本发明属于模式识别领域,具体涉及一种基于堆叠自编码器的分布式应变微小裂缝检测系统及方法。
背景技术:
裂缝检测一直是结构健康监测领域中的重要课题。裂缝检测方法包含了人工观测的方法和无损检测方法。人工观测的方法需要专门的维护人员使用专业的工具进行定期检查,该方法效率低、主观性强。无损检测方法主要通过超声波、x射线、探地雷达以及摄像机等获得的数据对结构体裂缝进行检测。这些传感器都是点对点传感器,无法针对结构体的整体数据进行测量,容易遗漏裂缝。
技术实现要素:
本发明的目的在于提供一种基于堆叠自编码器的分布式应变微小裂缝检测系统及方法,以克服上述现有技术存在的缺陷,本发明能够对结构体的整体应变数据进行有效的采集,结构体整体应变数据进行裂缝检测,显著改善了裂缝检测的正确率,提升裂缝检测的检测效果,为结构健康监测提供了一种高效的裂缝检测方案。
为达到上述目的,本发明采用如下技术方案:
一种基于堆叠自编码器的分布式应变微小裂缝检测系统,包括:应变序列采集模块,用于对结构体表面的分布式应变进行采集;应变序列预处理模块:用于将采集所得的应变序列进行z-score标准化并截取为应变子序列;基于堆叠自编码器的特征自学习与表征模块:用于提取所划分的应变子序列的特征;softmax分类识别模块,用于对提取到的子序列特征进行二分类,判别每一个子序列属于裂缝子序列和非裂缝子序列的概率;
进一步地,应变序列采集模块:将光纤传感器敷设于结构体表面,使用基于botda的分布式光纤传感系统对结构体表面的分布式应变进行采集;应变序列预处理模块包括:
进一步地,z-score标准化模块和滑窗截取模块,z-score标准化模块将应变序列标准化为0均值1标准差的数据。滑窗模块通过长度为21,步长为1的滑动窗口将标准化后的应变序列截取了一组长度都是21的应变子序列。基于堆叠自编码器的特征自学习与表征模块:由3个自动编码器模块构成,将3个自动编码器模块的编码部分用作特征表征。
进一步地,基于堆叠自编码器的特征自学习与表征模块:由3个自动编码器模块构成,用于提取所划分的应变子序列的特征,自动编码器模块对于输入数据x,特征h与输出
h=fθ(x)=sf(wx+bh)
其中,w和bh分别为输入数据x和特征h之间的连接矩阵和偏置向量,wt和bv分别为特征h和输出
基于堆叠自编码器的特征自学习与表征模块的过程具体如下所示:
hi=sf(wixi+bh,i)
其中,xi,hi,
一种基于堆叠自编码器的分布式应变裂缝检测方法,包括以下步骤:
步骤1:应变序列采集;
步骤2:使用z-score标准化将采集到的应变序列进行标准化,使用长度为21,步长为1的滑动窗口截取应变序列,得到应变子序列,将应变子序列按照截取位置进行标记;
步骤3:使用基于堆叠自编码器的神经网络自动学习表征应变子序列的特征;
步骤4:采用softmax分类器实现对提取到的应变子序列的特征进行二分类,完成裂缝检测;
进一步地,步骤1中应变序列采集具体过程为:将光纤传感器通过环氧树脂粘附于结构体表面,光纤的两端接于基于botda的分布式光纤传感系统,基于botda的分布式光纤传感系统通过两个光源——泵浦光和探测光测量光纤的布里渊频移,通过布里渊频移与应变的线性关系得到结构体表面的分布式应变。
进一步地,步骤2中应变序列处理的具体过程为:
步骤2.1:将采集到的应变序列减去其均值,除以其标准差,得到0均值1标准差的数据。
步骤2.2:使用长度为21,步长为1的滑动窗口沿着采集到的应变序列进行滑动,将应变序列截取为一组长度为21的应变子序列。
步骤2.3:将所得应变子序列按照截取位置标记标签,将以裂缝处为中心截取的应变子序列标记为裂缝子序列,并将其左侧3个和右侧4个应变子序列标记为裂缝子序列,其余标记为非裂缝子序列。
进一步地,步骤3中使用基于堆叠自编码器的神经网络自动学习表征应变子序列特征的具体过程如下:
步骤3.1:模型初始化,确定模型的层数与神经元个数。随机初始化模型中的连接权重矩阵和偏置向量。输入层的神经元个数等于21,为应变子序列的长度。
步骤3.2:预训练堆叠自编码器,堆叠自编码器由3个自动编码器构成,用得到的应变子序列预训练每个自动编码器。预训练自动编码器的损失函数为输入与输出之间的均方误差,具体如下:
其中,x为输入的应变子序列,
进一步地,步骤4中采用softmax分类器实现对应变子序列的分类,具体方法为:
步骤4.1:构建softmax分类器,对于给定的输入z,用假设函数hδ(z)针对每一个类别l估算出概率值p(y=l|z),l∈{0,1},假设函数hδ(z)输出一个t维的向量表示这t个估计的概率值,t=2,假设函数hδ(z)如下:
其中,δ1,δ2是softmax分类器的全部参数,
其中,z(i)为输入,y(i)为输出;
步骤4.2:预训练sofmax,将应变子序列输入预训练后的堆叠自编码器,得到输出的特征z(i),以z(i)及其标签类别y(i)预训练softmax,损失函数为交叉熵函数,具体如下:
其中,
步骤4.3:微调,堆叠自编码器的编码部分后接softmax分类器,可以使其具有分类功能。利用预训练得到的应变子序列微调堆叠自编码器的编码部分与softmax分类器整体结构的连接权重矩阵和偏置向量。微调时的损失函数为交叉损失函数,具体如下:
其中,ω为堆叠自编码器中的连接权重矩阵和偏置向量,θ为ω和δ,λ2为堆叠自编码器中连接权重矩阵和偏置向量正则项的权重系数。
步骤4.4:softmax分类器接收堆叠自编码器输出的特征作为其输入,输出应变子序列的类别0或1,0表示非裂缝,1表示裂缝;对于堆叠自编码器输出的特征z(i),选择概率p(y(i)=l|z(i);δ)最大的类别l作为该特征对应的类别。将分布式应变子序列还原至截取的位置且将位置相邻的裂缝子序列合并为一个裂缝。
与现有技术相比,本发明具有以下有益的技术效果:
本发明实现以分布式光纤传感器采集数据,改变以往点对点传感的方式。通过标准化缩小了不同数据之间的差异。同时,以基于堆叠自编码器的方法克服了分布式光纤传感器高空间分辨率与低信噪比的矛盾。堆叠自编码器能够在低信噪比的数据中提取高鲁棒性、可辨识的特征用以分类。在裂缝检测中效果显著,能够检测微小裂缝,在微小裂缝的检测效果上得提升。
附图说明
图1是本发明系统的流程示意图;
图2是本发明中的自动编码器的示意图;
图3是本发明中的堆叠自编码器的示意图;
图4是本发明方法的过程示意图;
图5是本发明中具体的预训练与微调示意图。
具体实施方式
下面结合附图对本发明作进一步详细描述:
参见图1至图5,一种基于堆叠自编码器的分布式应变裂缝检测系统,包括应变序列采集模块;应变序列预处理模块;基于堆叠自编码器的特征自学习与表征模块;softmax分类识别模块(具体流程如图1所示)。
应变序列采集模块,用于采集结构体的分布式应变,采集到的结构体分布式应变为一个一维序列;
应变序列预处理模块包括:z-score标准化模块和滑窗模块,z-score标准化模块将应变序列标准化为0均值1标准差的数据。滑窗模块通过长度为21,步长为1的滑动窗口将标准化后的应变序列截取了一组长度都是21的应变子序列。将所得应变子序列按照截取位置标记标签,将以裂缝处为中心截取的应变子序列标记为裂缝子序列,并将其左侧3个和右侧4个应变子序列标记为裂缝子序列,其余标记为非裂缝子序列。
基于堆叠自编码器的特征自学习与表征模块包括:3个自动编码器模块如附图2,自动编码器模块对于输入数据x,特征h与输出
h=fθ(x)=sf(wx+bh)
其中,w和bh分别为输入数据x和特征h之间的连接矩阵和偏置向量,wt和bv分别为特征h和输出
基于堆叠自编码器的特征自学习与表征模块的过程具体如下所示:
hi=sf(wixi+bh,i)
其中,xi,hi,
采用softmax分类器实现对应变子序列的分类,具体方法为:
构建softmax分类器,对于给定的输入z,用假设函数hδ(z)针对每一个类别l估算出概率值p(y=l|z),l∈{0,1},假设函数hδ(z)输出一个t维的向量表示这t个估计的概率值,t=2,假设函数hδ(z)如下:
其中,δ1,δ2是softmax分类器的全部参数,
其中,z(i)为输入,y(i)为输出;
softmax分类器接收堆叠自编码器输出的特征作为其输入,输出应变子序列的类别0或1,0表示非裂缝,1表示裂缝;对于堆叠自编码器输出的特征z(i),选择概率p(y(i)=l|z(i);δ)最大的类别l作为该特征对应的类别。将分布式应变子序列还原至截取的位置且将位置相邻的裂缝子序列合并为一个裂缝。
一种基于堆叠自编码器的分布式应变裂缝检测方法,具体步骤如图5所示:
1)、应变序列采集;
2)、使用z-score标准化将采集到的应变序列进行标准化,使用长度为21,步长为1的滑动窗口截取应变序列,得到应变子序列,将应变子序列按照截取位置进行标记;
2.1:将采集到的应变序列减去其均值,除以其方差,得到0均值1标准差的数据。
2.2:使用长度为21,步长为1的滑动窗口沿着采集到的应变序列进行滑动,将应变序列截取为一组长度为21的应变子序列。
2.3:将所得应变子序列按照截取位置标记标签,将以裂缝处为中心截取的应变子序列标记为裂缝子序列,并将其左侧3个和右侧4个应变子序列标记为裂缝子序列。
3)、用基于堆叠自编码器的神经网络自动学习表征应变子序列的特征;
3.1:模型初始化,确定模型的层数与神经元个数。随机初始化模型中的连接权重矩阵和偏置向量。输入层的神经元个数等于21,为应变子序列的长度。
3.2:预训练堆叠自编码器,堆叠自编码器由3个自动编码器构成,用得到的应变子序列预训练每个自动编码器。预训练自动编码器的损失函数为输入与输出之间的均方误差,具体如下:
其中,x为输入的应变子序列,
4)、采用softmax分类器实现对提取到的应变子序列的特征进行二分类,完成裂缝检测;
4.1:构建softmax分类器,对于给定的输入z,用假设函数hδ(z)针对每一个类别l估算出概率值p(y=l|z),l∈{0,1},假设函数hδ(z)输出一个t维的向量表示这t个估计的概率值,t=2,假设函数hδ(z)如下:
其中,δ1,δ2是softmax分类器的全部参数,
其中,z(i)为输入,y(i)为输出;
4.2:预训练sofmax,将应变子序列输入预训练后的堆叠自编码器,得到输出的特征z(i),以z(i)及其标签类别y(i)预训练softmax,损失函数为交叉熵函数,具体如下:
其中,
4.3:微调,堆叠自编码器的编码部分后接softmax分类器,可以使其具有分类功能。利用预训练得到的应变子序列微调堆叠自编码器的编码部分与softmax分类器整体结构的连接权重矩阵和偏置向量。微调时的损失函数为交叉损失函数,具体如下:
其中,ω为堆叠自编码器中的连接权重矩阵和偏置向量,θ为ω和δ,λ2为堆叠自编码器中连接权重矩阵和偏置向量正则项的权重系数。
4.4:softmax分类器接收堆叠自编码器输出的特征作为其输入,输出应变子序列的类别0或1,0表示非裂缝,1表示裂缝;对于堆叠自编码器输出的特征z(i),选择概率p(y(i)=l|z(i);δ)最大的类别l作为该特征对应的类别。将分布式应变子序列还原至截取的位置且将位置相邻的裂缝子序列合并为一个裂缝。
实施效果
首先将光纤传感器预张紧,然后通过环氧树脂粘附于钢结构体表面。光纤传感器的两端接于基于botda的分布式光纤传感系统,得到结构体表面沿光纤传感器径向分布的分布式应变数据。采用本发明基于堆叠自编码器的微小裂缝检测方法,基于采集的分布式应变数据可以准确无遗漏地检出张口宽度为32μm的微小裂缝,是一种可以用于钢结构表面微小裂缝分布式检测的有效方法。