一种系留浮空器结构健康状态识别模型的构建方法及应用技术

本发明专利技术公开了一种系留浮空器结构健康状态识别模型的构建方法及应用，属于故障诊断技术领域；所提供的多尺度特征融合残差网络包括多个级联的多尺度特征融合模块；其中，多尺度特征融合模块基于不同卷积尺度的残差模块，对信号样本的浅层特征进行残差操作，得到不同尺度的深层特征，并对不同尺度的深层特征进行融合与压缩，得到信号样本的高维特征，从而实现了多尺度特征的自动提取、融合和压缩；而多个多尺度特征融合模块的串联连接使得多尺度特征融合残差网络能够从原始信号片段中提取出更深更广的特征，在不对时域信号段做人工特征提取或信号处理手段的条件下实现系留浮空器结构健康状态的准确识别。结构健康状态的准确识别。结构健康状态的准确识别。

【技术实现步骤摘要】
一种系留浮空器结构健康状态识别模型的构建方法及应用


[0001]本专利技术属于故障诊断
，更具体地，涉及一种系留浮空器结构健康状态识别模型的构建方法及应用。

技术介绍

[0002]系留浮空器主要应用于军事预警和通信中继等领域，其结构健康状态直接影响系留浮空器的工作寿命和设备安全。一旦系留浮空器的结构健康状态出现异常，将会导致系留浮空器出现破裂，影响系留浮空器的可靠性和安全性，甚至会导致系留浮空器坠毁，造成重大损失。国内相关技术仍处于空白领域，因此开展系留浮空器结构健康状态识别对于提高系留浮空器的维修效率，降低维修成本，延长其使用寿命，降低财产损失等都具有重大意义。
[0003]卷积神经网络(Convolutional Neural Networks，CNN)是深度学习的代表算法之一，广泛应用于图像的分类和检测领域。区别于普通深度神经网络，卷积神经网络模型共享滤波器的参数，网络训练更容易，计算时间更短，在学习敏感和鲁棒特征方面表现出很强的能力。然而，业内通常将使用由一维原始时域信号中提取而得的二维时频域特征作为训练样本集，信号处理过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种系留浮空器结构健康状态识别模型的构建方法，其特征在于，包括以下步骤：S1、搭建多尺度特征融合残差网络；S2、将采集到的训练集输入到所述多尺度特征融合残差网络中，通过最小化系留浮空器结构健康状态的预测类别与实际类别的差异，对所述多尺度特征融合残差网络进行训练，得到系留浮空器结构健康状态识别模型；其中，所述训练集包括信号样本与其对应的系留浮空器结构健康状态的实际类别；所述信号样本的获取方法，包括：分别激励不同健康状态下的系留浮空器产生振动，采集各个健康状态下系留浮空器产生的应变信号，并进行预处理，得到所述信号样本；所述多尺度特征融合残差网络包括：级联的卷积层、多尺度特征融合层、多尺度特征池化层和全连接层；所述卷积层用于对输入的信号样本进行一维卷积运算，提取信号样本的浅层特征；所述多尺度特征融合层包括多个级联的多尺度特征融合模块；所述多尺度特征融合模块用于基于不同卷积尺度的残差模块，对信号样本的浅层特征进行残差操作，得到不同尺度的深层特征，并对不同尺度的深层特征进行融合与压缩，得到信号样本的高维特征；所述多尺度特征池化层用于基于不同池化核尺寸的池化层，对信号样本的高维特征进行多尺度下的特征压缩；所述全连接层用于将多尺度特征池化层输出的特征映射为系留浮空器结构健康状态的预测类别。2.根据权利要求1所述的系留浮空器结构健康状态识别模型的构建方法，其特征在于，所述预处理方法包括：S01、对所述应变信号进行滑动平均做差处理：采用滑动平均法对所述应变信号进行处理，得到应变滑动平均值后，计算所述应变信号与所述应变滑动平均值之差；S02、对滑动平均做差处理后的应变信号进行归一化；S03、将归一化后的信号截取为多个信号段。3.根据权利要求1所述的系留浮空器结构健康状态识别模型的构建方法，其特征在于，所述信号样本的获取方法，包括：在系留浮空器表面等间距粘贴应变传感器；使用声音播放装置在不同健康状态下的系留浮空器附近播放声波信号，分别激励不同健康状态下的系留浮空器产生振动；采集各个健康状态下系留浮空器在声波激励下产生的应变信号，截去应变信号的头部和尾部中...

【专利技术属性】
技术研发人员：朱海平，石海彬，陈志鹏，张政，冯世元，范良志，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：