CN113935231A - 一种基于稀疏阵列大尺度结构损伤监测与评估方法 - Google Patents
一种基于稀疏阵列大尺度结构损伤监测与评估方法 Download PDFInfo
- Publication number
- CN113935231A CN113935231A CN202111074817.XA CN202111074817A CN113935231A CN 113935231 A CN113935231 A CN 113935231A CN 202111074817 A CN202111074817 A CN 202111074817A CN 113935231 A CN113935231 A CN 113935231A
- Authority
- CN
- China
- Prior art keywords
- damage
- svm
- training
- eigenvalues
- model
- 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
- 230000006378 damage Effects 0.000 title claims abstract description 266
- 238000012544 monitoring process Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims description 28
- 238000003491 array Methods 0.000 title claims description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000007635 classification algorithm Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 126
- 238000012706 support-vector machine Methods 0.000 claims description 106
- 230000004044 response Effects 0.000 claims description 34
- 238000012360 testing method Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 208000027418 Wounds and injury Diseases 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 9
- 208000014674 injury Diseases 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 7
- 230000005284 excitation Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000013145 classification model Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 230000009526 moderate injury Effects 0.000 claims description 4
- 230000009528 severe injury Effects 0.000 claims description 4
- 208000037974 severe injury Diseases 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 abstract description 4
- 239000000523 sample Substances 0.000 description 34
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000000513 principal component analysis Methods 0.000 description 9
- 239000012468 concentrated sample Substances 0.000 description 8
- 238000000354 decomposition reaction Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 235000019687 Lamb Nutrition 0.000 description 6
- 239000002131 composite material Substances 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 6
- 150000001875 compounds Chemical class 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 description 2
- 101000836337 Homo sapiens Probable helicase senataxin Proteins 0.000 description 2
- 102100027178 Probable helicase senataxin Human genes 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011152 fibreglass Substances 0.000 description 2
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
-
- 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
-
- 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
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Medical Informatics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Electrochemistry (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于稀疏阵列大尺度结构损伤监测与评估方法，包括：将未知样本输入SVM损伤方位判定模型中，输出该未知样本的损伤方位；将未知样本输入SVM损伤程度跟踪判定模型中，输出该未知样本的损伤程度。从信号的多特征参数方面进行分析，提取损伤方位和损伤程度，通过提取多特征参数的方式弥补稀疏阵列信息量少、难以辨识损伤的问题。借助机器学习的分类算法，实现对大尺度板状结构断层损伤方位和后续损伤程度的跟踪评估的辨识模型。
Description
技术领域
本发明涉及一种基于稀疏阵列大尺度结构损伤监测与评估方法，属于损伤检测技术领域。
背景技术
大尺度板状结构已经在航空航天飞行器、桥梁和船舶等工程上得到了广泛应用，但此类大尺度结构在制造和使用过程中，不可避免地会受到损伤，导致结构强度急剧下降，给工程安全造成严重威胁。
目前，在大尺度板状结构损伤监测中，由于大板板状结构面积大，覆盖广的特性，损伤监测很难实现全面覆盖大尺度板状结构，实现损伤全面监测，同时在大尺度板状结构上外加的监测设备过于繁多，监测效果却达不到理想效果。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于稀疏阵列大尺度结构损伤监测与评估方法，及时准确地检测出大尺度板状结构内部损伤，确定损伤程度和方位，并能够对大尺度板进行大范围的损伤监测，为结构件维修人员直观地提供大型材料广度监测和辨识。
为达到上述目的，本发明提供一种基于稀疏阵列大尺度结构损伤监测与评估方法，包括：将未知样本输入SVM损伤方位判定模型中，输出该未知样本的损伤方位；
将未知样本输入SVM损伤程度跟踪判定模型中，输出该未知样本的损伤程度。
优先地，建立SVM损伤方位判定模型，包括：
将稀疏压电传感阵列周边范围划分为L个区域，L为正整数；
基于支持向量机建立SVM损伤方位判定初始模型；
将训练集中包括多位置信号对比的特征值信息的训练样本输入SVM损伤方位判定初始模型中进行训练，获得SVM损伤方位判定模型：
式中，训练集中共计有N个训练样本(x1，y1)，...，(xN，yN)，i∈{1，2，…N}，j∈[1，L]，k∈[2，L]，wjk为区分属于第j个区域的训练样本和属于第k个区域的训练样本的支持向量机的权重向量；bjk为支持向量机的偏值；
为属于第j个区域的训练样本和属于第k个区域的训练样本的SVM松弛变量；φ(xi)表示将xi映射到高维空间，上边界c＞0；
通过决策函数评估训练样本是属于第j个区域的样本还是属于第k个区域；
决策函数为：
fjk(x)＝sgn(wjk·φ(xi)+bjk)，
式中，
将测试集中样本和训练集中训练样本打乱分为若干组，并输入SVM损伤方位判定模型中进行交叉验证，若SVM损伤方位判定模型预测的区域和实际所属区域相同则表示训练结果正确，否则表示训练结果错误；
计算SVM损伤方位判定模型预测的区域的正确率，若正确率高于设定的阈值，则表示训练合格，否则重复上述步骤重新训练SVM损伤方位判定模型。
优先地，建立SVM损伤程度跟踪判定模型，包括：
建立SVM损伤程度跟踪判定初始模型；
将损伤程度按照严重程度划分为A个范围；
将训练集中包括时域特征值、频域特征值和时频域特征值信息的训练样本输入SVM损伤程度跟踪判定初始模型中进行训练，获得SVM损伤程度跟踪判定模型：
式中，训练集中共计有N个训练样本(x1，y1)，...，(xN，yN)，i∈{1，2，…N}j∈[1，A]，k∈[2，A]，wjk为区分属于第j个区域的训练样本和属于第k个区域的训练样本的支持向量机的权重向量；bjk为支持向量机的偏值；
为属于第j个区域的训练样本和属于第k个区域的训练样本的SVM松弛变量；φ(xi)表示将xi映射到高维空间，上边界c＞0；
通过决策函数评估输入的训练样本是属于第j个区域的样本还是属于第k个区域；
决策函数为：
fjk(x)＝sgn(wjk·φ(xi)+bjk)，
式中，
优先地，将测试集中样本和训练集中训练样本打乱分为若干组，并输入SVM损伤程度跟踪判定模型中进行交叉验证，若SVM损伤程度跟踪判定模型预测的损伤程度和实际的损伤程度相同则表示训练结果正确，否则表示训练结果错误；
计算SVM损伤程度跟踪判定模型预测的损伤程度的正确率，若正确率高于设定的阈值，则表示训练合格，否则重复上述步骤重新训练SVM损伤程度跟踪判定模型。
优先地，包括若干个三角稀疏压电传感阵列，若干个三角稀疏压电传感阵列阵列分布；
三角稀疏压电传感阵列为三个呈三角形分布的压电片，每个压电片对应一个路径；
将每个三角稀疏压电传感阵列周边范围划分为6个区域，用于确定损伤方位和损伤程度。
优先地，建立SVM损伤方位判定模型，具体包括：
基于支持向量机分类算法建立SVM损伤方位判定初始模型；
将稀疏压电传感阵列周边范围划分为6个区域；
将训练集中包括多位置信号对比的5种特征值信息的训练样本输入SVM损伤方位判定初始模型中进行训练，基于多位置信号对比的5种特征值、3个路径和6个区域的损伤方位建立15个输入和6个输出的SVM分类模型。
优先地，建立SVM损伤程度跟踪判定模型，包括：
损伤程度有3种不同损伤程度，包括微小损伤、中度损伤和重度损伤；
每个训练样本的每个路径中均从时域特征值、频域特征值、时频域特征值和多位置信号对比的特征值中选取37种特征值；
基于PCA降维得到贡献率排名前p的特征值和3种不同损伤程度，建立p个输入和3个输出的SVM损伤程度跟踪判定初始模型。
优先地，时域特征值包括信号包络面积、信号相关性、信号差异系数、均方根、方差、偏斜度、峰值因子、峰度系数、峰峰值、K因子、最大幅值、脉冲因子、裕度因子、波形因子和分形维数，频域特征值包括重心频率、频率方差和均方频率，时频域特征值包括小波能量比、小波能量熵、小波特征尺度熵、小波奇异谱熵和IMF1的振幅均值，多位置信号对比的特征值包括到达时间差值、信号突变时间、信号差异性、散射信号大小和散射波包面积。
优先地，基于PCA降维得到贡献率排名前p的特征值，包括：
主成分贡献率Ai，累计贡献率C(m)计算公式为：
式中：p为选定的特征值的个数，m为总的特征值的个数，λi为随机向量协方差矩阵的特征值；当选定的特征值的累计贡献率大于80％时，按照贡献率由高到低选取前p个特征值输入SVM损伤程度跟踪判定初始模型中。
优先地，获取训练集和测试集，包括：
依次选取每个压电片为激励点并激发信号，由其他两个压电片分别接收结构件的响应信号；多次采集大尺度板状结构上不同方位的损伤情况和不同方位上损伤程度，获得响应信号；根据信号的时域、频域和小波时频分析对响应信号进行处理分析，得到时域特征值、频域特征值、时频域特征值和多位置信号对比的特征值，并存储在损伤信息数据库中；
从损伤信息数据库中选取多个数据，得到训练集和测试集。
本发明所达到的有益效果：
本发明针对大尺度下的板状结构的典型断层损伤，提出了一种三角稀疏压电传感阵列布置方式，设计稀疏阵列布置方式降低了传统损伤监测设备多的问题，从损伤对Lamb波信号传播的机理出发，高效地利用Lamb波对损伤位置的响应信号实现对大尺度结构损伤的监测，从信号的多特征参数方面进行分析，提取损伤方位和损伤程度，通过提取多特征参数的方式弥补稀疏阵列信息量少、难以辨识损伤的问题。借助机器学习的分类算法，实现对大尺度板状结构断层损伤方位和后续损伤程度的跟踪评估的辨识模型。在复合材料板上的实验表明：三角稀疏阵列的布置方式能够对大尺度板状结构的断层损伤的方位及跟踪评估具有一定的辨识效果，所训练的模型实现对损伤的定位及定量评估。
本发明的研究结果对大型结构损伤难以评估的问题提出解决方案，能够判断脱层损伤的位置，和后续已定位的损伤程度进行了直观的判定，同时对该损伤的发展方向提供了可靠的预估依据。大尺度的压电片降低了压电片的数量，降低了成本，同时能够监测大面积区域，监测范围更大；
针对大尺度结构损伤监测范围广、监测点多的难点，在结构件上布局三角稀疏压电传感阵列，分别针对三角稀疏压电传感阵列的不同方位的损伤情况，以及对不同方位上损伤的程度大小的响应信号进行多次采集；
对采集到的不同状态下的结构件响应信号进行信号处理与分析，主要使用信号的时域、频域和小波时频分析，提取相关损伤变换的状态因子，得到时域方面信号包络面积、信号相关性、信号差异系数等特征值，频域方面重心频率、频率方差等特征值，时频域中小波能量比、能量熵等，多信号方面到达时间差、信号突变时间等；
建立相应的SVM损伤方位判定模型，然后利用训练集多信号方面的特征值进行损伤方位模型训练，最后根据当前监测损伤的特征输入，实现损伤发生和方位的判定。
建立相应的SVM损伤程度跟踪判定模型，然后利用训练集中时域、频域和时频域方面的特征值进行损伤程度跟踪模型训练，根据之前已判定方位的损伤的特征输入，对损伤进行程度的跟踪判定。
在S2步骤中，分别在结构件的不同损伤状态(不同方向和程度)下，轮流选取每个压电片为激励点在结构件中激发信号，由该三角形压电传感阵列的其他两个压电片来分别接收结构件的响应信号。按照这一响应信号采集方法进行轮流采集，并最终采集完成三条不同路径上的单元响应信号。
将不同损伤状态(不同方向和程度)下所采集到的响应信号进行多方位多角度信号分析，从时域、频域和时频域的角度进行信号分析，提取出典型的、能够较好的反映损伤方位和后续程度的变化的特征参数，得到时域方面信号包络面积Area、信号相关性P、信号差异系数SDC、均方根RMS、方差Variance、偏斜度Skewness、峰值因子Peak、峰度系数Kurtosis、峰峰值PPK、K因子、最大幅值Max、脉冲因子I、裕度因子L、波形因子S、分形维数D，频域方面重心频率FC、频率方差VF、均方频率MSF，时频域特征值小波能量比pi、小波能量熵Ene、小波特征尺度熵Ei、小波奇异熵qyshang、IMF1振幅均值以及多种信号对比之间的达到时间差ΔT、信号突变时间dT、信号差异性Corr、散射信号大小Size、散射波包面积Ar；共计42种特征值，建立损伤信息数据库。
建立相应的SVM损伤方位判定模型，然后利用训练集多信号方面的特征值进行损伤方位模型训练，最后根据当前监测损伤的特征输入，实现损伤发生和方位的判定；
建立相应的SVM损伤程度跟踪判定模型，然后利用训练集中时域、频域和时频域方面的特征值进行损伤程度跟踪模型训练，根据之前已判定方位的损伤的特征输入，对损伤进行程度的跟踪判定。
采用上述技术手段，准确地检测出大尺度板状结构内部损伤，确定损伤程度和方位，并能够对大尺度板进行大范围的损伤监测，为结构件维修人员直观地提供大型材料广度监测和辨识。
附图说明
图1是本发明中三角稀疏阵列压电排布方式图；
图2是本发明实施例中划分的6个区域示意图；
图3是本发明实施例中典型的健康和损伤信号时域波形图；
图4是本发明中三角稀疏压电传感阵列测得的健康小波变换时频谱图；
图5是本发明中三角稀疏压电传感阵列测得的损伤小波变换时频谱图；
图6是本发明实施例中希尔伯特黄变换IMF1图；
图7是本发明实施例中采用的SVM分类模型原理图；
图8是本发明实施例中多特征参数归一化柱状图；
图9是本发明实施例中多特征累计贡献率曲线图。
具体实施方式
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。
实施例一
一种基于稀疏阵列大尺度结构损伤监测与评估方法，包括：
将未知样本输入SVM损伤方位判定模型中，输出该未知样本的损伤方位；
将未知样本输入SVM损伤程度跟踪判定模型中，输出该未知样本的损伤程度。
优先地，建立SVM损伤方位判定模型，包括：
将稀疏压电传感阵列周边范围划分为L个区域，L为正整数；
基于支持向量机建立SVM损伤方位判定初始模型；
将训练集中包括多位置信号对比的特征值信息的训练样本输入SVM损伤方位判定初始模型中进行训练，获得SVM损伤方位判定模型：
式中，训练集中共计有N个训练样本(x1，y1)，...，(xN，yN),i∈{1,2,…N}，j∈[1，L]，k∈[2，L]，wjk为区分属于第j个区域的训练样本和属于第k个区域的训练样本的支持向量机的权重向量；bjk为支持向量机的偏值；
为属于第j个区域的训练样本和属于第k个区域的训练样本的SVM松弛变量；φ(xi)表示将xi映射到高维空间，上边界c>0；
通过决策函数评估训练样本是属于第j个区域的样本还是属于第k个区域；
决策函数为：
fjk(x)＝sgn(wjk·φ(xi)+bjk)，
式中，
将测试集中样本和训练集中训练样本打乱分为若干组，并输入SVM损伤方位判定模型中进行交叉验证，若SVM损伤方位判定模型预测的区域和实际所属区域相同则表示训练结果正确，否则表示训练结果错误；
计算SVM损伤方位判定模型预测的区域的正确率，若正确率高于设定的阈值，则表示训练合格，否则重复上述步骤重新训练SVM损伤方位判定模型。
优先地，建立SVM损伤程度跟踪判定模型，包括：
建立SVM损伤程度跟踪判定初始模型；
将损伤程度按照严重程度划分为A个范围；
将训练集中包括时域特征值、频域特征值和时频域特征值信息的训练样本输入SVM损伤程度跟踪判定初始模型中进行训练，获得SVM损伤程度跟踪判定模型：
式中，训练集中共计有N个训练样本(x1，y1)，...，(xN,yN),i∈{1,2,…N},j∈[1，A]，k∈[2，A]，wjk为区分属于第j个区域的训练样本和属于第k个区域的训练样本的支持向量机的权重向量；bjk为支持向量机的偏值；
为属于第j个区域的训练样本和属于第k个区域的训练样本的SVM松弛变量；φ(xi)表示将xi映射到高维空间，上边界c>0；
通过决策函数评估输入的训练样本是属于第j个区域的样本还是属于第k个区域；
决策函数为：
fjk(x)＝sgn(wjk·φ(xi)+bjk)，
式中，
优先地，将测试集中样本和训练集中训练样本打乱分为若干组，并输入SVM损伤程度跟踪判定模型中进行交叉验证，若SVM损伤程度跟踪判定模型预测的损伤程度和实际的损伤程度相同则表示训练结果正确，否则表示训练结果错误；
计算SVM损伤程度跟踪判定模型预测的损伤程度的正确率，若正确率高于设定的阈值，则表示训练合格，否则重复上述步骤重新训练SVM损伤程度跟踪判定模型。
优先地，包括若干个三角稀疏压电传感阵列，若干个三角稀疏压电传感阵列阵列分布；
三角稀疏压电传感阵列为三个呈三角形分布的压电片，每个压电片对应一个路径；
将每个三角稀疏压电传感阵列周边范围划分为6个区域，用于确定损伤方位和损伤程度。
优先地，建立SVM损伤方位判定模型，具体包括：
基于支持向量机分类算法建立SVM损伤方位判定初始模型；
将稀疏压电传感阵列周边范围划分为6个区域；
将训练集中包括多位置信号对比的5种特征值信息的训练样本输入SVM损伤方位判定初始模型中进行训练，基于多位置信号对比的5种特征值、3个路径和6个区域的损伤方位建立15个输入和6个输出的SVM分类模型。
优先地，建立SVM损伤程度跟踪判定模型，包括：
损伤程度有3种不同损伤程度，包括微小损伤、中度损伤和重度损伤；
每个训练样本的每个路径中均从时域特征值、频域特征值、时频域特征值和多位置信号对比的特征值中选取37种特征值；
基于PCA降维得到贡献率排名前p的特征值和3种不同损伤程度，建立p个输入和3个输出的SVM损伤程度跟踪判定初始模型。
优先地，时域特征值包括信号包络面积、信号相关性、信号差异系数、均方根、方差、偏斜度、峰值因子、峰度系数、峰峰值、K因子、最大幅值、脉冲因子、裕度因子、波形因子和分形维数，频域特征值包括重心频率、频率方差和均方频率，时频域特征值包括小波能量比、小波能量熵、小波特征尺度熵、小波奇异谱熵和IMF1的振幅均值，多位置信号对比的特征值包括到达时间差值、信号突变时间、信号差异性、散射信号大小和散射波包面积。
优先地，基于PCA降维得到贡献率排名前p的特征值，包括：
主成分贡献率Ai，累计贡献率C(m)计算公式为：
式中：p为选定的特征值的个数，m为总的特征值的个数，λi为随机向量协方差矩阵的特征值；当选定的特征值的累计贡献率大于80％时，按照贡献率由高到低选取前p个特征值输入SVM损伤程度跟踪判定初始模型中。
优先地，获取训练集和测试集，包括：
依次选取每个压电片为激励点并激发信号，由其他两个压电片分别接收结构件的响应信号；多次采集大尺度板状结构上不同方位的损伤情况和不同方位上损伤程度，获得响应信号；根据信号的时域、频域和小波时频分析对响应信号进行处理分析，得到时域特征值、频域特征值、时频域特征值和多位置信号对比的特征值，并存储在损伤信息数据库中；
从损伤信息数据库中选取多个数据，得到训练集和测试集。
具体地，如图1所示，是本发明方法的流程图，包括如下步骤：
步骤一、设置新型稀疏阵列压电排布方式，对压电片进行布置和编号。
所述压电片布局规则为：本发明实施例所采用的试验结构件为玻璃纤维增强塑料，在进行试验时，按照区域性损伤监测的基本思想，将大尺度结构按区域进行划分，将大尺度板材细分为较小的子区域，在子区域的中心依据最简设计原则，将传感器阵列布置为三角稀疏压电传感阵列。
S1：针对大尺度板状结构损伤监测范围广、监测点多的难点，在大尺度板状结构上布局三角稀疏压电传感阵列，将若干个稀疏压电传感阵列等间距布置在待监测的大尺度结构上；如图2为子区域上存在断层损伤的响应信号，分别轮流选用三个压电片中的一个作为激励点，其余两个作为接收点，轮流对不同状态的损伤进行信号的采集，最终，一种损伤状态含有Sen1-Sen2、Sen2-Sen3、Sen3-Sen1三条路径上不同的结构响应信号。其中，Sen1激励---->sen2接收，Sen2激励---->sen3接收，Sen3激励---->sen1接收。
稀疏阵列布置下，依然要能够监测损伤发生的方位，则必须依据压电片传感器放置的方式，对大尺度区域单元结构再次划分方位，每个方位是等效的，具体的划分方位如图2所示。这种划分方式既能够分辨多区域损伤方位，也能够实现对损伤程度进行跟踪评估。
将单元分为6个等效方位后，所布置的三个压电片传感器对同一损伤的响应信号必定存在差异，利用这一差异可以区分损伤发生的具体方位，从而细分到这6个等效方位上，即可实现损伤的方位辨识。
S2：多次采集不同方位的损伤情况和不同方位上损伤程度，获得响应信号；
在时域中，如图3所示。当结构出现断层损伤时，Lamb波响应信号经过断层损伤，其中一部分响应信号在受到断层内部的阻碍，响应信号会发生散射或反射甚至模式变换，造成信号幅值和能量的下降。在频域当中，由于断层损伤会引起大尺度结构非线性变化，一定程度上会引起基频信号的偏移和改变。
S3：对采集到的不同损伤程度下的结构件响应信号(Lamb波结构响应信号)进行信号处理与分析，主要使用信号的时域、频域和小波时频分析，提取得到时域特征值、频域特征值、时频域特征值和多位置信号对比的特征值，时域特征值包括信号包络面积、信号相关性、信号差异系数、均方根、方差、偏斜度、峰值因子、峰度系数、峰峰值、K因子、最大幅值、脉冲因子、裕度因子、波形因子和分形维数，频域特征值包括重心频率、频率方差和均方频率，时频域特征值包括小波能量比、小波能量熵、小波特征尺度熵、小波奇异谱熵和IMF1的振幅均值，多位置信号对比的特征值包括到达时间差值、信号突变时间、信号差异性、散射信号大小和散射波包面积。
在时频域当中，小波包分解能够更加全面具体的体现出响应信号的多种细节信息，如图5所示。此外，在希尔伯特分析方面，如图6所示，损伤状态下由于散射的发生，导致在0.3ms处IMF1瞬时振幅明显比健康状态的瞬时振幅大。最后在多信号方面，损伤位置的不同，传感器位置的不同，都会产生不同的响应信号，损伤位置较远时，损伤散射波包来的慢，并且信号会发生衰减。因此，根据上述的变化，分别从不同的角度对结构响应信号特征进行分析和提取，将特征参数分为大致的4类，一共有42个特征参数，具体见表1所示。
| 时域特征值 | 频域特征值 |
| 信号包络面积Area | 重心频率FC |
| 信号相关性P | 频率方差VF |
| 信号差异系数SDC | 均方频率MSF |
| 均方根RMS | 时频域特征值 |
| 方差Variance | 小波能量比pi |
| 偏斜度Skewness | 小波能量熵Ene |
| 峰值因子Peak | 小波特征尺度熵Ei |
| 峰度系数Kurtosis | 小波奇异谱熵qyshang |
| 峰峰值PPK | IMF1的振幅均值 |
| K因子 | 多位置信号对比 |
| 最大幅值Max | 到达时间差值ΔT |
| 脉冲因子I | 信号突变时间dT |
| 裕度因子L | 信号差异性Corr |
| 波形因子S | 散射信号大小Size |
| 分形维数D | 散射波包面积Ar |
其中由于小波包是进行的3层小波分解，因此小波能量比、小波特征尺度熵每个有8个特征参数。
(1)小波能量比：
设原始信号S(t)的数据长度为N，则分解频带中离散信号S(j，k)(i)的数据长度缩减为2-jN，它的能量可表示为
式中：j表示分解次数，k＝0，1，2，...，2j-1，表示分解频带的位置序号。
第k频带分解信号的能量占比为：
式中：E(S(t))为总能量之和。
(2)小波能量熵：
在得到小波包分解的每个频带的能量占比后，小波能量熵的公式为：
(3)小波特征尺度熵：
对信号进行j层小波包分解，从而得到分解后的子序列为S(j，k)，其中k＝0，1，2，...，2j-1，，在此对信号的小波包分解看成是一种时域角度的划分，划分方法为
式中：SF(j，k)(i)为子序列S(j，k)进行傅里叶变换序列的第i个值。再由信息熵的基本理论，定义小波包特征熵为
式中：Hj，k为复合材料板损伤信号的第j层第k个小波包特征尺度熵值。
(4)小波奇异谱熵：
以长度为M，步长为1将子序列S(j，k)加窗，并映射到嵌入空间中，即将该系数序列分为2-jN-M+1个数据段，构造状态矩阵
在将Aj，k进行奇异值分解，得到奇异值为
则
即构成该层信号的奇异值谱。其中非零奇异值的个数反映了矩阵Aj，k包含的不同模式的个数，奇异值
的大小反映了对应模式在总模式中占的比重。因此，基于信息熵理论，该尺度系数序列的奇异值谱熵为
式中：
在综合冗余信息的基础上，小波包空间的奇异熵直接反映了被分析信号时频空间中特征模式能量的分布不确定性。
S4：建立相应的SVM损伤方位判定模型，然后将训练集中多位置信号对比的特征值输入SVM损伤方位判定初始模型中训练SVM损伤方位判定模型，最后根据当前监测损伤的特征输入，判定损伤是否发生和损伤方位；
S5：建立相应的SVM损伤程度跟踪判定模型，然后将训练集中时域特征值、频域特征值和时频域特征输入SVM损伤程度跟踪判定模型中进行损伤程度跟踪模型训练，根据之前已判定方位的损伤的特征输入，判定跟踪损伤程度。
所述大尺度板状结构为玻璃纤维增强塑料。本实施例中一个三角稀疏压电传感阵列为一个监测单元，一个监测单元由三个压电片组成，压电片就是激励发射器，一条路径就是一个压电片；
上位机、功率放大器和三角稀疏压电传感阵列依次电连接，上位机产生信号，给功率放大器放大信号，然后通过导线传到三角稀疏压电传感阵列的压电片上，然后信号在大尺度板状结构中传播，同时携带损伤信号到接收的压电片，然后将接收信号通过电荷放大器放大，最后通过数据采集卡采集到包含损伤信息的响应信号。
在S2步骤中，通过上位机与功率放大器将Lamb波超声信号加载到每一个监测单元中央的激励发射器上，从而激发出该监测单元范围内大尺度板状结构的响应信号；再经过该监测单元周围的响应接收压电片、电荷放大器以及数据采集卡，来对这一响应信号进行传感、放大和采集，最终将响应信号存入计算机中。
由于损伤方位的辨识是一个多特征参数输入多方位区域输出的问题，且特征参数牵扯到线性和非线性的变化，所以对这样一个复杂模型，本文主要使用支持向量机分类算法(Support Vector Machine，常简称为SVM)来对方位进行辨识，SVM可广泛地用于统计分类以及回归分析，它是将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。如图7所示。本文利用支持向量机进行损伤方位和追踪评估，属于多分类问题，所以需要将多个SVM进行组合。本文使用一对一组合方案，即对任意两类样本间都需要构建一个支持向量机。对于L(L＞2)类问题，需要构造L(L-1)/2个支持向量机，每个训练好的分类器用来区分两个类别。
训练集中的N个训练样本是来自于损伤信息数据库，损伤信息数据库中记载大尺度板状结构的历史数据，历史数据包括不同损伤方位以及不同损伤程度；根据不同损伤程度获取3个路径的信号，对每个路径的信号提取42个特征，一个训练样本总体来说是42×3个特征放到损伤信息数据库中。
设有N个训练样本(x1，y1)，...，(xN，yN)，其中，i∈{1，2，…N}，则区分第j类和第k类的SVM需求解为：
式中，wjk为区分第j类和第k类样本的SVM的权重向量；bjk为其SVM的偏值；
为第j类和第k类样本的SVM松弛变量；φ(xi)表示将xi映射到高维空间。得到的决策函数为：
fjk(x)＝sgn(wjk·φ(xi)+bjk) (9)
决策函数对第j类和第k类样本进行决策，判断输入的训练样本是属于j类还是k类的可能性更大。
进行损伤监测时，对于一个未知损伤样本，所有L(L-1)/2个分类器采用投票法决策，即每个分类器都对包括健康状态、微小损伤、中度损伤和重度损伤的类别进行判定，并为相应类别投上一票，最后最多的票数即为未知样本的类别，其原理如图7。
接着将样本分为测试集80组和训练集240组，一条路径上要提取42个特征值，一个样本包括42*3个特征值，将这240组数据再细分成5份进行交叉验证，交叉验证的模型准确率更高。得到SVM损伤方位判定模型。为了测试模型的泛化能力，利用训练好的模型对这80组新数据进行预测。此外，采用不同的机器学习分类算法进行训练对比，得到预测的准确率表如表2。
表2断层损伤方位预测准确率表
| 分类算法 | 测试 | 正确 | 正确率 |
| Tree | 80 | 57 | 71％ |
| Linear Discriminant | 80 | 63 | 79％ |
| SVM | 80 | 68 | 85％ |
| KNN | 80 | 61 | 76％ |
可以看到SVM对大尺度复合结构板上断层损伤的识别率是最高的。能够更加精确地实现对大尺度结构复合材料板的损伤监测与评估。
步骤五、在S5步骤中，利用时域、频域和时频域特征值中的37种特征值3种路径信号(共计111个特征值)和对应的3种不同损伤程度大小建立111输入3输出的SVM分类模型。同样的，如上述步骤四所述，在已有不同方位损伤的基础之上，研究损伤程度的大小，具体的，对已有损伤程度进行分类，主要分为轻度，中度和重度三种程度大小。由于特征维度较大且存在冗余，模型较为复杂，PCA即主成分分析技术，是一种简化数据集的技术，是一个线性变换。这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。主成分个数，根据主成分累计贡献率来确定，对于各主成分组合确定的数据矩阵及其矩阵的转置矩阵，求出协方差矩阵V及其特征值。主成分贡献率Ai，累计贡献率C(m)可由式(10)(11)确定：
式中：p为选定的特征值的个数，m为特征值的个数，λi为随机向量协方差矩阵的特征值。当主成分累计贡献率大于80％时，此处可认为前p个主成分组合包括了原数据的大部分特征信息。如图9所示主成分累计贡献率柱状图。从图9可知，随着主成分特征值数量的增加，贡献率越来越低，因此选取贡献率前10的特征值即可达到累计贡献率80％的需求。得到320*10的PCA处理之后的降维数据。
上述用于判定辨别6个区域的SVM损伤方位判定模型构造了15个支持向量机，上述用于判定辨3个损伤程度的SVM损伤程度跟踪判定模型构建了6个支持向量机，接着将样本分为测试集80组训练集240组，将这240组数据再细分成5份进行交叉验证。得到SVM损伤程度跟踪判定模型。为了测试模型的泛化能力，利用训练好的模型对这80组新数据进行预测。此外，采用不同的机器学习分类算法进行训练对比，得到预测的准确率表如表3。
表3断层损伤程度预测准确率表
| 分类算法 | 测试 | 正确 | 正确率 |
| Tree | 80 | 59 | 74％ |
| Linear Discriminant | 80 | 68 | 85％ |
| SVM | 80 | 72 | 90％ |
| KNN | 80 | 60 | 75％ |
可以看到SVM对大尺度复合结构板上断层损伤的识别率基本达到九成左右。基本能够实现对大尺度结构复合材料板的损伤监测与评估。
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。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。
采集测试集和训练集中：
将同一路径上的在结构件不同损伤状态下所采集到的响应信号进行多方位多角度信号分析，从时域、频域和时频域的角度进行信号分析，提取出典型的、能够较好的反映损伤程度和方位变化的特征值。
在S4步骤中，利用多信号对比特征值中的5种特征值，3个路径共计15个特征值和对应的6种不同损伤方位建立15输入6输出的SVM分类模型。
在S5步骤中，利用时域、频域和时频域特征值中的37种特征值，3种路径共计111个特征值，采用PCA降维得到的10个特征值和对应的3种不同损伤程度大小建立10输入3输出的SVM损伤程度跟踪判定模型。
综上所述，虽然由于传感器数量的减少导致的信息量的下降，但是信号本身具有的特征量还是很多的。传统的Lamb波信号监测方法中，有很多隐含的特征量并没有使用。而在大尺度结构中，利用这些大量的特征量可以一定程度上弥补信息量的不足。
三角稀疏压电传感阵列上述部件在现有技术中可采用的型号很多，本领域技术人员可根据实际需求选用合适的型号，本实施例不再一一举例。
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，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于稀疏阵列大尺度结构损伤监测与评估方法，其特征在于，包括：
将未知样本输入SVM损伤方位判定模型中，输出该未知样本的损伤方位；
将未知样本输入SVM损伤程度跟踪判定模型中，输出该未知样本的损伤程度。
2.根据权利要求1所述的一种基于稀疏阵列大尺度结构损伤监测与评估方法，其特征在于，
建立SVM损伤方位判定模型，包括：
将稀疏压电传感阵列周边范围划分为L个区域，L为正整数；
基于支持向量机建立SVM损伤方位判定初始模型；
将训练集中包括多位置信号对比的特征值信息的训练样本输入SVM损伤方位判定初始模型中进行训练，获得SVM损伤方位判定模型：
式中，训练集中共计有N个训练样本(x1，y1)，...，(xN，yN)，i∈{1，2，…N}，j∈[1，L]，k∈[2，上]，wjk为区分属于第j个区域的训练样本和属于第k个区域的训练样本的支持向量机的权重向量；bjk为支持向量机的偏值；
为属于第j个区域的训练样本和属于第k个区域的训练样本的SVM松弛变量；φ(xi)表示将xi映射到高维空间，上边界c＞0；
通过决策函数评估训练样本是属于第j个区域的样本还是属于第k个区域；
决策函数为：
fjk(x)＝sgn(wjk·φ(xi)+bjk)，
式中，
将测试集中样本和训练集中训练样本打乱分为若干组，并输入SVM损伤方位判定模型中进行交叉验证，若SVM损伤方位判定模型预测的区域和实际所属区域相同则表示训练结果正确，否则表示训练结果错误；
计算SVM损伤方位判定模型预测的区域的正确率，若正确率高于设定的阈值，则表示训练合格，否则重复上述步骤重新训练SVM损伤方位判定模型。
3.根据权利要求1所述的一种基于稀疏阵列大尺度结构损伤监测与评估方法，其特征在于，
建立SVM损伤程度跟踪判定模型，包括：
建立SVM损伤程度跟踪判定初始模型；
将损伤程度按照严重程度划分为A个范围；
将训练集中包括时域特征值、频域特征值和时频域特征值信息的训练样本输入SVM损伤程度跟踪判定初始模型中进行训练，获得SVM损伤程度跟踪判定模型：
式中，训练集中共计有N个训练样本(x1，y1)，...，(xN，yN)，i∈{1，2，…N}，j∈[1，A]，k∈[2，A]，wjk为区分属于第j个区域的训练样本和属于第k个区域的训练样本的支持向量机的权重向量；bjk为支持向量机的偏值；
为属于第j个区域的训练样本和属于第k个区域的训练样本的SVM松弛变量；φ(xi)表示将xi映射到高维空间，上边界c＞0；
通过决策函数评估输入的训练样本是属于第j个区域的样本还是属于第k个区域；
决策函数为：
fjk(x)＝sgn(wjk·φ(xi)+bjk)，
式中，
4.根据权利要求3所述的一种基于稀疏阵列大尺度结构损伤监测与评估方法，其特征在于，将测试集中样本和训练集中训练样本打乱分为若干组，并输入SVM损伤程度跟踪判定模型中进行交叉验证，若SVM损伤程度跟踪判定模型预测的损伤程度和实际的损伤程度相同则表示训练结果正确，否则表示训练结果错误；
计算SVM损伤程度跟踪判定模型预测的损伤程度的正确率，若正确率高于设定的阈值，则表示训练合格，否则重复上述步骤重新训练SVM损伤程度跟踪判定模型。
5.根据权利要求2或3所述的一种基于稀疏阵列大尺度结构损伤监测与评估方法，其特征在于，
包括若干个三角稀疏压电传感阵列，若干个三角稀疏压电传感阵列阵列分布；
三角稀疏压电传感阵列为三个呈三角形分布的压电片，每个压电片对应一个路径；
将每个三角稀疏压电传感阵列周边范围划分为6个区域，用于确定损伤方位和损伤程度。
6.根据权利要求5所述的一种基于稀疏阵列大尺度结构损伤监测与评估方法，其特征在于，
建立SVM损伤方位判定模型，具体包括：
基于支持向量机分类算法建立SVM损伤方位判定初始模型；
将稀疏压电传感阵列周边范围划分为6个区域；
将训练集中包括多位置信号对比的5种特征值信息的训练样本输入SVM损伤方位判定初始模型中进行训练，基于多位置信号对比的5种特征值、3个路径和6个区域的损伤方位建立15个输入和6个输出的SVM分类模型。
7.根据权利要求5所述的一种基于稀疏阵列大尺度结构损伤监测与评估方法，其特征在于，
建立SVM损伤程度跟踪判定模型，包括：
损伤程度有3种不同损伤程度，包括微小损伤、中度损伤和重度损伤；
每个训练样本的每个路径中均从时域特征值、频域特征值、时频域特征值和多位置信号对比的特征值中选取37种特征值；
基于PCA降维得到贡献率排名前p的特征值和3种不同损伤程度，建立p个输入和3个输出的SVM损伤程度跟踪判定初始模型。
8.根据权利要求7所述的一种基于稀疏阵列大尺度结构损伤监测与评估方法，其特征在于，时域特征值包括信号包络面积、信号相关性、信号差异系数、均方根、方差、偏斜度、峰值因子、峰度系数、峰峰值、K因子、最大幅值、脉冲因子、裕度因子、波形因子和分形维数，频域特征值包括重心频率、频率方差和均方频率，时频域特征值包括小波能量比、小波能量熵、小波特征尺度熵、小波奇异谱熵和IMF1的振幅均值，多位置信号对比的特征值包括到达时间差值、信号突变时间、信号差异性、散射信号大小和散射波包面积。
9.根据权利要求8所述的一种基于稀疏阵列大尺度结构损伤监测与评估方法，其特征在于，基于PCA降维得到贡献率排名前p的特征值，包括：
主成分贡献率Ai，累计贡献率C(m)计算公式为：
式中，p为选定的特征值的个数，m为总的特征值的个数，λi为随机向量协方差矩阵的特征值；当选定的特征值的累计贡献率大于80％时，按照贡献率由高到低选取前p个特征值输入SVM损伤程度跟踪判定初始模型中。
10.根据权利要求5所述的一种基于稀疏阵列大尺度结构损伤监测与评估方法，其特征在于，
获取训练集和测试集，包括：
依次选取每个压电片为激励点并激发信号，由其他两个压电片分别接收结构件的响应信号；
多次采集大尺度板状结构上不同方位的损伤情况和不同方位上损伤程度，获得响应信号；
根据信号的时域、频域和小波时频分析对响应信号进行处理分析，得到时域特征值、频域特征值、时频域特征值和多位置信号对比的特征值，并存储在损伤信息数据库中；
从损伤信息数据库中选取多个数据，得到训练集和测试集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111074817.XA CN113935231B (zh) | 2021-09-14 | 2021-09-14 | 一种基于稀疏阵列大尺度结构损伤监测与评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111074817.XA CN113935231B (zh) | 2021-09-14 | 2021-09-14 | 一种基于稀疏阵列大尺度结构损伤监测与评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113935231A true CN113935231A (zh) | 2022-01-14 |
| CN113935231B CN113935231B (zh) | 2024-11-15 |
Family
ID=79275689
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111074817.XA Active CN113935231B (zh) | 2021-09-14 | 2021-09-14 | 一种基于稀疏阵列大尺度结构损伤监测与评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113935231B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114692302A (zh) * | 2022-03-28 | 2022-07-01 | 中南大学 | 基于高斯混合模型的疲劳裂纹检测方法及系统 |
| CN114970616A (zh) * | 2022-05-16 | 2022-08-30 | 煤炭科学研究总院有限公司 | 生命体征信号提取模型的训练方法及其装置 |
| CN116738152A (zh) * | 2023-08-14 | 2023-09-12 | 南京邮电大学 | 地下流体管道泄漏损伤分布式振动监测评估系统及方法 |
| CN117538412A (zh) * | 2023-11-09 | 2024-02-09 | 韶关学院 | 一种用于钢轨裂纹损伤的超声波检测方法 |
| CN119001030A (zh) * | 2024-10-21 | 2024-11-22 | 普利莱（天津）燃气设备有限公司 | 一种基于多传感器融合的天然气加臭剂浓度检测系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
-
2021
- 2021-09-14 CN CN202111074817.XA patent/CN113935231B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US20200200648A1 (en) * | 2018-02-12 | 2020-06-25 | Dalian University Of Technology | Method for Fault Diagnosis of an Aero-engine Rolling Bearing Based on Random Forest of Power Spectrum Entropy |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| WEN QIU 等: "《Sparse Sensor Array Based Damage Monitoring and Assessment for Large-scale Structures》", 《PROCEEDINGS OF THE 40TH CHINESE CONTROL CONFERENCE》, 6 October 2021 (2021-10-06), pages 1 - 5 * |
| 郑林;张红星;句海洋;: "基于稀疏建模和SVM的管道缺陷分类方法研究", 信息技术与网络安全, no. 10, 10 October 2020 (2020-10-10) * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114692302A (zh) * | 2022-03-28 | 2022-07-01 | 中南大学 | 基于高斯混合模型的疲劳裂纹检测方法及系统 |
| CN114692302B (zh) * | 2022-03-28 | 2023-08-25 | 中南大学 | 基于高斯混合模型的疲劳裂纹检测方法及系统 |
| CN114970616A (zh) * | 2022-05-16 | 2022-08-30 | 煤炭科学研究总院有限公司 | 生命体征信号提取模型的训练方法及其装置 |
| CN114970616B (zh) * | 2022-05-16 | 2025-01-07 | 煤炭科学研究总院有限公司 | 生命体征信号提取模型的训练方法及其装置 |
| CN116738152A (zh) * | 2023-08-14 | 2023-09-12 | 南京邮电大学 | 地下流体管道泄漏损伤分布式振动监测评估系统及方法 |
| CN116738152B (zh) * | 2023-08-14 | 2023-10-27 | 南京邮电大学 | 地下流体管道泄漏损伤分布式振动监测评估系统及方法 |
| CN117538412A (zh) * | 2023-11-09 | 2024-02-09 | 韶关学院 | 一种用于钢轨裂纹损伤的超声波检测方法 |
| CN117538412B (zh) * | 2023-11-09 | 2024-05-14 | 韶关学院 | 一种用于钢轨裂纹损伤的超声波检测方法 |
| CN119001030A (zh) * | 2024-10-21 | 2024-11-22 | 普利莱（天津）燃气设备有限公司 | 一种基于多传感器融合的天然气加臭剂浓度检测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113935231B (zh) | 2024-11-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113935231A (zh) | 一种基于稀疏阵列大尺度结构损伤监测与评估方法 | |
| Rautela et al. | Combined two-level damage identification strategy using ultrasonic guided waves and physical knowledge assisted machine learning | |
| Dorafshan et al. | Deep learning models for bridge deck evaluation using impact echo | |
| Holford et al. | A new methodology for automating acoustic emission detection of metallic fatigue fractures in highly demanding aerospace environments: An overview | |
| Baccar et al. | Identification and classification of failure modes in laminated composites by using a multivariate statistical analysis of wavelet coefficients | |
| Al-Jumaili et al. | Parameter Correction Technique (PCT): A novel method for acoustic emission characterisation in large-scale composites | |
| CN107144643B (zh) | 一种Lamb波监测信号统计参数的损伤识别方法 | |
| US20190086912A1 (en) | Method and system for generating two dimensional barcode including hidden data | |
| CN104832418A (zh) | 一种基于局部均值变换和Softmax的液压泵故障诊断方法 | |
| CN104863840A (zh) | 一种基于emd-pca的往复压缩机智能诊断方法 | |
| CN104463227A (zh) | 基于fqpso和目标分解的极化sar图像分类方法 | |
| Liu et al. | Application and challenges of signal processing techniques for Lamb waves structural integrity evaluation: Part B—Defects imaging and recognition techniques | |
| Wang et al. | An adaptive damage monitoring method based on transfer features mapped for advanced composite structures | |
| Torres-Arredondo et al. | An optimal baseline selection methodology for data-driven damage detection and temperature compensation in acousto-ultrasonics | |
| Xie et al. | Internal defect inspection in magnetic tile by using acoustic resonance technology | |
| Yun et al. | Radar signal recognition algorithms based on neural network and grey relation theory | |
| Obaidat et al. | Methodologies for characterizing ultrasonic transducers using neural network and pattern recognition techniques | |
| Zhang et al. | Damage Detection of a Pressure Vessel with Smart Sensing and Deep Learning | |
| JP2023066429A (ja) | 材料のスペクトルデータを用いた未知材料判定システム | |
| Ferrandino | Measuring spatial aggregation in binary epidemics: Correlative analysis and the advantage of fractal-based sampling | |
| CN115204031B (zh) | 航空发动机装配过程的振动值预测方法 | |
| Kessler et al. | Application of pattern recognition for damage classification in composite laminates | |
| Yu | Dynamic acoustic emission for the characterization of the nonlinear behavior of complex materials | |
| CN117949539B (zh) | 一种工程建筑强度检测系统及其检测方法 | |
| Omenzetter et al. | Classification of damage in structural systems using time series analysis and supervised and unsupervised pattern recognition techniques |
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 |