【技术实现步骤摘要】
本专利技术属于无损检测与校准领域，更为具体地讲，尤其涉及一种基于深度学习的超声导波损伤检测与原位校准方法。
技术介绍
1、超声导波检测方法由于其对内外部损伤敏感、检测范围较广等优点，在航空航天、石油化工等领域的板壳结构无损检测与监测中得到了逐步应用。通过在目标结构表面布置传感器阵列，超声导波检测系统可以依次激励传感器并采集多路径导波信号数据，这些数据中包含了损伤相关信息。通过对信号数据进行损伤特征提取与分析，可实现损伤的识别与定位，从而量化结构现有状态，评估结构未来健康状态，保障装备安全运行。然而，超声导波的频散与多模态特性在丰富了信号信息的同时，也增加了信号处理的难度，对损伤的定位及成像结果造成了影响。近年来，深度学习方法因其强大的特征提取与表征能力，引起了无损检测与结构健康监测领域的广泛关注。将超声导波信号作为输入，通过训练深度学习模型来提取关键的损伤特征，进而预测损伤的位置和类型。
2、在实际应用中除了信号本身的特性，还需要考虑传感器的长期使用对检测精度的影响。传感器受到周围环境和自身硬件老化等因素的影响，其输出信号可能发生变化，从而影响损伤检测的准确性，进而无法保证监测目标的安全可靠运行。因此，对传感器进行定期校准具有重要意义。尽管常规实验室校准方法精度高且适用广泛，但其周期长和费用高等问题导致现场设备无法持续监测，从而造成经济损失。以此，需要研究一种能够在特定环境下实现原位校准的方法，以解决传感器定期校准问题。然而，当待测结构的损伤情况未知时，原位校准结果的可靠性也会受到影响。
3、因此，针对结
技术实现思路
1、本专利技术的目的在于，提供一种超声导波损伤检测与原位校准方法。在检测结构损伤的同时实现原位校准。
2、本专利技术的技术方案：一种超声导波损伤检测与原位校准方法，其包括以下步骤：
3、s1：将多个压电陶瓷传感器以平行阵列的形式固定于碳纤维增强复合材料板表面，利用铝块模拟复合材料分层损伤，在不同位置的损伤情况下，每个传感器依次发出激励波形，采集透射路径信号，形成包含不同区域损伤的超声导波数据集，将数据集分为训练集和测试集两部分；
4、s2：构建密集卷积稀疏编码网络模型并进行训练；在多层卷积稀疏编码网络模型框架下，引入密集连接，直接连接不同层的特征映射，采用窄带梳形信号作为第一卷积层的核，学习匹配导波波包波形的超声导波信号特征，引入通道注意力模块，进一步提升模型的表征能力；步骤s2包括以下步骤：
5、s2-1.在多层卷积稀疏编码网络模型框架中引入密集连接理论；构建多层卷积稀疏编码网络框架，通过向字典中增加单位矩阵以引入密集连接，采用赋予密集连接的迭代软阈值算法更新前向传播过程；
6、s2-2.设计考虑导波特性的卷积核；采用匹配实验激励频率的窄带梳形信号作为网络第一层的卷积核，匹配超声导波信号波形以提取信号特征；
7、s2-3.将通道注意力机制引入网络特征提取；通道注意力模块包括全局平均池化层与全连接层，通过全局平均池化操作处理输入特征映射，将全局空间信息压缩到一个通道表示中；
8、s2-4.将步骤s1中训练集输入到密集卷积稀疏编码网络模型中进行训练；
9、s3：将s1中测试集输入s2中构建的网络模型中，对测试集数据进行评估，获取损伤定位结果，并得到相应的准确率；
10、s4：根据s3中损伤定位结果，确定未涉及损伤区域的传感器，利用互相关分别计算多组导波信号的时延，进行多路径飞行时间一致性原位校准。
11、前述的一种超声导波损伤检测与原位校准方法中，所述步骤s2具体包括以下步骤：
12、s2-1.在多层卷积稀疏编码网络模型框架中引入密集连接理论；采用多层卷积稀疏编码网络框架，给定采集的超声导波信号，多层卷积稀疏编码模型可以表示为
13、
14、其中，模型的输入y为获得的超声导波信号，xl表示最深层的特征映射，di是第i层的字典，这种多层扩展使得模型能够在多个抽象级别上进行特征学习，神经网络的前向传播过程是对这些中间特征xi的估计；
15、在多层卷积稀疏编码网络的框架中引入密集连接，密集连接在当前层之前收集所有的特征映射，并与其一起计算下一层的特征映射，网络结构中的密集连接可表示为
16、xi+1＝h(fi+1({x0,x1,...,xi})+bi+1) (2)
17、其中，h(·)为非线性变换，fi+1表示卷积矩阵，xi为第i层的特征映射，{x0,x1,...,xi}表示各层特征映射的拼接，bi+1为偏置项；
18、密集连接是通过向字典中增加单位矩阵i来实现的，将字典设为di＝[i,(fi)t]，网络的前向传播过程可表示为
19、
20、其中，tλ为软阈值算子；由此连接来自不同层的特征映射，加强特征传播，在替换字典后，采用赋予密集连接的迭代软阈值算法更新可以表示为
21、
22、其中，c是一个可学习的常数，xk表示第k次迭代特征映射，xk+1表示第k+1次迭代特征映射；
23、s2-2.设计考虑导波特性的卷积核；采用匹配实验激励频率的窄带梳形信号作为网络第一层的卷积核，匹配超声导波信号波形，提取信号特征，第一层卷积核波形可以表示为
24、
25、其中，fc为中心频率，n为周期数；
26、s2-3.将通道注意力机制引入网络特征提取中；给定输入特征映射为其中c表示通道数量，w表示特征映射的长度，通过全局平均池化操作，将全局空间信息压缩到一个通道表示中，以利用通道间的依赖关系生成跨通道统计学信息通道c的表示zc可以计算为
27、
28、式中，xi,c表示第c个通道的特征映射，为全局平均池化操作；通道注意力模块仅保留一个全连接层，避免通道维度的变化，同时提高跨通道信息的提取质量，其中通道注意力aese通过下式计算
29、aese＝σ(w3z) (7)
30、式中为全连接层的权重；将应用于特征映射，以获取更有效的信息，基于通道相乘得到新的特征映射
31、
32、其中，是第c个通道的新特征映射，是通道注意力模块的最终输出；
33、s2-4.将步骤s1中训练数据集输入到密集卷积稀疏编码网络模型中进行训练。
34、前述的一种超声导波损伤检测与原位校准方法中，所述步骤s2中密集卷积稀疏编码网络模型结构包含采用窄带梳形信号卷积核的卷积层、最大池化层、批量标准化、嵌入密集连接的多层卷积稀疏编码模块、通道注意力模块、全连接层1、dropout层、全连接层2以及softmax层输出。
35、前述的一种超声导波损伤检测与原位校准方法中，所述步骤s2中，第一层卷积核参数设置为本文档来自技高网...
【技术保护点】
1.一种超声导波损伤检测与原位校准方法，其特征在于：其包括以下步骤：
2.根据权利要求1所述的一种超声导波损伤检测与原位校准方法，其特征在于：所述步骤S2具体包括以下步骤：
3.根据权利要求1所述的一种超声导波损伤检测与原位校准方法，其特征在于：所述步骤S2中密集卷积稀疏编码网络模型结构包含采用窄带梳形信号卷积核的卷积层、最大池化层、批量标准化、嵌入密集连接的多层卷积稀疏编码模块、通道注意力模块、全连接层1、dropout层、全连接层2以及softmax层输出。
4.根据权利要求2所述的一种超声导波损伤检测与原位校准方法，其特征在于：所述步骤S2中，第一层卷积核参数设置为：激励频率fc设定为40kHz、60kHz和80kHz，n为5，卷积核数量设置为16，核大小设置为1×1700。
5.根据权利要求2所述的一种超声导波损伤检测与原位校准方法，其特征在于：所述步骤S2中，嵌入密集连接的多层卷积稀疏编码模块包含三层，所有卷积核大小均为1×3，这三层的卷积核数量均设置为32。
6.根据权利要求2所述的一种超声导波损伤检测与原位
...【技术特征摘要】
1.一种超声导波损伤检测与原位校准方法，其特征在于：其包括以下步骤：
2.根据权利要求1所述的一种超声导波损伤检测与原位校准方法，其特征在于：所述步骤s2具体包括以下步骤：
3.根据权利要求1所述的一种超声导波损伤检测与原位校准方法，其特征在于：所述步骤s2中密集卷积稀疏编码网络模型结构包含采用窄带梳形信号卷积核的卷积层、最大池化层、批量标准化、嵌入密集连接的多层卷积稀疏编码模块、通道注意力模块、全连接层1、dropout层、全连接层2以及softmax层输出。
4.根据权利要求2所述的一种超声导波损伤检测与原位校准方法，其特征在于：所述步骤s2中，第一层卷积核参数设置为：激励频率fc...
【专利技术属性】
技术研发人员：张晗，杨平，华佳东，蔡晨光，刘志华，杨明，邢广振，任子啸，吕琦，
申请(专利权)人：中国计量科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。