CN109632963A - 一种基于时不变特征信号构建的结构损伤四维成像方法 - Google Patents

Abstract

本发明公开了一种基于时不变特征信号构建的结构损伤四维成像方法，属于航空结构健康监测领域。本发明根据时变环境因素对导波信号的影响随机、不确定，而损伤的影响相对固定的特点，首先采用概率统计建模方法来分别描述结构健康和损伤状态下信号中每个采样点幅值的不确定性分布；再通过度量每个点的两种分布之间的差异程度来抑制时变因素影响、突出损伤影响，构建时不变特征信号；最后采用导波成像方法来融合各激励传感通道的时不变特征信号，进一步增强损伤的影响，并在此基础上进行四维成像，实现结构损伤的可靠、准确定位。本发明解决了常规方法在时变服役条件下难以进行可靠损伤诊断的问题，在航空结构健康监测的工程应用方面有很好的前景。

Description

一种基于时不变特征信号构建的结构损伤四维成像方法

技术领域

本发明属于航空结构健康监测技术领域，具体涉及一种基于时不变特征信号构建的结构损伤四维成像方法。

背景技术

航空结构是航空飞行器研制的支撑平台，结构健康监测技术对于保障结构安全、提供飞行器运行可靠性、降低维护成本有着重要意义。经过近20年的发展，航空结构健康监测技术已经逐渐从早期的基础理论研究转向实际工程应用研究。

在当前的航空结构健康监测方法研究中，基于压电传感器网络和导波的成像方法具有监测灵敏度高、监测范围大、既支持在线健康监测也支持离线监测，既能进行损伤监测也能进行冲击监测，既能监测金属结构也能监测复合材料结构等优点，被认为是最具有前景的航空结构健康监测技术之一，主要的方法有路径成像、延迟-累加成像、时间反转聚焦成像等。总的来说，这些方法基本都依赖于损伤散射信号的准确获取。但在航空结构的实际服役环境中，常常存在温湿度变化、动态载荷、结构边界条件变化等时变因素，这些时变因素会对导波信号产生明显的影响，使得信号的幅值呈现不确定性变化，覆盖损伤产生的信号变化，导致上述方法在实验室的稳定环境下能够有效进行损伤监测，但在航空时变条件影响下往往就不再适用。目前针对时变环境下的可靠损伤监测方法有基于环境因素补偿的成像方法、无基准成像方法等，但这些方法也存在各自的缺陷。如环境因素补偿方法只能补偿单一的时变环境因素，而大多数服役时变因素都无法准确测量；而无基准成像方法仅通过有限元仿真或只在简单结构上得到了验证。

高斯混合模型是一种有限混合概率模型，可在无先验知识的前提下通过多个高斯分量的加权组合逼近复杂随机变量的概率分布，适合用来描述时变环境因素影响下导波信号的不确定性分布，并通过分析模型的概率分布特征的变化趋势实现损伤监测。目前基于高斯混合模型的结构健康监测方法研究还处于初步阶段，虽然已有研究将高斯混合模型和基于压电传感器网络和导波的成像方法相结合，但该研究存在很大限制，仅采用高斯混合模型抑制了时变因素对网络中各激励传感通道信号特征参数的影响，丢失了信号的时间信息，只能和路径成像方法相结合，也仅能对发生在激励传感通道上的损伤进行监测定位。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种基于时不变特征信号构建的结构损伤四维成像方法，以解决现有的方法在时变服役条件下难以进行可靠损伤诊断的问题。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种基于时不变特征信号构建的结构损伤四维成像方法，包括步骤如下：

1)时不变特征信号构建：采用概率统计建模方法描述导波信号中每个采样点的幅值在时变因素影响下的不确定性分布，在监测过程中对模型进行更新并量化其迁移程度，从而抑制时变因素影响、突出损伤影响，获得每个采样点幅值的时不变描述，基于连续复数小波变换对所有采样点的幅值时不变描述进行平滑滤波，构建时不变特征信号；

2)损伤四维成像：采用导波成像方法融合各激励传感通道的时不变特征信号，增强损伤的影响，并对损伤进行四维成像，其中，四维包括结构上各个点的二维坐标、损伤发生概率、概率随时间的迁移变化；生成一系列损伤信息不断累积、损伤位置不断凸显的成像结果，并对最终的成像结果进行聚焦处理，实现时变条件下结构损伤的可靠和准确定位。

进一步地，所述步骤1)中的时不变特征信号构建过程具体包括：

11)当结构处于时变环境且健康无损伤时，获取各个激励传感通道的R组基准特征信号，每组基准特征信号包含T个采样点，R和T为大于1的自然数；

12)对于基准特征信号中的每个采样点t，1≤t≤T，构建该采样点对应的基准特征样本集X_b(t)＝{A₁,…,A_r,…,A_R}，其中A_r为第r个基准特征信号在采样点t处的幅值，1≤r≤R，基于X_b构建采样点t对应的基准高斯混合模型Φ_b(t)，用于描述X_b(t)在时变因素影响下呈现出的不确定性分布；

式中，K为高斯混合模型中高斯分量的个数，μ_k,Σ_k,w_k分别为第k个高斯分量的均值向量、协方差矩阵和权值，k＝1,2,…,K，Φ_k的概率密度函数表达如下：

13)当结构处于时变环境和损伤监测状态下时，每获取一次监测特征信号，就更新一次采样点t的概率统计模型，对于第n次更新，1≤n≤N，将采样点t的基准特征样本集更新至第n个监测特征样本集X_m ⁿ(t)＝{A_n+1,…,A_R,…,A_R+n}，其中A_R+n为第n次更新时获取的监测特征信号在采样点t的幅值，在此基础上构建对应于第n次更新的监测高斯混合模型Φ_m ⁿ(t)，用于描述X_m ⁿ(t)在时变因素影响下的不确定性分布；

14)对于采样点t，采用KL距离量化其监测高斯混合模型Φ_m ⁿ(t)相对于基准高斯混合模型Φ_b(t)的迁移变化程度，抑制时变因素的影响，获得第n次更新时采样点t处信号幅值特征的时不变描述KL(t,n)；

式中，tr为矩阵的迹，∑_m ⁿ(t)为Φ_m ⁿ(t)的协方差矩阵，∑_b(t)为Φ_b(t)的协方差矩阵，μ_m ⁿ(t)为Φ_m ⁿ(t)的均值矩阵，μ_b(t)为Φ_b(t)的均值矩阵，det为矩阵的行列式值；

15)重复上述步骤12)～14)，依次量化1～T内所有采样点的概率统计模型的迁移变化程度并获得相应时不变描述后，再基于连续复数小波变换对所有采样点的时不变描述进行平滑滤波，构建对应于第n次更新的时不变特征信号。

进一步地，所述步骤2)中的损伤四维成像具体包括：

21)分别构建对应于第n次更新时每个通道z的时不变特征信号E_z ⁿ，1≤z≤Z，采用延迟-累加成像方法来融合各激励传感通道的时不变特征信号，增强损伤影响，实现一次损伤成像，实施过程如下：

按下式计算结构的监测区域中任意一点(x,y)在各个激励传感通道上的信号预计到达时间t_z(x,y)；

式中，to_ff为激励信号对应的时间偏移，t_travel为导波信号从通道z的激励器传播到点(x,y)，再传到通道z的传感器所需要的时间，v为结构中各激励传感通道导波信号的平均群速度，(x_z ^a,y_z ^a)和(x_z ^s,y_z ^s)分别为通道z的激励器和传感器的坐标；

根据t_z(x,y)，获得点(x,y)在通道z的时不变特征信号包络E_z ⁿ中的对应值，按下式计算该点的损伤发生概率Eⁿ(x,y)，并将该概率作为像素值进行损伤成像，

22)不断更新各通道的时不变特征信号，每次更新时均重复上述步骤21)，进行损伤的四维成像，从而逐渐生成N幅损伤信息不断累积、损伤位置不断凸显的成像结果；

23)结合损伤四维成像结果，对最终的第N幅图像中每个点的像素值E^N(x,y)进行如下变换，通过图像聚焦突出损伤位置，最终实现损伤的可靠和准确定位，

E^N(x,y)＝[E^N(x,y)]⁸·tan(E^N(x,y))/1.5574。

本发明的有益效果：

本发明的方法可有效抑制航空结构时变服役环境对导波信号的不确定性影响，突出损伤的影响，构建时不变特征信号，并采用导波成像方法来融合各激励传感通道的时不变特征信号，进一步增强损伤的影响，在此基础上进行四维成像，从而实现时变条件下可靠、准确的损伤成像定位。

附图说明

图1为本发明方法的流程图。

图2a为实施例采用的碳纤维复合材料加筋板的示意图。

图2b为压电传感器网络及激励传感通道分布示意图。

图3为温度变化范围设置和数据采集过程示意图。

图4a为12-18通道的10℃对应的基准特征信号示意图。

图4b为12-18通道的40℃对应的基准特征信号示意图。

图5为12-18通道直达波第530个采样点的基准特征样本集和基准高斯混合模型的示意图。

图6a为12-18通道直达波第530个采样点第1次更新的监测高斯混合模型示意图。

图6b为12-18通道直达波第530个采样点第23次更新的监测高斯混合模型示意图。

图7a为12-18通道在第1次更新下信号幅值的时不变描述示意图。

图7b为12-18通道在第15次更新下信号幅值的时不变描述示意图。

图7c为12-18通道在第10次更新下信号幅值的时不变描述示意图。

图7d为12-18通道在第23次更新下信号幅值的时不变描述示意图。

图8a为12-18通道在第1次更新下的时不变特征信号示意图。

图8b为12-18通道在第10次更新下的时不变特征信号示意图。

图8c为12-18通道在第15次更新下的时不变特征信号示意图。

图8d为12-18通道在第23次更新下的时不变特征信号示意图。

图9a为12-13通道在第1次更新下的时不变特征信号示意图。

图9b为12-13通道在第10次更新下的时不变特征信号示意图。

图9c为12-13通道在第15次更新下的时不变特征信号示意图。

图9d为12-13通道在第23次更新下的时不变特征信号示意图。

图10a为第1次更新损伤1的四维成像结果示意图。

图10b为第5次更新损伤1的四维成像结果示意图。

图10c为第10次更新损伤1的四维成像结果示意图。

图10d为第15次更新损伤1的四维成像结果示意图。

图10e为第20次更新损伤1的四维成像结果示意图。

图10f为第23次更新损伤1的四维成像结果示意图。

图10g为损伤1的最终损伤定位结果示意图。

图11a为第1次更新损伤2的四维成像结果示意图。

图11b为第5次更新损伤2的四维成像结果示意图。

图11c为第10次更新损伤2的四维成像结果示意图。

图11d为第15次更新损伤2的四维成像结果示意图。

图11e为第20次更新损伤2的四维成像结果示意图。

图11f为第23次更新损伤2的四维成像结果示意图。

图11g为损伤2的最终损伤定位结果示意图。

具体实施方式

为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。

参照图1所示，本发明的一种基于时不变特征信号构建的结构损伤四维成像方法，包括步骤如下：

(1)时不变特征信号构建：采用概率统计建模方法描述导波信号中每个采样点的幅值在时变因素影响下的不确定性分布，在监测过程中对模型进行更新并量化其迁移程度，从而抑制时变因素影响、突出损伤影响，获得每个采样点幅值的时不变描述，最后基于连续复数小波变换对所有采样点的幅值时不变描述进行平滑滤波，构建时不变特征信号；

(2)损伤四维成像：采用导波成像方法融合各激励传感通道的时不变特征信号，增强损伤的影响，并对损伤进行四维成像，其中，四维包括结构上各个点的二维坐标、损伤发生概率、概率随时间的迁移变化，生成一系列损伤信息不断累积、损伤位置不断凸显的成像结果，并对最终的成像结果进行聚焦处理，实现时变条件下结构损伤的可靠和准确定位。

图2a所示为本实施例采用的大小为600mm×600mm×3mm(长×宽×厚)的碳纤维复合材料加筋板结构，板上有4条长为400mm的加强筋，相互间距为120mm。为了监测该结构上的损伤，在其上布置了一个压电传感器网络，包含25个编号为1～25的压电传感器，任意相邻两个压电传感器的间距均为120mm，总共组成了72个激励传感通道，如图2b所示。实施过程中环境试验箱的温度变化范围设置和信号采集过程如图3所示。

当结构处于健康状态时，首先在室温条件下(25℃)，以10MHz的采样率采集一次上述72个激励传感通道的导波信号，作为这些通道的健康基准信号；然后设置环境试验箱的温度降低至-20℃，再从-20℃上升至60℃，其中在-20℃～40℃阶段时，每5℃采集一次所有激励传感通道的导波信号，在40℃～60℃阶段时，每2℃采集一次所有激励传感通道的导波信号，总共采集23次；将各通道23次的导波信号均与基准信号作差，得到每个通道的23组基准特征信号。以通道12-18为例，该通道的10℃和40℃对应的基准特征信号如图4a、图4b所示。

在结构上施加图2a，图2b中所示的损伤1，此时结构处于损伤监测状态。同样的，重复上述温度变化控制及数据采集过程，如图3所示，可以采集到23组各个通道的监测信号，再分别与各自的基准信号作差，可以得到每个通道的23组监测特征信号。

对于上述72个通道中的每一个通道，选取其直达波段的所有采样点构建基准高斯混合模型。依然以12-18通道为例，该通道的直达波段从2×10^-4s持续到3×10^-4s，在10MHz采样率下总共包含1000个采样点。由于该通道有23组基准特征信号，因此直达波中的每个采样点对应有23个幅值，可以建立一个包含23个样本的基准特征样本集，并在此基础上构建基准高斯混合模型来描述该基准特征样本集不确定性分布的基准高斯混合模型。图5为12-18通道直达波第530个采样点的基准特征样本集和基准高斯混合模型，高斯分量个数为3。

在构建每个通道每个采样点的基准高斯混合模型后，采用各个通道的23组监测特征信号来不断更新各个采样点的基准特征样本集，每次更新建立一次监测特征样本集，并构建一次监测高斯混合模型，总共更新23次。图6a为12-18通道第530个采样点对应于第1次更新的高斯混合模型，图6b为对应于第23次更新的高斯混合模型。

对于每一次更新，分别计算每个采样点的监测高斯混合模型和基准高斯混合模型之间的KL(KL是Kullback–Leibler的简写)距离，则可获得该次更新对应的由KL距离组成的时不变描述。图7a～图7d分别给出了通道12-18在第1、10、15、23次更新时生成的信号幅值时不变描述，长度为1000个采样点。为构造完整的信号，对上述时不变描述前后补零至5000个采样点，并基于Shannon连续复数小波变换进行平滑滤波，可以构建出相应的时不变特征信号，如图8a～(图8d所示。从图中可以看出，随着更新的不断进行，该通道的时不变特征信号逐渐增大。作为对比，图9a～图9d分别给出了通道12-13在第1、10、15、23次更新时构建时不变特征信号，可以看出该通道的时不变特征信号在更新过程中一直保持在很小的程度。这种现象和通道12-18经过损伤1而受损伤影响程度大，通道12-13离损伤1较远而受损伤影响程度小的实际情况相符合，因而可以将各通道的时不变特征信号进一步用于损伤成像定位。

在获取了所有72个激励传感通道的时不变特征信号，首先通过Shannon连续复数小波变换来构建各个通道时不变特征信号的包络，再采用延迟-累加方法进行损伤成像，其中采用的波速为1186m/s。在整个监测过程中，随着对各通道时不变特征信号的不断更新，可以实现损伤的四维成像，生成一系列损伤信息不断累积、损伤位置不断凸显的成像结果。图10a～图10f给出了损伤1的四维成像结果，图10g给出了对第23次更新时的成像结果的聚焦处理图像，从中可以最终确定损伤的位置，定位误差为9.0mm。

按照上述过程，本实施例还在结构上布置了损伤2并进行了四维成像，结果如图11a-图11g所示，最终的损伤定位误差仅为6.4mm。

本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (3)

1.一种基于时不变特征信号构建的结构损伤四维成像方法，其特征在于，包括步骤如下：

1)时不变特征信号构建：采用概率统计建模方法描述导波信号中每个采样点的幅值在时变因素影响下的不确定性分布，在监测过程中对模型进行更新并量化其迁移程度，从而抑制时变因素影响、突出损伤影响，获得每个采样点幅值的时不变描述，基于连续复数小波变换对所有采样点的幅值时不变描述进行平滑滤波，构建时不变特征信号；

2)损伤四维成像：采用导波成像方法融合各激励传感通道的时不变特征信号，增强损伤的影响，并对损伤进行四维成像，其中，四维包括结构上各个点的二维坐标、损伤发生概率、概率随时间的迁移变化；生成一系列损伤信息不断累积、损伤位置不断凸显的成像结果，并对最终的成像结果进行聚焦处理，实现时变条件下结构损伤的可靠和准确定位。

2.根据权利要求1所述的基于时不变特征信号构建的结构损伤四维成像方法，其特征在于，所述步骤1)中的时不变特征信号构建过程具体包括：

11)当结构处于时变环境且健康无损伤时，获取各个激励传感通道的R组基准特征信号，每组基准特征信号包含T个采样点，R和T为大于1的自然数；

12)对于基准特征信号中的每个采样点t，1≤t≤T，构建该采样点对应的基准特征样本集X_b(t)＝{A₁,…,A_r,…,A_R}，其中A_r为第r个基准特征信号在采样点t处的幅值，1≤r≤R，基于X_b构建采样点t对应的基准高斯混合模型Φ_b(t)，用于描述X_b(t)在时变因素影响下呈现出的不确定性分布；

式中，K为高斯混合模型中高斯分量的个数，μ_k,Σ_k,w_k分别为第k个高斯分量的均值向量、协方差矩阵和权值，k＝1,2,…,K，Φ_k的概率密度函数表达如下：

13)当结构处于时变环境和损伤监测状态下时，每获取一次监测特征信号，就更新一次采样点t的概率统计模型，对于第n次更新，1≤n≤N，将采样点t的基准特征样本集更新至第n个监测特征样本集X_m ⁿ(t)＝{A_n+1,…,A_R,…,A_R+n}，其中A_R+n为第n次更新时获取的监测特征信号在采样点t的幅值，在此基础上构建对应于第n次更新的监测高斯混合模型Φ_m ⁿ(t)，用于描述X_m ⁿ(t)在时变因素影响下的不确定性分布；

14)对于采样点t，采用KL距离量化其监测高斯混合模型Φ_m ⁿ(t)相对于基准高斯混合模型Φ_b(t)的迁移变化程度，抑制时变因素的影响，获得第n次更新时采样点t处信号幅值特征的时不变描述KL(t,n)；

式中，tr为矩阵的迹，∑_m ⁿ(t)为Φ_m ⁿ(t)的协方差矩阵，∑_b(t)为Φ_b(t)的协方差矩阵，μ_m ⁿ(t)为Φ_m ⁿ(t)的均值矩阵，μ_b(t)为Φ_b(t)的均值矩阵，det为矩阵的行列式值；

15)重复上述步骤12)～14)，依次量化1～T内所有采样点的概率统计模型的迁移变化程度并获得相应时不变描述后，再基于连续复数小波变换对所有采样点的时不变描述进行平滑滤波，构建对应于第n次更新的时不变特征信号。

3.根据权利要求1所述的基于时不变特征信号构建的结构损伤四维成像方法，其特征在于，所述步骤2)中的损伤四维成像具体包括：

21)分别构建对应于第n次更新时每个通道z的时不变特征信号E_z ⁿ，1≤z≤Z，采用延迟-累加成像方法来融合各激励传感通道的时不变特征信号，增强损伤影响，实现一次损伤成像，实施过程如下：

按下式计算结构的监测区域中任意一点(x,y)在各个激励传感通道上的信号预计到达时间t_z(x,y)；

式中，to_ff为激励信号对应的时间偏移，t_travel为导波信号从通道z的激励器传播到点(x,y)，再传到通道z的传感器所需要的时间，v为结构中各激励传感通道导波信号的平均群速度，(x_z ^a,y_z ^a)和(x_z ^s,y_z ^s)分别为通道z的激励器和传感器的坐标；

根据t_z(x,y)，获得点(x,y)在通道z的时不变特征信号包络E_z ⁿ中的对应值，按下式计算该点的损伤发生概率Eⁿ(x,y)，并将该概率作为像素值进行损伤成像，

22)不断更新各通道的时不变特征信号，每次更新时均重复上述步骤21)，进行损伤的四维成像，从而逐渐生成N幅损伤信息不断累积、损伤位置不断凸显的成像结果；

23)结合损伤四维成像结果，对最终的第N幅图像中每个点的像素值E^N(x,y)进行如下变换，通过图像聚焦突出损伤位置，最终实现损伤的可靠和准确定位，

E^N(x,y)＝[E^N(x,y)]⁸·tan(E^N(x,y))/1.5574。