本发明专利技术提出一种基于声发射的桥梁钢桁架焊接节点损伤程度识别方法，包括：S1，通过声发射传感器采集桥面车流经过时钢桁架焊接节点产生的声发射信号；S2，采用连续小波变换时频分析方法提取声发射信号在时频域的能量分布，得到时频图；S3，利用时频图构建数据集对深度学习模型进行训练和验证，得到能够自动识别钢桁架焊接节点损伤程度的深度学习模型；S4，将时频图测试数据集输入训练好的深度学习模型，进而输出钢桁架焊接节点损伤程度识别结果。该方法发挥了小波时频分析在处理非平稳信号方面的优势，以及卷积神经网络强大的图像特征提取和分类能力，充分考虑了桥梁运营噪声的影响，能实现对钢桁架焊接节点损伤程度的智能识别与分类。别与分类。别与分类。
【技术实现步骤摘要】
一种基于声发射的钢桁架焊接节点损伤程度识别方法
[0001]本专利技术涉及一种基于声发射的钢桁架焊接节点损伤程度识别方法，属于土木工程结构监测
技术介绍
[0002]钢结构桥梁具有轻质高强、抗弯刚度大、便于装配化施工等优点，是大跨度桥梁的重要发展方向。但由于服役环境、荷载条件等因素的影响，其疲劳损伤问题突出，成为影响钢结构桥梁运营安全的难题。焊接节点是钢结构桥梁的重要传力构件，节点焊缝的疲劳开裂是桥梁的常见病害之一，在桥梁的日常运营与维护中耗费大量的人力和物力。钢结构桥梁焊接节点疲劳损伤智能检测与监测已成为亟需研究的课题。
[0003]目前基于桥梁振动响应的结构损伤识别方法通常利用频率、振型等模态参数来识别结构损伤，该类方法适用于结构整体状态的评估，但对构件局部微小损伤的及时诊断仍存在困难。对于结构重要构件的局部损伤识别与监测，超声等无损检测技术具有强大的优势。其中，声发射作为一种被动式的超声检测技术，利用材料在损伤过程中释放的瞬态弹性波实现损伤的识别与定位，对裂纹萌生和扩展高度敏感，对几何形状复杂的结构适应性强，可用于在役工程结构及其构件的长期动态监测。
[0004]利用声发射进行结构损伤检测与监测通常需要建立对损伤敏感的指标，从大量的声发射信号中提取损伤信息。常用的时域和频域参数，如幅值、持续时间、峰值频率等，在实际中容易受到信号反射、频散现象和环境噪声干扰。时频分析可以在时频域上显示非平稳信号的固有特征，表征不同类型的声发射信号在不同时频尺度上能量分布模式。小波变换作为强有力的时频分析工具，具有优越的时频局域化性能，可以有效平衡时频分辨率的矛盾。
[0005]近年来，以卷积神经网络为代表的深度学习在图像分类、模式识别等方面展示出了极大的优势，利用卷积神经网络解决结构损伤识别问题成为结构健康监测领域的研究热点。卷积神经网络通过卷积过程可以有效捕获数据特征，并且使用稀疏连接的神经元和池化过程来减少计算量，实现特征的学习和表达，同时可以执行分类过程。其核心思想是通过组合大量底层特征形成更多抽象的高层特征用于表示属性或类别。随着深度学习的兴起，具有各种结构的卷积神经网络已应用于利用振动数据、声学数据和图像数据的结构损伤检测中。
技术实现思路
[0006]专利技术目的：声发射信号在桥梁钢桁架焊接节点等具有复杂几何构造的结构中通常以兰姆波的形式传播，在桥梁正常运营状态下，极易受到反射、频散现象和环境噪声等干扰，使得传感器接收的声发射信号成分十分复杂。针对桥梁钢桁架结构运营状态下的损伤程度识别尚无切实有效的方法。本专利技术旨在考虑声发射信号受到反射、频散现象和环境噪声等干扰的情况下，利用声发射监测数据，通过时频分析和深度学习方法对声发射信号进
行处理，实现桥梁钢桁架焊接节点的损伤程度的准确识别。其精度较传统的参数分析、时频分析等方法有显著提升，为声发射技术在桥梁局部损伤识别中的研究应用提供新的思路。
[0007]技术方案：为了解决上述技术问题，本专利技术提出一种基于声发射的桥梁钢桁架焊接节点损伤程度识别方法，该方法包括以下步骤：
[0008]S1，通过声发射传感器采集桥面车流经过时钢桁架焊接节点产生的声发射信号；
[0009]S2，提取声发射信号在时频域的能量分布以得到时频图；
[0010]S3，利用时频图构建数据集对深度学习模型进行训练和验证以得到能够自动识别出钢桁架焊接节点损伤程度的深度学习模型；
[0011]S4，将时频图测试数据集输入到已训练好的深度学习模型，进而输出钢桁架焊接节点损伤程度分类与识别结果。
[0012]进一步的，步骤S1中，通过声发射传感器采集桥面车流经过时钢桁架焊接节点产生的声发射信号的方法如下：
[0013]S11，选取待测钢桁架焊接节点，确定声发射传感器数量和安装位置；
[0014]S12，在桥梁运营状态下采集桥面车流通过待测钢桁架所在位置时焊接节点产生的声发射信号。
[0015]而且，步骤S1中，为了减轻声发射信号在传播过程中反射、频散现象以及环境噪声的干扰，将传感器安装在不同损伤程度的钢桁架焊接节点板上相同位置处，采集桥面车流通过待测钢桁架所在位置时焊接节点产生的声发射信号。
[0016]进一步的，步骤S2中，采用连续小波变换方法对声发射时域信号进行处理以得到不同损伤工况声发射信号的时频特征和能量分布模式。
[0017]进一步，在步骤S3中，基于Alexnet框架建立卷积神经网络深度学习模型，将训练集与验证集输入到深度学习模型中对模型进行训练与验证，得到能够自动识别出钢桁架焊接节点损伤程度的深度学习模型。步骤S3中，所述深度学习模型的训练方法如下：
[0018]S31，根据待监测区域钢桁架焊接节点实际损伤情况划分不同损伤程度的工况，分别为严重损伤工况、轻微损伤工况、无损伤工况，并将其作为对应声发射信号的标签；所述工况的确定是根据现场钢桁架焊接节点的实际损伤情况划分的，严重损伤工况可见明显开裂，轻微损伤工况有细微裂纹，无损伤工况无肉眼可见裂纹，以此划分为三个工况。
[0019]S32，按照固定比例从不同工况中随机抽取时频图构建训练、验证和测试数据集；
[0020]S33，基于Alexnet框架建立卷积神经网络深度学习模型，模型包括1个输入层(Input)，5个卷积层(Conv)，7个非线性激活层(ReLU)，2个局部响应归一化层(Norm)，3个池化层(Pool)，3个完全连接层(FC)，2个随机失活层(Drop)，1个分类层(Softmax)和1个输出层(Output)。具体结构如下：
[0021](1)输入层Input中将每一个声发射信号时频图调整为227
×
227
×
3大小的RGB图像，以适配模型输入要求；
[0022](2)第一层卷积层Conv1中定义96个卷积核，大小为11
×
11
×
3，步长为4，无填充。对输入进行卷积运算生成55
×
55
×
96特征映射，采用ReLU函数激活，Norm1层进行归一化处理，Pool1层设定池化方式为最大池化，经过池化运算生成27
×
27
×
96特征映射；
[0023](3)第二层卷积层Conv2中定义256个卷积核，大小为5
×5×
3，步长为1，填充为2。对Pool1层输出进行卷积运算生成27
×
27
×
256特征映射，采用ReLU函数激活，Norm2再次进
行归一化处理，Pool2层设定池化方式为最大池化，经过池化运算生成13
×
13
×
256特征映射；
[0024](4)第三层卷积层Conv3中定义384个卷积核，大小为3
×3×
3，步长为1，填充为1。对Pool2层输出进行卷积运算生成13
×
13
×
3本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于声发射的桥梁钢桁架焊接节点损伤程度识别方法，其特征在于，包括以下步骤：S1，通过声发射传感器采集桥面车流经过时钢桁架焊接节点产生的声发射信号；S2，提取声发射信号在时频域的能量分布，得到时频图；S3，利用时频图构建数据集对深度学习模型进行训练和验证以得到能够自动识别出钢桁架焊接节点损伤程度的深度学习模型；S4，将时频图测试数据集输入到已训练好的深度学习模型，进而输出钢桁架焊接节点损伤程度分类与识别结果。2.根据权利要求1所述的基于声发射的桥梁钢桁架焊接节点损伤程度识别方法，其特征在于，步骤S1中，通过声发射传感器采集桥面车流经过时钢桁架焊接节点产生的声发射信号的方法如下：S11，选取待测钢桁架焊接节点，确定声发射传感器数量和安装位置；S12，在桥梁运营状态下采集桥面车流通过待测钢桁架所在位置时焊接节点产生的声发射信号。3.根据权利要求1所述的基于声发射的桥梁钢桁架焊接节点损伤程度识别方法，其特征在于，步骤S2中，采用连续小波变换方法对声发射时域信号进行处理以得到不同损伤工况声发射信号的时频图。4.根据权利要求1所述的基于声发射的桥梁钢桁架焊接节点损伤程度识别方法，其特征在于，步骤S3中，所述深度学习模型的训练方法如下：S31，根据待监测区域钢桁架焊接节点实际损伤情况划分不同损伤程度的工况，并将其作为对应声发射信号的标签；S32，按照固定比例从不同工况中随机抽取时频图构建训练、验证和测试数据集；S33，基于Alexnet框架建立卷积神经网络深度学习模型，模型包括1个输入层(Input)，5个卷积层(Conv)，7个非线性激活层(ReLU)，2个局部响应归一化层(Norm)，3个池化层(Pool)，3个完全连接层(FC)，2个随机失活层(Drop)，1个分类层(Softmax)和1个输出层(Output)，模型的具体结构如下：(1)输入层Input中将每一个声发射信号时频图调整为227
×<...
【专利技术属性】
技术研发人员：李丹，沈鹏，聂佳豪，王浩，朱蕾，
申请(专利权)人：东南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。