维度特征进行处理；
在卷积层及池化层后设置两层门控循环网络，通过隐藏状态的重置更新对特征进行表示学习，并进行标准化处理，利用输出层获取损伤定位信息，结合所述三维模型进行可视化显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311229987.XA CN116975656B (zh) | 2023-09-22 | 2023-09-22 | 基于声发射信号的智能损伤检测识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311229987.XA CN116975656B (zh) | 2023-09-22 | 2023-09-22 | 基于声发射信号的智能损伤检测识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116975656A true CN116975656A (zh) | 2023-10-31 |
| CN116975656B CN116975656B (zh) | 2023-12-12 |
Family
ID=88471672
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311229987.XA Active CN116975656B (zh) | 2023-09-22 | 2023-09-22 | 基于声发射信号的智能损伤检测识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116975656B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109738519A (zh) * | 2019-01-04 | 2019-05-10 | 国网四川省电力公司广安供电公司 | 一种变压器高压套管引线超声检测的去噪方法 |
| CN114970607A (zh) * | 2022-05-06 | 2022-08-30 | 北京谛声科技有限责任公司 | 基于深度神经网络声发射信号分离的变压器局放检测方法 |
| CN115381466A (zh) * | 2022-08-11 | 2022-11-25 | 南京邮电大学 | 基于AE和Transformer的运动想象脑电信号分类方法 |
| WO2022252272A1 (zh) * | 2021-06-03 | 2022-12-08 | 江苏大学 | 一种基于迁移学习的改进vgg16网络猪的身份识别方法 |
| CN116383634A (zh) * | 2023-05-09 | 2023-07-04 | 中国长江三峡集团有限公司 | 一种滑坡信号识别方法、装置和电子设备 |
| CN116758102A (zh) * | 2023-07-26 | 2023-09-15 | 山西大学 | 一种基于CNN与Transformer的超声图像分割方法 |
-
2023
- 2023-09-22 CN CN202311229987.XA patent/CN116975656B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109738519A (zh) * | 2019-01-04 | 2019-05-10 | 国网四川省电力公司广安供电公司 | 一种变压器高压套管引线超声检测的去噪方法 |
| WO2022252272A1 (zh) * | 2021-06-03 | 2022-12-08 | 江苏大学 | 一种基于迁移学习的改进vgg16网络猪的身份识别方法 |
| CN114970607A (zh) * | 2022-05-06 | 2022-08-30 | 北京谛声科技有限责任公司 | 基于深度神经网络声发射信号分离的变压器局放检测方法 |
| CN115381466A (zh) * | 2022-08-11 | 2022-11-25 | 南京邮电大学 | 基于AE和Transformer的运动想象脑电信号分类方法 |
| CN116383634A (zh) * | 2023-05-09 | 2023-07-04 | 中国长江三峡集团有限公司 | 一种滑坡信号识别方法、装置和电子设备 |
| CN116758102A (zh) * | 2023-07-26 | 2023-09-15 | 山西大学 | 一种基于CNN与Transformer的超声图像分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| YAQIONG LV ET AL.: ""Vibration signal-based early fault prognosis: Status quo and applications"", 《ADVANCED ENGINEERING INFORMATICS》, pages 1 - 16 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116975656B (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11636289B2 (en) | Method, apparatus, and device for classifying LiDAR point cloud data, and storage medium | |
| CN112101159B (zh) | 多时相林业遥感影像变化监测方法 | |
| CN114494837B (zh) | 一种渔业资源的密度智能识别方法及系统 | |
| CN112613569B (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
| CN113793332B (zh) | 一种实验仪器缺陷识别分类方法及系统 | |
| CN112163450A (zh) | 基于s3d学习算法的高频地波雷达船只目标检测方法 | |
| CN117235608B (zh) | 风险检测方法、装置、电子设备及存储介质 | |
| CN116561536B (zh) | 一种滑坡隐患的识别方法、终端设备及介质 | |
| CN116975656B (zh) | 基于声发射信号的智能损伤检测识别方法及系统 | |
| CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与系统 | |
| CN112215188A (zh) | 交警姿态识别方法、装置、设备及存储介质 | |
| CN115019305B (zh) | 一种根尖细胞的识别方法、装置、设备及可读存储介质 | |
| CN114821978B (zh) | 一种误报警的消除方法、装置以及介质 | |
| CN114155524A (zh) | 单阶段3d点云目标检测方法及装置、计算机设备、介质 | |
| CN109492396B (zh) | 基于语义分割的恶意软件基因快速检测方法和装置 | |
| CN117523420B (zh) | 一种基于雷达产品数据的闪电落区识别方法及系统 | |
| CN112767365A (zh) | 一种探伤方法 | |
| CN116309581B (zh) | 一种微光成像单元的成像评价方法、系统及存储介质 | |
| CN111239812A (zh) | 基于社交媒体大数据和机器学习的地震烈度快速评估方法 | |
| CN116188973B (zh) | 认知生成机制裂缝检测方法 | |
| CN116893428B (zh) | 基于激光点云的森林资源调查与监测方法及系统 | |
| CN116630752B (zh) | 基于ai算法的施工现场目标对象识别方法及装置 | |
| CN114021367B (zh) | 地震烈度圈的确定方法、装置、电子设备和存储介质 | |
| JP2008071214A (ja) | 文字認識辞書作成方法及びその装置及び文字認識方法及びその装置及びプログラムを格納した記憶媒体 | |
| Warren et al. | Incorporating sampling bias into permutation tests for niche and distribution models |
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 |