CN110376282A - 一种基于椭圆概率与贝叶斯估计的Lamb波损伤定位法 - Google Patents
一种基于椭圆概率与贝叶斯估计的Lamb波损伤定位法 Download PDFInfo
- Publication number
- CN110376282A CN110376282A CN201910633874.3A CN201910633874A CN110376282A CN 110376282 A CN110376282 A CN 110376282A CN 201910633874 A CN201910633874 A CN 201910633874A CN 110376282 A CN110376282 A CN 110376282A
- Authority
- CN
- China
- Prior art keywords
- damage
- probability
- elliptical orbit
- bayesian estimation
- reason location
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/041—Analysing solids on the surface of the material, e.g. using Lamb, Rayleigh or shear waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4472—Mathematical theories or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于椭圆概率与贝叶斯估计的Lamb波损伤定位法,包括以下步骤:S1:根据椭圆轨迹法和概率损伤重构法,通过贝叶斯估计融合到达时间特征值和相关系数特征值对损伤进行成像定位;S2:根据椭圆轨迹法和概率损伤重构法,使椭圆轨迹法的非直线路径检测与概率损伤重构的直线路径检测优势互补;S3:以到达时间特征值的椭圆轨迹法构造似然函数,以相关系数特征值的概率损伤重构法构造先验信息,通过位置参数的后验分布进行损伤定位;解决了以往方法使用传感器的数量多,无法兼顾非直接路径与直接路径的损伤检测的敏感度,损伤定位的不确定性高和定位鲁棒性低的问题。
Description
技术领域
本发明涉及结构健康监测领域,特别是一种基于椭圆概率与贝叶斯估计的Lamb波损伤定位法。
背景技术
基于Lamb波的损伤检测方法已成为结构健康监测领域中,国内外学术界、工程界研究的热点。目前在Lamb波损伤定位方法中,基于多传感器网络的椭圆轨迹方法是其中一种有效的且被深度扩展的定位方法。但该椭圆轨迹往往对在直接检测路径之外的损伤敏感,而丢失在检测路径之上的损伤椭圆轨迹。与此同时,另一种基于损伤指数的概率损伤重构法对直接路径上的损伤敏感,但需增加传感器数量以及非方阵布局来规避损伤出现在非直接路径上的可能。
发明内容
为解决现有技术中存在的问题,本发明提供了一种基于椭圆概率与贝叶斯估计的Lamb波损伤定位法,解决了以往方法使用传感器的数量多,无法兼顾非直接路径与直接路径的损伤检测的敏感度,损伤定位的不确定性高和定位鲁棒性低的问题。
本发明采用的技术方案是,一种基于椭圆概率与贝叶斯的Lamb波损伤定位法,包括以下步骤:
S1:根据椭圆轨迹法和概率损伤重构法,通过贝叶斯估计融合到达时间特征值和相关系数特征值对损伤进行成像定位;
S2:根据椭圆轨迹法和概率损伤重构法,使椭圆轨迹法的非直线路径检测与概率损伤重构的直线路径检测优势互补;
S3:以到达时间特征值的椭圆轨迹法构造似然函数,以相关系数特征值的概率损伤重构法构造先验信息,通过位置参数的后验分布进行损伤定位。
本发明基于椭圆概率与贝叶斯估计的Lamb波损伤定位法的有益效果如下:
本发明以较少传感器数量的网络下,兼顾了非直接路径与直接路径上的损伤检测敏感度,使损伤定位的不确定性降低同时增加其定位的鲁棒性。
附图说明
图1为本发明基于椭圆概率与贝叶斯估计的Lamb波损伤定位法的总流程框图。
图2为本发明基于椭圆概率与贝叶斯估计的Lamb波损伤定位法的椭圆轨迹法示意图。
图3为本发明基于椭圆概率与贝叶斯估计的Lamb波损伤定位法的为第i条传感路径的椭圆损伤重构概率示意图。
图4为本发明基于椭圆概率与贝叶斯估计的Lamb波损伤定位法的采样点画出各个参数的频率直方图示意图。
图5为本发明基于椭圆概率与贝叶斯估计的Lamb波损伤定位法的损伤位置的二维正态联合概率分布三维图。
图6为本发明基于椭圆概率与贝叶斯估计的Lamb波损伤定位法的损伤坐标的联合概率分布的二维图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种基于椭圆概率与贝叶斯估计估计的Lamb波损伤定位法,包括以下步骤:
S1:根据椭圆轨迹法和概率损伤重构法,通过贝叶斯估计融合到达时间特征值和相关系数特征值对损伤进行成像定位;
S2:根据椭圆轨迹法和概率损伤重构法,使椭圆轨迹法的非直线路径检测与概率损伤重构的直线路径检测优势互补;
S3:以到达时间特征值的椭圆轨迹法构造似然函数,以相关系数特征值的概率损伤重构法构造先验信息,通过位置参数的后验分布进行损伤定位。
本实施方案在实施时,图2是椭圆轨迹法示意图,图2中为第i个激发器-接收器传感路径,激发器的坐标为(xia,yia),接收器的坐标为(xis,yis),损伤的中心坐标为(xd,yd),定义损伤散射波的到达时间的理论计算值为Tci
其中,Vg是Lamb波在给定激发频率下的群速度。假设测量的不确定性用误差ε来描述,ε服从均值为0方差为σ2的正态分布,那么,第i个传感路径实际测量的到达时间Tmi表示为
Tmi=Tci(xd,yd)+ε (2)
其中,未知参数简化成一个向量θ=[xd,yd,σ]。
利用等式(2),以及实验中测得的总共Np条传感路径的达到时间数据 构造出贝叶斯公式中似然函数p(D|θ)的表达式
其次,先验分布由概率损伤重构法构造。
同样对于第i条传感路径,从首达波包提取的健康-损伤相关系数定义为
其中,数据集X,Y分别是健康信号和损伤信号,μ是所关心数据集的均值,K是数据集的长度。
如图3所示,为第i条传感路径的损伤重构概率。图3中表明一旦该路径检测到相关系数特征值的变化,那么有理由相信损伤发生在直接传播路径上的概率最大,发生在非直接传播路径的概率随着远离直接路径而逐次减小。
概率损伤重构法作为贝叶斯方法架构下的先验分布,其表达式为
其中,β为椭圆区域大小控制量,由经验给出为1.05。Ri(xd,yd)为椭圆区域内概率分布,表达式为
其中
结合式(3)的似然函数与式(5)的先验分布,利用贝叶斯公式可以推导出参数的后验分布的表达式
由于参数的后验分布表达式复杂,因此需要借助马尔科夫蒙特卡(MCMC)方法完成后验参数的估计。
首先通过Metropolis-Hastings方法对后验分布进行500万次采样,通过采样点画出各个参数的频率直方图,如图4所示。并利用正态分布拟合各参数的频率直方图,得到各个参数的正态概率分布。进一步对参数xd,yd求其联合概率分布,得到如图5所示的损伤坐标的联合概率分布三维图。如图6所示为损伤坐标的联合概率分布的二维图,从图6中可以直观定位预测的损伤位置。二维概率分布的中心区域为损伤出现概率最大的区域,有中心向外损伤发生概率逐渐减小并逐渐过渡到无损伤区域。
Claims (1)
1.一种基于椭圆概率与贝叶斯估计的Lamb波损伤定位法,其特征在于,包括以下步骤:
S1:根据椭圆轨迹法和概率损伤重构法,通过贝叶斯估计融合到达时间特征值和相关系数特征值对损伤进行成像定位;
S2:根据椭圆轨迹法和概率损伤重构法,使椭圆轨迹法的非直线路径检测与概率损伤重构的直线路径检测优势互补;
S3:以到达时间特征值的椭圆轨迹法构造似然函数,以相关系数特征值的概率损伤重构法构造先验信息,通过位置参数的后验分布进行损伤定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910633874.3A CN110376282B (zh) | 2019-07-15 | 2019-07-15 | 一种基于椭圆概率与贝叶斯估计的Lamb波损伤定位法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910633874.3A CN110376282B (zh) | 2019-07-15 | 2019-07-15 | 一种基于椭圆概率与贝叶斯估计的Lamb波损伤定位法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110376282A true CN110376282A (zh) | 2019-10-25 |
CN110376282B CN110376282B (zh) | 2021-06-08 |
Family
ID=68253081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910633874.3A Active CN110376282B (zh) | 2019-07-15 | 2019-07-15 | 一种基于椭圆概率与贝叶斯估计的Lamb波损伤定位法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110376282B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110836928A (zh) * | 2019-11-14 | 2020-02-25 | 西安交通大学 | 一种基于界面波的多层金属管道层间裂纹成像方法 |
CN113960171A (zh) * | 2021-10-26 | 2022-01-21 | 山东大学 | 一种基于超声导波的损伤识别方法及系统 |
CN114878696A (zh) * | 2022-07-06 | 2022-08-09 | 太原理工大学 | 一种弧形复合材料层合板分层损伤的识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2293058A1 (en) * | 2009-09-08 | 2011-03-09 | Honeywell International Inc. | Lamb wave dispersion compensation for the EUSR approach for ultrasonic beam steering |
CN104376231A (zh) * | 2014-12-10 | 2015-02-25 | 福州大学 | 基于改进近似贝叶斯计算的损伤识别方法 |
CN104965025A (zh) * | 2015-05-14 | 2015-10-07 | 南京航空航天大学 | 一种基于Lamb波信号相关系数的多区域损伤检测方法 |
CN106093207A (zh) * | 2016-03-24 | 2016-11-09 | 南京航空航天大学 | 一种基于非线性无味卡尔曼滤波算法的兰姆波损伤定位方法 |
CN106645401A (zh) * | 2016-10-19 | 2017-05-10 | 南京航空航天大学 | 一种基于频率波数估计的损伤定位与重构方法及系统 |
CN108344802A (zh) * | 2018-02-02 | 2018-07-31 | 北京交通大学 | 一种无参考信号主动Lamb波损伤智能定位方法 |
CN108918668A (zh) * | 2018-05-16 | 2018-11-30 | 郑州大学 | 基于公共外切圆的复合材料椭圆损伤定位检测方法 |
CN109632958A (zh) * | 2018-12-24 | 2019-04-16 | 北京航空航天大学 | 一种考虑裂纹方位的Lamb波损伤检测方法 |
-
2019
- 2019-07-15 CN CN201910633874.3A patent/CN110376282B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2293058A1 (en) * | 2009-09-08 | 2011-03-09 | Honeywell International Inc. | Lamb wave dispersion compensation for the EUSR approach for ultrasonic beam steering |
CN104376231A (zh) * | 2014-12-10 | 2015-02-25 | 福州大学 | 基于改进近似贝叶斯计算的损伤识别方法 |
CN104965025A (zh) * | 2015-05-14 | 2015-10-07 | 南京航空航天大学 | 一种基于Lamb波信号相关系数的多区域损伤检测方法 |
CN106093207A (zh) * | 2016-03-24 | 2016-11-09 | 南京航空航天大学 | 一种基于非线性无味卡尔曼滤波算法的兰姆波损伤定位方法 |
CN106645401A (zh) * | 2016-10-19 | 2017-05-10 | 南京航空航天大学 | 一种基于频率波数估计的损伤定位与重构方法及系统 |
CN108344802A (zh) * | 2018-02-02 | 2018-07-31 | 北京交通大学 | 一种无参考信号主动Lamb波损伤智能定位方法 |
CN108918668A (zh) * | 2018-05-16 | 2018-11-30 | 郑州大学 | 基于公共外切圆的复合材料椭圆损伤定位检测方法 |
CN109632958A (zh) * | 2018-12-24 | 2019-04-16 | 北京航空航天大学 | 一种考虑裂纹方位的Lamb波损伤检测方法 |
Non-Patent Citations (4)
Title |
---|
FUQIANG SUN 等: ""Lamb Wave Damage Quantification Using GA-Based LS-SVM"", 《MATERIALS》 * |
何晶靖 等: ""基于Lamb波EMD算法的复合材料分层损伤定量监测研究"", 《 第三届中国国际复合材料科技大会摘要集》 * |
张海燕 等: ""概率损伤成像在兰姆波结构健康监测中的应用"", 《失效分析与预防》 * |
方圣恩 等: ""结构概率损伤识别的改进近似贝叶斯计算"", 《振动工程学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110836928A (zh) * | 2019-11-14 | 2020-02-25 | 西安交通大学 | 一种基于界面波的多层金属管道层间裂纹成像方法 |
CN110836928B (zh) * | 2019-11-14 | 2021-01-15 | 西安交通大学 | 一种基于界面波的多层金属管道层间裂纹成像方法 |
CN113960171A (zh) * | 2021-10-26 | 2022-01-21 | 山东大学 | 一种基于超声导波的损伤识别方法及系统 |
CN113960171B (zh) * | 2021-10-26 | 2022-09-23 | 山东大学 | 一种基于超声导波的损伤识别方法及系统 |
CN114878696A (zh) * | 2022-07-06 | 2022-08-09 | 太原理工大学 | 一种弧形复合材料层合板分层损伤的识别方法 |
CN114878696B (zh) * | 2022-07-06 | 2022-10-04 | 太原理工大学 | 一种弧形复合材料层合板分层损伤的识别方法 |
US20230333065A1 (en) * | 2022-07-06 | 2023-10-19 | Taiyuan University Of Technology | Method of identifying delamination damage of arc-shaped composite laminate |
US11846607B2 (en) * | 2022-07-06 | 2023-12-19 | Taiyuan University Of Technology | Method of identifying delamination damage of arc-shaped composite laminate |
Also Published As
Publication number | Publication date |
---|---|
CN110376282B (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110376282A (zh) | 一种基于椭圆概率与贝叶斯估计的Lamb波损伤定位法 | |
CN104792435B (zh) | 基于瞬态热边界反演的结构内部非均匀温度场的重建方法 | |
CN105866735B (zh) | 基于mds模型的修正代价函数的到达时间差迭代定位方法 | |
CN107677393B (zh) | 一种芯片动态热管理中热传感器温度实时校准的方法 | |
JP5497821B2 (ja) | 流体流速検出装置及びプログラム | |
Ammari et al. | A statistical approach to target detection and localization in the presence of noise | |
JP2008049158A (ja) | 映像処理システム及び方法 | |
CN106679745B (zh) | 超声波水表的温度补偿方法、水流量检测方法和系统 | |
Kotwicki et al. | Improving area swept estimates from bottom trawl surveys | |
CN106646417A (zh) | 广义帕累托分布参数的迭代最大似然估计方法 | |
Yin et al. | Estrus detection in dairy cows from acceleration data using self-learning classification models. | |
Liang et al. | A shape-based statistical inversion method for EIT/URT dual-modality imaging | |
CN110353729B (zh) | 一种基于双向长短期记忆网络的声波渡越时间检测方法 | |
White et al. | Localisation of sperm whales using bottom-mounted sensors | |
CN205352653U (zh) | 一种低速风洞内的超声精确测距系统 | |
CN105445732A (zh) | 在密集杂波条件下利用多径观测的目标航迹初始化方法 | |
Wang et al. | Direct imaging for the moment tensor point sources of elastic waves | |
CN114692895A (zh) | 一种鱼对水流形态感知和响应关系的提取方法及装置 | |
Du et al. | Hydrodynamic detection based on multilayer perceptron and optimization using dynamic mode decomposition | |
CN105310727B (zh) | 组织弹性成像方法和图形处理器 | |
CN103505246A (zh) | 多普勒参数实时自动标记的方法 | |
CN104331087B (zh) | 一种鲁棒的水下传感器网络目标跟踪方法 | |
Sweeney et al. | Centimeter-level positioning of seafloor acoustic transponders from a deeply-towed interrogator | |
CN107198545B (zh) | 生物组织的弹性位移及应变估计方法、装置 | |
CN116467957A (zh) | 一种基于piv技术的超声速复杂流场的压力场重构方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |