CN110208377A - 一种基于Lamb波的多特征参数损伤程度评估方法 - Google Patents

Abstract

本发明公开了损伤检测技术领域的一种基于Lamb波的多特征参数损伤程度评估方法，旨在解决现有技术中采用手持设备人工检测结构损伤效率不高、时效性不强，采用高灵敏度超声检测设备进行检测成本过于高昂的技术问题。所述方法包括如下步骤：采集获取待检测结构不同损伤程度的Lamb波结构响应信号；提取Lamb波结构响应信号的特征参数；从Lamb波结构响应信号中提取训练样本集和测试样本集；基于遗传‑BP神经网络建立损伤评估模型；利用训练样本集中Lamb波结构响应信号的特征参数对损伤评估模型进行训练；将测试样本集中Lamb波结构响应信号的特征参数输入训练好的损伤评估模型，根据模型输出值评估结构损伤程度。

Description

一种基于Lamb波的多特征参数损伤程度评估方法

技术领域

本发明涉及一种基于Lamb波的多特征参数损伤程度评估方法，属于损伤检测技术领域。

背景技术

工程结构在实际应用中多为大型结构，可靠性要求高，且工作环境较为恶劣，对于其在长期运行中可能出现的损伤及时进行评估就显得极为重要，以确保在损伤初始状态便能够及时发现，从而避免发生更为严重的后果。

现有的结构损伤检测技术包括两类，即采用手持设备进行人工检测和采用高灵敏度超声检测设备自动检测。采用手持设备进行人工检测，要求检测人员具有较高的业务水平和丰富的实践经验，并且对于大型结构难以及时检测其损伤，检测效率不高，时效性不强。采用高灵敏度超声检测设备进行检测，虽然能够满足检测效率和时效性，但往往价格过于高昂。

发明内容

本发明的目的在于克服现有技术中的不足，提供了一种基于Lamb波的多特征参数损伤程度评估方法，包括如下步骤：

采集获取待检测结构不同损伤程度的Lamb波结构响应信号；

提取Lamb波结构响应信号的特征参数；

从Lamb波结构响应信号中提取训练样本集和测试样本集；

基于遗传-BP神经网络建立损伤评估模型；

利用训练样本集中Lamb波结构响应信号的特征参数对损伤评估模型进行训练；

将测试样本集中Lamb波结构响应信号的特征参数输入训练好的损伤评估模型，根据模型输出值评估结构损伤程度。

进一步地，采集获取待检测结构不同损伤程度的Lamb波结构响应信号，包括：

根据待检测结构区域大小，布设若干组压电片，构成激励/传感阵列；

上位机调制Lamb波激励信号，经功率放大器放大后作用于压电片，所述Lamb波激励信号包括5波峰Lamb波激励信号；

电荷放大器对压电片采集的Lamb波结构响应信号进行放大；

上位机采集放大后的Lamb波结构响应信号。

进一步地，提取Lamb波结构响应信号的特征参数，包括：

利用小波包变换对Lamb波结构响应信号进行分解，获取基于Lamb波结构响应信号的小波包树结构；

提取小波包树结构每个节点上的特征参数，所述特征参数包括：时域波形特征Bx、峰值特征信息Bf、能量频域分布Ef、能量百分比E。

进一步地，利用小波包变换对Lamb波结构响应信号进行分解，包括：选取与Lamb波波形一致的小波基函数对Lamb波结构响应信号进行分解。

进一步地，利用小波包变换对Lamb波结构响应信号进行分解，包括：

根据采集Lamb波结构响应信号所设置的采样点数，选取小波包树的分解层数；

按分解层数分解Lamb波结构响应信号，获取小波包树的时间频率图和小波包树每个节点的小波包系数图。

进一步地，时域波形特征Bx，包括如下计算公式：

式中，Bx(l,j)为第l层第j个节点的时域波形特征，为小波包树结构第l层上第j个节点的小波包系数，N为小波包系数的长度；

峰值特征信息Bf，包括如下计算公式：

式中，Bf(l,j)为第l层第j个节点的峰值特征信息；

能量频域分布Ef，包括如下计算公式：

式中，Ef(l,j)为第l层第j个节点的能量频域分布；

能量百分比E，包括如下计算公式：

式中，E(l,j)为第l层第j个节点的信号频域能量占l层信号频域总能量的百分比。

进一步地，从Lamb波结构响应信号中提取训练样本集和测试样本集，包括：

对Lamb波结构响应信号的特征参数进行归一化处理；

从归一化处理后的Lamb波结构响应信号中提取训练样本集和测试样本集；

训练样本集与测试样本集中Lamb波结构响应信号数量的比值的取值范围是[4，9]。

进一步地，基于遗传-BP神经网络建立损伤评估模型，包括：

根据结构不同损伤程度的数量，确定网络输出层的节点数；

根据提取特征参数的数量，确定网络输入层的节点数；

将输入层和输出层的节点数代入预设公式，计算获取网络隐含层的节点数；

根据网络输出层、输入层和隐含层的节点数，确定损伤评估模型的拓扑结构。

进一步地，利用训练样本集中Lamb波结构响应信号的特征参数对损伤评估模型进行训练，包括：

预设损伤评估模型参数，所述参数包括遗传代数、交叉概率、变异概率；

将训练样本集中Lamb波结构响应信号的特征参数输入损伤评估模型进行训练；

以误差最小为目标，根据训练过程中的误差变化曲线调整所述参数；

当误差小于预设阈值时，提取训练好的损伤模型；

预设阈值的取值范围是[0.01，0.03]。

与现有技术相比，本发明所达到的有益效果：Lamb波具有衰减速度慢、传播距离远的特点，且对结构的微小损伤较为敏感；利用小波包变换分析Lamb波结构响应信号，提取信号在时频域中与损伤相关性较大的特征参数，最后利用神经网络对损伤进行评估，具有使用成本低、检测效率高、时效性强的优点，同时降低了对从业人员技术要求。

附图说明

图1是本发明实施例中试件结构以及传感/激励阵列的布局示意图；

图2是本发明方法流程图；

图3是本发明实施例中通孔损伤的时频图；

图4是本发明实施例中通孔损伤的能量分布百分比图；

图5是本发明实施例中通孔损伤的小波包系数图；

图6是本发明实施例中小波包分解示意图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，是本发明实施例中试件结构以及传感/激励阵列的布局示意图，本发明实施例所采用的试件为环氧树脂结构复合材料板，尺寸为1000mm×500mm×3mm，该材料的密度为1960kg/m³，杨氏弹性模量为20GPa，泊松系数比为0.17。将32枚压电片按横向120mm、纵向120mm的间距均匀布置，纵向每列布置4枚压电片为一个小组，横向每行布置8枚压电片，共计8个小组，构成激励/传感线性阵列。相邻两行压电片之间的圆心孔为典型的通孔损伤，其直径自左向右依次递增，分别为0mm、1.5mm、2.5mm、3.5mm、4.5mm、5.5mm、6.5mm。由于圆心孔损伤便于模拟通孔损伤，因此可以在纵向相邻两枚压电片之间模拟，同时在原有基础上逐渐扩大损伤；最左侧相邻两行压电片之间为无损状态。压电片既可作为激励器，用以向试件结构中激发Lamb波信号；又可作为传感器，用以采集试件结构的Lamb波结构响应信号。纵向每相邻两个压电片构成一组，其中一个作为激励器，另一个作为传感器，两者协同完成数据采集；采用该激励/传感线性阵列进行一次测量，可采集到3×8＝24组数据。

如图2所示，是本发明方法流程图，一种基于Lamb波的多特征参数损伤程度评估方法，包括如下步骤：

步骤一，采集获取试件结构不同损伤程度的Lamb波结构响应信号。

利用电脑作为上位机调制5波峰Lamb波激励信号，通过数据采集卡发出，经功率放大器放大激励信号作用于压电片上，压电片经激励向试件结构中激发Lamb波信号，然后通过同组另一压电片采集Lamb波结构响应信号，经过电荷放大器放大，最后在电脑上完成Lamb波结构响应信号的采集。经实践证明，选取5波峰Lamb波，其激励信号与接收响应信号之间的重叠程度最小，有利于提高评估精度。

更具体地，首先，由一组压电片分别采集试件中7种不同损伤程度和1种无损伤，每种采集两次，获取16组Lamb波结构响应信号；然后，剩余23组压电片重复该过程，共计采集384组Lamb波结构响应信号。

步骤二，利用小波包变换提取Lamb波结构响应信号的特征参数。

(1)选取与5波峰Lamb波波形一致的小波基函数384组Lamb波结构响应信号进行分解，获取基于Lamb波结构响应信号的小波包树结构。小波基函数不是唯一的，经实践证明，选取与激励Lamb波波形一致的小波基函数能够获取最佳的评估效果。

更具体地，首先，根据采集Lamb波结构响应信号所设置的采样点数，选取小波包树的分解层数，所述采样点数是指构成Lamb波结构响应信号波形图的数据点的数量，本实施例中采样点数为1000，为确保评估效果，本实施例中选取小波包树的分解层数为3，如图6所示，是本发明实施例中小波包分解示意图，Lamb波结构响应信号F(t)经小波包变换三层分解后，其第三层节点数为8个，每个节点数据点数量为1000÷8＝125个，由于复合材料损伤波形截取后长度通常不超过128个数据点，因而每个节点125个数据点，既能够获取波形信号所有频段的能量特征信息，同时保留损伤的波形时域特征信息；然后，使用小波包变换对Lamb波结构响应信号进行三层全分解，获取小波包树的时间频率图和小波包树每个节点的小波包系数图，如图3、图4和图5所示，分别是本发明实施例中通孔损伤的时频图、能量分布百分比图、小波包系数图。

(2)提取小波包树结构每个节点上的特征参数，所述特征参数包括时域波形特征Bx、峰值特征信息Bf、能量频域分布Ef、能量百分比E，其中，时域波形特征Bx，包括如下计算公式：

式中，Bx(l,j)为第l层第j个节点的时域波形特征，为小波包树结构第l层上第j个节点的小波包系数，N为小波包系数的长度；

峰值特征信息Bf，包括如下计算公式：

式中，Bf(l,j)为第l层第j个节点的峰值特征信息；

能量频域分布Ef，包括如下计算公式：

式中，Ef(l,j)为第l层第j个节点的能量频域分布；

能量百分比E，包括如下计算公式：

式中，E(l,j)为第l层第j个节点的信号频域能量占l层信号频域总能量的百分比。

步骤三，从Lamb波结构响应信号中提取训练样本集和测试样本集。

更具体地，首先，对384组Lamb波结构响应信号的特征参数进行归一化处理；然后，将归一化处理后的Lamb波结构响应信号分为训练样本集和测试样本集；为确保训练效果，训练样本集与测试样本集中Lamb波结构响应信号数量的比值的取值范围是[4，9]。本实施例中，选取80组Lamb波结构响应信号作为训练样本集，选取10组Lamb波结构响应信号作为测试样本集。

步骤四，基于遗传-BP神经网络建立损伤评估模型。

更具体地，首先，根据结构不同损伤程度的数量确定网络输出层的节点数，本实施例中，共有六种损伤程度，直径分别为1.5mm、2.5mm、3.5mm、4.5mm、5.5mm、6.5mm，因而确定网络输出层的节点数为6个，每个节点对应一个损伤程度，圆心孔直径与网络输出值的对应关系如表1；

表1：

然后，根据提取特征参数的数量确定网络输入层的节点数，本实施例中Lamb波结构响应信号F(t)经小波包变换三层分解后，其第三层节点数为8个，每个节点提取Bx、Bf、Ef、E共4个特征参数，因而确定网络输入层的节点数为8×4＝32个；

接着，将输入层和输出层的节点数代入预设公式，计算获取网络隐含层的节点数为25个，预设公式如下：

式中，n₂为隐含层的节点数，n₁为输入层的节点数，l为输出层的节点数，α为常数，其取值范围是[1，10]；

最后，根据网络输出层、输入层和隐含层的节点数，确定损伤评估模型的拓扑结构。

步骤五，利用训练样本集中Lamb波结构响应信号的特征参数对损伤评估模型进行训练。

预设损伤评估模型参数，所述参数包括遗传代数、交叉概率、变异概率；

将训练样本集中Lamb波结构响应信号的特征参数输入损伤评估模型进行训练，以误差最小为目标，根据训练过程中的误差变化曲线去调整所述参数；

当误差小于预设阈值时，提取训练好的损伤模型，预设阈值的取值范围是[0.01，0.03]。

步骤六，将测试样本集中Lamb波结构响应信号的特征参数输入训练好的损伤评估模型，根据模型输出值评估结构损伤程度，若某种损伤程度输出值越接近1，其它损伤程度输出值越接近0，则表明其损伤程度符合已给出的对应损伤程度，反之则表明未能正确判断此种损伤程度，测试样本集中不同损伤程度识别效果如表2所示。

表2：

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (9)

1.一种基于Lamb波的多特征参数损伤程度评估方法，其特征是，包括如下步骤：

采集获取待检测结构不同损伤程度的Lamb波结构响应信号；

提取Lamb波结构响应信号的特征参数；

从Lamb波结构响应信号中提取训练样本集和测试样本集；

基于遗传-BP神经网络建立损伤评估模型；

利用训练样本集中Lamb波结构响应信号的特征参数对损伤评估模型进行训练；

将测试样本集中Lamb波结构响应信号的特征参数输入训练好的损伤评估模型，根据模型输出值评估结构损伤程度。

2.根据权利要求1所述的基于Lamb波的多特征参数损伤程度评估方法，其特征是，采集获取待检测结构不同损伤程度的Lamb波结构响应信号，包括：

根据待检测结构区域大小，布设若干组压电片，构成激励/传感阵列；

上位机调制Lamb波激励信号，经功率放大器放大后作用于压电片，所述Lamb波激励信号包括5波峰Lamb波激励信号；

电荷放大器对压电片采集的Lamb波结构响应信号进行放大；

上位机采集放大后的Lamb波结构响应信号。

3.根据权利要求1所述的基于Lamb波的多特征参数损伤程度评估方法，其特征是，提取Lamb波结构响应信号的特征参数，包括：

利用小波包变换对Lamb波结构响应信号进行分解，获取基于Lamb波结构响应信号的小波包树结构；

提取小波包树结构每个节点上的特征参数，所述特征参数包括：时域波形特征Bx、峰值特征信息Bf、能量频域分布Ef、能量百分比E。

4.根据权利要求3所述的基于Lamb波的多特征参数损伤程度评估方法，其特征是，利用小波包变换对Lamb波结构响应信号进行分解，包括：选取与Lamb波波形一致的小波基函数对Lamb波结构响应信号进行分解。

5.根据权利要求3所述的基于Lamb波的多特征参数损伤程度评估方法，其特征是，利用小波包变换对Lamb波结构响应信号进行分解，包括：

根据采集Lamb波结构响应信号所设置的采样点数，选取小波包树的分解层数；

按分解层数分解Lamb波结构响应信号，获取小波包树的时间频率图和小波包树每个节点的小波包系数图。

6.根据权利要求5所述的基于Lamb波的多特征参数损伤程度评估方法，其特征是，

时域波形特征Bx，包括如下计算公式：

式中，Bx(l,j)为第l层第j个节点的时域波形特征，为小波包树结构第l层上第j个节点的小波包系数，N为小波包系数的长度；

峰值特征信息Bf，包括如下计算公式：

式中，Bf(l,j)为第l层第j个节点的峰值特征信息；

能量频域分布Ef，包括如下计算公式：

式中，Ef(l,j)为第l层第j个节点的能量频域分布；

能量百分比E，包括如下计算公式：

式中，E(l,j)为第l层第j个节点的信号频域能量占l层信号频域总能量的百分比。

7.根据权利要求1所述的基于Lamb波的多特征参数损伤程度评估方法，其特征是，从Lamb波结构响应信号中提取训练样本集和测试样本集，包括：

对Lamb波结构响应信号的特征参数进行归一化处理；

从归一化处理后的Lamb波结构响应信号中提取训练样本集和测试样本集；

训练样本集与测试样本集中Lamb波结构响应信号数量的比值的取值范围是[4，9]。

8.根据权利要求1所述的基于Lamb波的多特征参数损伤程度评估方法，其特征是，基于遗传-BP神经网络建立损伤评估模型，包括：

根据结构不同损伤程度的数量，确定网络输出层的节点数；

根据提取特征参数的数量，确定网络输入层的节点数；

将输入层和输出层的节点数代入预设公式，计算获取网络隐含层的节点数；

根据网络输出层、输入层和隐含层的节点数，确定损伤评估模型的拓扑结构。

9.根据权利要求1所述的基于Lamb波的多特征参数损伤程度评估方法，其特征是，利用训练样本集中Lamb波结构响应信号的特征参数对损伤评估模型进行训练，包括：

预设损伤评估模型参数，所述参数包括遗传代数、交叉概率、变异概率；

将训练样本集中Lamb波结构响应信号的特征参数输入损伤评估模型进行训练；

以误差最小为目标，根据训练过程中的误差变化曲线调整所述参数；

当误差小于预设阈值时，提取训练好的损伤模型；

预设阈值的取值范围是[0.01，0.03]。