CN114235811B - 一种飞行器结构损伤的三级特征融合诊断方法及终端 - Google Patents

一种飞行器结构损伤的三级特征融合诊断方法及终端 Download PDF

Info

Publication number
CN114235811B
CN114235811B CN202111353137.1A CN202111353137A CN114235811B CN 114235811 B CN114235811 B CN 114235811B CN 202111353137 A CN202111353137 A CN 202111353137A CN 114235811 B CN114235811 B CN 114235811B
Authority
CN
China
Prior art keywords
damage
subarea
monitoring
factor
level
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
Application number
CN202111353137.1A
Other languages
English (en)
Other versions
CN114235811A (zh
Inventor
任元强
邱雷
袁慎芳
叶琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202111353137.1A priority Critical patent/CN114235811B/zh
Publication of CN114235811A publication Critical patent/CN114235811A/zh
Application granted granted Critical
Publication of CN114235811B publication Critical patent/CN114235811B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biochemistry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种飞行器结构损伤的三级特征融合诊断方法及终端，属于航空航天结构健康监测领域；包括：计算监测范围内每个导波通道的多种损伤因子，依次对单通道多损伤因子、监测子区域内所有通道的损伤因子进行加权融合，获得各子区域的一级损伤特征；然后基于各通道的损伤因子进行特征融合成像，并搜索每个子区域成像结果的最大像素值作为其二级成像特征；最后将每个子区域的损伤特征和成像特征加权融合，获得能够可靠表征子区域健康状态的三级诊断特征，并结合自适应阈值判定损伤发生子区域。本发明解决了工程环境下常规诊断方法监测误差大的问题，能够可靠判别结构损伤发生子区域，在飞行器结构健康状态的可靠监测方面有很好的应用前景。

Description

一种飞行器结构损伤的三级特征融合诊断方法及终端
技术领域
本发明属于航空航天结构健康监测技术领域，具体涉及一种飞行器结构损伤的三级特征融合诊断方法及终端。
背景技术
相比于常规金属材料，碳纤维等先进复合材料具有比刚度大、比强度高、耐腐蚀以及可设计性强等优点，在航空航天领域得到了越来越广泛的应用。在实际服役过程中，复合材料结构容易在外部冲击、疲劳载荷等作用下产生内部脱层、纤维断裂等损伤，降低结构件的强度和完整性，严重威胁飞机的飞行安全。因此，迫切需要开展航空复合材料结构可靠的损伤诊断，以保障飞机结构的安全服役，降低维护费用。
基于压电传感器网络和导波的结构健康监测方法具有监测灵敏度高、监测范围大，既能监测结构冲击也能监测损伤，既能在线监测也能离线监测，既能监测金属也能监测复合材料结构等优点，是目前最有前景的航空结构健康监测技术之一，在复合材料结构损伤监测方面也得到了广泛研究。对于基于压电传感器网络和导波的损伤监测，主要有两类：损伤因子和基于成像的损伤监测方法。基于损伤因子的损伤监测方法能通过损伤因子的数值反映损伤的程度；基于成像的损伤监测方法可以实现损伤的成像及定位。国内外有许多学者采用基于压电传感器网络和导波的结构健康监测方法开展了航天复合材料结构的损伤监测研究，提出的损伤因子方法主要有空间相位差、频谱幅度差等；提出的损伤成像方法主要有路径成像、延迟累加成像、多源信号分类成像和空间滤波器成像等。这些方法研究虽然取得了一定进展，但目前基本都是使用单一的损伤特征来诊断结构健康情况。通常，单一的损伤特征的使用具有一定的局限性，仅针对特定实验环境下的特定结构件能进行较准确的损伤诊断，因此基于单一损伤特征提出的损伤识别方法在工程环境下监测准确度会降低。
近年来，损伤融合方法在解决单一损伤特征带来的局限性问题上的应用越来越广泛。通过提取导波的多种损伤特征进行融合重构，避免了单一损伤仅对特定实验环境、特定结构、特定损伤敏感的缺陷，从而被逐渐应用于结构健康监测领域。而航空航天结构通常处于工程环境下，结构中传播的导波信号受到显著的影响，同时复合材料结构中的导波传播过程十分复杂，导波的反射和散射使损伤特征的提取造成很大困难。这种情况下，损伤特征融合方法还需进行进一步的优化以适应实际的工程条件。
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飞行器结构损伤的三级特征融合诊断方法及终端，以解决现有单一损伤特征识别损伤的准确率受工程环境的影响而降低的问题；本发明的诊断方法结合损伤因子和特征融合成像结果，计算结构损伤诊断三级特征值，根据这个特征值的量值与自适应损伤阈值进行比较，综合判断结构的健康状态。
为达到上述目的，本发明采用的技术方案如下：
本发明的一种飞行器结构损伤的三级特征融合诊断方法，步骤如下：
1)一级损伤特征的获取：读取各通道的基准信号与监测信号，计算频谱幅度差损伤因子和空间相位差损伤因子，并按α:(1-α)的权重值融合两种损伤因子，作为各通道的损伤因子， 0<α＜1，设置子区域四边的通道损伤因子权重为β，0＜β＜0.25，设置斜交叉的通道损伤因子权重为0.5-2β，加权融合得到该子区域损伤因子，作为一级损伤特征；
2)二级成像特征的获取：基于各通道的空间相位差损伤因子计算监测区域内任意像素点在某个通道发生损伤的概率，融合监测区域内所有的激励传感通道来监测整个区域内全部点出现损伤的概率，即为融合成像的像素值，读取成像结果中的像素值矩阵，按照划分的子区域，搜索子区域中的最大像素值，作为该子区的二级成像特征；
3)三级诊断特征的获取及损伤的判别：设置子区域二级成像特征的权重为γ、子区域一级损伤特征的权重为1-γ，0＜γ＜1，并加权融合得到三级诊断特征，再将各子区域的三级诊断特征相加取平均值，设置各子区域三级诊断特征平均值的k倍作为阈值，k>1，若监测区域内最大的三级诊断特征参数小于该阈值，则无损伤；反之则有损伤。
进一步地，所述步骤1)中一级损伤特征的获取过程具体包括：
11)整个监测区域共有M个压电传感器，编号为1,2,…,m,…,M，将监测区域划分为N 个监测子区域，编号为1,2,…,n,…,N，对每一条单独的激励传感通道，激励器的编号为i，传感器的编号为j，激励传感通道可表示为通道i-j，读取各通道的基准信号与监测信号，计算频谱幅度差损伤因子和空间相位差损伤因子；频谱幅度差损伤因子和空间相位差损伤因子的计算公式为：
式中，为频谱幅度差损伤因子，/>为空间相位差损伤因子，H为基准信号，D为监测信号，ω为频率，且Shannon小波变换的尺寸因子参数值设置为1.4425；
12)按α:(1-α)的权重值叠加两种损伤因子，作为各通道的损伤因子：
式中，DIi-j为通道i-j的融合损伤因子；
13)设置子区域四边的通道损伤因子权重为β，设置斜交叉的通道损伤因子权重为0.5-2β，最终加权求和得到该子区域损伤因子，作为一级损伤特征，其表示为：
CV-1n＝β(DI1-2+DI1-4+DI2-3+DI3-4)+(0.5-2β)(DI1-3+DI2-4)
式中，CV-1n为子区域n的一级损伤特征，DIe-f为子区域内不同通道的融合损伤因子，1≤e≤ 3，2≤f≤4。
进一步地，所述步骤2)中的二级成像特征的获取过程具体包括：
21)监测区域内某像素点在某个通道发生损伤的概率为：
式中，DIi-j为该通道的损伤因子，η为大于1的常数；Ri-j(x,y)为监测区域内任意一点(x,y) 与传感器和激励器距离之和与传感器与激励器间距离的比值；
22)布置在结构上的传感器网络形成覆盖监测区域的激励传感通道，融合监测区域传感器网络中所有通道确定的损伤概率来监测整个区域内全部点出现损伤的概率：
式中，P(x,y)为监测区域内任意一点(x,y)出现损伤的概率，即特征融合成像的像素值；
23)获取子区域中像素最大的点：
CV-2n＝max[pn(xn,yn)]
式中，CV-2n为子区域n的二级成像特征，Pn(xn,yn)为子区域n内任意一点(xn,yn)的像素值。
进一步地，所述步骤3)中的三级诊断特征的获取及损伤的判别过程具体包括：
31)设置子区域一级损伤特征的权重为1-γ，二级成像特征的权重为γ，并加权融合得到子区域三级诊断特征：
CV-3n＝(1-γ)CV-1n+γ·CV-2n
式中，CV-3n为子区域n的三级诊断特征；
32)再将每个子区域的三级诊断特征值相加取平均值：
33)设置各个子区域平均值的k倍作为自适应阈值：
T＝k·CV-3average
式中，T为阈值，若监测区域内所有子区域的三级诊断特征值的最大值小于该阈值，说明无损伤，反之则说明有损伤。
本发明还提供一种诊断终端，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行上述飞行器结构损伤的三级特征融合诊断方法。
以及，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行上述飞行器结构损伤的三级特征融合诊断方法。
本发明的有益效果：
本发明针对现有的单一损伤特征应用的局限性问题，通过将不同的损伤因子、各通道的损伤因子以及所有通道的成像特征融合重构为三级特征，实现了复杂工程环境下的基于损伤特征融合的复合材料损伤诊断方法，根据这个融合特征值的量值与损伤自适应阈值进行比较，综合判断结构的健康状态。提高了损伤判别的准确性，为工程环境下的结构状态评估提供依据和支撑，在飞行器结构健康状态的可靠监测方面有很好的应用前景。
附图说明
图1为传感通道示意图。
图2为本发明方法的流程图。
图3为机身结构及夹层监测子区域划分示意图。
图4为着陆后机身夹层区域损伤因子计算结果示意图。
图5为着陆后机身夹层路径成像结果示意图。
图6为着陆后机身夹层损伤诊断结果示意图。
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2所示，本发明的一种飞行器结构损伤的三级特征融合诊断方法，步骤如下：
1)一级损伤特征的获取：读取各通道的基准信号与监测信号，计算频谱幅度差损伤因子和空间相位差损伤因子，并按α:(1-α)的权重值融合两种损伤因子，作为各通道的损伤因子， 0<α＜1，设置子区域四边的通道损伤因子权重为β，0＜β＜0.25，设置斜交叉的通道损伤因子权重为0.5-2β，加权融合得到该子区域损伤因子，作为一级损伤特征；
其中，所述步骤1)中一级损伤特征的获取过程具体包括：
11)整个监测区域共有M个压电传感器，编号为1,2,…,m,…,M，将监测区域划分为N 个监测子区域，编号为1,2,…,n,…,N，对每一条单独的激励传感通道，激励器的编号为i，传感器的编号为j，激励传感通道可表示为通道i-j，读取各通道的基准信号与监测信号，计算频谱幅度差损伤因子和空间相位差损伤因子；频谱幅度差损伤因子和空间相位差损伤因子的计算公式为：
式中，为频谱幅度差损伤因子，/>为空间相位差损伤因子，H为基准信号，D为监测信号，ω为频率，且Shannon小波变换的尺寸因子参数值设置为1.4425；
12)按α:(1-α)的权重值叠加两种损伤因子，作为各通道的损伤因子：
式中，DIi-j为通道i-j的融合损伤因子；
13)设置子区域四边的通道损伤因子权重为β，设置斜交叉的通道损伤因子权重为0.5-2β，最终加权求和得到该子区域损伤因子，作为一级损伤特征，如图1所示为某传感网络，其一级损伤特征可表示为：
CV-1n＝β(DI1-2+DI1-4+DI2-3+DI3-4)+(0.5-2β)(DI1-3+DI2-4)
式中，CV-1n为子区域n的一级损伤特征，DIe-f为子区域内不同通道的融合损伤因子，1≤e≤ 3，2≤f≤4。
2)二级成像特征的获取：基于各通道的空间相位差损伤因子计算监测区域内任意像素点在某个通道发生损伤的概率，融合监测区域内所有的激励传感通道来监测整个区域内全部点出现损伤的概率，即为融合成像的像素值，读取成像结果中的像素值矩阵，按照划分的子区域，搜索子区域中的最大像素值，作为该子区的二级成像特征；
其中，所述步骤2)中的二级成像特征的获取过程具体包括：
21)监测区域内某像素点在某个通道发生损伤的概率为：
式中，DIi-j为该通道的损伤因子，η为大于1的常数；Ri-j(x,y)为监测区域内任意一点(x,y) 与传感器和激励器距离之和与传感器与激励器间距离的比值；即：
式中，A是激励器位置点，B是传感器位置点，AB是激励器到传感器的距离，AL是激励器到监测区域内任意一点的距离，BL是传感器到监测区域内任意一点的距离。
22)布置在结构上的传感器网络形成覆盖监测区域的激励传感通道，融合监测区域传感器网络中所有通道确定的损伤概率来监测整个区域内全部点出现损伤的概率：
式中，P(x,y)为监测区域内任意一点(x,y)出现损伤的概率，即特征融合成像的像素值；
23)获取子区域中像素最大的点：
CV-2n＝max[pn(xn,yn)]
式中，CV-2n为子区域n的二级成像特征，Pn(xn,yn)为子区域n内任意一点(xn,yn)的像素值。
3)三级诊断特征的获取及损伤的判别：设置子区域二级成像特征的权重为γ、子区域一级损伤特征的权重为1-γ，0＜γ＜1，并加权融合得到三级诊断特征，再将各子区域的三级诊断特征相加取平均值，设置各子区域三级诊断特征平均值的k倍作为阈值，k>1，若监测区域内最大的三级诊断特征参数小于该阈值，则无损伤；反之则有损伤；
其中，所述步骤3)中的三级诊断特征的获取及损伤的判别过程具体包括：
31)设置子区域一级损伤特征的权重为1-γ，二级成像特征的权重为γ，并加权融合得到子区域三级诊断特征：
CV-3n＝(1-γ)CV-1n+γ·CV-2n
式中，CV-3n为子区域n的三级诊断特征；
32)再将每个子区域的三级诊断特征值相加取平均值：
33)设置各个子区域平均值的k倍作为自适应阈值：
T＝k·CV-3average
式中，T为阈值，若监测区域内所有子区域的三级诊断特征值的最大值小于该阈值，说明无损伤，反之则说明有损伤。
本发明中实验的监测对象为亚轨道可重复使用运载器机身箱间段，结构表面布置的压电智能夹层包含14个压电传感器，编号为1～14，将该部位划分成5个监测子区域，编号子区域1～子区域5，如图3所示。在飞行器正式发射前完成了机身箱间段的基准状态测试，采用压电导波地面主动扫查集成系统采集了压电智能夹层传感器的基准信号。并在飞行器返回后对上述部位再次进行了测试并采集了监测信号。
三级特征融合诊断方法的流程，导入基准和监测信号文件并解析，计算每个通道的频谱幅度差损伤因子和空间相位差损伤因子，读取每个通道的这两种损伤因子的计算结果，设置权重α为0.5，所以按0.5：0.5的权重值叠加两种损伤因子，作为每个通道的损伤因子。
设置子区域四边的通道损伤因子权重β为0.1，得到斜交叉的通道损伤因子权重为0.3，最终加权求和得到该子区域损伤因子，即为一级损伤特征。以子区域1为例，通道10-11、10-13、 11-14、13-14的损伤因子的权重设置为0.1，通道10-14、11-13的损伤因子的权重设置为0.3，所有子区域的损伤因子计算结果如图4所示。
导入基准和监测信号文件并解析，将相关参数和信号保存至指定路径，首先采用空间相位差损伤因子进行路径成像计算，以飞行器着陆后的测试数据进行路径成像计算，路径成像结果如图5所示。
之后按照划分的子区域1-5，读取路径成像算法结果中的像素值矩阵，搜索子区域中的最大像素值，作为该子区域像素值，即为二级成像特征。
设置5个子区域像素值的权重γ为0.3，则损伤因子的权重为0.7，并加权求和分别得到这 5个子区域的损伤特征，即为三级诊断特征。
再将这5个子区域的三级诊断特征值相加取平均值，设置各个子区域损伤特征平均值的 3倍作为此子区域的阈值，若此子区域中最大的三级诊断特征值小于此自适应阈值，说明无损伤，反之则说明有损伤，损伤诊断结果如图6所示。
从图6可以看出，机身箱间段所有子区域的损伤特征值均未达到阈值，表明该部位在此次飞行过程中没有产生损伤。
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)

1.一种飞行器结构损伤的三级特征融合诊断方法，其特征在于，步骤如下：
1)一级损伤特征的获取：读取各通道的基准信号与监测信号，计算频谱幅度差损伤因子和空间相位差损伤因子，并按α:(1-α)的权重值融合两种损伤因子，作为各通道的损伤因子，0<α＜1，设置子区域四边的通道损伤因子权重为β，0＜β＜0.25，设置斜交叉的通道损伤因子权重为0.5-2β，加权融合得到该子区域损伤因子，作为一级损伤特征；
2)二级成像特征的获取：基于各通道的空间相位差损伤因子计算监测区域内任意像素点在某个通道发生损伤的概率，融合监测区域内所有的激励传感通道来监测整个区域内全部点出现损伤的概率，即为融合成像的像素值，读取成像结果中的像素值矩阵，按照划分的子区域，搜索子区域中的最大像素值，作为该子区的二级成像特征；
3)三级诊断特征的获取及损伤的判别：设置子区域二级成像特征的权重为γ、子区域一级损伤特征的权重为1-γ，0＜γ＜1，并加权融合得到三级诊断特征，再将各子区域的三级诊断特征相加取平均值，设置各子区域三级诊断特征平均值的k倍作为阈值，k>1，若监测区域内最大的三级诊断特征参数小于该阈值，则无损伤；反之则有损伤；
所述步骤1)中一级损伤特征的获取过程具体包括：
11)整个监测区域共有M个压电传感器，编号为1,2,…,m,…,M，将监测区域划分为N个监测子区域，编号为1,2,…,n,…,N，对每一条单独的激励传感通道，激励器的编号为i，传感器的编号为j，激励传感通道可表示为通道i-j，读取各通道的基准信号与监测信号，计算频谱幅度差损伤因子和空间相位差损伤因子；频谱幅度差损伤因子和空间相位差损伤因子的计算公式为：
式中，为频谱幅度差损伤因子，/>为空间相位差损伤因子，H为基准信号，D为监测信号，ω为频率，且Shannon小波变换的尺寸因子参数值设置为1.4425；
12)按α:(1-α)的权重值叠加两种损伤因子，作为各通道的损伤因子：
式中，DIi-j为通道i-j的融合损伤因子；
13)设置子区域四边的通道损伤因子权重为β，设置斜交叉的通道损伤因子权重为0.5-2β，最终加权求和得到该子区域损伤因子，作为一级损伤特征，其表示为：
CV-1n＝β(DI1-2+DI1-4+DI2-3+DI3-4)+(0.5-2β)(DI1-3+DI2-4)
式中，CV-1n为子区域n的一级损伤特征，DIe-f为子区域内不同通道的融合损伤因子，1≤e≤3，2≤f≤4；
所述步骤2)中的二级成像特征的获取过程具体包括：
21)监测区域内某像素点在某个通道发生损伤的概率为：
式中，DIi-j为该通道的损伤因子，η为大于1的常数；Ri-j(x,y)为监测区域内任意一点(x,y)与传感器和激励器距离之和与传感器与激励器间距离的比值；
22)布置在结构上的传感器网络形成覆盖监测区域的激励传感通道，融合监测区域传感器网络中所有通道确定的损伤概率来监测整个区域内全部点出现损伤的概率：
式中，P(x,y)为监测区域内任意一点(x,y)出现损伤的概率，即特征融合成像的像素值；
23)获取子区域中像素最大的点：
CV-2n＝max[pn(xn,yn)]
式中，CV-2n为子区域n的二级成像特征，Pn(xn,yn)为子区域n内任意一点(xn,yn)的像素值；
所述步骤3)中的三级诊断特征的获取及损伤的判别过程具体包括：
31)设置子区域一级损伤特征的权重为1-γ，二级成像特征的权重为γ，并加权融合得到子区域三级诊断特征：
CV-3n＝(1-γ)CV-1n+γ·CV-2n
式中，CV-3n为子区域n的三级诊断特征；
32)再将每个子区域的三级诊断特征值相加取平均值：
33)设置各个子区域平均值的k倍作为自适应阈值：
T＝k·CV-3average
式中，T为阈值，若监测区域内所有子区域的三级诊断特征值的最大值小于该阈值，说明无损伤，反之则说明有损伤。
2.一种诊断终端，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1所述的飞行器结构损伤的三级特征融合诊断方法。
3.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1所述的飞行器结构损伤的三级特征融合诊断方法。
CN202111353137.1A 2021-11-16 2021-11-16 一种飞行器结构损伤的三级特征融合诊断方法及终端 Active CN114235811B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111353137.1A CN114235811B (zh) 2021-11-16 2021-11-16 一种飞行器结构损伤的三级特征融合诊断方法及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111353137.1A CN114235811B (zh) 2021-11-16 2021-11-16 一种飞行器结构损伤的三级特征融合诊断方法及终端

Publications (2)

Publication Number Publication Date
CN114235811A CN114235811A (zh) 2022-03-25
CN114235811B true CN114235811B (zh) 2023-11-10

Family

ID=80749501

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111353137.1A Active CN114235811B (zh) 2021-11-16 2021-11-16 一种飞行器结构损伤的三级特征融合诊断方法及终端

Country Status (1)

Country Link
CN (1) CN114235811B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844055A (zh) * 2016-04-14 2016-08-10 南京航空航天大学 基于导波动态强化裂变-聚合概率模型的损伤监测方法
CN106525968A (zh) * 2016-10-19 2017-03-22 中国人民解放军空军勤务学院 基于子区域的损伤概率成像定位方法
CN108303433A (zh) * 2018-01-18 2018-07-20 南京航空航天大学 时变环境下结构损伤的高斯混合模型-路径累积成像方法
CN110243944A (zh) * 2019-07-03 2019-09-17 南京航空航天大学 一种航空复合材料结构多损伤的概率统计成像方法
CN112179990A (zh) * 2020-09-15 2021-01-05 昆明理工大学 一种基于ToF损伤因子的碳纤维复合材料疲劳损伤概率成像方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105844055A (zh) * 2016-04-14 2016-08-10 南京航空航天大学 基于导波动态强化裂变-聚合概率模型的损伤监测方法
CN106525968A (zh) * 2016-10-19 2017-03-22 中国人民解放军空军勤务学院 基于子区域的损伤概率成像定位方法
CN108303433A (zh) * 2018-01-18 2018-07-20 南京航空航天大学 时变环境下结构损伤的高斯混合模型-路径累积成像方法
CN110243944A (zh) * 2019-07-03 2019-09-17 南京航空航天大学 一种航空复合材料结构多损伤的概率统计成像方法
CN112179990A (zh) * 2020-09-15 2021-01-05 昆明理工大学 一种基于ToF损伤因子的碳纤维复合材料疲劳损伤概率成像方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
康永乐，邱雷.导波结构健康监测中损伤因子的研究和应用.《 国外电子测量技术》.2021,第113-117页. *

Also Published As

Publication number Publication date
CN114235811A (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
He et al. A multi-feature integration method for fatigue crack detection and crack length estimation in riveted lap joints using Lamb waves
US7660690B2 (en) Method for verifying sensors installation and determining the location of the sensors after installation in a structural health management system
US7263446B2 (en) Structural health management system and method for enhancing availability and integrity in the structural health management system
CN103076394A (zh) 基于振动识别频率和振型综合的海洋平台安全评定的方法
Gao et al. Guide waves-based multi-damage identification using a local probability-based diagnostic imaging method
CN113933392B (zh) 一种基于超声导波的特征融合概率重建损伤定位成像方法
CN104730152A (zh) 一种基于分形维数的复合材料结构件裂纹损伤监测方法
Kudva et al. Smart structures concepts for aircraft structural health monitoring
Hensman et al. Spatial scanning for anomaly detection in acoustic emission testing of an aerospace structure
CN114235811B (zh) 一种飞行器结构损伤的三级特征融合诊断方法及终端
Moorthy et al. Experimental study on delamination identification in tapered laminated composite plates using damage detection models
US20060106551A1 (en) Method for reducing the computation resources required for determining damage in structural health management system
CN111474300B (zh) 基于时空回归模型的结构局部缺陷检测方法
CN212540212U (zh) 一种表面结构件雷达波吸波涂覆层的检测装置
Bond From nondestructive testing to prognostics: Revisited
Beard et al. Design of a robust SHM system for composite structures
RU2816129C1 (ru) Способ дифференциальной оценки стадий поврежденности изделия, выполненного из композитного материала
Finlayson et al. Acoustic emission structural health management systems (AE-SHMS)
Roach et al. Wide Area Monitoring of Aircraft Structures Using Acousto-Ultrasonic Sensor Networks.
Dziendzikowski et al. Fatigue cracks detection using PZT transducers under the influence of uncertain environmental factors
Charmi et al. Application of deep learning for structural health monitoring of a composite overwrapped pressure vessel undergoing cyclic loading
US11846607B2 (en) Method of identifying delamination damage of arc-shaped composite laminate
Wu et al. An ultrasonic in-line inspection data processing method considering invalid data caused by sensor failure
Alam et al. Structural health monitoring (SHM) of ageing infrastructures in Bahrain
Vinogradov et al. Experience of applying the acoustic emission method for monitoring systems

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