基于相对值及数据驱动的非线性超声导波裂纹定位方法

1.本发明涉及板状结构中裂纹的定位问题，尤其是涉及一种基于相对值及数据驱动的非线性超声导波裂纹定位方法。


背景技术：

2.疲劳裂纹是板状结构中常见的损伤形式，其萌生及扩展阶段占据结构寿命的70％以上，而扩展为宏观裂纹前不易被发现，极易引发安全事故。超声导波检测是板状结构健康检测的重要手段，已在大面积薄板状态检测中获得广泛研究与探索应用，但是传统的线性超声导波检测方法无法检测出疲劳裂纹。近年来研究发现，材料性能退化的检测与表征与超声非线性效应关系密切，非线性超声理论的发展使板状结构中的疲劳裂纹检测成为可能。因导波的传播机理复杂、非线性导波信号特征微弱、导波信号的多模态及频散特性等问题的存在，在板状结构中准确定位裂纹难度较大。为解决上述问题，可从数据角度出发，利用数据驱动方法在高维度空间具有较强特征提取和逻辑判断的优势，分析导波信号。但现有的基于数据驱动方法实现损伤定位的研究均属于线性导波范畴，在非线性导波定位研究方面存在空白。
3.基于数据驱动方法实现疲劳裂纹的非线性导波定位研究存在一个问题：难以获取充足的数据用于神经网络训练，充足的数据量是决定神经网络预测性能的关键。目前，线性导波定位研究中获取数据的方式主要有两种：实验方法，加工处于不同位置的损伤试样，进行实验测量得到数据，所得数据量与试样加工的数量相关。另一种是有限元仿真方法，在仿真软件中建立与真实工况相似的有限元模型，不断改变模型中损伤的绝对位置，即可得到大量仿真数据。因在板状结构中加工疲劳裂纹耗时长、成本高且难度大，故利用实验方法获取数据的思路是不可行的。传统的有限元仿真方法是通过改变损伤在板中的绝对位置建立仿真模型，并采集固定节点处的离面位移数据，数据量的大小取决于模型建立的数量。有限元模型的训练周期长，对电脑运算性能要求高，因此通过传统的有限元仿真方法建立训练数据集，需要较强的电脑性能及较高的时间成本。


技术实现要素：

4.本发明的目的就是为了克服板状结构中裂纹定位困难、数据驱动方法中难以获取充足数据的问题，而提供一种基于相对值及数据驱动的非线性超声导波裂纹定位方法，利用本发明可简单、便捷的建立数据集，且基于建立的非线性特征数据集及神经网络模型可实现板状结构中裂纹的准确定位。
5.本发明的目的可以通过以下技术方案来实现：
6.一种基于相对值及数据驱动的非线性超声导波裂纹定位方法，包括以下步骤：
7.采集被测对象在激励信号下的响应信号，对所述响应信号进行小波变换，提取对应的非线性特征；
8.基于所述非线性特征，采集预先训练的定位预测模型获得对应的裂纹位置相对
值，以定位被测对象的裂纹；
9.其中，所述定位预测模型采用引入注意力机制的一维卷积神经网络，对所述定位预测模型进行训练的过程包括：
10.在极坐标系下建立含裂纹损伤的板状结构的有限元仿真模型，获取有效节点处的离面位移数据，对离面位移数据进行小波变换，建立非线性特征数据集；
11.基于非线性特征数据集训练定位预测模型，该定位预测模型表征非线性特征与裂纹位置相对值的映射关系。
12.进一步地，所述有限元仿真模型包括激励阵元和裂纹损伤单元，以激励阵元为极坐标原点，在保证裂纹损伤单元与原点距离不变的条件下，不断改变裂纹损伤单元的极角值，建立多个仿真模型，从而获取有效节点处的离面位移数据。
13.进一步地，所述有效节点基于数据集建立要求确定。
14.进一步地，所述有效节点采用方形布阵方式布置，方形阵中的阵元数量和阵元间距为可调变量，构造不同阵元数量、不同阵元间距下的离面位移数据集。
15.进一步地，基于非线性特征数据集训练定位预测模型时，打乱数据集内样本次序后，再划分为训练集、测试集和验证集。
16.进一步地，所述一维卷积神经网络包括均带有注意力机制的初步特征提取模块和特征增强提取模块。
17.进一步地，所述裂纹位置相对值包括长度相对值和角度相对值。
18.进一步地，所述激励信号为10周期汉宁窗调制的正弦波时域脉冲信号。
19.进一步地，采用morlet小波基函数实现所述小波变换。
20.本发明还提供一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如上所述基于相对值及数据驱动的非线性超声导波裂纹定位方法的指令。
21.与现有技术相比，本发明具有以下有益效果：
22.1、本发明首次提出利用数据驱动方法及非线性超声导波信号特征实现板状结构中的裂纹定位，能够简单、便捷的建立数据集，并准确地定位裂纹位置；
23.2、与改变损伤绝对位置的建模方式相比，本发明相对值概念的引入大幅降低了创建数据集的成本，同时在相对值概念下，不同模型中各节点接收信号的特征具有高度相似性，可替代使用，即相对值概念引入后数据具有广泛适用性，进而提高了利用仿真数据训练所得神经网络模型应用的广泛性；
24.3、本发明采用引入注意力机制的一维卷积神经网络构建定位预测模型，能够增强神经网络对非敏感特征的提取，提升裂纹位置预测的准确性；
25.4、为解决大面积板类结构的损伤定位问题提供一种新的研究思路。
附图说明
26.图1为本发明的流程示意图；
27.图2为有限元模型示意图；
28.图3为1d-attention-cnn模型示意图；
29.图4为不同模型相同相对值标签条件下信号非线性特征对比图；
30.图5为裂纹定位结果示意图；
31.图6为测试集的预测结果。
具体实施方式
32.下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
33.本发明提供一种基于相对值及数据驱动的非线性超声导波裂纹定位方法，包括以下步骤：采集被测对象在激励信号下的响应信号，对所述响应信号进行小波变换，提取对应的非线性特征；基于所述非线性特征，采集预先训练的定位预测模型获得对应的裂纹位置相对值，以定位被测对象的裂纹。其中，所述定位预测模型采用引入注意力机制的一维卷积神经网络，对定位预测模型进行训练的过程包括：在极坐标系下建立含裂纹损伤的板状结构的有限元仿真模型，获取有效节点处的离面位移数据，对离面位移数据进行小波变换，建立非线性特征数据集；基于非线性特征数据集训练定位预测模型，该定位预测模型表征非线性特征与裂纹位置相对值的映射关系。
34.上述方法利用数据驱动方法及非线性超声导波信号特征实现板状结构中的裂纹定位，可简单、便捷的建立数据集，并准确地定位裂纹位置。同时，本发明引入相对值概念，当两个模型不同，但损伤“相对值”标签相同时，可认为两模型的损伤处于同类位置，且模型中各节点接收信号的特征具有高度相似性，可替代使用，即相对值概念引入后数据具有广泛适用性，大幅降低了创建数据集的成本。
35.如图1所示，该方法中，定位预测模型的构建及训练过程如下。
36.1、有限元模型构造
37.(1)模型结构参数设置
38.使用abaqus/explicit软件建立的铝板(300
×
200
×
2mm3，密度：2750kg/m3，杨氏模量：74919.65mpa，泊松比：0.331)的有限元模型，示意图如图2所示，仿真过程中不考虑材料非线性及运动非线性。有限元模型中设置一个裂纹损伤单元(10
×
15mm2)，其根据螺栓连接处易萌生裂纹的工况设计，由一个直径5mm的圆形通孔及一个长度为7.5mm的裂纹组成，其中，裂纹面被设置为硬接触、无摩擦且可张开/闭合。
39.(2)网格参数设置
40.综合考虑模型计算准确性、计算效率等因素，网格划分时单元体尺寸设为1mm，细化裂纹损伤单元的网格，对裂纹进行局部网格划分，裂纹处利用60个nodes等分。
41.(3)激励信号参数设置
42.本次仿真中激励阵元单一且位置固定，在激励阵元位置对称加载离面位移信号，激励信号为10周期汉宁窗调制的正弦波时域脉冲信号，其中，位移信号幅值取1e-6m，激励频率设为280khz。
43.(4)完整数据获取
44.模型中激励阵元数量唯一且位置固定，且将其设为极坐标系原点，裂纹损伤单元的极坐标为(m,θ)，仿真中裂纹损伤单元与激励阵元的绝对距离保持不变(40mm)，即m＝40，此时θ成为改变裂纹损伤单元位置的唯一变化量。为得到完整数据集，仅需通过改变θ(θ∈
[25
°
,80
°
]，变化间隔为5
°
)建立仿真模型，共建立12个仿真模型。此种方式获取的数据集与在笛卡尔坐标系下，阵元位置固定，改变裂纹损伤单元绝对位置得到的数据集类似。
[0045]
本实施例通过接收阵元采集响应信号。相对值概念要求仿真模型在极坐标系下建立，且激励阵元位置固定，数量唯一。以激励阵元为坐标原点(极点)，在保证裂纹损伤单元与坐标原点距离不变的条件下，不断改变裂纹损伤单元的极角值，建立多个仿真模型，并获取有效节点(即有效阵元)处的离面位移数据。有效阵元处的离面位移数据是指在单一仿真模型中，采集所有节点的离面位移数据，后续根据数据集建立的要求确定有效节点，构造不同阵元数量、不同阵元间距下的离面位移数据集。数据集建立的要求包括两部分：方形布阵方式要求和阵元数量要求，方形阵列方式下阵元间距相等，阵元数量可限定在8、12、16和20等多种情况。
[0046]
2、数据处理
[0047]
(1)非线性特征提取
[0048]
为获取响应信号中的二次谐波特征成分，采用小波变换对响应信号进行时频分析，获取二倍频(560khz)附近的小波系数，用于后续神经网络模型训练。
[0049]
设待分析信号f(t)∈l2(r)，对小波基函数ψ(t)进行伸缩和平移变换可得到小波序列，f(t)的小波变换定义为：
[0050][0051]
其中，a是伸缩因子，b是平移因子，wt(a,b)表示f(t)和小波基函数ψ(t)在不同尺度空间内的相似性。
[0052]
激励信号采用10周期hanning窗调制的正弦波，对比常用的小波基函数，选用morlet小波基函数来提取导波信号中的非线性特征。
[0053]
(2)非线性特征数据集创建
[0054]
本实施例选用16个阵元的方形布阵方式，等间距获取接收阵元所在节点的离面位移数据，阵元间距l自5mm增加至56mm(1mm步进)，最终构造出52种阵元间距的导波原始时域信号数据集。在此基础上，利用小波变换计算时域信号二倍频处的小波系数，构造与导波原始时域信号数据集相对应的非线性特征数据集，将其作为神经网络的输入。
[0055]
(3)相对值标签创建
[0056]
本发明将裂纹定位问题被转化为回归类问题，与现有研究不同，本发明建立的是“相对值”标签：角度相对值标签(即角度相对值，angle relative))和距离相对值标签(即长度相对值，length relative)。若激励阵元所在位置为极坐标系原点，裂纹损伤单元的极坐标为(θ,m)，则角度相对值标签为θ/90
°
，长度相对值标签为m/m，其中m表示裂纹损伤单元与激励阵元(坐标原点)的绝对距离，m表示方形检测区域的边长。
[0057]
本发明提出：当两个模型不同，但损伤“相对值”标签相同时，可认为两模型的损伤处于同类位置，且模型中各节点接收信号的特征具有高度相似性，可替代使用，即相对值概念引入后数据具有广泛适用性。
[0058]
为证明上述观点，在角度相对值标签与距离相对值标签相同的情况下，改变检测区域面积(即方形阵列的边长)，建立a和b两个仿真模型。裂纹损伤单元的极坐标分别设为(40
°
,40)和(40
°
,80)，模型a的检测区域设为40
×
40mm2，模型b的检测区域设为80
×
80mm2，
即两模型的相对值标签一致。图4中的(a)(b)分别表示模型a下两阵元接收信号中的非线性特征量，图4中的(c)(d)分别表示模型b下两阵元接收信号的非线性特征量。
[0059]
横向对比，point-a1与point-a2处于不同的接收位置，两信号的非线性特征存在差异，故同一模型下不同位置接收信号的非线性特征不同；纵向对比，point-a1与point-b1的位置虽然不同，但在相对值范畴下，二者属于同一类接收位置，且两信号特征相似，仅在幅值上存在差异，point-a2与point-b2对比结果亦是如此，故当相对标签值相同时，不同模型下同类位置接收信号的非线性特征相似。因此，“相对值”标签引入后，若希望获取大量数据，仅需在极坐标系下改变仿真模型裂纹损伤单元的极坐标θ，所得数据即可用于检测区域面积不同时的裂纹定位分析。此外，实际检测时，检测区域面积与裂纹损伤单元所在位置各不相同，在使用常规仿真方法及“绝对值”标签情况下，仿真数据无法涵盖实际情况，进一步说明“相对值”标签引入的必要性。
[0060]
(4)数据集划分
[0061]
为提高模型精度及模型训练的收敛速度，对数据进行标准化处理，将其转化为符合n(0,1)正态分布的无量纲数值。另外，因神经网络的数据拟合能力过强，如果在一个batch中反复出现相同排列规律的样本，神经网络会将排列规律当作一种特征进行学习，易出现过拟合，降低模型的泛化能力，故需要打乱数据集内样本次序。最后，数据集划分为两部分：90％为训练集，10％为测试集，此外，20％的训练集被作为验证集。
[0062]
3、1d-attention-cnn模型训练
[0063]
本发明针对板状结构中的一维导波信号特征提取提出的1d-attention-cnn结构如图3所示，其具有均带有注意力机制的初步特征提取模块和特征增强提取模块，主要由数据输入层、一维卷积层、池化层、注意力机制层、fc层、输出层等部分组成。该模型将导波非线性特征数据作为输入，将裂纹位置相对值作为输出。
[0064]
首先，将导波信号的二倍频附近的小波系数作为神经网络输入，经过两次卷积、池化计算后，引入注意力机制层建立各特征空间、各特征提取通道之间的联系，完成初步特征提取。其中，注意力机制层包括通道注意力单元和空间注意力单元。接着，利用卷积层、池化层及注意力机制层再次提取特征，进一步增强神经网络对非敏感特征的提取。提取好的特征依次经过3个交替出现的fc层(64、32、16)与dropout层(输出)计算，最后输出裂纹的极角值与距离的相对值，用于确定裂纹位置。研究过程中，反复试验调整相关参数，最终得到的模型参数如图3所示。另外，利用relu激活函数实现特征的非线性映射，网络训练过程中选用rmsprop优化算法，学习率设为0.001，损失函数选择mse，迭代次数设为100。
[0065]
4、模型预测
[0066]
神经网络模型训练完成后，对θ＝40
°
，l＝30mm的裂纹模型测试集数据进行预测，结果如图5所示，裂纹尖端预测位置与实际位置接近。图6为测试集数据的角度及阵元间距的预测结果，角度预测值与阵元间距预测值有序分布在对角线两侧，这表明预测值和真实值之间存在高度一致性，预测结果准确。
[0067]
在获得训练完成可使用的定位预测模型后，即可对需要进行裂纹定位的被测对象进行激励，并采集相应响应信号，从响应信号中提取非线性特征，输入定位预测模型，基于非线性特征数据与裂纹位置相对值的映射关系，实现裂纹定位。
[0068]
上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以
存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0069]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。