一种基于深度学习与声发射技术的拉索损伤识别方法技术

本发明专利技术公开了一种基于深度学习与声发射技术的拉索损伤识别方法，首先，利用声发射设备测量正常状态与损伤状态拉索的声发射信号各N组，形成数据集，将数据集中的信号序列打上标签，将N组信号归一化，并划分为训练集和测试集；建立长短期记忆全卷积神经网络，对声发射信号进行训练，保存训练好的模型和参数；利用声发射设备在现场获取拉索的声发射信号，将信号输入上述训练好的模型中，自动判别拉索是否存在损伤。本发明专利技术直接处理声发射的原始信号，效率高，成本低，相对于传统的人工检测法以及磁通量法更具有明显的自动化优势。

【技术实现步骤摘要】
一种基于深度学习与声发射技术的拉索损伤识别方法
本专利技术属于土木工程与人工智能交互
，具体涉及一种基于深度学习与声发射技术的拉索损伤识别方法。
技术介绍
斜拉索是斜拉桥的主要承力构件，斜拉桥桥跨结构的载荷绝大部分通过斜拉索传递到塔柱上。任一根斜拉索丧失承载力，都会导致斜拉桥的整体失稳和破坏，因此，斜拉索的安全性必须予以高度的重视。斜拉索在各种环境因素如外套开裂、电化学腐蚀、动荷载疲劳的作用下，导致内部的钢索发生锈蚀，甚至断丝等损伤，会严重影响到斜拉索的承载力和使用寿命。然而，拉索外面都套了一层保护套，内部缺损无法直接检查到，只能对拉索进行抽样检测，这样做的效率较低，无法保证所有问题拉索都能检测出来。目前的检测方法还是以人工目测法和桥检车法，这种方法是有损的，耗时、费力、造价较大，自动化程度低，因此迫切需要一种无损的间接的自动化拉索损伤检测方法。材料或构件在受力过程中产生变形或裂纹时，以弹性波形式释放出应变能的现象，称为声发射。利用声发射设备接收声发射信号，可对材料或构件内部进行动态无损检测。由于声发射信号是以时间序列的形式呈现，因此无法直接识别，长期、短期记忆全卷积神经网络(LSTM-FCN)利用长短期记忆神经网络(LSTM)提取信号时间维度的特征，并将提取的特征输入是全卷积神经网络(FCN)进行分类处理，在时间序列信号进行分类表现出了最先进的性能。将声发射技术与LSTM-FCN结合起来，可实现对拉索损伤的自动化无损在线检测监测，克服了传统方法有损、无法全面检测的缺点。
技术实现思路
r>专利技术目的：本专利技术提供一种效率高、成本低、自动化程度高且能实时识别的基于深度学习与声发射技术的拉索损伤识别方法，。技术方案：本专利技术所述的一种基于深度学习与声发射技术的拉索损伤识别方法，包括以下步骤：(1)利用声发射设备测量正常状态与损伤状态拉索的声发射信号各N组，形成数据集，将数据集中的信号序列打上标签，并将每个信号序列的采样点数设置为M，其中M为2的次幂；(2)将该数据集的每个信号序列进行归一化处理；(3)建立LSTM-FCN模型，对步骤(2)中的数据集进行训练，并保存训练好的LSTM-FCN模型与参数；(4)利用声发射采集设备采集正在服役的斜拉索的声发射信号，将信号发送给服务器端处理；(5)利用步骤(3)中得到的具有自动识别斜拉索工作状态的卷积神经网络模型，去自动识别步骤(4)中得到的信号中是否为损伤信号。步骤(1)所述的标签为损伤标签和正常标签。步骤(2)所述的归一化方法为零均值标准化法，通过以下公式实现：其中，xi指的是信号的第i个采样点，值得是信号的平均值，D指的是信号的方差，n为采样点的个数。步骤(3)所述的LSTM网络采用GRU单元，FCN网络与LSTM网络中的连接采用残差连接。所述GRU单元的计算流程如下：ft＝σ(Wf·[ht-1,xt]+bf)it＝σ(Wi·[ht-1,xt]+bi)ot＝σ(Wo[ht-1,xt]+bo)ht＝ot*tanh(Ct)其中，ft表示遗忘门限，it表示输入门限，表示前一时刻神经元的状态，Ct表示现在时刻神经元的状态，Ct-1表示计算ht-1过程中的中间值，ot表示输出门限，ht表示当前时刻单元的输出，ht-1表示前一时刻单元的输出，xt表示当前时刻的输入，Wf为向前传播的权重矩阵，Wi为反向传播的权重矩阵，bf为向前传播的偏置矩阵，bi为反向传播的偏置矩阵，Wf、Wi、bf、bi一般以正态分布为初始化值，Wo为当前输出的权重矩阵，bo为当前输出的偏置矩阵，σ表示激活函数，Wc为当前神经元的的权重矩阵，bc为当前神经元的偏置矩阵。有益效果：与现有技术相比，本专利技术的有益效果：效率高，成本低，自动化程度高，实时识别，相较于传统的斜拉索PE外套病害的人工检测方法具有明显的优势。附图说明图1为本专利技术的流程图；图2为声发射设备采集的损伤信号图；图3为声发射设备采集的正常信号图；图4为本专利技术中使用的LSTM-FCN网络结构示意图。具体实施方式下面结合附图对本专利技术做进一步详细说明。如图1所示，一种基于深度学习与声发射技术的拉索损伤识别方法，具体包括以下步骤：1、利用声发射设备(AE)测量1根正常状态与一根损伤状态拉索的声发射信号各100组，形成数据集；其中拉索长度为167.85m，单位长度质量为28kg，直径为87mm，施加荷载为1971kN；将数据集中的信号序列打上损伤标签、正常标签，并将每个信号序列的采样点数设置为4096，如图2、图3所示，分别为声发射设备采集的损伤信号和正常信号。2、将该数据集的每个信号序列进行归一化处理，以节省计算内存。归一化方法为零均值标准化法(ZeroScoreStandardization)，计算公式如下，其中xi指的是信号的第i个采样点，值得是信号的平均值，D指的是信号的方差，n为采样点的个数；3、建立深度学习长短期记忆全卷积神经网络(LSTM-FCN)模型，模型的具体参数如图4所示，默认的卷积核大小均为3x3，对步骤2中的数据集进行训练，并保存训练好的LSTM-FCN模型与参数。其中，LSTM网络采用门控循环单元(GRU单元)，FCN网络与LSTM网络中的连接采用残差连接，GRU单元的计算流程如下。ft＝σ(Wf·[ht-1,xt]+bf)it＝σ(Wi·[ht-1,xt]+bi)ot＝σ(Wo[ht-1,xt]+bo)ht＝ot*tanh(Ct)其中，ft表示遗忘门限，it表示输入门限，表示前一时刻神经元的状态，Ct表示现在时刻神经元的状态，Ct-1表示计算ht-1过程中的中间值，ot表示输出门限，ht表示当前时刻单元的输出，ht-1表示前一时刻单元的输出，xt表示当前时刻的输入，Wf为向前传播的权重矩阵，Wi为反向传播的权重矩阵，bf为向前传播的偏置矩阵，bi为反向传播的偏置矩阵，Wf、Wi、bf、bi一般以正态分布为初始化值，Wo为当前输出的权重矩阵，bo为当前输出的偏置矩阵，σ表示激活函数，Wc为当前神经元的的权重矩阵，bc为当前神经元的偏置矩阵。4、利用声发射采集设备，采集正在服役的52根斜拉索的声发射信号，其中使用的传感器型号为BeanAir传感器，将信号发送给服务器端处理。5、利用步骤3中得到的具有自动识别斜拉索工作状态(正常/损伤)的卷积神经网络模型，去自动识别步骤4中得到的信号中是否为损伤信号，其中识别出6根为有损伤的拉索。训练所需的实验室条件：GTX1060显卡，Windows系统，Python编程语言，Tensorflow深度学习框架。数据集：主要包含斜拉索正常和损伤状态下声发射信号各100组。上所述仅是本专利技术的优本文档来自技高网...

【技术保护点】
1.一种基于深度学习与声发射技术的拉索损伤识别方法，其特征在于，包括以下步骤：/n(1)利用声发射设备测量正常状态与损伤状态拉索的声发射信号各N组，形成数据集，将数据集中的信号序列打上标签，并将每个信号序列的采样点数设置为M，其中M为2的次幂；/n(2)将该数据集的每个信号序列进行归一化处理；/n(3)建立LSTM-FCN模型，对步骤(2)中的数据集进行训练，并保存训练好的LSTM-FCN模型与参数；/n(4)利用声发射采集设备采集正在服役的斜拉索的声发射信号，将信号发送给服务器端处理；/n(5)利用步骤(3)中得到的具有自动识别斜拉索工作状态的卷积神经网络模型，去自动识别步骤(4)中得到的信号中是否为损伤信号。/n

【技术特征摘要】
1.一种基于深度学习与声发射技术的拉索损伤识别方法，其特征在于，包括以下步骤：
(1)利用声发射设备测量正常状态与损伤状态拉索的声发射信号各N组，形成数据集，将数据集中的信号序列打上标签，并将每个信号序列的采样点数设置为M，其中M为2的次幂；
(2)将该数据集的每个信号序列进行归一化处理；
(3)建立LSTM-FCN模型，对步骤(2)中的数据集进行训练，并保存训练好的LSTM-FCN模型与参数；
(4)利用声发射采集设备采集正在服役的斜拉索的声发射信号，将信号发送给服务器端处理；
(5)利用步骤(3)中得到的具有自动识别斜拉索工作状态的卷积神经网络模型，去自动识别步骤(4)中得到的信号中是否为损伤信号。


2.根据权利要求1所述的一种基于深度学习与声发射技术的拉索损伤识别方法，其特征在于，步骤(1)所述的标签为损伤标签和正常标签。


3.根据权利要求1所述的一种基于深度学习与声发射技术的拉索损伤识别方法，其特征在于，步骤(2)所述的归一化方法为零均值标准化法，通过以下公式实现：









其中，xi指的是信号的第i个采样点，值得是信号的平均值，D指的是信号的方差...

【专利技术属性】
技术研发人员：吴刚，董斌，蒋剑彪，侯士通，
申请(专利权)人：东南大学，江苏东印智慧工程技术研究院有限公司，东衢智慧交通基础设施科技江苏有限公司，
类型：发明
国别省市：江苏;32