[发明专利]基于3D卷积神经网络和位移响应的金属板裂纹识别方法

说明书

本发明公开了一种基于3D卷积神经网络和位移响应的金属板裂纹识别方法，对于裂纹位置不同的各金属板采用位移传感器获取各金属板在受到不同频率的激励力作用下的各金属板的表面振动响应位移数据；针对位移数据通过傅里叶变换获得不同频率下金属板表面位移的位移云图；将针对金属板的裂纹位置识别转化为分类问题，裂纹位置不同的各金属板的位移云图相当于不同的类别；利用位移云图训练获得3D卷积神经网络模型，采用完成训练的3D卷积神经网络模型以分类的方式实现金属板裂纹位置识别。本发明中样本数据包含金属板表面振动响应的空间信息和位移响应随频率变化的信息，能够实现较小裂纹的准确识别。

技术领域

本发明涉及裂纹识别领域，更具体地说是对金属板不同位置的裂纹进行识别的方法。

背景技术

在工程和机械制造领域，金属板是被使用很多的材料，常用来制造各种各样的零部件如车体、船体、机翼、壳体、罐体等。在实际使用过程中，由于制造工艺的不当，又或者在外部载荷作用、疲劳效应、结构老化等不利因素的影响下，金属板内部会慢慢产生一些的裂纹，并且裂纹随着金属板的使用会逐渐扩展，最终会发生断裂和失效事故。因此，对于金属板的裂纹位置识别不仅可以及时发现裂纹并进行修复或更换，避免不必要的事故或损失；还可以辅助设计人员进行材料选择和工艺设计。

人工去检测金属板的裂纹难以对结构局部的损伤以及微小裂纹进行精准识别，且人工现场检测工作量大，人工费用也较高。随着深度学习的发展，以数据驱动的方式来解决工程问题得到了广泛的关注；卷积神经网络CNN是最具代表的深度学习算法之一，在图像处理领域取得了巨大的成功。在进行图像处理的过程中，往往会将图像看作一个二维向量，通过多次卷积池化操作提取特征，最终得到特定维度的一维向量。卷积神经网络能将传统损伤检测方法中的特征提取和分类过程融合到一起，彻底避免了人工设计和选择特征造成的信息丢失。

但是2DCNN无法捕捉空间和频率上的相关性，2DCNN忽略了金属板表面位移随着激励力频率变化的信息，会导致对裂纹位置的识别效果不好，出现对于一些较小的裂纹无法识别的情况。

发明内容

本发明是为避免上述现有技术所存在的不足，提供一种基于3D卷积神经网络和位移响应的金属板裂纹识别方法，通过对板表面不同频率下的振动位移响应数据进行处理得到样本数据，再用样本数据对3D卷积神经网络进行训练，最后用训练好的网络模型对金属板裂纹位置进行识别；以期准确识别裂纹在金属板上的位置。

本发明为实现发明目的采用如下技术方案：

本发明基于3D卷积神经网络和位移响应的金属板裂纹识别方法按如下过程进行：

对于裂纹位置不同的各金属板，采用位移传感器获取各金属板在受到不同频率的激励力作用下的各金属板的表面振动响应位移数据；

针对各金属板的表面振动响应位移数据分别通过傅里叶变换获得不同频率下金属板表面位移的RGB云图，对所述RGB云图进行剪裁，得到大小相同的位移云图；

将针对金属板的裂纹位置识别转化为分类问题，裂纹位置不同的各金属板的位移云图相当于不同的类别；利用所述位移云图训练获得3D卷积神经网络模型，采用完成训练的3D卷积神经网络模型以分类的方式实现金属板裂纹位置识别。

本发明基于3D卷积神经网络和位移响应的金属板裂纹识别方法的特点也在于：

将同一裂纹位置不同频率下的位移云图作为一个样本数据，所述样本数据为金属板表面振动位移随频率变化的信息，其为三维数据，包含金属板表面的振动位移信息，并包含激励引发相应金属板表面位移的频率信息；对所述样本数据进行打标签分类，且分类为训练集、验证集和测试集；

建立3D卷积神经网络模型对所述训练集进行学习，在由3D卷积神经网络模型对训练集中的样本数据进行迭代训练中调整模型权重和偏置，使所述3D卷积神经网络模型更好地拟合训练集中的样本数据；