一种基于FBG-IMU双分支GRU时序融合的悬臂梁形变预测方法

摘要: 本发明涉及结构健康监测和多源传感数据融合,具体涉及一种基于fbg-imu双分支gru时序融合的悬臂梁形变预测方法。背景技术:1、悬臂梁广泛用于桥梁悬挑构件、机械...
一种基于FBG-IMU双分支GRU时序融合的悬臂梁形变预测方法

本发明涉及结构健康监测和多源传感数据融合,具体涉及一种基于fbg-imu双分支gru时序融合的悬臂梁形变预测方法。

背景技术:

1、悬臂梁广泛用于桥梁悬挑构件、机械臂、航空翼面、风电叶片、建筑雨棚等工程结构。实时、准确地获取其形变状态,对评估结构安全、预警故障和控制运行都有重要意义。常用的接触式位移计、激光位移传感器等需要固定的参考基准,在实际服役环境中往往难以长期布设。因此,需要通过布设在结构本体上的传感器间接推算形变。

2、光纤布拉格光栅(fiber bragg grating,fbg)抗电磁干扰、体积小、易于粘贴,能够通过中心波长的漂移反映局部应变。但fbg只能反映测点附近的局部应变,而且会受温度、粘贴质量、预应力等因素影响,仅凭fbg数据推算远处目标测点的形变时,精度和稳定性有限。惯性测量单元(inertial measurement unit,imu)可以获取加速度、角速度和姿态角,能够反映结构的整体转角信息,但其测量存在噪声和零偏漂移,静态小形变下的分辨能力有限。可见,fbg和imu在信息上可以互补,融合二者有望提高形变预测精度。

3、现有fbg与imu的融合方法主要存在以下不足:

4、(1)fbg解调仪和imu通常由不同设备分别采集,时钟彼此独立,原始数据之间存在时间偏移。不对齐就直接融合,会使同一时刻的两类特征不对应。

5、(2)现有方法多把两类传感器的特征直接拼接后输入单一网络,或者使用固定权重,无法根据当前样本自适应地调整fbg和imu两种模态的贡献。当某一模态信号质量下降时,融合效果会明显变差。

6、(3)现有方法多以单个时间窗口为独立样本,没有利用同一次试验中各窗口之间的时序关联。

7、(4)构建数据集时,常把全部窗口混合后随机划分训练集和验证集。同一次物理试验中相邻窗口的数据高度相似,这样划分会让同一试验的数据同时进入训练集和验证集,造成数据泄露,验证结果虚高,模型在新试验上的实际泛化能力得不到真实评估。

8、(5)不同物理试验的持续时间不同,得到的窗口数量也不同,现有方法常截断或插值成等长序列,会损失信息或引入伪数据。

9、因此,需要一种能够准确对齐多源数据、充分利用试验内时序信息、自适应融合两种模态、并能真实评估泛化能力的悬臂梁形变预测方法。

技术实现思路

1、针对现有技术中存在的问题,本发明提供一种基于fbg-imu双分支gru时序融合的悬臂梁形变预测方法。本发明利用共同扰动事件对齐两类数据;以物理试验为单位构建变长度窗口特征序列,避免数据泄露;用参数相互独立的双分支gru分别提取fbg和imu的时序特征;结合时间注意力池化和模态门控融合,实现时间维度和模态维度的自适应加权,从而提高悬臂梁目标测点形变预测的准确性和泛化能力。

2、为实现上述目的,本发明采用如下技术方案:

3、一种基于fbg-imu双分支gru时序融合的悬臂梁形变预测方法,包括以下步骤:

4、s1、在悬臂梁上布设光纤布拉格光栅和惯性测量单元。

5、s2、在悬臂梁不同弯曲状态的多次物理试验中,采集中心波长数据、imu时序数据和目标测点的形变标签。对数据进行时间对齐和滑动窗口处理后,将同一物理试验内的窗口特征按窗口顺序排列,形成fbg窗口特征序列和imu窗口特征序列。

6、s3、构建形变预测模型。所述形变预测模型包括:

7、fbg时序编码分支和imu时序编码分支,二者分别包括参数相互独立的gru层,用于对fbg窗口特征序列和imu窗口特征序列进行时序编码;

8、时间注意力池化模块,用于对各窗口的隐藏状态进行注意力加权汇聚,得到fbg上下文特征向量和imu上下文特征向量;

9、模态门控融合模块,用于根据两个上下文特征向量计算fbg模态权重和imu模态权重,并将加权后的两个上下文特征向量拼接为融合特征向量;

10、全连接回归模块,用于根据融合特征向量输出形变预测值。

11、s4、利用训练集训练所述形变预测模型。

12、s5、将待测数据按步骤s2处理后,输入训练完成的形变预测模型,输出目标测点的形变预测结果。

13、进一步地,步骤s2中的时间对齐通过共同扰动事件实现:以中心波长数据和imu时序数据中共同扰动事件出现时刻的差值作为时间偏移量,对中心波长数据或imu时序数据的时间轴进行平移。在滑动窗口处理前,以悬臂梁未加载状态下的数据作为未加载基线进行基线校正。

14、进一步地,fbg窗口特征序列中的每个窗口特征为4维特征,包括窗口内中心波长相对于未加载基线的偏移量、窗口内中心波长标准差、窗口首尾中心波长差和窗口内中心波长线性变化斜率。

15、进一步地,imu时序数据包括三轴加速度、三轴角速度、俯仰角、横滚角、航向角和四元数,共13个非计数通道。imu窗口特征序列中的每个窗口特征共39维,由对每个通道分别计算的以下3项组成:窗口均值相对于未加载基线的变化量、窗口标准差和窗口首尾差。

16、进一步地,步骤s4中,按照物理试验编号对全部窗口进行分组,将各物理试验随机打乱后,按8:2的比例划分为训练集和验证集。同一物理试验内的全部窗口只作为一个变长度序列样本,并且只进入训练集和验证集中的一个。

17、进一步地,在训练前,仅根据训练集对窗口特征的每一维分别计算标准化参数:以该维特征的中位数作为中心值,并用中心值填补非有限值;以填补后该维特征的标准差作为缩放因子,缩放因子小于预设最小阈值时取1。验证集和待测数据都使用该中心值和缩放因子进行标准化。

18、进一步地,时间注意力池化模块分别设置在fbg时序编码分支和imu时序编码分支之后,按下式计算:

19、

20、

21、其中,:对应窗口的标量时间注意力得分;传感器模态m∈{f,i};f表示fbg分支;i表示imu分支;表示对应的隐藏状态;和为该传感器分支对应的可学习参数;ti为第i次物理试验的有效窗口数量;时间注意力权重;为传感器分支的上下文特征向量;

22、对于有效窗口数量不同的物理试验,采用零填充构造批量输入,所述gru层依据实际有效窗口数量进行编码,所述时间注意力池化模块屏蔽填充位置的注意力得分。

23、进一步的,所述模态门控融合模块按下式计算:

24、

25、其中,和分别为第i次物理试验的fbg上下文特征向量和imu上下文特征向量;表示向量拼接;和为可学习参数;为两个模态得分;和分别为fbg模态权重和imu模态权重,且;为融合特征向量。

26、进一步的,所述fbg时序编码分支和所述imu时序编码分支的gru层均为单层结构,隐藏层维度均为32,所述融合特征向量为64维;所述全连接回归模块依次包括输入维度为64、输出维度为32的第一全连接层,relu激活层,失活率为0.2的随机失活层,以及输入维度为32、输出维度为1的第二全连接层。

27、进一步的,步骤s4的训练过程如下:采用平滑l1损失函数计算训练损失,采用adamw优化器更新网络参数,初始学习率为1×10-3,权重衰减系数为1×10-4,每次反向传播后以最大梯度范数5进行梯度裁剪;每轮训练结束后,计算所述验证集上以物理试验为单位的平均绝对误差,若该误差相对于历史最优值的改善超过1×10-4,则保存当前网络参数;若连续40轮的改善均未超过1×10-4,则终止训练,并恢复平均绝对误差最优时的网络参数。

28、与现有技术相比,本发明的有益效果如下:

29、(1)本发明以共同扰动事件为参照,对时钟独立的fbg和imu数据进行时间对齐,使同一窗口内两类特征的物理时刻相对应,为后续融合提供可靠基础。以未加载基线进行校正,减小了传感器初始零位、粘贴预应力和安装姿态的影响,使特征直接反映加载引起的变化。

30、(2)本发明以物理试验为单位构建变长度序列样本,并按试验编号划分训练集和验证集,从根本上避免了同一试验的相邻窗口同时进入训练集和验证集,验证结果能够真实反映模型对新试验的泛化能力。

31、(3)本发明用参数相互独立的双分支gru分别提取两种模态的时序特征,避免物理含义、量纲和变化规律不同的两类信号相互干扰。时间注意力池化能突出信息量大的窗口,抑制瞬态扰动窗口的影响。配合零填充、按有效长度编码和注意力掩码,既能处理变长度序列,又不引入伪数据。

32、(4)本发明的模态门控融合模块为每个样本自适应地计算fbg模态权重和imu模态权重,权重和为1,模态门控模块根据fbg和imu的上下文特征自适应调整两类传感器特征的融合权重,增强融合的鲁棒性。门控权重也为分析模型决策提供了一定的可解释性。

33、(5)本发明只用训练集计算标准化参数,并以中位数为中心值、填补非有限值、为缩放因子设置最小阈值保护,既防止验证集信息泄露,又增强了对异常值、缺失值和常值特征的鲁棒性。结合平滑l1损失、adamw、梯度裁剪和早停机制,训练过程稳定,不易过拟合。