CN111812215B - 一种飞行器结构损伤的监测方法 - Google Patents

Abstract

本发明公开一种飞行器结构损伤的监测方法。所述飞行器结构损伤的监测方法包括：采集所述飞行器结构的导波监测信号，提取所述导波监测信号的特征样本，建立导波样本集，以建立基准导波自适应层次分割高斯混合模型，采集所述飞行器结构的导波监测信号，提取所述导波监测信号的特征样本，更新导波样本集，以建立动态导波自适应层次分割高斯混合模型，量化所述动态导波自适应层次分割高斯混合模型相对于所述基准导波自适应层次分割高斯混合模型的迁移程度，最终根据量化曲线，以对所述飞行器结构状态进行评估。本发明提高了飞行器结构损伤监测的可靠性与实时性。

Description

一种飞行器结构损伤的监测方法

技术领域

本发明涉及飞行器结构健康监测技术领域，特别是涉及一种飞行器结构损伤的监测方法。

背景技术

飞行器结构健康监测技术能够在线监测飞行器结构的健康状态，进而对结构损伤及剩余寿命进行预测和估计，从而达到保障飞行器结构安全和降低结构维护成本等目的。近年来，飞行器结构健康监测技术已由早期的理论研究逐渐转向工程应用研究。但在实际的工程应用中，结构健康监测技术往往要面临相比实验室条件下更为复杂的时变服役环境，例如变化的温湿度、边界条件、随机振动、疲劳载荷等。这些时变环境因素会直接影响结构健康监测传感器的输出信号及其特征，这些影响往往比结构损伤自身对信号的影响还要剧烈，从而使得损伤诊断无法可靠进行。

飞行器所处的时变环境包括载荷、温度、湿度等。在各种环境因素耦合下的导波监测信号携带了大量与结构健康状态无关的信息导致其特征分布也非常复杂。目前的高斯混合模型(Gaussian Mixture Model，GMM)的建立算法中，期望最大化算法相对狄利克雷过程推理具有更高的精度，但需要给定高斯分量的数目，通常采用建立多个GMM通过信息准则来选择最佳分量数。但信息准则会倾向于较少分量数的模型，在分布复杂的样本拟合程度较低，无法满足飞行器结构健康监测技术领域的要求。另外期望最大化算法和狄利克雷过程推理的每次迭代都需要计算所有的样本，在样本集较大的情况下其运算效率较低且速度较慢，不满足在机载设备上实时监测的需求。因此，在实际工程应用中需要更为精准且高效的GMM损伤监测方法。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种飞行器结构损伤的监测方法，用于解决现有技术中的在分布复杂的样本拟合程度较低，无法满足飞行器结构健康监测技术领域的要求，以及在样本集较大的情况下其运算效率较低且速度较慢，不满足在机载设备上实时监测的需求的问题。

为实现上述目的及其他相关目的，本发明提供一种飞行器结构损伤的监测方法，所述飞行器结构损伤的监测方法包括：

通过第一采集器在所述飞行器结构处于时变服役条件以及无损伤状态下，采集所述飞行器结构的导波监测信号，提取所述导波监测信号的特征样本，建立导波样本集，根据所述导波样本集以及自适应层次分割高斯混合模型的建立方法，以建立基准导波自适应层次分割高斯混合模型；

通过第二采集器在所述飞行器结构处于时变服役条件以及监测状态下，采集所述飞行器结构的导波监测信号，提取所述导波监测信号的特征样本，更新导波样本集，根据所述导波样本集以及自适应层次分割高斯混合模型的建立方法，以建立动态导波自适应层次分割高斯混合模型；

量化所述动态导波自适应层次分割高斯混合模型相对于所述基准导波自适应层次分割高斯混合模型的迁移程度；

重复在所述飞行器结构处于时变服役条件以及监测状态下的操作，以得到一导波自适应层次分割高斯混合模型的迁移量化曲线；

根据所述量化曲线，以对所述飞行器结构状态进行评估。

在本发明的一实施例中，所述根据所述导波样本集以及自适应层次分割高斯混合模型的建立方法，以建立动态导波自适应层次分割高斯混合模型或动态导波自适应层次分割高斯混合模型的步骤包括：

通过自适应聚类方法将所述导波样本集分割为多个子样本集；

对所有所述子样本集中每个子样本集分别建立高斯混合模型，以得到多个子样本集高斯混合模型；

对多个所述子样本集高斯混合模型进行合并和优化，以建立基准导波自适应层次分割高斯混合模型或动态导波自适应层次分割高斯混合模型。

在本发明的一实施例中，所述通过自适应聚类方法将所述导波样本集分割为多个子样本集的步骤包括：

所述导波样本集为X＝{x₁，x₂，…，x_N}，将所述导波样本集分割为M子样本集

其中，N表示样本个数，n_i表示第i个子样本集的样本数，

表示样本。

在本发明的一实施例中，所述对多个所述子样本集高斯混合模型进行合并和优化，以建立基准导波自适应层次分割高斯混合模型或动态导波自适应层次分割高斯混合模型的步骤包括：

合并所述子样本集建立的高斯混合模型为：

其中，M表示子样本集的数目，n_i表示第i个子样本集的样本个数，N表示样本个数，Φ_i表示第i个子样本集建立的高斯混合模型；

将合并后的高斯混合模型作为初始化的参数，对合并后的高斯混合模型进行优化，以建立基准导波自适应层次分割高斯混合模型或动态导波自适应层次分割高斯混合模型。

在本发明的一实施例中，所述量化所述动态导波自适应层次分割高斯混合模型相对于所述基准导波自适应层次分割高斯混合模型的迁移程度的步骤包括：

计算动态导波自适应层次分割高斯混合模型和基准导波自适应层次分割高斯混合模型之间的JS散度；公式为：

其中，D_JS表示JS散度，D_KL表示KL散度，P₁、P₂分别表示基准导波自适应层次分割高斯混合模型、动态导波自适应层次分割高斯混合模型，任意两个分布p和q的KL散度的计算公式为：

在本发明的一实施例中，所述对所有所述子样本集中每个子样本集分别建立高斯混合模型，以得到多个子样本集高斯混合模型的步骤包括：

步骤a、设置高斯混合模型的初始分量数K为1；

步骤b、建立分量数为K的高斯混合模型，并计算基于贝叶斯信息值：BIC＝κln(n_i)-2ln(L)，其中，κ为参数模型个数，n_i表示子样本集的样本个数，L表示似然函数；参数模型个数κ的计算公式为

其中，D为数据的维度；高斯混合模型对数似然函数L的计算公式为：

其中，Φ(x_n|μ_k，∑_k)表示第k个高斯分布在第n个样本x_n处的值，ω_k、μ_k、∑_k分别表示第k个高斯分布的权值、期望、协方差矩阵，k表示第k个高斯分布，k的取值范围为1至K；计算γ_nk：

其中，w_j、μ_j、∑j分别表示第j个高斯分布的权值、期望、协方差矩阵，第k个高斯分布在任意点x处的值为：

其中，D为数据的维度；

步骤c、判断是否满足K>3，若是，则执行判断是否满足BIC_K>BIC_K-1>BIC_K-2的操作，即为执行步骤d操作，若否，则设置分量数K为K+1，执行建立分量数为K的高斯混合模型的操作，即为执行步骤b操作；

步骤d、判断是否满足BIC_K>BIC_K-1>BIC_K-2，其中BIC_K，BIC_K-1，BIC_K-2分别为分量数为K，K-1，K-2的高斯混合模型的贝叶斯信息值，若是，则执行在K个高斯混合模型中选择基于贝叶斯信息值最小的高斯混合模型的操作，即为执行步骤e操作，若否，则设置分量数K为K+1，执行建立分量数为K的高斯混合模型的操作，即为执行步骤b操作；

步骤e、在K个高斯混合模型中选择基于贝叶斯信息值最小的高斯混合模型，第i个所述子样本集的高斯混合模型为：

其中，Φ_ij表示第i个子样本集中第j个高斯分布，m_i表示第i个子样本集高斯混合模型的分量数，m_i的取值为大于等于1的自然数，w_ij表示第i个子样本集的高斯混合模型中第j个分量的权重，w_ij的取值范围为0至1，且满足

在本发明的一实施例中，所述建立分量数为K的高斯混合模型的步骤包括：

使用K均值聚类算法进行K个类的初始化聚类；

初始化的高斯混合模型的参数，初始化高斯混合模型的分量数为K，第k个分量的权值、均值、协方差矩阵的初始化公式为：

μ_k＝c_k、∑_k＝cov(X_k)，其中，w_k、μ_k、∑_k分别为第k个高斯分量的权值、均值、协方差矩阵，N_k和N分别为第k个类的样本数目和总样本数目，c_k为第k个类中心，X_k为第k个类中样本的集合，cov为计算协方差；

使用期望最大化算法优化高斯混合模型的参数。

如上所述，本发明的一种飞行器结构损伤的监测方法，具有以下有益效果：

本发明的飞行器结构损伤的监测方法解决了在分布复杂的样本拟合程度较低，无法满足飞行器结构健康监测技术领域的要求的问题，以及解决了在样本集较大的情况下其运算效率较低且速度较慢，不满足在机载设备上实时监测的需求的问题，本发明可以有效提高时变环境损伤监测下，导波概率模型的准确性和建立速度，从而提高基于导波的飞行器结构损伤监测的可靠性及实时性。

本发明的飞行器结构损伤的监测方法可以有效提高对复杂环境下导波结构健康建模的准确性和建模效率，大大提高了飞行器结构损伤监测的可靠性与实时性。

附图说明

图1为本申请实施例提供的被监测结构及压电传感器的布置示意图。

图2为本申请一个实施例提供的一种飞行器结构损伤的监测方法的工作流程图。

图3为本申请实施例提供的一种飞行器结构损伤的监测系统的结构原理框图。

图4为本申请实施例提供的一种电子设备的结构原理框图。

图5为本申请又一个实施例提供的一种飞行器结构损伤的监测方法的工作流程图。

图6为本申请实施例提供的一种飞行器结构损伤的监测方法的自适应层次分割高斯混合模型的工作流程图。

图7为本申请实施例提供的基于密度峰值-核心融合的自适应聚类算法对导波样本集分割示意图。

图8(a)、(b)为本申请实施例提供的对导波样本集的子样本集分别建立高斯混合模型示意图。

图9为本申请实施例提供的导波基准层次分割高斯混合模型示意图。

图10为本申请实施例提供的5mm裂纹下动态导波自适应层次分割高斯混合模型示意图。

图11为本申请实施例提供的10mm裂纹下动态导波自适应层次分割高斯混合模型示意图。

图12为本申请实施例提供的15mm裂纹下动态导波自适应层次分割高斯混合模型示意图。

图13为本申请实施例提供的20mm裂纹下动态导波自适应层次分割高斯混合模型示意图。

图14为本申请实施例提供的25mm裂纹下动态导波自适应层次分割高斯混合模型示意图。

图15为本申请实施例提供的导波特征动态层次分割高斯混合模型迁移量化曲线示意图。

元件标号说明

1 第一加载方向

2 第一压电片

3 裂纹位置

4 第二压电片

5 第二加载方向

10 第一采集器

20 第二采集器

30 量化单元

40 迁移量化曲线获取单元

50 结构状态进行评估单元

70 处理器

80 存储器

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

请参阅图2、图5、图6，图2为本申请一个实施例提供的一种飞行器结构损伤的监测方法的工作流程图。图5为本申请又一个实施例提供的一种飞行器结构损伤的监测方法的工作流程图。图6为本申请实施例提供的一种飞行器结构损伤的监测方法的自适应层次分割高斯混合模型的工作流程图。本发明提供一种飞行器结构损伤的监测方法，所述飞行器结构损伤的监测方法包括：S1、通过第一采集器在所述飞行器结构处于时变服役条件以及无损伤状态下，采集所述飞行器结构的导波监测信号，提取所述导波监测信号的特征样本，建立导波样本集，根据所述导波样本集以及自适应层次分割高斯混合模型的建立方法，以建立基准导波自适应层次分割高斯混合模型。具体的，所述无损伤状态为所述飞行器结构处于健康状态下，即被监测、无损伤状态。所述导波监测信号可以连续长时间进行采集，所述导波监测信号的采集可以但不限于通过导波信号采集装置和系统进行采集。S2、通过第二采集器在所述飞行器结构处于时变服役条件以及监测状态下，采集所述飞行器结构的导波监测信号，提取所述导波监测信号的特征样本，更新导波样本集，根据所述导波样本集以及自适应层次分割高斯混合模型的建立方法，以建立动态导波自适应层次分割高斯混合模型。具体的，所述监测状态表示飞行器结构处于未知损伤状态，所述飞行器结构的导波监测信号的数量可以根据监测精度和系统计算能力选择一个或多个。S3、量化所述动态导波自适应层次分割高斯混合模型相对于所述基准导波自适应层次分割高斯混合模型的迁移程度。S4、重复在所述飞行器结构处于时变服役条件以及监测状态下的操作，以得到一导波自适应层次分割高斯混合模型的迁移量化曲线。具体的，步骤S3可以但不限于采用JS散度(Jensen-Shannon)进行量化。S5、根据所述量化曲线，以对所述飞行器结构状态进行评估。具体的，可以根据所述导波自适应层次分割高斯混合模型的迁移量化曲线所显示的迁移程度及趋势实现对飞行器结构健康状态的准确评估。所述迁移量化曲线为导波自适应层次分割高斯混合模型的迁移量化曲线。具体的，所述根据所述导波样本集以及自适应层次分割高斯混合模型的建立方法，以建立动态导波自适应层次分割高斯混合模型或动态导波自适应层次分割高斯混合模型的步骤包括：通过自适应聚类方法将所述导波样本集分割为多个子样本集；对所有所述子样本集中每个子样本集分别建立高斯混合模型，以得到多个子样本集高斯混合模型；对多个所述子样本集高斯混合模型进行合并和优化，以建立基准导波自适应层次分割高斯混合模型或动态导波自适应层次分割高斯混合模型。

请参阅图2、图5、图6，所述通过自适应聚类方法将所述导波样本集分割为多个子样本集的步骤包括：所述导波样本集为X＝{x₁，x₂，…，x_N}，将所述导波样本集分割为M子样本集

其中，N表示样本个数，n_i表示第i个子样本集的样本数，

表示样本。所述自适应聚类方法可以为基于密度峰值-核心融合的自适应聚类方法。所述对所有所述子样本集中每个子样本集分别建立高斯混合模型，以得到多个子样本集高斯混合模型的步骤包括：步骤a、设置高斯混合模型的初始分量数K为1。具体的，对子样本集分别建立高斯混合模型，对于每个分割后的子样本集，可以通过对分量数进行枚举的方法建立多个高斯混合模型，并基于BIC(贝叶斯信息准则)选择出该子样本集的高斯混合模型。步骤b、建立分量数为K的高斯混合模型，并计算基于贝叶斯信息值：BIC＝κln(n_i)-2ln(L)，其中，κ为参数模型个数，n_i表示子样本集的样本个数，L表示似然函数；参数模型个数κ的计算公式为

其中，D为数据的维度；高斯混合模型对数似然函数L的计算公式为：

其中，Φ(x_n|μ_k，∑_k)表示第k个高斯分布在第n个样本x_n处的值，w_k、μ_k、∑_k分别表示第k个高斯分布的权值、期望、协方差矩阵，k表示第k个高斯分布，k的取值范围为1至K；计算γ_nk：

其中，w_j、μ_j、∑_j分别表示第j个高斯分布的权值、期望、协方差矩阵，第k个高斯分布在任意点x处的值为：

其中，D为数据的维度。步骤c、判断是否满足K>3，若是，则执行判断是否满足BIC_K>BIC_K-1>BIC_K-2的操作，即为执行步骤d操作，若否，则设置分量数K为K+1，执行建立分量数为K的高斯混合模型的操作，即为执行步骤b操作。步骤d、判断是否满足BIC_K>BIC_K-1>BIC_K-2，其中BIC_K，BIC_K-1，BIC_K-2分别为分量数为K，K-1，K-2的高斯混合模型的贝叶斯信息值，若是，则执行在K个高斯混合模型中选择基于贝叶斯信息值最小的高斯混合模型的操作，即为执行步骤e操作，若否，则设置分量数K为K+1，执行建立分量数为K的高斯混合模型的操作，即为执行步骤b操作。步骤e、在K个高斯混合模型中选择基于贝叶斯信息值最小的高斯混合模型，第i个所述子样本集的高斯混合模型为：

其中，Φ_ij表示第i个子样本集中第j个高斯分布，m_i表示第i个子样本集高斯混合模型的分量数，m_i的取值为大于等于1的自然数，w_ij表示第i个子样本集的高斯混合模型中第j个分量的权重，w_ij的取值范围为0至1，且满足

所述对多个所述子样本集高斯混合模型进行合并和优化，以建立基准导波自适应层次分割高斯混合模型或动态导波自适应层次分割高斯混合模型的步骤包括：a1、合并所述子样本集建立的高斯混合模型为：

其中，M表示子样本集的数目，n_i表示第i个子样本集的样本个数，N表示样本个数，Φ_i表示第i个子样本集建立的高斯混合模型。b1、将合并后的高斯混合模型作为初始化的参数，对合并后的高斯混合模型进行优化，以建立基准导波自适应层次分割高斯混合模型或动态导波自适应层次分割高斯混合模型。所述量化所述动态导波自适应层次分割高斯混合模型相对于所述基准导波自适应层次分割高斯混合模型的迁移程度的步骤包括：计算动态导波自适应层次分割高斯混合模型和基准导波自适应层次分割高斯混合模型之间的JS散度；公式为：

其中，D_JS表示JS散度，D_KL表示KL散度，P₁、P₂分别表示基准导波自适应层次分割高斯混合模型、动态导波自适应层次分割高斯混合模型，任意两个分布p和q的KL散度的计算公式为：

所述建立分量数为K的高斯混合模型的步骤包括：(1)使用K均值聚类算法进行K个类的初始化聚类。所述K均值聚类算法包括k-means++算法，所述k-means++算法的步骤如下：a2、从数据集中随机选取一个样本作为初始聚类中心c₁。b2、首先计算每个样本与当前已有聚类中心之间的最短距离(即与最近一个聚类中心的距离)，用D(x)表示，接着计算每个样本被选为下一个聚类中心的概率

最后用轮盘法选择下一个聚类中心。c2、重复b步骤直到选择出所有的聚类中心。d2、针对数据集中的每个样本x_i,计算出它到K个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中。e2、针对每个类别ci,重新计算它的聚类中心

(即属于该类的所有样本的质心)；重复d2-e2步，直到聚类中心的位置不再变化。(2)、初始化的高斯混合模型的参数，初始化高斯混合模型的分量数为K，第k个分量的权值、均值、协方差矩阵的初始化公式为：

μ_k＝c_k、∑_k＝cov(X_k)，其中，w_k、μ_k、∑_k分别为第k个高斯分量的权值、均值、协方差矩阵，N_k和N分别为第k个类的样本数目和总样本数目，c_k为第k个类中心，X_k为第k个类中样本的集合，cov为计算协方差。(3)、使用期望最大化算法优化高斯混合模型的参数。期望最大化算法的步骤为重复交替进行步骤E和步骤M，直到算法收敛。步骤E、

步骤M、

其中，w_k、μ_k、∑_k分别为第k个高斯分量的权值、均值和协方差矩阵，N_k和N分别为第k个分量的样本数目和总样本数目，

分别为第k个分量更新后的高斯分量的权值、均值和协方差矩阵，Φ(x|μ_k，∑_k)为第k个高斯分量的分布，为高斯分布。所述密度峰值-核心融合的自适应聚类方法包括：(1)密度峰值的密度近邻聚类，具体步骤包括：a3设待聚类的数据集为X，X＝{x₁,x₂,…,x_n}；通过高斯核密度估计数据点x_i的密度，记作ρ_i，具体表达式如下：

其中，d_ij为数据点x_i与x_j之间的距离，d_c为截断距离，d_ij的具体计算为：d_ij＝||x_i-x_j||₂，其中，||·||₂为向量的2范数，基于k近邻的截断距离d_c估计表达式为：

其中，d_k(x_i)为数据点x_i与距离x_i最近的第k个数据点之间的距离，

表示不超过x的最大整数。b3、计算最小距离δ_i，最小距离δ_i的计算公式如下：

c3、计算每个数据点x_i的密度ρ_i与最小距离δ_i的乘积，记作γ_i，计算公式如下：γ_i＝ρ_i×δ_i。d3、计算乘积γ的阈值γ_min，计算公式如下：γ_min＝EX(ρ)×d_c，其中，EX(ρ)为密度ρ的均值。e3、将满足以下不等式的数据点选出作为密度峰值点，密度峰值点的数目为M，M为不为0的自然数；γ_i＞γ_min&δ_i＞d_c。f3、密度近邻聚类：将密度峰值点作为类中心，将剩余不是密度峰值点的数据点分配到自身对应的密度近邻点所属类中，得到初始的聚类结果，其中第t个初始类记作

基于类内散度的核心融合操作，具体步骤包括：a4、统计每个数据点x_i成为其他数据点的密度近邻点的次数NT_i，计算公式如下：

其中，

对于x_j而言，

为满足ρ_i>ρ_j且使得d_ij取得最小值时的x_i的次序i。b4、对于任意一个初始类

找出其中NT_i＝0的数据点，计算这些数据点的密度均值，初始类

中密度大于该密度均值的数据点为

的核心点，

的核心点构成

的核心类，记作

具体定义如下：

其中，EX(ρ_j)为初始类

中NT_j＝0的数据点的密度均值。c4、计算每个核心类与其他核心类之间的最小距离，记第t个核心类

与第r个核心类

之间的最小距离为l_tr，计算公式如下：l_tr＝min(d_ij),

d4、确定每个核心类的近邻核心类，对于任意一个核心类

若核心类

是

的近邻核心类，则

与

之间的最小距离l_tr应满足以下不等式：l_tr≤d_c。e4、计算每个核心类的类内散度，计算公式如下：

其中，

为核心类

的类内散度，nt为核心类

中数据点的数目。f4、计算每个核心类与其近邻核心类融合后的类内散度，计算公式如下：

其中，

为一个核心类，

为

的一个近邻核心类，

为

与

融合后的类内散度，n^t为核心类

中数据点的数目，n^r为核心类

中数据点的数目，n^t和n^r均为大于0的自然数。g4、若一个核心类与其近邻核心类融合后的类内散度满足以下不等式，则将这两个核心类对应的初始类融合，

h4、融合所有应融合的初始类得到最终的聚类结果。

请参阅图3、图4，图3为本申请实施例提供的一种飞行器结构损伤的监测系统的结构原理框图。图4为本申请实施例提供的一种电子设备的结构原理框图。与本发明的一种飞行器结构损伤的监测方法的原理相似的是，本发明还提供一种飞行器结构损伤的监测系统，所述飞行器结构损伤的监测系统包括但不限于第一采集器10、第二采集器20、量化单元30、迁移量化曲线获取单元40以及结构状态进行评估单元50。所述第一采集器10用于在所述飞行器结构处于时变服役条件以及无损伤状态下，采集所述飞行器结构的导波监测信号，以建立第一模型，所述第二采集器20用于在所述飞行器结构处于时变服役条件以及监测状态下，采集所述飞行器结构的导波监测信号，以建立第二模型，所述量化单元30用于量化所述第二模型相对于所述第一模型的迁移程度，所述迁移量化曲线获取单元40用于重复在所述飞行器结构处于时变服役条件以及监测状态下的操作，以得到一迁移量化曲线，所述结构状态进行评估单元50用于根据所述量化曲线，以对所述飞行器结构状态进行评估。本发明还提供一种电子设备，包括处理器70和存储器80，所述存储器80存储有程序指令，所述处理器70运行程序指令实现上述的一种飞行器结构损伤的监测方法。

请参阅图1、图5、图6、图7、图8、图9、图10、图11、图12、图13、图14、图15，图1为本申请实施例提供的被监测结构及压电传感器的布置示意图。图7为本申请实施例提供的基于密度峰值-核心融合的自适应聚类算法对导波样本集分割示意图。图8(a)、(b)为本申请实施例提供的对导波样本集的子样本集分别建立高斯混合模型示意图。图9为本申请实施例提供的导波基准层次分割高斯混合模型示意图。图10为本申请实施例提供的5mm裂纹下动态导波自适应层次分割高斯混合模型示意图。图11为本申请实施例提供的10mm裂纹下动态导波自适应层次分割高斯混合模型示意图。图12为本申请实施例提供的15mm裂纹下动态导波自适应层次分割高斯混合模型示意图。图13为本申请实施例提供的20mm裂纹下动态导波自适应层次分割高斯混合模型示意图。图14为本申请实施例提供的25mm裂纹下动态导波自适应层次分割高斯混合模型示意图。图15为本申请实施例提供的导波特征动态层次分割高斯混合模型迁移量化曲线示意图。第一压电片2作为导波信号的激励元件，第二压电片4作为导波信号的响应元件。复合材料板的实验环境为循环温度和循环载荷，温度的变化范围为0-60℃，载荷的变化范围为0-30kN。一、获取结构处于时变环境且结构处于健康状态下的导波监测信号，信号获取过程如下：第一步：将无损伤复合材料板置于实验环境中。第二步：可以但不限于每隔10min采集一次导波信号，共采集101次信号。二、对获取的导波监测信号进行特征提取建立导波样本集。分别从时域及频域各提取一种典型的损伤因子作为信号特征参数，构成二维信号特征样本集(D＝2)。这两种损伤因子的计算方法如下：第一种损伤因子DI₁的计算公式如下：

其中，H(t)为基准信号，D(t)为导波监测信号。第二种损伤因子DI2的计算方法如下：

其中，H(ω)为基准信号，D(ω)为导波监测信号，ω为信号频率，ω₁和ω_N分别为所截取的频谱幅度所在的起始频率和终止频率。将采集的第一个信号作为基准信号，剩余100个信号对基准信号计算两个损伤因子。每个信号计算出的两个损伤因子组成一个样本两个维度的值，所以共产生100个基准样本。三、基于自适应层次分割高斯混合模型建立算法，对上述产生的100个基准样本建立基准导波自适应层次分割高斯混合模型。(1)基于密度峰值-核心融合的自适应聚类算法分割样本集。本实施例中，密度峰值-核心融合的自适应聚类算法将样本集分割为两个子样本集，如图7所示，其中“+”为一个子样本集中的样本，“。”为另一个子样本集中的样本。(2)对子样本集分别建立高斯混合模型，结果如图8所示。(3)子样本集高斯混合模型的合并与优化，结果如图9所示。四、获取结构处于时变环境且结构处于监测状态下的导波监测信号，信号获取过程如下：第一步：在复合材料板上制造5mm裂纹。第二步：将复合材料板置于实验环境中。第三步：可以但不限于每隔10min采集一次导波信号，共采集100次信号。第四步：在复合材料板上制造10mm裂纹。第五步：将复合材料板置于实验环境中。第六步：可以但不限于每隔10min采集一次导波信号，共采集100次信号。第七步：在复合材料板上制造15mm裂纹。第八步：将复合材料板置于实验环境中。第九步：可以但不限于每隔10min采集一次导波信号，共采集100次信号。第十步：可以但不限于在复合材料板上制造20mm裂纹。第十一步：将复合材料板置于实验环境中。第十二步：可以但不限于每隔10min采集一次导波信号，共采集100次信号。第十三步：可以但不限于在复合材料板上制造25mm裂纹。第十四步：将复合材料板置于实验环境中。第十五步：可以但不限于每隔10min采集一次导波信号，共采集100次信号。上述步骤在5种结构损伤状态下，每种状态采集100个信号，共采集500个信号。五、基于两种损伤因子的计算方法，在每个信号采集后，对采集到的信号计算两种损伤因子组成样本，共形成500个有序样本，样本的顺序为信号采集的时间顺序。对每100个样本更新一次导波样本集，一共更新5次。六、对每次更新后的导波样本集使用自适应层次分割高斯混合模型建立动态导波自适应层次分割高斯混合模型，图10、图11、图12、图13、图14分别为5个动态导波自适应层次分割高斯混合模型。七、计算每个动态导波自适应层次分割高斯混合模型与基准导波自适应层次分割高斯混合模型的Jensen-Shannon散度。九、绘制导波特征动态自适应层次分割高斯混合模型迁移量化曲线，如图15所示，随着裂纹的扩展，Jensen-Shannon散度值增大。通过导波特征动态自适应层次分割高斯混合模型迁移量化曲线，实现了在载荷这种时变环境下对复合材料板的损伤监测。

综上所述，本发明的飞行器结构损伤的监测方法解决了在分布复杂的样本拟合程度较低，无法满足飞行器结构健康监测技术领域的要求的问题，以及解决了在样本集较大的情况下其运算效率较低且速度较慢，不满足在机载设备上实时监测的需求的问题，本发明可以有效提高时变环境损伤监测下，导波概率模型的准确性和建立速度，从而提高基于导波的飞行器结构损伤监测的可靠性及实时性。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (5)

1.一种飞行器结构损伤的监测方法，其特征在于，所述飞行器结构损伤的监测方法包括：

通过第一采集器在所述飞行器结构处于时变服役条件以及无损伤状态下，采集所述飞行器结构的导波监测信号，提取所述导波监测信号的特征样本，建立导波样本集，根据所述导波样本集以及自适应层次分割高斯混合模型的建立方法，以建立基准导波自适应层次分割高斯混合模型；

通过第二采集器在所述飞行器结构处于时变服役条件以及监测状态下，采集所述飞行器结构的导波监测信号，提取所述导波监测信号的特征样本，更新导波样本集，根据所述导波样本集以及自适应层次分割高斯混合模型的建立方法，以建立动态导波自适应层次分割高斯混合模型；

量化所述动态导波自适应层次分割高斯混合模型相对于所述基准导波自适应层次分割高斯混合模型的迁移程度；

重复在所述飞行器结构处于时变服役条件以及监测状态下的操作，以得到一导波自适应层次分割高斯混合模型的迁移量化曲线；

根据所述迁移量化曲线，以对所述飞行器结构状态进行评估；

其中，建立基准导波自适应层次分割高斯混合模型或动态导波自适应层次分割高斯混合模型的步骤包括：

通过自适应聚类方法将所述导波样本集分割为多个子样本集；

对所有所述子样本集中每个子样本集分别建立高斯混合模型，以得到多个子样本集高斯混合模型；

对多个所述子样本集高斯混合模型进行合并和优化，以建立基准导波自适应层次分割高斯混合模型或动态导波自适应层次分割高斯混合模型。

所述对所有所述子样本集中每个子样本集分别建立高斯混合模型，以得到多个子样本集高斯混合模型的步骤包括：

步骤a、设置高斯混合模型的初始分量数K为1；

步骤b、建立分量数为K的高斯混合模型，并计算基于贝叶斯信息值：BIC＝κln(n_i)-2ln(L)，其中，κ为参数模型个数，n_i表示子样本集的样本个数，L表示似然函数；参数模型个数κ的计算公式为

其中，D为数据的维度；高斯混合模型对数似然函数L的计算公式为：

其中，Φ(x_n|μ_k，∑_k)表示第k个高斯分布在第n个样本x_n处的值，w_k、μ_k、∑_k分别表示第k个高斯分布的权值、期望、协方差矩阵，k表示第k个高斯分布，k的取值范围为1至K；计算γ_nk：

其中，w_j、μ_j、∑_j分别表示第j个高斯分布的权值、期望、协方差矩阵，第k个高斯分布在任意点x处的值为：

其中，D为数据的维度；

步骤c、判断是否满足K>3，若是，则执行判断是否满足BIC_K>BIC_K-1>BIC_K-2的操作，即为执行步骤d操作，若否，则设置分量数K为K+1，执行建立分量数为K的高斯混合模型的操作，即为执行步骤b操作；

步骤d、判断是否满足BIC_K>BIC_K-1>BIC_K-2，其中BIC_K，BIC_K-1，BIC_K-2分别为分量数为K，K-1，K-2的高斯混合模型的贝叶斯信息值，若是，则执行在K个高斯混合模型中选择基于贝叶斯信息值最小的高斯混合模型的操作，即为执行步骤e操作，若否，则设置分量数K为K+1，执行建立分量数为K的高斯混合模型的操作，即为执行步骤b操作；

步骤e、在K个高斯混合模型中选择基于贝叶斯信息值最小的高斯混合模型，第i个所述子样本集的高斯混合模型为：

其中，Φ_ij表示第i个子样本集中第j个高斯分布，m_i表示第i个子样本集高斯混合模型的分量数，m_i的取值为大于等于1的自然数，w_ij表示第i个子样本集的高斯混合模型中第j个分量的权重，w_ij的取值范围为0至1，且满足

2.根据权利要求1所述的一种飞行器结构损伤的监测方法，其特征在于，所述通过自适应聚类方法将所述导波样本集分割为多个子样本集的步骤包括：

所述导波样本集为X＝{x₁，x₂，…，x_N}，将所述导波样本集分割为M子样本集

其中，N表示样本个数，n_i表示第i个子样本集的样本数，

表示样本。

3.根据权利要求1所述的一种飞行器结构损伤的监测方法，其特征在于，所述对多个所述子样本集高斯混合模型进行合并和优化，以建立基准导波自适应层次分割高斯混合模型或动态导波自适应层次分割高斯混合模型的步骤包括：

合并所述子样本集建立的高斯混合模型为：

其中，M表示子样本集的数目，n_i表示第i个子样本集的样本个数，N表示样本个数，Φ_i表示第i个子样本集建立的高斯混合模型；

将合并后的高斯混合模型作为初始化的参数，对合并后的高斯混合模型进行优化，以建立基准导波自适应层次分割高斯混合模型或动态导波自适应层次分割高斯混合模型。

4.根据权利要求1所述的一种飞行器结构损伤的监测方法，其特征在于，所述量化所述动态导波自适应层次分割高斯混合模型相对于所述基准导波自适应层次分割高斯混合模型的迁移程度的步骤包括：

计算动态导波自适应层次分割高斯混合模型和基准导波自适应层次分割高斯混合模型之间的JS散度；公式为：

其中，D_JS表示JS散度，D_KL表示KL散度，P₁、P₂分别表示基准导波自适应层次分割高斯混合模型、动态导波自适应层次分割高斯混合模型，任意两个分布p和q的KL散度的计算公式为：

5.根据权利要求1所述的一种飞行器结构损伤的监测方法，其特征在于，所述建立分量数为K的高斯混合模型的步骤包括：

使用K均值聚类算法进行K个类的初始化聚类；

初始化的高斯混合模型的参数，初始化高斯混合模型的分量数为K，第k个分量的权值、均值、协方差矩阵的初始化公式为：

μ_k＝c_k、Σ_k＝cov(X_k)，其中，w_k、μ_k、∑_k分别为第k个高斯分量的权值、均值、协方差矩阵，N_k和N分别为第k个类的样本数目和总样本数目，c_k为第k个类中心，X_k为第k个类中样本的集合，cov为计算协方差；

使用期望最大化算法优化高斯混合模型的参数。

Images