基于声发射信号时频图深度学习的桥梁钢桁架焊接节点损伤程度识别

摘要：

针对桥梁钢桁架疲劳损伤识别难度大、精度低的现状,提出基于声发射信号时频分析与深度学习的钢桁架焊接节点损伤程度识别方法.对桁架节点在桥梁运营状态下产生的声发射信号进行小波变换,表征不同损伤程度信号的时频能量分布模式,然后建立卷积神经网络(convolutional neural network,CNN)模型对时频图进行损伤特征提取,并通过迁移学习思想提升模型的训练效率和学习能力,从而实现桁架焊接节点严重损伤、轻微损伤和噪声工况的准确识别.进一步对模型各卷积层激活区域进行可视化分析,解剖模型的损伤特征学习过程及分类逻辑.某悬索桥中央纵向腹板钢桁架焊接节点现场试验结果表明:相较于利用时域波形进行特征学习的一维卷积神经网络模型,时频图包含了更丰富的损伤信息,所建立的二维卷积神经网络模型对钢桁架焊接节点三种损伤程度的识别准确率超过94％,具有更强鲁棒性和实际应用价值.

关键词：钢桁架、焊接节点、损伤程度、声发射(AE)、时频分析、深度学习

所属期刊栏目：43

分类号：U446(桥涵工程)

资助基金：国家自然科学基金;安徽省杰出青年基金;安徽省科技重大专项

在线出版日期：2024-01-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：107-115,122