一种浮空器囊体表面损伤识别方法技术

本发明专利技术公开了一种浮空器囊体表面损伤识别方法，属于囊体表面损伤识别技术领域。本发明专利技术针对浮空器囊体表面损伤识别问题，基于CWT和CNN建立了一种浮空器囊体表面损伤识别方法，能够对浮空器囊体表面的损伤进行精确识别，实现囊体状态的长期监测，保障浮空器的安全运行；所采用的CWT

【技术实现步骤摘要】
一种浮空器囊体表面损伤识别方法


[0001]本专利技术涉及囊体表面损伤识别
，具体涉及一种浮空器囊体表面损伤识别方法。

技术介绍

[0002]浮空器是人类历史上最早应用和发展的飞行器之一，它依靠充入气囊内部轻于空气的气体产生浮力，克服自身重量而实现在空中飘浮，进而在高空中执行任务，发挥功能。浮空器相比于其他飞行器有着独特的优势，如载荷能力强、运行噪声小、能工作耗小、续航时间长、能垂直升降、安全性能高等，因此越来越受到人们的关注和重视，在越来越多的领域中得到了广泛应用。囊体是浮空器的主要结构部件，它是一个封闭的充气膜结构。
[0003]囊体材料通常由多层软性复合材料构成，包括耐污防护层、抗紫外光层、组氦层、承力层、密封层。其中承力层是囊体结构安全中最重要的部分，影响着囊体的承压性能和负载性能，通常采用聚乙烯加酯复合材料。浮空器囊体在空中的工作环境十分恶劣，如昼夜温差大，紫外线辐射强，变化风载等，加上浮空器工作驻空时间长，长期服役后必然存在结构损伤和强度退化的趋势，也可能存在裂纹、跳丝、撕裂、蠕变等安全隐患，亟需一种可靠、稳定、准确地识别囊体表面损伤的方法，为此，提出一种浮空器囊体表面损伤识别方法。

技术实现思路

[0004]本专利技术所要解决的技术问题在于：如何实现对浮空器囊体表面损伤可靠、稳定、准确地识别，提供了一种浮空器囊体表面损伤识别方法。
[0005]本专利技术是通过以下技术方案解决上述技术问题的，本专利技术包括以下步骤：
[0006]S1：给实验囊体表面施加音波激励，获取囊体表面的应力应变信号；
[0007]S2：将应力应变信号导出为mat格式，对信号进行滑动平均处理，选取窗和小波基，对信号进行连续小波变换，获得时频图；
[0008]S3：利用步骤S2获得的时频图，对卷积神经网络进行训练，获得训练好的CWT
‑
CNN模型；
[0009]S4：采集实际工作环境浮空器囊体表面的应力应变信号，按照步骤S2进行处理和绘制时频图，输入到步骤S3中的CWT
‑
CNN模型中，获得实际工况中浮空器囊体表面损伤识别结果。
[0010]更进一步地，在所述步骤S1中，使用绳子将囊体悬挂在空中保持自由态，将囊体充气至5kPa，在设定位置粘贴应变片，采用持续100s的恒定200Hz的声波信号当作激励信号，采集应力应变信号。
[0011]更进一步地，在所述步骤S2中，将应力应变信号导出为mat格式时截去起始和结束位置的无用数据。
[0012]更进一步地，在所述步骤S2中，将信号导出后进行滑动平均处理，选取窗和小波基，对信号进行连续小波变换CWT处理，连续小波变换的定义如下式所示：
[0013][0014]其中，参数s,τ称为尺度因子和平移因子。
[0015]更进一步地，在所述步骤S3中，所述CWT
‑
CNN模型包括依次连接的1个输入层、3个卷积层、2个全连接层、1个输出层，各卷积层的卷积核分别为5、3、3，卷积步长均为1，其中卷积层卷积后经过池化、批量标准化、随机失活和激活处理；全连接层输出后经过批量标准化、随机失活和激活处理；输出层的输出维度为故障种类。
[0016]更进一步地，所述CWT
‑
CNN模型中卷积层的计算公式为：
[0017][0018]其中，为第l层的第i个卷积核的第j
′
个权值，为第l层中第j个被卷积的局部区域，W为卷积核的宽度。
[0019]更进一步地，所述CWT
‑
CNN模型中激活处理时使用ReLU作为激活函数，其表达式为：
[0020]a
l(i,j)
＝max{0,y
l(i,j)
}
[0021]其中，y
l(i,j)
为卷积层的输出，a
l(i,j)
为卷积层输出y
l(i,j)
的激活值。
[0022]更进一步地，所述CWT
‑
CNN模型中池化处理使用最大值池化，其表达式为：
[0023][0024]其中，a
l(i,t)
为第l层中第i帧第t个神经元的激活值，w为池化区域的宽度，p
l(i,j)
为池化后的值。
[0025]更进一步地，所述CWT
‑
CNN模型使用批量标准化和随机失活处理防止过拟合。
[0026]本专利技术相比现有技术具有以下优点：
[0027]1、本专利技术针对浮空器囊体表面损伤识别问题，基于CWT和CNN建立了一种浮空器囊体表面损伤识别方法，能够对浮空器囊体表面的损伤进行精确识别，实现囊体状态的长期监测，保障浮空器的安全运行。
[0028]2、本专利技术所采用的CWT
‑
CNN模型可以同时实现多种损伤状态的分类，克服了传统机器学习分类精度不高的问题。
[0029]3、本专利技术所采用的CWT
‑
CNN模型，不同于传统的故障诊断方法，需要经历传统的特征提取过程，有效克服了传统故障诊断方法需要依靠大量的信号处理技术和丰富的工程实践经验来提取故障经验的不足。
[0030]4、本专利技术中采用的算法较为简单，易于编程，能够较好地解决损伤识别算法易用性与准确性的矛盾问题。
附图说明
[0031]图1是本专利技术实施例一中浮空器囊体表面损伤识别方法的流程图；
[0032]图2是本专利技术实施例一中卷积神经网络结构图；
[0033]图3是本专利技术实施例二中实验所用装置的结构示意图，其中椭圆形为实验囊体，实
验囊体表面的八个长方形为应变片；
[0034]图4a是本专利技术实施例二中无损伤状态下的时频图；
[0035]图4b是本专利技术实施例二中5mm横向切缝损伤状态下的时频图；
[0036]图4c是本专利技术实施例二中5mm
×
5mm十字切缝损伤状态下的时频图；
[0037]图4d是本专利技术实施例二中5mm
×
5mm磨损损伤状态下的时频图。
具体实施方式
[0038]下面对本专利技术的实施例作详细说明，本实施例在以本专利技术技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。
[0039]如图1、2所示，本实施例提供一种技术方案：一种浮空器囊体表面损伤识别方法，包括以下步骤：
[0040]步骤1：给实验囊体表面施加音波激励，获取囊体表面的应力应变信号；
[0041]步骤2：将应力应变信号导出为mat格式，导出时截去起始和结束位置的无用数据，对信号进行滑动平均处理，对信号进行连续小波变换(CWT)，获得时频图；
[0042]步骤3：利用步骤2获得的时频图，对卷积神经网络(CNN)进行训练，获得训练好的CNN模型(即CWT
‑
CNN模型)；
[0043]步骤4：针对实际工作环境本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种浮空器囊体表面损伤识别方法，其特征在于，包括以下步骤：S1：给实验囊体表面施加音波激励，获取囊体表面的应力应变信号；S2：将应力应变信号导出为mat格式，对信号进行滑动平均处理，选取窗和小波基，对信号进行连续小波变换，获得时频图；S3：利用步骤S2获得的时频图，对卷积神经网络进行训练，获得训练好的CWT
‑
CNN模型；S4：采集实际工作环境浮空器囊体表面的应力应变信号，按照步骤S2进行处理和绘制时频图，输入到步骤S3中的CWT
‑
CNN模型中，获得实际工况中浮空器囊体表面损伤识别结果。2.根据权利要求1所述的一种浮空器囊体表面损伤识别方法，其特征在于：在所述步骤S1中，使用绳子将囊体悬挂在空中保持自由态，将囊体充气至5kPa，在设定位置粘贴应变片，采用持续100s的恒定200Hz的声波信号当作激励信号，采集应力应变信号。3.根据权利要求1所述的一种浮空器囊体表面损伤识别方法，其特征在于：在所述步骤S2中，将应力应变信号导出为mat格式时截去起始和结束位置的无用数据。4.根据权利要求1所述的一种浮空器囊体表面损伤识别方法，其特征在于：在所述步骤S2中，将信号导出后进行滑动平均处理，选取窗和小波基，对信号进行连续小波变换CWT处理，连续小波变换的定义如下式所示：其中，参数s,τ称为尺度因子和平移因子。5.根据权利要求1所述的一种浮空器囊体表面损伤识别方法，其特征在于：在所述步骤S3中，所述CWT
‑
CNN模型包括依次连接的1个输入层、3个卷积层、2个全连接层、1个输出层，各卷积层...

【专利技术属性】
技术研发人员：侯守武，王志海，张平，张阳阳，李俊英，武飞飞，邱汉青，王平安，
申请(专利权)人：中国电子科技集团公司第三十八研究所，
类型：发明
国别省市：