基于深度学习和小波分析的斜拉索断裂声发射信号识别
工程苦工
2022年11月21日 14:14:57
来自于桥梁工程
只看楼主

一 研究意义 斜拉索在服役 期间,由于环境腐蚀和循环荷载作用,通常会发生性能退化。为了保证大跨度桥梁的正常运营,需要能够尽早发现拉索缺陷的无损检测方法。已有研究表明声发射(

究意


斜拉索在服役 期间,由于环境腐蚀和循环荷载作用,通常会发生性能退化。为了保证大跨度桥梁的正常运营,需要能够尽早发现拉索缺陷的无损检测方法。已有研究表明声发射( AE )无损检测技术可以有效识别和定位损伤。然而,由于 Kaiser 效应、信号衰减、信号反射和环境噪声等因素的影响,很难从传感器中识别损伤信 号。鉴于此,结合小波分析与迁移深度学习可实现以拉索状态监测为导向的AE卷积神经网络(CNN)。本文通过对斜拉索拉伸试验过程中采集的噪声和钢丝断裂的AE 信号进行特征分析,并将其用于 CNN 方法的训练和验证。结果表明,所提出的 AE 监测方法具有较高的准确度,在斜拉索损伤实时监测方面具有较大优势。


研究内容

1

试验方案

试验中使用的斜拉索由USHA-Martin公司制造,抗拉强度可达17701960MPa。如下图1所示,斜拉索断面由外围6股钢绞线围绕中间绳芯组成,外围钢绞线每股有36根钢丝。斜拉索总长为3m,名义直径为77 mm。在斜拉索上布置不同类型传感器:包括R3I-ASTS1/3/5/7白色)和R6I-ASTS2/4/6/8黑色)传感器,频率范围分别为10–40 kHz40–100 kHz;同时在拉索两端布置位移传感器(红色十字)。

图片

1  斜拉索和传感器布置示意图

斜拉索静态拉伸试验在TU Delft Stevin II实验室中的10 MN试验台上进行,试验装置见图2。为了构建钢丝断裂和噪声声发射信号的数据库,试验过程中将斜拉索持续加载直至断裂失效,加载速率为0.175 mm/s。

图片

图2  试验装置

2

试验结果和讨论

3展示了斜拉索两种不同的破坏模式:由横截面减小引起杯锥状断口失效和剪切破坏失效。图4为斜拉索试验过程中的载荷-位移曲线(橙线),可见其实测最大破坏拉力为5138kN。斜拉索中钢丝的断裂时间对于识别断裂和噪声信号具有重要意义,载荷-位移曲线中每一次微小的载荷下降,都表明拉索中有钢丝发生了断裂。在拉索钢丝发生断裂后,拉索内部会重复发生应力重分布,进而达到新的平衡,直到剩余的钢丝不足以支撑外部荷载。图4给出了R3I AST传感器(S7)和R6I AST传感器(S8)的能量随时间演化曲线(蓝线)。传感器S8作为最远的传感器,有效地捕捉到了与断裂相关的声发射信号,而传感器S7在对于16个断丝的监测过程中漏掉了6个。结果表明R6I AST 传感器更适用于拉索断裂的监测。

图片

图3  斜拉索失效模式

图片

图4  载荷-位移曲线以及传感器S7(a)、传感器S8(b)的能量-时间曲线

3

模型建立与验证

相比于噪声,斜拉索钢丝断裂时的AE信号具有更高的振幅和更短的持续时间,并且在短时间内呈现显著的振幅衰减和宽频带。虽然二者之间的信号差别较为明显,但依旧缺乏定量的准则来将二者区分。因此,结合小波分析和迁移深度学习,来建立用于AE监测的CNN,以此来进一步精确区分AE信号。如下图5所示,该方法的主要步骤为:首先采用小波分析对初始实测AE信号进行处理,将时域信号转换为时频域尺度谱;然后通过CNN建立AE信号尺度谱与拉索钢丝破坏状态的关系;最终可通过训练的CNN来识别声发射断裂或损伤信号。AE信号库中随机选择80%用于训练CNN,剩余数据用于进一步验证,最终识别准确度可达到99%以上。

图片

图5  基于TL-CNNs的声发射信号识别流程图


研究结论


在大跨度桥梁的维修管理过程中,亟需通过一种无损检测方法来评估斜拉索的使用状态和剩余疲劳寿命。本文提出了一种基于GoogLeNetTL-CNNs声发射信号识别方法。通过开展斜拉索拉伸试验,将试验过程中记录的AE信号转换为图像数据集,并对CNN模型进行训练和验证。结果表明该方法能够有效识别斜拉索静载试验中的噪声和断裂的AE信号,并可获得了较高的准确度(99.05%)。将小波分析与深度学习相结合,建立状态驱动的AE监测CNN模型,在评估斜拉索使用状态方面具有广阔的应用前景。

内容源于网络,旨在分享,如有侵权,请联系删除


相关资料推荐:

基于空间小波分析的桥梁损伤识别

https://ziliao.co188.com/p45248806.html


知识点:基于深度学习和小波分析的斜拉索断裂声发射信号识别


免费打赏

相关推荐

APP内打开