基于聲發射信號時頻圖深度學習的橋梁鋼桁架焊接節點損傷程度識別

李 丹, 沈 鵬, 賀文宇, 向抒林

(1. 合肥工業大學 土木與水利工程學院, 合肥 230009;2. 東南大學 土木工程學院, 南京 211189; 3. 合肥通用機械研究院有限公司, 合肥 230031)

鋼結構橋梁具有輕質高強、抗彎剛度大、便于裝配化施工等優點,是大跨度橋梁的重要發展方向。但由于服役環境、荷載條件等因素的影響,其疲勞損傷問題突出,成為影響鋼結構橋梁運營安全的難題[1]。焊接節點是鋼結構橋梁的重要傳力構件,節點焊縫的疲勞開裂是橋梁的常見病害之一,在橋梁的日常運營維護中耗費大量的人力和物力。鋼結構橋梁焊接節點疲勞損傷智能檢測與監測已成為亟需研究的課題[2]。

目前基于振動響應的結構損傷識別方法通常利用頻率、振型等模態參數來識別結構損傷[3-4]。該類方法適用于橋梁整體狀態的評估,但對局部關鍵構件微小損傷的及時診斷仍存在困難。因此,超聲、聲發射等無損檢測與監測技術成為主要的突破方向[5]。通過結構受力和易損性分析確定關鍵構件與熱點區域,開展局部監測,進而融合整體與局部監測結果,是橋梁結構健康監測未來的發展趨勢。

聲發射是一種被動式的彈性波檢測技術,利用材料自身在塑性變形、裂紋擴展、沖擊、腐蝕等損傷過程中釋放的瞬態彈性波實現損傷的識別與定位,對裂紋萌生和擴展高度敏感,對幾何形狀復雜的結構適應性強,在結構關鍵構件局部微小損傷的精準識別方面優勢顯著,可用于在役工程結構的長期動態監測[6-7]。Droubi等[8]利用聲發射特征參數和頻譜分析方法進行碳鋼焊縫熔渣、氣孔和裂紋缺陷識別。Wael等[9]建立基于特征參數的損傷指標評估鋼橋眼桿疲勞裂紋的萌生與擴展狀態。Li等[10]通過聲發射信號特征模態實現正交各向異性鋼板裂紋準確定位。

利用聲發射進行結構損傷檢測與監測通常需要建立對損傷敏感的指標,從大量的聲發射信號中提取損傷信息。常用的時域和頻域參數,如幅值、持續時間、峰值頻率等容易受到信號反射、衍射、頻散現象和環境噪聲干擾。時頻分析可以在時頻域上顯示非平穩信號的固有特征,表征不同類型的聲發射信號在不同時頻尺度上能量分布模式。小波變換作為強有力的時頻分析工具,具有優越的時頻局域化性能,可以有效平衡時頻分辨率的矛盾,被廣泛應用于結構健康監測振動、超聲及聲發射信號的處理[11-13]。

近年來,以卷積神經網絡(convolutional neural network,CNN)為代表的深度學習在圖像分類、模式識別等方面展示出極大的優勢。卷積神經網絡的核心思想是通過卷積過程組合大量底層特征形成更多抽象的高層特征,實現數據特征的學習、表達和分類[14-15]利用卷積神經網絡解決結構損傷識別問題成為結構健康監測領域的研究熱點[16-17]。Li等[18]建立多分支卷積神經網絡模型對鋼軌噪聲、車輪沖擊和裂紋擴展聲發射信號進行分類識別。Guo等[19]提出一種基于卷積神經網絡圖像識別的風力渦輪機葉片損傷檢測框架。駱勇鵬等[20]利用單傳感器振動數據結合格拉姆角場和卷積神經網絡實現框架結構的損傷識別。

本文針對橋梁鋼桁架在長期運營狀態下的疲勞損傷問題,以某懸索橋中央縱向腹板鋼桁架焊接節點實測數據為例,提出基于聲發射信號時頻分析與深度學習的鋼桁架焊接節點損傷程度識別方法。克服了傳統檢測方法識別精度低、受工作環境噪聲影響大等弱點,可用于橋梁鋼桁架結構的健康監測與智能運維。

1 基于聲發射信號時頻分析與深度學習的損傷程度識別

本文利用通過時頻分析和深度學習手段對聲發射監測數據進行處理,實現橋梁鋼桁架焊接節點的損傷程度識別。如圖1所示,首先,采用小波變換時頻分析表征原始聲發射數據在時頻域內的能量分布模式。然后,建立卷積神經網絡模型對時頻圖進行學習,提取聲發射信號對損傷敏感的時頻能量分布特征,從而達到鋼桁架焊接節點嚴重損傷、輕微損傷和噪聲工況(即無損傷工況)分類識別的目的。本文所提出的方法充分發揮時頻分析處理非平穩聲發射聲發射信號的優勢以及卷積神經網絡強大的圖像特征提取和分類能力,能夠實現對鋼桁架焊接節點不同損傷程度的智能識別與分類。

圖1 鋼桁架焊接節點損傷程度識別方法流程圖

1.1 時頻分析

小波變換利用一個隨頻率改變的靈活的時頻窗口,從多尺度觀察信號,可以對非平穩信號從不同層次進行分解,對信號的高頻和低頻成分都可以進行有效提取。定義連續小波變換將時域函數分解到時頻域,得到小波系數

(1)

式中：ψ*(t)為小波基函數的復共軛;W(a,b)為小波系數,表示時域函數x(t)和選定小波在某時間段和某尺度上的相似性。對信號進行時頻域轉換時,通過設置伸縮因子a和平移因子b可以對小波基函數進行伸縮和平移變換,小波系數做同倍數伸縮,而不發生畸變,窗寬也會隨著信號頻率的變化而改變[21]。

不同類型損傷的聲發射信號通常具有不同的時頻能量分布特征,時頻圖較時域波形能夠提供更多微觀損傷信息。有大量研究通過時頻分析成功描述復合材料、混凝土以及金屬等多種材料的不同損傷機理[22-24]。然而,現場實測鋼桁架焊接節點聲發射數據存在多源高幅噪聲,涉及多種相似的微觀損傷機理,因此難以基于時頻分析來定義單一的指標對鋼桁架焊接節點的不同損傷程度進行有效識別。

1.2 卷積神經網絡深度學習模型

自從Hinton等[25]于2006年首次提出深度學習的概念以來,深度學習的研究應用獲得了廣泛關注。卷積神經網絡是第一個真正成功訓練多層網絡結構的深度學習算法,通常由卷積層、激活層、池化層以及全連接層組成,并利用稀疏連接、權重共享和降采樣等方式對輸入數據進行逐層卷積操作,極大降低了模型的參數數量,提高了模型的訓練性能。

卷積層使用卷積核與輸入圖像的特定區域進行卷積,生成一系列特征映射。通過疊加多個卷積層,對輸入進行不同維度的多層次特征提取。第l層卷積層的第j個特征映射輸出由下式計算

(2)

激活函數也稱為激活層,為卷積神經網絡模型引入非線性,使網絡表達能力更強。其中,ReLU函數可以解決訓練過程中的梯度消失問題,并提供良好的泛化能力。ReLU函數的表達式如下

(3)

池化層是對前一個卷積層獲得的特征映射進行降采樣,以減少特征映射的維數和參數數量,創建平移不變性。本文模型使用最大池化,其運算規則如下

(4)

全連接層的作用是整合具有類別區分性的特征信息,將來自上一層的特征映射展開成一維向量以便執行分類。第l個全連接層的輸出可以通過下式計算

xl=f(ωlxl-1+bl)

(5)

式中,ωl和bl分別為權重和偏置。

卷積神經網絡中還有一些有助于提高學習性能的輔助層,如歸一化層可以在訓練過程中使每層神經網絡的輸入保持相同的分布模式,進而提升模型的收斂速度,隨機失活層作為正則化手段可以有效緩解過擬合的發生,這些輔助層有效提高模型的泛化能力。

本文基于AlexNet框架建立的網絡模型各層參數如表1所示,結構體系如圖2所示。網絡包含1個輸入層(Input),5個卷積層(Conv),3個池化層(Pool),7個非線性激活層(ReLU),3個完全連接層(Fc),2個隨機失活層(Drop),2個局部響應歸一化層(Norm),1個分類層(Softmax)和1個輸出層(Output)。其中,最深的全連接層Fc8、分類層和輸出層均為1×3的向量,分類層向量對應三種損傷程度工況的概率。

圖2 卷積神經網絡模型結構示意圖

為了使用有限的聲發射數據實現更好的損傷工況分類效果,本文在聲發射數據的訓練過程中,引入遷移學習思想。遷移學習利用經典的大型數據集訓練后的模型獲得的知識執行當前的分類任務,可以實現源數據和目標數據之間共享參數和先驗分布(源數據和目標數據無需具有相同的數據分布),能夠大幅提升模型訓練效率和準確率[26]。本文調用經過ImageNet ILSVRC經典數據集預訓練的模型進行遷移學習,繼而使用時頻圖數據集對模型參數進行微調。網絡前端的淺層權重不會被更新,深層的權重會在新的學習任務中被更新和調整。其中,“淺層”是指最后一個全連接層Fc8之前的網絡層,“深層”指的是Fc8及其之后最深的三層。淺層權重和偏置取值與原模型相同,并保持不變。深層權重初始值設置為隨機向量,深層偏置初始值設置為0,兩者通過自適應動量估計算法進行更新和調整。

自適應動量估計算法是卷積神經網絡訓練過程中常用的參數優化算法,用于優化神經網絡訓練過程中各層網絡之間的權重和偏置等參數,加快網絡訓練收斂速度[27]。它屬于一種梯度下降算法,結合了自適學習率梯度下降和動量梯度下降兩種算法的優點,對梯度的一階矩估計(梯度平均)和二階矩估計(梯度偏方差)進行綜合考慮,其優點在于每一次迭代的學習率都有一定范圍,從而使得權重和偏置的變化比較穩定。

網格搜索算法是卷積神經網絡訓練過程中常用的超參數優化算法,通過遍歷給定的訓練批次大小、網絡循環次數、初始學習率等超參數的組合來優化模型學習效果的方法[28]。它在指定的超參數范圍內,按某一步長依次調整超參數,并訓練相應的網絡模型。通過遍歷嘗試每一種組合的可能性,最后選用表現最好的超參數組合。

此外,為了驗證利用時頻分析進行聲發射數據表征的必要性以及所建立二維卷積神經網絡模型的優越性,本文搭建了具有相似深度和架構的一維卷積神經網絡模型。直接以原始聲發射信號作為輸入,充分保留信號各時刻數據點的相關性,利用信號的時域特征進行損傷程度的識別[29]。

2 鋼桁架損傷聲發射監測試驗

某懸索橋鋼箱梁中央縱向腹板鋼桁架在長期服役過程中,在不同的梁段產生了不同程度的損傷,損傷位置主要集中在桁架右上肢下端與中間節點板連接的焊縫處。為了對損傷進行定量評估,可將損傷程度分為開裂已經基本完成的嚴重損傷(裂紋長度大于5 cm)、開裂初期的輕微損傷和噪聲三種工況。

本文選取中塔附近腹板鋼桁架(圖3)三種典型工況(嚴重損傷、輕微損傷和噪聲)開展聲發射監測試驗。分別將傳感器布置在三種不同損傷程度的焊接節點板的同一位置處,如圖4所示。試驗采用一套美國物理聲學公司(PAC)聲發射數據采集系統。選用寬帶聲發射傳感器,在100～1 000 kHz范圍內具有穩定的頻率響應,從而能夠更準確地研究聲發射信號的固有頻率特性。使用耦合劑填充傳感器和結構表面的縫隙,并用磁夾將傳感器具固定。采樣率設為5 MHz,在滿足香農采樣定理的基礎上提升時頻分析的準確度,同時設置100～1 000 kHz前置濾波,以降低噪聲信號的干擾。前置放大器增益為40 dB,聲發射觸發采樣閾值為40 dB,能夠剔除無車輛荷載情況下的環境噪聲。聲發射撞擊信號的峰值定義時間、撞擊定義時間以及撞擊鎖閉時間分別為1 ms、2 ms和20 ms。

圖3 試驗區域示意圖(m)

圖4 現場試驗裝置

在橋梁正常運營狀態下對三種鋼桁架節點板進行同步聲發射數據采集,時間為30 mins。嚴重損傷節點獲得3 442個信號,主要由開裂面接觸沖擊與摩擦引起;輕微損傷節點獲得1 793個信號,主要由微裂紋的萌生與擴展引起;無損傷節點獲得429個信號,為車輛荷載作用下的運營環境噪聲。因此,現場采集到的聲發射信號可分為三類,即嚴重損傷信號,輕微損傷信號以及噪聲信號,構成包括5 664個聲發射信號時頻圖的數據集。雖然翻轉、旋轉、切割等人工數據增強方法能夠增加數據集的大小,但是會改變聲發射信號時頻圖中的能量分布模式。本文深度學習模型的目的正是根據聲發射信號的時頻分布信息對鋼桁架焊接節點損傷程度進行識別,因此,全部使用原始聲發射信號時頻圖構成的數據集有助于模型學習到真實的損傷特征。

3 損傷識別結果與討論

3.1 聲發射信號參數分析

聲發射信號特征參數中的幅值能夠反映材料損傷的程度,頻率通常與聲發射源的類型有關。三種損傷工況聲發射信號幅值和峰值頻率散點圖,如圖5所示。由圖5(a)～(c)可知,嚴重損傷工況聲發射信號幅值在大于70 dB的范圍內有較多分布,且存在接近100 dB的高幅值,明顯高于輕微損傷工況和噪聲工況聲發射信號幅值。后兩種工況的聲發射信號幅值分布范圍大致相同,且在大于70 dB的范圍內幾乎無分布。由圖5(d)～(f)可知,三種損傷工況聲發射信號峰值頻率主要集中在150～300 kHz低頻帶,輕微損傷工況聲發射信號峰值頻率在大于300 kHz范圍內有更多分布。三種損傷工況的聲發射信號幅值和峰值頻率分布上有明顯的交叉特征,很難基于上述聲發射特征參數定義有效的損傷指標對不同的損傷工況進行區分。

(a) 幅值散點圖

(b) 幅值散點圖

(c) 幅值散點圖

(d) 峰值頻率散點圖

(e) 峰值頻率散點圖

(f) 峰值頻率散點圖

3.2 聲發射信號時頻分析

由于結構運營荷載、幾何構造和材料微觀結構等因素的影響,聲發射信號具有強隨機性和非平穩性。鋼結構疲勞裂紋引起的聲發射信號幅值范圍覆蓋±10 V,頻率成分范圍覆蓋100～800 kHz,涉及不同的微觀損傷聲發射機理(如裂紋擴展、裂紋表面沖擊與摩擦),對應信號的幅值和頻率成分相互交疊。因此,采用時頻分析方法挖掘信號中蘊含的損傷信息。由圖5可知,實測聲發射信號的幅值和頻率變化范圍較大,為了盡可能全面地呈現同一種損傷程度工況內聲發射信號波形及其時頻圖的復雜性和多樣性,每種工況兩個具有較大差異的典型聲發射信號波形及其在0～800 kHz頻率范圍內的小波時頻圖,如圖6～8所示。

(a) 示例一波形

(b) 示例一時頻圖

(c) 示例二波形

(d) 示例二時頻圖

(a) 示例一波形

(b) 示例一時頻圖

(c) 示例二波形

(d) 示例二時頻圖

(a) 示例一波形

(b) 示例一時頻圖

(c) 示例二波形

(d) 示例二時頻圖

嚴重損傷工況(圖6(b)、6(d))和輕微損傷工況(圖7(b)、7(d))聲發射信號能量主要分布在100～300 kHz的低頻帶,部分輕微損傷工況聲發射信號在300～700 kHz的高頻帶能量分布更顯著。噪聲工況(圖8(b)、8(d))聲發射信號能量主要分布在100～200 kHz低頻帶,且沿時間軸呈均勻連續分布。

嚴重損傷工況和輕微損傷工況聲發射信號的能量分布大都具有明顯的脈沖模式,沿時間軸的分布比噪聲工況更密集。其中,嚴重損傷工況聲發射信號能量隨時間衰減緩慢,低頻能量分布相對較高,這是因為已經形成較長貫穿裂紋的嚴重損傷焊接節點處于裂紋擴展后期,裂紋擴展速率較慢,其主要聲發射源為疲勞裂紋張開和閉合過程中的表面沖擊與摩擦,不斷產生低頻次生信號。而輕微損傷工況焊接節點僅存在細微裂紋,處于裂紋擴展階段,其主要聲發射源為微裂紋萌生與擴展。裂紋擴展是由金屬晶粒和晶界斷裂產生,相較于其他類型的微觀機理,其聲發射信號一般包含較多的高頻成分。因此,輕微損傷工況中的聲發射信號經過小波變換之后,在高頻域上顯示出了更多的能量分布。

總體而言,三種損傷程度工況聲發射信號在0～800 kHz的時頻圖中具有不同的能量分布模式,但由于實測聲發射信號的隨機性和復雜性,同一種工況的時頻圖能量分布模式也呈現出多樣性,難以基于時頻分析定義單一的指標對三種工況進行分類。

3.3 損傷程度分類結果

對于三種工況的聲發射信號時頻圖構成的數據集,隨機選擇80%的時頻圖(4 531個)用于訓練,使用較高比例的訓練集有助于獲得魯棒性更強的分類模型。選擇10%的時頻圖(567個)作為驗證集,用于調整超參數,較小的驗證集可以加快調優過程。剩余10%的時頻圖(566個)構建測試集,輸入到訓練好的模型中,用于測試卷積神經網絡模型的損傷識別效果。需要注意的是,將小波系數矩陣(165×15 360)生成的時頻圖儲存為165×15 360×3的RGB圖像,為了適應基于AlexNet框架的卷積神經網絡模型的輸入需求,需要將時頻圖調整為227×227×3的RGB圖像。

引入遷移學習思想訓練所建立的卷積神經網絡模型,只需利用聲發射信號時頻圖數據集對模型進行微調,使原模型能夠適用于鋼桁架焊接節點損傷程度識別這一新問題,從而達到焊接節點嚴重損傷、輕微損傷和噪聲工況分類的目的。在模型微調過程中,采用自適應動量估計算法對網絡參數進行調整,采用網格搜索算法對網絡超參數進行優化,最終確定的訓練批大小為15,網絡循環次數為10,初始學習率為5×10-3。為避免過擬合,采用逐步降低學習率措施,網絡每循環5輪次,學習率降低70%。

圖9顯示了模型訓練過程中分類準確率和損失函數值隨迭代次數的變化情況。訓練和驗證的準確率在最初的1 000次迭代中逐步提高,隨后曲線變化趨于穩定。如圖10所示,利用時域波形進行特征學習的一維卷積神經網絡模型的訓練和驗證準確率在經過2 000次迭代后才趨于穩定。最終,兩個模型經過3 020次迭代后均收斂。結果顯示,一維卷積神經網絡模型的訓練準確率為83.25%。二維卷積神經網絡模型的訓練準確率達到94.71%。將從未用于訓練或驗證的測試數據集輸入模型,得到一維卷積神經網絡模型的測試準確率為84.28%。二維卷積神經網絡模型的測試準確率達到94.11%,分類準確率結果匯總如表2所示。

圖9 二維卷積神經網絡模型訓練過程中分類準確率、損失函數值與迭代次數的關系圖

圖10 一維卷積神經網絡模型訓練過程中分類準確率、損失函數值與迭代次數的關系圖

表2 卷積神經網絡模型分類準確率

圖11和圖12分別展示了兩種模型對測試數據集的分類結果混淆矩陣。嚴重損傷工況聲發射信號識別準確率分別為99.4%和95.9%;輕微損傷工況聲發射信號識別準確率分別為92.2%和70.4%;噪聲工況聲發射信號識別準確率分別為86.0%和48.8%。由此可見,以時域波形為輸入的一維卷積神經網絡模型極易將噪聲信號誤判為輕微損傷信號或嚴重損傷信號。而以時頻圖為輸入的二維卷積神經網絡模型對三種損傷工況的分類平均準確率超過90%。這是因為時頻圖能夠更加充分、直觀地表征聲發射信號中蘊藏的微觀損傷機理信息,供卷積神經網絡模型進行損傷特征提取與學習,提升其準確率和魯棒性。由此可見,利用疲勞裂紋擴展、表面沖擊與摩擦等不同微觀損傷機理聲發射信號的時頻能量分布信息,以及卷積神經網絡強大的特征提取能力,可以實現對鋼桁架焊接節點不同損傷程度的智能識別與分類。

圖11 二維卷積神經網絡模型分類結果混淆矩陣

圖12 一維卷積神經網絡模型分類結果混淆矩陣

該方法可推廣應用于各種形式鋼結構焊接節點的疲勞裂紋損傷程度評估。但需要指出的是,由于不同結構運營噪聲、材料微觀結構和力學特性、節點幾何構造等因素的影響,需要采用相應的實測數據進行卷積神經網絡模型訓練,以提升損傷程度識別的準確率。此外,如果節點內存在多處不同程度的疲勞裂紋,其聲發射信號時頻圖的識別結果可能包括嚴重損傷程度和輕微損傷程度兩種工況類型。

4 損傷識別過程可視化分析

為了挖掘利用卷積神經網絡模型進行鋼桁架焊接節點損傷程度分類的內在邏輯,提升識別過程的可解釋性,剖析對損傷敏感的聲發射信號時頻特征,本文對模型的卷積過程和分類過程進行了可視化分析。

首先,通過對各卷積層激活區域進行可視化,查看各卷積層學習到的特征,剖析模型的特征提取和分類過程。為了充分展示卷積神經網絡模型的學習能力,選取3.2節中嚴重損傷(圖6(d))、輕微損傷(圖7(d))和噪聲(圖8(d))三種工況較為相似的聲發射信號時頻圖,分別展示其典型隱藏層的特征映射圖,如圖13～圖15所示。通過觀察可知,淺層卷積層學習了時頻圖的顏色分布、邊緣輪廓等基本特征,深層卷積層則通過多次組合淺層特征來構建其更復雜、更抽象的特征。顯然,不同損傷程度信號時頻圖最終的特征映射圖是不同的,所以在輸出層被分為不同的類別。

圖13 嚴重損傷工況聲發射信號特征學習過程可視化

圖14 輕微損傷工況聲發射信號特征學習過程可視化

圖15 噪聲工況聲發射信號特征學習過程可視化

然后,進一步探究三種工況聲發射信號時頻圖在各個卷積層相同通道的特征圖差異,如圖16所示。模型對輸入進行卷積操作時,會通過激活函數對卷積層學習到的特征進行正、負激活(白色像素表示強的正激活區域,黑色像素表示強的負激活區域)。在Conv1層,以通道10、41為例,模型提取到了時頻圖中能量分布的內部模式特征即點團狀(實線圓圈)的高能量區域和條帶狀(虛線方框)的低能量區域。進一步觀察Conv1特征圖可知,模型還提取到了能量分布的邊緣輪廓特征(通道62),可以看出嚴重損傷信號和輕微損傷信號頻帶分布較為分散,噪聲信號的頻帶分布更為集中,邊緣輪廓更為清晰。

(a) 嚴重損傷工況信號

(b) 輕微損傷工況信號

(c) 噪聲工況信號

隨著卷積層的加深(Conv3),特征圖的邊緣輪廓逐漸模糊,強的激活區域分布范圍逐漸分化。噪聲信號對應的強的正激活區域分布范圍明顯大于嚴重損傷信號和輕微損傷信號對應的區域(通道23、43)。到了Conv5層,嚴重損傷信號對應的強的負激活區域呈團狀分布,輕微損傷信號對應的強的負激活區域在頻域上的分布范圍則更廣,噪聲信號對應的強的正、負激活區域沿時域始終呈連續帶狀分布(通道18、30)。三者差異越來越明顯,模型學習到的特征越來越復雜。

最后,利用非線性降維算法(t-distributed stochastic neighbor embedding,t-SNE)呈現各個隱藏層在聲發射信號分類中的作用。該算法適用于將高維數據降至低維,以便對高維數據進行可視化,其中數據點之間的距離表示它們的相似性。

圖17展示了測試數據集在典型隱藏層上的特征映射。在輸入層(Input),三種工況的聲發射信號時頻圖特征有嚴重的交叉重疊,分類困難。經過多個卷積層(Conv1～Conv5)后,三類聲發射信號時頻圖的卷積特征圖在映射平面內的位置不斷移動,同一損傷工況聲發射信號對應的數據點相互靠攏,并逐漸遠離異類信號對應的數據點。在最后的輸出層(Output),所有數據點被分成三簇,對應鋼桁架焊接節點三種不同的損傷程度,證實了聲發射信號時頻圖內在損傷特征的可分性。

圖17 測試數據集分類過程t-SNE可視化

5 結 論

針對目前大型橋梁鋼桁架焊接節點損傷識別難度大、精度低的現狀,本文提出了一種基于聲發射信號時頻圖深度學習的鋼桁架焊接節點損傷程度智能評估方法,并利用現場實測數據驗證了其有效性和優越性。主要結論如下：

(1) 利用小波變換對聲發射信號進行時頻分析,以時頻圖作為輸入、損傷程度作為標簽,對基于遷移學習的二維卷積神經網絡進行訓練,實現了鋼桁架焊接節點損傷程度的精準識別。

(2) 現場試驗研究表明,小波分析有效表征了不同損傷程度工況聲發射信號的固有時頻特征。二維卷積神經網絡模型能夠提取信號時頻域中的能量分布模式,對正常運營狀態下的橋梁鋼桁架焊接節點損傷程度的識別準確率超過94%,較利用時域波形進行損傷特征學習的一維卷積神經網絡模型具有更強的魯棒性。

(3) 通過對卷積神經網絡模型各卷積層激活區域進行可視化分析,明確了各卷積層學習到的損傷特征,并剖析了卷積神經網絡模型的特征學習過程以及內在的分類邏輯。

本文所提出的方法充分發揮了小波時頻分析處理非平穩信號的優勢和卷積神經網絡深度學習模型強大的視覺圖像特征提取能力,為聲發射技術在鋼桁架焊接節點等橋梁關鍵構件損傷識別與智能監測中的研究應用提供了新的思路。為提升本文方法的應用潛力,需利用實測數據進一步驗證其在不同運營噪聲、材料特性、節點構造和傳感器布設位置工況下的魯棒性,并細化每一種損傷工況下不同微觀機理聲發射信號的分類辨識。此外,探索通過采樣閾值、壓縮感知、損傷特征優化等方式提升長期監測過程中大量高頻聲發射數據的分析處理與存儲傳輸效率。