基于多任务学习的列车结构冲击损伤监测方法及相关装置

本发明涉及列车安全监测，尤其涉及基于多任务学习的列车结构冲击损伤监测方法及相关装置。

背景技术：

1、随着高速列车技术的迅速发展，高速列车行车安全问题也受到了极大的关注。由于高速列车长时间运行于复杂环境之中，高速列车各结构常会受到沙砾、冰雪等异物撞击，有可能产生微观损伤。在高速列车的强载荷下结构损伤将会迅速扩展，最终造成严重的安全事故。因此，冲击损伤监测已成为高速列车安全监测的研究重点。由于lamb波具有远距离传播、易于驱动和接收以及对缺陷十分敏感等特性，基于lamb波的结构健康监测技术在损伤监测方面显示出巨大的潜力。

2、准确预测冲击位置对于结构安全评估非常重要，因此已经提出了许多算法来定位冲击位置。成像算法和到达时间差(tdoa)算法是最基本和最流行的算法。成像算法的冲击损伤定位精度依赖于传感器网络密度。到达时间差方法虽然应用广泛，但是其定位精度依赖于结构的先验信息，比如波速。然而，波速通常是未知的，并且随着环境的变化而快速变化，如温度或施加的应力，难以估计。另外，这些方法都需要从复杂的信号中提取损伤特征，但是冲击信号是直接反射、边界反射、损伤反射波和噪声的复杂组合，使得根据经验提取合适的特征具有挑战性。

3、随着深度学习的发展，列车结构冲击损伤位置监测和冲击损伤能量监测都开始采用深度学习手段来进行。然而，现有的基于深度学习的列车结构冲击损伤位置监测和冲击损伤能量监测方法，都只着眼于影响列车结构健康的单一因素，没有考虑到多重因素之间的关联特性，不符合列车结构实际所处的复杂场景，无法真正应用到实际工程当中。

技术实现思路

1、本发明的目的在于提供基于多任务学习的列车结构冲击损伤监测方法及相关装置，以解决现有的列车冲击损伤监测方法之中，传统信号处理方法难以利用海量的健康监测数据；传统的冲击损伤监测方法需要波速等结构先验信息；机器学习方法严重依赖人工设计特征的质量；而深度学习方法只考虑了损伤位置因素或载荷因素等单一影响因素的这些技术问题。

2、为实现上述目的，本发明采用以下技术方案：

3、基于多任务学习的列车结构冲击损伤监测方法，包括：

4、通过传感器获取列车结构上的冲击位置及冲击能量的监测数据；

5、进行多个传感器的数据融合，构建样本数据集，划分训练集、验证集和测试集；

6、基于样本数据集，构建基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络，将训练集和验证集输入基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络进行训练和优化；

7、将测试集输入训练好的基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络，输出测试集样本的冲击损伤位置和冲击能量。

8、进一步的，获取列车结构上的冲击位置及冲击能量的监测数据：

9、在列车的目标结构处设置n个传感器以及处理中心，n为正整数，处理中心根据预设网格尺寸将目标结构划分为m个网格区域作为冲击区域；获取监测构件上多个不同位置在多个不同冲击能量下的数据。

10、进一步的，按照8:1:1比例划分训练集、验证集和测试集。

11、进一步的，构建样本数据集具体包括：

12、将传感器网络记录的冲击信号绘制为传感器编号-时间-电压幅值的三维表面图，在三维表面图中，颜色代表传感器数据的电压幅值，多个传感器数据点之间通过直线连接，实现多传感器数据融合；

13、向三维表面图的传感器编号和时间组成的平面作垂直投影得到2d彩色图像，2d彩色图像保留了各个传感器数据的时间信息、幅值信息和各个传感器之间的关系；2d彩色图像具有rij,gij,bij三个颜色分量值(i＝1,2,3…,m,j＝1,2,3…,n)，m,n分别表示彩色图像行的点数和列的点数；

14、对样本图像进行灰度化显示，图像灰度值iij定义为：

15、iij＝rij*299/1000+gij*587/1000+bij*114/1000

16、确定样本标签，包括冲击损伤位置标签、冲击损伤能量标签；

17、将构件划分为a个冲击损伤位置，则冲击损伤位置标签ylocation设置为：

18、ylocation＝[yloc_1,yloc_2,yloc_3,…yloc_a]

19、其中，ylocation共含有a个分量，每个分量的取值是0或1，同一时刻有且只有一个分量的取值为1，取值为1代表该位置的存在冲击损伤；

20、将构件划分为b个冲击损伤能量等级，则冲击损伤位置标签yenergy设置为：

21、yenergy＝[yenergy_1,yenergy_2,yenergy_3,…ωyenergy_b]

22、其中，yenergy共含有b个分量，每个分量的取值是0或1，同一时刻有且只有一个分量的取值为1，取值为1代表冲击损伤能量等级为该等级分量；

23、最后，从构建的所有样本中随机选取80％的样本作为训练集，10％的样本作为验证集，10％的样本作为测试集。

24、进一步的，构建基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络，包括：

25、基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络包含两个分类任务，分别用于检测冲击损伤位置和冲击损伤能量；两个分类任务共享两个卷积层和一个池化层；两个卷积层的卷积核尺寸均为3，,卷积核数量分别3和9；冲击损伤位置分类任务和冲击损伤能量分类任务结构一样，均由两个卷积层、一个池化层、一个平坦层、一个dropout层和一个全连接层组成；其中卷积核的大小和数量分别为[3，3]和[12，16]，池化层大小为3；损伤位置分类任务的全连接层的神经元数量与损伤位置数量相同，并应用其softmax激活函数输出损伤位置的分类结果；损伤能量分类任务的全连接层的神经元数量与冲击损伤能量类别数量相同，并应用其softmax激活函数输出冲击损伤能量的分类结果；在两个全连接层中均添加了丢弃机制，其值设置为0.5。

26、进一步的，将训练集和验证集输入基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络进行训练和优化，包括：

27、基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络的两个分类任务的损失函数均为多分类交叉熵损失，loss_loccation是冲击损伤位置分类任务的交叉熵损失，loss_energy是冲击损伤能量分类任务的交叉熵损失；把两者的损失加起来，获得基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络的联合损失；

28、loss＝loss_loccation+loss_energy

29、通过adam优化算法更新基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络中的参数。

30、进一步的，基于多任务学习的列车结构冲击损伤监测系统，包括：

31、数据采集模块，用于通过传感器获取列车结构上的冲击位置及冲击能量的监测数据；

32、数据集构建模块，用于进行多个传感器的数据融合，构建样本数据集，划分训练集、验证集和测试集；

33、训练优化模块，用于基于样本数据集，构建基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络，将训练集和验证集输入基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络进行训练和优化；

34、输出模块，用于将测试集输入训练好的基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络，输出测试集样本的冲击损伤位置和冲击能量。

35、进一步的，一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现基于多任务学习的列车结构冲击损伤监测方法的步骤。

36、进一步的，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现基于多任务学习的列车结构冲击损伤监测方法的步骤。

37、与现有技术相比，本发明有以下技术效果：

38、本发明提供的基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测方法，使用结构健康监测系统获取冲击损伤响应数据。通过多传感器数据融合，将冲击损伤信号转换为灰度图像构建数据集并划分为训练集、验证集和测试集。构建基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络，并使用构建好的训练集输入网络训练。将测试集输入到已训练好的基于多任务学习的列车结构冲击损伤位置监测和冲击损伤能量监测网络中，输出列车结构冲击损伤位置监测和冲击损伤能量监测的结果。可以进一步针对列车的各种复杂结构实现对冲击损伤的精准定位和损伤程度评价。