一种基于压电振动波的混凝土损伤分类方法及系统

技术领域

本发明涉及混凝土损伤识别技术领域，具体涉及一种基于压电振动波的混凝土损伤分类方法及系统。

背景技术

混凝土内部损伤演变产生的压电振动波具有低信噪比、强随机性、非平稳性等特点，压电振动波属于时间序列数据，依据混凝土Kaiser效应特点可知，数据具有不可逆性、非平稳性，统计特征随时间推移而改变。混凝土损伤分类方法常用的：时域参数分析法，如b值分析法、RA-AF分析法受采集门槛影响严重，判断结果因门槛值设置产生较大差异；频域分析法利用傅里叶变换、小波变换和经验模态分解将时间序列转换成频域信号进行特征提取，傅里叶变换适用于周期性数据对非平稳信号滤波不佳，小波变换虽然优化傅里叶变化的缺点，但其结果优劣极大依赖小波基类型和阈值的设置，限制了其在混凝土变形过程中的应用。经验模态分解可以与非平稳信号适配，其缺点是容易产生模态混叠现象，不仅造成错误的时频分布，使得内涵模态分量失去物理意义。设计一种不受混凝土外部荷载、温度、试件大小、采集设备门槛影响的特征提取方法，可以准确捕捉数据在不同时间和幅值上的变化规律，避免了混凝土不同类别损伤时序信号存在的复杂性和混沌性影响。

混凝土损伤数据采集需要制备大量试件进行破坏性实验，浪费材料，增加实验成本。样本增广是针对不同分类任务有效提高样本数量的方法，例如视觉分类任务中，对原始数据中通过随机裁剪、翻转和调整对比度等扩充数据集；在语音任务中，噪声注入也是一种为提高鲁棒性而数据增强的好方法。由于混凝土是一种具有无序、多相且多孔特性的非均质材料，相同类别损伤发生时内部细微裂纹演化产生的压电振动波各不相同。因此，混凝土损伤信号不能单纯使用传统时移、增加噪音或者时间拉伸，为保证信号随实验发展的时序特征，根据混凝土同类损伤样本差异，利用有限的真实数据损伤样本进行重构，实现增加样本数量的目的。

目前利用压电陶瓷的正压电效应制备传感器采集损伤演化产生的压电振动波，通过特征提取、数据增强来辅助深度神经网络进行损伤识别的研究尚有不足，信号处理实现损伤分类一直是振动信号处理的难点。因此，实现损伤信号特征精确提取，网络模型准确判断，是土木工程结构状态识别和预知失效的关键。

发明内容

本发明为克服现有技术中存在的不足，提供一种基于压电振动波的混凝土损伤分类方法及系统，优化特征提取方法、设计样本增广方法和构建深度学习损伤分类模型，用于提高混凝土损伤样本的真实性、波形数据分类准确性，从而获得土木工程结构状态及时预知失效。

为实现上述目的，本发明采用如下的技术方案。

本发明第一方面提供了一种基于压电振动波的混凝土损伤分类方法，包括以下步骤：

S1、采集混凝土损伤三类压电振动波。制作压电复合材料传感器，外贴混凝土试件表面。设计破坏性实验对试件采集不同损伤下的压电振动波，导出时序信号数据，分类标注损伤类别；

S2、预处理混凝土损伤时序信号。对存在缺失值的时序采用均值插补法，提高样本拟合度。数据映射相同数量级区间，实现原始时序信号的等比例缩放。利用真实数据损伤样本进行重构进行样本增广，为神经网络提供数据支撑；

S3、提取混凝土损伤时序数据样本特征向量，基于MFCC优化改进的非线性梅尔滤波器组(Non-linear Mel Filter bank，NL-Fbank)，提取混凝土损伤信号的高度非线性分量，以匹配频谱特征，适配其非线性和突发性特点。所有数据样本由NL-Fbank滤波器组将信号转换成特征向量组成数据集，将其作为深度神经网络分类模型的输入的一部分，划分训练集和测试集；

S4、构建基于混凝土压电振动波损伤信号识别的轻量级卷积神经网络模型(Lightweight sequence signal convolutional neural network，LSS-CNN)。将由步骤S2获得的样本特征向量作为网络模型输入，混凝土损伤类别作为模型输出，实现损伤类别在线识别。模型嵌入多头注意力编码器，由多层感知机进行分类。数据集经过LSS-CNN模型训练，使用测试集对模型测试，以验证模型精确性。

优选地，步骤S1中，

使用压电传感器监测混凝土损伤压电振动波；使用强度范围从30到50MPa、尺寸为15×15×15cm

优选地，步骤S2中，

所述均值插补法，遍历样本并定位缺失值，以10为样本区间范围，共选取三个子序列d

所述数据映射，插补完成后进行数据标准化，取时间序列的中的

；

所述样本增广方法，混凝土损伤信号不能单纯使用传统时移、增加噪音或者时间拉伸，为保证信号随实验发展的时序特征，随机选择两条同类别损伤样本D1和D2，以128为样本区间，每个样本有8个子序列：D1{d

优选地，步骤S3中，基于MFCC改进的非线性梅尔滤波器组(Non-linear MelFilter bank，NL-Fbank)，提取混凝土损伤信号的高度非线性分量，以匹配频谱特征。

进一步的，S31、对D{a

S32、将预加重后的时序信号D{A

S33、对获得的15帧信号进行加窗处理，选择窗函数公式为：

S34、将S33中矩阵每一行进行快速傅里叶变换，得到尺寸为15×4096的矩阵，计算每行的能量谱密度E和能量总和F；

S35、根据混凝土产生的压电振动波的频谱特性，频率范围在100KHz~150KHz之间，使用非线性梅尔滤波器组NL-Fbank特征进行梅尔滤波，在NL-Fbank标度中，实际频率到NL-Fbank频率的换算公式如下：

，

其中

S36、将步骤S35获得的频率响应矩阵H做自然对数运算，计算公式为：

优选地，步骤S4中，所述LSS-CNN轻量级时序信号卷积神经网络结构，将S3步骤提取的196个样本作为网络输入，经过12个网络层处理，将NL-Fbank特征向量经过编码器结构处理并分类；

所述编码器结构由多头自感知注意力编码器MSA和多层感知机MLP构成，多头自感知注意力编码器由线性层，多头注意力机制，级联层和线性层构成，多头注意力机制计算公式为：

本发明第二方面提供了一种基于压电振动波的混凝土损伤分类系统，运行所述的一种基于压电振动波的混凝土损伤分类方法，包括：压电振动波采集模块，被配置为：获取混凝土在试验加载过程中损伤的压电振动波；

数据处理模块，被配置为：将压电振动波转换为时序信号数据，进行数据补齐、映射及增广；

损伤分类模块，被配置为：获取预处理后的时序数据，采用基于NL-Fbank特征提取，将特征向量送入到构建的LSS-CNN分类模型，得到混凝土第一、第二和第三损伤分类结果；

其中，压电振动波采集模块与数据处理模块RS232转RS485通讯连接，数据处理模块和损伤分类模块在一组计算机可执行指令的计算机系统中执行。

根据本发明的第二个方面，本发明提供了一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于执行实现如上所述的一种基于压电振动波的混凝土损伤分类方法中的步骤。

与现有技术相比，本发明具有以下有益效果：

1、本发明提供混凝土损伤识别方法和系统，与传统的参数分析和波形分析相比，该方法不需要先验知识和诊断专家。根据损伤压电振动波突发性、时序性特点利用链式插值对齐、映射和增广对数据预处理。结合信号的频谱特性优化非线性梅尔滤波器组特征提取方法，提出适用混凝土损伤的NL-Fbank特征构建基于混凝土压电振动波损伤信号识别的轻量级卷积神经网络模型LSS-CNN，在振动信号中挖掘损伤类型，准确率可达97.5%，轻量化特点可用于边缘计算设备，对环境算力部署条件要求更宽容；

2、本发明提供混凝土损伤识别方法和系统，实现复杂环境下的实时在线监测，部署方便，兼容性强。用户通过简单操作即可实现本方法，获得混凝土土木工程结构损伤鉴别结果，实现结构失效的及时感知。

附图说明

图1为本发明一种基于压电振动波的混凝土损伤分类方法流程图；

图2为本发明优化非线性梅尔滤波器组特征提取方法流程图；

图3为本发明构建LSS-CNN轻量级时序信号卷积神经网络结构图；

图4为本发明一种基于压电振动波的混凝土损伤分类系统架构图；

图5为本发明混淆矩阵分类结果图。

具体实施方式

下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

本公开实施例提供了一种基于压电振动波的混凝土损伤分类方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。

图1为本发明一种基于压电振动波的混凝土损伤分类方法流程图。

如图1所示，本公开实施例提供了一种基于压电振动波的混凝土损伤分类方法，包括如下步骤：

S1、采集混凝土损伤三类压电振动波。制作压电复合材料传感器，外贴混凝土试件表面。设计破坏性实验对试件采集不同损伤下的压电振动波，导出时序信号数据，分类标注损伤类别；

S2、预处理混凝土损伤时序信号。对存在缺失值的时序采用均值插补法，提高样本拟合度。数据映射相同数量级区间，实现原始时序信号的等比例缩放。利用真实数据损伤样本进行重构进行样本增广，为神经网络提供数据支撑；

S3、提取混凝土损伤时序数据样本特征向量。利用基于MFCC改进的非线性梅尔滤波器组(Non-linear Mel Filter bank，NL-Fbank)，提取混凝土损伤信号的高度非线性分量，以匹配频谱特征，适配其非线性和突发性特点。所有数据样本由NL-Fbank滤波器组将信号转换成特征向量组成数据集，将其作为深度神经网络分类模型的输入的一部分，划分训练集和测试集；

S4、构建基于混凝土压电振动波损伤信号识别的轻量级卷积神经网络模型(Lightweight sequence signal convolutional neural network，LSS-CNN)。将由步骤S2获得的样本特征向量作为网络模型输入，混凝土损伤类别作为模型输出，实现损伤类别在线识别。模型嵌入多头注意力编码器，由多层感知机进行分类。数据集经过LSS-CNN模型训练，使用测试集对模型测试，以验证模型精确性。

在该实施例的S1中，作为一优选实施例，可以包括如下步骤：

S11、本实施例使用压电传感器监测压电振动波，传感器采用PZT-5H为压电陶瓷元件，调配环氧树脂，使用切割浇筑法制备1-3型压电复合材料压电声发射传感器，谐振频率150KHz，方向性为71.5dB。混凝土根据《普通混凝土配合比设计规程》(JGJ-55-2011)，本次实验制备混凝土试块，试块强度分别为C30、C40、C50。试块尺寸为15×15×15cm

S12、按《UNE-EN 13477-2:2011 无损检测标准》 设计单轴加载破坏实验，将载荷施加到一个面，而其他面保持固定。恒定位移速率为0.1毫米/分钟，直至失效。采样率设置为1MHz，在压缩测试期间，检测、收集和处理声发射传感器接受到的压电振动波，导出时序信号，以用于训练和测试目的。通过数模转换采集仪导出时序信号数据，时序信号包括时间和幅值，样本序列由1024个特征点组成：D{a

在该实施例的S2中，作为一优选实施例，可以包括如下步骤：

S21、所述均值插补法，遍历样本并定位缺失值，以10为样本区间范围，共选取三个子序列d

S22、插补完成后进行数据标准化操作，提取时间序列的中的

；

S23、样本增广，混凝土损伤信号不能单纯使用传统时移、增加噪音或者时间拉伸，为保证信号随实验发展的时序特征，随机选择两条同类别损伤样本D1和D2，以128为样本区间，每个样本有8个子序列：D1{d

图2为本发明优化非线性梅尔滤波器组特征提取方法流程图。

在该实施例的S3中，作为一优选实施例，如图2所示，可以包括如下步骤：

S31、压电振动波的时序信号D{a

，其中，/>

S32、将预加重后的时序信号D{A

S33、对获得的15帧信号进行加窗处理，可以优先避免频谱泄露，本发明选择窗函数公式为：

，其中，N是分帧长度为128，

S34、将S33中矩阵每一行进行快速傅里叶变换，得到尺寸为15×4096的矩阵，计算每行的能量谱密度E和能量总和F；

S35、根据混凝土产生的压电振动波的频谱特性，频率范围在100KHz~150KHz之间，使用非线性梅尔滤波器组NL-Fbank特征进行梅尔滤波，在NL-Fbank标度中，实际频率到NL-Fbank频率的换算公式如下：

，

其中

S36、将步骤S35获得的频率响应矩阵H做自然对数运算，计算公式为：

图3为本发明构建LSS-CNN轻量级时序信号卷积神经网络结构图。

在该实施例的S4中，作为一优选实施例，如图3所示，可以包括如下步骤：

S41、LSS-CNN轻量级时序信号卷积神经网络结构如图4，将S3步骤提取的196个样本作为网络输入，经过12个网络层处理，将NL-Fbank特征向量经过编码器结构处理并分类。输入样本被平铺成一维数据，一个损伤样本输入特征值共计15×13+1=196，其中1为损伤类别；将196个特征值通过输入层归一化，再经过二维卷积层生成16卷积核；经过进行批归一化，使用ReLU函数对特征线性激活，利用大小为2×1，步长为1池化层进行最大池化，再经过二维卷积层生成32卷积核再经过批归一化、线性激活和批归一化，将特征向量送入全连接层后经过编码器结构处理，输出分类；

S42、所述编码器结构由多头自感知注意力编码器MSA和多层感知机MLP构成，多头自感知注意力编码器由线性层，多头注意力机制，级联层和线性层构成，多头注意力机制计算公式为：

S43、为验证分类结果准确性，使用450条测试样本输入到训练完成的LSS-CNN模型中，其中三类损伤测试集数量分别为163、153、134，分类结果如图5混淆矩阵所示，图中行代表真实类别，列代表预测类别。以C1为例，第一行为C1的真实标签，第一列为C1的预测标签，其中，有159条样本被正确分类，有2条样本错误预测为C2，有2条样本错误预测为C3，因此，C1类的分类准确率为97.5%，误判率为2.5%，如图下方结果所示。其他损伤类别同理，C2类的分类准确率为98.7%，误判率为1.3%；C3类的分类准确率为96.3%，误判率为3.7%，因此，LSS-CNN模型分类准确率为每个类别的平均精度：97.5%。通过对比，第三类损伤效果不佳，易被网络误判成第一类损伤，这是因为混凝土的第三类混合损伤是由第一、第二类损伤共同构成，其中第一类损伤占主导，因此会产生误判情况。为避免该问题发生，在模型后期训练中加入频域信息中主频参数作为限制约束，从而提高模型精度。

本公开实施例提供了一种基于压电振动波的混凝土损伤分类系统，如图4所示，包括：

压电振动波采集模块，被配置为：获取混凝土在试验加载过程中损伤的压电振动波；

数据处理模块，被配置为：将压电振动波转换为时序信号数据，进行数据补齐、映射及增广；

损伤分类模块，被配置为：获取预处理后的时序数据，采用基于NL-Fbank特征提取，将特征向量送入到构建的LSS-CNN分类模型，得到混凝土第一、第二和第三损伤分类结果。

其中，压电振动波采集模块与数据处理模块RS232转RS485通讯连接，数据处理模块和损伤分类模块在一组计算机可执行指令的计算机系统中执行。

本实施例提供了一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时可用于执行实现上述实施例所述的一种基于压电振动波的混凝土损伤分类方法中的步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。