本发明涉及结构健康监测领域，尤其涉及一种基于冲击应力波深度学习的复合材料板结构冲击位置识别方法。
背景技术：
1、复合材料具有高比强度、高比模量、可设计性强和耐腐蚀等优点，因此近年来被广泛应用于航空航天、轨道交通和船舶运输等领域。然而，复合材料结构在服役过程中会不可避免地遭受外部冲击，例如鸟撞、冰雹、跑道碎石等，使其内部形成目不可视的微小损伤，导致结构的承载能力大幅下降，严重威胁结构的服役安全。因此，针对复合材料结构开发能够实时定位外部冲击事件的在线监测技术至关重要。
2、目前国内外常用的冲击定位方法主要有时差法、参考数据库法和机器学习法等。时差法利用波达时间差、波速和传感器位置的几何关系实现冲击定位，但是由于冲击信号的频散特征、外界噪声以及边界反射等干扰，时差法在实际应用中常常受到限制。参考数据库法是从结构上的所有采样点获取参考信号以建立数据库，通过对比真实冲击信号与参考信号之间的相似度来确定冲击位置。然而，该方法需要耗费大量时间成本和存储资源。机器学习法需要根据先验知识提取特征，采用特定的机器学习算法实现冲击定位。这种方法非常依赖于先验知识，且泛化能力不强。
3、随着人工智能技术的蓬勃发展，深度学习算法在结构健康监测领域的应用愈加广泛。基于深度学习模型的冲击定位方法具备独立于先验知识的数据挖掘能力，可获取高维数据与目标参量的深层次映射关系。通过将原始冲击信号输入到所设计的深度网络模型，并进行处理分析直接输出定位结果。然而，现有的基于深度学习的冲击定位方法通常使用较简单、浅层的网络，难以获得令人满意的定位精度。
4、因此，针对现有技术的短板及工程应用的需求，亟需一种能够更加准确、高效识别冲击源坐标的深度学习冲击定位方法。
技术实现思路
1、本申请的目的在于解决现有技术中的问题，提供改进的复合材料板结构冲击位置识别方法。
2、为此，本申请的一些实施例提出了基于冲击应力波深度学习的复合材料板结构冲击位置识别方法，其包括步骤：建立冲击响应信号数据集；建立基于tcn-cnn网络学习模型的冲击位置识别深度学习模型，所述tcn-cnn网络学习模型包括以每个传感器测得的作为所述冲冲击响应信号的冲击应力波信号，输出为所述冲击应力波信号的序列特征的tcn模块；以所述冲击应力波的信号的序列特征为输入，并输出所述冲击应力波信号的高维度抽象特征的cnn模块，以及以所述冲击应力波信号的高维度抽象特征为输入以冲击源坐标为输出从而建立所述冲击响应信号与冲击位置坐标之间的映射关系的全连接模块；其中，所述tcn模块输出的所述冲击应力波信号的时间序列特征经卷积后被送入所述cnn模块。
3、在一些实施例中，所述建立冲击响应信号数据集；包括在复合材料平板上粘贴传感器，在传感器包络区域进行不同位置的冲击实验，实时采集冲击响应信号并记录坐标位置，建立数据库并按照预设的比例划分训练集和测试集。
4、在一些实施例中，在所述tcn模块中采用空洞卷积的计算方式通过在标准卷积核的元素之间插入固定数量的空格来增加卷积核的尺寸。
5、在一些实施例中，在每次经过cnn模块的卷积计算后进行批量归一化处理(bn)和激活函数处理。
6、在一些实施例中，每个批次的归一化过程增加了一点噪声以防止模型过拟合。
7、在一些实施例中，所述激活函数采用relu激活函数。
8、在一些实施例中，采用rmsprop优化方法通过对梯度的平方进行指数加权移动平均从而调整每个参数的学习率，其包括首先初始化梯度平方的指数加权移动平均值和时间步，其次计算当前梯度，以及更新梯度平方的指数加权移动平均值和学习率，e[g2]0＝0,t＝0；e[g2]t＝β[g2]t-1+(1-β)gt2；其中e[g2]t为梯度平方的指数加权移动平均值，gt为当前梯度，β为衰减率，θt为当前时刻的参数值，η为全局学习率，ε为用于数值稳定的小常数。
9、本申请的提出方法的有益效果在于：利用深度学习技术进行冲击位置识别，无需考虑冲击响应信号的波达时间、峰值等信息，可挖掘并学习数据的深层次特征。
1.基于冲击应力波深度学习的复合材料板结构冲击位置识别方法，其特征在于包括步骤：
2.根据权利要求1所述的基于冲击应力波深度学习的复合材料板结构冲击位置识别方法，其特征在于，所述建立冲击响应信号数据集；包括在复合材料平板上粘贴传感器，在传感器包络区域进行不同位置的冲击实验，实时采集冲击响应信号并记录坐标位置，建立数据库并按照预设的比例划分训练集和测试集。
3.根据权利要求1所述的基于冲击应力波深度学习的复合材料板结构冲击位置识别方法，其特征在于，在所述tcn模块中采用空洞卷积的计算方式通过在标准卷积核的元素之间插入固定数量的空格来增加卷积核的尺寸。
4.根据权利要求1所述的基于冲击应力波深度学习的复合材料板结构冲击位置识别方法，其特征在于，在每次经过cnn模块的卷积计算后进行批量归一化处理(bn)和激活函数处理。
5.根据权利要求1所述的基于冲击应力波深度学习的复合材料板结构冲击位置识别方法，其特征在于，每个批次的归一化过程增加了一点噪声以防止模型过拟合。
6.根据权利要求1所述的基于冲击应力波深度学习的复合材料板结构冲击位置识别方法，其特征在于，所述激活函数采用relu激活函数。
7.根据权利要求1所述的基于冲击应力波深度学习的复合材料板结构冲击位置识别方法，其特征在于，采用rmsprop优化方法通过对梯度的平方进行指数加权移动平均从而调整每个参数的学习率，其包括首先初始化梯度平方的指数加权移动平均值和时间步，其次计算当前梯度，以及更新梯度平方的指数加权移动平均值和学习率，
