基于超声导波和强泛化性胶囊网络模型的变温环境损伤定位方法、系统和存储介质技术方案

本申请公开了一种基于超声导波深度学习的变温环境下复合材料损伤定位方法，该方法包括以下步骤：生成复合材料试件的变温损伤超声导波数据；对所述变温损伤超声导波数据进行预处理得到二维时频图像；用所属二维时频图像作为输入训练RAC网络深度学习模型输出变温损伤类别，所述RAC网络深度学习模型包括具有RSA机制的卷积模块以及包括胶囊注意力机制的胶囊模块；以及通过所述经训练的RAC深度学习模型识别变温损伤。该方法的包括但不限于利用深度学习技术进行变温损伤识别，无需考虑过多信号物理参数，可自动学习并提取损伤特征。本申请还公开了对应的系统和存储介质。还公开了对应的系统和存储介质。还公开了对应的系统和存储介质。

【技术实现步骤摘要】
基于超声导波和强泛化性胶囊网络模型的变温环境损伤定位方法、系统和存储介质


[0001]本专利技术属于结构健康检测领域，涉及一种超声导波和强泛化性胶囊网络模型的变温环境损伤定位方法。

技术介绍

[0003]复合材料，尤其是碳纤维复合材料具有质轻、强度高、设计灵活等优越性能，在工程结构中的应用日益广泛。然而，在役碳复合材料，尤其是纤维复合材料工程结构由于复杂的荷载条件和使用环境因素，极易发生无形损伤，从而导致突发事故。开发实时损伤检测技术对于在役结构的安全和完整性至关重要。基于导波的结构健康监测(SHM)方法具有响应快、传播距离长、损伤灵敏度高等独特优势，已广泛应用于工程结构的快速损伤诊断。
[0004]针对导波信号，改进了大量的损伤检测算法，如相控阵算法、时间反转算法、损伤概率成像算法等。然而，由于导波传播特性复杂、传播环境敏感性和结构依赖性，随着结构和环境复杂性的增加，基于物理的导波检测算法难以实现实时损伤检测。为减少物理条件对检测的影响，基于数据驱动的导波SHM技术得到广泛的关注，如人工神经网络(ANN)、DNN、支持向量机(SVM)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于超声导波和强泛化性胶囊网络模型的变温环境损伤定位方法，其特征在于：包括步骤：将采集到的所述第二数量的探测路径上的一维变温损伤超声导波数据按路径进行拼合形成一条路径的一维变温损伤超声导波数据，通过同步压缩
‑
短时傅里叶变换将所述拼合后的一维变温损伤超声导波数据转变为二维时频图；将所述二维时频图根据有无损伤划分为正常类别时频图与损伤类别时频图，其中，所述损伤类别时频图根据损伤源在所述子待测区域的位置被划分为与所述子待测区域的第一数量相同数量的损伤子类别时频图，并使用所述全部损伤子类别时频图以及所述正常类别时频图的图像数据建立损伤导波数据库；用引用残差空间注意力机制的卷积模块以及引入了胶囊注意力机制的胶囊模块构建残差注意力
‑
胶囊(RAC)网络深度学习模型；以所述损伤导波数据库中的变温损伤时频图训练集作为输入，以对应的损伤识别结果作为输出训练所述残差注意力
‑
胶囊网络深度学习模型；用训练完毕的所述残差注意力
‑
胶囊网络深度学习模型基于输入的变温损伤时频图的图像数据输出损伤识别结果。2.根据权利要求1所述的基于超声导波深度学习的变温环境下复合材料损伤定位方法，其特征在于：所述使用包括损伤子类别以及正常类别的图像数据对应建立损伤导波数据库的步骤包括，对采集的所述一维导波信号执行所述双边滤波和/或双线性插值操作并一一对应建立变温损伤时频图数据库，并将所述变温损伤时频图数据库中的变温损伤时频图根据预设比例划分为所述变温损伤时频图训练集和所述变温损伤时频图测试集。3.根据权利要求2所述的基于超声导波深度学习的变温环境下复合材料损伤定位方法，其特征在于：训练残差注意力
‑
胶囊(RAC)网络深度学习模型包括：将所述变温损伤时频图训练集作为所述注意力
‑
胶囊网络深度学习模型的输入，进行损伤位置预测训练，包括首先利用卷积层，最大池化层和残差空间注意力(RSA)机制从所述变温损伤时频图(时频标度图)中提取特征获得目标大小的目标图像；其次将所述目标图像输入初始胶囊层进行重构，获得低层次胶囊向量特征；用胶囊注意力层从所述低层次胶囊向量特征中筛选信息、计算激活函数，以获得更有效的胶囊向量表示；通过基于协议的动态路由算法将所述更有效的胶囊向量表示送入数字胶囊层，得到高级向量特征；再通过L2范数对所述高级向量特征进行处理，输出分类结果；以及重复上述步骤，直到通过所述变温损伤时频图训练集得到满意的RAC深度学习模型。4.根据权利要求3所述得基于超声导波深度学习的变温环境下复合材料损伤定位方法，其特征在于：通过RSA深度学习模型识别变温损伤包括：用引入残差空间注意力的二维卷积模块对所述变温损伤时频图测试集进行处理；以及用引入了胶囊注意力机制的胶囊模块对所述卷积模块的结果进行处理识别得到变温损伤；其中，所述引入残差空间注意力的二维卷积模块包含均为三重的二维卷积层和残差空间注意力(RSA)机制层，还有两重的最大池化层；每个所述二维卷积层包括一个二维卷积操作，批量归一化和线性整流函数。
5.根据权利要求4所述得基于超声导波深度学习的变温环境下复合材料损伤定位方法，其特征在于：每个残差空间注意力(RSA)层提取导波信号的重要的空间特征；输入时频图尺寸为其被送入第一个二维卷积层，公式如下：F
c
＝Conv2D(I)＝ReLU(BN(Conv(I)))，其中，为第一二维卷积层的输出；其中F
c
会被送入第一最大池化层，其公式如下：F
m
＝MaxPool(F
c
)，其中是第一最大池化层的输出；将F
m
送入第一RSA机制层；第一RSA机制层首先对其输入沿通道轴做最大池化和平均池化得到并拼接输入特征图F
m
的通道信息；其中，空间注意力由下式计算：其中σ是sigmod激活函数；表示权重值；将第一RSA机制层结合第一二维卷积和第一最大池化层的最终输出写为：经过三重二维卷积层,两重最大池化层和三重RSA机制层，将基于二维卷积的RSA输出表示为：参数W
F
，W
F
和N
F
取决于卷积层的卷积核尺寸，F被作为增加胶囊注意力机制的胶囊模块的输入。6.根据权利要求5所述的基于超声导波深度学习的变温环境下复合材料损伤定位方法，其特征在于：所述引入了胶囊注意力机制的胶囊模块由初始胶囊层，胶囊注意力层和数字胶囊构成；所述胶囊注意力层首先将将三维的初始胶囊矩阵转变为二维矩阵，初始胶囊层的输出为其中C为初始胶囊的通道数，每个胶囊向量维度为W
pc
×
H
pc
×
N
pc
，压缩为其中WH
pc'
＝W
pc
H
pc
；然后，对进行全局平均池化操作得到再采用基于一维卷积的胶囊通道注意力提高损伤检测的效率和效益；其中，胶囊通道注意力由下式学习：其中，W是一个拥有C*C参数的矩...

【专利技术属性】
技术研发人员：武湛君，马济通，杨正岩，杨雷，杨红娟，张佳奇，高东岳，马书义，
申请(专利权)人：大连君晟科技有限责任公司，
类型：发明
国别省市：