基于长短期记忆网络的桥梁拉索断丝信号识别方法及系统

1.本技术属于桥梁拉索状态监测技术领域，具体涉及一种基于长短期记忆网络的桥梁拉索断丝信号识别方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本技术相关的背景技术信息，不必然构成在先技术。
3.随着桥梁建设的蓬勃发展，桥梁运维安全尤为重要。受到桥梁长期服役和自然因素的影响，拉索作为斜拉桥等大型桥梁的受力构件，其安全性和耐久性会降低。因此，实现对桥梁拉索的健康监测是保障桥梁正常运营的关键。声发射是一种动态无损检测方法，在桥梁拉索等局部监测中应用愈发广泛；声发射长期监测会产生海量的信号，且信号复杂多样。
4.据发明人了解，桥梁拉索的声发射监测及对损伤信号的识别研究主要存在着以下问题：(1)多数研究者对声发射信号的分析参数较少，一般只分析常见的声发射参数，用参数的变化来表征损伤的程度或者用一个或两个表征损伤变化明显的指标来进行损伤预警，有的研究仅基于参数的统计分析来区分损伤，对于声发射信号提取的特征数量有限，会对最终的识别造成一定影响。
5.(2)目前的声发射监测研究较少采用机器学习算法来做断丝信号的识别；即使采用机器学习的算法来建模分析，也多数是采用一般的分类算法，如聚类算法，神经网络等。


技术实现要素：

6.为了解决上述问题，本技术提出了一种基于长短期记忆网络的桥梁拉索断丝信号识别方法及系统，从时域、频域、时频分析等多维度进行信号特征提取，选取分类能力较强的特征参数，构建表征声发射信号的综合特征向量；基于长短期记忆网络（long short-term memory，简称lstm）构建断丝信号识别模型，实现断丝信号的较好识别。
7.根据一些实施例，本技术的第一方案提供了一种基于长短期记忆网络的桥梁拉索断丝信号识别方法，采用如下技术方案：一种基于长短期记忆网络的桥梁拉索断丝信号识别方法，包括以下步骤：获取桥梁拉索声发射信号；对所获取的桥梁拉索声发射信号进行多维度特征提取，构建综合特征向量；基于所构建的综合特征向量和预设的信号识别模型，识别桥梁拉索断丝信号；其中，信号识别模型采用长短期记忆网络。
8.长短期记忆网络适用于时间序列问题的处理，该网络设计可以应对循环神经网络的梯度衰减问题，并更好的捕捉时间序列中时间步距离较大的依赖关系。
9.作为进一步的技术限定，通过搭建的桥梁拉索声发射系统可以获得拉索的声发射
信号，该系统包括：声发射传感器、声发射前置放大器、声发射采集卡以及上位机。首先需要在拉索钢绞线表面布署传感器，在对钢绞线施加荷载进行拉伸过程中，上位机软件驱动声发射采集卡采集监测数据并上传至上位机，上位机将每个采集的信号转换保存为txt格式信号文件。
10.作为进一步的技术限定，基于时域分析、频域分析和时频分析实现所获取的桥梁拉索声发射信号的多维度特征提取。
11.进一步的，对所获取的桥梁拉索声发射信号的时域波形提取信号参数进行时域分析，得到桥梁拉索声发射信号的时域特征。
12.进一步的，基于快速傅里叶变换对所获取的桥梁拉索声发射信号进行时域到频域的变换分析，基于桥梁拉索声发射信号的频谱得到频域特征。
13.进一步的，对所所获取的桥梁拉索声发射信号进行连续小波变换，对连续小波变换后的信号进行尺度能量比特征的计算，得到时频特征。
14.进一步的，将所获取的桥梁拉索声发射信号样本的特征向量作为行向量，将所得到的时域特征、频域特征和时频特征作为所述行向量的元素，构建综合特征向量。
15.作为进一步的技术限定，在桥梁拉索断丝信号识别的过程中，基于所构建的信号识别模型进行训练样本标签值的设定，根据信号识别模型的输入信号的信号预测的标签值，完成桥梁拉索断丝信号的识别。
16.作为进一步的技术限定，信号识别模型采用长短期记忆网络，模型输入层将信号提取的综合特征向量输入至该模型，模型的隐藏层的lstm单元进一步挖掘综合特征向量的深度信息，并输出至全连接层，全连接层完成对最终输出的维度转换，全连接层将结果输出至softmax分类层，完成对输入信号的预测，输出层输出预测值。根据损失函数，模型进行反向计算来更新模型的参数，经过多轮的训练，模型参数调整完成，基于训练集可以构建起信号的识别模型。
17.根据一些实施例，本技术的第二方案提供了一种基于长短期记忆网络的桥梁拉索断丝信号识别系统，采用如下技术方案：获取模块，被配置为获取桥梁拉索声发射信号；构建模块，被配置为对所获取的桥梁拉索声发射信号进行多维度特征提取，构建综合特征向量；识别模块，被配置为基于所构建的综合特征向量和预设的信号识别模型，识别桥梁拉索断丝信号；其中，信号识别模型采用长短期记忆网络。
18.与现有技术相比，本技术的有益效果为：本技术从时域、频域、时频分析等多维度进行信号特征提取，选取了分类能力较强的特征参数，构建了表征声发射信号的综合特征向量；基于lstm构建断丝信号识别模型，在测试集上表现出较好的性能；和传统机器学习算法模型相比，所构建的断丝信号识别模型可以准确识别绝大部分断丝和非断丝信号，表现出对断丝信号的较好识别能力。
附图说明
19.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。
20.图1是本技术实施例一中的基于长短期记忆网络的桥梁拉索断丝信号识别方法的流程图；图2是本技术实施例一中的测试集混淆矩阵的结构示意图；图3是本技术实施例一中的不同模型的f1-score对比示意图；图4是本技术实施例二中的基于长短期记忆网络的桥梁拉索断丝信号识别系统的结构框图。
具体实施方式
21.下面结合附图与实施例对本技术作进一步说明。
22.应该指出，以下详细说明都是例示性的，旨在对本技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
23.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
24.在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
25.实施例一本技术实施例一介绍了一种基于长短期记忆网络的桥梁拉索断丝信号识别方法。
26.如图1所示的一种基于长短期记忆网络的桥梁拉索断丝信号识别方法，包括以下步骤：步骤s01：获取桥梁拉索声发射信号；步骤s02：对所获取的桥梁拉索声发射信号进行时域、频域以及时频分析，从多维度对信号进行特征提取，构建综合特征向量；步骤s03：根据采集的信号样本，建立训练集和测试集；步骤s04：训练lstm模型；步骤s05：利用训练好的模型判别信号的所属类别。
27.作为一种或多种实施方式，在步骤s01中，在实验室中利用千斤顶对拉索钢绞线进行张拉，同时利用声发射信号采集设备对声发射信号进行采集，采集频率设为3mhz，选用的钢绞线和真实桥梁拉索中单丝涂覆环氧涂层预应力钢绞线一致，钢绞线由7股钢丝组成，直径约为15.24mm，极限抗拉强度1860mpa。
28.作为一种或多种实施方式，声发射信号的特征提取从三个角度展开，分别为时域、频域以及时频分析。时域特征提取指的是基于声发射信号的时域波形提取信号参数。频域特征提取基于快速傅里叶变换(fast fourier transform,简称fft)算法展开，利用fft算法可以将离散的声发射信号从时域变换至频域进行分析，频域特征参数可从信号的频谱进一步得到。时域和频域共选择17维特征：频谱熵、峰值、持续时间、下降时间、振铃计数、质心频率、峰值因子、均方根、均方根频率、均方频率、频率方差、能量、上升时间、频率标准差、整流平均值、波形因子和方差。时域特征的计算公式分别如表1和表2所示，其中，表1中的特征参数是信号的时域波形统计参数，表2中的特征参数是信号的声发射参数，频域特征的计算
公式如表3所示。
29.表1 信号的时域波形统计参数注：1.表中表示信号的长度；2.表中表示信号时刻的幅值。
30.表2信号的声发射参数
频域特征参数的计算公式如下所示：1.质心频率（khz），用于表征整个频谱的重心处频率，其计算公式为；2.频谱熵，用于表征频谱的不确定度，反映频谱信息，其计算公式为；3.频率标准差（khz2），用于频谱能量变化的波动，其计算公式为
；4. 均方根频率(khz2)，用于描述频谱中主频带的偏移，其计算公式为；5.频率方差(khz2)，用于频谱能量分布，其计算公式为；6.均方频率(khz2)，用于反映频谱中主频带的变化，其计算公式为；其中，表示频谱处的频率；表示fft点数；表示频谱幅值的绝对值。
31.时频分析方法采用连续小波变换，经过参数选择，采用morlet小波基、7尺度的分解尺度。对采集的断丝信号和非断丝信号进行连续小波变换处理，对变换后每个尺度计算能量占比。以断丝信号为例，设断丝信号共分解的尺度为，各个尺度分解的小波系数为，进一步可以计算得到每个尺度信号的能量为：(1)其中，表示信号长度，则每个尺度信号能量所占比例为：
(2)经计算比较，两类信号在第二、三、四、六和七尺度上能量比特征差异明显，因此，选择这5个尺度能量比特征作为时频分析提取的信号特征。
32.基于上述提取的多维度特征，可以构建起信号样本的综合特征向量，特征向量为一个行向量，其形式如下： (3)其中，行向量内每个元素代表前面提取的一个信号特征，对每个信号样本可以得到其特征向量。对不同类型的信号打上标签，用于区分不同的信号样本，进一步划分训练集和测试集，利用训练集可以实现lstm模型的训练。
33.搭建的lstm模型包括输入层、lstm隐藏层、全连接层、softmax分类层以及输出层。输入层主要作用是将每个声发射信号的特征向量导入lstm网络中。lstm隐藏层负责对输入的批量样本的特征向量进一步分析，将有价值信息传递至全连接层，全连接层主要负责将lstm输出向量的维度进行转换，即转换为模型标签向量的维度，这样才能计算损失函数。最后softmax层主要作用是将全连接层输出的类别分数映射到正数范围，再归一化到(0,1)，从而得到每个类别的概率。从输出层最终获取每个声发射信号样本的所属类别。经过参数的调优，其模型结构参数如下：输入层共22维度；lstm隐藏层包含10个网络模块单元，采用的激活函数包含sigmoid和tanh等函数；一层全连接层包括2个神经元用于维度转换；softmax分类层输出接两种信号类别，训练参数设置如表3所示。
34.表3长短期记忆网络训练参数用训练集训练完成lstm模型后，该模型对测试集样本进行了测试，测试集的混淆矩阵如图2所示，所构建的模型可准确识别绝大部分断丝信号和非断丝信号。
35.本实施例针对lstm模型和传统的机器学习模型在断丝信号识别能力上的差异进行了比较，主要对比的模型包括：支持向量机(support vector machine,简称svm)、粒子群
算法优化的支持向量机(pso-svm)、多层感知机、k-最邻近法（k-nearest neighbor，简称knn）、决策树以及朴素贝叶斯模型。针对信号测试集，各个模型的断丝信号识别准确率如表4所示。
36.表4不同模型断丝信号识别准确率在matlab软件中给测试集信号加入信噪比（signal-to-noise ratio，简称 snr）为30db的高斯白噪声，对于snr为30db的测试集，各个模型对于断丝信号的识别准确率如表5所示。
37.表5不同模型断丝信号识别准确率（信噪比为30db）从表4中可以看出，lstm模型相较于其它模型，对于断丝信号的识别准确率最高。从表5可以看出，snr为30db的信号测试集条件下，lstm模型仍可以实现最高的断丝信号识别准确率。
38.为了综合比较模型的性能，本实施例对比了上述不同模型对于真实信号测试集和snr为30db的信号测试集的f1分数，即f1-score，（f1-score是统计学中用来衡量二分类模型精确度的一种指标，它同时兼顾了分类模型的精确率和召回率；f1分数可以看作是模型
精确率和召回率的一种调和平均，它的最大值是1，最小值是0）。f1-score可以综合考虑识别精度和召回率指标，该参数是表征模型性能的综合评价指标，其计算如下：
ꢀꢀ
(4)f1-score即为取1时的值，f1-score计算结果如表6所示，不同模型的f1-score在两种测试集上的对比结果如图3所示。
39.表6不同模型的f1分数由图3可以看出，对于真实信号测试集和含有一定噪声的信号测试集，lstm模型均可得到较高的f1-score值，表明lstm建立的断丝信号识别模型效果较好。
40.本实施例从时域、频域、时频分析等多维度进行信号特征提取，选取了分类能力较强的特征参数，构建了表征声发射信号的综合特征向量；基于lstm构建断丝信号识别模型，在测试集上表现出较好的性能；和传统机器学习算法模型相比，所构建的断丝信号识别模型可以准确识别绝大部分断丝和非断丝信号，表现出对断丝信号的较好识别能力。
41.实施例二本技术实施例二介绍了一种基于长短期记忆网络的桥梁拉索断丝信号识别系统。
42.如图4所示的一种基于长短期记忆网络的桥梁拉索断丝信号识别系统，包括：获取模块，被配置为获取桥梁拉索声发射信号；构建模块，被配置为对所获取的桥梁拉索声发射信号进行多维度特征提取，构建综合特征向量；识别模块，被配置为基于所构建的综合特征向量和预设的信号识别模型，识别桥梁拉索断丝信号；其中，信号识别模型采用长短期记忆网络。
43.详细步骤与实施例一提供的基于长短期记忆网络的桥梁拉索断丝信号识别方法相同，在此不再赘述。
44.以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。