基于振动信号及深度学习的结构健康监测实验教学设计.pdf
《基于振动信号及深度学习的结构健康监测实验教学设计.pdf》由会员分享,可在线阅读,更多相关《基于振动信号及深度学习的结构健康监测实验教学设计.pdf(7页珍藏版)》请在咨信网上搜索。
1、 实 验 技 术 与 管 理 第 40 卷 第 6 期 2023 年 6 月 Experimental Technology and Management Vol.40 No.6 Jun.2023 收稿日期:2023-01-31 基金项目:陕西省高等教育学会 2021 年高等教育科学研究项目(XGH21073、XGH21043);中国交通教育研究会教育科学研究重点课题(JTZD20-20);陕西省高等教育教学改革研究项目(21BY035)作者简介:王慧(1983),女,湖南常德,博士,讲师,主要研究方向为结构健康监测与可靠性,。通信作者:王乐(1984),男,陕西蓝田,博士,副教授,主要研究方
2、向为结构健康监测与模型修正,。引文格式:王慧,王乐,郭宁.基于振动信号及深度学习的结构健康监测实验教学设计J.实验技术与管理,2023,40(6):192-198.Cite this article:WANG H,WANG L,GUO N.Experimental teaching design of structural health monitoring based on vibration signals and deep learningJ.Experimental Technology and Management,2023,40(6):192-198.(in Chinese)ISS
3、N 1002-4956 CN11-2034/T DOI:10.16791/ki.sjg.2023.06.030 基于振动信号及深度学习的结构 健康监测实验教学设计 王 慧1,王 乐2,郭 宁3(1.长安大学 理学院,陕西 西安 710064;2.西北工业大学 航空学院,陕西 西安 710072;3.西北工业大学 航天学院,陕西 西安 710072)摘 要:该文基于团队在振动力学应用领域的最新科研成果,构建了基于振动信号测试及深度学习的结构健康监测实验教学系统。通过振动力学基本理论知识与人工智能领域深度学习技术的拓展应用,旨在使学生在掌握课程基本知识的同时,培养处理复杂问题的综合能力和高阶思维,
4、激发学习热情,增强科研创新能力。实践结果表明,该实验教学系统仅利用现有的振动测试设备及相对简单的教学模型,即可将学科领域最新的研究成果应用到振动力学实验教学中,实验结果演示度高、实验方法先进,有助于学生理解振动力学的基本知识,掌握振动测试的基本原理,弄清深度学习的基本方法,从而提升学生利用已学知识处理相关工程问题的能力。关键词:实验教学;振动力学;结构健康监测;深度学习;科教融合 中图分类号:O329;G642.0 文献标识码:A 文章编号:1002-4956(2023)06-0192-07 Experimental teaching design of structural health m
5、onitoring based on vibration signals and deep learning WANG Hui1,WANG Le2,GUO Ning3(1.School of Science,Changan University,Xian 710064,China;2.School of Aeronautics,Northwestern Polytechnical University,Xian 710072,China;3.School of Astronautics,Northwestern Polytechnical University,Xian 710072,Chin
6、a)Abstract:Based on our latest research achievements in the application of vibration mechanics,this paper constructs an experimental teaching system of structural health monitoring based on vibration signal testing and deep learning.By expanding the application of the basic theoretical knowledge in
7、vibration mechanics with the deep learning technology in artificial intelligence,the experimental teaching system aims to enable students to master the basic knowledge of the course,and cultivates the comprehensive ability and higher-order thinking to deal with complex problems,as well as promotes s
8、tudents enthusiasm for learning and innovation ability for scientific research.The practice results show that the experimental teaching system can apply the latest research results in experimental teaching in vibration mechanics course by using the existing vibration testing equipments and relativel
9、y simple mechanical model.Meanwhile,the highly demonstrable experimental results and the advanced experimental method show that the experimental teaching system can help the students to understand the basic knowledge in vibration mechanics,master the basic principles in vibration testing and clarify
10、 the basic methods of deep learning.Consequently,the students ability of using the learned knowledge to deal with related engineering problems can be improved.Key words:experimental teaching;vibration mechanics;structural health monitoring;deep learning;research and education integration 王 慧,等:基于振动信
11、号及深度学习的结构健康监测实验教学设计 193 力学是机械、土木、航空航天等工科专业的基础,具有基础性和应用性,其理论在解决高新科技领域发展中的突出问题时往往起着关键性作用1-2。力学课程可视为“新工科”的通识课程,振动力学是力学课程的重要组成部分,在工程领域有着广泛应用。随着我国向制造强国迈进,对各类结构设备的功能性能要求越来越高,结构设备的工作环境越来越恶劣,随之出现的振动相关问题更为凸显3。振动力学类课程是一门基础性、应用性很强的专业基础课程,单纯讲解诸如单自由度系统振动、多自由度系统振动、连续体振动以及振动测试等基础理论与方法已经难以满足当前工程领域对学生处理振动相关问题能力的需求,开
12、展利用振动基本理论并结合学科前沿的综合性实验教学,将学生所学基本理论与工程前沿紧密结合非常必要4。实验教学内容的前瞻性和创新性是提升课程高阶性、激发学生学习兴趣的关键,而融合最新科研成果的实验教学内容则是达到这一目的的有效措施5-7。振动力学的工程应用遍布机械、土木、航空航天等领域,而基于振动测试的结构健康监测是这些领域共同关注的研究热点,笔者团队近十年以来在该领域开展了大量研究工作,获得了丰富的研究成果8-11。深度学习是目前人工智能领域的研究热点,在计算机视觉、语音识别、自然语言处理等领域取得了显著成效12,且在与特征提取相关的数据检测13、参数预测14以及结构健康监测15等多个领域逐步开
13、始应用。本文将以提升振动力学类课程综合性实验的前瞻性和创新性为目标,结合振动力学基本理论在结构健康监测中的应用,并融合人工智能领域中的深度学习技术,将团队最新科研成果“基于内积矩阵及深度学习的结构健康监测研究11”设计为振动力学类课程教学中的创新型综合实验项目,旨在使学生在掌握课程基本知识的同时,培养处理复杂问题的综合能力和高阶思维,激发学习热情,提升科研创新能力。1 实验教学系统 面向振动力学类课程的结构健康监测实验教学系统如图 1 所示,包括振动测试单元、结构健康监测模型以及深度学习单元。振动测试单元由振动激励模块和振动响应测试模块组成。振动激励模块可选用锤击法激励、激振器法激励或振动台激
14、励等三类常见激励的任何一种:当选用锤击法激励时,振动激励模块仅包含力锤;当选用激振器法激励时,振动激励模块包含信号发生器、功率放大器、激振器、力传感器等;当选用振动台激励时,振动激励模块包含振动台控制器、振动台功率放大器、振动台台体、加速度传感器等。振动响应测试模块主要由振动响应测试传感器及动态信号采集仪组成,其中振动响应测试传感器通常为加速度传感器,也可根据实验室条件选取位移传感器或应变传感器。图 1 结构健康监测实验系统的组成 结构健康监测模型为一典型加筋壁板,加筋壁板由 1 块 450 mm350 mmT1 mm 的铝板以及 3 根长度340 mm、截面宽度 25 mm、壁厚 T2 mm
15、 的等边角铝组成,每根角铝与铝板均用 11 个 M5 螺栓连接(共计33 个螺栓),加筋壁板四边由宽度为 50 mm、厚度为20 mm、长度为 450 mm 或 350 mm 的 8 块钢制夹板加持,以模拟四边固支边界条件,如图 2 所示。为实现学生分组实验,壁板厚度 T1包括 1 mm、1.5 mm、2 mm194 实 验 技 术 与 管 理 以及 2.5 mm 四种,筋条壁厚 T2也包括 1 mm、1.5 mm、2 mm 以及 2.5 mm 四种,通过不同厚度之间的组合即可获得多种不同的结构健康监测模型。结构损伤模式可通过松动 33 个螺栓中的任何一个或多个来模拟,仅针对单螺栓松动损伤而言
16、,采用任一个结构健康监测模型即可获得 34 种结构健康状态,即分别松动任一个螺栓的损伤状态以及所有螺栓都紧固的完好状态。图 2 结构健康监测模型示意图 深度学习单元采用基于 Python 语言的 Spyder 编译器及 Tensorflow 开源机器学习平台,包含振动信号读取模块、振动响应特征预处理模块、深度神经网络搭建模块以及深度神经网络训练模块等。振动信号读取模块用于读取振动测试系统采集的原始振动响应数据。振动响应特征预处理模块利用相关振动理论与方法对原始振动信号进行预处理,达到特征提取与数据降维的目的,并获得用于深度学习的样本数据。深度神经网络搭建模块用于构建深度神经网络的结构,根据团队
17、最新研究成果,卷积神经网络(convolution neural network,CNN)、堆 栈 自 编 码 器(stacked autoencoder,AE)以及卷积自编码器(convolutional autoencoder,CAE)都可用于构建面向结构健康监测的深度神经网络。本实验教学系统采用目前最为流行的 卷 积 神 经 网 络,其 网 络 结 构 主 要 包 括 卷 积 层(convolution layer)、批归一化层(batch normalization layer)、池化层(pooling layer)、拉直层(flatten layer)、全 连 接 层(fully c
18、onnected layer)以 及 分 类 层(classification layer)等16。深度神经网络训练模块分别用于深度神经网络的训练、验证与测试,对于识别结构健康状态(即螺栓松动位置)的相关分类问题,采用目前最常用的交叉熵作为损失函数,采用自适应矩估计(adaptive moment estimation,Adam)优化器来训练神经网络。2 实验原理 模态分析是振动力学类课程教学中的一项基本内容,结构的模态参数(固有频率、固有振型及模态阻尼)与结构的质量、刚度及阻尼等物理参数分布有关,当结构的物理参数分布发生变化时,结构的模态参数势必也会发生变化。结构的损伤通常会导致其物理参数的
19、局部变化,如局部刚度下降、局部质量损失或局部阻尼变化等,其中以局部刚度下降最为普遍,本文用于结构健康监测的加筋壁板模型的螺栓松动就会导致螺栓松动部位的刚度下降。基于振动响应测试的结构健康监测的一个核心内容就是根据振动力学的基本原理与方法,利用可测量的结构振动响应构建能表征结构健康状态的结构损伤特征,同时为了实现结构健康监测的工程应用,结构损伤特征要便于获取。本实验系统采用了笔者团队提出的一种与结构模态参数直接相关且可通过时域振动响应直接计算的内积矩阵11作为结构损伤特征。利用振动力学类课程基本实验教学内容时域振动响应测试中学习的原理与方法,可以测试获得结构上 n 个测点的时域振动响应12()(
20、),()nx t x tx t,利用这些时域响应两两相互做内积运算来定义内积矩阵,即:112111222212nnnnnnRRRRRRRRRM(1)其中,()()1,klkldRxtx tN(2)其中,,为内积运算符,()kxt与()lx t分别表示测点 k和测点 l 上采集的时域响应,dN为时域响应采样点数。研究表明,在环境激励下内积矩阵的任一行或任一列均是结构各阶模态振型的加权叠加,且各阶模态的加权系数与结构的模态参数有关8,11。根据基于深度学习的结构健康监测方法的基本要求,需要通过大量的振动响应测试获得各种结构健康状态下的多组内积矩阵,组成深度学习的样本数据库。假设针对某一种健康状态下
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 振动 信号 深度 学习 结构 健康 监测 实验教学 设计
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。