[发明专利]基于相敏光反射和卷积神经网络深度学习的冲击定位方法

权利要求书

1.一种基于相敏光反射和卷积神经网络深度学习的冲击定位方法，其特征在于包括以下过程：

步骤一：用于冲击载荷定位的基于相位敏感光时域反射原理的监测网络拓扑结构,具体过程为:

将Φ-OTDR应用在材料各向同性的板结构或柱状结构的冲击载荷定位中；若有冲击载荷加载于试件上，冲击引起的应力波沿试件进行传播，此时若试件上适当位置贴有多个Φ-OTDR光纤传感探头，利用Φ-OTDR技术高频采样特点即可检测到应力波到达这些位于在固定位置的光纤传感器探头的先后时间；而各向同性的材料中应力波的传播速度在各个方向上又是一样的，利用位于不同位置光纤传感器探头测量到的振动时间差即可进行冲击载荷的位置识别；根据Φ-OTDR传感特性和监测网络需求，将Φ-OTDR监测网络分为光纤传感器探头串联连接方式的拓扑结构或光纤传感器探头并联连接方式的拓扑结构；同时，在基于相位敏感光时域反射原理的冲击定位光纤监测网络系统；

步骤二：用于冲击载荷监测的相敏光时域反射传感探头结构设计,具体过程如下:

第一种类型Φ-OTDR光纤传感探头是使用一个直径为1cm，高度为2cm，柱壁厚度为1mm的铝合金柱状结构作为主体，将长度为3m的单模光纤按螺纹状均匀绕制于柱状结构外壁上；缠绕好的光纤主体用胶均匀粘贴好，而后用环氧树脂胶固定好根部光纤引出线，最后在柱状结构底部使用502胶即可将此柱型光纤传感探头粘贴于试件表面；此柱状传感探头具有如下优点：光纤环按螺旋状绕制，铝合金柱材质与被测试件相同，有利于振动信号的直接传导，能有效提高信号信噪比；传感探头所占平面体积较小；

第二种类型Φ-OTDR光纤传感探头不使用任何中间介质，直接将长度为3m的单模光纤由内向外环状绕制于平面胶上；绕制好的光纤环，内径约为1cm，外径约为3cm；将平面胶连同绕制好的光纤环一同贴于试件表面，即可做成Φ-OTDR光纤传感探头；此探头具有如下优点：制作简单，手工即可完成；贴合面柔软，适应不同试件的表面形状；没有中间介质，基本不占用空间；

步骤三：步分布式相敏光时域反射传感冲击监测系统构建与薄板监测区域网格划分

对于一块二维平面薄板冲击监测试验，将Φ-OTDR冲击响应传感探头布置于正方形监测区域四角，并在监测区域中心布置一Φ-OTDR冲击响应探头，四角探头按顺时针顺序依次命名为传感器1-4，正中心探头命名为传感器5；将整个待检测区域划分为n*n的冲击响应训练网格；

步骤四：基于时差法的相敏光时域反射技术冲击载荷定位；

打开Φ-OTDR检测系统，在光纤传感器i所在位置施加一冲击载荷，分别记录传感器i水平方向和数值方向相邻数个传感器检测到扰动的时间…，t_i-2，t_i-1，t_i+1，t_i+2,…；据此时间和传感器对应位置即可利用时差法进行冲击定位；

则应力波在结构中的传播速度v分别表示为：

式中：v为应力波传播速度；t_i为应力波到达编号为i的传感器时间；d为相邻编号传感器对应的连接光纤长度差；

多次计算取平均值，以此值作为应力波在结构中的传播速度v；

当结构上任意位置被施加冲击载荷时，使用Φ-OTDR检测系统检测应力波到达每个传感器的时间t₁，t₂，t₃，t₄，…，t_N；比较这些时间的先后顺序，前四个检测到扰动的光纤传感器按照顺时针方向依次命名为传感器h，i，j，k，对应的检测时间分别为t_h，t_i，t_j，t_k；若传感器h的坐标为(x_h，y_h)，则传感器h，i，j，k的坐标分别为(x_h+d，y_h)，(x_h+d，y_h+d)，(x_h，y_h+d)，假设冲击点位置坐标为(x，y)，则：

分别求解以上式(12)任意三个方程组，对所解得的冲击位置坐标x，y；同理，也可以任意选取其他包含三个不同传感器的组合，采用同样的方法联立求解，多次求解取平均值可以提高定位精度；

步骤五：基于Φ-OTDR传感器的冲击响应样本库生成；

以冲击锤多次冲击每个冲击响应网格，利用Φ-OTDR检测系统记录每次冲击的冲击响应信号，将冲击响应信号进行整理形成冲击响应样本库，用于训练卷积神经网络；

试验使用能级大小可调节的机械式冲击锤对准测试点，撞击铝合金板表面，从而对铝合金板施加冲击信号；与此同时，在冲击瞬间，由冲击检测系统实现对Φ-OTDR光纤传感结构响应信号的数据采集并将冲击位置以及冲击能量同时保存，实现一个样本点的采集；

采集冲击样本遍布铝合金板结构的各个样本点，每个测试点使用m个级别能量多次冲击，存储各个点冲击发生时Φ-OTDR光纤传感探头接收到的信号以及冲击位置以及冲击能量，以此作为原始数据信号阵列矩阵保存；对于每个冲击样本点，都会对应有5个Φ-OTDR传感器的信号以及冲击位置与冲击能量参数与之匹配，即一个一维样本点组成如下：

式中：为传感器原始信号数据，为一维向量；上标i表示第i次采样,下标j＝1、2、3、4、5为传感器编号；x、y为测试点位置坐标；E为冲击能量；

步骤六：数据预处理与深度学习卷积神经网络设计；

卷积神经网络是目前为止应用广泛的深度学习模型，在图像分类上取得很大的进展，促进了深度学习的发展和应用；使用卷积神经网络(CNN，Convolutional Neural Network)用于判别冲击载荷，须对原始信号进行预处理并将其转换成图像格式；卷积神经网络的输入是图像，表示为矩阵[m，n，k]；其中m、n为图像大小，k值为3，代表RGB三个彩色图像的通道；为了利用卷积神经网络处理传感器采集的一维冲击信号，需要进行数据预处理，并将信号转换成[m，n，k]矩阵；因此，将一维信号转换成时频图，并用于CNN的输入；时频分析方法包括小波变换(Wavelet)、短时傅里叶变换(STFT)；使用小波变换用于时频分析；5个传感器信号的时频图按照一定顺序组成一张多传感器时频图作为卷积神经网络的输入，冲击载荷的位置和能级作为神经网络输出；

深度卷积神经网络采用AlexNet模型；AlexNet网络结构共有8层，前面5层是卷积层，后面3层是全连接层，最后一个全连接层的输出传递给一个输出层；初始化参数采用AlexNet训练好的最优参数，将冲击信号多传感器时频图像用于训练后，神经网络即可识别冲击载荷；

步骤七：使用训练好的深度学习卷积神经网络对Φ-OTDR传感器冲击响应数据进行识别

当未知载荷作用在板结构上时，Φ-OTDR传感器监测并记录时域信号；将每个传感器数据依据步骤(2)的方法进行预处理，然后输入深度学习神经网络，网络将输出识别结果，给出冲击载荷位置和强度。