(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211114481.X (22)申请日 2022.09.14 (71)申请人 厦门大学 地址 361005 福建省厦门市思明区思明南 路422号 (72)发明人 王奕首　王明华　吴迪　卿新林　 孙虎　 (74)专利代理 机构 厦门加减专利代理事务所 (普通合伙) 35234 专利代理师 李强 (51)Int.Cl. G16C 60/00(2019.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06F 30/27(2020.01)G01N 3/303(2006.01) G01N 3/02(2006.01) G06F 113/26(2020.01) (54)发明名称 一种基于卷积神经网络的冲击定位及能量 检测方法、 系统 (57)摘要 本发明涉及结构健康 监测技术领域， 特别涉 及一种基于卷积神经网络的冲击定位及能量检 测方法、 系统， 所述冲击定位及能量检测方法采 用卷积神经网络模型进行粗定位冲击区域， 并在 其基础上通过基于DTW的质心加权算法精确定位 冲击区域内的具体冲击位置； 同时还通过冲击 响 应信号的能量来表征冲击能量大小。 本方法定位 准确、 冲击反演效率高且操作简单， 不仅能够避 免了结构复杂性对定位精度的影 响， 还能实现冲 击能量估计误差的有效控制。 在降低维护成本的 同时， 还有效提高了 定位及检测的效率。 权利要求书3页 说明书9页 附图7页 CN 115458088 A 2022.12.09 CN 115458088 A 1.一种基于卷积神经网络的冲击 定位及能量检测方法， 其特 征在于， 包括以下步骤： 区域处理步骤， 在待检测复合材料结构上布设m个用于接收外部冲击信号的传感器， 并 将所述待检测复合材 料结构的表面划分成至少M个区域； 样本获取步骤， 分别对每一所述区域的若干训练点、 标记点进行冲击试验， 以获取包含 有冲击信号的第一样本数据库和第二样本数据库； 以及通过 固定能量E0冲击复合材料结构 表面， 并根据若干传感器接收的冲击信号获取在固定能量E0冲击下的表征值Es； 模型训练步骤， 构建输入为(l， m)、 输出为(M,1)的1D ‑CNN神经网络， 其中l为每个传感 器的信号长度； 将第一样本数据库划分为训练集和测试集， 并输入至1D ‑CNN神经网络中进 行训练和验证， 以得到冲击事 件监测模型； 粗定位步骤， 若某一冲击事件发生时， 若干所述传感器将接收到冲击信号Simpact； 将冲 击信号Simpact输入至冲击事件监测模型中， 再根据输出结果确 定该冲击事件发生的冲击区 域， 以完成粗定位； 精定位步骤， 基于粗定位确定 的冲击区域， 根据DTW算法计算冲击信号Simpact与第二样 本数据库中冲击区域内的所有标记点的DTW距离Li； 将所得的Li作为加权质心定 位算法的权 重因子计算冲击区域内的冲击位置坐标(x,y)， 以完成精定位； 能量检测步骤， 根据所有区域内的传感器接收 的冲击信号Simpact获得能量表征值Es′， 根 据下述公式计算获得 该次冲击的能量Eest： 2.根据权利要求1所述的基于卷积神经网络的冲击定位及能量检测方法， 其特征在于： 在区域处理步骤中， 还包括对每个所述区域进行区域编号， 以获得信号标签； 在样本获取步 骤中， 将每 个区域内的冲击信号分别映射成对应的信号标签进行存 储。 3.根据权利要求2所述的基于卷积神经网络的冲击定位及能量检测方法， 其特征在于， 在样本获取步骤中， 第一样 本数据库的样 本获取步骤为： 对每个所述区域内选择N(N≥1)个 训练点分别进 行冲击试验以获得相应的冲击信号， 再将 每个所述区域中每个所述训练点上 的冲击信号分别映射成对应的信号标签存 储至第一样本数据库中； 第二样本数据库的样本获取步骤为： 在每个所述区域内选择B个标记点分别进行冲击 试验以获得相应的冲击信号， 再将每个所述区域的每个所述标记点的冲击试验所获得的冲 击信号作为样本进行存 储。 4.根据权利要求1所述的基于卷积神经网络的冲击定位及能量检测方法， 其特征在于： 在模型训练步骤中， 将第一样本数据库中的样本按照7:3的比例划分为训练集和 测试集。 5.根据权利要求1所述的基于卷积神经网络的冲击定位及能量检测方法， 其特征在于， 在精定位步骤中， 将所得的Li作为加权质心定位算法的权重因子计算冲 击区域内的冲 击位 置坐标(x,y)具体包括如下公式： 其中， Wi表示冲击区域内所有标记点的加权系数； xi,yi分别表示冲击区域内所有标记权　利　要　求　书 1/3 页 2 CN 115458088 A 2点的坐标位置； x、 y即为该次冲击事 件的冲击位置坐标。 6.根据权利要求1所述的基于卷积神经网络的冲击定位及能量检测方法， 其特征在于， 样本获取步骤中， 具体通过以下公式获取在固定能量E0冲击下的表征值Es： 其中， f(t)为通过传感器获得的冲击信号表达式， E为对应冲击信号的能量值； n为待检 测复合材 料结构上布设的传感器 个数， Ei为第i个传感器对应冲击响应信号的能量 值； 在能量检测步骤中， 具体通过以下公式获取在冲击事 件发生时的能量表征值Es′： 其中， Ei′为冲击事 件发生时第i个传感器对应冲击响应信号的能量 值。 7.根据权利要求6所述的基于卷积神经网络的冲击定位及能量检测方法， 其特征在于， 还包括能量修正系数获取步骤， 在进行固定能量E0冲击复合材料结构表面的试验后， 选取 其中一个区域作为参考区域， 获取所述参考区域的能量表征值ER， 计算每个区域相对于所 述参考区域的能量 修正系数Ri， 其公式如下： 其中， n′为参考区域内的传感器个数， Ei′为参考区域内第i ′个传感器对应冲击响应信 号的能量 值。 8.根据权利要求7所述的基于卷积神经网络的冲击定位及能量检测方法， 其特征在于， 还包括能量修正步骤， 基于粗定位确定 的冲击区域， 根据能量修正系数Ri获取所述冲击区 域相对于参 考区域的能量 修正系数R， 并通过以下公式获取修 正后的冲击能量 值Eimpact： Eimpact＝Eest·R。 9.一种基于卷积神经网络的冲击 定位及能量检测系统， 其特 征在于： 包括 区域处理模块， 用于在待检测复合材料结构上布设若干用于接收外部冲击信号的传感 器， 并将所述待检测复合材 料结构的表面划分成至少M个区域； 样本获取模块， 用于分别对每一所述区域的若干训练点、 标记点进行冲击试验， 以获取 包含有冲击信号的第一样本数据库和第二样本数据库； 以及通过 固定能量E0冲击复合材料 结构表面， 并根据若干传感器接收的冲击信号获取在固定能量E0冲击下的表征值Es； 模型训练模块， 用于构建输入为(l， m)、 输出为(M,1)的1D ‑CNN神经网络， 其中l为每个 传感器的信号长度； 将第一样本数据库划分为训练集和测试集， 并输入至1D ‑CNN神经网络 中进行训练和验证， 以得到冲击事 件监测模型； 粗定位模块， 若某一冲击事件发生时， 若干所述传感器将接收到冲击信号Simpact； 用于 将冲击信号Simpact输入至冲击事件监测模型中， 再根据输出结果确 定该冲击事件发生的冲 击区域， 以完成粗定位； 精定位模块， 基于粗定位确定 的冲击区域， 用于根据DTW算法计算冲击信号Simpact与第权　利　要　求　书 2/3 页 3 CN 115458088 A 3