基于多网络的板中损伤TFM定位与检测方法

本发明涉及材料检测领域，更具体地涉及基于多网络的板中损伤tfm定位与检测方法。

背景技术：

1、cnn-bilstm表示为将卷积神经网络与双向长期记忆网络相结合，卷积神经网络是一种专门用于处理具有网格结构的数据的人工神经网络，双向长期记忆网络是长短期记忆网络的一种扩展形式，用于处理序列数据的神经网络模型。它具有向前和向后两个方向的隐藏状态，并能够捕捉到序列数据中的时序信息和上下文关系，金属板状材料因其高强度、轻质和耐腐蚀性，在桥梁、建筑、船舶、飞机、风力涡轮机和管道等领域得到广泛应用，但是当出现因长期使用导致这些材料因冲击、磨损和腐蚀等因素受损情况时，会严重影响结构安全性，因此高效、精准的评估金属板损伤至关重要。

2、针对上述问题，本发明提出一种解决方案。

技术实现思路

1、为了克服现有技术的上述缺陷，本发明提供了基于多网络的板中损伤tfm定位与检测方法，以解决上述背景技术中存在的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、基于多网络的板中损伤tfm定位与检测方法，包括以下步骤：

4、步骤so1：获取金属板lamb波频散曲线，选择合适模态作为lamb波激励信号并对选定lamb波激励信号进行调制；

5、步骤so2：在金属板中设定目标区域，并在目标区域处放置激励传感器，在激励传感器处金属板上下表面对称发射步骤so1所述lamb波激励信号；

6、步骤so3：在金属板表面指定位置处设置一组圆形传感器阵列，接收来自目标区域除激励传感器以外的回波信号；

7、步骤so4：改变圆形传感器阵列中的圆孔分布，重复步骤so2中所述激励与步骤so3，将得到的每一个传感器数据作为区域识别原始数据集；

8、步骤so5：将所述步骤so4中得到的区域识别原始数据集划分为区域识别训练数据集、区域识别测试数据集以及区域识别验证数据集；

9、步骤so6：使用步骤so5中得到的训练数据集进行cnn-bilstm网络模型参数的训练，同时使用区域识别验证数据集进行验证，选择出性能最优的模型；

10、步骤so7：利用所述步骤so6中得到的性能最优的模型对所述步骤so5中的区域识别测试数据集进行金属板中圆孔损伤所属区域的识别；

11、步骤so8：利用步骤so3所布置的圆形传感器阵列采集到的回波信号，对步骤so7中识别出的金属板中圆孔损伤所属区域利用tfm算法进行成像定位；

12、步骤so9：通过改变圆形传感器阵列中的圆孔分布，重复所述步骤so8，将得到的tfm成像图作为半径识别原始数据集，然后将半径识别原始数据集划分为半径识别训练数据集、半径识别测试数据集以及半径识别验证数据集；

13、步骤s10：使用所述步骤so9中得到的半径识别训练数据集对resnet网络模型参数进行训练，同时用半径识别验证数据集进行验证，并选择出性能最优的模型，通过得到的性能最优的模型对所述步骤so9中的半径识别测试数据集进行板中圆孔损伤半径的识别，以验证算法模型的有效性。

14、优选的，所述选择合适模态作为lamb波激励信号步骤为，根据金属板lamb波频散曲线，选择低频散、速度快的lamb波s0模态信号作为激励。

15、优选的，所述对选定lamb波激励信号进行调制公式为其中h(t)表示为阶越函数，fc表示为激励信号的中心频率，φ表示为信号的相位，n表示为调制正弦信号的波峰数。

16、优选的，所述使用步骤s06中得到的训练数据集进行cnn-bilstm网络模型参数的训练步骤为：

17、将区域识别数据集分为区域识别训练集、区域识别验证集和区域识别测试集，其中区域识别训练集用于cnn-bilstm网络的训练，区域识别验证集用于模型参数的优化和选择，区域识别测试集用于评估模型的性能；

18、利用随机梯度下降算法对cnn-bilstm网络模型进行训练，初始化网络参数，设定初始学习率，并在训练过程中，通过反向传播算法更新网络参数，以最小化损失函数；

19、在每一轮训练结束后，使用区域识别验证集评估模型性能，根据验证结果调整学习率和其他参数，以提高模型的泛化能力和准确性；

20、重复执行上述两个步骤，直到满足早停条件或达到预设的最大训练轮数，最终选择在验证集上性能最优的模型作为最终模型，模型训练优化公式为其中θ表示为模型参数，α表示为学习率，l(θ)表示为损失函数，表示为损失函数关于模型参数的梯度。

21、优选的，所述对步骤so7中识别出的金属板中圆孔损伤所属区域利用tfm算法进行成像定位步骤为：

22、将检测区域分为网格点并将每点视为一个聚焦目标，利用相控阵捕获的全矩阵回波信号重建图像，计算每个点的信号强度，生成高清晰度的聚焦图像；

23、设定阵列点(xi,xi)为激励点，相应的另一阵列点(xj,xj)接收到的感应信号用uij(xi,xj,t)表示，对所有激励点和接收点对应的延迟信号进行叠加得到综合信号的强度表达式为在此过程中，信号首先从激励源发出，经损伤点反射，最终由阵列传感器接收，整个过程的总时长可表示为其中ring代表从激励点至损伤点的位移矢量，而rback则表示为从损伤点至接收点的位移矢量，c表示为声波在板中传播的速度；

24、按照每个聚焦点p的i(p)值绘制成像图，对图中数据进行归一化，取成像图中目标区域内局部区域最大幅值点作为损伤定位结果。

25、优选的，所述步骤s10对resnet网络模型参数进行训练步骤为：

26、将半径识别数据集分为半径识别训练集、半径识别验证集以及半径识别测试集，其中半径识别训练集用于模型的训练，半径识别验证集用于模型参数的调整和优化，半径识别测试集用于评估模型的准确性和泛化能力；

27、采用随机梯度下降算法进行模型的训练，使用交叉熵损失函数作为优化目标，利用早停机制防止过拟合。

28、本发明的有益效果：

29、本发明方法通过将传统的lamb波技术与深度学习技术结合，可以同时实现损伤的区域识别和损伤半径的识别，弥补了已有方法对相应方面的不足和局限性；

30、本发明方法通过使用以数据驱动的深度学习方法，相较于传统的lamb波分析方法，提高了板中损伤定位的效率和尺寸评估能力；

31、本发明方法通过布置一组传感器阵列实现板中损伤的定位和尺寸评估，提高对不同损伤定位和评估的准确性，且对各种操作和环境条件具有稳定性。

技术特征：

1.基于多网络的板中损伤tfm定位与检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于多网络的板中损伤tfm定位与检测方法，其特征在于：所述步骤s01中选择合适模态作为lamb波激励信号步骤为，根据金属板lamb波频散曲线，选择低频散、速度快的lamb波s0模态信号作为激励。

3.根据权利要求1所述的基于多网络的板中损伤tfm定位与检测方法，其特征在于：所述步骤s01中对选定lamb波激励信号进行调制方法为：

4.根据权利要求1所述的基于多网络的板中损伤tfm定位与检测方法，其特征在于：所述使用步骤s06中得到的训练数据集进行cnn-bilstm网络模型参数的训练步骤为：

5.根据权利要求1所述的基于多网络的板中损伤tfm定位与检测方法，其特征在于：所述对步骤so7中识别出的金属板中圆孔损伤所属区域利用tfm算法进行成像定位步骤为：

6.根据权利要求1所述的基于多网络的板中损伤tfm定位与检测方法，其特征在于：所述步骤s10中对resnet网络模型参数进行训练步骤为：

技术总结
本发明公开了一种基于多网络的板中损伤TFM定位与检测方法，涉及材料检测技术领域。本发明方法首先选择合适模态作为Lamb波激励信号并进行调制；在金属板中目标区域，发射激励信号，通过传感器阵列接收目标区域回波信号，将传感器数据作为区域识别原始数据集训练CNN‑BiLSTM网络模型进行圆孔损伤识别；利用TFM算法进行成像定位将得到的TFM成像图作为半径识别原始数据集进行板中圆孔损伤半径的识别，本发明方法通过将传统的Lamb波技术与深度学习技术结合，可以同时实现损伤的区域识别和损伤半径的识别，弥补了已有方法对相应方面的不足和局限性；相较于传统的Lamb波分析方法，提高了板中损伤定位的效率和尺寸评估能力，且对各种操作和环境条件具有稳定性。

技术研发人员：李义丰,颜劲夫,何其骏,瞿业峰
受保护的技术使用者：南京工业大学
技术研发日：
技术公布日：2024/12/5