一种系留浮空器结构健康状态识别模型的构建方法及应用

1.本发明属于故障诊断技术领域，更具体地，涉及一种系留浮空器结构健康状态识别模型的构建方法及应用。


背景技术：

2.系留浮空器主要应用于军事预警和通信中继等领域，其结构健康状态直接影响系留浮空器的工作寿命和设备安全。一旦系留浮空器的结构健康状态出现异常，将会导致系留浮空器出现破裂，影响系留浮空器的可靠性和安全性，甚至会导致系留浮空器坠毁，造成重大损失。国内相关技术仍处于空白领域，因此开展系留浮空器结构健康状态识别对于提高系留浮空器的维修效率，降低维修成本，延长其使用寿命，降低财产损失等都具有重大意义。
3.卷积神经网络(convolutional neural networks，cnn)是深度学习的代表算法之一，广泛应用于图像的分类和检测领域。区别于普通深度神经网络，卷积神经网络模型共享滤波器的参数，网络训练更容易，计算时间更短，在学习敏感和鲁棒特征方面表现出很强的能力。然而，业内通常将使用由一维原始时域信号中提取而得的二维时频域特征作为训练样本集，信号处理过程效率较低，严重依赖于信号处理专业知识，并且提取所得样本相对于原始信号存在信息丢失，准确率较低。此外，常用的单尺度卷积核网络无法满足提取多尺度的特征的需求。
4.因此，针对系留浮空器的结构健康状态识别问题，亟需一种能有效从一维原始信号提取多尺度特征的卷积网络方法。


技术实现要素：

5.针对现有技术的以上缺陷或改进需求，本发明提供一种系留浮空器结构健康状态识别模型的构建方法及应用，其目的在于直接从一维信号段中提取多尺度特征实现系留浮空器的结构健康状态识别，提升识别准确率。
6.为了实现上述目的，第一方面，本发明提供了一种系留浮空器结构健康状态识别模型的构建方法，包括以下步骤：
7.s1、搭建多尺度特征融合残差网络；
8.s2、将采集到的训练集输入到多尺度特征融合残差网络中，通过最小化系留浮空器结构健康状态的预测类别与实际类别的差异，对多尺度特征融合残差网络进行训练，得到系留浮空器结构健康状态识别模型；
9.其中，训练集包括信号样本与其对应的系留浮空器结构健康状态的实际类别；信号样本的获取方法，包括：分别激励不同健康状态下的系留浮空器产生振动，采集各个健康状态下系留浮空器产生的应变信号，并进行预处理，得到信号样本；
10.多尺度特征融合残差网络包括：级联的卷积层、多尺度特征融合层、多尺度特征池化层和全连接层；
11.卷积层用于对输入的信号样本进行一维卷积运算，提取信号样本的浅层特征；
12.多尺度特征融合层包括多个级联的多尺度特征融合模块；多尺度特征融合模块用于基于不同卷积尺度的残差模块，对信号样本的浅层特征进行残差操作，得到不同尺度的深层特征，并对不同尺度的深层特征进行融合与压缩，得到信号样本的高维特征；
13.多尺度特征池化层用于基于不同池化核尺寸的池化层，对信号样本的高维特征进行多尺度下的特征压缩；
14.全连接层用于将多尺度特征池化层输出的特征映射为系留浮空器结构健康状态的预测类别。
15.进一步优选地，上述预处理方法包括：
16.s01、对应变信号进行滑动平均做差处理：采用滑动平均法对应变信号进行处理，得到应变滑动平均值后，计算应变信号与应变滑动平均值之差；
17.s02、对滑动平均做差处理后的应变信号进行归一化；
18.s03、将归一化后的信号截取为多个信号段。
19.进一步优选地，信号样本的获取方法，包括：
20.在系留浮空器表面等间距粘贴应变传感器；使用声音播放装置在不同健康状态下的系留浮空器附近播放声波信号，分别激励不同健康状态下的系留浮空器产生振动；采集各个健康状态下系留浮空器在声波激励下产生的应变信号，截去应变信号的头部和尾部中因设备启停所产生的噪声后，进行预处理。
21.进一步优选地，多尺度特征融合模块包括：多个不同卷积尺度的残差模块和第一通道融合模块；多个不同卷积尺度的残差模块的输出端分别与第一通道融合模块的输入端相连。
22.进一步优选地，残差模块包括经残差连接而成的2个卷积模块；第一通道融合模块使用卷积核尺寸为1的一维卷积核，将不同卷积尺度的残差模块输出的特征进行通道连接和通道融合操作。
23.进一步优选地，多尺度特征池化层包括：多个不同池化核尺寸的池化层和第二通道融合模块；多个不同池化核尺寸的池化层的输出端分别与第二通道融合模块的输入端相连。
24.进一步优选地，第二通道融合模块使用卷积核尺寸为1的一维卷积核，将不同池化核尺寸的池化层输出的特征进行通道连接和通道融合操作。
25.进一步优选地，多尺度特征融合残差网络的损失函数为：
[0026][0027]
其中，将训练集分批次输入到多尺度特征融合残差网络中进行训练；n代表样本批次大小；n代表批次中的第n个信号样本；pn代表输入第n个信号样本时多尺度特征融合残差网络的输出的系留浮空器结构健康状态的预测类别；tn代表第n个信号样本所对应的系留浮空器结构健康状态的实际类别。
[0028]
第二方面，本发明提供了一种系留浮空器结构健康状态识别方法，对待识别系留浮空器在发生振动时所产生的应变信号进行预处理后，输入到本发明第一方面所得的系留
浮空器结构健康状态识别模型中，得到系留浮空器结构健康状态的预测类别。
[0029]
进一步优选地，上述预处理方法包括：
[0030]
s01、对应变信号进行滑动平均做差处理：采用滑动平均法对应变信号进行处理，得到应变滑动平均值后，计算应变信号与应变滑动平均值之差；
[0031]
s02、对滑动平均做差处理后的应变信号进行归一化；
[0032]
s03、将归一化后的信号截取为多个信号段。
[0033]
第三方面，本发明提供了一种系留浮空器结构健康状态识别系统，包括：存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时执行本发明第二方面所提供的系留浮空器结构健康状态识别方法。
[0034]
第四方面，本发明提供了一种机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现本发明第一方面所提供的系留浮空器结构健康状态识别模型的构建方法和/或本发明第二方面所提供的系留浮空器结构健康状态识别方法。
[0035]
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
[0036]
1、本发明提供了一种系留浮空器结构健康状态识别模型的构建方法，其中，多尺度特征融合残差网络包括多个级联的多尺度特征融合模块；多尺度特征融合模块基于不同卷积尺度的残差模块，对信号样本的浅层特征进行残差操作，得到不同尺度的深层特征，对不同尺度的深层特征进行融合与压缩，得到信号样本的高维特征，实现了多尺度特征的自动提取、融合和压缩；多个多尺度特征融合模块的串联连接使得多尺度特征融合残差网络能够从原始信号片段中提取出更深更广的特征，在不对时域信号段做人工特征提取或信号处理手段的条件下实现系留浮空器结构健康状态的准确识别。
[0037]
2、本发明所提供的系留浮空器结构健康状态识别模型的构建方法，其中信号预处理方法通过滑动平均做差方法，消除了浮空器内部气压波动等噪声对所采集信号产生的影响；通过对多传感器所采集信号进行归一化，避免了数据淹没等问题(即神经网络会给大数值传感器数据更高权重导致小数值传感器数据易被忽略的问题)；本发明针对系留浮空器的特性所提出的信号预处理方法，有效去除了原始信号中的噪声和干扰成分。
[0038]
3、本发明所提供的系留浮空器结构健康状态识别模型的构建方法，通过搭建神经网络模型对其他系留浮空器上所采集的历史数据进行迭代学习，实现了对同类型系留浮空器的快速无损结构健康状态识别，大幅度提高了系留浮空器的健康状态识别效率与精度。
附图说明
[0039]
图1为本发明实施例1提供的一种系留浮空器结构健康状态识别模型的构建方法流程图；
[0040]
图2为本发明实施例1提供的滑动平均作差方法的过程图；
[0041]
图3为本发明实施例1提供的将归一化后的信号截取为多个信号段的示意图；
[0042]
图4为本发明实施例1提供的多尺度特征融合残差网络结构示意图。
具体实施方式
[0043]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对
本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0044]
实施例1、
[0045]
一种系留浮空器结构健康状态识别模型的构建方法，如图1所示，包括以下步骤：
[0046]
s1、搭建多尺度特征融合残差网络；
[0047]
s2、将采集到的训练集输入到多尺度特征融合残差网络中，通过最小化系留浮空器结构健康状态的预测类别与实际类别的差异，对多尺度特征融合残差网络进行训练，得到系留浮空器结构健康状态识别模型，本实施例中记为mff-drn模型；
[0048]
其中，训练集包括信号样本与其对应的系留浮空器结构健康状态的实际类别；信号样本的获取方法，包括：分别激励不同健康状态下的系留浮空器产生振动，采集各个健康状态下系留浮空器产生的应变信号，并进行预处理，得到信号样本。
[0049]
优选地，在系留浮空器表面等间距粘贴应变传感器；使用声音播放装置在不同健康状态下的系留浮空器附近播放声波信号，分别激励不同健康状态下的系留浮空器产生振动；采集各个健康状态下系留浮空器在声波激励下产生的应变信号，截去应变信号的头部和尾部中因设备启停所产生的噪声后，进行预处理。本实施例中，在系留浮空器表面等间距粘贴应变传感器，间距设定为40cm。利用靠近飞艇表面的扬声器播放200hz固定频率的声音信号，激发产生振动，扬声器功率为20w。声音的载波频率为44khz，传感器采样频率为2khz。系留浮空器健康状态分别为完全健康(h0)、表面存在5mm左右单向裂口(h1)、表面存在5mm左右交叉裂口(h2)共三种状态。在系留浮空器每种健康状态下重复10次数据采集。其中，每种健康状态下随机取8次实验的信号用于模型训练和验证，剩余2次实验的信号用于模型的测试。在健康状态下每次采集时长为50秒，缺陷状态下每次数据采集时长为20秒，形成不平衡数据集，以此贴近系留浮空器的实际工作状态。
[0050]
另外，由于系留浮空器的囊体内部气压会波动或者漏气会导致气压下降，此外由于浮空器是一个椭球形，不同位置的传感器采集到的信号大小不一样，因此有信号归一化的需求。本实施例中，截去采集到的每段信号两端由于设备启停产生的噪声后，进行预处理过程如下：
[0051]
s01、滑动平均作差：如图2所示，将滑动窗口大小设置为接近传感器采样频率的奇数值(本实施例中将滑动窗口大小设置为2001)，使用原始应变信号减去滑动平均获得的应变滑动平均值，消除系留浮空器内部气压波动导致的应变值变化，表示为：
[0052][0053]
其中，f
t
代表采集信号中某点的实际值，k为滑动窗口长度，为保证窗口对称性，k取奇数，为该点经滑动平均作差后所得值。
[0054]
s02、对每段处理后的信号使用最大最小归一化，将信号值放缩至[0,1]之间，避免不同位置传感器采集信号量纲不同导致的影响，便于模型训练，表示为：
[0055]
[0056]
其中，f代表所采集信号，min(f)为f中的最小值，max(f)为f中的最大值，为归一化所得结果。
[0057]
s03、将归一化后的信号截取为多个信号段：如图3所示，选取长度为5120的窗口滑动截取多个信号段，将《信号段，对应系留浮空器结构健康状态的实际类别》作为训练样本，构造训练集。
[0058]
进一步地，本实施例中，模型训练使用交叉熵函数作为损失函数，具体地，多尺度特征融合残差网络的损失函数为：
[0059][0060]
其中，将训练集分批次输入到多尺度特征融合残差网络中进行训练；n代表样本批次大小；n代表批次中的第n个信号样本；pn代表输入第n个信号样本时多尺度特征融合残差网络的输出的系留浮空器结构健康状态的预测类别；tn代表第n个信号样本所对应的系留浮空器结构健康状态的实际类别。
[0061]
如图4所示，多尺度特征融合残差网络包括：级联的卷积层、多尺度特征融合层、多尺度特征池化层和全连接层；
[0062]
卷积层用于对输入的信号样本进行一维卷积运算，提取信号样本的浅层特征；具体地，卷积块包括一维卷积层，激活函数层和批正则化层，一维卷积层执行一维卷积运算，表示为：其中，yk代表第k个特征通道的卷积运算结果，wk代表对应的卷积核，代表卷积运算，x代表输入特征，b代表偏值。激活函数层使用激活函数对卷积运算结果进行激活，提升模型的非线性映射能力。批正则化层用于将训练过程中特征映射至标准正态分布，避免训练中出现梯度消失，表示为：
[0063][0064][0065][0066][0067]
其中，xn和yn分别代表某一批次训练样本中第n个样本的进入批正则化层前的训练过程中间量以及对应的输出，γ和β为批正则化层需学习优化的变量，∈为趋近于0的正数常量以保证分母恒为正数。
[0068]
多尺度特征融合层包括多个级联的多尺度特征融合模块；多尺度特征融合模块用于基于不同卷积尺度的残差模块，对信号样本的浅层特征进行残差操作，得到不同尺度的深层特征，并对不同尺度的深层特征进行融合与压缩，得到信号样本的高维特征，实现了多
尺度特征的自动提取、融合和压缩。具体地，多尺度特征融合模块包括：多个不同卷积尺度的残差模块和第一通道融合模块；多个不同卷积尺度的残差模块的输出端分别与第一通道融合模块的输入端相连。本实施例中，多尺度特征融合模块包括3个不同卷积尺度的残差模块，其中，残差模块由两个卷积模块经残差连接而成；第一通道融合模块使用卷积核尺寸为1的一维卷积核，将残差模块输出的特征进行通道连接和通道融合操作。通过上述结构，多尺度特征融合模块实现了不同尺度特征的提取、融合与压缩。需要说明的是，由于系留浮空器为椭球形，且其表面由复合织物熔融连接而成，且部分区域存在应力集中，因此其表面不同位置的力学特性均存在较大差异，而用于模型训练的样本由浮空器表面的多个传感器所采集信号汇集而得。因此即使在相同的声波激励下，不同位置处的传感器所采集的信号也存在较大差异。而用于模型训练的样本由浮空器表面的多个传感器所采集信号汇集而得，为了能从这些不同位置传感器所采集信号构建的样本集中提取有效信息，所构建的神经网络需要具备多个尺度的特征提取能力。多个多尺度特征融合模块的串联连接使得多尺度特征融合残差网络能够从原始信号片段中提取出更深更广的特征，在不对时域信号段做人工特征提取或信号处理手段的条件下实现系留浮空器结构健康状态的准确识别。另外需要说明的是，对于一维信号常见的预处理方式是通过信号处理(快速傅里叶变换和小波变换等)或者人工提取方式等依赖专家知识的方式获得二维图像样本或离散样本，这些预处理方式严重依赖信号的频率等属性。而由于系留浮空器表面上同一位置的传感器所采集的信号很大程度被声音播放装置发出的激励信号所影响，因此如果使用上述的信号处理方式或者人工构建特征的手段，每更换一种激励信号都需要对信号处理手段进行相应的更改；而本发明中所构建的多尺度特征融合残差网络具有强大的特征提取能力，可以跳过这些信号处理手段，使整个流程更简单，在保持高识别准确率的同时提高效率。
[0069]
多尺度特征池化层用于基于不同池化核尺寸的池化层，对信号样本的高维特征进行多尺度下的特征压缩。具体地，多尺度特征池化层包括：多个不同池化核尺寸的池化层和第二通道融合模块；多个不同池化核尺寸的池化层的输出端分别与第二通道融合模块的输入端相连；其中，第二通道融合模块使用卷积核尺寸为1的一维卷积核，将不同池化核尺寸的池化层输出的特征进行通道连接和通道融合操作。
[0070]
全连接层用于将多尺度特征池化层输出的特征映射为系留浮空器结构健康状态的预测类别。本实施例中，全连接层的输出使用softmax函数实现多维映射，表示为：
[0071][0072]
其中，i代表模型输出向量维度；θi代表全连接层输入向量第i维上的数值；si代表全连接层输出向量第i维上的结果。
[0073]
以mff-drn模型的输出和样本的对应健康状态构造的交叉熵函数为损失函数，对模型进行多折交叉验证训练，保留识别准确率最高的模型。本实施例中，对模型进行5折交叉验证训练，即将样本集拆分成5等分，每轮交叉验证使用其中1份样本为测试集，剩余4分样本作为训练集，保留识别准确率最高的模型。将测试集输入到本实施例中训练好的mff-drn模型中，对系留浮空器当前的结构健康状态进行实时识别。
[0074]
为了进一步说明本发明所提供的mff-drn模型的识别准确率，将全连接网络
(dnn)、一维卷积网络(cnn)和不同卷积核尺寸的深度残差网络(drn-3、drn-7和drn-11)等共5种模型与本发明所提供的mff-drn模型进行对比。所有模型的训练配置均相同，其具体数值如下：
[0075]
设置单个模型的训练回合数为40，学习率为0.001，每次迭代后学习率将减少5％；采用adam优化算法更新模型参数；每批使用16个样本进行训练；在卷积层中使用l2正则化算法来防止过拟合，其权重设置为0.0001。所有模型在同一测试集上进行测试，实验结束后重新随机选择测试集。每次实验重复做5次以避免偶然性。实验结果如表1所示，从结果可以看出本发明所提供的mff-drn模型在识别准确率的各评价指标上均优于其他模型，识别准确率较高。
[0076]
表1
[0077][0078]
实施例2、
[0079]
一种系留浮空器结构健康状态识别方法，对待识别系留浮空器在发生振动时所产生的应变信号进行预处理后，输入到本发明实施例1所得的系留浮空器结构健康状态识别模型中，得到系留浮空器结构健康状态的预测类别。
[0080]
优选地，上述预处理方法包括：
[0081]
s01、对应变信号进行滑动平均做差处理：采用滑动平均法对应变信号进行处理，得到应变滑动平均值后，计算应变信号与应变滑动平均值之差；
[0082]
s02、对滑动平均做差处理后的应变信号进行归一化；
[0083]
s03、将归一化后的信号截取为多个信号段。
[0084]
相关技术方案同实施例1，这里不做赘述。
[0085]
实施例3、
[0086]
上述基于多尺度特征融合残差网络的系留浮空器健康状态系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0087]
一种可选实施方式提供了一种系留浮空器结构健康状态识别系统，包括：存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时执行本发明实施例2所提供的系留浮空器结构健康状态识别方法。
[0088]
另一种可选实施方式提供了一种系留浮空器结构健康状态识别系统，包括：计算机可读存储介质，声波激励单元，应变信号采集单元和处理器；
[0089]
其中，计算机可读存储介质用于存储可执行指令；
[0090]
声波激励单元用于对声波信号进行编程，定制和播放；
[0091]
应变信号采集单元用于对系留浮空器表明应变信号进行采集并获取系留浮空器结构健康状态；
[0092]
处理器用于读取计算机可读存储介质中存储的可执行指令时执行本发明实施例2所提供的系留浮空器结构健康状态识别方法。
[0093]
相关技术方案同实施例2，这里不做赘述。
[0094]
实施例4、
[0095]
本发明提供了一种机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现本发明实施例1所提供的系留浮空器结构健康状态识别模型的构建方法和/或本发明实施例2所提供的系留浮空器结构健康状态识别方法。
[0096]
相关技术方案同实施例1和实施例2，这里不做赘述。
[0097]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。