CN113933387B - 一种复合材料结构损伤监测方法及系统 - Google Patents
一种复合材料结构损伤监测方法及系统 Download PDFInfo
- Publication number
- CN113933387B CN113933387B CN202111047208.5A CN202111047208A CN113933387B CN 113933387 B CN113933387 B CN 113933387B CN 202111047208 A CN202111047208 A CN 202111047208A CN 113933387 B CN113933387 B CN 113933387B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- state
- damage
- response signals
- monitoring area
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 174
- 230000006378 damage Effects 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000002131 composite material Substances 0.000 title claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 91
- 230000004044 response Effects 0.000 claims abstract description 84
- 230000036541 health Effects 0.000 claims abstract description 29
- 238000013145 classification model Methods 0.000 claims abstract description 26
- 238000012706 support-vector machine Methods 0.000 claims abstract description 26
- 230000009526 moderate injury Effects 0.000 claims abstract description 25
- 235000019687 Lamb Nutrition 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 17
- 230000009528 severe injury Effects 0.000 claims description 16
- 208000027418 Wounds and injury Diseases 0.000 claims description 9
- 208000014674 injury Diseases 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 208000037974 severe injury Diseases 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009525 mild injury Effects 0.000 description 2
- 230000008458 response to injury Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000011152 fibreglass Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
- G01N2291/0231—Composite or layered materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/028—Material parameters
- G01N2291/0289—Internal structure, e.g. defects, grain size, texture
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/04—Wave modes and trajectories
- G01N2291/042—Wave modes
- G01N2291/0427—Flexural waves, plate waves, e.g. Lamb waves, tuning fork, cantilever
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种复合材料结构损伤监测方法及系统，其中结构损伤监测方法包括获取响应信号样本；根据预设的多个特征选择参数，逐一提取响应信号样本的多个特征向量后，将多个特征向量组合成特征向量集，并归一化处理特征向量集获得标准特征向量集；将标准特征向量集的特征向量输入预先训练的支持向量机分类模型，得到支持向量机分类模型输出的分类结果。本发明基于最优路径集和训练好的支持向量机分类模型对复合材料结构损伤进行监测分析，能够实现识别初始健康状态、轻微损伤状态、中度损伤状态和严重损伤状态的响应信号，有效地减少监测路径，减少响应信号样本的大小，提升响应信号不同状态的识别效率。
Description
技术领域
本发明涉及一种复合材料结构损伤监测方法及系统，属于复合材料结构健康监测技术领域。
背景技术
在当今工业发展的进程中，复合材料被广泛用于制造业的各个地方，无论是航空航天工业、船舶车辆工业，还是风力发电工业，复合材料的使用范围非常广泛。然而，复合材料结构在使用过程中极易发生诸如裂纹、分层、通孔、腐蚀、夹杂等各式各样的损伤。这些损伤不仅危害到结构的运用，更有可能影响到工程结构的安全性能，威胁到人民生命安全，使人民生命财产遭受不可估计的损失。所以对复合材料结构损伤的精确识别，判断复合材料结构的损伤程度至关重要。
目前在复合材料的结构健康监测领域中，有着很多智能监测方法，主要以无损监测为主。通过对监测结构进行实时数据采集，利用信号处理技术与智能算法相结合去判断损伤的位置、损伤的类型与损伤的程度，及时对结构所要发生的安全隐患进行评估。
常见的方法有红外监测法、超声波监测法以及射线监测法，但是这些监测方法的监测条件复杂、检测设备体积大并且检测设备费用高。Lamb波损伤监测方法由于传播距离远、对小损伤敏感等特点，是一种重要的损伤监测手段，利用其多模特性对损伤的不同响应，可以实现损伤监测。但是，传统的Lamb波损伤监测方法的监测路径较多，诊断时间较长，严重影响监测效率，本领域技术人员急需寻找最优的监测路径，从而高效地监测结构件损伤的发生和发展情况。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种复合材料结构损伤监测方法及系统，基于最优路径集和训练好的支持向量机分类模型对复合材料结构损伤进行监测分析，能够减少了监测路径，实现识别初始健康状态、轻微损伤状态、中度损伤状态和严重损伤状态的响应信号，提升对复合材料结构损伤监测的效率和准确率。
为达到上述目的，一方面，本发明提供一种复合材料结构损伤监测方法，包括以下步骤：
根据最优监测路径集的多条监测路径获取响应信号样本；
根据预设的多个特征选择参数，逐一提取响应信号样本的多个特征向量后，将多个特征向量组合成特征向量集，并归一化处理特征向量集获得标准特征向量集；
将标准特征向量集的特征向量输入预先训练的支持向量机分类模型，得到支持向量机分类模型输出的分类结果；
其中，所述分类结果包括初始健康状态信号、轻微损伤状态信号、中度损伤状态信号或严重损伤状态信号。
进一步地，所述获取响应信号样本包括以下步骤：
在待监测结构件上预设监测区，并在监测区的4个角各布置一个压电片后，将4枚压电片两两连线形成6条监测路径；
逐一控制最优监测路径集的每条监测路径起始端的压电片发射Lamb波测试信号，监测路径结束端的压电片接收相对应的多条响应信号，获得响应信号样本。
进一步地，所述Lamb波测试信号包括激励信号中心频率为30KHz的A0模式Lamb波测试信号和激励信号中心频率为60KHz的S0模式Lamb波测试信号。
进一步地，所述多个特征选择参数包括时域特征选择参数、频域特征选择参数和/或时频域特征选择参数；
所述时域特征选择参数包括均方根、方差、绝对值的平均值、波形因子、最大值、最小值和/或峰峰值差异；
所述频域特征选择参数包括重心频率、频域方差和/或均方频率差异；
所述时频域特征选择参数包括小波包三层分解时频域能量占比差异。
进一步地，所述最优监测路径集获取方法包括以下步骤：
在初始健康状态的结构件上预设监测区，并在监测区的4个角各布置一个压电片后，将4枚压电片两两连线形成6条监测路径，6条监测路径将监测区划分为A、B、C和D监测区域；
分别在各个监测区域内逐一布置预设的初始健康状态、轻微损伤状态、中度损伤状态以及严重损伤状态，且任一监测区域内为轻微损伤状态、中度损伤状态或严重损伤状态时，其它监测区域均为初始健康状态，控制每条监测路径起始端电压片发射Lamb波测试信号，4个监测区域的6条监测路径结束端电压片逐一获取相应的响应信号,每组响应信号包括一个监测区域同一监测路径的4种状态信号；
将A监测区域的6组响应信号、B监测区域的6组响应信号、C监测区域的6组响应信号和D监测区域的6组响应信号逐一组合，得到6*6*6*6组组合响应信号；
设置多个特征选择参数，逐一根据多个特征选择参数分别从每组组合响应信号中的每条响应信号提取相应的多个特征向量,逐一将提取自同一组组合响应信号的多个特征向量组合成多个特征向量集，并归一化处理每组特征向量集获得多组标准特征向量集；
采用Fisher线性判别分析计算多组标准特征向量集的Fisher距离值，将Fisher距离值最大的标准特征向量集对应的多条监测路径组合成为最优监测路径集。
进一步地，所述预先训练的支持向量机分类模型训练方法包括：将Fisher距离值最大的标准特征向量集的多个特征向量作为预先构建的支持向量机分类模型的输入，训练支持向量机分类模型。
进一步地，所述预设的初始健康状态、轻微损伤状态、中度损伤状态以及严重损伤状态的设置依据为监测区域的分层损伤面积S，单位为mm2：
当S＝0时，预设的状态为初始健康状态；
当0<S<16时，预设的状态为轻微损伤状态；
当16<S<36时，预设的状态为中度损伤状态；
当36<S<64时，预设的状态为严重损伤状态。
另一方面，本发明提供一种复合材料结构损伤监测系统，包括以下模块：
样本获取模块，用于根据最优监测路径集的多条监测路径获取响应信号样本；
样本处理模块，用于根据预设的多个特征选择参数，逐一提取响应信号样本的多个特征向量后，将多个特征向量组合成特征向量集，并标准化特征向量集；
分类模块，用于将标准特征向量集的特征向量输入预先训练的支持向量机分类模型，得到支持向量机分类模型输出的分类结果。
与现有技术相比，本发明所达到的有益效果：
本发明基于最优路径集的监测路径对复合材料结构损伤响应信号进行实时监测分析，有效地减少了监测路径的数量，提升了响应信号样本的获取效率；本发明基于训练好的支持向量机分类模型对最优路径集的响应信号进行实时监测分析，能够实现识别初始健康状态、轻微损伤状态、中度损伤状态和严重损伤状态的响应信号，提升了对响应信号不同状态识别的效率。
附图说明
图1所示为本发明复合材料结构损伤监测方法的一种实施例流程图；
图2所示为本发明电压片的布置、监测路径及监测区域的一种实施例示意图；
图3是本发明监测区域A健康状态的一种实施例示意图；
图4是本发明监测区域A轻微损伤状态的一种实施例示意图；
图5是本发明监测区域A中度损伤状态的一种实施例示意图；
图6是本发明监测区域A严重损伤状态的一种实施例示意图；
图7是本发明各监测区域监测路径组合的一种实施例示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1
本实施例提供一种复合材料结构损伤监测方法，参考图1，包括以下步骤：
获取响应信号样本；
根据预设的多个特征选择参数，逐一提取响应信号样本的多个特征向量后，将多个特征向量组合成特征向量集，并归一化处理特征向量集获得标准特征向量集；
将标准特征向量集的特征向量输入预先训练的支持向量机分类模型，得到支持向量机分类模型输出的分类结果。
应用中，分类结果包括初始健康状态信号、轻微损伤状态信号、中度损伤状态或严重损伤状态信号。
本发明通过最优监测路径集的监测路径实时获取复合材料结构损伤响应信号，有效地减少了监测路径的数量，提升了响应信号样本的获取效率；并将响应信号样本转化成标准特征向量集，有效地减少了计算量；接着将标准特征向量集的特征向量输入预先训练的支持向量机分类模型，识别初始健康状态、轻微损伤状态、中度损伤状态和严重损伤状态的响应信号，并输出的分类结果；本发明的监测方法相对于传统方法提升了对响应信号不同状态识别的效率和准确率。
实施例2
在实施例1的基础上，本实施例提供响应信号样本的获取方法、多个特征选择参数的获取方法、最优监测路径集的获取方法和预设的初始健康状态、轻微损伤状态、中度损伤状态以及严重损伤状态的设置方法。
(一)响应信号样本
响应信号样本获取方法包括以下步骤：
参考图2，在待监测结构件上预设监测区，例如玻璃纤维增强塑料，但不限于此，并在监测区的4个角各布置一个压电片后，将4枚压电片两两连线形成6条监测路径；每条监测路径起始端的压电片激励发射器，另一端作为响应接收器。
逐一控制最优监测路径集的每条监测路径起始端的压电片发射Lamb波测试信号，监测路径结束端的压电片接收相对应的多条响应信号，获得响应信号样本。
本实施例应用时，如图2所示，a、b、c、d代表4枚压电片，4枚压电片两两连线组合构成6条监测路径，将结构件监测区划分为A、B、C、D共4个监测区域，箭头方向表示监测信号的传播方向，箭头起始端的压电片为激励发射器，箭头结束端的的压电片为响应接收器。
应用中，Lamb波测试信号包括激励信号中心频率为30KHz的A0模式Lamb波测试信号和激励信号中心频率为60KHz的S0模式Lamb波测试信号，其中激励信号采用5波峰汉宁窗正弦调制信号。
(二)多个特征选择参数
多个特征选择参数获取方法包括以下步骤：
多个特征选择参数包括时域特征选择参数、频域特征选择参数和/或时频域特征选择参数：
时域特征选择参数，包括均方根、方差、绝对值的平均值、波形因子、最大值、最小值和/或峰峰值差异；
频域特征选择参数，包括重心频率、频域方差和/或均方频率差异；
时频域特征选择参数，包括小波包三层分解时频域能量占比差异。
应用中，将提取的多个特征向量组合成特征向量集，并通过下式归一化处理特征向量集获得标准特征向量集：
其中，AD为归一化后的数值；X为输入向量；d为输入向量序列；max(X)为输入向量最大值；min(X)为输入向量最小值。
(三)最优监测路径集
最优监测路径集获取方法包括以下步骤：
参考图2，在初始健康状态的结构件上预设监测区，并在监测区的4个角各布置一个压电片后，将4枚压电片两两连线形成6条监测路径，6条监测路径将监测区划分为A、B、C和D监测区域；
参考图3-6，分别在各个监测区域内逐一布置预设的初始健康状态、轻微损伤状态、中度损伤状态以及严重损伤状态，且任一监测区域内为轻微损伤状态、中度损伤状态或严重损伤状态时，其它监测区域均为初始健康状态，控制每条监测路径起始端电压片发射Lamb波测试信号，4个监测区域的6条监测路径结束端电压片逐一获取相应的响应信号,每组响应信号包括一个监测区域同一监测路径的4种状态信号；
参考图7，将A监测区域的6组响应信号(A1、A2、A3、A4、A5和A6)、B监测区域的6组响应信号(B1、B2、B3、B4、B5和B6)、C监测区域的6组响应信号(C1、C2、C3、C4、C5和C6)和D监测区域的6组响应信号(D1、D2、D3、D4、D5和D6)逐一组合，得到6*6*6*6组组合响应信号；每组组合响应信号包括4个区域4种状态的监测路径响应信号。
设置多个特征选择参数，逐一根据多个特征选择参数分别从每组组合响应信号中的每条响应信号提取相应的多个特征向量,逐一将提取自同一组组合响应信号的多个特征向量组合成多个特征向量集，并归一化处理每组特征向量集获得多组标准特征向量集；
采用Fisher线性判别分析计算多组标准特征向量集的Fisher距离值，将Fisher距离值最大的标准特征向量集对应的多条监测路径组合成为最优监测路径集。
本实施例应用时，通过下列公式计算类间距离SB和类内距离SW以及Fisher距离值
其中，c设置为4；pi设置为1；m为所有样本的均值；ni为第i类样本数量；mi为第i类样本均值；pi为相应类别的先验概率。
本实施例应用时，将Fisher距离值最大的标准特征向量集的多个特征向量作为预先构建的支持向量机分类模型的输入，训练支持向量机分类模型。
(四)预设的初始健康状态、轻微损伤状态、中度损伤状态以及严重损伤状态的设置方法
参考图2-6，预设的初始健康状态、轻微损伤状态、中度损伤状态以及严重损伤状态的设置依据为监测区域的分层损伤面积S，单位为mm2：
当S＝0时，预设的状态为初始健康状态；
当0<S<16时，预设的状态为轻微损伤状态；
当16<S<36时，预设的状态为中度损伤状态；
当36<S<64时，预设的状态为严重损伤状态。
实施例3
本实施例提供一种复合材料结构损伤监测系统，包括以下模块：
样本获取模块，用于获取响应信号样本；
样本处理模块，用于根据预设的多个特征选择参数，逐一提取响应信号样本的多个特征向量后，将多个特征向量组合成特征向量集，并标准化特征向量集；
分类模块，用于将标准特征向量集的特征向量输入预先训练的支持向量机分类模型，得到支持向量机分类模型输出的分类结果。
上述各功能模块的具体功能实现参照实施例1或2方法中的相关内容。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (6)
1.一种复合材料结构损伤监测方法，其特征是，包括以下步骤：
根据最优监测路径集的多条监测路径获取响应信号样本；
根据预设的多个特征选择参数，逐一提取响应信号样本的多个特征向量后，将多个特征向量组合成特征向量集，并归一化处理特征向量集获得标准特征向量集；
将标准特征向量集的特征向量输入预先训练的支持向量机分类模型，得到支持向量机分类模型输出的分类结果；
其中，所述分类结果包括初始健康状态信号、轻微损伤状态信号、中度损伤状态信号或严重损伤状态信号；
所述获取响应信号样本包括以下步骤：
在待监测结构件上预设监测区，并在监测区的4个角各布置一个压电片后，将4枚压电片两两连线形成6条监测路径；
逐一控制最优监测路径集的每条监测路径起始端的压电片发射Lamb波测试信号，监测路径结束端的压电片接收相对应的多条响应信号，获得响应信号样本；
所述最优监测路径集获取方法包括以下步骤：
在初始健康状态的结构件上预设监测区，并在监测区的4个角各布置一个压电片后，将4枚压电片两两连线形成6条监测路径，6条监测路径将监测区划分为A、B、C和D监测区域；
分别在各个监测区域内逐一布置预设的初始健康状态、轻微损伤状态、中度损伤状态以及严重损伤状态，且任一监测区域内为轻微损伤状态、中度损伤状态或严重损伤状态时，其它监测区域均为初始健康状态，控制每条监测路径起始端电压片发射Lamb波测试信号，4个监测区域的6条监测路径结束端电压片逐一获取相应的响应信号,每组响应信号包括一个监测区域同一监测路径的4种状态信号；
将A监测区域的6组响应信号、B监测区域的6组响应信号、C监测区域的6组响应信号和D监测区域的6组响应信号逐一组合，得到6*6*6*6组组合响应信号；
设置多个特征选择参数，逐一根据多个特征选择参数分别从每组组合响应信号中的每条响应信号提取相应的多个特征向量,逐一将提取自同一组组合响应信号的多个特征向量组合成多个特征向量集，并归一化处理每组特征向量集获得多组标准特征向量集；
采用Fisher线性判别分析计算多组标准特征向量集的Fisher距离值，将Fisher距离值最大的标准特征向量集对应的多条监测路径组合成为最优监测路径集。
2.根据权利要求1所述的复合材料结构损伤监测方法，其特征是，所述Lamb波测试信号包括激励信号中心频率为30KHz的A0模式Lamb波测试信号和激励信号中心频率为60KHz的S0模式Lamb波测试信号。
3.根据权利要求2所述的复合材料结构损伤监测方法，其特征是，所述多个特征选择参数包括时域特征选择参数、频域特征选择参数和/或时频域特征选择参数；
所述时域特征选择参数包括均方根、方差、绝对值的平均值、波形因子、最大值、最小值和/或峰峰值差异；
所述频域特征选择参数包括重心频率、频域方差和/或均方频率差异；
所述时频域特征选择参数包括小波包三层分解时频域能量占比差异。
4.根据权利要求1所述的复合材料结构损伤监测方法，其特征是，所述预先训练的支持向量机分类模型训练方法包括：将Fisher距离值最大的标准特征向量集的多个特征向量作为预先构建的支持向量机分类模型的输入，训练支持向量机分类模型。
5.据权利要求1所述的复合材料结构损伤监测方法，其特征是，所述预设的初始健康状态、轻微损伤状态、中度损伤状态以及严重损伤状态的设置依据为监测区域的分层损伤面积S，单位为mm2：
当S＝0时，预设的状态为初始健康状态；
当0<S<16时，预设的状态为轻微损伤状态；
当16<S<36时，预设的状态为中度损伤状态；
当36<S<64时，预设的状态为严重损伤状态。
6.一种如权利要求1-5任一项所述的复合材料结构损伤监测方法的监测系统，其特征是，包括以下模块：
样本获取模块，用于根据最优监测路径集的多条监测路径获取响应信号样本；
样本处理模块，用于根据预设的多个特征选择参数，逐一提取响应信号样本的多个特征向量后，将多个特征向量组合成特征向量集，并标准化特征向量集；
分类模块，用于将标准特征向量集的特征向量输入预先训练的支持向量机分类模型，得到支持向量机分类模型输出的分类结果；
其中，所述分类结果包括初始健康状态信号、轻微损伤状态信号、中度损伤状态信号或严重损伤状态信号；
所述获取响应信号样本包括以下步骤：
在待监测结构件上预设监测区，并在监测区的4个角各布置一个压电片后，将4枚压电片两两连线形成6条监测路径；
逐一控制最优监测路径集的每条监测路径起始端的压电片发射Lamb波测试信号，监测路径结束端的压电片接收相对应的多条响应信号，获得响应信号样本；
所述最优监测路径集获取方法包括以下步骤：
在初始健康状态的结构件上预设监测区，并在监测区的4个角各布置一个压电片后，将4枚压电片两两连线形成6条监测路径，6条监测路径将监测区划分为A、B、C和D监测区域；
分别在各个监测区域内逐一布置预设的初始健康状态、轻微损伤状态、中度损伤状态以及严重损伤状态，且任一监测区域内为轻微损伤状态、中度损伤状态或严重损伤状态时，其它监测区域均为初始健康状态，控制每条监测路径起始端电压片发射Lamb波测试信号，4个监测区域的6条监测路径结束端电压片逐一获取相应的响应信号,每组响应信号包括一个监测区域同一监测路径的4种状态信号；
将A监测区域的6组响应信号、B监测区域的6组响应信号、C监测区域的6组响应信号和D监测区域的6组响应信号逐一组合，得到6*6*6*6组组合响应信号；
设置多个特征选择参数，逐一根据多个特征选择参数分别从每组组合响应信号中的每条响应信号提取相应的多个特征向量,逐一将提取自同一组组合响应信号的多个特征向量组合成多个特征向量集，并归一化处理每组特征向量集获得多组标准特征向量集；
采用Fisher线性判别分析计算多组标准特征向量集的Fisher距离值，将Fisher距离值最大的标准特征向量集对应的多条监测路径组合成为最优监测路径集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111047208.5A CN113933387B (zh) | 2021-09-08 | 2021-09-08 | 一种复合材料结构损伤监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111047208.5A CN113933387B (zh) | 2021-09-08 | 2021-09-08 | 一种复合材料结构损伤监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113933387A CN113933387A (zh) | 2022-01-14 |
| CN113933387B true CN113933387B (zh) | 2024-05-14 |
Family
ID=79275286
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111047208.5A Active CN113933387B (zh) | 2021-09-08 | 2021-09-08 | 一种复合材料结构损伤监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113933387B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117949539B (zh) * | 2024-03-26 | 2024-06-21 | 天津风霖物联网科技有限公司 | 一种工程建筑强度检测系统及其检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102072936A (zh) * | 2010-11-05 | 2011-05-25 | 上海交通大学 | 基于时间逆转导向波的损伤检测方法 |
| CN107144643A (zh) * | 2017-06-15 | 2017-09-08 | 南京邮电大学 | 一种Lamb波监测信号统计参数的损伤识别方法 |
| WO2019134742A1 (en) * | 2018-01-03 | 2019-07-11 | Christian-Albrechts-Universität Zu Kiel | Sensor arrangements for an ultrasonic probe |
| CN110208377A (zh) * | 2019-06-19 | 2019-09-06 | 南京邮电大学 | 一种基于Lamb波的多特征参数损伤程度评估方法 |
| CN110687208A (zh) * | 2019-09-26 | 2020-01-14 | 华东理工大学 | 一种基于双曲线定位的无基准Lamb波损伤监测方法 |
| CN113237951A (zh) * | 2021-05-11 | 2021-08-10 | 重庆大学 | 一种基于形状上下文动态时间规整的金属板疲劳损伤超声导波检测方法 |
-
2021
- 2021-09-08 CN CN202111047208.5A patent/CN113933387B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102072936A (zh) * | 2010-11-05 | 2011-05-25 | 上海交通大学 | 基于时间逆转导向波的损伤检测方法 |
| CN107144643A (zh) * | 2017-06-15 | 2017-09-08 | 南京邮电大学 | 一种Lamb波监测信号统计参数的损伤识别方法 |
| WO2019134742A1 (en) * | 2018-01-03 | 2019-07-11 | Christian-Albrechts-Universität Zu Kiel | Sensor arrangements for an ultrasonic probe |
| CN110208377A (zh) * | 2019-06-19 | 2019-09-06 | 南京邮电大学 | 一种基于Lamb波的多特征参数损伤程度评估方法 |
| CN110687208A (zh) * | 2019-09-26 | 2020-01-14 | 华东理工大学 | 一种基于双曲线定位的无基准Lamb波损伤监测方法 |
| CN113237951A (zh) * | 2021-05-11 | 2021-08-10 | 重庆大学 | 一种基于形状上下文动态时间规整的金属板疲劳损伤超声导波检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于Lamb波的复合材料结构损伤成像研究;严刚;周丽;;仪器仪表学报;20070430(04);全文 * |
| 基于机器学习方法的超声导波结构健康监测研究;高东岳;;纤维复合材料;20200815(03);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113933387A (zh) | 2022-01-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lee et al. | Application of deep neural network and generative adversarial network to industrial maintenance: A case study of induction motor fault detection | |
| CN108169639B (zh) | 基于并行长短时记忆神经网络的识别开关柜故障的方法 | |
| CN110044623B (zh) | 经验模态分解剩余信号特征的滚动轴承故障智能识别方法 | |
| CN105841797A (zh) | 一种基于mfcc和svm的车窗电机异常噪声检测方法及装置 | |
| CN106841403A (zh) | 一种基于神经网络的声学玻璃缺陷检测方法 | |
| CN110040594B (zh) | 一种基于卷积神经网络的电梯运行检测系统及方法 | |
| CN112660745B (zh) | 托辊故障智能诊断方法、系统及可读存储介质 | |
| CN102928472A (zh) | 一种用于风力发电机叶片裂纹的监测方法 | |
| CN113158984B (zh) | 基于复Morlet小波和轻量级卷积网络的轴承故障诊断方法 | |
| CN113933387B (zh) | 一种复合材料结构损伤监测方法及系统 | |
| CN109323754A (zh) | 一种列车车轮多边形故障诊断检测方法 | |
| CN112507915A (zh) | 一种基于振动响应信息的螺栓连接结构松动状态识别方法 | |
| CN102735442A (zh) | 一种转子在线监测与故障诊断方法 | |
| CN110208377A (zh) | 一种基于Lamb波的多特征参数损伤程度评估方法 | |
| CN110376289A (zh) | 一种基于声发射手段的复合材料纤维编织层损伤识别方法 | |
| CN104237757A (zh) | 基于eemd和边际谱熵的绝缘子污秽放电模式识别方法 | |
| CN113283310A (zh) | 一种基于声纹特征的电力设备健康状态检测系统和方法 | |
| CN110487917A (zh) | 一种基于神经网络的应力波检测与分析系统 | |
| CN116778964A (zh) | 一种基于声纹识别的变电设备故障监测系统及方法 | |
| CN116625683A (zh) | 一种风电机组轴承故障识别方法、系统、装置及电子设备 | |
| CN115389439A (zh) | 基于大数据的河流污染物监测方法及系统 | |
| CN116432112A (zh) | 基于小波包变换、残差卷积神经网络的电弧故障检测方法 | |
| CN105354170A (zh) | 基于ceemd和奇异值分解的识别方法 | |
| CN112906672B (zh) | 钢轨缺陷识别方法及系统 | |
| CN106338664B (zh) | 一种列车变流器故障诊断方法和装置 |
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 |