基于自动编码器深度学习的SNS光纤冲击识别方法技术

本发明专利技术涉及一种基于分布式SNS多模干涉型光纤传感器与自动编码器深度学习算法相结合的柔性薄板结构冲击载荷识别方法，属于结构健康监测的冲击监测技术领域。包括以下步骤：步骤一：分布式单模‑无芯‑单模（single mode‑no core‑single mode,SNS）光纤传感器布局；步骤二：分布式SNS光纤传感器薄板结构冲击载荷监测系统构建；步骤三：实时监测与采集冲击响应动态信号，通过对不同位置以及不同能量的冲击试验，记录冲击试验数据生成样本库；步骤四：对板结构SNS光纤传感器冲击样本库数据进行预处理；步骤五：选择自动编码器作为深度学习模型，构建网络结构，并训练深度学习神经网络；步骤六：采用步骤五得到的训练好的模型，对SNS光纤传感器冲击响应数据进行处理，实现对冲击载荷位置和能量大小的识别。

【技术实现步骤摘要】
基于自动编码器深度学习的SNS光纤冲击识别方法
本专利技术属于结构健康监测的冲击监测
，尤其涉及SNS光纤传感技术与自动编码器深度学习技术相结合的板结构冲击监测方法。
技术介绍
对于实际工程中一些具有高造价、高可靠性要求的大型结构，如航空航天飞行器、土木工程、海上平台等，在其服役期间将受到复杂环境载荷的作用以及各类突发性外在因素如外来物冲击、振动等影响，从而导致结构出现不同程度的损伤。如果不及时监测出结构的损伤并提前预防和控制，随着损伤的积累，结构承受载荷的能力将逐渐降低，甚者将引起灾难性事件。目前，在冲击监测技术研究中，由冲击载荷产生的结构响应信号是对冲击源进行识别的信息基础，因此结构响应信号的测量就是需要首先解决的问题。由于结构对冲击载荷的响应信号具有时间短、频带宽的特点，在结构健康监测中常用集中式或分布式压电应变测量方法测量结构的响应信号。压电式传感器具有灵敏度高、使用方便、测量信号频率高等优点，但其易受电磁环境干扰；而对于常规低速采样的光纤光栅传感模式，在实际应用中由于解调仪采样频率较低，将会导致表征冲击响应特征的有效信息大量缺失，无法满足时差定位原理，导致定位精度大幅本文档来自技高网...

【技术保护点】
1.一种基于分布式SNS多模干涉型光纤传感器与自动编码器深度学习算法相结合的柔性薄板结构冲击载荷识别方法，其特征在于，包括以下步骤：步骤一：分布式单模‑无芯‑单模光纤传感器布局；步骤二：构建分布式SNS光纤传感器薄板结构冲击载荷监测系统；步骤三：实时监测与采集冲击响应动态信号，通过对不同位置以及不同能量的冲击试验，记录冲击试验数据生成样本库；步骤四：对板结构冲击样本库数据进行预处理；步骤五：选择自动编码器作为深度学习模型，构建网络结构，并训练深度学习神经网络；步骤六：采用步骤五得到的训练好的模型，对SNS光纤传感器冲击响应数据进行处理，实现对冲击载荷位置和强度的识别。

【技术特征摘要】
1.一种基于分布式SNS多模干涉型光纤传感器与自动编码器深度学习算法相结合的柔性薄板结构冲击载荷识别方法，其特征在于，包括以下步骤：步骤一：分布式单模-无芯-单模光纤传感器布局；步骤二：构建分布式SNS光纤传感器薄板结构冲击载荷监测系统；步骤三：实时监测与采集冲击响应动态信号，通过对不同位置以及不同能量的冲击试验，记录冲击试验数据生成样本库；步骤四：对板结构冲击样本库数据进行预处理；步骤五：选择自动编码器作为深度学习模型，构建网络结构，并训练深度学习神经网络；步骤六：采用步骤五得到的训练好的模型，对SNS光纤传感器冲击响应数据进行处理，实现对冲击载荷位置和强度的识别。2.如权利要求1所述的基于分布式SNS多模干涉型光纤传感器与自动编码器深度学习算法相结合的柔性薄板结构冲击载荷识别方法，其特征在于：所述步骤一中，在四边固支铝合金板结构中心位置划定一个正方形监测区域ABCD，其中点A、B、C、D为顺时针方向排序的正方形各顶点，并将其分割成n×n的网格，O为正方向监测区域的中心点位置；考虑到SNS光纤传感器对于动态应变响应呈现显著的方向敏感特性，即便对于相同能级大小与距离的冲击载荷，冲击位置与SNS光纤传感器之间相对位置关系不同也会传感器响应特性产生显著差异；因此，在板结构正方形监测区域A、B、C、D四个顶角位置和中心点位置O分别正交布置共15个SNS传感器，分别为SNS1、SNS2、SNS3、SNS4、SNS5、SNS6、SNS7、SNS8、SNS9、SNS10、SNS11、SNS12、SNS13、SNS14、SNS15；各顶点和中心点位置处SNS光纤传感器呈“三叉”应变花式分布。3.如权利要求1所述的基于分布式SNS多模干涉型光纤传感器与自动编码器深度学习算法相结合的柔性薄板结构冲击载荷识别方法，其特征在于：所述步骤二中，将SNS光纤传感器采用AB胶粘贴于试件结构背面，将激光光源经1×2光耦合器连接SNS光纤传感器，采用光纤跳线分别将SNS1、SNS2、SNS3、SNS4、SNS5、SNS6、SNS7、SNS8、SNS9、SNS10、SNS11、SNS12、SNS13、SNS14、SNS15连接光电转换器，经高速数据采集卡连接电脑记录与保存数据，以此构成分布式SNS传感器冲击载荷监测系统。4.如权利要求1所述的基于分布式SNS多模干涉型光纤传感器与自动编码器深度学习算法相结合的柔性薄板结构冲击载荷识别方法，其特征在于：所述步骤三中，通过对不同网格位置以及不同能量的冲击响应监测试验，实时监测与采集SNS光纤传感器冲击响应动态信号，生成能够表征不同位置和能级大小的冲击响应数据样本库；由15个SNS光纤传感器构成的正方形所覆盖的区域即为板结构试件的冲击监测区域，并将其分割成n×n的网格，网格的交点为测试点；使用能级可调节的机械式冲击锤对准测试点，撞击铝合金板表面，从而对铝合金板施加冲击信号；记录不同能级和位置冲击下分布式传感网络中15个SNS光纤传感器的冲击响应时域信号，以及冲击位置和冲击能量，实现一个特征冲击样本点的采集；在每个网格点依照此方法，采用不同能量冲击若干次并记录相关试验数据；以此类推，将所有网格点都进行上述试验后，形成SNS光纤传感器冲击响应样本库；为了解决深度学习神经网络所需的海量样本以及对结构差异的适应性，在冲击试验板结构的板面上划分稠密的网格并在每个网格测试点使用多级能量冲击，并记录试验数据；同时，在多个略有差异的板结构上重复上述试验，所记录的数据可构成大规模样本库；使用该库训练的深度学习神经网络对结构的差异性具有很好的适应性。5.如权利要求1所述的基于分布式SNS多模干涉型光纤传感器与自动编码器深度学习算法相结合的柔性薄板结构冲击载荷识别方法，其特征在于：所述步骤四中，对SNS光纤传感器样本库数据预处理包括：原始传感器信号FFT变换，以及基于特征标准化的频谱数据归一化处理；(1)原始SNS光纤传感器冲击响应信号FFT变换；由冲击引起的动态应力应变响应信号在二维弹性材料上的传播除了有衰减现象，还有弥散现象和模态转换现象；由于这些因素的存在，导致在冲击点附近的所测得信号的频谱与原理冲击点处所测量的信号频谱不相似；由于信号频谱与信号时域波形是一一对应的；从频域变换到时...

【专利技术属性】
技术研发人员：曾捷，袁慧影，潘晓文，黄居坤，陈铭杰，司亚文，何弯弯，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32