使用基于长短期记忆网络的频谱降噪和非线性超声波调制检测结构中疲劳裂纹的方法及系统与流程

本发明涉及用于检测结构中疲劳裂纹的，并且更特别地涉及一种基于长短期记忆(lstm)网络和非线性超声波调制技术的结构中疲劳裂纹检测方法和系统。

背景技术：

1、金属结构中的疲劳裂纹在实践中是非常关键的问题。这是因为疲劳裂纹是导致金属结构和部件破损的主要故障原因。一般来说，疲劳裂纹通常在裂纹扩展达到结构的整体疲劳寿命的约80％之后才会被注意到。为了避免灾难性的故障，在早期阶段检测疲劳裂纹是至关重要的。

2、各种无损评价(nde)技术和结构健康监测(shm)技术是已知的，诸如超声波方法、热成像方法、声发射方法、磁粉探伤方法、x射线成像方法和涡流方法。其中，超声波方法对疲劳裂纹的连续在线监测特别有效，从而使其成为疲劳裂纹检测的最有前途的方法之一。此外，这种技术已被证明能有效地在分辨率、可检测性和实用性之间取得合理的折中。

3、传统的线性超声波方法使用通过疲劳裂纹传输或从疲劳裂纹反射的线性超声波的振幅衰减、相位延迟和模式转换的变化。然而，由于这些线性特性的变化只有在结构损伤严重时才会被注意到，因此传统的线性超声波方法很难检测到主要发生在早期阶段的疲劳裂纹。最近的研究显示疲劳裂纹是非线性超声波的来源，并且非线性超声波方法对疲劳裂纹的敏感性远远高于传统的线性超声波方法。

4、非线性超声波方法很有前景，但对应的非线性响应相当弱，所以非线性特性容易受到噪声的影响。因此，使用频谱密度函数难于在有噪声的条件下提取非线性特性。特别地，这是因为噪声与谱域中的非线性特性重叠。因此，减少频谱噪声很重要并且对于提高基于非线性特性的疲劳裂纹检测性能来说有很大的优势。

5、已采用谱减法来降低频谱噪声。该方法是通过从噪声信号频谱减去平均噪声频谱的估计值来从加性噪声重建所观察信号的功率频谱。噪声频谱通常在没有信号的情况下进行估计和更新。然而，由于噪声的随机变化，谱减法可能导致对功率频谱的负估计。此外，该方法不适合于超声波信号，这是因为超声波信号中没有无信号期。

6、零填充是一种广泛使用的降低频谱噪声的方法。零填充是一种增加零样本的方式。然而，由于用零外推的信号不能保留信号的信息，所以信号的非线性特性也会丢失。

技术实现思路

1、技术目标

2、本发明的目标是提供一种方法，其可以在不破坏现有非线性超声波调制分量的频谱密度和振幅的情况下，通过使用数据缩减效应提高检测在结构中的疲劳裂纹的性能，同时使用用于超声波信号的lstm网络的预测特性来降低频谱噪声。

3、本发明的另一个目标是提供一种能够进行上述方法的系统。

4、本发明所要解决的问题并不限于上述问题并且可以在不脱离本发明的精神和范围的情况下以各种方式进行扩展。

5、技术方案

6、根据用于实现本发明的目标的实施例的一种用于检测结构中的疲劳裂纹的方法包括：在响应信号处理单元中，使用从分别由具有两个可区分频率的超声波信号同时激励的结构测得的超声波测量信号训练lstm网络，以获得用于时域信号的预测模型；在响应信号处理单元中，取决于设定的数据点的数量，将从同时由第一频率ωa的第一超声波信号和第二频率ωb的第二超声波信号激励的目标结构测量的在当前时间步长的超声波测量信号(其中ωa<ωb)输入至经训练的lstm网络中以获得在下一时间步长的超声波预测信号；在响应信号处理单元中，使用获得的超声波预测信号重建信号；在响应信号处理单元中，对重建的信号进行傅里叶变换；以及在响应信号处理单元中，通过检测基于使用傅里叶变换信号获得的频谱密度函数的值的非线性调制分量来确定目标结构中是否出现了裂纹。

7、在一个示例性实施例中，用于检测结构中的疲劳裂纹的方法可以包括：在响应信号处理单元中，通过将频谱密度函数代入非线性调制参数方程来计算损伤指数；以及使用计算出的损伤指数来检测结构的疲劳裂纹。

8、在一个示例性实施例中，可以使用等式来计算频谱密度函数pxn(ω)，其中xn(ω)表示重建的超声波信号xn(t)的傅里叶变换后的信号，*表示复共轭，并且e[]表示期望算子。此外，损伤指数βdn可以使用等式

9、来获得。

10、在一个示例性实施例中，用于检测结构中的疲劳裂纹的方法还可以包括：通过由激励单元生成第一和第二超声波信号并且将它们分别施加到附接到目标结构的第一激励元件和第二激励元件来同时激励目标结构；以及根据用附接到目标结构的振动检测元件对第一超声波信号和第二超声波信号的激励来检测目标结构的振动，并且将对应的超声波测量信号提供给响应信号处理单元。

11、在一个示例性实施例中，可以以通过部分添加由输入门提供的新信息，同时忘记先前的单元状态信息中的一些来将先前的单元状态更新至新的单元状态的方式来设计和训练经训练的lstm网络的预测模型以通过学习非线性调制频率分量(其是在超声波测量信号的全部时间序列数据上的疲劳裂纹引起的模式)来预测在下一时间步长的超声波信号。

12、在一个示例性实施例中，重建的信号可以是在下一时间步长的仅用超声波预测信号重建的信号。

13、在一个示例性实施例中，重建的信号的数据点的数量是通过将超声波测量信号的数据点的数量乘以具有预定大小的数据缩减率α来确定的，并且数据缩减率α可以被确定在0到1的范围内。

14、在一个示例性实施例中，重建的信号可以是通过组合在当前时间步长的超声波测量信号和在下一时间步长的超声波预测信号而重建的信号。

15、在一个示例性实施例中，重建的信号的傅里叶变换后的信号可以是在频域中的信号，在频域中，降低了噪声并且增强了超声波测量信号的信息。

16、在本发明的另一个方面，示例性实施例提供了一种用于检测结构中的疲劳裂纹的系统，其包括第一激励元件、第二激励元件、激励单元、振动检测元件和响应信号处理单元。第一激励元件附接到目标结构的第一区域并且被配置为通过在输入第一频率ωa的第一超声波信号时振动来激励目标结构。第二激励元件附接到目标结构的第一区域并且被配置为通过在输入第二频率ωb的第二超声波信号时振动来激励目标结构，其中ωa<ωb。激励单元被配置为生成第一超声波信号和第二超声波信号，并且同时分别将它们提供给第一激励元件和第二激励元件。振动检测元件附接到与第一区域间隔开的目标结构的第二区域并且被配置为根据第一超声波信号和第二超声波信号的激励来检测目标结构的振动以生成对应的超声波测量信号。响应信号处理单元包括操作处理单元，操作处理单元被配置为执行以下的功能：使用从分别由具有两个可区分频率的超声波信号同时激励的结构测得的超声波测量信号训练lstm网络，以获得用于时域信号的预测模型；取决于设定的数据点的数量，将从同时由第一频率ωa的第一超声波信号和第二频率ωb的第二超声波信号激励的目标结构测量的在当前时间步长的超声波测量信号(其中ωa<ωb)输入至经训练的lstm网络中以获得在下一时间步长的超声波预测信号；使用获得的超声波预测信号重建信号；在响应信号处理单元中，对重建的信号进行傅里叶变换；以及通过检测基于使用傅里叶变换信号获得的频谱密度函数的值的非线性调制分量来确定目标结构中是否出现了裂纹。

17、在一个示例性实施例中，响应信号处理单元的操作处理单元可以被配置为进一步执行以下功能：通过将频谱密度函数代入非线性调制参数方程来计算损伤指数；以及使用计算出的损伤指数来检测结构的疲劳裂纹。

18、在一个示例性实施例中，响应信号处理单元还可以包括数字化单元，数字化单元将由振动检测元件测得的模拟测量信号转换为数字测量信号，并且将转换后的数字测量信号提供给操作处理单元。

19、在一个示例性实施例中，第一激励元件和第二激励元件以及振动检测元件可以由压电元件组成。

20、在一个示例性实施例中，可以以通过部分添加由输入门提供的新信息，同时忘记先前的单元状态信息中的一些来将先前的单元状态更新至新的单元状态的方式来设计和训练经训练的lstm网络的预测模型以通过学习非线性调制频率分量(其是在超声波测量信号的全部时间序列数据上的疲劳裂纹引起的模式)来预测在下一时间步长的超声波信号。

21、在一个示例性实施例中，重建的信号可以是在下一时间步长的仅用超声波预测信号重建的信号。

22、在一个示例性实施例中，重建的信号的数据点的数量可以通过将超声波测量信号的数据点的数量乘以具有预定大小的数据缩减率α来确定，并且数据缩减率α可以被确定在0到1的范围内。

23、在一个示例性实施例中，重建的信号可以是通过组合在当前时间步长的超声波测量信号和在下一时间步长的超声波预测信号而重建的信号。

24、发明效果

25、根据本发明的示例性实施例，使用的是lstm网络，设计和训练该网络以通过学习非线性调制频率分量(其是在测得的超声波信号的全部时间序列数据上的由疲劳裂纹引起的模式)来预测下一时间步长的超声波信号。在通过经训练的lstm重建的信号中，保持疲劳裂纹检测所需的非线性调制分量并且以原始水平放大，以及减少噪声分量。即，使用经训练的lstm网络可以大大提高信噪比(snr)(高达276％)，从而有效地提高疲劳裂纹检测的性能。

26、此外，经训练的lstm网络可以生成重建信号，其使用比测量信号少得多的数据点，而不会减小调制振幅。以这种方式，可以减少要处理的数据量。经训练的lstm网络仅使用20％的原始数据就能生成重建的超声波信号。此时，从重建信号获得的非线性调制振幅等于原始信号的调制振幅，因此，尽管数量减少，疲劳裂纹检测的性能也不会退化。