[发明专利]一种基于卷积神经网络的机电阻抗连接结构损伤检测方法

说明书

本发明提出一种基于卷积神经网络的机电阻抗连接结构损伤检测方法，能够在不同温度指标下检测连接机构的损伤情况；对阻抗实部数据进行最大值最小值归一化后将结果转换为汉克矩阵，克服了现有技术无法一维阻抗数据转换为二维图像输入的方法的不足，同时建立了卷积神经网络模型，实现了低模型参数量情况下的，大幅提高了损伤识别精度当训练集的环境温度变化范围涵盖了验证集温度范围时，识别准确率提高至99.22％；同时在训练集温度范围没有涵盖验证集环境温度变化范围时，损伤的识别准确率至96.05％。

技术领域

本发明属于连接结构损伤检测技术领域，特别涉及一种基于卷积神经网络的机电阻抗连接结构损伤检测方法。

背景技术

掌握工程结构，特别是航空航天结构和土木工程结构的健康状况对确保其可靠性和安全性具有重要意义。以螺栓连接为例，工程结构中的螺栓连接部通常承受较大的载荷，而螺栓由于安装时不准确的螺栓预紧力，在时变的外部载荷下极易发生松动，而螺栓松动可能会导致整个结构的失效。因此对于螺栓连接松动等损伤进行监测是确保结构可靠性和安全性的重要手段。机电阻抗方法(electromechanical impedance)通过在被测结构上粘贴压电片传感器，对压电元件施加高频激励信号，进而通过测量压电传感器的高频阻抗信息，反演结构机械阻抗的变化，该方法具有灵敏度高，对结构初期损伤敏感，适应于复杂结构等优点。

在机电阻抗法的实际工程应用中，工程结构服役环境温度会不断变化，温度的变化一方面会引起机电传感器和胶层自身阻抗特性的变化，还会引起结构阻抗的变化，这直接影响了机电阻抗的检测精度。机电阻抗检测方法通常需要将结构损伤前后的机电阻抗信号进行对比，以此实现损伤识别。因此，机器学习方法被广泛应用于机电阻抗损伤检测，学者提出利用传统的前馈神经网络(FNN)实现温度变化情况下的螺栓松动检测(见文献[1]Min J,Park S,Yun C-B,et al.Impedance-based structural health monitoringincorporating neural network technique for identification of damage type andseverity[J].Engineering Structures.2012；39:210-220.)。该方法需要将阻抗曲线分段，并对每段阻抗曲线进行温度补偿，随后计算其与基准信号间的相关系数，以此作为FNN的输入，然而识别精度还有待进一步提高。

不同于上述机器学习方法，深度学习允许由多个处理层组成的计算模型学习具有多个抽象级别的数据表示，可以实现端到端的检测。卷积神经网络(Convolutional NeuralNetwork,CNN)在处理图像，视频，语音和音频方面带来了巨大突破。目前已经学者开始将卷积神经网络应用在机电阻抗的损伤检测中。对于二维深度卷积网络，需要将一维阻抗曲线转换为二维图像，然而由于阻抗曲线是频域信号，无法转化为时频图作为输入，因此如何构建二维输入图像成为一个难点。为此，学者提出通过将阻抗实部数据曲线的频率轴作为垂直坐标轴，将其对应的数值在水平方向延长，以此构建二维RGB彩色图像作为二维神经网络的输入，分别对比了卷积神经网络AlexNet和GoogLeNet对上述图片分类的效果(见文献[2]Choy AW,editor Structural Health Monitoring with Deep learning[C].TheInternational MultiConference of Engineers and Computer Scientists 2018 2018；Hong Kong.)。上述研究中，然而在一维阻抗曲线转换为二维图像时易导致图像尺寸过大，且采用的卷积神经网络AlexNet和GoogLeNet参数量过大，采用AlexNet的损伤分类准确率仅不到60％。