[发明专利]一种基于超声导波和卷积神经网络的钢绞线应力识别方法

权利要求书

1.一种基于超声导波和卷积神经网络的钢绞线应力识别方法，其特征在于：包括以下步骤：

S1：分别在钢绞线两端的中心丝截面安装超声导波激励传感器和接收传感器；

S2：张拉钢绞线，在不同的张拉预应力下向激励传感器激励调制正弦波信号，并记录接收传感器获得的超声导波信号；

S3：以不同预应力状态下的超声导波信号作为特征值，以其对应的预应力值作为标签值，构建一维卷积神经网络的数据集；

S4：将数据集的数据输入搭建好的一维卷积神经网络进行训练和测试，并输出各预应力状态下超声导波信号的预应力预测值；

S5：以钢绞线预应力真实值和预测值之间的均方根误差和归一化均方根误差为指标对一维卷积神经网络的预测结果进行评价。

2.根据权利要求1所述的基于超声导波和卷积神经网络的钢绞线应力识别方法，其特征在于，所述步骤S4中的一维卷积神经网络的结构包括：

第1层为卷积层，用于对输入数据进行特征提取；

第2层为批归一化层，用于加快模型的收敛速度和降低对网络初始化的敏感性；

第3层为最大池化层，用于压缩特征的维度以减少计算量；

第4层为卷积层，

第5层为批归一化层，

第6层为最大池化层；

第7层为展平层，用于将输入的多维数据展平成为一维的数组，以实现由卷积层到全连接层的过渡；

第8层为随机丢弃层，用于在每次训练过程中随机丢弃某些神经元以防止模型产生过拟合现象，随机丢弃率取为0.2；

第9层为全连接层，用于连接上一层所有的神经元，并输出最终的预应力预测值。

3.根据权利要求1所述的基于超声导波和卷积神经网络的钢绞线应力识别方法，其特征在于：所述步骤S4中的一维卷积神经网络的优化器选用Adam函数，其学习率取为0.005。

4.根据权利要求1所述的基于超声导波和卷积神经网络的钢绞线应力识别方法，其特征在于，步骤S4中的一维卷积神经网络的损失函数通过以下公式计算均方误差：

式中，MSE为均方误差，n为样本的个数，y_true和y_pre分别为预应力的真实值和预测值。

5.根据权利要求1所述的基于超声导波和卷积神经网络的钢绞线应力识别方法，其特征在于，步骤S5中的均方根误差通过以下公式计算：

式中，RMSE为均方根误差，y_max，y_min分别为样本的最大值，最小值。

6.根据权利要求1所述的基于超声导波和卷积神经网络的钢绞线应力识别方法，其特征在于，步骤S5中的归一化均方根误差通过以下公式计算：

式中，NRMSE为归一化均方根误差，y_max，y_min分别为样本的最大值，最小值。

7.根据权利要求2所述的基于超声导波和卷积神经网络的钢绞线应力识别方法，其特征在于，第1层的卷积层包括8个卷积核，第4层的卷积层包括4个卷积核，每个所述卷积核的时域窗长度为10，步长为1，激活函数采用ReLU函数。

8.根据权利要求1所述的基于超声导波和卷积神经网络的钢绞线应力识别方法，其特征在于，每个测量信号需添加不同信噪比的噪声，所述信噪比的计算公式为：

式中，SNR为信噪比，P_S和P_N分别为检测信号和噪声信号的有效功率。

9.根据权利要求2所述的基于超声导波和卷积神经网络的钢绞线应力识别方法，其特征在于，所述最大池化层的池化大小为2，步长为2。

10.根据权利要求2所述的基于超声导波和卷积神经网络的钢绞线应力识别方法，其特征在于，所述数据集包括训练集和测试集，其中数据集中80％的数据作为训练集用于训练，剩余20％数据作为测试集用于测试。