数据不平衡下的桥梁拉索声发射断丝信号识别方法及系统

本发明涉及声发射信号处理，特别是涉及数据不平衡下的桥梁拉索声发射断丝信号识别方法及系统。

背景技术：

1、拉索为斜拉桥的关键承重部件，直接影响桥梁结构的整体状态和稳定性。拉索中的钢绞线长期在恶劣的自然环境下工作易受腐蚀，承受疲劳载荷，结构性能会逐渐劣化，从而影响桥梁结构的安全性。有效的检/监测方法将有助于及时发现拉索病害和评估拉索运行状态，从而消除桥梁结构安全隐患。目前，主要的无损检测方法包括电磁检测法、光学检测法、超声导波检测法以及声发射监测法。

2、目前在桥梁拉索的声发射断丝信号的识别研究中主要体现的问题有：(1) 目前大部分的研究工作都是基于传统声发射特征参数来进行的，需要手工设计特征提取器，依赖于专家领域知识和人为定义的特征和规则，通常缺乏泛化能力。(2) 深度学习方法需要有足够的断丝样本对模型进行训练，但在桥梁运行中，拉索处在一种稳定状态，很难监测到断丝信号发生，监测到的几乎都是正常和噪声干扰信号，由于试验成本高昂，足尺试验也只能获取到有限的断丝信号样本。

技术实现思路

1、为了解决现有技术的不足，本发明提供了数据不平衡下的桥梁拉索声发射断丝信号识别方法及系统；声发射技术具有实时性好，监测精度高等特点，故本发明主要是利用深度学习算法对声发射信号进行处理，实现了对数据不平衡下的拉索断丝信号较好的识别效果。

2、一方面，提供了数据不平衡下的桥梁拉索声发射断丝信号识别方法，包括：获取已知断丝或非断丝标签的桥梁拉索声发射原始信号；对桥梁拉索声发射原始信号进行数据截取，得到若干个声音片段；对每个声音片段进行连续小波变换，得到二维时频图像；将已知断丝或非断丝标签的二维时频图像作为原始样本集合；将原始样本集合划分为训练集和测试集；将训练集，输入到深度卷积生成对抗网络中，对其进行训练，得到训练后的深度卷积生成对抗网络；将随机高斯噪声，输入到训练后的深度卷积生成对抗网络中，生成新样本集合；将新样本集合与训练集进行汇总，得到合并样本集合；将合并样本集合，输入到双分支断丝识别网络中，对其进行训练，将测试集，输入到双分支断丝识别网络中，对其进行测试，得到训练后的双分支断丝识别网络；将待识别桥梁拉索声发射信号，输入到训练后的双分支断丝识别网络中，得到桥梁拉索断丝与否的识别结果。

3、另一方面，提供了数据不平衡下的桥梁拉索声发射断丝信号识别系统，包括：获取模块，其被配置为：获取已知断丝或非断丝标签的桥梁拉索声发射原始信号；对桥梁拉索声发射原始信号进行数据截取，得到若干个声音片段；对每个声音片段进行连续小波变换，得到二维时频图像；将已知断丝或非断丝标签的二维时频图像作为原始样本集合；将原始样本集合划分为训练集和测试集；第一训练模块，其被配置为：将训练集，输入到深度卷积生成对抗网络中，对其进行训练，得到训练后的深度卷积生成对抗网络；将随机高斯噪声，输入到训练后的深度卷积生成对抗网络中，生成新样本集合；将新样本集合与训练集进行汇总，得到合并样本集合；第二训练模块，其被配置为：将合并样本集合，输入到双分支断丝识别网络中，对其进行训练，将测试集，输入到双分支断丝识别网络中，对其进行测试，得到训练后的双分支断丝识别网络；识别模块，其被配置为：将待识别桥梁拉索声发射信号，输入到训练后的双分支断丝识别网络中，得到桥梁拉索断丝与否的识别结果。

4、上述技术方案具有如下优点或有益效果：(1) 将采集到的声发射信号通过连续小波变换将一维时序信号转为二维时频图像数据，使用深度学习模型，实现自动特征提取以及端到端的断丝信号识别，不依赖专家领域知识。(2) 通过引入生成对抗网络模型来生成断丝信号样本，以满足深度学习模型训练的需要，以提升断丝识别效果。(3) 针对现有技术方案中传统特征参数方法依赖专家领域知识泛化性较差的问题，本发明通过将采集到的声发射信号通过连续小波变换将一维时序信号转为二维时频图像数据，作为提出的swintransformer和cnn相结合的双分支网络stcn-net的输入，实现自动特征提取以及端到端的断丝信号识别。（4）针对断丝样本有限的问题，本发明通过改进的基于wasserstein距离和梯度惩罚机制的深度卷积生成对抗网络wgdcgan来生成断丝信号样本，以满足深度学习模型训练的需要，以提升断丝识别效果。

技术特征：

1.数据不平衡下的桥梁拉索声发射断丝信号识别方法，其特征是，包括：

2.如权利要求1所述的数据不平衡下的桥梁拉索声发射断丝信号识别方法，其特征是，对每个声音片段进行连续小波变换，得到二维时频图像，其中连续小波变换，具体包括：

3.如权利要求1所述的数据不平衡下的桥梁拉索声发射断丝信号识别方法，其特征是，将训练集，输入到深度卷积生成对抗网络中，对其进行训练，得到训练后的深度卷积生成对抗网络，其中，深度卷积生成对抗网络，训练过程包括：

4.如权利要求1所述的数据不平衡下的桥梁拉索声发射断丝信号识别方法，其特征是，将训练集，输入到深度卷积生成对抗网络中，对其进行训练，得到训练后的深度卷积生成对抗网络，其中，深度卷积生成对抗网络，包括：依次连接的生成器和判别器；

5.如权利要求4所述的数据不平衡下的桥梁拉索声发射断丝信号识别方法，其特征是，所述生成器，包括：输入100维的随机高斯噪声向量，首先通过投影和重塑层project andreshape layer将100维的潜在向量投影到一个高维空间，并重塑成一个尺寸的三维特征图，第一transconv2d层，使用256个滤波器，滤波器大小为，步长为4，将的特征图上采样至，接着通过第一层归一化模块layer norm和第一relu激活函数层实现非线性处理；第二transconv2d层，使用128个滤波器，将的特征图上采样至；第三transconv2d层，使用64个滤波器，将的特征图上采样至；每个转置卷积层之后都跟随层归一化模块layer norm和relu激活函数层，确保非线性和训练稳定性；第四transconv2d层，使用3个滤波器，对应rgb三个通道，将的特征图上采样至，使用tanh激活函数层，将输出归一化到[-1, 1]的范围。

6.如权利要求1所述的数据不平衡下的桥梁拉索声发射断丝信号识别方法，其特征是，将合并样本集合，输入到双分支断丝识别网络中，对其进行训练，将测试集，输入到双分支断丝识别网络中，对其进行测试，得到训练后的双分支断丝识别网络；训练过程包括：

7.如权利要求1所述的数据不平衡下的桥梁拉索声发射断丝信号识别方法，其特征是，将合并样本集合，输入到双分支断丝识别网络中，对其进行训练，将测试集，输入到双分支断丝识别网络中，对其进行测试，得到训练后的双分支断丝识别网络；双分支断丝识别网络包括依次连接的双分支网络特征提取子网络和特征融合模块；所述双分支网络特征提取子网络，包括：

8.如权利要求7所述的数据不平衡下的桥梁拉索声发射断丝信号识别方法，其特征是，所述swin transformer分支，包括：依次连接的patch partition层、linear embeding层、第一st block层、第二st block层、第一patch merging层、第三st block层、第四st block层、第二patch merging层、第五st block层、第六st block层、第三patch merging层、第七st block层、第八st block层、第九层归一化模块layer norm、平均池化层和第二全连接层。

9.如权利要求7所述的数据不平衡下的桥梁拉索声发射断丝信号识别方法，其特征是，所述cnn分支，包括：依次连接的第六二维卷积层conv2d、lrn层、第四relu激活函数层、第一最大池化层、第七二维卷积层conv2d、第五relu激活函数层、第二最大池化层、第八二维卷积层conv2d、第六relu激活函数层、第三最大池化层、cbam模块、flatten模块、第三全连接层、第七relu激活函数层、dropout层、第四全连接层。

10.数据不平衡下的桥梁拉索声发射断丝信号识别系统，其特征是，包括：

技术总结本发明涉及声发射信号处理技术领域，公开了数据不平衡下的桥梁拉索声发射断丝信号识别方法及系统，所述方法包括：对桥梁拉索声发射原始信号进行连续小波变换，得到二维时频图像；将已知断丝或非断丝标签的二维时频图像作为原始样本集合；将随机高斯噪声，输入到训练后的深度卷积生成对抗网络中，生成新样本集合；将新样本集合与训练集进行汇总，得到合并样本集合；将合并样本集合，输入到双分支断丝识别网络中，对其进行训练，得到训练后的双分支断丝识别网络；将待识别桥梁拉索声发射信号，输入到训练后的双分支断丝识别网络中，得到桥梁拉索断丝与否的识别结果。实现了对数据不平衡下的拉索断丝信号较好的识别效果。技术研发人员：李光明,惠凯旋,姜瑞鹏受保护的技术使用者：山东大学技术研发日：技术公布日：2024/7/29