基于迁移学习的螺栓群松动定位和定量分析方法及系统技术方案

本发明专利技术公开一种基于迁移学习的螺栓群松动定位和定量分析方法及系统，所述方法包括：搭建实际监测对象的机电耦合有限元模型，选取合适的子结构；分别采集子结构及实际监测对象不同工况下的多通道应力波信号，分别得到源域数据和目标域数据；分别提取源域数据和目标域数据的定位特征和定量特征；基于对抗判别域适应迁移学习模型分别构建定位预测模型和定量分析模型，并通过源域数据和目标域数据的定位特征和定量特征进行定位预测模型和定量分析模型训练；通过训练好的定位预测模型和定量分析模型对实际监测对象进行螺栓群松动定位和螺栓松紧程度定量分析。本发明专利技术通过子结构与实际监测结构的跨域迁移学习，实现了实际监测结构的损伤定位和定量分析。构的损伤定位和定量分析。构的损伤定位和定量分析。

【技术实现步骤摘要】
基于迁移学习的螺栓群松动定位和定量分析方法及系统


[0001]本专利技术属于钢结构健康监测领域，尤其涉及一种基于子结构及对抗判别跨域适应迁移学习的螺栓群松动定位和定量方法及系统。

技术介绍

[0002]螺栓连接具有连接可靠、装卸便利等优点而被广泛运用于各种工程及工业结构中。基于人工巡检的方式耗时费力且难以实时监测螺栓连接部位的安全性。在现有的监测方法中，压电主动传感法具有成本低、监测范围大、响应快等优点而广泛应用于螺栓连接节点的监测。
[0003]目前，基于压电主动传感法结合深度学习方法主要是实现单一螺栓松紧程度的定量或简单螺栓群的定位，但很少有同时实现螺栓的松动定位和定量的相关研究。此外，实际监测结构通常难以获得足量带标签的数据，这对于深度学习模型的训练是非常不利的。因此，如何解决基于无标签数据实现实际监测对象螺栓连接节点松动监测正成为一个亟待解决的关键问题。

技术实现思路

[0004]有鉴于此，本专利技术提出了一种基于迁移学习的螺栓群松动定位和定量分析方法及系统，用于解决实际松紧程度监测时难以同时实现螺栓群松动位置定位和松动程度定量分析的问题。
[0005]本专利技术第一方面，公开一种基于迁移学习的螺栓群松动定位和定量分析方法，所述方法包括：S1、搭建实际监测对象的机电耦合有限元模型，模拟压电主动传感法监测螺栓的松紧程度，基于仿真的应力波云图从实际监测对象中选取应力波集中部位作为子结构；S2、通过压电传感法分别采集子结构及实际监测对象不同工况下的多通道应力波信号，分别得到源域数据和目标域数据；S3、分别提取源域数据的定位特征和定量特征、目标域数据的定位特征和定量特征；所述定位特征为无阈值多变量递归图，定量特征为多域能量指标向量；S4、基于对抗判别域适应迁移学习模型分别构建定位预测模型和定量分析模型，并通过源域数据和目标域数据的定位特征和定量特征进行定位预测模型和定量分析模型训练；S5、通过训练好的定位预测模型和定量分析模型对实际监测对象进行螺栓群松动定位和螺栓松紧程度定量分析。
[0006]在以上技术方案的基础上，优选的，所述步骤S2具体包括：在所选取的子结构和实际监测对象的相同位置布设相应的压电传感器，基于压电主动传感法分别获取相应螺栓松动工况下的多通道应力波信号；将从子结构获取的多通道应力波信号作为源域数据，源域数据带标签；将从实际
监测对象获取的多通道应力波信号作为目标域数据，目标域数据无标签。
[0007]在以上技术方案的基础上，优选的，所述步骤S3具体包括：S31、分别对源域数据和目标域数据进行预处理；S32、根据无阈值多变量递归图算法分别对预处理后的源域数据和目标域数据进行相空间重构，得到源域数据和目标域数据的无阈值多变量递归图作为定位特征；S33、根据多域能量指标算法分别提取预处理后的源域数据和目标域数据的时域能量、平均周期图峰值及时频域能量指标，分别按监测通道排列形成源域数据和目标域数据的多域能量指标向量作为定量特征。
[0008]在以上技术方案的基础上，优选的，所述步骤S33具体包括：S331、对于每个压电监测通道获得的应力波信号X，提取其时域信号能量指标；S332、提取应力波信号X的平均周期图峰值，具体的计算流程如下：将应力波信号X切分为K段子信号，使用窗函数点乘每个子信号，得到多个子序列；对每个子序列开展离散傅里叶变换；计算每个信号序列的功率谱估计平均值；求解出平均周期图峰值；S333、计算时频域能量指标，采用三层小波包分解每个通道的应力波信号将分解得到的小波包能量分量作为时频域指标，表示为；S334、最后将多个应力波信号按通道进行编号，并将对应的时域信号能量指标、平均周期图峰值、时频域能量指标排列组成一维的定量特征向量，表示为：其中，r=1,2,
…
,c表示压电监测通道编号，c为压电监测通道总数。
[0009]在以上技术方案的基础上，优选的，所述定位预测模型采用以二维卷积神经网络为基础的二维对抗判别域适应迁移学习模型；所述定量分析模型采用以一维卷积神经网络模型为基础的一维对抗判别域适应迁移学习模型。
[0010]在以上技术方案的基础上，优选的，所述通过源域数据和目标域数据的定位特征和定量特征进行定位预测模型和定量分析模型训练具体包括：分别获取不同工况下带标签的源域数据的定位特征和无标签的目标域数据的定位特征，组成定位特征数据集；分别获取不同工况下带标签的源域数据的定量特征和无标签的目标域数据的定量特征，组成定量特征数据集；通过定位特征数据集对定位预测模型进行无监督训练，得到训练好的定位预测模型；通过定量特征数据集对定量分析模型进行无监督训练，得到训练好的定量分析模型。
[0011]在以上技术方案的基础上，优选的，所述步骤S5具体包括：获取实时采集的目标域数据并分别提取定位特征和定量特征，将定位特征输入训
练好的定位预测模型实现螺栓的松动定位；将定量特征输入训练好的定量分析模型实现螺栓松紧程度的预测，完成实际监测对象的螺栓连接节点松动定位和定量监测。
[0012]本专利技术第二方面，公开一种基于迁移学习的螺栓群松动定位和定量分析系统，所述系统包括：子结构选取模块：用于搭建实际监测对象的机电耦合有限元模型，模拟压电主动传感法监测螺栓的松紧程度，基于仿真的应力波云图从实际监测对象中选取应力波集中部位作为子结构；压电监测与数据采集模块：用于通过压电传感法分别采集子结构及实际监测对象不同工况下的多通道应力波信号，分别得到源域数据和目标域数据；数据处理模块：用于分别提取源域数据的定位特征和定量特征、目标域数据的定位特征和定量特征；所述定位特征为无阈值多变量递归图，定量特征为多域能量指标向量；智能监测模块：用于基于对抗判别域适应迁移学习模型分别构建定位预测模型和定量分析模型，并通过源域数据和目标域数据的定位特征和定量特征进行定位预测模型和定量分析模型训练；通过训练好的定位预测模型和定量分析模型对实际监测对象进行螺栓群松动定位和螺栓松紧程度定量分析。
[0013]本专利技术第三方面，公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如本专利技术第一方面所述的方法。
[0014]本专利技术第四方面，公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现如本专利技术第一方面所述的方法。
[0015]本专利技术相对于现有技术具有以下有益效果：1）本专利技术通过有限元软件建立实际监测对象的机电耦合模型，模拟压电主动传感法监测实际监测对象门式框架螺栓连接节点的松动情况的过程。基于应力波云图的分布情况，确定出合适的实际监测对象门式框架子结构，为合理的子结构选取提供理论依据。合理的子结构为后续获得海量带标签数据对对抗判别域适应迁移学习模型训练、优化、识别提供数据基础。
[0016]2）本专利技术通过子结构获取大量的带标签的源域数据、通过实际监本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习的螺栓群松动定位和定量分析方法，其特征在于，所述方法包括：S1、搭建实际监测对象的机电耦合有限元模型，模拟压电主动传感法监测螺栓的松紧程度，基于仿真的应力波云图从实际监测对象中选取应力波集中部位作为子结构；S2、通过压电传感法分别采集子结构及实际监测对象不同工况下的多通道应力波信号，分别得到源域数据和目标域数据；S3、分别提取源域数据的定位特征和定量特征、目标域数据的定位特征和定量特征；所述定位特征为无阈值多变量递归图，定量特征为多域能量指标向量；S4、基于对抗判别域适应迁移学习模型分别构建定位预测模型和定量分析模型，并通过源域数据和目标域数据的定位特征和定量特征进行定位预测模型和定量分析模型训练；S5、通过训练好的定位预测模型和定量分析模型对实际监测对象进行螺栓群松动定位和螺栓松紧程度定量分析。2.根据权利要求1所述的基于迁移学习的螺栓群松动定位和定量分析方法，其特征在于，所述步骤S2具体包括：在所选取的子结构和实际监测对象的相同位置布设相应的压电传感器，基于压电主动传感法分别获取相应螺栓松动工况下的多通道应力波信号；将从子结构获取的多通道应力波信号作为源域数据，源域数据带标签；将从实际监测对象获取的多通道应力波信号作为目标域数据，目标域数据无标签。3.根据权利要求2所述的基于迁移学习的螺栓群松动定位和定量分析方法，其特征在于，所述步骤S3具体包括：S31、分别对源域数据和目标域数据进行预处理；S32、根据无阈值多变量递归图算法分别对预处理后的源域数据和目标域数据进行相空间重构，得到源域数据和目标域数据的无阈值多变量递归图作为定位特征；S33、根据多域能量指标算法分别提取预处理后的源域数据和目标域数据的时域能量、平均周期图峰值及时频域能量指标，分别按监测通道排列形成源域数据和目标域数据的多域能量指标向量作为定量特征。4.根据权利要求3所述的基于迁移学习的螺栓群松动定位和定量分析方法，其特征在于，所述步骤S33具体包括：S331、对于每个压电监测通道r获得的应力波信号X，提取其时域信号能量指标；S332、提取应力波信号X的平均周期图峰值，具体的计算流程如下：将应力波信号X切分为K段子信号，使用窗函数点乘每个子信号，得到多个子序列；对每个子序列开展离散傅里叶变换；计算每个信号序列的功率谱估计平均值；求解出平均周期图峰值；S333、计算时频域能量指标，采用三层小波包分解每个通道的应力波信号，将分解得到的小波包能量分量作为时频域指标，表示为；S334、最后将多个应力波信号按通道进行编号，并将对应的时域信号能量指标、平均周期图峰值、时频域能量指标排列组成一维的定量特征向量，表示为：
其中，r=1,2,
…
,c表示压...

【专利技术属性】
技术研发人员：江健，陈乙轩，吴文彬，
申请(专利权)人：武汉地震工程研究院有限公司，
类型：发明
国别省市：