基于GIALDN網絡的內部缺陷定位模型及內部缺陷定位方法技術

本發明專利技術公開了本發明專利技術首先提出了一種基于GIALDN網絡的內部缺陷定位模型，包括：重塑模塊：得到輸入信號特征；去池化預處理模塊：得到預處理信號特征；輕量化信號去噪模塊：用于對預處理信號特征進行軟閾值去噪處理，得到去噪信號特征；全局交互注意力模塊：將去噪信號特征內的每一個數據點都互相連接起來，并且在每個通道間也建立起聯系，以提取信號內的遠距離聯系與跨通道數據間的潛在關系，提升特征的辨別力；多層卷積模塊：得到深度信號特征；結果輸出模塊：利用softmax函數，從深度信號特征中得到缺陷定位結果。本發明專利技術還公開了一種基于GIALDN網絡的內部缺陷定位方法。GIALDN網絡的內部缺陷定位方法。GIALDN網絡的內部缺陷定位方法。

【技術實現步驟摘要】
基于GIALDN網絡的內部缺陷定位模型及內部缺陷定位方法


[0001]本專利技術屬于缺陷檢測
，具體的為一種基于GIALDN網絡的內部缺陷定位模型及內部缺陷定位方法。

技術介紹

[0002]碳纖維增強樹脂基復合材料(CFRP)是由碳纖維和樹脂基復合而成，具有比強度高、比剛度高、耐高溫、抗腐蝕、可設計性好等優越性能，被廣泛應用于航空航天、汽車、建筑、體育等領域。特別是在航空航天領域，復合材料在飛行器結構上的使用占比不斷增高，其用量已成為判斷飛行器先進性的重要指標之一。但是，由于復合材料特殊的成型工藝和內部結構，使得其在成型、加工和服役過程中很容易產生內部缺陷，例如：由于纖維分布不合理，造成內部富脂區；成型過程中空氣裹入樹脂流動前沿，形成氣泡缺陷；加工、裝配和服役過程中，由于外力或沖擊產生內部分層等。這些內部缺陷會極大地降低CFRP的服役性能，對飛行器的安全運行造成致命威脅。因此，在CFRP出廠測試和飛行器定期巡檢中，內部缺陷的探測都是重中之重。
[0003]目前，常用的復合材料內部缺陷無損檢測方法主要包括超聲檢測技術、紅外熱像檢測技術、X射線檢測技術、太赫茲檢測技術等。超聲波檢測利用超聲波在穿透復合材料的過程中遇到內部缺陷時，在其界面處會返回一部分超聲波的原理，通過對反射波進行分析實現缺陷檢測；但是，目前對超聲波在復合材料內部的傳播特性和不同材料的聲學特征的研究還不夠深入，這使得超聲檢測的使用受到限制。紅外熱像檢測技術根據紅外輻射原理，通過探測物體表面溫度變化進行缺陷檢測；其缺點是靈敏度較低、要求工件表面具備好的熱吸收率，并且由于紅外波波長較長、穿透性較弱，使得紅外熱像技術探測深度不足。X射線檢測技術利用射線在穿透缺陷位置與正常部件時的損耗不同原理來檢測缺陷，雖然靈敏度高、可以檢測大部分缺陷，但是X射線本身的電離輻射會對人體產生損傷，對環境也存在一定的污染，檢測成本高昂、適應性差。太赫茲技術作為新興的檢測技術，目前正處于起步階段，存在探測成本高、應用范圍狹隘的問題。可以看到，這些常用的無損檢測方法都都存在檢測效率低、成本高、適應性差等不足，不能很好地滿足CFRP內部缺陷的檢測要求。
[0004]伴隨著深度學習技術的蓬勃發展，逐漸出現了傳統檢測方法與深度學習技術結合的CFRP內部缺陷檢測、定位方法。深度學習技術有效提升了超聲波、紅外熱成像等數據的處理精度和效率，但是這些技術本身的低效和適應性不足等問題無法得到根本解決。近年來，利用機器學習方法對振動信號進行處理的技術得到了長足發展，并且在復合材料內部缺陷的檢測方面也開始得到了應用。這種數據驅動的CFRP內部缺陷檢測方法可以解決前述方法存在的缺點，但該研究仍然存在以下不足：(1)目前的方法僅僅使用淺層的神經網絡，無法提取到信號內豐富的缺陷特征，并且存在泛化性不足、遷移性不夠的缺點；(2)由于復合材料復雜、隨機的內部結構，采集的振動信號存在大量的噪聲，這對缺陷定位是非常不利的，但目前的研究沒有考慮這一因素，導致檢測精度不可避免地收到影響；(3)在神經網絡信號特征提取方面，缺乏快速有效的措施來提取長期信息和跨通道聯系，這對缺陷定位很重要；
(4)目前的缺陷定位模型都沒有實現非常高的缺陷定位精度(小于90％)，距離工程實用較遠且可靠性也不夠。因此，設計一個具有噪聲抑制消除功能、可以提取信號內與通道間聯系的深度神經網絡來進行基于激振響應信號的CFRP內部缺陷定位就顯得非常重要。

技術實現思路

[0005]有鑒于此，本專利技術的目的在于提供一種基于GIALDN網絡的內部缺陷定位模型及內部缺陷定位方法，可以抑制消除噪聲信號干擾、將信號內的數據進行交互，能有效地從所采集的信號數據中提取具有辨識性的特征，最終實現內部缺陷的高精度定位。
[0006]為達到上述目的，本專利技術提供如下技術方案：
[0007]本專利技術首先提出了一種基于GIALDN網絡的內部缺陷定位模型，包括：
[0008]重塑模塊：用于對采集到的振動信號數據進行重塑，以得到輸入信號特征；
[0009]去池化預處理模塊：利用去池化的預處理卷積層從輸入信號特征中提取得到富含原始信息的振動信號數據，得到預處理信號特征；
[0010]輕量化信號去噪模塊：用于對預處理信號特征進行軟閾值去噪處理，以剝離噪聲信號，得到去噪信號特征；
[0011]全局交互注意力模塊：將去噪信號特征內的每一個數據點都互相連接起來，并且在每個通道間也建立起聯系，以提取信號內的遠距離聯系與跨通道數據間的潛在關系，提升特征的辨別力；
[0012]多層卷積模塊：用于對依次經輕量化信號去噪模塊和全局交互注意力模塊處理后的信號特征進行深度特征提取，得到深度信號特征；
[0013]結果輸出模塊：利用softmax函數，從深度信號特征中得到缺陷定位結果。
[0014]進一步，所述輕量化信號去噪模塊進行軟閾值去噪處理的方法如下：
[0015][0016]其中，y
i
表示第i通道的去噪信號特征；x
i
表示第i通道的預處理信號特征；τ
i
表示第i通道軟閾值。
[0017]進一步，所述輕量化信號去噪模塊包括全局混合池化層和一維卷積層；
[0018]所述全局混合池化層用于對預處理信號特征同時進行全局最大池化和全局平均池化處理，得到混合信號特征；
[0019]所述一維卷積層用于提取混合信號特征的通道特征，并利用sigmoid激活函數將學習到的系數縮放到[0,1]的范圍，得到每個通道的軟閾值系數σ；則：
[0020]τ
i
＝σ
i
×
|x|
[0021]其中，τ
i
表示第i通道對應的軟閾值；σ
i
表示第i通道對應的軟閾值系數；|x|表示絕對值化后的預處理信號特征。
[0022]進一步，所述全局交互注意力模塊對去噪信號特征處理的方法如下：
[0023](1)采用interpolate函數對去噪信號特征X進行插值，將特征圖的維度由h數對降低成(h/2)
×
(w/2)，得到特征圖X
i
；
[0024](2)通過一個帶有批標準化BN層、Relu激活函數的卷積層，把特征圖X
i
的通道數由c變成(h/2)
×
(w/2)，得到特征圖X
c
；
[0025](3)對特征X
c
進行全局交互，生成注意力圖A
a
；
[0026](4)注意力圖A
a
與特征圖X
i
進行逐點相乘，得到全局交互注意力特征圖A
c
；
[0027](5)采用interpolate函數對對全局交互注意力特征圖A
c
進行插值操作，將全局交互注意力特征圖A
c
還原為與去噪信號特征X相同形狀的特征圖A
i
；
[00本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于GIALDN網絡的內部缺陷定位模型，其特征在于：包括：重塑模塊：用于對采集到的振動信號數據進行重塑，以得到輸入信號特征；去池化預處理模塊：利用去池化的預處理卷積層從輸入信號特征中提取得到富含原始信息的振動信號數據，得到預處理信號特征；輕量化信號去噪模塊：用于對預處理信號特征進行軟閾值去噪處理，以剝離噪聲信號，得到去噪信號特征；全局交互注意力模塊：將去噪信號特征內的每一個數據點都互相連接起來，并在每個通道間也建立起聯系，以提取信號內的遠距離聯系與跨通道數據間的潛在關系，提升特征的辨別力；多層卷積模塊：用于對依次經輕量化信號去噪模塊和全局交互注意力模塊處理后的信號特征進行深度特征提取，得到深度信號特征；結果輸出模塊：利用softmax函數，從深度信號特征中得到缺陷定位結果。2.根據權利要求1所述基于GIALDN網絡的內部缺陷定位模型，其特征在于：所述輕量化信號去噪模塊進行軟閾值去噪處理的方法如下：其中，y
i
表示第i通道的去噪信號特征；x
i
表示第i通道的預處理信號特征；τ
i
表示第i通道軟閾值。3.根據權利要求2所述基于GIALDN網絡的內部缺陷定位模型，其特征在于：所述輕量化信號去噪模塊包括全局混合池化層和一維卷積層；所述全局混合池化層用于對預處理信號特征同時進行全局最大池化和全局平均池化處理，得到混合信號特征；所述一維卷積層用于提取混合信號特征的通道特征，并利用sigmoid激活函數將學習到的系數縮放到[0,1]的范圍，得到每個通道的軟閾值系數σ；則：τ
i
＝σ
i
×
|x|其中，τ
i
表示第i通道對應的軟閾值；σ
i
表示第i通道對應的軟閾值系數；|x|表示絕對值化后的預處理信號特征。4.根據權利要求1所述基于GIALDN網絡的內部缺陷定位模型，其特征在于：所述全局交互注意力模塊對去噪信號特征處理的方法如下：(1)采用interpolate函數對去噪信號特征X進行插值，將特征圖的維度由h數對降低成(h/2)
×
(w/2)，得到特征圖X
i
；(2)通過一個帶有批標準化BN層、Relu激活函數的卷積層，把特征圖X
i
的通道數由c變成(h/2)
×
(w/2)，得到特征圖X
c
；(3)對特征X
c
進行全局交互，生成注意力圖A
a
；(4)注意力圖A
a
與特征圖X
i
進行逐點相乘，得到全局交互注意力特征圖A
c
；(5)采用interpolate函數對對全局交互注意力特征圖A
c
進行插值操作，將全局交互注意力特征圖A
c
還原為與去噪信號特征X相同形狀的特征圖A
i
；(6)使用殘差塊，得到最后的輸出特征圖為：Y＝X+A
i
。
5.根據權利要求4所述基于GIALDN網絡的內部缺陷定位模型，其特征在于：所述步驟(3)中，對特征X
c
進行全局交互以生成注意力圖A
a
的方法為：(31)將特征X
c
中每一個數據點在所有通道中生成大小為1
×
1、通道數為(h/2)
×
(w/2)的數據點特征圖，而后將該數據特征圖重塑為大小與(h/2)
×
(w/2)、通道數為1的單通道特征圖；(32)將所有數據點的單通道特征圖進行聚合，得到中間特征圖；(33)利用softmax函數，從中間特征圖中生成注意力圖A
a
。6.一種基于GIALDN網絡的內部缺陷定位方法，其特征在于：包括如下步驟：步驟一：采集數據：驅動被檢測對象振動，利用多個傳感器將被檢測對象不同區域的振動信號轉換為電信號，并利用A/D轉換器將電信號轉換為數字信號，得到振動信號數據；步驟二：重塑：重塑振動信號數據，得到輸入信號特征；步驟三：去池化預處理：利用去池化的預處理卷積層從輸入信號特征中提取得到富...

【專利技術屬性】
技術研發人員：楊波，張洋，王時龍，張正萍，唐小麗，徐佳，
申請(專利權)人：重慶小康工業集團股份有限公司武漢招商滾裝運輸有限公司重慶分公司，
類型：發明
國別省市：