当前位置: 首页 > 专利查询>长安大学专利>正文

一种基于堆叠自编码器的分布式应变微小裂缝检测系统及方法技术方案

技术编号:23160614 阅读:34 留言:0更新日期:2020-01-21 21:45
本发明专利技术公开了一种基于堆叠自编码器的分布式应变裂缝检测系统及方法,利用深度神经网络良好的特征表征能力,将裂缝检测视为一个二分类问题,构建一个基于堆叠自编码器的深度神经网络,实现结构体应变子序列的裂缝与非裂缝分类。本发明专利技术方法在实验室钢梁上可以准确并且无遗漏地检测张口宽度为32μm的微小裂缝,为结构体表面分布式应变裂缝检测提供了一种具有良好噪声鲁棒性的解决方案。

A distributed strain micro crack detection system and method based on stack self encoder

【技术实现步骤摘要】
一种基于堆叠自编码器的分布式应变微小裂缝检测系统及方法
本专利技术属于模式识别领域,具体涉及一种基于堆叠自编码器的分布式应变微小裂缝检测系统及方法。
技术介绍
裂缝检测一直是结构健康监测领域中的重要课题。裂缝检测方法包含了人工观测的方法和无损检测方法。人工观测的方法需要专门的维护人员使用专业的工具进行定期检查,该方法效率低、主观性强。无损检测方法主要通过超声波、X射线、探地雷达以及摄像机等获得的数据对结构体裂缝进行检测。这些传感器都是点对点传感器,无法针对结构体的整体数据进行测量,容易遗漏裂缝。
技术实现思路
本专利技术的目的在于提供一种基于堆叠自编码器的分布式应变微小裂缝检测系统及方法,以克服上述现有技术存在的缺陷,本专利技术能够对结构体的整体应变数据进行有效的采集,结构体整体应变数据进行裂缝检测,显著改善了裂缝检测的正确率,提升裂缝检测的检测效果,为结构健康监测提供了一种高效的裂缝检测方案。为达到上述目的,本专利技术采用如下技术方案:一种基于堆叠自编码器的分布式应变微小裂缝检测系统,包括:应变序列采集模块,用于对结构体表面的分布式应变进行采集;应变序列预处理模块:用于将采集所得的应变序列进行z-score标准化并截取为应变子序列;基于堆叠自编码器的特征自学习与表征模块:用于提取所划分的应变子序列的特征;Softmax分类识别模块,用于对提取到的子序列特征进行二分类,判别每一个子序列属于裂缝子序列和非裂缝子序列的概率;进一步地,应变序列采集模块:将光纤传感器敷设于结构体表面,使用基于BOTDA的分布式光纤传感系统对结构体表面的分布式应变进行采集;应变序列预处理模块包括:进一步地,z-score标准化模块和滑窗截取模块,z-score标准化模块将应变序列标准化为0均值1标准差的数据。滑窗模块通过长度为21,步长为1的滑动窗口将标准化后的应变序列截取了一组长度都是21的应变子序列。基于堆叠自编码器的特征自学习与表征模块:由3个自动编码器模块构成,将3个自动编码器模块的编码部分用作特征表征。进一步地,基于堆叠自编码器的特征自学习与表征模块:由3个自动编码器模块构成,用于提取所划分的应变子序列的特征,自动编码器模块对于输入数据x,特征h与输出之间的关系可以表示为fθ(·)和gθ'(·)两个函数,具体如下所示:h=fθ(x)=sf(Wx+bh)其中,W和bh分别为输入数据x和特征h之间的连接矩阵和偏置向量,WT和bv分别为特征h和输出之间的连接矩阵和偏置向量,WT为W的转置矩阵。sf和sg是激活函数。基于堆叠自编码器的特征自学习与表征模块的过程具体如下所示:hi=sf(Wixi+bh,i)其中,xi,hi,分别为第i(i=1,2,…,n)个自动编码器模块的输入数据x,特征h与输出Wi和WiT为其连接权重矩阵,bh,i和bv,i为其偏置向量,xi=hi-1,sf和sg为激活函数。一种基于堆叠自编码器的分布式应变裂缝检测方法,包括以下步骤:步骤1:应变序列采集;步骤2:使用z-score标准化将采集到的应变序列进行标准化,使用长度为21,步长为1的滑动窗口截取应变序列,得到应变子序列,将应变子序列按照截取位置进行标记;步骤3:使用基于堆叠自编码器的神经网络自动学习表征应变子序列的特征;步骤4:采用Softmax分类器实现对提取到的应变子序列的特征进行二分类,完成裂缝检测;进一步地,步骤1中应变序列采集具体过程为:将光纤传感器通过环氧树脂粘附于结构体表面,光纤的两端接于基于BOTDA的分布式光纤传感系统,基于BOTDA的分布式光纤传感系统通过两个光源——泵浦光和探测光测量光纤的布里渊频移,通过布里渊频移与应变的线性关系得到结构体表面的分布式应变。进一步地,步骤2中应变序列处理的具体过程为:步骤2.1:将采集到的应变序列减去其均值,除以其标准差,得到0均值1标准差的数据。步骤2.2:使用长度为21,步长为1的滑动窗口沿着采集到的应变序列进行滑动,将应变序列截取为一组长度为21的应变子序列。步骤2.3:将所得应变子序列按照截取位置标记标签,将以裂缝处为中心截取的应变子序列标记为裂缝子序列,并将其左侧3个和右侧4个应变子序列标记为裂缝子序列,其余标记为非裂缝子序列。进一步地,步骤3中使用基于堆叠自编码器的神经网络自动学习表征应变子序列特征的具体过程如下:步骤3.1:模型初始化,确定模型的层数与神经元个数。随机初始化模型中的连接权重矩阵和偏置向量。输入层的神经元个数等于21,为应变子序列的长度。步骤3.2:预训练堆叠自编码器,堆叠自编码器由3个自动编码器构成,用得到的应变子序列预训练每个自动编码器。预训练自动编码器的损失函数为输入与输出之间的均方误差,具体如下:其中,x为输入的应变子序列,为自动编码器输出的重构数据,M为所有输入的应变子序列的数量,Xm、分别是输入模型的第m条应变子序列和对应的输出重构的第m条子序列。进一步地,步骤4中采用Softmax分类器实现对应变子序列的分类,具体方法为:步骤4.1:构建Softmax分类器,对于给定的输入z,用假设函数hδ(z)针对每一个类别l估算出概率值p(y=l|z),l∈{0,1},假设函数hδ(z)输出一个t维的向量表示这t个估计的概率值,t=2,假设函数hδ(z)如下:其中,δ1,δ2是Softmax分类器的全部参数,z(i)为输入,y(i)为输出,Softmax分类器将z分为类别l的概率为:其中,z(i)为输入,y(i)为输出;步骤4.2:预训练Sofmax,将应变子序列输入预训练后的堆叠自编码器,得到输出的特征z(i),以z(i)及其标签类别y(i)预训练Softmax,损失函数为交叉熵函数,具体如下:其中,为Softmax分类器的全部参数,为输出的类别概率,λ1为Softmax中连接权重矩阵和偏置向量正则项的权重系数,M为输入应变子序列的总个数,K为类别数,为2。步骤4.3:微调,堆叠自编码器的编码部分后接Softmax分类器,可以使其具有分类功能。利用预训练得到的应变子序列微调堆叠自编码器的编码部分与Softmax分类器整体结构的连接权重矩阵和偏置向量。微调时的损失函数为交叉损失函数,具体如下:其中,ω为堆叠自编码器中的连接权重矩阵和偏置向量,Θ为ω和δ,λ2为堆叠自编码器中连接权重矩阵和偏置向量正则项的权重系数。步骤4.4:Softmax分类器接收堆叠自编码器输出的特征作为其输入,输出应变子序列的类别0或1,0表示非裂缝,1表示裂缝;对于堆叠自编码器输出的特征z(i),选择概率p(y(i)=l|z(i);δ)最大的类别l作为该特征对应的类别。将分布式应变子序列还原至截取的位置且将位置相邻的裂缝子序列合并为一个裂缝。与现有技术相比,本专利技术具有以下有益的技术效果:本专利技术实现本文档来自技高网...

【技术保护点】
1.一种基于堆叠自编码器的分布式应变微小裂缝检测系统,其特征在于,包括:/n应变序列采集模块:用于对结构体表面的分布式应变进行采集;/n应变序列预处理模块:用于将采集所得的分布式应变进行z-score标准化并截取为应变子序列;/n基于堆叠自编码器的特征自学习与表征模块:由3个自动编码器模块构成,用于提取所划分的应变子序列的特征,输入为应变子序列,输出为应变子序列的特征;/nSoftmax分类识别模块,用于对提取到的子序列特征进行二分类,判别每一个子序列属于裂缝子序列和非裂缝子序列的概率。/n

【技术特征摘要】
1.一种基于堆叠自编码器的分布式应变微小裂缝检测系统,其特征在于,包括:
应变序列采集模块:用于对结构体表面的分布式应变进行采集;
应变序列预处理模块:用于将采集所得的分布式应变进行z-score标准化并截取为应变子序列;
基于堆叠自编码器的特征自学习与表征模块:由3个自动编码器模块构成,用于提取所划分的应变子序列的特征,输入为应变子序列,输出为应变子序列的特征;
Softmax分类识别模块,用于对提取到的子序列特征进行二分类,判别每一个子序列属于裂缝子序列和非裂缝子序列的概率。


2.根据权利要求1所述的一种基于堆叠自编码器的分布式应变裂缝检测系统,其特征在于,应变序列采集模块具体为:将光纤传感器敷设于结构体表面,使用基于BOTDA的分布式光纤传感系统对结构体表面的分布式应变进行采集。


3.根据权利要求1所述的一种基于堆叠自编码器的分布式应变裂缝检测系统,其特征在于,应变序列预处理模块包括z-score标准化模块和滑窗模块;
z-score标准化模块将应变序列标准化为0均值1标准差的数据;
滑窗模块通过长度为21,步长为1的滑动窗口将标准化后的应变序列截取了一组长度都是21的应变子序列。


4.根据权利要求1所述的一种基于堆叠自编码器的分布式应变裂缝检测系统,其特征在于,基于堆叠自编码器的特征自学习与表征模块由3个自动编码器模块构成,用于提取所划分的应变子序列的特征,自动编码器模块将输入数据x,特征h与输出之间的关系表示为fθ(·)和gθ'(·)两个函数,具体如下所示:
h=fθ(x)=sf(Wx+bh)



其中,W和bh分别为输入数据x和特征h之间的连接矩阵和偏置向量,WT和bv分别为特征h和输出之间的连接矩阵和偏置向量,WT为W的转置矩阵,sf和sg为激活函数;
基于堆叠自编码器的特征自学习与表征模块的过程具体如下所示:
hi=sf(Wixi+bh,i)



其中,xi,hi,分别为第i个自动编码器模块的输入数据x、特征h与输出且i=1,2,…,n,Wi和WiT为其连接权重矩阵,bh,i和bv,i为其偏置向量,xi=hi-1,sf和sg为激活函数。


5.一种基于堆叠自编码器的分布式应变裂缝检测方法,其特征在于,包括以下步骤:
步骤1:对结构体表面的分布式应变进行采集;
步骤2:将采集所得的分布式应变进行z-score标准化并截取为应变子序列;
步骤3:使用基于堆叠自编码器的神经网络自动学习表征应变子序列的特征;
步骤4:采用Softmax分类器实现对提取到的应变子序列的特征进行二分类,完成裂缝检测。


6.根据权利要求5所述的一种基于堆叠自编码器的分布式应变裂缝检测方法,其特征在于,步骤1中应变序列采集具体过程为:将光纤传感器通过环氧树脂粘附于结构体表面,光纤的两端接于基于BOTDA的分布式光纤传感系统,基于BOTDA的分布式光纤传感系统通过两个光源泵浦光和探测光测量光纤的布里渊频移,通过布里渊频移与应变的线性关系得到结构体表面的分布式应变。

<...

【专利技术属性】
技术研发人员:宋青松武金睿陈禹
申请(专利权)人:长安大学
类型:发明
国别省市:陕西;61

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1