基于深度学习的结构体结构健康度监测设备与监测方法技术

本发明专利技术涉及一种基于深度学习的结构体结构健康度监测设备及采用该设备的监测方法。所述健康度监测设备工作于被动监控模式或主动监测模式，包括：振动发生单元；传感单元；监控度监测装置。解决了传统人主观判断结构健康状况不准确的弊病，提供了更为科学量化的准确信息。本发明专利技术方法使用微调后的VGGish网络模型对监测设备采集的振动信号进行分类识别，得出结构健康度。本发明专利技术将深度学习技术运用到结构健康监测，避免了研究表征结构损伤状态传统特征的繁琐任务，使用深度学习网络模型自动学习特征实现分类识别。征实现分类识别。征实现分类识别。

Structural health monitoring equipment and method based on deep learning

【技术实现步骤摘要】
基于深度学习的结构体结构健康度监测设备与监测方法


[0001]本专利技术涉及一种结构健康度监测设备及采用该设备的监测方法，尤其涉及一种基于深度学习的结构体结构健康度监测设备及采用该设备的监测方法。

技术介绍

[0002]现代社会离不开结构与机械工程，如航天飞机、桥梁、发电系统、旋转机械、海上石油平台、房屋建筑和防御系统等。很多既有工程正接近其设计寿命，随时可能引发安全问题或造成重大经济损失。为此预先判断损伤知晓结构状况成了一个亟需解决的难题。
[0003]结构健康监测(structural health monitoring)这一术语通常是指，在航空航天、土木和机械工程等基础设施中应用损伤诊断的过程。自90年代起，我国就针对一些桥梁结构安装了桥梁结构健康监测系统，但是由于设计以及监测手段问题，比如模型误差、环境噪声、以及移动荷载作用，导致效果并不理想。传统的基于单一特征的监测方法受环境噪声等不确定因素影响大，且对于不同的结构找到可表征损伤的合适特征十分困难。

技术实现思路

[0004]本专利技术要解决的技术问题是：基于单一特征提取的结构健康监测方法容易遭受环境噪声影响，导致结构健康度量化分析性能不稳定。同时难以找到表征结构体损伤的合适特征。为此，本专利技术提供一种基于深度学习的结构体结构健康度监测设备及采用该设备的监测方法，可用于结构体如天线罩、房屋、桥梁、块状材料等因老化、疲劳、隐性损伤和安装缺陷等导致的结构完整性健康度监测和检测。
[0005]为达到上述目的，本专利技术采用如下技术方案：
[0006]一种基于深度学习的结构体结构健康度监测设备，工作于被动监控模式或主动监测模式，包括：
[0007]振动发生单元，用于在主动监测模式下对结构体施加脉冲振动；
[0008]传感单元，用于检测结构体在振动发生单元施加的脉冲振动或外部自然环境的作用下所产生的振动，形成振动信号；
[0009]健康度监测装置，用于在主动监测模式下控制振动发生单元对结构体施加脉冲振动；接收传感单元形成的振动信号后，采用深度学习模型分析结构健康度，根据不同的结构健康度产生相应的人机交互信息。
[0010]优选地，所述传感单元根据实际结构体选择振动传感器或者传感光纤，按照实际场景和传感器布设准则安装在合适位置。
[0011]优选地，所述振动发生单元对所述结构体施加固定频率和幅度的所述脉冲振动。
[0012]优选地，所述健康度监测装置与用户终端建立数据通信。
[0013]优选地，所述健康度监测装置包括：
[0014]光电处理单元，如若传感部分采用传感光纤则需要将产生的光信号解调转换为电信号；
[0015]A/D转换电路，光电处理单元产生的电信号经过放大驱动后，由A/D转换电路转换为数字信号；
[0016]嵌入式主机，用于在主动监测模式下控制所述振动发生单元；对A/D转换电路输出的数字信号进行计算获得所述结构健康度，并根据结构健康度产生所述人机交互信息。
[0017]优选地，所述健康度监测装置还包括报警设备，根据所述人机交互信息，报警设备在所述嵌入式主机的控制下产生告警。
[0018]一种基于深度学习的结构体结构健康度监测方法，采用上述的结构健康度监测设备，无论所述结构健康度监测设备工作于被动监控模式还是主动观测模式，所述健康度监测方法均包括以下步骤(其中A1
‑
A6属于模型训练测试阶段，A7为分类识别实施阶段)：
[0019]步骤A1、使用监测设备采集到振动信号后将其保存为wav格式音频信号文件；
[0020]步骤A2、依次加深结构体损伤程度，重复A1步骤采集不同损伤程度状态下的振动音频信号并保存；
[0021]步骤A3、将采集到的振动音频信号进行预处理获取有效样本；
[0022]步骤A4、将步骤A3得到的样本贴上对应标签0到6(按结构体损伤程度划分：0表示无损初始状态，从1到6依次损伤程度加深)；制作成数据集，按照7:2:1划分训练集、验证集、测试集；
[0023]步骤A5、将训练集，验证集投入微调后的VGGish模型训练，保存训练集损失收敛、验证集损失过拟合时的模型；
[0024]步骤A6、运用测试集测试模型，当准确率达到需求投入应用实施步骤A7；
[0025]步骤A7、将模型投入应用，通过步骤A1采集到实际振动音频信号，将其按照步骤A3获取有效样本，通过模型分析样本类别，最终以出现频数最高的类别数作为分析结果，结果为标签0，健康度分值为100，从1到6依次递减10分，标签6为最低40分；
[0026]根据步骤A7得到分析的类别从而给出结构健康度，由健康度监测设备根据不同的结构健康度产生相应的人机交互信息。
[0027]优选地，所述步骤A3中，采样率为原始采样率20480Hz，采样精度为16bit，获取截取有效样本设置噪声幅度门限2000，信号幅度峰值门限20000(具体数值根据实际应用场景改动)，截取结果为1s的音频信号样本并保存为wav格式文件。
[0028]与现有技术相比，本专利技术的有益效果是：
[0029](1)本专利技术能够给用户和维修人员提供精准的结构健康度量化信息，改变了目前维护维修质量一般凭借主观经验评判的工作方式。
[0030](2)本专利技术采用传感技术感应结构体的振动和形变，相对其它方式，具有对整套结构应力信息收集全面，灵敏度高等优势，能够为结构体健康度的科学研究，提供科学的、量化的数据。
[0031](3)本专利技术使用深度学习的方法将振动音频信号分类任务完全交给微调后的深度网络模型VGGish处理，相对基于单一特征参数提取的方法，性能更加稳定，分类识别准确度高，且避免了研究有效表征结构损伤特征的难题。
[0032]相较公开号为“CN109855827A”的专利技术“一种框架型天线罩结构健康度监测设备与监测方法”中提供的基于特征参数提取的天线罩结构健康度监测方法，本专利技术方法直接使用网络模型提取深度特征，特征提取更为方便稳定，且能够有效表征结构健康度，平均识别
准确度高达95.59％，有效解决了原方法特征提取中特征参数提取不稳定的问题。
附图说明
[0033]图1是本专利技术监测设备的布置示意图，其中，1、待检测结构体，2、健康度监测装置，3、传感单元，4、振动发生单元。
[0034]图2是本专利技术监测设备所属健康度监测装置2的组成示意图，其中，6、光电处理单元，7、供电单元，8、声光报警器，9、嵌入式主机；
[0035]图3是本专利技术监测方法及其设备训练测试阶段的作用过程示意图，其中，振动信号作为外部激励源，作用于结构体1，通过振动检测还原出结构体受力和变形状况数据，将数据采集并处理后，自制数据集，训练模型，测试模型，保存模型。
[0036]图4是本专利技术监测方法及其设备实施阶段的作用过程示意图，同图3类似，只是在预处理数据后不需要自制数据集，而是直接加载模型，由模型分析出样本的结果，然后取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的结构体结构健康度监测设备，工作于被动监控模式或主动监测模式，其特征在于，包括：振动发生单元，用于在主动监测模式下对结构体施加脉冲振动；传感单元，用于检测结构体在振动发生单元施加的脉冲振动或外部自然环境的作用下所产生的振动，形成振动信号；健康度监测装置，用于在主动监测模式下控制振动发生单元对结构体施加脉冲振动；接收传感单元形成的振动信号后，采用深度学习模型分析结构健康度，根据不同的结构健康度产生相应的人机交互信息。2.根据权利要求1所述的基于深度学习的结构体结构健康度监测设备，其特征在于，所述传感单元根据实际结构体选择振动传感器或者传感光纤，按照实际场景和传感器布设准则安装在合适位置。3.根据权利要求1所述的基于深度学习的结构体结构健康度监测设备，其特征在于，所述振动发生单元对所述结构体施加固定频率和幅度的所述脉冲振动。4.根据权利要求1所述的基于深度学习的结构体结构健康度监测设备，其特征在于，所述健康度监测装置与用户终端建立数据通信。5.根据权利要求1所述的基于深度学习的结构体结构健康度监测设备，其特征在于，所述健康度监测装置包括：光电处理单元，如若传感部分采用传感光纤则需要将产生的光信号解调转换为电信号；A/D转换电路，光电处理单元产生的电信号经过放大驱动后，由A/D转换电路转换为数字信号；嵌入式主机，用于在主动监测模式下控制所述振动发生单元；对A/D转换电路输出的数字信号进行计算获得所述结构健康度，并根据结构健康度产生所述人机交互信息。6.根据权利要求5所述的基于深度学习的结构体结构健康度监测设备，其特征在于，所述健康度监测装置还包括报警设备，根据所述人机交互信息，报警设备在所述嵌入式主机的控制下产生告警。7.一...

【专利技术属性】
技术研发人员：龙晨，彭章友，邹艳，吕渊，高军，
申请(专利权)人：上海大学，
类型：发明
国别省市：