基于自动编码器深度学习的SNS光纤冲击识别方法

摘要

本发明涉及一种基于分布式SNS多模干涉型光纤传感器与自动编码器深度学习算法相结合的柔性薄板结构冲击载荷识别方法，属于结构健康监测的冲击监测技术领域。包括以下步骤：步骤一：分布式单模‑无芯‑单模（single mode‑no core‑single mode,SNS）光纤传感器布局；步骤二：分布式SNS光纤传感器薄板结构冲击载荷监测系统构建；步骤三：实时监测与采集冲击响应动态信号，通过对不同位置以及不同能量的冲击试验，记录冲击试验数据生成样本库；步骤四：对板结构SNS光纤传感器冲击样本库数据进行预处理；步骤五：选择自动编码器作为深度学习模型，构建网络结构，并训练深度学习神经网络；步骤六：采用步骤五得到的训练好的模型，对SNS光纤传感器冲击响应数据进行处理，实现对冲击载荷位置和能量大小的识别。

权利要求

1.一种基于分布式SNS多模干涉型光纤传感器与自动编码器深度学习算法相结合的柔性薄板结构冲击载荷识别方法，其特征在于，包括以下步骤：步骤一：分布式单模-无芯-单模光纤传感器布局；

步骤二：构建分布式SNS光纤传感器薄板结构冲击载荷监测系统；

步骤三：实时监测与采集冲击响应动态信号，通过对不同位置以及不同能量的冲击试验，记录冲击试验数据生成样本库；

步骤四：对板结构冲击样本库数据进行预处理；

步骤五：选择自动编码器作为深度学习神经网络，构建网络结构，并训练深度学习神经网络；该步骤具体包括构建网络结构和训练深度学习神经网络两个部分；

(1)构建深度学习神经网络结构

深度学习神经网络采用基于自动编码器结构的深度神经网络由多个自动编码器叠加而成；自编码器能够学习冲击响应数据中的内在特征，用于深度神经网络的建立并有效提取结构冲击响应内在特征；

自动编码器分为编码网络和解码网络两个部分；首先，通过编码网络将高维空间的归一化冲击频谱信号作为输入数据转化为低维空间的特征编码矢量；其次，通过解码网络将低维空间的特征编码矢量重构回原来的冲击响应信号，使得重构误差最小获得最佳的隐层表达；

据具体应用需要选择合适的AE模型；考虑航空航天应用环境复杂，样本数据往往含有强烈的背景噪声，因此，采用降噪编码网络；

降噪编码网络将符合一定统计特性的噪声加入冲击响应信号中，对信号进行FFT变换和归一化处理，然后对样本进行编码；解码网络从中估计出未受干扰的归一化频谱，从而使自动编码器从含噪样本中学习到更具鲁棒性的特征，降低识别系统对微小扰动的敏感性；

降噪编码网络有效减少机械工况变化与环境噪声在内的随机因素对提取特征的影响，提高特征表达的鲁棒性；

由8个自动编码器叠加而成；每个传感器数据对应一个SAE，15个传感器共有15个并列的SAE，F1全连接层连接15个并列的SAE的输出，分类器softmax根据全连接层的输出判别冲击载荷的位置以及能量；

(2)训练深度学习神经网络

SAE的训练采用逐层训练的方法来进行；如果单层的AE已经被训练好，那么认为其编码已经能够较好地重构输入数据；第n层编码器是对n-1层的编码结果进行再次编码；在逐层训练的过程中，解码器用于训练编码器，而当整个编码器被逐层训练好之后，解码器本身也就不再需要了；在一个SAE后再接一个全连接层和一个分类器，即用提取出来的特征来对冲击位置和能量进行识别；

步骤六：采用步骤五得到的训练好的深度学习神经网络，对SNS光纤传感器冲击响应数据进行处理，实现对冲击载荷位置和强度的识别；

该步骤中，当未知载荷作用在板结构上时，传感器监测并记录时域信号；将每个传感器数据依据步骤四的方法进行预处理，然后输入深度学习神经网络，网络将输出识别结果。

2.如权利要求1所述的基于分布式SNS多模干涉型光纤传感器与自动编码器深度学习算法相结合的柔性薄板结构冲击载荷识别方法，其特征在于：所述步骤一中，在四边固支铝合金板结构中心位置划定一个正方形监测区域ABCD，其中点A、B、C、D为顺时针方向排序的正方形各顶点，并将其分割成n×n的网格，O为正方向监测区域的中心点位置；考虑到SNS光纤传感器对于动态应变响应呈现显著的方向敏感特性，即便对于相同能级大小与距离的冲击载荷，冲击位置与SNS光纤传感器之间相对位置关系不同也会对传感器响应特性产生显著差异；因此，在板结构正方形监测区域A、B、C、D四个顶角位置和中心点位置O分别正交布置共15个SNS传感器，分别为SNS1、SNS2、SNS3、SNS4、SNS5、SNS6、SNS7、SNS8、SNS9、SNS10、SNS11、SNS12、SNS13、SNS14、SNS15；各顶点和中心点位置处SNS光纤传感器呈“三叉”应变花式分布。

3.如权利要求1所述的基于分布式SNS多模干涉型光纤传感器与自动编码器深度学习算法相结合的柔性薄板结构冲击载荷识别方法，其特征在于：所述步骤二中，将SNS光纤传感器采用AB胶粘贴于试件结构背面，将激光光源经1×2光耦合器连接SNS光纤传感器，采用光纤跳线分别将SNS1、SNS2、SNS3、SNS4、SNS5、SNS6、SNS7、SNS8、SNS9、SNS10、SNS11、SNS12、SNS13、SNS14、SNS15连接光电转换器，经高速数据采集卡连接电脑记录与保存数据，以此构成分布式SNS传感器冲击载荷监测系统。

4.如权利要求1所述的基于分布式SNS多模干涉型光纤传感器与自动编码器深度学习算法相结合的柔性薄板结构冲击载荷识别方法，其特征在于：所述步骤三中，通过对不同网格位置以及不同能量的冲击响应监测试验，实时监测与采集SNS光纤传感器冲击响应动态信号，生成能够表征不同位置和能级大小的冲击响应数据样本库；

由15个SNS光纤传感器构成的正方形所覆盖的区域即为板结构试件的冲击监测区域，并将其分割成n×n的网格，网格的交点为测试点；使用能级可调节的机械式冲击锤对准测试点，撞击铝合金板表面，从而对铝合金板施加冲击信号；记录不同能级和位置冲击下分布式传感网络中15个SNS光纤传感器的冲击响应时域信号，以及冲击位置和冲击能量，实现一个特征冲击样本点的采集；在每个网格点依照此方法，采用不同能量冲击若干次并记录相关试验数据；以此类推，将所有网格点都进行上述试验后，形成SNS光纤传感器冲击响应样本库。

5.如权利要求1所述的基于分布式SNS多模干涉型光纤传感器与自动编码器深度学习算法相结合的柔性薄板结构冲击载荷识别方法，其特征在于：所述步骤四中，对SNS光纤传感器样本库数据预处理包括：原始传感器信号FFT变换，以及基于特征标准化的频谱数据归一化处理；

(1)原始SNS光纤传感器冲击响应信号FFT变换；

为识别冲击载荷特征，使用SNS光纤传感器冲击响应信号频谱作为深度学习神经网络作为输入量；

(2)基于特征标准化的SNS光纤传感器冲击响应信号归一化处理；

首先使用全部传感器信号频谱数据计算每一个频率分量上数据的均值，然后将频谱上的每一个频率分量都减去其对应的均值，并除以相应的方差。

说明书

基于自动编码器深度学习的SNS光纤冲击识别方法

技术领域

[0001] 本发明属于结构健康监测的冲击监测技术领域，尤其涉及SNS光纤传感技术与自动编码器深度学习技术相结合的板结构冲击监测方法。

背景技术

[0002] 对于实际工程中一些具有高造价、高可靠性要求的大型结构，如航空航天飞行器、土木工程、海上平台等，在其服役期间将受到复杂环境载荷的作用以及各类突发性外在因素如外来物冲击、振动等影响，从而导致结构出现不同程度的损伤。如果不及时监测出结构的损伤并提前预防和控制，随着损伤的积累，结构承受载荷的能力将逐渐降低，甚者将引起灾难性事件。

[0003] 目前，在冲击监测技术研究中，由冲击载荷产生的结构响应信号是对冲击源进行识别的信息基础，因此结构响应信号的测量就是需要首先解决的问题。由于结构对冲击载荷的响应信号具有时间短、频带宽的特点，在结构健康监测中常用集中式或分布式压电应变测量方法测量结构的响应信号。压电式传感器具有灵敏度高、使用方便、测量信号频率高等优点，但其易受电磁环境干扰；而对于常规低速采样的光纤光栅传感模式，在实际应用中由于解调仪采样频率较低，将会导致表征冲击响应特征的有效信息大量缺失，无法满足时差定位原理，导致定位精度大幅降低。

[0004] 本发明所使用的SNS光纤传感器由于其结构的特殊性，不仅具备了普通光纤的优点，例如抗电磁干扰、传输距离远等，且具有良好的应变-方向敏感特性、较高灵敏度和较高的采样频率，非常适用于针对不同冲击信号的监测。

[0005] 本发明提出基于深度学习的冲击载荷监测方法，相比传统的“基于信号处理的特征提取+浅层神经网络”方法，其优势在于：通过建立深层模型，摆脱了对大量冲击响应信号处理技术与诊断经验的依赖，直接从SNS光纤传感器冲击响应信号中自适应地提取冲击位置以及冲击能量特征，实现大量数据下冲击特征的自适应提取。

[0006] 克服传统浅层模神经网络方法需要掌握大量的冲击信号处理技术结合丰富的工程实践经验来提取特征，且这些特征大都未经过大数据验证。例如，基于小波包分解的冲击监测就存在小波基的选择以及小波分解层次确定的问题；无确定理论指导，仅能通过经验决定；同时，通过小波系数构造的冲击特征也不完备，对结构的适应以及环境变化不具有适应性；在模型训练方面，使用浅层模型表征信号与冲击载荷之间复杂的映射关系，导致面对大数据时，模型的泛化性能明显不足。

发明内容

[0007] 本发明所要解决的技术问题是提供一种用于航空航天领域板结构的光纤冲击定位方法，该方法采用分布式SNS传感器网络感知结构中所受到不同位置和能级的冲击响应时频域响应信号，利用深度学习算法实现对冲击位置和能级。该方法能够用于航空航天领域四边固支板结构冲击定位，无需大量先验知识、可移植性好、适用条件广泛，能较准确的辨识冲击位置。

[0008] 本发明采用如下技术方案：基于分布式SNS多模干涉型光纤传感器与自动编码器深度学习算法相结合的柔性薄板结构冲击载荷识别方法，包括以下步骤：

[0009] 一种基于分布式SNS多模干涉型光纤传感器与自动编码器深度学习算法相结合的柔性薄板结构冲击载荷识别方法，其特征在于，包括以下步骤：

[0010] 步骤一：分布式单模-无芯-单模光纤传感器布局；

[0011] 步骤二：构建分布式SNS光纤传感器薄板结构冲击载荷监测系统；

[0012] 步骤三：实时监测与采集冲击响应动态信号，通过对不同位置以及不同能量的冲击试验，记录冲击试验数据生成样本库；

[0013] 步骤四：对板结构冲击样本库数据进行预处理；

[0014] 步骤五：选择自动编码器作为深度学习模型，构建网络结构，并训练深度学习神经网络；

[0015] 步骤六：采用步骤五得到的训练好的模型，对SNS光纤传感器冲击响应数据进行处理，实现对冲击载荷位置和强度的识别。

[0016] 所述的基于分布式SNS多模干涉型光纤传感器与自动编码器深度学习算法相结合的柔性薄板结构冲击载荷识别方法，其特征在于：

[0017] 所述步骤一中，在四边固支铝合金板结构中心位置划定一个正方形监测区域ABCD，其中点A、B、C、D为顺时针方向排序的正方形各顶点，并将其分割成n×n的网格，O为正方向监测区域的中心点位置；考虑到SNS光纤传感器对于动态应变响应呈现显著的方向敏感特性，即便对于相同能级大小与距离的冲击载荷，冲击位置与SNS光纤传感器之间相对位置关系不同也会传感器响应特性产生显著差异；因此，在板结构正方形监测区域A、B、C、D四个顶角位置和中心点位置O分别正交布置共15个SNS传感器，分别为SNS1、SNS2、SNS3、SNS4、SNS5、SNS6、SNS7、SNS8、SNS9、SNS10、SNS11、SNS12、SNS13、SNS14、SNS15；各顶点和中心点位置处SNS光纤传感器呈“三叉”应变花式分布。

[0018] 所述的基于分布式SNS多模干涉型光纤传感器与自动编码器深度学习算法相结合的柔性薄板结构冲击载荷识别方法，其特征在于：

[0019] 所述步骤二中，将SNS光纤传感器采用AB胶粘贴于试件结构背面，将激光光源经1×2光耦合器连接SNS光纤传感器，采用光纤跳线分别将SNS1、SNS2、SNS3、SNS4、SNS5、SNS6、SNS7、SNS8、SNS9、SNS10、SNS11、SNS12、SNS13、SNS14、SNS15连接光电转换器，经高速数据采集卡连接电脑记录与保存数据，以此构成分布式SNS传感器冲击载荷监测系统。

[0020] 所述的基于分布式SNS多模干涉型光纤传感器与自动编码器深度学习算法相结合的柔性薄板结构冲击载荷识别方法，其特征在于：

[0021] 所述步骤三中，通过对不同网格位置以及不同能量的冲击响应监测试验，实时监测与采集SNS光纤传感器冲击响应动态信号，生成能够表征不同位置和能级大小的冲击响应数据样本库；

[0022] 由15个SNS光纤传感器构成的正方形所覆盖的区域即为板结构试件的冲击监测区域，并将其分割成n×n的网格，网格的交点为测试点；使用能级可调节的机械式冲击锤对准测试点，撞击铝合金板表面，从而对铝合金板施加冲击信号；记录不同能级和位置冲击下分布式传感网络中15个SNS光纤传感器的冲击响应时域信号，以及冲击位置和冲击能量，实现一个特征冲击样本点的采集；在每个网格点依照此方法，采用不同能量冲击若干次并记录相关试验数据；以此类推，将所有网格点都进行上述试验后，形成SNS光纤传感器冲击响应样本库；

[0023] 为了解决深度学习神经网络所需的海量样本以及对结构差异的适应性，在冲击试验板结构的板面上划分稠密的网格并在每个网格测试点使用多级能量冲击，并记录试验数据；同时，在多个略有差异的板结构上重复上述试验，所记录的数据可构成大规模样本库；使用该库训练的深度学习神经网络对结构的差异性具有很好的适应性。

[0024] 所述的基于分布式SNS多模干涉型光纤传感器与自动编码器深度学习算法相结合的柔性薄板结构冲击载荷识别方法，其特征在于：

[0025] 所述步骤四中，对SNS光纤传感器样本库数据预处理包括：原始传感器信号FFT变换，以及基于特征标准化的频谱数据归一化处理；

[0026] (1)原始SNS光纤传感器冲击响应信号FFT变换；

[0027] 由冲击引起的动态应力应变响应信号在二维弹性材料上的传播除了有衰减现象，还有弥散现象和模态转换现象；由于这些因素的存在，导致在冲击点附近的所测得信号的频谱与原理冲击点处所测量的信号频谱不相似；

[0028] 由于信号频谱与信号时域波形是一一对应的；从频域变换到时域信号无信息损失，而且更有利于有效提取冲击信号位置与能量特征；因此，为识别冲击载荷特征，可以使用SNS光纤传感器冲击响应信号频谱作为深度学习神经网络作为输入量；

[0029] (2)基于特征标准化的SNS光纤传感器冲击响应信号归一化处理；

[0030] 数据预处理在众多深度学习算法中都起着重要作用，实际情况中，将数据做归一化和白化处理后，很多算法能够发挥最佳效果；频谱序列中每一维度的取值范围(方差)不同；

[0031] 频谱的特征标准化的具体做法是：首先使用全部传感器信号频谱数据计算每一个频率分量上数据的均值，然后将频谱上的每一个频率分量都减去其对应的均值，并除以相应的方差。

[0032] 所述的基于分布式SNS多模干涉型光纤传感器与自动编码器深度学习算法相结合的柔性薄板结构冲击载荷识别方法，其特征在于：

[0033] 所述步骤五中，主要包括构建网络结构和训练深度学习神经网络两个部分；

[0034] (1)构建深度学习神经网络结构

[0035] 深度学习神经网络采用基于自动编码器(AE)结构的深度神经网络由多个自动编码器叠加而成(SAE)；自编码器能够学习冲击响应数据中的内在特征，可用于深度神经网络的建立并有效提取结构冲击响应内在特征；

[0036] 自动编码器分为编码网络和解码网络两个部分；首先，可以通过编码网络将高维空间的归一化冲击频谱信号作为输入数据转化为低维空间的特征编码矢量；其次，可以通过解码网络将低维空间的特征编码矢量重构回原来的冲击响应信号，使得重构误差最小获得最佳的隐层表达；

[0037] 通常可以根据具体应用需要选择合适的AE模型；考虑航空航天应用环境复杂，样本数据往往含有强烈的背景噪声，因此，本发明采用降噪编码网络；

[0038] 降噪编码网络将符合一定统计特性的噪声加入冲击响应信号中，对信号进行FFT变换和归一化处理，然后对样本进行编码；解码网络从中估计出未受干扰的归一化频谱，从而使自动编码器从含噪样本中学习到更具鲁棒性的特征，降低识别系统对微小扰动的敏感性；降噪编码网络可有效减少机械工况变化与环境噪声等随机因素对提取特征的影响，提高特征表达的鲁棒性；

[0039] 由8个自动编码器叠加而成(SAE)；每个传感器数据对应一个SAE，15个传感器共有15个并列的SAE，F1全连接层连接15个并列的SAE的输出，分类器softmax根据全连接层的输出判别冲击载荷的位置以及能量；

[0040] (2)训练深度学习神经网络

[0041] SAE的训练通常采用逐层训练的方法来进行；如果单层的AE已经被训练好，那么可以认为其编码已经能够较好地重构输入数据；第n层编码器是对n-1层的编码结果进行再次编码；在逐层训练的过程中，解码器主要用于训练编码器，而当整个编码器被逐层训练好之后，解码器本身也就不再需要了；在一个SAE后再接一个全连接层和一个分类器，即用提取出来的特征来对冲击位置和能量进行识别；

[0042] 整个网络构建首先进行自下而上的无监督逐层特征提取，然后利用有监督的学习方法对整个网络参数进行微调，从而使深度神经网络能够从SNS光纤传感器原始冲击响应数据中有效挖掘系统的最本质特征属性，并解决了深度网络学习梯度消失的问题；

[0043] 提出基于深度学习的冲击载荷监测方法，相比传统的“基于信号处理的特征提取+机器学习模型”方法，其优势在于：通过建立深层模型，摆脱了对大量冲击响应信号处理技术与诊断经验的依赖，直接从大量冲击响应信号中自适应地提取冲击位置以及冲击能量特征，实现大量数据下冲击特征的自适应提取。

[0044] 所述基于分布式SNS多模干涉型光纤传感器与自动编码器深度学习算法相结合的柔性薄板结构冲击载荷识别方法，其特征在于：

[0045] 所述步骤六中，当未知载荷作用在板结构上时，传感器监测并记录时域信号；将每个传感器数据依据步骤四的方法进行预处理，然后输入深度学习神经网络，网络将输出识别结果；

[0046] 冲击载荷识别主要有以下方法：(1)频域识别方法；(2)时域识别方法；(3)基于优化算法的识别方法；(4)人工智能识别方法；(5)基于时差定位法的识别方法；本发明采用频域识别与人工智能识别相结合的方法；通过建立深层模型，摆脱了对大量冲击响应信号处理技术与诊断经验的依赖，直接从冲击信号中自适应地提取冲击位置以及冲击能量特征，实现大量数据下冲击特征的自适应提取；克服传统浅层模神经网络方法需要掌握大量的冲击信号处理技术结合丰富的工程实践经验来提取特征的盲目性和有效性；高可靠性地自动判别加载在板结构的冲击载荷。

[0047] 本发明有益效果：本发明通过建立深层模型，摆脱了对大量冲击响应信号处理技术与诊断经验的依赖，直接从冲击信号中自适应地提取冲击位置以及冲击能量特征，实现大量数据下冲击特征的自适应提取；克服传统浅层模神经网络方法需要掌握大量的冲击信号处理技术结合丰富的工程实践经验来提取特征的盲目性和有效性；高可靠性地自动判别加载在板结构的冲击载荷。

附图说明

[0048] 图1是单模-无芯-单模(SNS)光纤传感器布局图。

[0049] 图2单个SNS光纤传感器冲击响应系统图。

[0050] 图3板面网格划分。

[0051] 图4基于自编码器深度学习神经网络结构图

具体实施方式

[0052] 请参照图1～图4所示，本发明基于分布式SNS多模干涉型光纤传感器与自动编码器深度学习算法相结合的柔性薄板结构冲击载荷识别方法，包括如下步骤：

[0053] 步骤一：分布式单模-无芯-单模(single mode-no core-single mode,SNS)光纤传感器布局；

[0054] 如图3，在四边固支铝合金板结构中心位置划定一个正方形监测区域ABCD，其中点A、B、C、D为顺时针方向排序的正方形各顶点，并将其分割成n×n的网格，O为正方向监测区域的中心点位置；在板结构正方形监测区域A、B、C、D四个顶角位置和中心点位置O分别正交布置共15个SNS传感器，分别为SNS1、SNS2、SNS3、SNS4、SNS5、SNS6、SNS7、SNS8、SNS9、SNS10，SNS11、SNS12、SNS13、SNS14、SNS15。各顶点和中心点位置呈“三叉”花式分布。

[0055] 步骤二：构建分布式SNS光纤传感器薄板结构冲击载荷监测系统；

[0056] 将SNS光纤传感器采用AB胶粘贴于试件结构背面，将双波长激光光源经1×2光耦合器连接SNS光纤传感器，采用光纤跳线分别将SNS1、SNS2、SNS3、SNS4、SNS5、SNS6、SNS7、SNS8、SNS9、SNS10、SNS11、SNS12、SNS13、SNS14、SNS15连接光电转换器，经高速数据采集卡连接电脑记录与保存数据，以此构成分布式SNS传感器冲击载荷监测系统，如图2所示；

[0057] 步骤三：实时监测与采集冲击响应动态信号，通过对不同位置以及不同能量的冲击试验，记录冲击试验数据生成样本库；

[0058] 15个SNS光纤传感器构成的正方形所覆盖的区域即为板结构试件的冲击监测区域，并将其分割成n×n的网格，网格的交点为测试点。使用机械式冲击锤对准测试点，撞击铝合金板表面，从而对铝合金板施加冲击信号。记录该冲击下分布式传感网络中15个SNS光纤传感器的冲击响应时域信号，以及冲击位置和冲击能量，实现一个样本点的采集；在每个网格点依照此方法用不同能量冲击若干次并记录相关试验数据；以此类推，将所有网格点都进行上述试验后，形成样本库；网格划分如图3所示；

[0059] 为了解决深度学习神经网络所需的海量样本以及对结构差异的适应性，在冲击试验板结构的板面上划分稠密的网格并在每个网格测试点使用多级能量冲击，并记录试验数据；同时，在多个略有差异的板结构上重复上述试验，所记录的数据可构成大规模样本库；使用该库训练的深度学习神经网络对结构的差异性具有很好的适应性；

[0060] 采集冲击样本遍布铝合金板结构的各个样本点，每个测试点使用m个级别能量多次冲击，存储各个点冲击发生时SNS传感器接收到的信号以及冲击位置以及冲击能量，以此作为原始数据信号阵列矩阵保存。对于每个冲击样本点，都会对应有15个传感器的信号以及冲击位置与冲击能量参数与之匹配，即一个一维样本点组成如式(1)：

[0061]

[0062] 式中： 为传感器原始信号数据，为一维向量；上标i表示第i次采样,下标j＝1、2、3、4、5、6、7、8、9、10、11、12、13、14、15为传感器编号；x、y为测试点位置坐标；E为冲击能量；

[0063] 步骤四：对板结构冲击样本库数据进行预处理；

[0064] 对样本库数据预处理包括：原始传感器信号FFT变换，以及基于特征标准化的频谱数据归一化处理；

[0065] (1)原始传感器信号FFT变换；

[0066] 由冲击引起的动态应力应变响应信号在二维弹性材料上的传播除了有衰减现象，还有弥散现象和模态转换现象。衰减现象是指在冲击过程中，应力值会随着应力波的沿着传播方向而逐渐递减；不同频率信号随着冲击距离加大衰减速率不同，低频信号衰减速率较大；不同冲击距离对应的SNS光纤结构冲击响应信号，如图1所示，应力波从冲击点逐渐衰减的现象用公式可以表示为：

[0067] ε(xs,ys,t)＝εp(t)bd/a   (1)

[0068] 式中：b是一个小于1的常数，代表的是应力波的传播构成，它是由试样的形状以及材料的物理性能决定的；a代表材料尺寸；εp(t)是冲击点的应力；d是测试点与冲击点之间的距离；

[0069] 弥散现象是指应力波在传播过程中不能保持初始波形，各谐波分量以各自的相速传播，造成波形扩散，即波形逐渐拉长变平；随着传播距离的增加，这种波形拉长变平的现象将会更加明显；这是由于传播质点的横向惯性效应引起不同频率的应力波传播速度不一致引起的，其中高频(短波长)应力波传播速度快；应力波弥散现象和模态转换现象较难对其进行解释，但是由于这些因素的存在，导致在冲击点附近的所测得信号的频谱与原理冲击点处所测量的信号频谱不相似；

[0070] 由于信号频谱与信号时域波形是一一对应的；从频域变换到时域信号无信息损失，而且更有利于有效提取冲击信号位置与能量特征。因此，为识别冲击载荷特征，可以使用SNS光纤传感器冲击响应信号频谱作为深度学习神经网络作为输入量；

[0071] (2)基于特征标准化的SNS光纤传感器冲击响应信号归一化处理；

[0072] 数据预处理在众多深度学习算法中都起着重要作用，实际情况中，将数据做归一化和白化处理后，很多算法能够发挥最佳效果。频谱序列中每一维度的取值范围(方差)不同。例如谱线的第一分量是直流分量，通常其幅度远大于其他分量，尤其是当传感器靠近冲击点时；这一输入分量有可能掩盖其他输入分量对冲击信号特征的贡献；这种情况下，为了平衡各个分量的影响，通常对特征的每个分量独立地使用标准化处理；特征标准化指的是(独立地)使得冲击响应信号数据的每一个维度具有零均值和单位方差，即将所有特征数据缩放成平均值为0，方差为1。使用特征标准化手段.，不仅可以提高机器学习的学习速度，还可以提高机器学习精度。

[0073] 特征标准化的具体做法是：首先计算每一个维度上数据的均值(使用全体数据计算)，之后在每一个维度上都减去该均值；然后，在数据的每一维度上除以该维度上数据的标准差，如式(2)所示。

[0074]

[0075] 式中：Ai为某一样本信号频谱第i个分量； 所有样本信号频谱第i个分量的平均值； 为所有样本信号频谱第i个分量方差。

[0076] 进行归一化后样本矩阵如式(3)：

[0077]

[0078] 式中：I为深度学习输入数据； 为第i个样本，第j个传感器归一化后的频谱向量[0079]

[0080] 式中：O为深度学习神经网络输出数据；xi与yi为第i个样本冲击载荷位置；Ei为第i个样本冲击载荷能量；

[0081] 步骤五：选择自动编码器作为深度学习模型，构建网络结构，并训练深度学习神经网络；

[0082] (1)构建网络结构

[0083] 深度学习神经网络采用基于自动编码器(AE)结构的深度神经网络由多个自动编码器叠加而成(SAE)；自编码器是一种利用无监督逐层贪婪与训练和优化系统参数的从无标签冲击响应数据中提取高维复杂输入数据的分层特征，得到原始冲击数据的分布特征表示的三层对称深度学习神经网络，编码器能够学习无标签损伤数据中的内在特征，简化了繁琐的人为提取特征步骤，可用于深度神经网络的建立并有效提取结构冲击响应内在特征；

[0084] 自动编码器分为编码网络和解码网络两个部分。首先可以通过编码网络将高维空间的归一化冲击频谱信号作为输入数据转化为低维空间的特征编码矢量。其次可以通过解码网络将低维空间的特征编码矢量重构回原来的冲击响应信号，使得重构误差最小获得最佳的隐层表达；通常可以根据具体应用需要选择合适的AE模型；考虑航空航天应用环境复杂，样本数据往往含有强烈的背景噪声，因此，本发明采用降噪编码网络；

[0085] 降噪编码网络将含有一定统计特性的噪声加入样本数据，然后对样本进行编码；解码网络再根据受到噪声干扰的数据中估计出未受干扰样本的原始形式，从而使自动编码器从含噪样本中学习到更具鲁棒性的特征，降低识别系统对微小扰动的敏感性；自动编码器通过添加噪声进行编码重构，可有效减少机械工况变化与环境噪声等随机因素对提取特征的影响，提高特征表达的鲁棒性；

[0086] 自动编码器(AE)结构的深度神经网络由8个自动编码器叠加而成(SAE)；每个传感器数据对应一个SAE，15个传感器共有15个并列的SAE，F1全连接层连接15个并列的SAE的输出，分类器softmax根据全连接层的输出判别冲击载荷的位置以及能量；网络结构如图4所示；

[0087] (2)训练深度学习神经网络

[0088] SAE的训练通常采用逐层训练的方法来进行；如果单层的AE已经被训练好，那么可以认为其编码已经能够较好地重构输入数据；第n层编码器是对n-1层的编码结果进行再次编码；在逐层训练的过程中，解码器主要用于训练编码器，而当整个编码器被逐层训练好之后，解码器本身也就不再需要了；在一个SAE后再接一个全连接层和一个分类器，即用提取出来的特征来对系统的状态进行分类；

[0089] 整个网络构建首先进行自下而上的无监督逐层特征提取，然后利用有监督的学习方法对整个网络参数进行微调，从而使深度神经网络能够从原始数据中有效挖掘系统的最本质特征属性，并解决了深度网络学习梯度消失的问题；

[0090] 提出基于深度学习的冲击载荷监测方法，相比传统的“基于信号处理的特征提取+机器学习模型”方法，其优势在于：通过建立深层模型，摆脱了对大量信号处理技术与诊断经验的依赖，直接从大量冲击响应信号中自适应地提取冲击位置以及冲击能量特征，实现大量数据下冲击特征的自适应提取。

[0091] 步骤六：采用步骤五得到的训练好的模型，对SNS光纤传感器冲击响应数据进行处理，实现对冲击载荷位置和强度的识别。

[0092] 当未知载荷作用在板结构上时，传感器监测并记录时域信号；将每个传感器数据依据步骤四的方法进行预处理，然后输入深度学习神经网络，网络将输出识别结果。

[0093] 本发明通过建立深层模型，摆脱了对大量冲击响应信号处理技术与诊断经验的依赖，直接从冲击信号中自适应地提取冲击位置以及冲击能量特征，实现大量数据下冲击特征的自适应提取；克服传统浅层模神经网络方法需要掌握大量的冲击信号处理技术结合丰富的工程实践经验来提取特征的盲目性和有效性；高可靠性地自动判别加载在板结构的冲击载荷。