基于域自适应跨结构钢筋混凝土界面脱粘检测方法及系统与流程

本发明涉及钢筋混凝土界面脱粘检测领域，特别涉及基于域自适应跨结构钢筋混凝土界面脱粘检测方法及系统。

背景技术：

1、钢筋混凝土结构的界面脱粘问题一直是引发结构破坏乃至于大型灾难性事件发生的主要因素，因而成为结构健康监测(structural health monitoring,shm)领域的重点关注对象。近年来，基于导波传播(guided wave propagation,gwp)技术检测钢筋混凝土结构界面脱粘获得了大批研究者的目光。由于导波固有的对其波导边界条件的敏感性，钢筋混凝土的界面脱粘问题现象能够明显的反映在导波信号上。因此，很多学者将精力投入到发掘导波信号特征与结构脱粘状态的关系上。现有研究成果依据分析机理可以主要分为两大类：基于信号统计特征的统计模型方法和基于导波传播规律的物理模型方法。

2、统计模型方法主要通过寻找结构在不同损伤情况下的导波信号统计特征，建立信号特征和结构损伤间的统计拟合关系。如利用经验模态分解、小波包变换等统计方法将信号分解为多个无量纲参数的集合，再利用统计方法将无量纲参数转换为一个无明确物理意义的损失因子(damage index,di)，用其与结构损伤状态构建拟合关系，从而实现对导波信号的分析。物理模型方法主要关注于导波在结构中的传播行为，通过对波导频散的理论计算寻找出合适损伤分析的导波激励频率或模态，这种选择侧重于波在某些模态下的反常规律，并基于此进行结构的损伤分析。如利用钢筋与钢混结构上导波群速度的差异，通过不同波包的飞行时间(time of flight,tof)来计算结构上的脱粘段大小。

3、这两类方法都能够在特定结构下展示出较高的稳定性和有效性。然而，当方法真正应用在实际工程中时，总是会出现各种问题或限制导致在真实结构上无法适用。究其原因，是因为现有方法对于材料参数，结构参数以及环境参数都过于敏感。一旦应用结构的某参数与开发方法的结构参数有微小差异，方法就随之失效。对于统计模型方法而言，一旦结构中某项参数发生变化，原有的模型拟合结果就无法准确描述新结构中信号特征与损伤特征的关系，从而造成方法性能的显著下降。而基于物理模型的方法主要依靠理论分析中波导频散曲线中的反常特征(某一模态的波速或传播衰减率)来进行结构的损伤分析，一旦相关参数发生变化，其频散规律的变化导致原有的分析规律不再适用，进而降低的方法准确性甚至给出完全错误的结果。并且，这类问题很难通过在新结构上重新试验，构建新方法参数来解决。这是因为：一方面，实验室在材料选择、样本制备标准和检测环境等条件远好于真实情况，结构的完整性与均匀程度与真实的基础设施有区别。另一方面，不同批次原材料的性能差异和搅拌、浇筑过程中不可避免的差异会进一步导致结构在不同部位的区别。所以，解决上述问题的关键在于，开发出对材料、尺寸和环境参数敏感度低的，能够实现跨结构钢筋混凝土界面脱粘检测的分析方法。

技术实现思路

1、针对上述现有技术中的不足，本发明的第一个目的是提供一种基于域自适应跨结构钢筋混凝土界面脱粘检测方法，该方法以数据科学作为理论基础，基于深度学习理论中域自适应的思想，构建能够提取跨结构导波信号中的普适性特征的人工神经网络，实现在结构参数波动情况下的跨结构钢筋混凝土界面脱粘检测。

2、实现本发明第一个目的的技术方案是：本发明中基于域自适应跨结构钢筋混凝土界面脱粘检测方法，包括以下步骤：

3、step1：构建钢筋混凝土的源结构，所述源结构用于提供脱粘检测的诊断知识；设定待检测的钢筋混凝土结构为目标结构；

4、step2：对源结构和目标结构的导波信号进行基于连续小波变换的时频域信息提取，所述连续小波变换的计算公式为：

5、

6、其中，f(t)代表导波信号，f(t)∈l2(r)；l2(r)表示定义在实数域r上的所有平方可积函数的集合；wf(μ,τ)代表导波信号在空间尺度μ和时间尺度τ下的变换结果；

7、代表小波基函数的共轭；f(ω)代表导波信号的傅里叶变换；ψμ,τ(ω)代表小波基函数的傅里叶变换；

8、step3：构建基于域自适应的人工神经网络；对所述人工神经网络，首先对源模型进行特征学习和参数优化；所述源模型的优化目标为：

9、

10、其中，lce(·)代表分类任务的损失函数，一般使用交叉熵函数；xs,ys分别代表源结构导波信号和其对应的结构脱粘状态；es代表源结构对应的特征提取网络；ps代表源结构的结果预测网络；k代表结构脱粘状态的种类数量；xs，ys，k分别代表一组导波信号特征的样本，人工神经网络对该样本的预测状态以及该样本所属结构的真实脱粘状态；

11、step4：基于域自适应领域一对数据空间的对抗对齐和统计对齐理论，对目标模型进行引导式对抗自适应训练；所述目标模型的优化目标为：

12、

13、其中，lada(·)代表对抗对齐的损失函数；ldc(·)代表统计对齐的损失函数，这里使用最大均值差异作为损失函数；xt代表目标结构的导波信号；et代表目标结构对应的特征提取网络；d代表域判别器，用于实现es和et的对抗训练；λ代表统计对齐的权重；代表最大均值差异损失函数；xs和xt分别代表源结构和目标结构的导波信号样本；

14、step5：将在step3中获得的源结构的结果预测网络和在step4中获得的目标结构对应的特征提取网络组合，通过比对计算获得待检测的钢筋混凝土结构的脱粘诊断结果。

15、优选地，上述源结构是在已知脱粘状态的结构；对提供的源结构可进行脱粘检测的诊断知识时，是在已知脱粘状态的结构上进行波传播试验获得导波信号，同时记录导波信号和源结构的脱粘状态。

16、目标结构作为待检测的钢筋混凝土结构，因不知道其确切的脱粘状态，因此进行波传播试验只记录导波信号。

17、优选地，上述步骤step1步骤中构建多种脱粘状态的源结构的脱粘诊断知识；所述源结构提供的脱粘诊断知识多于目标结构需要的脱粘诊断知识。

18、优选地，上述step2步骤中：连续小波变换的小波基函数使用morlet小波，且类型在时频域上均与导波信号具有相关性。

19、优选地，上述step2步骤中导波信号的连续小波变换的频谱通过编写python脚本调整输出频谱的空间尺度和时间尺度为同一量级。以便适应后续神经网络的特征分析。

20、优选地，上述源模型由源结构的特征提取网络和结果预测网络两部分组成，特征提取网络采用卷积神经网络架构，适配使用二维卷积核的卷积神经网络骨架层；结果预测网络采用全连接网络架构，用于全连接层进行特征分析和结果输出。

21、优选地，源模型的优化是按照有监督学习方法，基于反向传播和梯度下降法最小化损失函数。以此使源模型充分学习到源结构数据的空间分布和映射关系。

22、优选地，上述step4步骤中目标模型的特征提取网络与所述step3中所述源模型的特征提取网络采用同一架构，并且在训练时将其初始网络参数预设为已经完成训练的源模型网络参数。

23、优选地，上述step4步骤中：所述目标模型的训练是按照无监督学习方法进行，目标模型的训练具有两个目标：a.构建域判别器判别源结构的特征提取网络和目标结构的特征提取网络的域标签，通过混淆的域标签来迫使目标结构的特征提取网络的提取特征具有与源结构的特征提取网络高度一致的数据分布结构，即为对抗对齐；b.构建源结构的特征提取网络和目标结构的特征提取网络输出的最大均值差异，该项主要描述两组分布在空间各阶距上平均差异的最大值，通过梯度下降法最小化该差异，迫使目标结构的网络提取的特征与源结构的特征具有统计相似性，即为统计对齐。

24、本发明的第二个目的是提供一种用于实行上述基于域自适应跨结构钢筋混凝土界面脱粘检测方法的检测系统。该检测系统能够通过学习训练逐步提高检测精度。

25、实现本发明第二个目的的技术方案是：本发明中用于基于域自适应跨结构钢筋混凝土界面脱粘检测系统，包括分布式pzt系统信息源、数据采集系统和基于域自适应的导波数据和分析系统；所述分布式pzt系统信息源为多个分布设置在待检测的钢筋混凝土结构上的单点式压电陶瓷pzt片的集合；所述数据采集系统用于对源结构和目标结构发出连续小波的信号和收集处理来自分布式pzt系统信息源的导波信号；所述基于域自适应的导波数据和分析系统包括存储器、处理器以及储存在存储器内并可在处理器运行下实现权利要求1中步骤step2至步骤step5的程序。

26、本发明具有积极的效果：本发明中钢筋混凝土界面脱粘检测系统和检测方法不再依赖于理论分析中的某个特征点或者人工统计的拟合关系来构建导波信号与结构脱粘的相关关系，而是基于数据科学从宏观的信号整体分布情况通过数据空间之间的非线性映射来寻找不同数据分布之间的普适性特征。通过本发明所述方法，脱粘检测方法对分析结构的材料、尺寸和环境参数的敏感性减弱，提高了脱粘检测方法在实际工程中应用的可行性，工程应用前景广泛。