CN103217478A - 用于复合材料板状结构的无参考损伤识别方法 - Google Patents

Abstract

本发明涉及一种基于传感器网络的复合材料板状结构无参考损伤识别方法，属于结构健康监测领域。该方法在复合材料板结构上均匀布置由压电元件组成的传感器阵列，通过低频窄波信号依次激励每个压电元件，并在激励每个压电元件时，采集其余压电元件的相应信号，然后基于相似激励传感路径上的信号差异，计算所述每条激励传感路径上的损伤指标，最后利用概率成像法对损伤进行成像。本发明能方便地对复合材料板状结构实现在线损伤识别并成像，保证复合材料结构在使用过程中的安全性，且准确性和稳定性高。

Description

用于复合材料板状结构的无参考损伤识别方法

技术领域

本发明涉及一种损伤识别方法，尤其涉及一种基于传感器网络的复合材料板状结构无参考损伤识别方法，属于结构健康检测技术领域。 

背景技术

有参考信号的航空结构健康监测方法已经得到了广泛的研究，然而由于温度、噪声等环境因素对Lamb波的影响较大，工作环境时的Lamb波传播特性和已测的参考信号往往差别很大，这对损伤识别的有效性和准确性提出了挑战。部分学者研究用校正或概率的方法来解决这个问题：校正的方法通过考虑环境的影响，首先校正参考信号，再和实际测量信号相比提取损伤指标；概率的方法则考虑环境的影响，在损伤指标上设置阈值，认为在损伤指标大于某个阈值时，才是损伤造成的信号差异，而不仅仅是环境因素影响的。 

然而，通过不需要参考信号，直接通过工作环境中的实测信号识别损伤，仍是航空结构健康监测的最理想情况。 

目前，已有一些无参考信号的结构健康监测方法。基于时间反转法的无参考损伤识别技术通过将传感器接收的信号进行时间反转并发送回去，比较作为激励的传感器接收到的信号与其最初的发射信号：若信号差异较大，说明路径中存在损伤，并最终通过传感器网络成像。但是，该方法操作复杂，在线实现较难。基于Lamb波在损伤处的模式转换现象的无参考损伤识别方法认为当计算得出的转换模式（包含噪声）大于统计噪声能量的最大值时，结构中存在损伤；然而此方法仅是粗略地知道结构中存在损伤，并不能进一步识别损伤位置和程度。还有一种自适应源去除方法，根据实测信号反推源信号，进而计算出一种信号代替参考信号，再利用与有参考信号损伤识别方法相同的步骤识别损伤，这种方法对金属板结构较为有效，而在复合材料等复杂结构可能略显不足。因此，有必要寻找一种能操作简单、便于在线实现的复合材料结构损伤定位方法。 

发明内容

本发明针对现有技术的不足，提供了一种基于传感器网络的复合材料结构无参考损 伤识别方法，通过规则的激励/传感阵列方便地实现复合材料板结构的在线损伤检测。 

本发明提供的用于复合材料板状结构的无参考损伤识别方法包括以下步骤： 

步骤1：在所述复合材料板状结构上均匀布置多个压电元件组成的传感器阵列，并在所述传感器阵列的中心布置一个压电元件； 

步骤2：选择一个激励信号依次激励每个压电元件，并在激励每个压电元件时，采集其余压电元件的相应信号； 

步骤3-1：选择传感器阵列上的、平行且距离相等的激励传感路径作为相似组合，并以所有相似激励传感路径上的最大信号为基准，确定所述相似组合中的每条激励传感路径的损伤指标； 

步骤3-2：确定位于通过阵列中心的压电元件一线上的两个压电元件形成的激励传感路径上的损伤指标，其中该损伤指标是所述激励传感路径两端的压电元件分别与中心的压电元件形成的相似激励传感路径的损伤指标的平均值，且所述每一相似激励传感路径的损伤指标由所有相似激励传感路径上的最大信号为基准而分别确定； 

步骤4:利用步骤3-1和步骤3-2中所得的损伤指标对所述复合材料板状结构中的损伤进行成像。 

优选地，所述组成阵列的压电元件是8、12、16或20个，且排列成圆形或正方形。 

优选地，所述激励信号选择低频窄波信号，优选为50KHz的窄波信号，从而激励信号在复合材料板状结构中仅激励出A0波。 

优选地，在步骤4中，本发明采用概率成像法进行损伤成像。 

优选地，本发明对概率成像法进行了改进，基于下式对整个结构区域内的每个像素点存在损伤的概率进行叠加 

$P(x,y)={\left(\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{p}_i(x,y)\right)}^{\mathrm{\α}}={\left(\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{DI}}_i\frac{\mathrm{\β}-R_i}{\mathrm{\β}-1}\right)}^{\mathrm{\α}}$

其中，P(x,y)为像素点(x,y)存在损伤的概率；k为激励传感路径的数目；p_i(x,y)是由第i条激励传感路径计算得出的在像素点(x,y)存在损伤的概率；DI_i为第i条激励传感路径的损伤指标；β是控制一条激励传感路径影响范围的尺度因子，其大小为椭圆系最外面椭圆离心率的倒数；α为图像增强因子，用于提高损伤区域的对比度； 

$R_i=\left\{\begin{array}{cc}{\mathrm{RD}}_i,& {\mathrm{RD}}_i<\mathrm{\&beta;}\\ \mathrm{\&beta;},& {\mathrm{RD}}_i>\mathrm{\&beta;}\end{array}\right.$

式中RD_i为像素点(x,y)到第i条激励传感路径的激励点(x_ai,y_ai)和传感点距离之和与激励点到传感点距离的比值。 

相比现有技术，本发明具有以下技术效果： 

1、本发明的方法能方便地对复合材料板状结构实现在线损伤识别并成像，保证复合材料结构在使用过程中的安全性； 

2、本发明在实现过程中无需更改或增加设备和参数，利用现有硬件系统就可以实现； 

3、本发明的方法采用无参考损伤识别技术，克服了有参考识别技术的一系列技术缺陷，能有效地降低环境因素对损伤指标准确度的影响，提高损伤识别的准确性和稳定性； 

4、本发明的方法基于传感器网络技术，操作过程简单，便于在线实时地对复合材料结构中的损伤位置和程度可视化，具有较好的实际工程应用价值。 

附图说明

图1是本发明所采用的传感器阵列的实施例示意图； 

图2是相似路径上波包信号的对比图，其中图2a中的对比路径均不经过预设的损伤，图2b中示出了无损伤路径与有损伤路径的信号对比； 

图3a是利用匹配追踪算法提取首次到达波包的示意图； 

图3b是将图3a中信号从时域转换到时频域的示意图； 

图4示出了相似路径在无损伤和有损伤情况下的信号能量； 

图5示出了采集到的图1中传感器阵列路径上的损伤指标； 

图6是利用图5中的损伤指标进行成像后的图示。 

具体实施方式

下面结合附图对本发明做更进一步的解释。根据下述实施例，可以更好的理解本发明。然而，本领域的技术人员容易理解，实施例的具体描述仅用于说明本发明，而不应当也不会限制权利要求书中所详细描述的本发明。 

本发明基于传感器网络的复合材料板状结构无参考损伤识别方法包括以下步骤： 

步骤1：在复合材料板结构上均匀布置由n（n取8，12，16，20）个压电元件组成的传感器阵列，并在传感器阵列的中心布置一个压电元件。传感器阵列可以选择排列成圆形或正方形。以下实施方案的说明仅基于圆形传感器阵列；当采用基于正方形的传感器阵列予以实施时，可以参照正方形的对角线对相似激励传感路径进行分类，正如在圆形传感器阵列中参照圆形的直径一样。 

如图1所示，本实施方案取n为12的圆形传感器阵列为例。所述复合材料板的尺寸为350mm×300mm×2mm，以距离左下角为(200mm,150mm)位置处为圆心，压电 元件S1-S12均匀分布在间隔为30度角圆形阵列上，在圆形阵列的中心布置压电元件S13。为更好地说明本发明效果，以圆形阵列圆心为原点，在（35mm,-25mm）处预置10mm的损伤。如以下将说明的那样，本实施方案可以很好地对该损伤进行成像识别。 

步骤2：选取低频窄带波信号（20～80kHz）作为激励信号，此低频信号在复合材料板结构中仅激励出A0波。利用此激励信号依次激励n+1个压电元件，在激励每个压电元件时，采集其余n个压电元件的响应信号，共采集到(n+1)*n个响应信号。 

实施例中选取50kHz窄带波作为激励信号，在该频率处，可以认为压电元件仅能激励出对复合材料脱层等损伤较为敏感的A0波。以该信号作为激励信号，依次激励S1-S13，并采集其余12个压电元件的信号，共采集到13*12=156个响应信号。由于复合材料具有各向异性的特性，激励产生的波的大小、波在结构中的速度以及波的衰减均与方向有关。 

图2a给出了S1-S11和S5-S7路径上的响应信号，可以看出，由于这两个路径平行且距离相等，其路径也不经过损伤，因此两个信号中首次到达的波包几乎完全重合。图2b给出了S1-S8与S2-S7路径上的响应信号，可以明显看出，虽然S1-S8与S2-S7路径平行且距离相等，但路径S1-S8上由于存在损伤，A0波在损伤处发生散射、反射等现象而削弱了首次到达的A0波能量。 

步骤3：对(n+1)*n个响应信号进行处理，提取以圆形阵列上n个压电元件为端点的n*(n-1)个路径的损伤指标。处理内容包括： 

步骤3-1：对圆形阵列中非直径的激励/传感路径进行分类，找出路径平行且距离相等的激励/传感路径作为相似的组合，对每个组合中各个响应信号的首个到达波包进行处理，得到损伤指标：利用匹配追踪算法分解每个信号的波包，分离得到每个信号中第一个到达的波包信号，并利用匹配追踪算法计算该波包信号能量；比较相似路径组合中的所有信号的第一个波包信号能量，找出其中能量最大的信号，认为这个信号的激励/传感路径上不存在损伤，损伤指标为0，并以此为基准计算其他信号的能量与它的差别大小，作为这些激励/传感路径上的损伤指标； 

在本实施方案中，非直径上激励/传感路径平行且距离相等的相似路径组合有如下表所示的29种组合。 

针对每组相似路径，利用匹配追踪算法分解每个信号的波包，提取第一个信号的波包，并将时域的波包信号a(t)转换到时频域上W(f,t)。如图3所示，以S1-S11路径的信号为例可以看出，匹配追踪算法可以较为精确地将首次到达的波包从叠加的信号中分离出来，并对简单的仅包含首次到达波包的信号进行从时域到时频域的转换。计算首次到达波包信号的能量E=ΣΣ(W(t，f))²，并比较相似路径上所有信号首次到达波包的能量，以上表中A6组合为例，图4给出了其组合中所有路径的能量值。可以看出，路径S2-S7与路径S7-S2不通过损伤，其能量明显高于通过损伤的路径S1-S8与路径S8-S1；根据能量计算相似路径组合中各个路径的损伤指标，DI=1-E/E_max，其中E_max为相似组合中的最大能量。 

步骤3-2：对圆形阵列中直径上的激励/传感路径进行分类，找出路径平行且距离等于直径长度一半的激励/传感路径作为相似的组合，对每个组合中各个路径的响应按步骤3-1中的方法处理，得到损伤指标，求出每个相似组合中损伤指标的平均值，作为与之相对应的距离等于直径长度的路径的损伤指标。 

在本实施方案中，直径上的激励传感路径仅考虑以半径为长度的路径，平行且距离相等的相似路径组合有如下表所示的6种组合，与之对应的是距离等于直径长度的路径。 

这样经过步骤3的分析，可以得到圆形传感阵列上12个压电元件组成的12*11个路径的损伤指标，本实施方案中的损伤指标见图5。 

步骤4：根据步骤3所得的损伤指标，利用概率成像方法对损伤进行成像。 

本实施方案采用一种改进的损伤存在概率成像算法，通过引进图像增强因子提高损伤区域的对比度。基于每个激励-传感路径的损伤指标，计算整个结构区域内每个像素点存在损伤的概率的叠加： 

$P(x,y)={\left(\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{p}_i(x,y)\right)}^{\mathrm{\&alpha;}}={\left(\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{DI}}_i\frac{\mathrm{\&beta;}-R_i}{\mathrm{\&beta;}-1}\right)}^{\mathrm{\&alpha;}}---\left(1\right)$

其中P(x,y)为像素点(x,y)存在损伤的概率；k为激励-传感路径的数目；p_i(x,y)是由第i条激励传感路径计算得出的在像素点(x,y)存在损伤的概率；DI_i为按照DI=1-E/E_max计算出的第i条激励传感路径的损伤指标；β是控制一条激励-传感路径影响范围的尺度因子，大小为椭圆系最外面椭圆离心率的倒数；α为图像增强因子，可以提高损伤区域的对比度。 

$R_i=\left\{\begin{array}{cc}{\mathrm{RD}}_i,& {\mathrm{RD}}_i<\mathrm{\&beta;}\\ \mathrm{\&beta;},& {\mathrm{RD}}_i>\mathrm{\&beta;}\end{array}\right.---\left(2\right)$

式中RD_i为像素点(x,y)到第i条激励-传感路径的激励点(x_ai,y_ai)和传感点距离之和与激励点到传感点距离的比值 

${\mathrm{RD}}_i=\frac{\sqrt{{(x-x_{\mathrm{ai}})}^2+{(y-y_{\mathrm{ai}})}^2}+\sqrt{{\left({x-x}_{\mathrm{si}}\right)}^2+{\left({y-y}_{\mathrm{si}}\right)}^2}}{\sqrt{{(x_{\mathrm{ai}}-x_{\mathrm{si}})}^2+{(y_{\mathrm{ai}}-y_{\mathrm{si}})}^2}}---\left(3\right)$

利用步骤3所得的损伤指标，取β=1.02，α=5，可以得到损伤成像图见图6。由该成像图可以看出，损伤成像可以很好地识别出损伤位置和程度。 

Claims (9)

1.一种用于复合材料板状结构的无参考损伤识别方法，其特征是，包括以下步骤：

步骤1：在所述复合材料板状结构上均匀布置多个压电元件组成的传感器阵列，并在所述传感器阵列的中心布置一个压电元件；

步骤2：选择一个激励信号依次激励每个压电元件，并在激励每个压电元件时，采集其余压电元件的相应信号；

步骤3-1：选择传感器阵列上的、平行且距离相等的激励传感路径作为相似组合，并以所有相似激励传感路径上的最大信号为基准，确定所述相似组合中的每条激励传感路径的损伤指标；

步骤3-2：确定位于通过阵列中心的压电元件一线上的两个压电元件形成的激励传感路径上的损伤指标，其中该损伤指标是所述激励传感路径两端的压电元件分别与中心的压电元件形成的相似激励传感路径的损伤指标的平均值，且所述每一相似激励传感路径的损伤指标由所有相似激励传感路径上的最大信号为基准而分别确定；

步骤4:利用步骤3-1和步骤3-2中所得的损伤指标对所述复合材料板状结构中的损伤进行成像。

2.根据权利要求1所述的用于复合材料板状结构的无参考损伤识别方法，其特征是，所述组成阵列的压电元件是8、12、16或20个，且排列成圆形。

3.根据权利要求1所述的用于复合材料板状结构的无参考损伤识别方法，其特征是，所述组成阵列的压电元件是8、12、16或20个，且排列成正方形。

4.根据权利要求1所述的用于复合材料板状结构的无参考损伤识别方法，其特征是，所述激励信号选择低频窄波信号。

5.根据权利要求1所述的用于复合材料板状结构的无参考损伤识别方法，其特征是，所述激励信号是50KHz的窄波信号。

6.根据权利要求1所述的用于复合材料板状结构的无参考损伤识别方法，其特征是，所述激励信号在复合材料板状结构中仅激励出A0波。

7.根据权利要求1所述的用于复合材料板状结构的无参考损伤识别方法，其特征是，在步骤4中，是采用概率成像法进行损伤成像。

8.根据权利要求1所述的用于复合材料板状结构的无参考损伤识别方法，其特征是，在步骤4中，基于下式对整个结构区域内的每个像素点存在损伤的概率进行叠加

$P(x,y)={\left(\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{p}_i(x,y)\right)}^{\mathrm{\&alpha;}}={\left(\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{DI}}_i\frac{\mathrm{\&beta;}-R_i}{\mathrm{\&beta;}-1}\right)}^{\mathrm{\&alpha;}}$

其中，P(x,y)为像素点(x,y)存在损伤的概率；k为激励传感路径的数目；p_i(x,y)是由第i条激励传感路径计算得出的在像素点(x,y)存在损伤的概率；DI_i为第i条激励传感路径的损伤指标；β是控制一条激励传感路径影响范围的尺度因子，其大小为椭圆系最外面椭圆离心率的倒数；α为图像增强因子，用于提高损伤区域的对比度；

$R_i=\left\{\begin{array}{cc}{\mathrm{RD}}_i,& {\mathrm{RD}}_i<\mathrm{\&beta;}\\ \mathrm{\&beta;},& {\mathrm{RD}}_i>\mathrm{\&beta;}\end{array}\right.$

式中RD_i为像素点(x,y)到第i条激励传感路径的激励点(x_ai,y_ai)和传感点距离之和与激励点到传感点距离的比值。

9.根据权利要求8所述的用于复合材料板状结构的无参考损伤识别方法，其特征是，β取1.02，α取5。

Images