基于图神经网络的风机叶片结构损伤源坐标声发射定位方法

本发明涉及风机叶片结构损伤探测，特别是涉及一种基于图神经网络的风机叶片结构损伤源坐标声发射定位方法。

背景技术：

1、风机叶片是风能发电过程中捕获风能的基础和关键部件。随着风机大型化发展，风机叶片的尺寸逐渐增加，风机叶片结构复杂程度变高。风机叶片长期受冲击、疲劳破坏和恶劣的运行环境的影响，不可避免地容易出现各种结构损伤，如果不能及时发现这些损伤，很容易导致叶片断裂或发生塔架倒塌事故。

2、传统的风机叶片监测技术主要包括目视检查、借助望远镜检查、振动监测、热成像技术、机器视觉等，但在由复合材料构成的风机叶片结构早期损伤阶段（基体开裂、纤维断裂、分层和脱粘等），上述技术并不能及时发现损伤。然而，基于声发射技术的风机叶片结构健康监测方法在解决此类问题时具有强大的优势。声发射是指损坏发生时弹性能量的快速释放产生瞬时弹性波的现象，声发射信号中包含了结构损伤的大量信息，对复合材料结构的各类损伤非常敏感。近年来，声发射技术快速发展，已经在多个领域得到了应用。

3、然而，现有基于声发射技术的损伤定位研究主要集中在应用于简单均质结构的理论方法，依赖先验知识和复杂的信号处理技术，且对噪声敏感，容易出现人为错误，存在成本高昂，操作繁琐等问题，不能很好的应用于实际工程之中。随着大量监测数据的出现和大数据分析技术的进步，先进的人工智能方法为提高结构损伤定位的准确性和稳健性以及克服复杂信号传播特性对定位性能的影响提供了可能。深度学习方法可以自动学习监测数据中的隐藏特征，大大提升了信号处理的效率。但是，传统深度学习方法只能处理网格化的欧几里得结构数据，无法考虑多传感器系统的监测数据之间的相互依赖关系，且大多忽略了传感器的位置信息。

4、总之，现有技术有以下缺点：一方面，传统声发射定位技术多适用于简单结构，对信号噪声较敏感，且处理程序复杂，成本高昂，效率低下。另一方面，现行基于深度学习的声发射定位技术无法考虑多传感器系统的监测数据之间的相互依赖关系和传感器的位置信息，只能处理网格化的欧几里得结构数据，难以处理传感器网络系统中提取的非欧几里得结构数据。

技术实现思路

1、本发明的目的是针对现有技术中的问题，而提供一种基于图神经网络的风机叶片结构损伤源坐标声发射定位方法，结合了具有强大时序特征提取能力的卷积神经网络模型，解决了传统的风机叶片结构损伤定位技术存在的问题，有效提高定位精度，可以实现风机叶片待监测区域内的准确损伤定位。

2、一种基于图神经网络的风机叶片结构损伤源坐标声发射定位方法，包括步骤：

3、步骤1：利用风机叶片待监测区域布置的声发射传感器网络采集声发射时间序列信号；

4、步骤2：以每个传感器为图的节点，预处理后传感器声发射时间序列信号和传感器空间位置信息作为节点的特征，将传感器网络监测数据转化为图结构数据；

5、步骤3：利用预处理后传感器声发射时间序列信号形成的训练集和验证集对图卷积神经网络模型训练，得到损伤位置坐标回归图卷积神经网络模型；

6、步骤4：将预处理后传感器声发射时间序列信号形成的测试集数据输入到损伤位置坐标回归图卷积神经网络模型，得到风机叶片结构损伤源位置的坐标。

7、其中，所述步骤1中，在风机叶片待监测的区域建立划分采样网格，根据待监测区域大小布置相应的声发射传感器，形成声发射传感器网络；在划分采样网格点实施断铅试验声发射源进行声发射时间序列信号的收集。

8、其中，所述步骤2中，对传感器声发射时间序列信号声的预处理，包括归一化处理，归一化处理的公式为：

9、

10、其中，为原始声发射信号，为时间序列信号中的最小值，为时间序列信号中的最大值，为经过归一化处理之后的信号。

11、其中，所述步骤2中，在将传感器网络监测数据转化为图结构数据之前，首先根据传感器位置计算邻接矩阵，将邻接矩阵转化为归一化对称拉普拉斯矩阵，然后在归一化对称拉普拉斯矩阵的基础上设计距离驱动的无定向图连接方式，构建图结构。

12、其中，所述邻接矩阵的计算方法为：

13、

14、其中，表示邻接矩阵，是传感器之间的距离对称矩阵，表示传感器和传感器之间的距离，表示邻接矩阵中的最小值，表示邻接矩阵中的最大值。

15、其中，使用如下式将邻接矩阵转换为归一化对称拉普拉斯矩阵：

16、

17、

18、

19、

20、其中，是单位矩阵，是归一化对称拉普拉斯矩阵。

21、其中，所述图卷积神经网络模型包括数据输入模块、图建立模块、图卷积模块和损伤位置坐标回归模块；

22、数据输入模块，用于输入训练集中的传感器的声发射信号；

23、图建立模块，用于利用一维卷积神经网络从声发射信号时间序列信号中提取时间序列特征，从传感器空间位置信息中提取传感器空间位置信息特征，基于传感器空间位置信息特征计算得到邻接矩阵，构建包含时间-空间特征和传感器之间的相互关系的图结构数据，图直接与风机叶片结构损伤源位置联系，将建立的图传输到图卷积模块；

24、图卷积模块，用于从图建立模块输入的图中提取与损伤源位置相关的时间-空间特征送入到损伤位置坐标回归模块；

25、损伤位置坐标回归模块，用于对图卷积模块送入的与损伤源位置相关的时间-空间特征处理，得到风机叶片结构损伤源位置的坐标。

26、其中，所述图卷积神经网络模型的训练过程中，使用均方误差mse作为损失函数，使用rmsprop作为优化器，mse的计算公式为：

27、

28、其中，是样本的总数，为预测的坐标值，为实际的坐标值。

29、其中，利用测试集上的平均绝对误差mae、均方误差mse和均方根误差rmse评估模型性能；

30、

31、

32、

33、其中，是样本的总数，为预测的坐标值，为实际的坐标值。

34、其中，所述损伤位置坐标回归模块设置flatten展开层以提取图中所有节点的嵌入并整合特征，设置dropout层以避免过度拟合，之后输出依次输入到两个全连接层、一个回归层，以预测每个图的坐标。

35、本发明是一种基于图神经网络的声发射智能定位方法，使用图结构数据表示传感器网络中提取的非欧几里得结构数据，充分发挥传统深度学习自动提取信号特征的能力，避免了人工错误和程序复杂的手动特征提取过程；通过深度挖掘、利用隐藏的时序特征和空间特征，建立了基于距离的图连接结构，捕捉传感器之间的关系信息，从而实现高效的声发射智能定位。

技术特征：

1.基于图神经网络的风机叶片结构损伤源坐标声发射定位方法，其特征在于，包括步骤：

2.根据权利要求1所述基于图神经网络的风机叶片结构损伤源坐标声发射定位方法，其特征在于，所述步骤1中，在风机叶片待监测的区域建立划分采样网格，根据待监测区域大小布置相应的声发射传感器，形成声发射传感器网络；在划分采样网格点实施断铅试验声发射源进行声发射时间序列信号的收集。

3.根据权利要求1所述基于图神经网络的风机叶片结构损伤源坐标声发射定位方法，其特征在于，所述步骤2中，对传感器声发射时间序列信号声的预处理，包括归一化处理，归一化处理的公式为：

4.根据权利要求1所述基于图神经网络的风机叶片结构损伤源坐标声发射定位方法，其特征在于，所述步骤2中，在将传感器网络监测数据转化为图结构数据之前，首先根据传感器位置计算邻接矩阵，将邻接矩阵转化为归一化对称拉普拉斯矩阵，然后在归一化对称拉普拉斯矩阵的基础上设计距离驱动的无定向图连接方式，构建图结构。

5.根据权利要求4所述基于图神经网络的风机叶片结构损伤源坐标声发射定位方法，其特征在于，所述邻接矩阵的计算方法为：

6.根据权利要求5所述基于图神经网络的风机叶片结构损伤源坐标声发射定位方法，其特征在于，使用如下式将邻接矩阵转换为归一化对称拉普拉斯矩阵：

7.根据权利要求1所述基于图神经网络的风机叶片结构损伤源坐标声发射定位方法，其特征在于，所述图卷积神经网络模型包括：

8.根据权利要求1所述基于图神经网络的风机叶片结构损伤源坐标声发射定位方法，其特征在于，所述图卷积神经网络模型的训练过程中，使用均方误差mse作为损失函数，使用rmsprop作为优化器，mse的计算公式为：

9.根据权利要求1所述基于图神经网络的风机叶片结构损伤源坐标声发射定位方法，其特征在于，利用测试集上的平均绝对误差mae、均方误差mse和均方根误差rmse评估模型性能；

10.根据权利要求7所述基于图神经网络的风机叶片结构损伤源坐标声发射定位方法，其特征在于，所述损伤位置坐标回归模块设置flatten展开层以提取图中所有节点的嵌入并整合特征，设置dropout层以避免过度拟合，之后输出依次输入到两个全连接层、一个回归层，以预测每个图的坐标。

技术总结
本发明公开一种基于图神经网络的风机叶片结构损伤源坐标声发射定位方法，包括：利用风机叶片待监测区域布置的声发射传感器网络采集声发射时间序列信号；以每个传感器为图的节点，预处理后传感器声发射时间序列信号和传感器空间位置信息作为节点的特征，将传感器网络监测数据转化为图结构数据；利用预处理后传感器声发射时间序列信号形成的训练集和验证集对图卷积神经网络模型训练，得到损伤位置坐标回归图卷积神经网络模型；将预处理后传感器声发射时间序列信号形成的测试集数据输入到损伤位置坐标回归图卷积神经网络模型，得到风机叶片结构损伤源位置的坐标。本发明能实现风机叶片待监测区域内的准确损伤定位。

技术研发人员：陈念众,赵治民
受保护的技术使用者：天津大学
技术研发日：
技术公布日：2024/1/15