基于稀疏贝叶斯学习的超声导波多模态分离方法及其系统技术方案

本发明专利技术公开了一种基于稀疏贝叶斯学习的超声导波多模态分离方法及其系统，所述方法包括以下步骤：以信号s(t)作为激励施加到被测结构，获取被测结构的超声导波响应信号r(t)，所述超声导波响应信号一共包含P个超声导波模态，根据所获得的超声导波模态，按模态分别构建覆盖不同传播距离下的子传播字典Di，并将其组合得到多模态复合传播字典D＝[D1，D2，…，DP]；将超声导波响应信号r(t)在多模态复合传播字典D下进行稀疏表示，建立稀疏表示模型，利用稀疏贝叶斯学习算法求解以下模型：r＝Dw+n，并将其对应的子权重系数W1，W2，…WP按模态逐个分离；将所述多模态复合传播字典D按模态分解，得到各模态下的单模态传播字典D1，D2，…，DP，将各单模态传播字典与对应的子权重系数wi相乘以得到第i个模态的单模态信号成分。

Multi-modal separation method and system of ultrasonic guided waves based on sparse Bayesian learning

The invention discloses a sparse Bayesian learning based multi-mode separation method for ultrasonic guided waves and its system. The method comprises the following steps: applying the signal s(t) as an excitation to the structure under test to obtain the response signal r(t) of the structure under test. The response signal of the ultrasonic guided waves contains a total of P ultrasonic guided wave modes, and according to the obtained ultrasonic guided wave modes, according to the mode. The sub-propagation dictionary Di covering different propagation distances is constructed and combined to obtain the multi-mode compound propagation dictionary D=[D1, D2,... The sparse representation model of ultrasonic guided wave response signal r(t) is established under the multi-mode compound propagation dictionary D. The sparse Bayesian learning algorithm is used to solve the following model: r=Dw+n, and the corresponding sub-weight coefficients W 1, W 2,... WP is separated by modes one by one. The multi-mode compound propagation dictionary D is decomposed by modes, and the single-mode propagation dictionaries D1, D2, and D under each mode are obtained. DP, multiply each single-mode propagation dictionary with the corresponding sub-weight coefficient wi to get the single-mode signal component of the first mode.

【技术实现步骤摘要】
基于稀疏贝叶斯学习的超声导波多模态分离方法及其系统
本专利技术属于信号处理
，特别是一种基于稀疏贝叶斯学习的超声导波多模态分离方法及其系统。
技术介绍
超声导波相比常规超声波而言，能够传播更远的距离，且对结构的表面及内部损伤都敏感，现已成为结构健康监测和无损检测的重要工具。与声发射等被动式的监测技术不同的是，基于超声导波的结构健康监测技术是一种主动式的监测技术，不需依赖结构发出特征信息，而是通过主动激励并采集响应，从而评估结构的健康状态，是结构健康监测领域的重要及热点研究方向。多模态是超声导波的固有特性。在任意激励频带范围内，结构中均存在两种或以上的导波模态。而随着频率的增大，结构中的导波模态数目会逐渐增加。导波的多模态现象对结构健康监测而言，有利亦有弊。其利在于，不同模态对不同形式的损伤或缺陷敏感程度不同，多模态有助于覆盖对更多类型损伤的监测，提升对结构损伤信息的全面获取；其弊在于，模态数目的增加，不同模态成分信号相互混叠，提升了信号处理的难度。故导波模态分离方法对于基于导波的结构健康监测而言十分重要。随着研究的不断深入，对超声导波模态分离的准确度也提出了越来越高的要求。现有本文档来自技高网...

【技术保护点】
1.一种基于稀疏贝叶斯学习的超声导波多模态分离方法，所述方法包括以下步骤：第一步骤(S1)中，以信号s(t)作为激励施加到被测结构，获取被测结构的超声导波响应信号r(t)，所述超声导波响应信号一共包含P个超声导波模态，其中，符号t表示时间变量；第二步骤(S2)中，根据所获得的超声导波模态，按模态分别构建覆盖不同传播距离下的子传播字典Di，并将其组合得到多模态复合传播字典D＝[D1，D2，…，DP]；第三步骤(S3)中，将超声导波响应信号r(t)在多模态复合传播字典D下进行稀疏表示，建立稀疏表示模型：min ||w||0s.t.r＝Dw＝[D1，D2，…，DP][w1，w2，…WP]

【技术特征摘要】
1.一种基于稀疏贝叶斯学习的超声导波多模态分离方法，所述方法包括以下步骤：第一步骤(S1)中，以信号s(t)作为激励施加到被测结构，获取被测结构的超声导波响应信号r(t)，所述超声导波响应信号一共包含P个超声导波模态，其中，符号t表示时间变量；第二步骤(S2)中，根据所获得的超声导波模态，按模态分别构建覆盖不同传播距离下的子传播字典Di，并将其组合得到多模态复合传播字典D＝[D1，D2，…，DP]；第三步骤(S3)中，将超声导波响应信号r(t)在多模态复合传播字典D下进行稀疏表示，建立稀疏表示模型：min||w||0s.t.r＝Dw＝[D1，D2，…，DP][w1，w2，…WP]T，式中，r是由信号r(t)离散后组成的列向量r＝[r(t1)，r(t2)，…，r(tN)]T，N是信号点数，上标T表示向量或矩阵的转置操作，w＝[W1，W2，…WP]T，w是列向量r在多模态复合传播字典D下的权重向量，其中wi对应于子字典Di的权重系数，s.t.表示约束于；第四步骤(S4)中，利用稀疏贝叶斯学习算法求解以下模型：r＝Dw+n，式中，n是系统噪声，通过稀疏贝叶斯学习算法得到权重向量w，并将其对应的子权重系数W1，W2，…WP按模态逐个分离；第五步骤(S5)中，将所述多模态复合传播字典D按模态分解，得到各模态下的单模态传播字典D1，D2，…，DP，将各单模态传播字典D1，D2，…，DP与对应的子权重系数wi相乘以得到第i个模态的单模态信号成分，存储所得到的单模态信号成分。2.根据权利要求1所述的方法，其中，优选的，第二步骤(S2)中，所述的多模态复合传播字典D通过对实测法、有限元仿真法或解析法得到。3.根据权利要求2所述的方法，其中，所述的实测法为通过改变激励及接收传感器的位置，在原被测结构及同样环境中激发与原激励相同的信号，测量其响应并将其作为矩阵的列向量，按次序组成一个矩阵即得到复合传播字典。4.根据权利要求2所述的方法，其中，所述的有限元仿真法为通过建立被测结构的超声导波传播有限元模型，在施加于相同的原始激励信号后，仿真得到不同传播距离下的响应信号并将其作为矩阵的列向量，按次序组成一个矩阵即得到复合传播字典。5.根据权利要求1所述的方法，其中，所述的解析法为通过以下导波传播模型得到不同传播距离x1，x2，…，xM下的响应信号，Dm＝[gm(x1)，gm(x2)，…，gm(xM)]T式中，Dm表第m个模态传播字典，gm...

【专利技术属性】
技术研发人员：翟智，许才彬，陈雪峰，杨志勃，乔百杰，田绍华，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61