基于物理信息神经网络的三维声发射源定位方法及装置

本技术涉及三维声发射源定位，尤其是涉及基于物理信息神经网络的三维声发射源定位方法及装置。

背景技术：

1、声发射（acoustic emission, ae）技术作为一种高灵敏度的无损监测手段，通过布置在结构表面的传感器阵列接收弹性波信号，进而反演内部损伤（如微裂纹）的空间位置，在混凝土等工程结构的健康监测中应用广泛。

2、然而，现有技术在三维声发射源定位领域仍存在显著不足。首先，传统tdoa提取方法普遍依赖单一固定阈值进行首达波检测。由于混凝土等介质中信号衰减严重且伴随复杂环境噪声，单一阈值策略面临抗噪性与灵敏度的根本矛盾：阈值过低易受噪声干扰产生误判，阈值过高则对微弱信号不敏感导致漏检，特征表达能力极为有限。其次，现有的纯数据驱动深度学习方法（如mlp、cnn）将其视为“黑箱”回归问题，网络设计难以兼顾原始物理特征与深层抽象特征，导致物理信息丢失；同时，由于缺乏对声波传播物理规律的显式建模，模型在训练数据匮乏的边界区域极易输出违背物理常识（如将声源定位在传感器阵列之外）的预测，泛化能力极差。

技术实现思路

1、有鉴于此，本技术的目的在于提供基于物理信息神经网络的三维声发射源定位方法及装置，通过多维度特征表征、物理信息保留与深度特征学习的互补以及物理空间限制的约束，显著提升了在复杂噪声环境和数据稀缺条件下的三维声源定位精度，同时有效保证了预测结果的物理可解释性与泛化能力。

2、第一方面，本技术实施例提供了一种基于物理信息神经网络的三维声发射源定位方法，所述三维声发射源定位方法包括：

3、获取布置在待测结构上的多个传感器采集到的声发射原始波形信号；

4、提取多个不同的预设电压阈值下任意两个传感器之间的声波到达时间差，并基于所述声波到达时间差形成多维度原始特征向量；

5、将所述多维度原始特征向量输入到双重表示学习网络中，得到双重表示特征向量；其中，所述双重表示学习网络中包括第一路径和第二路径，所述第一路径直接保留所述多维度原始特征向量作为第一输出特征，所述第二路径为深度特征学习路径输出第二输出特征，所述双重表示特征向量是对所述第一输出特征和所述第二输出特征进行拼接得到的；

6、将所述双重表示特征向量输入至多层感知机网络中，得到所述待测结构对应的声源三维空间坐标；其中，所述双重表示学习网络和所述多层感知机网络是基于物理信息神经网络进行联合训练得到的。

7、进一步的，所述提取多个不同的预设电压阈值下任意两个传感器之间的声波到达时间差，并基于所述声波到达时间差形成多维度原始特征向量，包括：

8、针对每个预设电压阈值，提取各个传感器对之间的声波到达时间差，形成到达时间差特征；

9、将每个预设电压阈值分别对应的到达时间差特征进行拼接，以得到多维度原始特征向量。

10、进一步的，所述将所述多维度原始特征向量输入到双重表示学习网络中，得到双重表示特征向量，包括：

11、将所述多维度原始特征向量输入至所述第二路径中的嵌入层，将特征向量映射至高维特征空间并加入位置编码信息，以得到第一特征；

12、将所述第一特征输入至transformer编码器中，并采用残差连接与层归一化处理，以得到第二特征；

13、将所述第二特征进行全局平均池化和线性投影，以得到所述第二输出特征；

14、将所述第一路径输出的第一输出特征和所述第二输出特征进行特征拼接，得到所述双重表示特征向量。

15、进一步的，通过下述步骤训练所述双重表示学习网络和所述多层感知机网络：

16、获取训练数据集；其中，所述训练数据集中包括声发射样本波形信号对应的多维度样本特征向量，以及所述声发射样本波形信号对应的真实声源三维空间坐标；

17、将所述多维度原始特征向量作为输入，依次经过原始双重表示学习网络和原始多层感知机网络进行前向传播，由所述原始多层感知机网络的输出层输出预测的预测声源三维空间坐标；

18、根据所述预测声源三维空间坐标、所述真实声源三维空间坐标，以及采用多个预设电压阈值中最低电压阈值提取的观测到达时间差，计算损失函数；其中，所述损失函数包括数据拟合损失和物理约束损失，所述数据拟合损失是根据所述预测声源三维空间坐标与所述真实声源三维空间坐标计算得到的；所述物理约束损失包括到达时间差一致性约束和几何传播约束；

19、基于所述损失函数对所述原始双重表示学习网络和所述原始多层感知机网络的网络参数进行梯度更新，直至所述损失函数达到收敛，得到所述双重表示学习网络和所述多层感知机网络。

20、第二方面，本技术实施例还提供了一种基于物理信息神经网络的三维声发射源定位装置，所述三维声发射源定位装置包括：

21、信号获取模块，用于获取布置在待测结构上的多个传感器采集到的声发射原始波形信号；

22、原始特征向量生成模块，用于提取多个不同的预设电压阈值下任意两个传感器之间的声波到达时间差，并基于所述声波到达时间差形成多维度原始特征向量；

23、双重表示特征向量生成模块，用于将所述多维度原始特征向量输入到双重表示学习网络中，得到双重表示特征向量；其中，所述双重表示学习网络中包括第一路径和第二路径，所述第一路径直接保留所述多维度原始特征向量作为第一输出特征，所述第二路径为深度特征学习路径输出第二输出特征，所述双重表示特征向量是对所述第一输出特征和所述第二输出特征进行拼接得到的；

24、三维空间坐标确定模块，用于将所述双重表示特征向量输入至多层感知机网络中，得到所述待测结构对应的声源三维空间坐标；其中，所述双重表示学习网络和所述多层感知机网络是基于物理信息神经网络进行联合训练得到的。

25、进一步的，所述原始特征向量生成模块在用于提取多个不同的预设电压阈值下任意两个传感器之间的声波到达时间差，并基于所述声波到达时间差形成多维度原始特征向量时，所述原始特征向量生成模块还用于：

26、针对每个预设电压阈值，提取各个传感器对之间的声波到达时间差，形成到达时间差特征；

27、将每个预设电压阈值分别对应的到达时间差特征进行拼接，以得到多维度原始特征向量。

28、进一步的，所述双重表示特征向量生成模块在用于将所述多维度原始特征向量输入到双重表示学习网络中，得到双重表示特征向量时，所述双重表示特征向量生成模块还用于：

29、将所述多维度原始特征向量输入至所述第二路径中的嵌入层，将特征向量映射至高维特征空间并加入位置编码信息，以得到第一特征；

30、将所述第一特征输入至transformer编码器中，并采用残差连接与层归一化处理，以得到第二特征；

31、将所述第二特征进行全局平均池化和线性投影，以得到所述第二输出特征；

32、将所述第一路径输出的第一输出特征和所述第二输出特征进行特征拼接，得到所述双重表示特征向量。

33、进一步的，所述三维声发射源定位装置还包括模型训练模块，所述模型训练模块用于通过下述步骤训练所述双重表示学习网络和所述多层感知机网络：

34、获取训练数据集；其中，所述训练数据集中包括声发射样本波形信号对应的多维度样本特征向量，以及所述声发射样本波形信号对应的真实声源三维空间坐标；

35、将所述多维度原始特征向量作为输入，依次经过原始双重表示学习网络和原始多层感知机网络进行前向传播，由所述原始多层感知机网络的输出层输出预测的预测声源三维空间坐标；

36、根据所述预测声源三维空间坐标、所述真实声源三维空间坐标，以及采用多个预设电压阈值中最低电压阈值提取的观测到达时间差，计算损失函数；其中，所述损失函数包括数据拟合损失和物理约束损失，所述数据拟合损失是根据所述预测声源三维空间坐标与所述真实声源三维空间坐标计算得到的；所述物理约束损失包括到达时间差一致性约束和几何传播约束；

37、基于所述损失函数对所述原始双重表示学习网络和所述原始多层感知机网络的网络参数进行梯度更新，直至所述损失函数达到收敛，得到所述双重表示学习网络和所述多层感知机网络。

38、第三方面，本技术实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的基于物理信息神经网络的三维声发射源定位方法的步骤。

39、第四方面，本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的基于物理信息神经网络的三维声发射源定位方法的步骤。

40、本技术首先通过获取声发射波形信号并采用多个不同预设电压阈值提取到达时间差并拼接形成多维度原始特征向量，以克服单一阈值在噪声环境下拾取精度低与灵敏度受限的矛盾；其次，将原始特征向量输入包含恒等映射路径和深度特征学习路径的双重表示学习网络中进行特征拼接，以在保留原始物理测量信息的同时深度融合全局依赖特征，实现了原始物理观测与深度抽象特征的优势互补；最后，将融合后的双重特征输入多层感知机预测三维坐标，并利用基于物理信息神经网络的联合训练机制引入包含声波传播物理规律和空间几何三角不等式的物理约束指导网络参数优化。本技术通过多维度特征表征、物理信息保留与深度特征学习的互补以及物理空间限制的约束，显著提升了在复杂噪声环境和数据稀缺条件下的三维声源定位精度，同时有效保证了预测结果的物理可解释性与泛化能力。

41、为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。