CN113378426B - 一种基于信息融合的机械叶片损伤识别方法 - Google Patents

一种基于信息融合的机械叶片损伤识别方法 Download PDF

Info

Publication number
CN113378426B
CN113378426B CN202110487324.2A CN202110487324A CN113378426B CN 113378426 B CN113378426 B CN 113378426B CN 202110487324 A CN202110487324 A CN 202110487324A CN 113378426 B CN113378426 B CN 113378426B
Authority
CN
China
Prior art keywords
damage
modal
characteristic information
matrix
vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110487324.2A
Other languages
English (en)
Other versions
CN113378426A (zh
Inventor
蒋勇英
钟永腾
王乃格
邵梁
向家伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wenzhou University
Original Assignee
Wenzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wenzhou University filed Critical Wenzhou University
Priority to CN202110487324.2A priority Critical patent/CN113378426B/zh
Publication of CN113378426A publication Critical patent/CN113378426A/zh
Application granted granted Critical
Publication of CN113378426B publication Critical patent/CN113378426B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于信息融合的机械叶片损伤识别方法，包括：S1:采集机械叶片的损伤结构的振动信号，识别结构的模态频率和模态振型；S2:采用BSWI小波方法从模态振型中提取损伤特征信息；S3:将步骤S2中将不同损伤识别方法提取的损伤特征信息融合在一起，构建多维损伤特征信息向量,按列排列组成损伤特征信息向量，每个损伤特征向量数据长度为p，这时多维损伤特征向量为p×q阶的二维矩阵；S4:通过优化支持向量机的参数和步骤S2、S3中已知标签样本输入到SVM训练模型中进行训练得到SVM测试模型，然后将未知标签样本输入到训练好的SVM测试模型进行损伤识别。该方法具有融合小波信号处理方法和多模态信息特征，能够对损伤机械结构进行快速识别结构损伤特点。

Description

一种基于信息融合的机械叶片损伤识别方法
技术领域
本发明涉及机械结构的损伤识别领域，具体是指一种基于信息融合的机械叶片损伤识别方法。
背景技术
机械结构服役过程中的结构损伤主要可分为突发损伤和累积损伤两种。突发损伤由人为引起或自然灾害导致，难以预料；累积损伤指结构服役期间由环境腐蚀、疲劳载荷、材料老化等原因所致，会导致设备功能退化直至失效。累积损伤改变了结构局部或整体的刚度与强度，增加使用者的风险指数，不能及时发现与更换最终将导致结构局部或整体的突然失效。为了这样问题的发生，有必要对设备的关键部件，例如机械机构的叶片开展损伤定量研究，根据实际结构损伤程度进行评价，制定相应的维护策略，可以大大降低设备的维护成本，同时结构损伤定量诊断也是寿命预测和智能维护的前提。
发明内容
本发明的目的是为了克服现有技术存在的缺点和不足，而提供一种基于信息融合的机械叶片损伤识别方法，该方法具有融合小波信号处理方法和多模态信息特征，能够对损伤机械结构进行快速识别结构损伤特点。
为实现上述目的，本发明的技术方案是包括以下步骤：
S1:采集机械叶片的损伤结构的振动信号，识别结构的模态频率和模态振型；
S2:采用BSWI小波方法从模态振型中提取损伤特征信息；
S3:将步骤S2中将不同损伤识别方法提取的损伤特征信息融合在一起，构建多维损伤特征信息向量,按列排列组成损伤特征信息向量，每个损伤特征向量数据长度为p，这时多维损伤特征向量为p×q阶的二维矩阵；
S4:通过优化支持向量机的参数和步骤S2、S3中已知标签样本输入到SVM训练模型中进行训练得到SVM测试模型，然后将未知标签样本输入到训练好的SVM测试模型进行损伤识别。
进一步设置是所述的步骤S1中,通过线性变换将线性定常***的振动微分方程组中物理坐标转换为模态坐标，使微分方程组实现解耦，成为以模态坐标和模态参数描述的独立方程组，进而求出***模态参数，其中坐标变换的转换矩阵成为模态矩阵，模态矩阵的每列称为模态振型，解耦得到的对角矩阵中对角线上的元素称为模态频率。
进一步设置是所述的步骤S2中,建立无损伤梁结构BSWI有限元损伤模型，再将梁结构的损伤单元矩阵叠加到完好梁结构总体刚度矩阵K和质量矩阵M中，进而得到损伤梁结构的总体刚度矩阵
Figure GDA0003177564660000021
和总体质量矩阵/>
Figure GDA0003177564660000022
具体地，建立损伤结构BSWI模型中采用任意尺度j的m阶的尺度函数
Figure GDA0003177564660000023
以及其相应小波函数/>
Figure GDA0003177564660000024
在0、1边界上有m-1个边界尺度函数与小波函数，2j-m+1个内部尺度函数，以及2j-2m+2个内部小波函数。BWSI梁单元刚度矩阵/>
Figure GDA0003177564660000025
和质量矩阵/>
Figure GDA0003177564660000026
如下：
Figure GDA0003177564660000027
式中：
Figure GDA0003177564660000028
Figure GDA0003177564660000029
Figure GDA00031775646600000210
将单元刚度矩阵和质量矩阵按自由度的次序叠加，可得到完好梁结构的总体刚度矩阵K和总体质量矩阵M。
进一步设置是所述的步骤S3中构建多维损伤特征信息向量具体为：
设第j个损伤特征信息为Wj＝[w1j,w2j,…wkj,…,wpj]T,(j＝1,2,…,q)，损伤特征向量归一化公式可表示为：
Figure GDA0003177564660000031
式中：
Figure GDA0003177564660000032
为归一化的损伤指标。
进一步设置是所述的步骤S4中已知标签样本输入到SVM训练模型中进行训练得到SVM测试模型，然后将未知标签样本输入到训练好的SVM测试模型进行损伤识别，实现梁损伤深度的定量识别。
本发明的有益效果是
本发明提出了基于支持向量机的模态信息融合的结构损伤识别方法。本发明能够克服单一损伤特征提取方法对损伤敏感性不足的问题，融合小波信号处理方法和多模态信息特征，实现对损伤机械结构进行快速识别结构损伤特点。通过BSWI有限元模型获得结构损伤特征、归一化消除不同损伤指标之间因量纲不同而影响损伤识别结果，融合归一化损伤指标构建多维损伤特征向量，利用支持向量机进行分类实现损伤识别。通过实验结果表明，所提出的模态融合的方法可以有效地识别结构损伤，减少了损伤识别的误判问题，提高了结构损伤识别的可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1本发明方法流程图；
图2本发明实验数据中60个实验样本损伤识别结果图；
图3本发明运行流程PN图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1至图3所示，为本发明实施例中，本发明方法主要包括模态振型获取、损伤特征信息提取、特征信息融合和SVM损伤识别四个步骤，具体如下：
步骤S1对损伤结构进行模态试验，采集损伤结构的振动信号，输入到专用的模态分析软件进行模态分析，识别模态频率、模态振型等模态信息；
步骤S2采用BSWI小波方法从模态振型中有效地提取损伤特征信息，其特征在于，建立无损伤梁结构BSWI有限元损伤模型，再将梁结构的损伤单元矩阵叠加到完好梁结构总体刚度矩阵K和质量矩阵M中，进而得到损伤梁结构的总体刚度矩阵
Figure GDA0003177564660000041
和总体质量矩阵/>
Figure GDA0003177564660000042
建立损伤结构BSWI模型中采用任意尺度j的m阶的尺度函数/>
Figure GDA0003177564660000043
以及其相应小波函数
Figure GDA0003177564660000044
在0、1边界上有m-1个边界尺度函数与小波函数，2j-m+1个内部尺度函数，以及2j-2m+2个内部小波函数。BWSI梁单元刚度矩阵/>
Figure GDA0003177564660000045
和质量矩阵/>
Figure GDA0003177564660000046
如下：
Figure GDA0003177564660000047
式中：
Figure GDA0003177564660000048
Figure GDA0003177564660000049
Figure GDA00031775646600000410
将单元刚度矩阵和质量矩阵按自由度的次序叠加，可得到完好梁结构的总体刚度矩阵K和总体质量矩阵M。
步骤S3中构建多维损伤特征信息向量(按列排列组成损伤特征信息向量，每个损伤特征向量数据长度为p，这时多维损伤特征向量为p×q阶的二维矩阵)。设第j个损伤特征信息为Wj＝[w1j,w2j,…wkj,…,wpj]T,(j＝1,2,…,q)，损伤特征向量归一化公式可表示为：
Figure GDA00031775646600000411
式中：
Figure GDA00031775646600000412
为归一化的损伤指标。
步骤4中一种基于支持向量机(SVM)模态信息融合的损伤识别方法，融合不同损伤识别方法提取的特征信息，构建多维特征信息向量，利用SVM分类方法进行损伤识别。
实验测试
实验来验证所提出的基于SVM模态信息融合的结构损伤识别方法的可行性。选用含两处损伤的悬臂钢梁作为实验对象。梁几何尺寸为：长度L＝0.6m，宽度b＝2cm，高度h＝2cm，梁的材料参数为：弹性模量E＝2.06×1011N/m2，泊松比μ＝0.3，密度ρ＝7860kg/m3。在梁表面上平行于端面的方面上，用线切割加工了两处损伤，损伤参数为：α1＝0.2，β1＝0.4和α2＝0.2，β2＝0.6。
实验参数设置和实验步骤与第三章的悬臂梁实验相同，重复上文的实验80次，通过模态分析得到一、三阶振型，分别利用混合损伤识别方法和SVD方法提取一、二振型中的损伤特征指标，得到80个样本，随机抽取20个作为训练样本，60个作为测试样本。为了表述方便，将混合损伤识别方法对一、三阶振型提取的损伤指标分别记为WCD-1与WCD-3，将SVD方法对一、二阶振型提取的损伤指标分别记为SVD-1与SVD-3。将20个训练样本输入SVM训练模型进行训练得到测试模型，将测试样本输入到训练好的SVM测试模型进行分类，进而实现损伤识别。考虑到实验误差和算法误差，同样规定损伤位置识别相对误差在10％范围内认为，样本的识别结果分四种：A表示识别出两个损伤，B表示只识别第一个损伤，C表示只识别出第二个损伤，D表示两个损伤都没有识别出来。图2为60个样本基于三种不同融合指标的损伤识别结果。
图2为所有60个样本在SNR＝80dB噪声下三种不同融合指标的损伤识别结果。从图2(a)可以看出，利用基于WCD-1与SVD-1融合损伤指标的识别结果中，A类50个，B类3个，C类3个，D类4个，60个样本损伤识别的准确率为83％。从图2(b)可以看出，利用基于WCD-3与SVD-3融合损伤指标的识别结果中，A类52个，B类4个，C类2个，D类2个，两个损伤都能识别出来的准确率为87％。从图2(c)可以看出，利用基于WCD-1、WCD-3、SVD-1与SVD-3融合损伤指标的识别结果中，A类55个，B类2个，C类2个，D类1个，两个损伤都能识别出来的准确率为92％。对比分析损伤识别结果可以得出，随着损伤指标的个数增加，损伤识别准确率逐步增加，WCD-1、WCD-3、SVD-1与SVD-3融合损伤指标的识别准确度达到92％。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (1)

1.一种基于信息融合的机械叶片损伤识别方法，其特征在于包括以下步骤：
S1:采集机械叶片的损伤结构的振动信号，识别结构的模态频率和模态振型；
S2:采用BSWI小波方法从模态振型中提取损伤特征信息；
S3:将步骤S2中将不同损伤识别方法提取的损伤特征信息融合在一起，构建多维损伤特征信息向量,按列排列组成损伤特征信息向量，每个损伤特征向量数据长度为p，这时多维损伤特征向量为p×q阶的二维矩阵；
S4:通过优化支持向量机的参数和步骤S2、S3中已知标签样本输入到SVM训练模型中进行训练得到SVM测试模型，然后将未知标签样本输入到训练好的SVM测试模型进行损伤识别；
所述的步骤S1中,通过线性变换将线性定常***的振动微分方程组中物理坐标转换为模态坐标，使微分方程组实现解耦，成为以模态坐标和模态参数描述的独立方程组，进而求出***模态参数，其中坐标变换的转换矩阵成为模态矩阵，模态矩阵的每列称为模态振型，解耦得到的对角矩阵中对角线上的元素称为模态频率；
所述的步骤S2中,建立无损伤梁结构BSWI有限元损伤模型，再将梁结构的损伤单元矩阵叠加到完好梁结构总体刚度矩阵K和质量矩阵M中，进而得到损伤梁结构的总体刚度矩阵
Figure FDA0004248756930000011
和总体质量矩阵/>
Figure FDA0004248756930000012
所述的步骤S3中构建多维损伤特征信息向量具体为：
设第j个损伤特征信息为Wj＝[w1j,w2j,…wkj,…,wpj]T,(j＝1,2,…,q)，损伤特征向量归一化公式可表示为：
Figure FDA0004248756930000013
式中：
Figure FDA0004248756930000014
为归一化的损伤指标。
CN202110487324.2A 2021-05-05 2021-05-05 一种基于信息融合的机械叶片损伤识别方法 Active CN113378426B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110487324.2A CN113378426B (zh) 2021-05-05 2021-05-05 一种基于信息融合的机械叶片损伤识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110487324.2A CN113378426B (zh) 2021-05-05 2021-05-05 一种基于信息融合的机械叶片损伤识别方法

Publications (2)

Publication Number Publication Date
CN113378426A CN113378426A (zh) 2021-09-10
CN113378426B true CN113378426B (zh) 2023-07-14

Family

ID=77570562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110487324.2A Active CN113378426B (zh) 2021-05-05 2021-05-05 一种基于信息融合的机械叶片损伤识别方法

Country Status (1)

Country Link
CN (1) CN113378426B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109781442A (zh) * 2019-03-12 2019-05-21 中国人民解放军国防科技大学 一种磁浮列车转向架裂缝故障的检测方法
CN110598282A (zh) * 2019-08-28 2019-12-20 广东工业大学 一种基于应变振型和深度学习的结构损伤识别方法
WO2020156348A1 (zh) * 2019-01-31 2020-08-06 青岛理工大学 基于总体经验模态分解与卷积神经网络的结构损伤识别法
CN112749457A (zh) * 2021-01-22 2021-05-04 天津大学 一种导管架式海洋平台损伤智能识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11491729B2 (en) * 2018-05-02 2022-11-08 Carnegie Mellon University Non-dimensionalization of variables to enhance machine learning in additive manufacturing processes

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020156348A1 (zh) * 2019-01-31 2020-08-06 青岛理工大学 基于总体经验模态分解与卷积神经网络的结构损伤识别法
CN109781442A (zh) * 2019-03-12 2019-05-21 中国人民解放军国防科技大学 一种磁浮列车转向架裂缝故障的检测方法
CN110598282A (zh) * 2019-08-28 2019-12-20 广东工业大学 一种基于应变振型和深度学习的结构损伤识别方法
CN112749457A (zh) * 2021-01-22 2021-05-04 天津大学 一种导管架式海洋平台损伤智能识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
果蝇优化算法融合SVM的风机叶片损伤识别研究;顾桂梅;胡让;李远远;;自动化仪表(第02期);9-12 *

Also Published As

Publication number Publication date
CN113378426A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
Tibaduiza et al. Damage classification in structural health monitoring using principal component analysis and self‐organizing maps
Pan et al. Intelligent fault identification for industrial automation system via multi-scale convolutional generative adversarial network with partially labeled samples
CN110188047B (zh) 一种基于双通道卷积神经网络的重复缺陷报告检测方法
CN113378725B (zh) 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质
Moniz et al. A multivariate, attractor-based approach to structural health monitoring
CN115343676B (zh) 密封电子设备内部多余物定位技术的特征优化方法
Khan et al. Autonomous assessment of delamination in laminated composites using deep learning and data augmentation
Nasiri et al. Online damage monitoring of SiC f-SiC m composite materials using acoustic emission and deep learning
CN115688018A (zh) 一种多工况下轴承的状态监测与故障诊断方法
CN115014789B (zh) 一种基于cnn-gcn的双传感器航空发动机机匣故障源声发射定位方法
Ramasso et al. Clustering acoustic emission data streams with sequentially appearing clusters using mixture models
CN113378426B (zh) 一种基于信息融合的机械叶片损伤识别方法
Perfetto et al. Composite panel damage classification based on guided waves and machine learning: an experimental approach
Chen et al. Unsupervised damage identification scheme using PCA-reduced frequency response function and waveform chain code analysis
Habib et al. A lightweight deep learning-based approach for concrete crack characterization using acoustic emission signals
CN107463872A (zh) 一种旋转机械转轴裂纹故障诊断方法
CN117556317A (zh) 一种基于时频图像的转动轴承故障诊断方法
JP4343140B2 (ja) 評価装置及びそのコンピュータプログラム
CN110501108B (zh) 基于独立分量分析和支持向量机的螺栓预紧力辨识方法
Bhandari et al. Continuous Wavelet Transform and Deep Learning for Accurate Ae Zone Detection in Laminated Composite Structures
Agrawal et al. Induction motor bearing fault classification using WPT, PCA and DSVM
Li et al. Multichannel intelligent fault diagnosis of hoisting system using differential search algorithm‐variational mode decomposition and improved deep convolutional neural network
CN112990257A (zh) 基于主成分分析与支持向量机的往复压缩机故障诊断方法
Monaco et al. Simulation of waves propagation into composites thin shells by FEM methodologies for training of deep neural networks aimed at damage reconstruction
Viet-Linh Deep convolutional neural network-based transfer learning method for health condition identification of cable in cable-stayed bridge

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant