基于小波包变换的管道弯折处损伤程度识别方法及系统

1.本发明涉及管道弯折处损伤程度识别领域，特别是涉及基于小波包变换的管道弯折处损伤程度识别方法及系统。
背景技术：
：：2.在海洋工程领域，管道起着重要作用。由于管道应力最大处通常位于管道弯折段，管道弯折处极易产生损伤进而发生管道泄漏等问题，引发严重的事故，对人民的安全和经济造成不可挽回的损失。因此，亟需对管道弯折处进行损伤识别。目前针对这个问题，当采用传感器法时(即在管道弯折处表面设置传感器，采集管道弯折处的加速度、应力、振动等数据)，与管道弯折处未损伤状况下的数据通过各种方法进行比对，但是该方法的最大的缺陷为无法在一个已经服役的海洋平台上进行应用，因为完好状态的数据已经无法采集到，所以无法对管道弯折处的损伤程度进行识别。技术实现要素：3.本发明的目的是提供基于小波包变换的管道弯折处损伤程度识别方法及系统，可有效克服在对现役海洋平台进行管道弯折处健康检测时没有前验经验的情况，提升现役海洋平台健康监测准确率。4.为实现上述目的，本发明提供了如下方案：5.基于小波包变换的管道弯折处损伤程度识别方法，所述基于小波包变换的管道弯折处损伤程度识别方法包括：6.获取管道弯折处的应变模态数据；7.对所述应变模态数据进行重构，得到重构后的应变模态数据；8.对重构后的应变模态数据进行小波包变换，得到n层小波包；9.将所述n层小波包中的最后一层小波包输入至训练后的一维卷积神经网络，得到所述管道弯折处的损伤状态。10.可选地，将所述n层小波包中的最后一层小波包输入至训练后的一维卷积神经网络，得到所述管道弯折处的损伤状态，之前还包括：11.构建管道弯折处损伤模型；12.对所述管道弯折处损伤模型进行模态分析，得到模拟应变模态数据；13.对所述模拟应变模态数据进行噪声模拟，得到噪声模拟应变模态数据；14.对所述噪声模拟应变模态数据进行重构，得到重构后的模拟应变模态数据；15.对重构后的模拟应变模态数据进行小波包变换，得到n模拟层小波包；16.将所述n层模拟小波包中的最后一层模拟小波包作为训练数据输入至一维卷积神经网络，对所述一维卷积神经网络进行训练，得到训练后的一维卷积神经网络。17.可选地，对所述模拟应变模态数据进行噪声模拟，得到噪声模拟应变模态数据，具体包括：18.采用加性高斯白噪声来模拟实际工程中的噪声，数学模型如下：[0019][0020]所述噪声模拟应变模态数据：[0021][0022]其中，snr为信噪比；x为模拟应变模态数据；n为噪声信号；xnoise为噪声模拟应变模态数据；n为模拟应变模态数据的长度；rand(n)为n个符合标准正态高斯分布的处于[0,1]间的随机小数。[0023]可选地，对所述应变模态数据进行重构，得到重构后的应变模态数据，具体包括：[0024]采用样条插值对所述应变模态数据进行重构，得到重构后的应变模态数据。[0025]可选地，对重构后的应变模态数据进行小波包变换，得到n层小波包，具体包括：[0026]对重构后的应变模态数据进行归一化处理，得到归一化后的数据；[0027]对归一化后的数据进行小波包变换，得到所述n层小波包。[0028]可选地，对重构后的应变模态数据进行归一化处理，得到归一化后的数据，公式为：[0029][0030]其中，xi'为归一化后的数据中的第i个值；xi为重构后的应变模态数据中的第i个值；min(x1,x2,x3,.....xn)为重构后的应变模态数据中的最小特征值；max(x1,x2,x3,.....xn)为重构后的应变模态数据中的最大特征值；xn为重构后的应变模态数据中的最后一个值。[0031]可选地，将所述n层小波包中的最后一层小波包输入至训练后的一维卷积神经网络，得到所述管道弯折处的损伤状态，具体包括：[0032]对所述n层小波包中的最后一层小波包进行归一化处理，得到归一化后的最后一层小波包，公式为：[0033][0034]其中，yi'为归一化后的最后一层小波包中的第i个值；yi为最后一层小波包中的第i个值；min(y1,y2,y3,.....yn)为最后一层小波包中的最小特征值；max(y1,y2,y3,.....yn)为最后一层小波包中的最大特征值；yn为最后一层小波包中的最后一个值。[0035]基于小波包变换的管道弯折处损伤程度识别系统，所述基于小波包变换的管道弯折处损伤程度识别系统应用于上述所述的方法，所述基于小波包变换的管道弯折处损伤程度识别系统包括：[0036]数据获取模块，用于获取管道弯折处的应变模态数据；[0037]数据重构模块，用于对所述应变模态数据进行重构，得到重构后的应变模态数据；[0038]小波包模块，用于对重构后的应变模态数据进行小波包变换，得到n层小波包；[0039]神经网络模块，用于将所述n层小波包中的最后一层小波包输入至训练后的一维卷积神经网络，得到所述管道弯折处的损伤状态。[0040]一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述所述的基于小波包变换的管道弯折处损伤程度识别方法。[0041]一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被执行时实现上述所述的基于小波包变换的管道弯折处损伤程度识别方法。[0042]根据本发明提供的具体实施例，本发明公开了以下技术效果：[0043]通过获取管道弯折处的应变模态数据。对应变模态数据进行重构，得到重构后的应变模态数据。对重构后的应变模态数据进行小波包变换，得到n层小波包。将n层小波包中的最后一层小波包输入至训练后的一维卷积神经网络，得到管道弯折处的损伤状态。本发明基于一维卷积神经网络提取损伤本身的特征并对海洋平台输流管道的损伤进行识别和定位，有效克服在对现役海洋平台进行管道弯折处健康检测时没有前验经验的情况，提升现役海洋平台健康监测准确率。附图说明[0044]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。[0045]图1为本发明实施例中基于小波包变换的管道弯折处损伤程度识别方法的流程图；[0046]图2为本发明实施例中基于小波包变换的管道弯折处损伤程度识别方法的管道弯折处损伤示意图；[0047]图3为本发明实施例中基于小波包变换的管道弯折处损伤程度识别方法的应变模态数据的振形图；[0048]图4为本发明实施例中基于小波包变换的管道弯折处损伤程度识别方法的信噪比为15的模拟应变模态的振型图；[0049]图5为本发明实施例中基于小波包变换的管道弯折处损伤程度识别方法的信噪比为20的模拟应变模态的振型图；[0050]图6为本发明实施例中基于小波包变换的管道弯折处损伤程度识别方法的信噪比为30的模拟应变模态的振型图；[0051]图7为本发明实施例中基于小波包变换的管道弯折处损伤程度识别方法的信噪比为40的模拟应变模态的振型图；[0052]图8为本发明实施例中基于小波包变换的管道弯折处损伤程度识别方法的信噪比为50的模拟应变模态的振型图；[0053]图9为本发明实施例中基于小波包变换的管道弯折处损伤程度识别方法的信噪比为60的模拟应变模态的振型图；[0054]图10为本发明实施例中基于小波包变换的管道弯折处损伤程度识别方法的节点0系数曲线图；[0055]图11为本发明实施例中基于小波包变换的管道弯折处损伤程度识别方法的节点127系数曲线图；[0056]图12本发明实施例中基于小波包变换的管道弯折处损伤程度识别方法的小波包变换的分解系数为7层，分解对象为图10和图11的小波包变换系数曲线图；[0057]图13为本发明实施例中基于小波包变换的管道弯折处损伤程度识别方法的噪声模拟应变模态数据曲线图；[0058]图14为本发明实施例中基于小波包变换的管道弯折处损伤程度识别方法的重构后的模拟应变模态数据曲线图；[0059]图15为本发明实施例中基于小波包变换的管道弯折处损伤程度识别方法的损伤深度loss图；[0060]图16为本发明实施例中基于小波包变换的管道弯折处损伤程度识别方法的小波包变换示意图。具体实施方式[0061]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0062]本发明的目的是提供基于小波包变换的管道弯折处损伤程度识别方法及系统，基于一维卷积神经网络提取损伤本身的特征并对海洋平台输流管道的损伤进行识别和定位，有效克服在对现役海洋平台进行管道弯折处健康检测时没有前验经验的情况，提升现役海洋平台健康监测准确率。[0063]为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。[0064]实施例1[0065]如图1所示，本发明实施例提供了基于小波包变换的管道弯折处损伤程度识别方法包括：[0066]步骤101：获取管道弯折处的应变模态数据。[0067]如图3所示，为应变模态数据的振形图。[0068]步骤102：对应变模态数据进行重构，得到重构后的应变模态数据。[0069]步骤103：如图16所示，对重构后的应变模态数据进行小波包变换，得到n层小波包。[0070]具体实施中，小波包变换采用python中的pywt.waveletpacket函数实现，模式设置为对称，选取ribo3.1系列函数作为小波包基函数，分解层数为7层，得到128个频率系数。具体命令为pywt.waveletpacket(mode＝'symmetric',wavelet＝'rbio3.1',maxlevel＝7)。[0071]步骤104：将n层小波包中的最后一层小波包输入至训练后的一维卷积神经网络，得到管道弯折处的损伤状态。其中，训练后的一维卷积神经网络结构参数见表1。[0072]表1训练后的一维卷积神经网络结构参数[0073][0074]在表1中，训练集占总样本数量的90％，测试集占总样本数量的10％，迭代次数为1000次，损失函数为交叉熵函数，训练后的一维卷积神经网络基于pytorch搭建，运行环境为python3.8、numpy1.23、scipy1.9.3、pytorch1.12、cuda11.3，硬件环境为：intel(r)xeon(r)silver4210rcpu@2.40ghz、nvidia3090，128gbddr42400，batch_size为16，学习率为0.05。损伤深度识别结果见表2。[0075]表2损伤深度识别结果[0076]table6-4resultsofdamagedepthidentification[0077][0078]如图15所示和表2所示，对于20个测试样本，训练后的一维卷积神经网络对于损伤深度的识别准确率为90％，可以完成损伤深度的识别工作。对于识别错误的样本工况，识别的误差分别为8.3％和11.5％，造成误差相对较大的原因在于，本发明对于损伤深度的识别精度时0.1mm，而损伤深度受到壁厚影响，其取值范围在1～3mm之间，在计算误差时的分母较小，造成了错误工况的误差较高，而对于两个识别错误的工况，其真实误差也仅为0.1mm和0.3mm，在实际工况中是可以满足要求的。[0079]将n层小波包中的最后一层小波包输入至训练后的一维卷积神经网络，得到所述管道弯折处的损伤状态，之前还包括：[0080]构建管道弯折处损伤模型。[0081]根据实际工程情况，建立如图2所示的管道弯折段仿真模型。通过在管道弯曲处的内壁挖取一lmm×dmm×hmm的凹槽来模拟管道局部损伤情况，l为损伤长度，大小为5mm，d为损伤宽度，大小为1mm，h为损伤深度.[0082]对管道弯折处损伤模型进行模态分析，得到模拟应变模态数据；[0083]管道弯折处损伤示意图如图2所示，对图2中的损伤管道模型进行模态分析，获取管道的各阶模拟应变模态数据，考虑到管道的损伤在管道内壁的弯曲处，而管道的应变模态特征则是在管道外壁面提取，因此管道的损伤起始位置s通过角度的方式进行表示，在通过圆周长公式推导出损伤起始处具体位置，此时管道的结构参数具体为：弯曲半径r＝90mm，弯曲角度α＝90mm。选择损伤位置和深度作为变量，通过改变二者的数值来模拟不同的损伤工况。s的变化范围为[0°,87.5°]；损伤深度h的变化范围为[1mm,3mm]。将二者组合，s间隔2.5°取值，h间隔0.5mm取值，共计可以获得210种损伤情况。对所有损伤情况进行模态分析，获得对应情况下管道弯折处的模拟应变模态数据。将获取到的数据按照每距离10mm取一值的方法进行提取，以模拟实际工程中传感器获得的应变模态值。[0084]如图4-图9所示为不同信噪比的模拟应变模态的振型图，对模拟应变模态数据进行噪声模拟，如图13所示，得到噪声模拟应变模态数据。[0085]如图14所示，对噪声模拟应变模态数据进行重构，得到重构后的模拟应变模态数据。[0086]由于本发明严格参照现实管道检测工程中传感器的放置条件进行取点，因此在应变模态数据中，数据长度较小，而噪声模拟并不会更改应变模态数据的长度，这会造成小波包变换层数过低，进一步会造成一维卷积神经网络无法对损伤特征进行识别，严重影响最后的结果。因此，需要采取插值法在不破坏数据特征的基础上对噪声模拟应变模态进行重构，使之数据长度延长，能够满足后续研究的需求。由于噪声模拟应变模态图像呈现出明显的无规则的高频波动，不能采用线性插值法对噪声模拟应变模态数据进行重构，这会导致数据特征丢失。本发明选择样条插值对噪声模拟应变模态数据进行重构。样条插值是使用一种特殊分段多项式的插值形式，这样插值形式称为样条，最常用的是三次样条插值。而三次样条函数是最基本、最重要的样条函数，也是在实际中应用最广的样条函数。[0087]具体实现过程为采用python中的scipy库中的interpolate类中的splrep函数。重构点数量为3800。该函数可以找到噪声模拟应变模态数据的一维样条曲线表示。结果如图14所示，样条插值之后，噪声模拟应变模态数据变得更加平滑。[0088]在具体实施中，噪声模拟应变模态数据重构可以得到较为平滑的噪声模拟应变模态数据，但是各阶应变模态数据的值域不同，因此，需要通过将各阶应变模态数据进行归一化操作，将各阶应变模态数据在保留数据特征的基础上映射至[0,1]之间，实现统一量纲，消除各阶应变模态数据值域不同对卷积神经网络训练的影响。[0089]采用公式进行归一化，此处保证最大值与最小值不会相等，避免除零错误。归一化之后的数据与输入数据的曲线特征仍然保持一致。[0090]其中，mi'为归一化后的模拟数据中的第i个值；mi为重构后的模拟应变模态数据中的第i个值；min(m1,m2,m3,.....mn)为重构后的模拟应变模态数据中的最小特征值；max(m1,m2,m3,.....mn)为重构后的模拟应变模态数据中的最大特征值；mn为重构后的模拟应变模态数据中的最后一个值。[0091]如图16所示，对重构后的模拟应变模态数据进行小波包变换，得到n层模拟小波包。[0092]已经无法反应损伤发生的位置、损伤严重程度等信息。由此，本发明引入时频分析，将损伤特征从已经不可见的时域映射至频域，再通过一维卷积神经网络将其中的损伤特征提取出来。值得注意的是，此处考虑实际工程情况，将噪声模拟应变模态数据认为是一维的序列数据，通过小波包变换得到一系列具有频域特征的系数。小波包变换使用一组正交的、非周期的小波基函数进行噪声模拟应变模态数据在频域上的分解。如图16所示，小波包变换对输入数据会进行多层多次次时频分解。小波包变换每一次可以分解出序列数据的高频部分与低频部分，小波包变换不仅对低频部分进行分解，对高频部分也进行分解，而且这种分解既无冗余，也无疏漏，所以对包含大量中、高频信息的信号能够进行更好的时频局部化分析。[0093]经过加性高斯白噪声-样条插值数据重构-归一化数据处理之后的噪声模拟应变模态数据作为小波包变换中的时域信号，通过小波包变换层层分解，将最后一层的所有频率系数作为一维卷积神经网络的训练数据。小波包变换的分解层数由具体实施方式确定，小波包变换的结果个数是由小波包变换的具体分解层数确定。[0094]此时有某些结果的系数折线图过于凸出，因此需要将总节点的系数的值域再归一化。利用公式[0095]其中，zi'为归一化后的最后一层模拟小波包；yi为最后一层模拟小波包中的第i个值；min(z1,z2,z3,.....zn)为最后一层模拟小波包中的最小特征值；max(z1,z2,z3,.....zn)为最后一层模拟小波包中的最大特征值；zn为最后一层模拟小波包中的最后一个值。[0096]将所述n层模拟小波包中的最后一层模拟小波包作为训练数据输入至一维卷积神经网络，对所述一维卷积神经网络进行训练，得到训练后的一维卷积神经网络。[0097]根据数据预处理后的数据一维特点建立一维卷积神经网络结构。本发明的一维卷积神经网络模型池化时采用重叠最大池化；最末端全连接层使用dropout丢弃正则化，可以避免过拟合；反向更新参数时，使用rmsprop优化算法。一维卷积神经网络相比较传统的二维卷积神经网络，可以最大程度地保留损伤应变模态数据的一维空间特性。一维卷积神经网络的计算流程如下：将预处理后的管道损伤应变模态数据输入到此网络中，数据经过卷积层1后历经最大池化层1，经过relu函数激活后进入卷积层2和最大池化层2，再次被relu函数激活，进入三层全连接层。全连接层输出通道为管道内径厚度。概率最大的类别即为损伤深度。经过多次迭代，选取在测试集上效果准确率最高的模型为最优模型，得到训练后的一维卷积神经网络。[0098]对模拟应变模态数据进行噪声模拟，得到噪声模拟应变模态数据，具体包括：[0099]考虑到在管道检测的实际工程中，除了无法获取到管道弯折处连续的应变值外，还总会受到不同水平的噪声影响检测结果，包括测量仪器的系统误差或者人为造成的偶然误差，会对数据产生影响。因此需要在应变模态中掺入白噪声来模拟实际工况中噪声差生的影响。本发明采用加性高斯白噪声(awgn)来模拟管道检测实际工程中的噪声。通过如下白噪声数学模型，对数值模拟软件得到的模拟应变模态数据叠加白噪声信号，从而实现对实际工程环境中含有噪声的应变模态数据的模拟。[0100]采用加性高斯白噪声来模拟实际工程中的噪声，数学模型如下：[0101][0102]其中，snr为信噪比；x为模拟应变模态数据；n为噪声信号。[0103]噪声模拟应变模态数据：[0104][0105]其中，xnoise为噪声模拟应变模态数据；n为模拟应变模态数据的长度；rand(n)为n个符合标准正态高斯分布的处于[0,1]间的随机小数。[0106]如图4-图9所示，为snr为15、20、30、40、50和60的噪声模拟应变模态图像。可见当snr为20时，已经可以观察到损位置处较明显的模拟应变模态数据歧变，当snr大于50时，噪声模拟应变模态图像与原始应变模态图像已经很难观察到区别。[0107]在实际应用中，snr设为10，模拟应变模态数据曲线已经肉眼不可见。[0108]可选地，对应变模态数据进行重构，得到重构后的应变模态数据，具体包括：[0109]采用样条插值对所述应变模态数据进行重构，得到重构后的应变模态数据。[0110]可选地，对重构后的应变模态数据进行小波包变换，得到n层小波包，具体包括：[0111]对重构后的应变模态数据进行归一化处理，得到归一化后的数据；对归一化后的数据进行小波包变换，得到n层小波包。[0112]可选地，对重构后的应变模态数据进行归一化处理，得到归一化后的数据，公式为：[0113][0114]其中，xi'为归一化后的数据中的第i个值；xi为重构后的应变模态数据中的第i个值；min(x1,x2,x3,.....xn)为重构后的应变模态数据中的最小特征值；max(x1,x2,x3,.....xn)为重构后的应变模态数据中的最大特征值；xn为重构后的应变模态数据中的最后一个值。[0115]将n层小波包中的最后一层小波包输入至训练后的一维卷积神经网络，得到管道弯折处的损伤状态，具体包括：[0116]对n层小波包中的最后一层小波包进行归一化处理，得到归一化后的最后一层小波包，公式为：[0117][0118]其中，yi'为归一化后的最后一层小波包中的第i个值；yi为最后一层小波包中的第i个值；min(y1,y2,y3,.....yn)为最后一层小波包中的最小特征值；max(y1,y2,y3,.....yn)为最后一层小波包中的最大特征值；yn为最后一层小波包中的最后一个值。[0119]实施例2[0120]本发明实施例提供了基于小波包变换的管道弯折处损伤程度识别系统，基于小波包变换的管道弯折处损伤程度识别系统应用于实施例1，基于小波包变换的管道弯折处损伤程度识别系统包括：[0121]数据获取模块，用于获取管道弯折处的应变模态数据；[0122]数据重构模块，用于对应变模态数据进行重构，得到重构后的应变模态数据；[0123]小波包模块，用于对重构后的应变模态数据进行小波包变换，得到n层小波包；[0124]神经网络模块，用于将n层小波包中的最后一层小波包输入至训练后的一维卷积神经网络，得到管道弯折处的损伤状态。[0125]在一种实施例中，本发明还提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现实施例1中的方法。[0126]在一种实施例中，本发明还提供了一种计算机可读存储介质，存储介质上存储有计算机程序，计算机程序被执行时实现实施例1中的方法。[0127]本发明的有益效果：[0128]有益效果1[0129]模拟应变模态数据重构可以得到较为平滑的噪声模拟应变模态数据，但是各阶应变模态数据的值域不同，对于后续损伤识别网络的训练会造成严重影响，如果只挑选指定的某一阶应变模态数据进行训练，虽然可以得到一个准确的结果，但是并不能很好的作用于现实环境，需要加入模态识别的过程，较为麻烦与复杂。因此，本发明提出使用任意阶数的模拟应变模态仿真数据进行损伤识别卷积神经网络的训练，以更好地在实际工程中进行应用。[0130]有益效果2[0131]经过加性高斯白噪声-样条插值数据重构-归一化数据处理之后，数据已经无法反应损伤发生的位置、损伤严重程度等信息。由此，本发明引入时频分析，将损伤特征从已经不可见的时域映射至频域，再通过卷积神经网络将其中的损伤特征提取出来。[0132]值得注意的是，此处本发明考虑实际工程情况，此处并不是传统意义上的时间序列数据，为了便于描述其核心观念，本发明将噪声模拟应变模态数据认为是一维的序列数据。而频域转换并不是通过傅里叶变换得到严格意义上的频率分布，而是通过小波包变换得到一系列具有频域特征的系数。傅里叶变换是借助一组三角函数对一个序列信号进行拟合，但由通过傅里叶变换得到的频率分布只含有序列在频域上的分布信息，并不能获取不同频率对应的信号在时域上出现的位置。因此，如果是借助傅里叶变换进行时频分析，会遗失损伤频率特征。小波包变换可以实现时域与频域的对应关系。相比傅里叶变换使用一组正交的三角基函数进行变换，小波包变换使用一组正交的、非周期的小波基函数进行噪声模拟应变模态数据在频域上的分解，值得注意的是，小波包变换的结果是得到频率特征，而不是频率的具体数值，可以理解为与归一化类似的无量纲数。这些小波基函数可以通过尺度和平移上的变量，获得数据在不同频率上的时间位置。[0133]有益效果3[0134]如图12为分解系数7层，分解对象为图10和图11的小波包变换系数图。图10为节点0系数图与图11为节点127系数图。节点0为频率最高的节点，节点127为频率最低的节点，总节点图中包含128个节点的频率系数曲线。由节点0的折线图可以看出，频率最高的系数还是保留有较为明显原始曲线的形状。有节点127的折线图可以看出，频率最低的系数的形状歧变较为明显，认为这种形状歧变代表某种特征的表达，而卷积神经网络的任务就是将代表损伤的形状歧变特征识别出来。这也是采用小波包变换的最大益处：省略传统模态识别的限制，转变为数据驱动的损伤识别。由图12可以看出，节点0的曲线的值域远高于其他节点，而节点127的系数的值域已经小至10-2量级，因此，需要在进入一维卷积神经网络训练前再对各个节点系数进行一次归一化操作。在模型训练过程中，对小波包变换的结果进行归一化操作非常重要，如果没有该操作，神经网络几乎不能识别出损伤的深度，对模型的训练过程带来非常大的挑战。[0135]有益效果4[0136]由于噪声模拟应变模态图像呈现出明显的无规则的高频波动，不能采用线性插值法对噪声模拟应变模态数据进行重构，这会导致数据特征丢失。本发明选择样条插值对噪声模拟应变模态数据进行重构。这是考虑到低阶的样条插值是一个保凸运算，这对于保留噪声模拟应变模态数据中的高频数据特征意义重大。此外，低阶的样条插值能产生和高阶的多项式插值近似的效果，还可以避免龙格现象的产生。样条插值之后，噪声模拟应变模态数据变得更加平滑，尖锐的高频噪声被模糊掉一部分，但是此时损伤处的应变模态突变已经不可被观察到。在这里，本发明认为损伤特征从显性的值域转变为隐性的特征域，一个数据无法反应共性的特征域，必须多个数据在小波包变换之后，通过一维神经网络对小波包变换结果进行特征提取，才能提取出损伤特征域。[0137]有益效果5[0138]小波变换与小波包变换每一次可以分解出序列数据的高频部分与低频部分，小波变换将现有的信号向下分解时，将信号转化为低频部分和高频部分(细节部分)，但是小波变换只将信号的低频部分进一步分解，而对高频部分不再继续分解，所以小波变换能够很好地表征一大类以低频信息为主要成分的信号，不能很好地分解和表示包含大量细节信息(细小边缘或纹理)的信号。小波包变换不仅对低频部分进行分解，对高频部分也进行分解，而且这种分解既无冗余，也无疏漏，所以对包含大量中、高频信息的信号能够进行更好的时频局部化分析。如图16所示，当是小波变换的时候，只将黑色的连接线(低频部分)进行分解，虚线的连接线(高频部分)不进行分解，当用小波包进行变换的时候，不管是实线的连接线(低频部分)还是虚线连接线(高频部分)都进行分解。[0139]相比起小波变换每一次只分解上一次分解得到的低频分量，小波包变换会对上一次分解得到的低频分量与高频分量一起分解，这也是本发明选择小波包变换的原因。首先，由于不确定损伤特征在频域上的分布，由于小波变换只对低频分量进行分解，因此小波变换是不适用的；其次，经过小波包变换之后，噪声模拟应变模态数据会变成数量为2n个的频域系数，这些系数天然地适合一维卷积神经网络的训练；最后，由于一维卷积神经网络是对一维序列数据进行特征提取，那么同一位置的特征信息可以进入同一个卷积核中，这也是为什么要将频域特征与时域特征对应起来的关键所在。[0140]本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。[0141]本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。当前第1页12当前第1页12
技术特征：
1.基于小波包变换的管道弯折处损伤程度识别方法，其特征在于，所述基于小波包变换的管道弯折处损伤程度识别方法包括：获取管道弯折处的应变模态数据；对所述应变模态数据进行重构，得到重构后的应变模态数据；对重构后的应变模态数据进行小波包变换，得到n层小波包；将所述n层小波包中的最后一层小波包输入至训练后的一维卷积神经网络，得到所述管道弯折处的损伤状态。2.根据权利要求1所述的基于小波包变换的管道弯折处损伤程度识别方法，其特征在于，将所述n层小波包中的最后一层小波包输入至训练后的一维卷积神经网络，得到所述管道弯折处的损伤状态，之前还包括：构建管道弯折处损伤模型；对所述管道弯折处损伤模型进行模态分析，得到模拟应变模态数据；对所述模拟应变模态数据进行噪声模拟，得到噪声模拟应变模态数据；对所述噪声模拟应变模态数据进行重构，得到重构后的模拟应变模态数据；对重构后的模拟应变模态数据进行小波包变换，得到n层模拟小波包；将所述n层模拟小波包中的最后一层模拟小波包作为训练数据输入至一维卷积神经网络，对所述一维卷积神经网络进行训练，得到训练后的一维卷积神经网络。3.根据权利要求2所述的基于小波包变换的管道弯折处损伤程度识别方法，其特征在于，对所述模拟应变模态数据进行噪声模拟，得到噪声模拟应变模态数据，具体包括：采用加性高斯白噪声来模拟实际工程中的噪声，数学模型如下：所述噪声模拟应变模态数据：其中，snr为信噪比；x为模拟应变模态数据；n为噪声信号；x
noise
为噪声模拟应变模态数据；n为模拟应变模态数据的长度；rand(n)为n个符合标准正态高斯分布的处于[0,1]间的随机小数。4.根据权利要求1所述的基于小波包变换的管道弯折处损伤程度识别方法，其特征在于，对所述应变模态数据进行重构，得到重构后的应变模态数据，具体包括：采用样条插值对所述应变模态数据进行重构，得到重构后的应变模态数据。5.根据权利要求1所述的基于小波包变换的管道弯折处损伤程度识别方法，其特征在于，对重构后的应变模态数据进行小波包变换，得到n层小波包，具体包括：对重构后的应变模态数据进行归一化处理，得到归一化后的数据；对归一化后的数据进行小波包变换，得到所述n层小波包。6.根据权利要求5所述的基于小波包变换的管道弯折处损伤程度识别方法，其特征在于，对重构后的应变模态数据进行归一化处理，得到归一化后的数据，公式为：
其中，x
i
'为归一化后的数据中的第i个值；x
i
为重构后的应变模态数据中的第i个值；min(x1,x2,x3,.....x
n
)为重构后的应变模态数据中的最小特征值；max(x1,x2,x3,.....x
n
)为重构后的应变模态数据中的最大特征值；x
n
为重构后的应变模态数据中的最后一个值。7.根据权利要求1所述的基于小波包变换的管道弯折处损伤程度识别方法，其特征在于，将所述n层小波包中的最后一层小波包输入至训练后的一维卷积神经网络，得到所述管道弯折处的损伤状态，具体包括：对所述n层小波包中的最后一层小波包进行归一化处理，得到归一化后的最后一层小波包，公式为：其中，y
i
'为归一化后的最后一层小波包中的第i个值；y
i
为最后一层小波包中的第i个值；min(y1,y2,y3,.....y
n
)为最后一层小波包中的最小特征值；max(y1,y2,y3,.....y
n
)为最后一层小波包中的最大特征值；y
n
为最后一层小波包中的最后一个值。8.基于小波包变换的管道弯折处损伤程度识别系统，其特征在于，所述基于小波包变换的管道弯折处损伤程度识别系统应用于权利要求1-7中任意一项所述的方法，所述基于小波包变换的管道弯折处损伤程度识别系统包括：数据获取模块，用于获取管道弯折处的应变模态数据；数据重构模块，用于对所述应变模态数据进行重构，得到重构后的应变模态数据；小波包模块，用于对重构后的应变模态数据进行小波包变换，得到n层小波包；神经网络模块，用于将所述n层小波包中的最后一层小波包输入至训练后的一维卷积神经网络，得到所述管道弯折处的损伤状态。9.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的方法。10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被执行时实现如权利要求1至7中任一项所述的方法。

技术总结
本发明公开基于小波包变换的管道弯折处损伤程度识别方法及系统，涉及管道弯折处损伤程度识别领域；基于小波包变换的管道弯折处损伤程度识别方法包括：获取管道弯折处的应变模态数据；对应变模态数据进行重构，得到重构后的应变模态数据；对重构后的应变模态数据进行小波包变换，得到N层小波包；将N层小波包中的最后一层小波包输入至训练后的一维卷积神经网络，得到管道弯折处的损伤状态。本发明基于一维卷积神经网络提取损伤本身的特征并对海洋平台输流管道的损伤进行识别和定位，有效克服在对现役海洋平台进行管道弯折处健康检测时没有前验经验的情况，提升现役海洋平台健康监测准确率。监测准确率。监测准确率。


技术研发人员：吴磊 陈迩齐 徐世霖 肖文生 刘超
受保护的技术使用者：中国石油大学（华东）
技术研发日：2023.05.25
技术公布日：2023/10/8