一种基于超声导波的复杂结构损伤协同识别方法
【技术领域】
[0001] 本发明涉及无损检测技术领域，特别涉及一种基于超声导波的复杂结构损伤协同 识别方法。
【背景技术】
[0002] 在运输、输电线路、桥梁及房屋建筑等各领域中，往往需要采用各类复杂长状类结 构，如绞线、管道、钢丝绳等，这些复杂结构在工作中往往会长期受到外部环境和承载力变 化的影响，从而在使用过程中产生各种损伤，如磨损、锈蚀、断股等，这些损伤会危及到人员 和设备财产的安全。不同的损伤会造成不同的影响，而各类型的损伤也有着其对应的处理 方案，这就要求检测系统能够对不同类型的损伤进行快速有效的分类识别。传统的结构损 伤识别方法已远远不能满足高速发展下提出的损伤识别需求。因此，涌现了基于射线、红外 摄像、电磁通等一系列损伤识别方法。虽然在识别率方面有一定提升，但大都采用了传统的 神经网络，而且往往需要大量的检测样本进行训练，这使得现有的识别方法受到了极大挑 战，其新方法的研究也一直是结构健康监测学科的前沿问题。
[0003] 同时，随着检测技术的不断发展，超声导波由于其激励信号可设可控、传播距离远 及安装方便等优点，在结构健康监测领域越来越受业界人士重视，特别适用于绞线、管道等 长状类复杂特殊结构的损伤检测。然而在这些复杂结构中，超声导波的传输存在着明显的 频散、多模态、多路径延迟等现象，即无序状态，导致激励信号难以在复杂结构对象的另一 端对损伤位置和形状等信息进行有效的定量表征。因此，如何从宏观角度进行探索，研究基 于超声导波的复杂结构损伤识别方法是亟待解决的问题。
[0004] 现如今，基于协同学理论的识别决策技术凭借其预处理及特征提取简单，不必要 进行细节特征提取和选择的过程，且具备一定的抗干扰和抗噪声性能等优点，近年来引起 了国内外学者的高度关注，在人脸识别、字符识别、交通状态识别等模式识别研究领域得到 快速的发展。因此，面对复杂结构损伤识别中出现的问题以及超声导波的特殊传输特性，如 何将协同识别理论引入到其损伤识别中是值得探索的一条新途径，并具有重要的学术价值 和实际意义。
[0005] 目前，国内外学者已证明了超声导波结合协同学理论在大型复杂结构损伤识别新 领域中的可行性，并在管道损伤识别中进行了初步研究。然而，由于复杂结构所处的外部复 杂工作环境往往存在着较大的噪声，条件极端化、结构复杂化都对超声导波的检测信号带 来极大的干扰。同时，由于在超声导波接收信号中所提取的特征值类与类之间并不存在很 明确的界限，因此往往不可避免地会出现误识别的情况。故此，在初步识别的基础上，引入 闭环反馈机制以提高修正误识别样本，实现绞线结构的高精度和高准确率的损伤识别，也 是各类复杂长状类结构损伤识别方法今后非常重要的研究方向。
【发明内容】
[0006] 本发明的目的在于克服现有技术的缺点与不足，提供一种基于超声导波的复杂结 构损伤协同识别方法。
[0007] 本发明的目的通过下述技术方案实现：
[0008] -种基于超声导波的复杂结构损伤协同识别方法，包括初步识别机制和反馈决策 机制，其中，所述初步识别机制采用面向超声导波特性的特征量提取方法，并建立了损伤协 同识别网络模型，用于实现各类复杂结构损伤类型的初步判别；
[0009] 所述反馈决策机制采用特征量评估和原型特征向量重构，用于实现损伤识别结果 的优化，有效降低了误识别率。
[0010] 该基于超声导波的复杂结构损伤协同识别方法有较强的抗干扰能力，解决了传统 识别方法存在的准确识别率低、识别速度较慢等不足。
[0011] 优选的，所述初步识别机制包括下列步骤：
[0012] S11、在不同结构状态下，采集原始超声导波接收信号，作为训练样本信号；
[0013] S12、对所述训练样本信号进行特征量提取，构造出属于不同损伤类型的特征向 量；
[0014] S13、经过零均值和归一化预处理过程，将所述特征向量传输至所述损伤协同识别 网络模型的输入单元进行训练；
[0015] S14、确定训练样本之后，在外部条件改变情况下，实时采集外部被测信号样本；
[0016] S15、对所述实时采集的被测信号样本进行特征量提取，并构造特征向量作为被测 样本，同样传输至所述损伤协同识别网络模型；
[0017] S16、经过序参量的动力演化过程，所述损伤协同识别网络模型输出获胜的序参 量，上述序参量对应损伤识别结果；
[0018] S17、判别所述损伤识别结果的正确性，如果正确，则直接输出。
[0019] 优选的，所述反馈决策机制包括下列步骤：
[0020] S21、如果所述步骤S17中所述损伤识别结果错误，则将所述所述损伤识别结果进 行特征量评估，筛除对损伤分类不敏感的特征量，
[0021] S22、同时进行原型特征向量重构，重组优化后的特征向量；
[0022] S23、跳转至步骤S13,将上述重组优化后的特征向量替换之前的特征向量进行重 新识别，直至所述损伤识别结果正确，输出损伤识别的结果为止。
[0023] 优选的，所述特征量提取是结合超声导波信号的传输特性，采用时域分析、频域分 析、小波基分解及EMD分解的"四综合"分析方法，从超声导波信号的时域、频域、变换域分 析损伤信号以获取相应的15类特征量，实现各类复杂结构的损伤信息提取过程，具体包括 下列步骤：
[0024] S31、时域提取：选取超声导波接收信号的时域峰值以及波峰系数分别作为第一、 第二类的特征量Vl，v 2;选取均方根值和方差作为第三、第四类的特征量V 3, V4;
[0025] S32、频域提取：对超声导波接收端信号做频谱分析，选取频谱曲线峰值和频域峰 值系数作为第五、第六类特征量v5, V6;
[0026] S33、变换域提取：用db8小波基对接收端信号做三层小波分解，取小波系数能量 和小波系数均方差作为第七至第十四类特征量（V 7-V14);
[0027] S34、采用EMD经验模态分解方法分解信号样本，选取所占总能量比例最大、集中 了信号最显著信息的MF能量作为第十五类特征量V 15;
[0028] S34、将上述特征量构造出特征向量Wi= (v v2, . . .，v15)。
[0029] 优选的，所述特征量评估具体包括下列步骤：
[0030] S41、确定结构的损伤状态数量S ;
[0031] S42、采集各类损伤状态下的超声导波信号样本；
[0032] S43、提取每一组所述超声导波信号样本特征值；
[0033] S44、通过对所述超声导波信号样本特征值求平均计算出同一样本中的不同损伤 类别下的样本特征平均距离，首先按照公式（1)计算出同一个损伤类别中样本特征值的平 均值，
[0034]
(1)
[0035] 其中，Tniin(U)表示第η类第u个样本中提取出的第m个特征值，
[0036] 之后，按照公式（2)计算出不同损伤类别下的样本特征平均距离，
[0037]
⑵；
[0038] S45、按照公式（3)和公式（4)计算出不同样本中的同一特征值在各种损伤状态之 间的平均距离，
[0042]
(5)，
[0039] ⑶
[0040] (4);：
[0041] S46、按照公式（5)计算出损伤特征量的评估因子：
[0043] 计算得出的所述评估因子Fni值越大则表明其所对应的特征值越敏感，即对复杂结 构的损伤状态可以进行更好地分类；
[0044] S47、筛除评估因子FJ直较小的特征量。
[0045] 优选的，所述原型特征向量重构具体包括下列步骤：
[0046] S51、确定误识别的原型特征向量V1;
[0047] S52、确定修正力度参数r，其代表原型模式和待识别向量之间的差异，可通过实验 数据不断比较r取值对结果的优化效果；
[0048] S53、通过公式（6)对所述原型特征向量\^进行修正重构，
[0049] Y1' = V1X (l-r)+