基于增强导波信号的水下装备金属耐压结构腐蚀定位方法

本技术涉及水下装备腐蚀损伤检测，特别是涉及一种基于增强导波信号的水下装备金属耐压结构腐蚀定位方法。

背景技术：

1、现有技术中，水下装备金属耐压结构的腐蚀损伤检测主要依赖导波技术。导波技术是结构健康监测（shm）中的一种重要方法，尤其适用于大面积、复杂结构的损伤检测。导波信号（如lamb波）具有传播距离远、对早期损伤敏感等优点，因此广泛应用于水下装备和船体等结构的检测。且现有技术中，卷积神经网络常用于自动化损伤检测，并且能够通过训练从大量数据中学习损伤的模式。然而，现有技术中的深度学习方法通常依赖大量的真实损伤数据进行训练。然而，由于水下装备在复杂环境中的使用条件（如高水压、低温、高湿等），实际损伤数据难以大规模收集。这导致训练数据集严重不足，无法支持深度学习模型的高效训练，从而造成“数据饥渴”问题。现有技术通常依赖于大量真实损伤样本，而这一点在实际应用中无法解决。另一方面，多路径导波信号带来了高维度的数据输入，这使得训练过程中的计算量大，模型难以高效处理；且信号受到噪声和环境因素的影响，导致定位精度不高。传统的特征提取方法无法有效应对复杂的导波信号，尤其是当存在非线性和高维数据时，难以从原始信号中提取出有效的损伤特征。现有方法在实际环境中，尤其是受到多种环境因素影响时，定位精度容易下降，缺乏足够的适应能力。

2、因此，亟需一种技术方案解决上述问题。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够降低计算复杂性，适应性强，定位精度高的基于增强导波信号的水下装备金属耐压结构腐蚀定位方法。

2、一种基于增强导波信号的水下装备金属耐压结构腐蚀定位方法，包括以下步骤：

3、采集水下装备金属耐压结构不同路径的导波信号，并对导波信号标准化处理；

4、提取每条路径的导波信号的瞬时幅度与相位信息，在幅度与相位中分别引入独立高斯噪声，并在相位中添加预设范围随机相位偏移，以处理后的幅度与相位构成增强导波信号；

5、提取每条路径的增强导波信号的物理特征，并将提取的物理特征输入kpca模型进行非线性降维处理，保留损伤敏感的非线性特征；

6、将保留损伤敏感的非线性特征输入一维卷积神经网络模型进行损伤定位训练；

7、使用训练完成的一维卷积神经网络模型进行损伤位置定位。

8、在其中一个实施例中，采集水下装备金属耐压结构不同路径的导波信号，并对导波信号标准化处理，包括：

9、根据水下装备金属耐压结构的形状布置pzt传感器，通过每个pzt传感器激励导波信号，并通过其余pzt传感器接收反射波，形成不同路径；

10、采集每条路径的导波信号，并使用标准化方法对导波信号进行幅值归一化。

11、在其中一个实施例中，提取每条路径的导波信号的瞬时幅度与相位信息，在幅度与相位中分别引入独立高斯噪声，并在相位中添加预设范围随机相位偏移，以处理后的幅度与相位构成增强导波信号，包括：

12、将每条路径的导波信号的时域信号进行希尔伯特变换：

13、

14、其中，为复解析信号；为时域信号；为希尔伯特变换算子；为虚数单位；

15、从复解析信号中提取瞬时幅度与相位信息：

16、

17、其中，为幅度；为相位；

18、在幅度中引入独立高斯噪声：

19、

20、其中，为处理后的幅度；为幅度调节因子；为幅值扰动；为幅值方差；

21、在相位中引入独立高斯噪声，并添加预设范围随机相位偏移作为固定偏移量：

22、

23、其中，为处理后的相位；为相位调节因子；为相位扰动；为固定偏移量；为相位方差；

24、以处理后的幅度与相位构成增强导波信号：

25、

26、其中，为增强导波信号；{·}为取实部操作。

27、在其中一个实施例中，所述幅值方差由幅值信号功率与预设信噪比计算得到，所述相位方差由相位信号功率与预设信噪比计算得到：

28、

29、其中，snr为预设信噪比；为幅值信号功率；为相位信号功率。

30、在其中一个实施例中，所述物理特征包括峭度、标准差、均方根值、峰值因子和希尔伯特包络谱峰值。

31、在其中一个实施例中，提取每条路径的增强导波信号的物理特征，并将提取的物理特征输入kpca模型进行非线性降维处理，保留损伤敏感的非线性特征，包括：

32、提取每条路径的增强导波信号的物理特征，并将提取的物理特征输入kpca模型；

33、kpca模型通过高斯径向基核函数对输入的物理特征进行非线性映射，通过nyström近似方法，选择前k个主成分，k为预设值，保留95以上的方差，得到损伤敏感的非线性特征。

34、在其中一个实施例中，所述一维卷积神经网络模型包括输入层、卷积层、池化层、全连接层和输出层。

35、在其中一个实施例中，将保留损伤敏感的非线性特征输入一维卷积神经网络模型进行损伤定位训练，包括：

36、将损伤敏感的非线性特征输入输入层；

37、通过多个卷积层对输入层中的非线性特征进行局部特征提取，卷积核通过学习获得导波信号中的损伤特征；每个卷积层后接有池化层，池化层使用最大池化操作减少卷积层输出的维度；

38、将卷积提取的特征展平后输入全连接层中进行损伤位置的回归预测，并通过输出层输出预测损伤位置的坐标，完成损伤定位训练。

39、在其中一个实施例中，损伤定位训练中，使用adam优化器，采用分段衰减策略训练，损失函数为均方误差。

40、一种基于增强导波信号的水下装备金属耐压结构腐蚀定位装置，包括：

41、信号采集模块，用于采集水下装备金属耐压结构不同路径的导波信号，并对导波信号标准化处理；

42、数据增强模块，用于提取每条路径的导波信号的瞬时幅度与相位信息，在幅度与相位中分别引入独立高斯噪声，并在相位中添加预设范围随机相位偏移，以处理后的幅度与相位构成增强导波信号；

43、降维模块，用于提取每条路径的增强导波信号的物理特征，并将提取的物理特征输入kpca模型进行非线性降维处理，保留损伤敏感的非线性特征；

44、模型训练模块，用于将保留损伤敏感的非线性特征输入一维卷积神经网络模型进行损伤定位训练；

45、测试模块，用于使用训练完成的一维卷积神经网络模型进行损伤位置定位。

46、上述基于增强导波信号的水下装备金属耐压结构腐蚀定位方法，在每条路径的导波信号的瞬时幅度与相位中分别引入独立高斯噪声，并在相位中添加预设范围随机相位偏移，采用幅值和相位双重扰动的方式来模拟环境因素对导波信号的影响，从而增强模型训练数据的多样性，提高模型的泛化能力和鲁棒性。通过kpca模型有效从复杂的非线性数据中提取出与损伤相关的低维特征，降低数据的维度，并保留信号中的重要损伤信息，从而有效减少计算复杂性，并保留导波信号中的损伤信息，为后续的神经网络模型提供高质量的输入特征。使用一维卷积神经网络来处理导波信号，进行损伤定位，并使用保留损伤敏感的非线性特征对一维卷积神经网络模型进行损伤定位训练，使一维卷积神经网络模型能够自动学习信号中的损伤特征并进行高精度的定位，提高了模型的训练效率和定位精度。

47、本发明能够有效解决水下装备腐蚀损伤检测中面临的数据稀缺、高维数据处理复杂性、特征提取困难和环境适应性差等问题，显著提高损伤定位的精度和鲁棒性。