[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

说明书

本发明公开了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，包括以下步骤：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；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；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；将数据集的数据输入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；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。本发明避免了繁琐的参数提取过程，且提高了预测精度。

技术领域

本发明属于结构无损检测和计算机人工智能技术领域，具体涉及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。

背景技术

高强度、低松弛钢绞线是一种主要承受拉力的构件，在预应力混凝土结构以及缆索承重桥梁中得到了广泛的应用。钢绞线的应力水平对结构的性能至关重要，已有研究表明，钢绞线的有效预应力会随着服役年限的增长以及腐蚀等因素的作用下产生下降，进而导致结构承载能力的降低和使用寿命的缩短。因此，准确地预测钢绞线的有效预应力对结构服役性能的评估具有重要意义。

近年来，有学者将超声导波技术应用于结构的预应力评估中，其中声弹性效应法基于超声导波波速随预应力变化；缺陷频率法基于钢绞线在预应力作用下的“频带缺失”现象，如缺陷频带左右两边两个峰的峰值比随预应力的变化；基于奇异值的方法需要对不同预应力下钢绞线超声导波信号进行小波包变化和奇异值分解，随后基于奇异值与预应力的线性关系对钢绞线的预应力做出预测。然而上述方法都需要人为地从超声导波时域或频域信号中提取相关参数，这是一个繁琐且耗时的过程。

卷积神经网络在土木工程结构的损伤检测与定位领域表现出突出的优势。一维卷积神经网络属于卷积神经网络的一类，在传感器的时间序列分析中得到了一定的应用，其最突出的优势便是可以直接从原始数据中自动提取与损伤有关的参数并对损伤做出预测，而无需人为地进行额外的特征提取操作。

因此需要提出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，以解决上述问题。

发明内容

有鉴于此，本发明的目的在于提供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，用于解决现有技术中从超声导波时域或频域信号中提取相关参数繁琐且耗时的问题。

为达到上述目的，本发明提供如下技术方案：

本发明提供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，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。

进一步，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，