權(quán)利要求書(shū)： 1.基于深度學(xué)習(xí)和聲發(fā)射的風(fēng)機(jī)葉片損傷兩步定位方法，其特征在于，包括步驟：步驟一：建立由獲取的監(jiān)測(cè)數(shù)據(jù)組成的風(fēng)機(jī)葉片結(jié)構(gòu)損傷聲發(fā)射數(shù)據(jù)集；

步驟二：特征提?。簭谋O(jiān)測(cè)數(shù)據(jù)中提供數(shù)據(jù)特征，數(shù)據(jù)特征包括聲發(fā)射信號(hào)的到達(dá)時(shí)間差特征、信號(hào)峰值幅度特征和信號(hào)到達(dá)峰值的時(shí)間特征；

步驟三：結(jié)構(gòu)損傷區(qū)域分類(lèi)；

用聲發(fā)射信號(hào)的到達(dá)時(shí)間差特征形成的訓(xùn)練集與驗(yàn)證集，對(duì)基于長(zhǎng)短期記憶深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)建立的風(fēng)機(jī)葉片結(jié)構(gòu)損傷區(qū)域定位模型進(jìn)行訓(xùn)練，得到最優(yōu)的損傷區(qū)域定位模型；

將聲發(fā)射信號(hào)的到達(dá)時(shí)間差特征形成的測(cè)試集的數(shù)據(jù)輸入最優(yōu)的損傷區(qū)域定位模型，由最優(yōu)的損傷區(qū)域定位模型處理后輸出結(jié)構(gòu)損傷區(qū)域分類(lèi)結(jié)果；

步驟四：損傷坐標(biāo)定位

將聲發(fā)射信號(hào)的到達(dá)時(shí)間差特征、信號(hào)峰值幅度特征和信號(hào)到達(dá)峰值的時(shí)間特征形成訓(xùn)練集與驗(yàn)證集，對(duì)基于長(zhǎng)短期記憶深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)建立的風(fēng)機(jī)葉片結(jié)構(gòu)損傷坐標(biāo)定位模型進(jìn)行訓(xùn)練，得到最優(yōu)的損傷坐標(biāo)定位模型；

將聲發(fā)射信號(hào)的到達(dá)時(shí)間差特征、信號(hào)峰值幅度特征和信號(hào)到達(dá)峰值的時(shí)間特征形成的測(cè)試集的數(shù)據(jù)輸入最優(yōu)的損傷坐標(biāo)定位模型，由最優(yōu)的損傷坐標(biāo)定位模型處理后輸出損傷坐標(biāo)定位結(jié)果。

2.根據(jù)權(quán)利要求1所述基于深度學(xué)習(xí)和聲發(fā)射的風(fēng)機(jī)葉片損傷兩步定位方法，其特征在于，所述的監(jiān)測(cè)數(shù)據(jù)獲取時(shí)，是在風(fēng)機(jī)葉片上選定有待監(jiān)測(cè)區(qū)域布置傳感器網(wǎng)絡(luò)，在待監(jiān)測(cè)區(qū)域建立劃分采樣網(wǎng)格，在劃分采樣網(wǎng)格點(diǎn)實(shí)施斷鉛試驗(yàn)聲發(fā)射源，收集斷鉛試驗(yàn)聲發(fā)射源發(fā)出的聲發(fā)射信號(hào)，獲取監(jiān)測(cè)數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述基于深度學(xué)習(xí)和聲發(fā)射的風(fēng)機(jī)葉片損傷兩步定位方法，其特征在于，所述的聲發(fā)射信號(hào)的到達(dá)時(shí)間差通過(guò)傳感器之間的到達(dá)時(shí)間差 確定；

，

對(duì)于一對(duì)傳感器，聲發(fā)射波的實(shí)際到達(dá)時(shí)刻 和 的時(shí)間差和根據(jù)聲發(fā)射信號(hào)的首達(dá)時(shí)間 和 計(jì)算得到的到達(dá)時(shí)間差是相同的。

4.根據(jù)權(quán)利要求3所述基于深度學(xué)習(xí)和聲發(fā)射的風(fēng)機(jī)葉片損傷兩步定位方法，其特征在于，所述聲發(fā)射信號(hào)的首達(dá)時(shí)間根據(jù)赤池信息準(zhǔn)則確定，對(duì)任一傳感器信號(hào)：，

其中，var表示計(jì)算方差， 是由選定窗口確定的時(shí)間序列信號(hào)， 是 信號(hào)的時(shí)間長(zhǎng)度， 是遍歷 中的每個(gè)時(shí)刻， 值最小時(shí)即為聲發(fā)射信號(hào)的首達(dá)時(shí)間。

5.根據(jù)權(quán)利要求1所述基于深度學(xué)習(xí)和聲發(fā)射的風(fēng)機(jī)葉片損傷兩步定位方法，其特征在于，所述損傷區(qū)域定位模型依次包含一個(gè)帶有注意力機(jī)制的雙向LSTM層、一個(gè)池化層、一個(gè)帶有RELU激活函數(shù)的全連接層、一個(gè)帶有RELU激活函數(shù)的dropout丟棄層以及一個(gè)全連接的分類(lèi)層；所述分類(lèi)層用于獲得損傷所在結(jié)構(gòu)，進(jìn)行結(jié)構(gòu)損傷區(qū)域分類(lèi)。

6.根據(jù)權(quán)利要求5所述基于深度學(xué)習(xí)和聲發(fā)射的風(fēng)機(jī)葉片損傷兩步定位方法，其特征在于，所述損傷區(qū)域定位模型的訓(xùn)練過(guò)程中，采用交叉熵?fù)p失函數(shù)訓(xùn)練模型中的參數(shù)，交叉熵?fù)p失函數(shù)被最小化，其公式為：，

其中， 表示訓(xùn)練集中樣本的大小， 和 分別表示實(shí)際和預(yù)測(cè)的損傷區(qū)域；

訓(xùn)練過(guò)程中，反向傳播算法被用來(lái)更新模型的參數(shù)，以最小化損失函數(shù)；隨機(jī)梯度下降法SGD被用于優(yōu)化參數(shù)。

7.根據(jù)權(quán)利要求1所述基于深度學(xué)習(xí)和聲發(fā)射的風(fēng)機(jī)葉片損傷兩步定位方法，其特征在于，所述損傷坐標(biāo)定位模型依次由帶有注意力機(jī)制的LSTM層、批量歸一化層、三個(gè)依次連接的一維卷積神經(jīng)網(wǎng)絡(luò)層、平鋪Flatten層、兩個(gè)依次連接的全連接層和回歸層組成；所述帶有注意力機(jī)制的LSTM層、一維卷積神經(jīng)網(wǎng)絡(luò)層、平鋪Flatten層以及全連接層的輸出各自連接一個(gè)RELU層；所述平鋪Flatten層用于把多維輸入轉(zhuǎn)化為一維數(shù)據(jù)，以便從一維卷積神經(jīng)網(wǎng)絡(luò)層過(guò)渡到全連接層層；兩個(gè)全連接層層和一個(gè)回歸層被用來(lái)估計(jì)損傷位置坐標(biāo)。

8.根據(jù)權(quán)利要求1所述基于深度學(xué)習(xí)和聲發(fā)射的風(fēng)機(jī)葉片損傷兩步定位方法，其特征在于，所述損傷坐標(biāo)定位模型的訓(xùn)練過(guò)程中，采用基于反向傳播算法的權(quán)重更新方法來(lái)優(yōu)化模型參數(shù)，使用均方根誤差RMSE作為損失函數(shù)，計(jì)算公式為：，

其中，是樣本的總數(shù)， 為預(yù)測(cè)的坐標(biāo)值， 為實(shí)際的坐標(biāo)值。

9.根據(jù)權(quán)利要求1所述基于深度學(xué)習(xí)和聲發(fā)射的風(fēng)機(jī)葉片損傷兩步定位方法，其特征在于，采用對(duì)應(yīng)的測(cè)試集上的平均定位距離誤差MLE，誤差方差，最小誤差，最大誤差和以及準(zhǔn)確率來(lái)評(píng)估所述損傷坐標(biāo)定位模型性能；

其中，平均定位距離誤差MLE和準(zhǔn)確率分別表示為：

，

其中，（ , ）為結(jié)構(gòu)損傷位置原坐標(biāo)，( )為結(jié)構(gòu)損傷位置預(yù)測(cè)坐標(biāo)；

準(zhǔn)確率= ，

其中， 是待監(jiān)測(cè)的區(qū)域的最長(zhǎng)邊的邊長(zhǎng)。

說(shuō)明書(shū)： 基于深度學(xué)習(xí)和聲發(fā)射的風(fēng)機(jī)葉片損傷兩步定位方法技術(shù)領(lǐng)域[0001] 本發(fā)明涉及風(fēng)機(jī)葉片損傷定位技術(shù)領(lǐng)域，特別是涉及一種基于深度學(xué)習(xí)和聲發(fā)射的風(fēng)機(jī)葉片損傷兩步定位方法。背景技術(shù)[0002] 對(duì)風(fēng)能的利用已經(jīng)逐漸成為能源轉(zhuǎn)型的關(guān)鍵一環(huán)。風(fēng)機(jī)葉片是風(fēng)力發(fā)電機(jī)捕獲風(fēng)能的關(guān)鍵部件，其結(jié)構(gòu)復(fù)雜且長(zhǎng)期在惡劣環(huán)境中運(yùn)行，具有高技術(shù)、高成本、高故障率等特點(diǎn)。風(fēng)機(jī)葉片結(jié)構(gòu)具有多種損傷形式，包括分層、脫粘等層間損傷和纖維斷裂、基體壓縮等層內(nèi)損傷，這些初始損傷在復(fù)雜惡劣的運(yùn)行環(huán)境下是結(jié)構(gòu)安全的重大威脅，甚至迅速導(dǎo)致結(jié)構(gòu)坍塌。風(fēng)機(jī)葉片的結(jié)構(gòu)健康監(jiān)測(cè)，尤其是結(jié)構(gòu)損傷定位，已經(jīng)成為風(fēng)電技術(shù)中亟待解決的關(guān)鍵問(wèn)題。[0003] 傳統(tǒng)上通常采用目視法，超聲波檢測(cè)，熱成像或者機(jī)器視覺(jué)等方法進(jìn)行結(jié)構(gòu)損傷定位，然而這些方法僅能定期檢測(cè)損傷，無(wú)法對(duì)結(jié)構(gòu)進(jìn)行長(zhǎng)期損傷監(jiān)測(cè)。檢測(cè)程序一般也較為繁瑣，需要運(yùn)維人員到現(xiàn)場(chǎng)實(shí)施，有的檢測(cè)方法還需要風(fēng)機(jī)停機(jī)，大大損害了風(fēng)場(chǎng)收益。[0004] 此外，對(duì)可及性較差區(qū)域的風(fēng)機(jī)進(jìn)行檢測(cè)時(shí)需要耗費(fèi)大量的經(jīng)濟(jì)成本。傳統(tǒng)上還有基于振動(dòng)監(jiān)測(cè)或聲學(xué)信號(hào)監(jiān)測(cè)的風(fēng)機(jī)葉片損傷定位方法。振動(dòng)監(jiān)測(cè)方法通過(guò)加速度傳感器測(cè)量風(fēng)機(jī)葉片各個(gè)方向的振動(dòng)響應(yīng)，結(jié)合振動(dòng)模態(tài)方法分析異常位置，從而實(shí)現(xiàn)結(jié)構(gòu)損傷定位。然而振動(dòng)監(jiān)測(cè)往往僅對(duì)大尺度結(jié)構(gòu)損傷敏感，對(duì)結(jié)構(gòu)小損傷或初始損傷無(wú)法有效定位監(jiān)測(cè)。梅東升等采用聲學(xué)信號(hào)方法進(jìn)行葉片損傷定位監(jiān)測(cè)，開(kāi)發(fā)了一種基于三個(gè)聲學(xué)信號(hào)測(cè)量傳感器排布的監(jiān)測(cè)方案，如圖1所示，三個(gè)傳感器A（a1，b1）、B（a2，b3）、Ca3，b3）構(gòu)成一個(gè)三角形，用于監(jiān)測(cè)三角內(nèi)部的區(qū)域的損傷D（x，y）。根據(jù)不同傳感器接收到信號(hào)的到達(dá)時(shí)間差、信號(hào)傳播速度和傳感器間距等信息可以得到損傷D和傳感器之間的距離l，從而實(shí)現(xiàn)損傷定位。該方法假設(shè)信號(hào)傳播速度恒定，且只能監(jiān)測(cè)所布置的三個(gè)傳感器內(nèi)部區(qū)域的損傷，監(jiān)測(cè)區(qū)域小，傳感器布置復(fù)雜，定位誤差較大。[0005] 聲發(fā)射是風(fēng)機(jī)葉片結(jié)構(gòu)健康監(jiān)測(cè)的極具潛力的一種監(jiān)測(cè)技術(shù)。作為一種被動(dòng)監(jiān)測(cè)技術(shù)，聲發(fā)射傳感器將結(jié)構(gòu)損傷釋放的高頻彈性波轉(zhuǎn)換為電信號(hào)，即聲發(fā)射波。聲發(fā)射波中包含結(jié)構(gòu)損傷的大量信息，并且對(duì)結(jié)構(gòu)微小損傷非常敏感，可以用于微小初始損傷的檢測(cè)、定位、分類(lèi)、損傷程度判斷等。尤其是，在結(jié)構(gòu)損傷的初始階段和損傷發(fā)展階段，聲發(fā)射信號(hào)特別明顯，利用聲發(fā)射傳感器拾取聲發(fā)射波，并通過(guò)聲發(fā)射波判斷損傷的位置即是聲發(fā)射源定位技術(shù)，目前已經(jīng)廣泛用于橋梁、儲(chǔ)罐、航空航天、建筑物等的結(jié)構(gòu)損傷定位。但聲發(fā)射技術(shù)在風(fēng)機(jī)葉片結(jié)構(gòu)上的應(yīng)用仍然很有限。常見(jiàn)的聲發(fā)射源定位方法主要有：波束成形方法、時(shí)間反轉(zhuǎn)等方法，基于數(shù)據(jù)驅(qū)動(dòng)的方法如Delta?T方法。前兩個(gè)方法適用于均質(zhì)薄板結(jié)構(gòu)，但計(jì)算復(fù)雜、定位效果不佳、精確度受傳感器陣列的布置影響較大；Delta?T方法受噪聲干擾較大，操作復(fù)雜，精度較低。發(fā)明內(nèi)容[0006] 本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)中的問(wèn)題，而提供一種基于深度學(xué)習(xí)和聲發(fā)射的風(fēng)機(jī)葉片損傷兩步定位方法。[0007] 本發(fā)明是這樣實(shí)現(xiàn)的，一種基于深度學(xué)習(xí)和聲發(fā)射的風(fēng)機(jī)葉片損傷兩步定位方法，包括步驟：[0008] 步驟一：建立由獲取的監(jiān)測(cè)數(shù)據(jù)組成的風(fēng)機(jī)葉片結(jié)構(gòu)損傷聲發(fā)射數(shù)據(jù)集；[0009] 步驟二：特征提?。簭谋O(jiān)測(cè)數(shù)據(jù)中提供數(shù)據(jù)特征，數(shù)據(jù)特征包括聲發(fā)射信號(hào)的到達(dá)時(shí)間差特征、信號(hào)峰值幅度特征和信號(hào)到達(dá)峰值的時(shí)間特征；[0010] 步驟三：結(jié)構(gòu)損傷區(qū)域分類(lèi)；[0011] 用聲發(fā)射信號(hào)的到達(dá)時(shí)間差特征形成的訓(xùn)練集與驗(yàn)證集，對(duì)基于長(zhǎng)短期記憶深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)建立的風(fēng)機(jī)葉片結(jié)構(gòu)損傷區(qū)域定位模型進(jìn)行訓(xùn)練，得到最優(yōu)的損傷區(qū)域定位模型；[0012] 將聲發(fā)射信號(hào)的到達(dá)時(shí)間差特征形成的測(cè)試集的數(shù)據(jù)輸入最優(yōu)的損傷區(qū)域定位模型，由最優(yōu)的損傷區(qū)域定位模型處理后輸出結(jié)構(gòu)損傷區(qū)域分類(lèi)結(jié)果；[0013] 步驟四：損傷坐標(biāo)定位[0014] 將聲發(fā)射信號(hào)的到達(dá)時(shí)間差特征、信號(hào)峰值幅度特征和信號(hào)到達(dá)峰值的時(shí)間特征形成訓(xùn)練集與驗(yàn)證集，對(duì)基于長(zhǎng)短期記憶深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)建立的風(fēng)機(jī)葉片結(jié)構(gòu)損傷坐標(biāo)定位模型進(jìn)行訓(xùn)練，得到最優(yōu)的損傷坐標(biāo)定位模型；[0015] 將聲發(fā)射信號(hào)的到達(dá)時(shí)間差特征、信號(hào)峰值幅度特征和信號(hào)到達(dá)峰值的時(shí)間特征形成的測(cè)試集的數(shù)據(jù)輸入最優(yōu)的損傷坐標(biāo)定位模型，由最優(yōu)的損傷坐標(biāo)定位模型處理后輸出損傷坐標(biāo)定位結(jié)果。[0016] 其中，所述的監(jiān)測(cè)數(shù)據(jù)獲取時(shí)，是在風(fēng)機(jī)葉片上選定有待監(jiān)測(cè)區(qū)域布置傳感器網(wǎng)絡(luò)，在待監(jiān)測(cè)區(qū)域建立劃分采樣網(wǎng)格，在劃分采樣網(wǎng)格點(diǎn)實(shí)施斷鉛試驗(yàn)聲發(fā)射源，收集斷鉛試驗(yàn)聲發(fā)射源發(fā)出的聲發(fā)射信號(hào)，獲取監(jiān)測(cè)數(shù)據(jù)。[0017] 其中，所述的聲發(fā)射信號(hào)的到達(dá)時(shí)間差通過(guò)傳感器之間的到達(dá)時(shí)間差 確定；，

[0018] 對(duì)于一對(duì)傳感器，聲發(fā)射波的實(shí)際到達(dá)時(shí)刻 和 的時(shí)間差和根據(jù)聲發(fā)射信號(hào)的首達(dá)時(shí)間 和 計(jì)算得到的到達(dá)時(shí)間差是相同的。

[0019] 其中，所述聲發(fā)射信號(hào)的首達(dá)時(shí)間根據(jù)赤池信息準(zhǔn)則確定，對(duì)任一傳感器信號(hào)：，

[0020] 其中，var表示計(jì)算方差， 是由選定窗口確定的時(shí)間序列信號(hào)， 是 信號(hào)的時(shí)間長(zhǎng)度， 是遍歷 中的每個(gè)時(shí)刻， 值最小時(shí)即為聲發(fā)射信號(hào)的首達(dá)時(shí)間。[0021] 其中，所述損傷區(qū)域定位模型依次包含一個(gè)帶有注意力機(jī)制的雙向LSTM層、一個(gè)池化層、一個(gè)帶有RELU激活函數(shù)的全連接層、一個(gè)帶有RELU激活函數(shù)的dropout丟棄層以及一個(gè)全連接的分類(lèi)層；所述分類(lèi)層用于獲得損傷所在結(jié)構(gòu)，進(jìn)行結(jié)構(gòu)損傷區(qū)域分類(lèi)。[0022] 其中，所述損傷區(qū)域定位模型的訓(xùn)練過(guò)程中，采用交叉熵?fù)p失函數(shù)訓(xùn)練模型中的參數(shù)，交叉熵?fù)p失函數(shù)被最小化，其公式為：[0023] ，[0024] 其中， 表示訓(xùn)練集中樣本的大小， 和 分別表示實(shí)際和預(yù)測(cè)的損傷區(qū)域；[0025] 訓(xùn)練過(guò)程中，反向傳播算法被用來(lái)更新模型的參數(shù)，以最小化損失函數(shù)；隨機(jī)梯度下降法SGD被用于優(yōu)化參數(shù)。[0026] 其中，所述損傷坐標(biāo)定位模型依次由帶有注意力機(jī)制的LSTM層、批量歸一化層、三個(gè)依次連接的一維卷積神經(jīng)網(wǎng)絡(luò)層、平鋪Flatten層、兩個(gè)依次連接的全連接層和回歸層組成；所述帶有注意力機(jī)制的LSTM層、一維卷積神經(jīng)網(wǎng)絡(luò)層、平鋪Flatten層以及全連接層的輸出各自連接一個(gè)RELU層；所述平鋪Flatten層用于把多維輸入轉(zhuǎn)化為一維數(shù)據(jù)，以便從一維卷積神經(jīng)網(wǎng)絡(luò)層過(guò)渡到全連接層層；兩個(gè)全連接層層和一個(gè)回歸層被用來(lái)估計(jì)損傷位置坐標(biāo)。[0027] 其中，所述損傷坐標(biāo)定位模型的訓(xùn)練過(guò)程中，采用基于反向傳播算法的權(quán)重更新方法來(lái)優(yōu)化模型參數(shù)，使用均方根誤差RMSE作為損失函數(shù)，計(jì)算公式為：[0028] ，[0029] 其中，是樣本的總數(shù)， 為預(yù)測(cè)的坐標(biāo)值， 為實(shí)際的坐標(biāo)值。[0030] 其中，采用對(duì)應(yīng)的測(cè)試集上的平均定位距離誤差MLE，誤差方差，最小誤差，最大誤差和以及準(zhǔn)確率來(lái)評(píng)估所述損傷坐標(biāo)定位模型性能；[0031] 其中，平均定位距離誤差MLE和準(zhǔn)確率分別表示為：[0032] ，[0033] 其中，（ , ）為結(jié)構(gòu)損傷位置原坐標(biāo)，( )為結(jié)構(gòu)損傷位置預(yù)測(cè)坐標(biāo)；[0034] 準(zhǔn)確率= ，[0035] 其中， 是待監(jiān)測(cè)的區(qū)域的最長(zhǎng)邊的邊長(zhǎng)。[0036] 本發(fā)明首先采用深度學(xué)習(xí)方法對(duì)風(fēng)力發(fā)電機(jī)葉片的異質(zhì)結(jié)構(gòu)進(jìn)行定位，確定損傷所在的區(qū)域，然后再確定損傷位置的準(zhǔn)確坐標(biāo)，擺脫了繁瑣的解析方程的復(fù)雜求解過(guò)程，實(shí)施簡(jiǎn)單，精度較高，具有廣泛的適用性。[0037] 本發(fā)明使用被動(dòng)監(jiān)測(cè)聲發(fā)射傳感器收集風(fēng)機(jī)葉片結(jié)構(gòu)損傷產(chǎn)生的高頻彈性聲發(fā)射波，能夠快速定位損傷的準(zhǔn)確位置，有效提高了風(fēng)機(jī)葉片結(jié)構(gòu)損傷定位的精度，能顯著提升結(jié)構(gòu)損傷定位精準(zhǔn)度和計(jì)算效率，非常適用于風(fēng)機(jī)葉片結(jié)構(gòu)長(zhǎng)期損傷定位監(jiān)測(cè)。附圖說(shuō)明[0038] 圖1為現(xiàn)有技術(shù)下一種監(jiān)測(cè)方案的三個(gè)聲學(xué)信號(hào)測(cè)量傳感器排布示意圖。[0039] 圖2為本發(fā)明的基于深度學(xué)習(xí)和聲發(fā)射的風(fēng)機(jī)葉片損傷兩步定位方法流程圖。[0040] 圖3為本發(fā)明提取的聲發(fā)射信號(hào)特征示意圖。[0041] 圖4為本發(fā)明的基于長(zhǎng)短期記憶深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)（LSTM）構(gòu)建的風(fēng)機(jī)葉片結(jié)構(gòu)損傷區(qū)域定位模型。[0042] 圖5為本發(fā)明的基于長(zhǎng)短期記憶深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)（LSTM）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）構(gòu)建的風(fēng)機(jī)葉片結(jié)構(gòu)損傷坐標(biāo)定位模型。[0043] 圖6為本發(fā)明的風(fēng)機(jī)葉片定位區(qū)域結(jié)構(gòu)的示意圖。[0044] 圖7為本發(fā)明的風(fēng)機(jī)葉片結(jié)構(gòu)定位區(qū)域的傳感器布置示意圖。[0045] 圖8為本發(fā)明在實(shí)施例上的區(qū)域定位結(jié)果的混淆矩陣示意圖。具體實(shí)施方式[0046] 為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。[0047] 由于基于深度學(xué)習(xí)的方法在監(jiān)測(cè)領(lǐng)域受到了廣泛的關(guān)注。而且深度學(xué)習(xí)框架強(qiáng)大的特征提取能力使得有可能對(duì)復(fù)雜結(jié)構(gòu)中的損傷區(qū)進(jìn)行分類(lèi)并預(yù)測(cè)損傷的位置。越來(lái)越多的研究也表明了深度學(xué)習(xí)的廣泛的適用性。因此，本發(fā)明基于此，開(kāi)發(fā)新的基于深度學(xué)習(xí)的風(fēng)機(jī)葉片結(jié)構(gòu)損傷定位方法。[0048] 本發(fā)明實(shí)施例的提供的一種基于深度學(xué)習(xí)和聲發(fā)射的風(fēng)機(jī)葉片損傷兩步定位方法，充分利用聲發(fā)射傳感器網(wǎng)絡(luò)監(jiān)測(cè)信號(hào)所得到的到達(dá)時(shí)間差和信號(hào)的時(shí)域特征，首先確定損傷所在區(qū)域，然后確定損傷具體位置坐標(biāo)。[0049] 具體實(shí)施例包括步驟：[0050] 步驟一：建立風(fēng)機(jī)葉片結(jié)構(gòu)損傷聲發(fā)射數(shù)據(jù)集。[0051] 風(fēng)機(jī)葉片結(jié)構(gòu)損傷聲發(fā)射數(shù)據(jù)集由獲取的監(jiān)測(cè)數(shù)據(jù)組成的，具體的，建立風(fēng)機(jī)葉片結(jié)構(gòu)損傷聲發(fā)射數(shù)據(jù)集時(shí)，可以是針對(duì)風(fēng)機(jī)葉片典型異質(zhì)結(jié)構(gòu)，在選定的待監(jiān)測(cè)區(qū)域布置傳感器網(wǎng)絡(luò)，在待監(jiān)測(cè)的區(qū)域建立劃分采樣網(wǎng)格，通過(guò)在劃分采樣網(wǎng)格點(diǎn)實(shí)施H?N源（斷鉛試驗(yàn)聲發(fā)射源），以獲取監(jiān)測(cè)數(shù)據(jù)。[0052] 步驟二：特征提?。簭谋O(jiān)測(cè)數(shù)據(jù)中提供數(shù)據(jù)特征。[0053] 根據(jù)本發(fā)明提出的兩步損傷定位方法中兩階段任務(wù)的復(fù)雜度不同，提取不同的信號(hào)特征作為對(duì)應(yīng)的深度學(xué)習(xí)模型的輸入。[0054] 所提取的不同信號(hào)特征數(shù)據(jù)包括聲發(fā)射信號(hào)的到達(dá)時(shí)間差特征，聲發(fā)射信號(hào)信號(hào)峰值幅度（PA）由模型和聲發(fā)射信號(hào)信號(hào)到達(dá)峰值的時(shí)間（TP）由模型。特征提取示意圖如圖3所示。

[0055] 一是針對(duì)風(fēng)機(jī)葉片結(jié)構(gòu)損傷區(qū)域分類(lèi)任務(wù)，提取聲發(fā)射信號(hào)的到達(dá)時(shí)間差（TDOA）作為所建立的深度學(xué)習(xí)模型的輸入特征。[0056] 雖然聲發(fā)射信號(hào)的生成的準(zhǔn)確時(shí)刻難以確定，但傳感器之間的到達(dá)時(shí)間差 是確定的。對(duì)于一對(duì)傳感器，聲發(fā)射波的實(shí)際到達(dá)時(shí)刻 和 的時(shí)間差和根據(jù)聲發(fā)射信號(hào)的首達(dá)時(shí)間 和 計(jì)算得到的到達(dá)時(shí)間差是相同的，即

[0057] ，，[0058] 聲發(fā)射信號(hào)的首達(dá)時(shí)間根據(jù)赤池信息準(zhǔn)則確定，對(duì)任一傳感器信號(hào)：，

[0059] 其中，var表示計(jì)算方差， 是由選定窗口確定的時(shí)間序列信號(hào)， 是 信號(hào)的時(shí)間長(zhǎng)度， 是遍歷 中的每個(gè)時(shí)刻，計(jì)算得到的 值最小時(shí)即代表信號(hào)的首達(dá)時(shí)間。[0060] 二是針對(duì)損傷坐標(biāo)定位任務(wù)，聲發(fā)射（AE）信號(hào)的時(shí)域特性受傳播特性的影響很大，包括反射、傳輸和衰減，這對(duì)異質(zhì)結(jié)構(gòu)來(lái)說(shuō)是不可忽視的。[0061] 除了聲發(fā)射信號(hào)的到達(dá)時(shí)間差（TDOA）之外，還提取了兩個(gè)新的特征來(lái)更精確地定位損傷位置的坐標(biāo)。兩個(gè)新特征包括信號(hào)峰值幅度（PA）和信號(hào)到達(dá)峰值的時(shí)間（TP），它們有望消除AE信號(hào)的傳播特性的影響。[0062] 步驟三：結(jié)構(gòu)損傷區(qū)域分類(lèi)。[0063] 將提取的聲發(fā)射信號(hào)到達(dá)時(shí)間差特征，按照預(yù)設(shè)比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，同時(shí)基于長(zhǎng)短期記憶深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)（LSTM）開(kāi)發(fā)風(fēng)機(jī)葉片結(jié)構(gòu)損傷區(qū)域定位模型，利用訓(xùn)練集和驗(yàn)證集中的數(shù)據(jù)對(duì)所搭建的深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，根據(jù)逐步優(yōu)化策略對(duì)模型中的超參數(shù)繼續(xù)進(jìn)行優(yōu)化，得到用于識(shí)別損傷所在結(jié)構(gòu)的最優(yōu)的損傷區(qū)域定位模型（圖1中的深度學(xué)習(xí)網(wǎng)絡(luò)1），使用測(cè)試集評(píng)估最優(yōu)的損傷區(qū)域定位模型的性能，得到結(jié)構(gòu)損傷區(qū)域分類(lèi)的結(jié)果。[0064] 其中，所述損傷區(qū)域定位模型包含一個(gè)帶有注意力機(jī)制的雙向LSTM層，意味著對(duì)強(qiáng)特征賦予較大的權(quán)重，對(duì)弱特征賦予較小的權(quán)重，甚至是零權(quán)重。[0065] 有一個(gè)池化層用于保留主要特征，同時(shí)減少參數(shù)計(jì)算量，防止過(guò)擬合問(wèn)題，提高模型的泛化能力。[0066] 有一個(gè)帶有RELU激活函數(shù)的全連接層，用于避免梯度擴(kuò)散問(wèn)題。激活函數(shù)用來(lái)表示輸入和輸出之間的非線性關(guān)系，從而增強(qiáng)網(wǎng)絡(luò)的能力。[0067] 為了提高泛化能力和防止過(guò)度擬合，還增加了一個(gè)dropout丟棄層。[0068] 最后，有一個(gè)全連接的分類(lèi)層來(lái)對(duì)損傷區(qū)域進(jìn)行分類(lèi)。所述損傷區(qū)域定位模型如圖4所示。[0069] 為了訓(xùn)練損傷區(qū)域定位模型中參數(shù)，交叉熵?fù)p失函數(shù)被最小化，其公式為：[0070] ，[0071] 其中， 表示訓(xùn)練集中樣本的大小， 和 分別表示實(shí)際和預(yù)測(cè)的損傷區(qū)域。[0072] 模型的訓(xùn)練過(guò)程中，反向傳播算法被用來(lái)更新模型的參數(shù)，以最小化損失函數(shù)。隨機(jī)梯度下降法（SGD）被用于優(yōu)化參數(shù)。這種方法適合分類(lèi)任務(wù)，因?yàn)樗鼘?duì)梯度的要求很低，而且它的計(jì)算收斂性更強(qiáng)，可以加速學(xué)習(xí)過(guò)程。[0073] 步驟四：損傷坐標(biāo)定位[0074] 將提取的聲發(fā)射信號(hào)到達(dá)時(shí)間差特征、信號(hào)峰值幅度特征和信號(hào)到達(dá)峰值的時(shí)間特征所組成的數(shù)據(jù)集，按照預(yù)設(shè)比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。同時(shí)，基于長(zhǎng)短期記憶深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)（LSTM）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）的風(fēng)機(jī)葉片結(jié)構(gòu)損傷坐標(biāo)定位模型。利用訓(xùn)練集和驗(yàn)證集中的數(shù)據(jù)對(duì)所搭建的深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，根據(jù)逐步優(yōu)化策略對(duì)模型中的超參數(shù)繼續(xù)進(jìn)行優(yōu)化，得到最優(yōu)的損傷坐標(biāo)定位模型（圖1中的深度學(xué)習(xí)網(wǎng)絡(luò)2）以識(shí)別損傷位置坐標(biāo)；使用對(duì)應(yīng)的測(cè)試集評(píng)估所開(kāi)發(fā)的損傷坐標(biāo)定位模型的性能，得到損傷位置坐標(biāo)，從而得到結(jié)構(gòu)損傷坐標(biāo)預(yù)測(cè)的結(jié)果。[0075] 其中，所述的損傷坐標(biāo)定位模型依次由帶有注意力機(jī)制的LSTM層、批量歸一化層、三個(gè)一維卷積神經(jīng)網(wǎng)絡(luò)層（CNN層）、平鋪層（Flatten層）、全連接層（FC層）和回歸層組成。[0076] 其中，所述的損傷坐標(biāo)定位模型的核心是一個(gè)LSTM層和三個(gè)CNN層。批量歸一化層用于減少內(nèi)部協(xié)變量偏差，從而加速深度網(wǎng)絡(luò)訓(xùn)練。平鋪層（Flatten層）即把多維輸入轉(zhuǎn)化為一維數(shù)據(jù)，以便從卷積層過(guò)渡到FC層。[0077] 兩個(gè)FC層和一個(gè)回歸層被用來(lái)估計(jì)損傷位置的坐標(biāo)。[0078] 所述損傷坐標(biāo)定位深度學(xué)習(xí)模型如圖5所示。[0079] 模型訓(xùn)練過(guò)程中，采用基于反向傳播算法的權(quán)重更新方法來(lái)優(yōu)化模型參數(shù)。使用均方根誤差RMSE作為損失函數(shù)，計(jì)算公式為：[0080] ，[0081] 其中，是樣本的總數(shù)， 為預(yù)測(cè)的坐標(biāo)值， 為實(shí)際的坐標(biāo)值。[0082] 表1損傷坐標(biāo)定位模型網(wǎng)絡(luò)層及超參數(shù)[0083] 關(guān)于損傷坐標(biāo)定位模型評(píng)估，采用測(cè)試集上的平均定位距離誤差（MLE），誤差方差，最小誤差，最大誤差和準(zhǔn)確率被用來(lái)評(píng)估所提議的模型的性能。[0084] 平均定位距離誤差（MLE）和準(zhǔn)確率分別表示為：[0085] ，[0086] 其中，（ , ）為結(jié)構(gòu)損傷位置原坐標(biāo)，( )為結(jié)構(gòu)損傷位置預(yù)測(cè)坐標(biāo)。[0087] 準(zhǔn)確率= ，[0088] 其中， 是要監(jiān)測(cè)的區(qū)域的最長(zhǎng)邊的邊長(zhǎng)。[0089] 下面，以一款1MW的風(fēng)機(jī)葉片監(jiān)測(cè)為例進(jìn)行說(shuō)明：[0090] 參見(jiàn)圖6所示，本實(shí)施例的對(duì)象為一款1MW的風(fēng)機(jī)葉片，根據(jù)統(tǒng)計(jì)，其葉根區(qū)域、沿葉片長(zhǎng)度方向離葉根30%和70%葉片長(zhǎng)度的區(qū)域以及葉片尖端等是風(fēng)力發(fā)電機(jī)葉片容易受到各種結(jié)構(gòu)破壞的區(qū)域。[0091] 在本實(shí)施例中，進(jìn)行的測(cè)試是在離葉根70%葉片長(zhǎng)度附近的區(qū)域進(jìn)行的，所關(guān)注的區(qū)域是一個(gè)T形的復(fù)合異質(zhì)結(jié)構(gòu)，由翼梁帽10，前緣板20和剪切腹板30組成。測(cè)試在300mm×300mm×300mm的范圍內(nèi)進(jìn)行。[0092] 傳感器被安排在結(jié)構(gòu)中間以監(jiān)測(cè)更大的區(qū)域，每個(gè)部件上有三個(gè)傳感器。翼梁帽10上布置傳感器1，傳感器2，傳感器3，在前緣板20布置傳感器4、傳感器5、傳感器6，在剪切腹板30上布置傳感器7，傳感器8、傳感器9，布置的傳感器距離異質(zhì)邊界100毫米，相鄰傳感器間距為80毫米。在異質(zhì)結(jié)構(gòu)中構(gòu)建了一個(gè)間距為10毫米的網(wǎng)格，如圖6和圖7所示。

[0093] 在網(wǎng)格點(diǎn)實(shí)施H?N源（斷鉛試驗(yàn)聲發(fā)射源），獲取監(jiān)測(cè)數(shù)據(jù)。三個(gè)部件（翼梁帽10，前緣板20和剪切腹板30）上各進(jìn)行了841組試驗(yàn)，共進(jìn)行2523組斷鉛試驗(yàn)。[0094] 該實(shí)施例中，進(jìn)行結(jié)構(gòu)損傷區(qū)域分類(lèi)是針對(duì)三個(gè)部件的分類(lèi)任務(wù)，目標(biāo)是判斷結(jié)構(gòu)損傷所在區(qū)域。獲取的特征是三個(gè)部件中的九個(gè)傳感器組成的傳感器網(wǎng)絡(luò)的每對(duì)傳感器之間的到達(dá)時(shí)間差。最終獲取的特征的維度是（36，2523）。即共2523個(gè)損傷位置，每個(gè)損傷位置的特征數(shù)量是36個(gè)。[0095] 該實(shí)施例中，所述的損傷坐標(biāo)定位是在結(jié)構(gòu)損傷區(qū)域定位的基礎(chǔ)上進(jìn)行的，在確定了結(jié)構(gòu)損傷區(qū)域后，就可針對(duì)所在的結(jié)構(gòu)損傷區(qū)域進(jìn)行損傷坐標(biāo)定位。[0096] 針對(duì)三個(gè)部件分別獲取特征，所獲取的特征是每個(gè)部件中三個(gè)傳感器組成的傳感器網(wǎng)絡(luò)的每對(duì)傳感器之間的到達(dá)時(shí)間差，以及三個(gè)傳感器收集到的時(shí)間序列信號(hào)的信號(hào)峰值幅度（PA）和信號(hào)到達(dá)峰值的時(shí)間（TP），最終獲取的特征的維度是（6，841）。即每個(gè)部件涉及841個(gè)損傷位置，每個(gè)損傷位置特征數(shù)量6個(gè)。[0097] 本實(shí)施例中，在風(fēng)機(jī)葉片結(jié)構(gòu)損傷區(qū)域定位模型的訓(xùn)練、驗(yàn)證以及測(cè)試中，所用的訓(xùn)練集、驗(yàn)證集和測(cè)試集的比例為3：1：1。[0098] 利用訓(xùn)練集和驗(yàn)證集中的數(shù)據(jù)對(duì)搭建的風(fēng)機(jī)葉片結(jié)構(gòu)損傷區(qū)域定位模型訓(xùn)練，根據(jù)逐步優(yōu)化策略對(duì)模型中的超參數(shù)進(jìn)行優(yōu)化，得到最優(yōu)的風(fēng)機(jī)葉片結(jié)構(gòu)損傷區(qū)域定位模型。[0099] 在風(fēng)機(jī)葉片結(jié)構(gòu)損傷區(qū)域定位模型中，LSTM的隱藏單元為512，dropout率為0.1，訓(xùn)練的批次，即batch大小為64，訓(xùn)練輪次為500。初始學(xué)習(xí)率被設(shè)定為0.5，并在訓(xùn)練期間以0.5的系數(shù)遞減。

[0100] 如圖8所示為區(qū)域定位結(jié)果的混淆矩陣示意圖。[0101] 圖8的結(jié)果顯示測(cè)試的準(zhǔn)確性為100%。所有的損傷區(qū)都能被所述風(fēng)機(jī)葉片結(jié)構(gòu)損傷區(qū)域定位深度學(xué)習(xí)模型成功分類(lèi)。[0102] 本實(shí)施例中，在損傷坐標(biāo)定位中，用于風(fēng)機(jī)葉片結(jié)構(gòu)損傷坐標(biāo)定位模型的訓(xùn)練、驗(yàn)證以及測(cè)試的訓(xùn)練集、驗(yàn)證集和測(cè)試集的比例為3：1：1。[0103] 損傷定位結(jié)果列于表2，本發(fā)明的方法在所有三個(gè)組件上都顯示出同樣的優(yōu)良的定位性能和魯棒性，準(zhǔn)確率超過(guò)97%。[0104] 表2損傷坐標(biāo)定位結(jié)果[0105] 實(shí)施例的結(jié)果表明，所提出的方法可以準(zhǔn)確地定位風(fēng)機(jī)葉片的損傷位置，第一階段結(jié)構(gòu)損傷區(qū)域分類(lèi)的準(zhǔn)確率為100%，第二階段損傷位置坐標(biāo)定位的準(zhǔn)確率為97%以上。[0106] 需要說(shuō)明的是，本發(fā)明實(shí)施例所提出的結(jié)構(gòu)損傷定位技術(shù)是一種數(shù)據(jù)驅(qū)動(dòng)的結(jié)構(gòu)損傷定位方法，在風(fēng)機(jī)葉片的任何區(qū)域進(jìn)行驗(yàn)證試驗(yàn)都是可以實(shí)現(xiàn)的，不限于所給出的實(shí)施例。[0107] 以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出的是，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也應(yīng)視為本發(fā)明的保護(hù)范圍。