TWI793626B - 結構劣化的聲振診斷方法與系統 - Google Patents

Abstract

一種結構劣化的聲振診斷方法，包括下述步驟：首先採用深度神經網路建構一個訓練模型，將至少二個訓練聲波訊號輸入訓練模型進行訓練。根據訓練結果，採用卷積神經網路建構一個診斷模型。由直接接觸、非接觸、或間接接觸待測結構的一個待測區段擷取一個待測聲波訊號。通過診斷模型，根據待測聲波訊號，判斷待測區段的結構劣化狀態。

Description

結構劣化的聲振診斷方法與系統

本揭露書是有關於一種檢測結構劣化的方法與系統，特別關於一種採用聲振診斷技術來檢測結構劣化的方法與其應用系統。

近年來，國內工業結構或管線相關事故頻傳，當工業結構或管線因異常而發生劣化或洩漏時，通常會導致重大災害，例如人員傷亡及財產損失。工業結構或管線之異常原因最主要來自人為因素，其次則是結構/管路/設備的材料劣化。為了避免災害的發生，對工業結構或管線的劣化或洩漏進行監測分析，已是該領域的重要課題之一。

雖然目前業界已開發出多種工業結構或管線的監測系統與技術，然而其仍存在許多缺點，例如缺少適當的邏輯判斷分析之安全診斷模組，需要由專業人員進行評估；缺少可遠距感知劣化之監測技術，只適用於感測器所在之局部位置進行檢監控；以及無法在劣 化發生時提前發出預警訊號等；仰賴人工步行巡檢以聽取管路音波變化。

因此，有需要提供一種先進的結構劣化的聲振診斷方法與系統。

本說明書的一實施例係揭露一種結構劣化的聲振診斷方法，包括下述步驟：首先採用深度神經網路建構一個訓練模型。將至少二個訓練聲波訊號輸入訓練模型進行訓練。根據訓練結果，採用卷積神經網路建構一個診斷模型。由直接接觸、非接觸、或間接接觸待測結構的一個待測區段擷取一個待測聲波訊號。通過診斷模型，根據待測聲波訊號，判斷待測區段的結構劣化狀態。

本說明書的另一實施例係揭露一種結構劣化的聲振診斷系統，此系統包括：聲波感測單元、聲振診斷模組以及訊號連接聲波感測單元和聲振診斷模組的通訊模組。聲波感測單元用以從一個待測結構的待測區段擷取一個待測聲波訊號。聲振診斷模組用以執行下述步驟：首先採用深度神經網路建構一個訓練模型。將至少二個訓練聲波訊號輸入訓練模型進行訓練。根據訓練結果，採用卷積神經網路建構一個診斷模型；再通過診斷模型，根據待測聲波訊號，判斷待測區段中的結構劣化狀態。

根據上述實施例，本說明書是在提供一種結構劣化的聲振診斷系統及方法，是一種以接觸或非接觸式聲波訊號來即時遠距診斷待測結構劣化狀態(例如，管路的薄化與洩漏)的感知技術。藉由動態音頻擷取模組，遠距擷取待測結構(例如，管路的管壁)所激發的聲波振動，感測管其剛性與質量改變，並通過物聯網技術和雲端，將聲波振動整合至聲振劣化診斷模組，以深度學習演算法建構一個診斷模型，將待測聲波訊號同步進行洩漏事件辨識、診斷及漏點定位，實現遠距感知診斷劣化之監測。

更進一步，將此聲振劣化診斷模組通訊連接至複數個個人手持式裝置或後端平台，讓不同的使用者可以即時第掌握待測結構(管路)的現況資訊，有效提升現場檢漏人員對待測結構(管路)狀態的判讀以及迅速巡查之能力，以確保待測結構(管路)之運轉安全。

10:結構劣化的聲振診斷系統

11:聲波感測單元

12:聲振診斷模組

12m:診斷模型

12b:特徵標籤

12t:訓練模型

13:通訊模組

14:待測結構

14d:結構劣化特徵

14s:待測區段

14k:待測聲波訊號

14t:訓練聲波訊號

14v:驗證聲波訊號

14w:聲波訊號

15:資料庫

16:訊號濾波單元

17:人機整合介面

131:個人手持式裝置

400:深層自動編碼器

401:編碼器

402:解碼器

501a:特性頻率

501b:特性頻率

601:振幅-位置(長度)關係曲線

Q1-Q16:曲線

Z:特徵

S31:建構一個以深度神經網為基礎的訓練模型

S32:將至少二個訓練聲波訊號輸入訓練模型進行訓練\

S33:根據訓練結果建構一個以卷積神經網路為基礎的診斷模型

S34:將待測聲波訊號輸入診斷模型以判斷待測區段的結構劣化狀態

為了對本說明書之上述及其他方面有更佳的瞭解，下文特舉實施例，並配合所附圖式詳細說明如下：第1圖係根據本說明書的一實施例所繪示的一種結構劣化的聲振診斷系統的配置方塊圖；第2圖係根據本說明書的一實施例繪示使用濾波單元，將聲波感測單元擷取的聲波訊號通過濾波處理所得到的時頻譜數據圖； 第3圖係根據本說明書的一實施例繪示以第1圖之結構劣化的聲振診斷系統執行聲振診斷方法的步驟流程圖；第4圖係根據本說明書的一實施例所繪示的一種深層自動編碼器的方塊示意圖；第5圖是根據本發明的一實施例繪示一個洩漏狀態之待測聲波訊號的頻域波段；第6圖是根據本發明的一實施例，繪示儲存在資料庫中多組具有相同結構劣化(洩漏)特徵但特徵位置不同的待測區段之振幅-位置(長度)關係曲線對照圖；以及第7圖是根據本發明的一實施例，繪示儲存在資料庫中，對應於特定特徵頻率的多條振幅-位置(長度)關係曲線對照圖。

本說明書是提供一種結構劣化的聲振診斷系統及方法，可以實現遠距感知診斷劣化之監測，有效提升現場檢漏人員對待測結構狀態的判讀以及迅速巡查之能力。為了對本說明書之上述實施例及其他目的、特徵和優點能更明顯易懂，下文特舉複數個較佳實施例，並配合所附圖式作詳細說明。

但必須注意的是，這些特定的實施案例與方法，並非用以限定本發明。本發明仍可採用其他特徵、元件、方法及參數來加以實施。較佳實施例的提出，僅係用以例示本發明的技術特徵，並非用以限定本發明的申請專利範圍。該技術領域中具有 通常知識者，將可根據以下說明書的描述，在不脫離本發明的精神範圍內，作均等的修飾與變化。在不同實施例與圖式之中，相同的元件，將以相同的元件符號加以表示。

請參照第1圖，第1圖係根據本說明書的一實施例所繪示的一種結構劣化的聲振診斷系統10的配置方塊圖。結構劣化的聲振診斷系統10包括聲波感測單元11、聲振診斷模組12以及用來將聲波感測單元11訊號連接至聲振診斷模組12的通訊模組13。

聲波感測單元11是用以從一個待測結構14的待測區段14s擷取一個待測聲波訊號14k。在本說明書的一些實施例之中，待測結構14可以是(但不限定為)一種管路結構，例如油管、水管或其他輸送液體或氣體的管路結構；也可以是一種實心結構，例如樓地板結構、馬路填充結構、鋼骨結構，或其他可以藉由聲音共振產生振波訊號的結構。在一實施例中，聲波感測單元11以非接觸/隔一段距離的方式，對待測結構14的待測區段14s擷取一個待測聲波訊號14k。在一實施例中，聲波感測單元11以直接接觸或間接接觸的方式，對待測結構14的待測區段14s擷取一個待測聲波訊號14k。

例如在本說明書的一實施例中，聲波感測單元11可以是(但不限定為)一種可攜式的高敏感度壓電探頭，可以被檢漏人員攜帶至待測結構14(管路結構)的不同位置進行偵測，以擷取待測結構14(管路結構)的待測聲波訊號14k。在本實施例中，待測 聲波訊號14k可以是(但不限定為)一種時域振動波形(time waveform)。

其中，聲波感測單元11可以不與待測結構14(管路結構)直接接觸，而是與待測結構14(管路結構)隔著一段距離，等同聲波感測單元11非接觸待測結構14。在一實施例中，聲波感測單元11以直接接觸或間接接觸的方式，量測待測結構14。但在本說明書的另一實施例中，聲波感測單元11可以是(但不限定為)多個直接固定於待測結構14(管路結構)上不同部位或區段上的聲波感測器。另外，聲波感測單元11還可以包括全球定位系統(Global Positioning System，GPS)，可將擷取待測聲波訊號14k的位置進行定位，並通過通訊模組13的有線或無線傳輸，回報給聲振診斷模組12或控制中心，並儲存在資料庫15中。

結構劣化的聲振診斷系統10還包括一個訊號濾波單元16，用以執行一個濾波步驟，藉以從每一個擷取自待測結構14(管路結構)的聲波訊號中獲取一個頻域波段。例如在本說明書的一實施例中，訊號濾波單元16的濾波步驟包括：執行一個時頻域轉換，將每一個聲波訊號中的時域振動波形轉換成頻域(frequency domain)波形；再擷取頻域波形的一部份頻域波段，以提供聲振診斷模組12進行聲振診斷。在本說明書的一些實施例中，用於進行聲振診斷的頻域波段頻率實質上介於10Hz至1800Hz之間；較佳實質上介於30Hz至1600Hz之間。執行一個時頻域轉換，將原本具有時域振動波形的聲波訊號14w 轉換成頻域波形；再擷取一部份頻域波形，以使通過濾波之後的聲波訊號14w具有一個頻率介於200Hz至700Hz之間頻域波段。

例如在本實施例中，濾波步驟包括使用濾波單元16，將被聲波感測單元11擷取的聲波訊號透過離散之方波快速傅立葉轉換(Fast Fourier Transform，FFT)後進行梅爾倒頻譜。其中，舉例而言，濾波器(訊號濾波單元16)數量為30個，梅爾倒頻譜參數為20維、頻率範圍取0Hz至44100Hz、傅立葉轉換為2048點，音檔使用的音框大小為5秒(s)。此外為了避免音框間的變化太劇烈，可以將兩個音框之間取20毫秒(ms)重疊。得到第2圖所繪示的時頻譜數據圖200，三軸分別為振幅、頻率、時間。

第2圖的取得方式與過程如下。經訊號濾波單元16處理後的濾波訊號，可以進一步依照時間軸(秒)分切成5個頻域波段，再將每一個頻域波段分為2000等分，並將每一等分的頻率和振幅轉換成二維向量，形成尺寸為5(時間)×2000(頻率和振幅)的矩陣資料。針對現場巡檢每次量測所得之訊號資料，不斷地重複上述步驟，將每一次量測所得到的聲波訊號轉換成一筆矩陣資料，最終可得到約43萬筆5×2000的矩陣資料，並依據時間點先後排序，將其儲存在資料庫15中，作為訓練數據(訓練聲波訊號14t和驗證聲波訊號14v)，進行訓練以建立聲振診斷模組12。

另外，每一個聲波訊號14w必須先經過正規化(normalization)處理後，才能以深度學習演算法進行訓練。例如在本實施例中，正規化的方法是採用最小值最大值正規化 (min-max normalization)。將某一時間點n，進行13次採樣所得的讀值組成一個向量(或者是一維陣列)x[n]

R ^13×1；各次量測讀值量的最大值及最小值，分別組成兩向量x _min[n]

R ^13×1及x _max[n]

R ^13×1，將x[n]正規化如下式(1)：

使用差分法(difference method)，將上一個時間點且正規化後的量測讀值x _norm [n-1]與當下時間點的量測讀值x _norm [n]相減(如算式(2)所示)：

其中，x _diff 為差分訊號。

並計算差分訊號x _diff 的總和，同時設立一個閾值threshold。如算式(3)所示：

若差分訊號的總和大於閾值threshold，則可判定所輸入的聲波訊號14w為包含有劇烈變化波形的暫態訊號；反之，可判定所輸入的聲波訊號14w為波形變化平穩且緩和的穩態訊號。(正規化處理後的聲波訊號14w包括正規化處理後的訓練聲波訊號14t和驗證聲波訊號14v其可能是暫態訊號或穩態訊號)。

聲振診斷模組12是用來執行結構劣化的聲振診斷方法。請參照第3圖，第3圖係根據本說明書的一實施例繪示以第1圖之結構劣化的聲振診斷系統10執行聲振診斷方法的步驟流 程圖。此一聲振診斷方法包括下述步驟：首先，採用非監督式學習(unsupervised learning)建構一個以深度神經網路(Deep Neural Networks，DNN)為基礎的訓練模型12t(如步驟S31)。接著，將(儲存於資料庫15中的)至少二個訓練聲波訊號14t輸入訓練模型12t進行訓練(如步驟S32)(正規化處理後的聲波訊號14w包括正規化處理後的訓練聲波訊號14t和驗證聲波訊號14v)。之後，根據訓練結果，建構一個以卷積神經網路(Convolutional Neural Networks，CNN)為基礎的診斷模型12m(如步驟S33)。再將待測聲波訊號14k輸入診斷模型12m，以判斷待測區段14s的結構劣化狀態(如步驟S34)。

詳言之，聲振診斷模組12中的訓練模型12t可以包括以深度積神經網路為基礎的深層自動編碼器(deep autoencoder)400。請參照第4圖，第4圖係根據本說明書的一實施例所繪示的一種深層自動編碼器400的方塊示意圖。其中，深層自動編碼器400的架構可細分成編碼器(encoder)401及解碼器(decoder)402兩部分，分別執行訓練聲波訊號14t的壓縮及解壓縮的工作。在本實施例中，深層自動編碼器400是以多層的全連接層為基礎，從編碼器401輸入層開始神經元數目為最多，編碼器401中每一層的神經元數目會逐步下降。原始的訓練聲波訊號14t數據透過線性轉換(linear transformation)或非線性轉換(highly nonlinear transformation)的方式來擷取特徵(features)或使數據降維。

解碼器402則是利用編碼器401所輸出的編碼進行解壓縮，還原出輸入的數據。換言之，深層自動編碼器400的輸入資料及輸出資料則會相同。由於，全連接層只能接受一維陣列作為輸入(input)，須要先對所每一個要輸入深層自動編碼器400中的聲波訊號14w的5×2000輸入矩陣進行展開(flatten)，將其變成長度為10000的一維陣列輸入編碼器401中。例如，編碼器401的神經元數目從10000個逐層下降至5000個及2500個，編碼器401中有連續三層全連接層。解碼器402中有連續三層全連接層，各層神經元數目分別為2500個、5000個及10000個，最終輸出10000個輸出值。

聲振診斷模組12的訓練，包括下述步驟：首先選取儲存於資料庫15中80%的聲波訊號14w(例如，聲波訊號14w中被歸類為穩態的數據，由算式(2)、(3)所求出)，輸入訓練模型12t的深層自動編碼器400中，以編碼器401進行特徵值萃取；從原始訓練聲波訊號14t中提取具代表性的特徵(feature)Z，並預選出多個特徵標籤(labeling)12b。經過調整，可以驗證穩態的訓練數據經過深層自動編碼器400的壓縮及解壓縮的過程後，仍具有良好的還原效果。在本實施例中，經過深層自動編碼器400的特徵提取，訓練聲波訊號14t可大致分為洩漏頻、金屬頻、環境頻、雜訊頻四種狀態的特徵標籤12b。

後續，根據訓練模型12t的特徵標籤12b，以卷積神經網路為基礎建構一個包含卷積自動編碼器(convolutional autoencoder)的診斷模型12m。將剩餘20%的聲波訊號14w(例如，包含暫態的其他聲波訊號14w，由算式(2)、(3)所求出)，輸入診斷模型12m的卷積自動編碼器中，做為驗證數據(驗證聲波訊號14v)，以測試診斷模型12m能否成功偵測到暫態發生。其中，判定暫態的標準為診斷模型12m的卷積自動編碼器所還原的訊號與原始訊號之間的誤差，超過預設的閾值(閾值為訊號噪比值：500)時會將輸入的訓練數據判定為暫態。在本實施例中，卷積自動編碼器所使用的演算法，包括以k-平均演算法(k-means clustering)。

將診斷模型12m的輸出結果與驗證數據進行比對，並調整診斷模型12m的權重和特徵標籤12b數目，完成聲振診斷模組12的訓練。完成訓練之後，診斷模型12m的特徵標籤12b的特徵值加總等於1，在此實施例為4個特徵標籤分別為洩漏頻、金屬頻、環境頻、雜訊頻。

完成聲振診斷模組12的訓練之後，將待測聲波訊號14k輸入聲振診斷模組12的診斷模型12m之中，再根據診斷模型12m每一個特徵標籤12b所輸出的特徵值，即可判斷從待測結構14(管路結構)擷取待測聲波訊號14k的待測區段14s，是屬於何種管路結構，以及該待測區段14s目前的結構狀態。

在本說明書的一些實施中，當診斷模型12m判斷待測結構14(管路結構)中所擷取待測聲波訊號14k的待測區段14s是否發生洩漏時，聲振診斷模組12還可以將待測聲波訊號14k頻 域波段與儲存在資料庫15之中，且具有不同洩漏特徵的多個相同種類管路結構的聲波訊號歷史資料進行聲振頻率偏移量與振幅變化量的交叉比對，即可辨識待測結構14(管路結構)中結構劣化特徵14d存在於該待測區段14s的相對位置，並且估計結構劣化特徵14d的劣化程度。

通訊模組13可以是一種有線或無線通訊裝置，用於將聲波感測單元11訊號連接至聲振診斷模組12，將聲波感測單元11所擷取的聲波訊號傳輸至聲振診斷模組12，進行判讀。

在本說明書的一些實施例中，傳輸通訊模組13可以更包括複數個個人手持式裝置131，分別由現場檢漏人員或遠端的其他專家所持有。可將聲波感測單元11所擷取的聲波訊號(例如，訓練聲波訊號14t和/或待測聲波訊號14k)以及/或將聲振診斷模組12的判讀結果(例如，輸出標籤12b的機率值)回傳給現場檢漏人員或提供遠端的其他專家參考，讓不同的使用者可以即時第掌握待測結構的現況資訊，有效提升迅速巡查能力，以確保重要待測結構14(管路結構)的運轉安全。

同時，現場檢漏人員和專家們可以依據個別的權限，通過傳輸通訊模組13的手持式裝置131，對聲振診斷模組12提供修正意見或指令，以修改、更新聲振診斷模組12的診斷模型12m。

在本說明書的一些實施中，結構劣化的聲振診斷系統10還包括一個人機整合介面17，可將聲波感測單元11、聲振診 斷模組12和傳輸通訊模組13的運作程序整合成一個整合監控管理雲端平台。例如在本實施例中，可以採用圖形使用者介面(Graphical User Interface，GUI)，將聲振診斷模組12診斷所得到的診斷結果、由聲波感測單元11所擷取的聲波訊號(例如，追頻圖及時頻圖)、聲波感測單元11的檢測位置和洩漏點的地圖標示等，通過傳輸通訊模組13，直接以圖形的方式顯示在操作用戶的電腦介面上。

在本說明書的一些實施例中，當待測區段14s被判斷為洩漏狀態時，可以藉由進一步比對資料庫15中具有相同管路結構的不同結構劣化(洩漏)特徵14d的多個的聲波訊號歷史資料，來產生追頻圖、時頻圖、分類診斷結果，並標定結構劣化(洩漏)特徵14d在待測區段14s中的位置。

詳言之，當待測區段14s被判斷為洩漏狀態時，此一待測聲波訊號14k經過時頻域轉換的頻域波段會具有至少一個特性頻率(波峰)。例如請參照第5圖，第5圖是根據本發明的一實施例繪示一個洩漏狀態之待測聲波訊號14k的頻域波段。在本實施例中，根據診斷模型12m的特徵標籤12b所輸出的標籤值，待測區段14s被判斷為洩漏狀態的金屬管，待測聲波訊號14k的頻域波段分別在頻率290Hz和580Hz處產生一個特性頻率501a和501b。

然後，根據特性頻率501a和501b以及特性頻率的特性振幅值，比對資料庫15中具有相同結構劣化(洩漏)特徵14d但特徵位置不同的待測區段14s的複數個振幅-位置(長度)關係曲 線，藉以辨識出待測區段14s之結構劣化(洩漏)特徵14d存在於待測區段14s的位置。例如請參照第6圖，第6圖是根據本發明的一實施例繪示儲存在資料庫15中的多組具有相同結構劣化(洩漏)特徵14d但特徵位置不同的待測區段14s的振幅(dB)-位置(長度)關係曲線對照圖。

在本實施例中，根據特性頻率501a和501b，可以在資料庫15中獲得一條振幅(mdB)-位置(長度，公尺)關係曲線601。其中，振幅-位置(長度)關係曲線601代表一條頻率為580Hz的振幅-位置(長度)關係曲線。後續，再根據特性頻率501b的特性振幅值340dB所轉換的關係曲線601，關係曲線601的波峰位置與管長4/8L的波峰位置接近，即可標定結構劣化(洩漏)特徵14d大致上為於待測區段14s之管長4/8L的相對位置。

另外，還可以進一步根據特性頻率501a和501b的特性振幅值，比對資料庫15中對應於特定特徵頻率的複數條振幅-劣化程度關係曲線601，以估計結構劣化(洩漏)特徵14d的劣化程度。例如請參照第7圖，第7圖是根據本發明的一實施例繪示儲存在資料庫15中對應於特定特徵頻率的多條振幅-位置(長度)關係曲線對照圖。其中，曲線Q1-Q16分別代表不同缺陷尺寸的振幅-劣化程度關係。如第7圖上之水平與垂直虛線交錯點，根據特性頻率302(580Hz)和可以估計出目前待測區段14s的結構劣化(洩漏)特徵14d，其劣化程度約略為70%。

後續，通過結構劣化聲振診斷系統10的人機整合介面17，可將聲振診斷結果以圖形的方式顯示在操作用戶的電腦介面上，並儲存於監控管理雲端平台。另外，通過傳輸通訊模組13，讓現場檢漏人員或遠端的其他專家即時第掌握待測結構的現況資訊，並共享檢測資訊與歷史紀錄。

根據上述實施例，本說明書是在提供一種結構劣化的聲振診斷系統及方法，是一種以接觸或非接觸式聲波訊號來即時遠距診斷待測結構劣化狀態(例如，管路的薄化與洩漏)的感知技術。藉由動態音頻擷取模組，遠距擷取待測結構(例如，管路的管壁)所激發的聲波振動，感測管其剛性與質量改變，並通過物聯網技術和雲端，將聲波振動整合至聲振劣化診斷模組，以深度學習演算法建構一個診斷模型，將待測聲波訊號同步進行洩漏事件辨識、診斷及漏點定位，實現遠距感知診斷劣化之監測。

更進一步，將此聲振劣化診斷模組通訊連接至複數個個人手持式裝置或後端平台，讓不同的使用者可以即時第掌握待測結構(管路)的現況資訊，除了有效提升現場檢漏人員對待測結構(管路)狀態的判讀以及迅速巡查之能力外，也同時讓其他的工程人員不需要實際到場以人工持聽筒去聽取音頻即能遠端掌握結構(管路)現況判斷破管，降低人為經驗的誤差或判讀錯誤狀況，以確保待測結構(管路)之運轉安全。

雖然本發明已以較佳實施例揭露如上，然其並非用以限定本發明，任何該技術領域中具有通常知識者，在不脫離本 發明之精神和範圍內，當可作些許之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

10:結構劣化的聲振診斷系統

11:聲波感測單元

12:聲振診斷模組

12m:診斷模型

12b:特徵標籤

12t:訓練模型

13:通訊模組

14:待測結構

14d:結構劣化特徵

14s:待測區段

14k:待測聲波訊號

14t:訓練聲波訊號

14v:驗證聲波訊號

14w:聲波訊號

15:資料庫

16:訊號濾波單元

17:人機整合介面

131:個人手持式裝置

400:深層自動編碼器

401:編碼器

402:解碼器

Z:特徵

Claims (14)

1. 一種結構劣化的聲振診斷方法，包括：採用一深度神經網路(Deep Neural Networks，DNN)，建構一訓練模型；將至少二訓練聲波訊號輸入該訓練模型，進行一訓練，其中該至少二訓練聲波訊號和該待測聲波訊號的每一者具有該一域振動波形(time waveform)；根據該訓練的一結果，採用一卷積神經網路(Convolutional Neural Networks，CNN)建構一診斷模型；由一待測結構的一待測區段擷取一待測聲波訊號；以及通過該診斷模型，根據該待測聲波訊號，判斷該待測區段的一結構劣化狀態；其中在進行該訓練及建構該診斷模型之前，更包括進行一濾波步驟，包括：執行一時頻域轉換，將該時域振動波形(time waveform)轉換成一頻域(frequency domain)波形；以及擷取一部份該頻域波形，以獲取一頻域波段。
2. 如請求項1所述之結構劣化的聲振診斷方法，其中該診斷模型包括：複數個特徵標籤；且該複數個特徵標籤的複數個特徵值的加總等於1。
3. 如請求項1所述之結構劣化的聲振診斷方法，其中該頻域波段介於30Hz至1600Hz之間。
4. 如請求項1所述之結構劣化的聲振診斷方法，其中該待測聲波訊號係通過一聲波感測單元所擷取，該聲波感測單元與該待測區段接觸或分離。
5. 如請求項4所述之結構劣化的聲振診斷方法，其中該至少二訓練聲波訊號係由該聲波感測單元擷取自該待測結構的至少二感測位置。
6. 如請求項2所述之結構劣化的聲振診斷方法，其中判斷該待測區段的該結構劣化狀態的步驟，包括根據該複數個特徵值判斷該待測結構的種類，以及判斷該待測區段是否洩漏。
7. 如請求項1所述之結構劣化的聲振診斷方法，其中進行該訓練的步驟，包括：將該至少一訓練聲波訊號經過一正規化(normalization)處理，判定該至少一訓練聲波訊號為劇烈變化波形的一暫態訊號或波形變化平穩且緩和的一穩態訊號； 從該至少一訓練聲波訊號中選取複數個穩態訊號，輸入以一深度積神經網路為基礎的一深層自動編碼器，提取複數個特徵(feature)並預選出複數個特徵標籤；以及驗證該複數個穩態訊號經過該深層自動編碼器的一壓縮過程及一解壓縮過程。
8. 如請求項1所述之結構劣化的聲振診斷方法，其中進行該訓練的步驟，包括：將一驗證聲波訊號輸入該診斷模型的該卷積自動編碼器中，做為驗證數據，以測試該診斷模型能否成功偵測到暫態發生。
9. 一種結構劣化的聲振診斷系統，包括：一聲波感測單元，用以由一待測結構的一待測區段擷取一待測聲波訊號；一聲振診斷模組，用以執行下述步驟：採用一深度神經網路，建構一訓練模型；將至少二訓練聲波訊號輸入該訓練模型，進行一訓練；根據該訓練的一結果，採用一卷積神經網路建構一診斷模型；以及 通過該診斷模型，根據該待測聲波訊號，判斷該待測區段中的一結構劣化狀態；一訊號濾波單元，用以從該至少二訓練聲波訊號和該待測聲波訊號的每一者的一時域振動波形中獲取一頻域波段；以及一通訊模組，將該聲波感測單元訊號連接至該聲振診斷模組。
10. 如請求項9所述之結構劣化的聲振診斷系統，其中該聲波感測單元與該待測區段接觸或分離。
11. 如請求項9所述之結構劣化的聲振診斷系統，其中該聲波感測單元具有一全球定位系統(Global Positioning System，GPS)。
12. 如請求項9所述之結構劣化的聲振診斷系統，更包括一個人手持式裝置，與該聲振診斷模組訊號連接。
13. 如請求項9所述之結構劣化的聲振診斷系統，其中該訓練模型，包括：將該至少一訓練聲波訊號經過一正規化處理，判定該至少一訓練聲波訊號為劇烈變化波形的一暫態訊號或波形變化平穩且緩和的一穩態訊號； 從該至少一訓練聲波訊號中選取複數個穩態訊號，輸入以該深度積神經網路為基礎的一深層自動編碼器，提取複數個特徵並預選出複數個特徵標籤；以及驗證該複數個穩態訊號經過該深層自動編碼器的一壓縮過程及一解壓縮過程。
14. 如請求項9所述之結構劣化的聲振診斷系統，其中該訓練模型，包括：將一驗證聲波訊號輸入該診斷模型的該卷積自動編碼器中，做為驗證數據，以測試該診斷模型能否成功偵測到暫態發生。

Images