[发明专利]一种基于深度学习与声发射技术的拉索损伤识别方法

说明书

本发明公开了一种基于深度学习与声发射技术的拉索损伤识别方法，首先，利用声发射设备测量正常状态与损伤状态拉索的声发射信号各N组，形成数据集，将数据集中的信号序列打上标签，将N组信号归一化，并划分为训练集和测试集；建立长短期记忆全卷积神经网络，对声发射信号进行训练，保存训练好的模型和参数；利用声发射设备在现场获取拉索的声发射信号，将信号输入上述训练好的模型中，自动判别拉索是否存在损伤。本发明直接处理声发射的原始信号，效率高，成本低，相对于传统的人工检测法以及磁通量法更具有明显的自动化优势。

技术领域

本发明属于土木工程与人工智能交互技术领域，具体涉及一种基于深度学习与声发射技术的拉索损伤识别方法。

背景技术

斜拉索是斜拉桥的主要承力构件，斜拉桥桥跨结构的载荷绝大部分通过斜拉索传递到塔柱上。任一根斜拉索丧失承载力，都会导致斜拉桥的整体失稳和破坏，因此，斜拉索的安全性必须予以高度的重视。斜拉索在各种环境因素如外套开裂、电化学腐蚀、动荷载疲劳的作用下，导致内部的钢索发生锈蚀，甚至断丝等损伤，会严重影响到斜拉索的承载力和使用寿命。然而，拉索外面都套了一层保护套，内部缺损无法直接检查到，只能对拉索进行抽样检测，这样做的效率较低，无法保证所有问题拉索都能检测出来。目前的检测方法还是以人工目测法和桥检车法，这种方法是有损的，耗时、费力、造价较大，自动化程度低，因此迫切需要一种无损的间接的自动化拉索损伤检测方法。

材料或构件在受力过程中产生变形或裂纹时，以弹性波形式释放出应变能的现象，称为声发射。利用声发射设备接收声发射信号，可对材料或构件内部进行动态无损检测。由于声发射信号是以时间序列的形式呈现，因此无法直接识别，长期、短期记忆全卷积神经网络(LSTM-FCN)利用长短期记忆神经网络(LSTM)提取信号时间维度的特征，并将提取的特征输入是全卷积神经网络(FCN)进行分类处理，在时间序列信号进行分类表现出了最先进的性能。将声发射技术与LSTM-FCN结合起来，可实现对拉索损伤的自动化无损在线检测监测，克服了传统方法有损、无法全面检测的缺点。

发明内容

发明目的：本发明提供一种效率高、成本低、自动化程度高且能实时识别的基于深度学习与声发射技术的拉索损伤识别方法，。

技术方案：本发明所述的一种基于深度学习与声发射技术的拉索损伤识别方法，包括以下步骤：

(1)利用声发射设备测量正常状态与损伤状态拉索的声发射信号各N组，形成数据集，将数据集中的信号序列打上标签，并将每个信号序列的采样点数设置为M，其中M为2的次幂；

(2)将该数据集的每个信号序列进行归一化处理；

(3)建立LSTM-FCN模型，对步骤(2)中的数据集进行训练，并保存训练好的LSTM-FCN模型与参数；

(4)利用声发射采集设备采集正在服役的斜拉索的声发射信号，将信号发送给服务器端处理；

(5)利用步骤(3)中得到的具有自动识别斜拉索工作状态的卷积神经网络模型，去自动识别步骤(4)中得到的信号中是否为损伤信号。

步骤(1)所述的标签为损伤标签和正常标签。

步骤(2)所述的归一化方法为零均值标准化法，通过以下公式实现：

其中，x_i指的是信号的第i个采样点，值得是信号的平均值，D指的是信号的方差，n为采样点的个数。

步骤(3)所述的LSTM网络采用GRU单元，FCN网络与LSTM网络中的连接采用残差连接。

所述GRU单元的计算流程如下：