本发明公开一种基于lamb波和自适应加权集成回归的裂纹检测方法及系统，涉及列车安全监测。
背景技术：
1、结构健康监测在确保工程结构的完整性方面发挥着重要作用。近年来，lamb波在结构健康监测中的应用越来越受到重视。lamb波具有长距离传播和对缺陷高度敏感等特性，在板结构损伤监测中显示出巨大的潜力。lamb波本质上具备频散和多模态的特性，是边界反射、损伤反射波和噪声的复杂组合，从中提取其损伤信息是一种挑战。在基于lamb波的shm技术中，主要关注的是健康信号和损伤信号之间的差异信号，并从中提取损伤散射特性进行比较，从而实现损伤识别和表征。
2、在工程实际中，lamb波在温度变化的环境中很容易受到影响。研究人员发现仅0.5℃的温度变化就会导致兰姆波的振幅发生变化。温度变化会影响压电片的压电常数和铝板的杨氏模量，导致兰姆波振幅随着温度的升高先降低，飞行时间也会增加。我国高速列车线路往往纵横东西南北，经度和纬度跨度大，高速列车结构处于温度变化的服役环境中。这种服役环境不仅对高速列车结构造成威胁，还会严重影响lamb监测信号，扰乱甚至淹没监测信号中真实的损伤信息，导致损伤误判传统的方法无法准确检测可变温度环境中的裂纹，因此迫切需要开发一种新的技术来应用于可变温度环境下的lamb波损伤监测。
3、一种潜在的方法是使用机器学习算法和人工智能方法，这些方法使用广泛的数据挖掘方法作为预处理和信息融合来形成广义模型。我们发现，深度学习(dl)在多元非线性问题中具有很大的优势，并已广泛应用于基于兰姆波的损伤监测。
4、然而，现有的基于dl算法的裂纹监测模型只能用于监测单一温度环境中的损伤，不适用于监测可变温度环境中损伤。这些方法没有考虑到温度变化对于lamb波信号的影响，不符合列车结构实际所处的复杂服役环境，无法真正应用到实际工程当中。因此，提出一种变温环境下基于lamb波和自适应加权集成回归的裂纹监测方法，具有十分重要的实际意义和应用价值。
技术实现思路
1、本发明针对现有技术的问题，提供一种基于lamb波和自适应加权集成回归的裂纹检测方法及系统，所采用的技术方案为：
2、第一方面，一种基于lamb波和自适应加权集成回归的裂纹检测方法，所述方法包括：
3、获取温变环境中的裂纹尺寸损伤检测数据，根据所述检测数据按照温度划分数据集；
4、根据所述数据集进行归一化处理，得到训练集和测试集；
5、构建温变环境中的裂纹检测网络，并进行训练和优化；其中，所述裂纹检测网络包括基础学习器和元学习器；
6、根据所述测试集，通过所述裂纹检测网络训练输出测试集样本的裂纹尺寸。
7、在一些实现方式中，获取温变环境中的裂纹尺寸损伤检测数据，根据所述检测数据按照温度划分数据集，具体包括：
8、获取监测构件上不同裂纹损伤尺寸在多个不同温度环境下的检测数据，作为原始数据；
9、通过固定大小的滑动窗口对所述原始数据进行截断，获取lamb波信号的s0模型。
10、在一些实现方式中，根据所述数据集进行归一化处理，得到训练集和测试集，具体包括：
11、根据所述s0模型，根据一下公式进行归一化处理，形成13个数据子集；
12、
13、
14、确定样本标签，根据真实裂纹尺寸对样本赋予裂纹尺寸标签，用于回归分析处理；
15、根据所述数据子集，按照8：2比例划分为训练集和测试集。
16、在一些实现方式中，所述基础学习器包括多尺度卷积神经网络，用于提取lamb波信号的多重尺度特征。
17、第二方面，本发明实施例提供一种基于lamb波和自适应加权集成回归的裂纹检测系统，所述系统包括：
18、数据获取模块，用于获取温变环境中的裂纹尺寸损伤检测数据，根据所述检测数据按照温度划分数据集；
19、数据处理模块，用于根据所述数据集进行归一化处理，得到训练集和测试集；
20、学习训练模块，用于构建温变环境中的裂纹检测网络，并进行训练和优化；其中，所述裂纹检测网络包括基础学习器和元学习器；
21、裂纹检测模块，用于根据所述测试集，通过所述裂纹检测网络训练输出测试集样本的裂纹尺寸。
22、在一些实现方式中，所述数据获取模块，具体包括：
23、数据采集单元，用于获取监测构件上不同裂纹损伤尺寸在多个不同温度环境下的检测数据，作为原始数据；
24、数据截断单元，用于通过固定大小的滑动窗口对所述原始数据进行截断，获取lamb波信号的s0模型。
25、在一些实现方式中，所述数据处理模块，具体包括：
26、子集处理单元，用于根据所述s0模型，根据一下公式进行归一化处理，形成13个数据子集；
27、
28、
29、归一处理单元，用于确定样本标签，根据真实裂纹尺寸对样本赋予裂纹尺寸标签，用于回归分析处理；
30、子集划分单元，用于根据所述数据子集，按照8：2比例划分为训练集和测试集。
31、在一些实现方式中，所述学习训练模块中基础学习器包括多尺度卷积神经网络，用于提取lamb波信号的多重尺度特征。
32、第三方面，本发明实施例提供一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时，实现如上述第一方面所述的方法。
33、第四方面，本发明实施例提供一种计算机存储介质，所述计算机可读取存储介质中存储有计算机程序，所述计算机程序被处理器执行时，用实现如第一方面所述的方法。
34、本发明的一个或多个实施例至少能够带来如下有益效果：
35、本发明公开了一种变温环境下基于lamb波和自适应加权集成回归的裂纹监测方法、系统电子设备及存储介质；本发明方法通过获取在变温度情况下结构健康监测系统采集的裂纹损伤响应数据，构造多个不同温度的训练子集，利用mscnn训练多个基本学习器。然后，采用基于gru的元学习器学习温度偏差权重，对基本学习器进行自适应加权融合，补偿温度偏差引起的诊断误差，输出最终预测裂纹；
36、本发明方法不仅能有效地监测变温环境下的裂纹，而且具有一定的抗噪性、较好的预测精度和稳定性；本发明方法能够解决现有的裂纹检测方法之中存在的技术问题；例如，传统信号处理方法难以利用海量的健康监测数据；传统的裂纹监测方法只能用于监测单一温度环境中的裂纹，没有考虑到温度对于lamb波信号的影响，不适用于监测可变温度环境中裂纹；本发明方法能够利用集成学习在决策层实现多源信息融合，从而有效提高裂纹诊断算法准确性和稳定性，进一步针对复杂服役环境下损伤进行检测和评价。
1.一种基于lamb波和自适应加权集成回归的裂纹检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，获取温变环境中的裂纹尺寸损伤检测数据，根据所述检测数据按照温度划分数据集，具体包括：
3.根据权利要求2所述的方法，其特征在于，根据所述数据集进行归一化处理，得到训练集和测试集，具体包括：
4.根据权利要求3所述的方法，其特征在于，所述基础学习器包括多尺度卷积神经网络，用于提取lamb波信号的多重尺度特征。
5.一种基于lamb波和自适应加权集成回归的裂纹检测系统，其特征在于，所述系统包括：
6.根据权利要求5所述的系统，其特征在于，所述数据获取模块，具体包括：
7.根据权利要求6所述的系统，其特征在于，所述数据处理模块，具体包括：
8.根据权利要求7所述的系统，其特征在于，所述学习训练模块中基础学习器包括多尺度卷积神经网络，用于提取lamb波信号的多重尺度特征。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现如上述权利要求1-4中任意一项所述方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读取存储介质中存储有计算机程序，所述计算机程序被处理器执行时用以实现如上述权利要求1-4中任意一项所述方法。
