一种基于声发射的结构损伤定位新方法

摘要

本发明涉及损伤检测领域，具体是涉及一种基于声发射的结构损伤定位新方法。S1，通过各个声发射传感器采集待测结构损伤时发出的声发射信号；S2，计算声发射信号到达任意两个声发射传感器的时间差；S3，将步骤S2中的所有的时间差输入到训练之后的神经网络模型中，获取待测结构的损伤位置，损伤位置即待测结构的损伤处与其中一个声发射传感器S之间的相对位置。本发明的检测方法能够降低声发射信号在传播过程中因频散现象、传播路径、环境噪声对检测到的损伤位置准确度的影响。

权利要求

1.一种基于声发射的结构损伤定位新方法，其特征在于，包括如下步骤：

S1，通过各个声发射传感器采集待测结构损伤时发出的声发射信号；

S2，计算声发射信号到达任意两个声发射传感器的时间差；

S3，将步骤S2中的所有的时间差输入到训练之后的神经网络模型中，获取待测结构的损伤位置，损伤位置即待测结构的损伤处与其中一个声发射传感器S之间的相对位置；

神经网络模型需要利用训练数据进行训练，训练数据包括训练时间差和与训练时间差相对应的模拟损伤位置；训练时间差即模拟待测结构损伤时发出的声发射信号到达各个声发射传感器的时间所构成的时间差；模拟损伤位置即待测结构假定的损伤处与声发射传感器S之间的相对位置；

获取步骤S3中的训练之后的神经网络模型的具体步骤如下：

S31，将声发射源的位置设置在待测结构的第j个位置aj处，在位置aj处模拟结构损伤时发出的声发射信号v，各个声发射传感器采集该声发射信号v到达各个声发射传感器的波形；

S32，通过经验小波变换将步骤S31中的所有声发射信号的频谱自适应地进行分割，构造正交小波滤波器组，获取具有紧支撑频谱的模态分量；

S33，从具有紧支撑频谱的模态分量中选取单一特征模态分量，通过赤池信息准则确定该单一特征模态分量到达各个声发射传感器的时间作为声发射信号v到达各个声发射传感器的时间ti，进而获取声发射信号到达任意两个声发射传感器之间的时差；

S34，改变步骤S31中声发射源的位置，重复步骤S32～S33，获取声发射源位置改变之后的声发射信号到达各个声发射传感器的时间差，直至声发射源所在的位置覆盖待测结构的区域；

S35，将位置aj和该位置的声发射信号到达各个传感器的时差输入到神经网络模型中，获取训练之后的神经网络模型。

2.如权利要求1所述的基于声发射的结构损伤定位新方法，其特征在于，步骤S2中计算声发射信号到达任意两个声发射传感器的时间差步骤：将步骤S1中的所有声发射信号进行经验小波变换，然后选取单一小波分量进行赤池信息准则计算，获取声发射信号到达任意两个声发射传感器的时间，两个时间相减即为声发射信号到达任意两个传感器的时差。

3.如权利要求1所述的基于声发射的结构损伤定位新方法，其特征在于，步骤S31中的声发射源为铅笔的铅芯发生断裂时发出的声发射信号，模拟结构损伤时的声发射信号的具体过程如下：铅芯在模拟结构上的接触面与铅芯形成20°～40°的角度，折断铅芯发出的声发射信号模拟结构损伤时发出的声发射信号。

4.如权利要求3所述的基于声发射的结构损伤定位新方法，其特征在于，所述铅芯的直径为0.4～0.6mm，长度为2～3mm。

5.如权利要求1～4任一项所述的基于声发射的结构损伤定位新方法，其特征在于：待检结构上设置有网格，模拟声发射源位于网格节点上，网格的边长大于结构损伤时发出声音的波长。

6.如权利要求1～4任一项所述的基于声发射的结构损伤定位新方法，其特征在于：声发射传感器安装在待测结构的表面，且分布在被检测区域外围。

7.如权利要求1～4任一项所述的基于声发射的结构损伤定位新方法，其特征在于：所述神经网络模型为长短时记忆神经网络，包括依次设置的输入层，隐藏层和输出层，隐藏层包括依次设置的第一长短时记忆神经网络层、随机置零层、全连接层、第二长短时记忆神经网络层、回归层，第一长短时记忆神经网络层和第二长短时记忆神经网络层均包含1200个长短时记忆单元。

说明书

一种基于声发射的结构损伤定位新方法

技术领域

[0001] 本发明涉及损伤检测领域，具体是涉及一种基于声发射的结构损伤定位新方法。

背景技术

[0002] 正交异性钢桥面板(结构)由相互垂直的纵肋、横隔板以及桥面板焊接而成。由于在构造上纵肋布置密集，而横隔板布置稀疏，导致刚度在相互垂直的两个方向上有较大差异，故被称为正交异性钢桥面板。该结构凭借自重轻、整体性好以及承载能力大等优点，较好地解决了桥梁自重、承重和跨径之间的矛盾，在国内外大中型公、铁路桥梁被广泛应用。然而，正交异性钢桥面板不仅作为主梁的一部分共同参与结构的整体受力，且直接承受车轮荷载的反复作用，造成其局部承受应力循环次数过多，加上焊接缺陷和应力集中的影响，使其极易产生疲劳裂纹。如果裂纹不能被及时发现，还会造成纵肋积水等问题，进一步降低桥梁的使用性能和耐久性能，导致桥面系坍塌，甚至引发整个桥梁的突然破坏。

发明内容

[0003] 为解决上述技术问题，本发明提供了一种基于声发射的结构损伤定位新方法，能够检测出结构的损伤位置，以防止因没有获知损伤位置而导致整个结构被损坏进而造成难以修复使用。

[0004] 为实现上述目的，本发明采用了以下技术方案：

[0005] 一种基于声发射的结构损伤定位新方法，包括如下步骤：

[0006] S1，通过各个声发射传感器采集待测结构损伤时发出的声发射信号；

[0007] S2，计算声发射信号到达任意两个声发射传感器的时间差；

[0008] S3，将步骤S2中的所有的时间差输入到训练之后的神经网络模型中，获取待测结构的损伤位置，损伤位置即待测结构的损伤处与其中一个声发射传感器S之间的相对位置；

[0009] 神经网络模型需要利用训练数据进行训练，训练数据包括训练时间差和与训练时间差相对应的模拟损伤位置；训练时间差即模拟待测结构损伤时发出的声发射信号到达各个声发射传感器的时间所构成的时间差；模拟损伤位置即待测结构假定的损伤处与声发射传感器S之间的相对位置。

[0010] 进一步，步骤S2中计算声发射信号到达任意两个声发射传感器的时间差步骤：将步骤S1中的所有声发射信号进行经验小波变换，然后选取单一小波分量进行赤池信息准则计算，获取声发射信号到达任意两个声发射传感器的时间，两个时间相减即为声发射信号到达任意两个传感器的时差。

[0011] 进一步，获取步骤S3中的训练之后的神经网络模型的具体步骤如下：

[0012] S31，将声发射源的位置设置在待测结构的第j个位置aj处，在位置aj处模拟结构损伤时发出的声发射信号v，各个声发射传感器采集该声发射信号v到达各个声发射传感器的波形；

[0013] S32，通过经验小波变换将步骤S31中的所有声发射信号的频谱自适应地进行分割，构造正交小波滤波器组，获取具有紧支撑频谱的模态分量；

[0014] S33，从具有紧支撑频谱的模态分量中选取单一特征模态分量，通过赤池信息准则确定该单一特征模态分量到达各个声发射传感器的时间作为声发射信号v到达各个声发射传感器的时间ti，进而获取声发射信号到达任意两个声发射传感器之间的时差；

[0015] S34，改变步骤S31中声发射源的位置，重复步骤S32～S33，获取声发射源位置改变之后的声发射信号到达各个声发射传感器的时间差，直至声发射源所在的位置覆盖待测结构的区域；

[0016] S35，将位置aj和该位置的声发射信号到达各个传感器的时差输入到神经网络模型中，获取训练之后的神经网络模型。

[0017] 进一步优选的，步骤S31中的声发射源为铅笔的铅芯发生断裂时发出的声发射信号，模拟结构损伤时的声发射信号的具体过程如下：铅芯在模拟结构上的接触面与铅芯形0 0
成20～40的角度，折断铅芯发出的声发射信号作为模拟结构损伤时发出的声发射信号。

[0018] 进一步优选的，所述铅芯的直径为0.4～0.6mm，长度为2～3mm。

[0019] 进一步优选的，待检结构上设置有网格，模拟声发射源位于网格节点上，网格的边长大于结构损伤时发出声音的波长。。

[0020] 进一步优选的，声发射传感器安装在待测结构的表面，且分布在被检测区域外围。

[0021] 进一步优选的，所述神经网络模型为长短时记忆神经网络，包括依次设置的输入层，隐藏层和输出层，隐藏层包括依次设置的第一长短时记忆神经网络层、随机置零层、全连接层、第二长短时记忆神经网络层、回归层，第一长短时记忆神经网络层和第二长短时记忆神经网络层均包含1200个长短时记忆单元。

[0022] 本发明的有益效果如下：

[0023] (1)本发明基于经验小波变换和长短时记忆神经网络的声发射源定位方法，采集的是结构损伤声发射信号，并计算到达各个声发射传感器的时间差，再利用基于长短时记忆神经网络的声发射信号到达时差与声发射源定位模型，获取结构的损伤定位相对于传感器的位置。本发明的检测方法能够降低声发射信号在传播过程中因频散现象、传播路径、环境噪声对检测到的损伤位置准确度的影响。

[0024] (2)本发明基于经验小波变换和长短时记忆神经网络的声发射源定位方法不仅能够检测结构已经彻底断裂的损伤，也能够检测只有细小裂纹的损伤。因此，本发明在结构只是出现裂纹时就可以检测出结构已经发生损伤，以便维修人员及时对发生损伤的结构进行维修，从而避免因在只是出现裂纹这类损伤时没有检测到而导致损伤程度扩大到难以修复的程度。

[0025] (3)本发明基于经验小波变换和长短时记忆神经网络的声发射源定位方法适用于具有复杂几何构造的大型板类工程结构的损伤定位，如正交异性钢桥面板。本发明的检测方法受兰姆波的频散特性以及多模态特征、传播路径、传播距离以及环境噪音等多种因素的影响程度低，从而使得本发明的检测方法在工程结构实际运营环境下的损伤定位效果更稳定。

[0026] (4)本发明基于经验小波变换和长短时记忆神经网络的声发射源定位方法，是利用了经验小波变换自适应地提取特征模态分量，再利用赤池信息准则计算特征模态分量的到达时间，作为结构损伤声发射信号到达声发射传感器的时间，因此，本发明充分考虑了声发射信号在板类结构中以兰姆波传播时的频散现象，从而使得本发明的检测方法能够准确地确定结构损伤位置发出的声发射信号到达声发射传感器的时间，进而使得本发明能够准确定位结构的损伤位置。

[0027] (5)本发明基于经验小波和长短时记忆神经网络的声发射源定位方法利用基于贝叶斯优化的长短时记忆神经网络建立声发射信号到达时差与损伤相对位置的关系模型，充分考虑了复杂传播路径和不同传播距离下声发射信号反射、衍射和频散现象带来的误差，以及结构工作环境噪声的影响，能够通过较少地训练集获得具有更高鲁棒性和正确率的损伤位置定位模型。

附图说明

[0028] 图1为本发明的流程图；

[0029] 图2为本发明的在待测结构上划分的网格；

[0030] 图3为本发明的声发射传感器S1接收到的声发射信号；

[0031] 图4为本发明的经验小波变换结果；

[0032] 图5为本发明的基于赤池信息准则模型确定的结构损伤时发出的声发射信号到达声发射传感器的时间；

[0033] 图6为本发明的长短时记忆神经网络的基本单元；

[0034] 图7为本发明的实验结果；

[0035] 图8为本发明提出的基于长短时记忆神经网络的声发射信号到达时差与损伤相对位置的关系模型。

具体实施方式

[0036] 以下结合实施例和说明书附图，对本发明中的技术方案进行清楚、完整地描述。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0037] 一种基于声发射的结构损伤定位新方法，如图1所示，包括如下步骤：

[0038] S1，通过各个声发射传感器采集待测结构损伤时发出的声发射信号到达各个声发射传感器的时间。具体过程如下：

[0039] S11，根据待测结构的受力情况和几何形状，确定损伤热点部位为待检测区域；

[0040] S12，确定声发射传感器布置的个数和位置，将各个声发射传感器安装在待测矩形区域的合适位置，选取一个声发射传感器的位置作为原点，建立笛卡尔坐标系；

[0041] S13，为待测区域划分合适大小的网格。在各个网格节点上进行断铅试验，各个声发射传感器采集断铅试验模拟的损伤信号。

[0042] S2，计算步骤S1中的任意两个时间之间的时间差，具体过程如下：

[0043] S21，采用经验小波变换，对结构损伤声发射信号的频谱自适应地进行分割，构造正交小波滤波器组，提取具有紧支撑频谱的模态分量。

[0044] S22，获取步骤S21中的模态分量，从中选取单一特征模态分量，采用赤池信息准则确定该特征模态分量到达各个声发射传感器的时间，进而计算各个网格节点的声发射信号到达任意两个声发射传感器的时差。

[0045] S3，将步骤S2中的所有的时间差输入到训练之后的神经网络模型中，获取待测结构的损伤位置，损伤位置即待测结构的损伤处与其中一个声发射传感器S的相对位置；

[0046] 神经网络模型需要利用训练数据进行训练，训练数据包括训练时间差和与训练时间差相对应的模拟损伤位置；训练时间差即模拟待测结构损伤时发出的声发射信号到达各个声发射传感器的时间所构成的时间差；模拟损伤位置即待测结构假定的损伤处与声发射传感器S之间的相对位置。

[0047] 获取步骤S3中的训练之后的神经网络模型的具体步骤如下：

[0048] S31，将声发射源的位置设置在待测结构的第j个位置aj处，在位置aj处模拟结构损伤时发出的声发射信号v，各个声发射传感器采集该声发射信号v到达各个声发射传感器的波形；

[0049] S32，通过经验小波变换将步骤S31中的所有声发射信号的频谱自适应地进行分割，构造正交小波滤波器组，获取具有紧支撑频谱的模态分量；

[0050] S33，选取单一特征模态分量，通过赤池信息准则确定该模态分量到达各个声发射传感器的时间作为声发射信号v到达各个声发射传感器的准确时间ti，进而获取声发射信号到达任意两个传感器之间的时差；

[0051] S34，改变步骤S31中声发射源的位置坐标，重复步骤S32～S33，获取声发射源位置改变之后的声发射信号到达各个声发射传感器的时间差，直至声发射源所在的位置覆盖待测结构的区域；

[0052] S35，将位置aj的相对位置和该位置的声发射信号到达各个声发射传感器的时差输入到神经网络模型中，获取训练之后的神经网络模型。

[0053] 下面对上述各个步骤的原理进行如下说明：

[0054] 步步骤S1中，需要注意的是，在训练神经网络模型的步骤中，模拟声发射源的位置aj数量越多且分布越均匀，定位精度越高，但工作量也更大，可在部分结构复杂的区域局部增加模拟声发射源位置的数量来提高定位精度，但相邻的模拟声发射源位置之间的距离不应该小于结构损伤时发出声波的一个波长。

[0055] 步骤S1中，可在每个模拟声发射源的位置aj处进行多次重复断铅来减少实验误差，一般在每个位置上重复五次断铅来获取可靠的数据。

[0056] 步骤S32中，考虑到兰姆波的频散特性以及多模态特征，外加信号的传播路径、传播距离以及环境噪音等多种因素的影响，采用经验小波变换方法自适应地提取特征模态分量。经验小波变换方法通过对信号的傅里叶频谱进行自适应分割，并构造合适的小波滤波器组来提取具有紧支撑频谱的调频‑调幅模态成分。采集的声发射信号x(t)假设由N个固有模态函数xi(t)(i＝1,2,...,N)组成，信号的傅里叶频谱可以分为N个包含独立的固有模态函数的部分。ωn为各傅里叶频谱的边界，并且每个部分被[ωn‑1,ωn]区间分隔，其中ω0＝0，ωn＝π。定义过度相Tn＝2τn，其中，

[0057] τn＝γ×ωn

[0058]

[0059] 式中γ为确保过度相间无重合的系数。根据经验尺度函数 和经验小波函数构造经验小波

[0060]

[0061]

[0062] 任意函数β(x)为，

[0063]

[0064] 任意函数β(x)的另一种广泛采用的形式为，

[0065] β(x)＝x4(35‑84x+70x2‑20x3)x∈[0,1]

[0066] 构造合适的小波滤波器组后，经过经验小波变换，结构损伤声发射信号被分解成N个调幅‑调频单分量信号模态函数xi(t)之和，

[0067]

[0068] 由信号分别与经验尺度函数和经验小波函数的内积运算得到细节系数Wx(n,t)和近似系数Wx(0,t)，

[0069]

[0070]

[0071] 式中F‑1为傅里叶逆变换， 为傅里叶变换， 表示复共轭。对分解信号重构得到：

[0072]

[0073] 式中*表示卷积。

[0074] 步骤S33中，利用赤池信息准则确定特征模态分量的到达时间作为结构损伤时发出的声发射信号到达声发射传感器的准确时间。赤池信息准则是用来衡量统计模型拟合优良性的一个标准，它建立在熵的概念基础上，可以权衡所估计模型的复杂度和模型拟合数据的优良性，如下式所示，

[0075] AIC＝2k‑2ln(L)

[0076] 其中k是参数的数量，L是似然函数。从一组可供选择的模型中选择最佳模型时，通常选择赤池信息准则函数值最小的模型。声发射信号是时间序列信号，则可以利用赤池信息准则来确定声发射信号到达时间。整体时间序列被分为具有最大似然估计以及后半部分的两个时间窗口。赤池信息准则函数值计算公式为，

[0077] AIC(t)＝tlog10(var(R(1,t)))+(T‑t‑1)log10(var(R(t+1,T)))[0078] 其中var(R)表示R的方差，R(1,t)为从1到t的时间窗口。赤池信息准则函数值取得最小值时则认为对应声发射信号的准确到达时间。

[0079] 步骤S36中，将任意两个各声发射传感器采集到声发射信号的时间差数据作为训练数据，利用基于贝叶斯优化的长短时记忆神经网络建立声发射信号到达时差与损伤位置的关系模型。长短时记忆神经网络是一种改进的循环神经网络，其基本单元是记忆模块，其中包含记忆单元和三个控制记忆单元状态的门结构，分别是遗忘门、输入门和输出门。长短时记忆通过门来控制丢弃或者增加信息，从而实现遗忘或记忆的功能。门是一种使信息选择性通过的结构，由一个sigmoid函数和一个点乘操作组成。sigmoid函数的输出值在[0,1]区间，0代表完全丢弃，1代表完全通过，tanh为双曲正弦函数，他可以确保输出的元素值在(‑1,1)之间。遗忘门是以上一个单元的输出ht‑1和本单元的输入xt为输入的sigmoid函数，为Ct‑1中的每一项产生一个在[0,1]内的值，来控制上一单元状态被遗忘的程度。

[0080] ft＝σ(Wf·[ht‑1,xt]+bf)

[0081] 输入门和一个tanh函数配合控制新信息的加入。tanh函数产生一个新的候选向量Ct％，输入门为Ct％中的每一项产生一个在[0,1]内的值，控制新信息被加入的多少。

[0082] Ct＝ft*Ct‑1+it*Ct％

[0083] it＝σ(Wi·[ht‑1,xt]+bi)

[0084] Ct％＝tanh(WC·[ht‑1，xt]+bC)

[0085] 输出门用来控制当前的单元状态有多少被过滤掉。先将单元状态激活，输出门为其中每一项产生一个在[0,1]内的值，控制单元状态被过滤的程度。

[0086] ot＝σ(Wo[ht‑1,xt]+bo)

[0087] ht＝ot*tanh(Ct)

[0088] 步骤S37中，神经网络模型为长短时记忆神经网络，包括输入层，隐藏层和输出层，如图8所示，其中隐藏层由第一长短时记忆神经网络层、随机置零层、全连接层、第二长短时记忆神经网络层、回归层组成，而第一长短时记忆神经网络层和第二长短时记忆神经网络层均包含1200个长短时记忆单元。

[0089] 步骤S37中，损伤定位时，声发射信号到达时差与损伤位置的关系模型的输入测试集的时差数据应与训练集的时差数据一一对应，即测试集和训练集的时差数据各自对应的传感器对的排列顺序应一致。

[0090] 实施例

[0091] (1)本实施例研究的主要内容是正交异性钢桥面板损伤定位，用以验证本专利所提出的基于经验小波和长短时记忆神经网络的声发射源定位(结构的损伤定位相对于传感器的位置)方法的有效性和实用性。所用实验设备为一套多通道声发射数据采集系统。声发射传感器的工作频率范围为100‑1000kHz，使用磁性夹具和耦合剂将四个声发射传感器安装在待测区域网格顶点位置，然后通过前置放大器连接至数据采集板卡进行声发射数据采集，放大倍数设置为40dB，采样率设置为5MS/s。损伤声发射源通过标准断铅实验模拟，采用0.5mm直径的2H级铅芯，断铅长度为2.5mm。

[0092] (2)本实施例为在桥梁运营状态下对包含了三个纵向U肋的正交异性钢桥面板进行损伤定位实验。本实施例通过建立网格坐标系来确定结构的损伤定位相对于传感器的位置，并且在网格节点上进行断铅模拟声发射源，则节点坐标就是声发射源位置。选取的实验区域为3m×3m，并以150mm的网格间距对实验区域划分网格。由于考虑到定位结果往往仅取决于该位置周边网格节点上的时差数据，所以本次实验只选取了四分之一的测试区域的进行分析(图中由S1‑D2‑D3‑D4围成的区域)，并将验证点位置选取在位于S1‑D3对角线上网格中心位置。然后将声发射传感器安装在测试区域的四个顶点上，并以图2中，声发射传感器S1处的节点为坐标原点，沿板的纵向为X轴，横向为Y轴建立坐标系。如图2所示，本实施例选取10个验证点进行验证实验，其中验证点坐标分别为T1(75,75)、T2(225,225)、T3(375,375)、T4(525,525)、T5(675,675)、T6(825,825)、T7(975,975)、T8(1125,1125)、T9(1275,
1275)、T10(1425,1425)，在每个验证点上均重复5次断铅模拟声发射源，共获得50个验证样本。

[0093] (3)以图3所示传感器S1接收到的声发射信号为例，采用经验小波变换自适应地提取典型声发射信号特征模态分量，通过逆傅里叶变换得到各个特征经验小波分量的时域表示，结果如图4所示。通过对比，选取第2个模态分量为特征模态，这是采用因为第2个模态分量去定位结构的损伤位置时，计算出来的损伤位置与实际的损伤位置之间的误差最小。

[0094] (4)阈值交叉法确定到达时间的精度受阈值设定影响，故采用赤池信息准则确定到达时间，如图5虚线所示，当赤池信息准则函数值取到最小值时，对应的时间则作为声发射信号的准确到达时间。每组传感器对都能计算对应的时差数据，该时差数据则被用作长短时记忆神经网络模型的训练数据。

[0095] (5)图6所示为长短时记忆神经网络的基本单元。本发明采用一个输入层、一个第一长短时记忆神经网络层、一个随机置零层、一个全连接层、一个第二长短时记忆神经网络、一个回归层以及一个输出层来构建基于长短时记忆神经网络的声发射信号到达时差与损伤位置的关系模型。

[0096] (6)本实施例的实验结果如图7所示，本实施例在定位结构损伤位置时，相对误差为0.45(相对误差＝绝对误差/网格尺寸)，原低于现有检测方法的相对误差。