CN114925452B - 基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法 - Google Patents

Abstract

本发明公开了一种基于动态状态的导波‑隐马尔可夫模型裂纹在线评估方法，采用导波‑隐马尔可夫模型进行疲劳裂纹的萌生诊断和定量化评估，结合无损检测数据对导波‑隐马尔可夫模型中的隐含状态进行更新，动态增加新的隐含状态，并更新和修正导波‑隐马尔可夫模型输出的平滑概率因子标定模型，提高疲劳裂纹在线评估准确性。本发明可以有效地解决初始先验数据与单机结构实际状态差异导致损伤评估准确性降低的问题，实现飞行器金属结构疲劳裂纹的可靠评估。

Description

基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法

技术领域

本发明属于结构健康监测技术领域，具体涉及一种基于动态状态的导波-隐马尔可夫模型(Guided wave-hidden Markov model,GW-HMM)裂纹在线评估方法。

背景技术

飞行器结构完整性对于保障飞行器安全至关重要。对于飞行器结构，疲劳损伤是其最主要且最危险的损伤形式之一。在飞行器服役过程中，及时准确地获取结构疲劳损伤状态对于航空飞行器结构的安全评定和维护保障都具有重大意义。近三十年来，结构健康监测(Structural Health Monitoring，SHM)技术被提出并快速发展，逐步从理论研究转向航空工程应用。在SHM技术面向工程应用过程中，实现服役条件下的疲劳损伤诊断是其面临的重要挑战之一。其主要原因在于，服役条件下单机结构疲劳载荷、边界条件、服役环境参数等都将随机变化，这些不确定性变化不仅仅影响疲劳损伤的萌生和扩展，还会影响结构健康监测传感器和系统性能，导致从结构健康监测信号中提取的损伤特征具有强不确定性和偏置，使得许多在实验室中进展顺利的SHM技术在面向工程应用时损伤评估准确性降低。

隐马尔可夫模型(Hidden Markov Model，HMM)作为一种强模式识别工具，非常适用于对非稳态的不确定性数据建模，因此被广泛应用于机械旋转结构的振动信号建模，以实现服役条件下的机械结构故障诊断。一些学者也将隐马尔可夫模型和压电导波结构健康监测技术尝试结合，建立导波-隐马尔可夫模型诊断方法进行疲劳损伤评估，被认为是解决服役条件下损伤评估的一种非常有前景的方法。已有传统方法首先确定结构隐含损伤状态数目，采用分别属于这些隐含状态的先验数据对隐马尔可夫模型进行训练和标定，然后通过结构在线获取的数据以确定结构所属的损伤状态或者损伤程度。然而由于单机结构服役条件未知，并且结构疲劳损伤会逐渐演化，其可能的损伤状态与初始先验数据定义的状态并不一致，导致损伤评估准确性降低。

发明内容

针对飞行器服役不确定性影响下结构疲劳裂纹的在线评估问题，本发明的目的在于提供一种基于动态状态的导波-隐马尔可夫模型(Guided wave-hidden Markov model,GW-HMM)裂纹在线评估方法，本发明采用导波-隐马尔可夫模型进行疲劳裂纹的萌生诊断和定量化评估，结合无损检测数据对导波-隐马尔可夫模型中的隐含状态进行更新，动态增加新的隐含状态，并更新和修正导波-隐马尔可夫模型输出的平滑概率因子标定模型，提高疲劳裂纹在线评估准确性。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法，步骤如下：

(1)通过同类结构在健康状态下采集的导波观测值训练离线导波-隐马尔可夫模型；

(2)在线获取目标结构导波观测值，输入至训练后的离线导波-隐马尔可夫模型，通过判断训练后的离线导波-隐马尔可夫模型输出的平滑概率因子是否超过阈值来诊断结构裂纹萌生；若未超过阈值，则重复步骤(2)；若超过阈值则裂纹萌生，通过已获取的目标结构导波观测值重新训练离线导波-隐马尔可夫模型的参数，得到在线导波-隐马尔可夫模型；

(3)通过同类结构在不同裂纹尺寸下获得的导波观测值对在线导波-隐马尔可夫模型的平滑概率因子标定模型进行训练；

(4)在线获取目标结构导波观测值，先后输入在线导波-隐马尔可夫模型和平滑概率因子标定模型中，输出目标结构裂纹评估结果；

(5)根据所述评估结果判断裂纹是否达到设定的阈值，若未达到阈值则进入步骤(6)；若达到阈值则结束；

(6)判断是否进行无损检测，若是则进入步骤(7)，若否则返回步骤(4)；

(7)通过无损检测获取结构真实裂纹尺寸，结合已获取的目标结构导波观测值，增加在线导波-隐马尔可夫模型的隐含状态个数，即为动态状态；

(8)采用已获取的目标结构导波观测值，对增加隐含状态后的在线导波-隐马尔可夫模型进行重新训练；

(9)采用同类结构在不同裂纹尺寸下的导波观测值对平滑概率因子标定模型进行重新训练，然后修正平滑概率因子标定模型；

(10)重复上述(4)-(9)，实现结构疲劳裂纹在线评估，直到裂纹评估结果达到阈值。

进一步地，所述步骤(1)中的离线导波-隐马尔可夫模型和步骤(2)中在线导波-隐马尔可夫模型具有相同的结构，都包括2个隐含状态，其均表征结构健康状态并且可相互转移。

进一步地，所述步骤(7)中的结构真实裂纹尺寸记为其中上标表示最近时刻进行的第υ次无损检测，υ＝1,2,...，下标NDT为无损检测(Non-Destructive Testing，NDT)。

进一步地，所述步骤(7)中增加在线导波-隐马尔可夫模型的隐含状态，即更新模型隐含状态集合为{S₁,S₂,..,S_2+υ}，其中S₁和S₂表示结构的健康状态，S₂以后的状态表示结构的损伤状态，S_2+υ为最新增加的损伤状态；对于状态下标i＞j且i＞2的状态S_i和S_j，状态S_i向状态S_j转移的概率为0，表示疲劳裂纹演化是不可逆的过程。

进一步地，所述步骤(8)中已获取的目标结构导波观测值包括：时刻t_D之前获取的导波观测值，其属于结构健康状态S₁和S₂，其中时刻t_D表示诊断到目标结构裂纹萌生的时刻；时刻t_D和之间获取的导波观测值，属于结构的损伤状态S₃，/>为第一次无损检测的时刻；时刻/>和/>之间获取的导波观测值(υ＞1)属于损伤状态S_υ+2，其中/>和/>分别为第υ-1次和第υ次无损检测的时刻。

进一步地，所述步骤(8)中对增加隐含状态后的在线导波-隐马尔可夫模型进行重新训练具体为：将属于结构健康状态S₁和S₂的导波观测值前90％随机均分为两类，分别赋予健康状态S₁和S₂；将时刻t_D和之间获取的导波观测值赋予损伤状态S₃，将/>和/>之间获取的导波观测值(υ＞1)，分别赋予对应的损伤状态S_2+υ；

初始化在线导波-隐马尔可夫模型中隐含状态的先验概率，设置为π₁＝1，以及π_i＝0，i＞1，其中π₁为状态S₁的先验概率，π_i为状态S_i的先验概率；

初始化在线导波-隐马尔可夫模型的先验状态转移概率，对于序号i＞j以及i＞2的状态，其先验状态转移概率初始化为a_i,j＝0，其中a_i,j表示状态S_i转移到S_j的概率；对于状态序号i＜j，其先验状态转移概率初始化为a_i,j＝0.1；对于状态序号i＝j，其先验状态转移概率初始化为1-∑a_i,j,i≠j；对于状态序号i＝2,j＝1，其先验状态转移概率初始化为a_2,1＝0.1；

采用均匀初始化高斯混合模型聚类方法初始化在线导波-隐马尔可夫模型的观测概率分布，通过Baum-Welch算法对在线导波-隐马尔可夫模型的参数进行优化。

进一步地，所述步骤(8)中同类结构在不同裂纹尺寸下的导波观测值为其中x_f为裂纹，O_f为裂纹x_f对应的导波观测值，F为数据个数；从数据集中按照/>的准则，挑选出新的数据集/>其中x_κ为裂纹，O_κ为裂纹x_f对应的导波观测值，T_υ表示挑选出数据的个数。

进一步地，所述步骤(8)中对平滑概率因子标定模型进行重新训练和修正具体为：

将挑选的数据集输入在线导波-隐马尔可夫模型中，输出平滑概率因子/>获得数据集/>通过最小二乘方法拟合该数据集得到平滑概率因子标定模型：

x＝g_υ(γ)

式中，x为裂纹，γ为平滑概率因子，g_υ(·)为平滑概率因子标定模型；

采用无损检测获得的结构真实裂纹尺寸计算误差修正项ε_υ如下：

式中，为第υ次NDT时最后获取的导波观测值对应的平滑概率因子；

通过该误差修正项ε_υ，得到修正后的平滑概率因子标定模型如下：

x'＝g_υ(γ)+ε_υ

式中，x'为评估得到的裂纹。

本发明的有益效果：

本发明可以有效地解决初始先验数据与单机结构实际状态差异导致损伤评估准确性降低的问题，实现飞行器金属结构疲劳裂纹的可靠评估。对于保障飞行器结构安全，实现飞行器结构视情维护，以降低飞行器运维费用具有重要意义。

附图说明

图1为本发明方法的流程图。

图2为本发明中离线导波-隐马尔可夫模型示意图。

图3为本发明中基于动态状态的在线导波-隐马尔可夫模型示意图。

图4为实施例中耳片结构压电传感器布置示意图。

图5为实施例中耳片结构FT-1到FT-3的疲劳裂纹扩展情况示意图。

图6为实施例中耳片结构FT-4的疲劳裂纹萌生诊断结果示意图。

图7为实施例中初始的在线导波-隐马尔可夫模型状态分布示意图。

图8为实施例中第一次状态动态更新后的在线导波-隐马尔可夫模型状态分布示意图。

图9为实施例中第二次状态动态更新后的在线导波-隐马尔可夫模型状态分布示意图。

图10为实施例中耳片结构FT-4的疲劳裂纹评估结果示意图。

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1所示，本发明的一种基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法，步骤如下：

(1)通过同类结构在健康状态下采集的导波观测值训练离线导波-隐马尔可夫模型；

其中，导波-隐马尔可夫模型由如下参数表征：

11)N：模型隐含状态的个数；记t时刻结构所处状态为q_t，其满足q_t∈{S₁,S₂,…,S_N}，其中S₁,S₂,S_N分别为隐马尔可夫模型的隐含状态，下标为隐含状态的序号；

12)π：初始状态概率向量；π＝{π₁,π₂,...π_i,...,π_N}，π₁,π₂,...π_i,...,π_N分别为初始状态概率，其下标1≤i≤N为状态序号，π_i表示结构在初始时刻所处状态为隐含状态S_i的概率，并且满足

13)A：状态转移概率矩阵；A＝{a_i,j}，其中a_i,j＝P(q_t+1＝S_j|q_t＝S_i)，符号P表示概率，q_t为结构在t时刻所处状态，q_t+1为结构在t+1时刻所处状态，S_i和S_j分别为模型的第i个和第j个状态，a_i,j表示状态q_t由S_i转移到S_j的概率；

14)B：观测值概率矩阵；B＝{b_i(o_t)}：其中b_i(o_t)＝P(o_t|q_t＝S_i)，o_t为t时刻观测值，S_i为模型的第i个状态，q_t为结构在t时刻所处状态，b_i(o_t)表示结构处于S_i状态并获得观测值o_t的概率，其采用高斯混合模型表示。

如图2所示，离线导波-隐马尔可夫模型具有2个隐含状态和/>均表征结构健康状态，状态可相互转移。

面向目标结构在线评估，首先开展同类结构的疲劳试验，采用导波结构健康监测方法进行结构疲劳裂纹监测；按照一定的时间间隔在结构中连续激励和采集导波信号；记在t时刻从导波信号中提取的损伤因子观测值为o_t，则同类结构在健康状态下获取的观测值可以表示为O^*＝{o₁,o₂,…,o_H}，其中H为健康观测值的个数；

然后，将O^*中的观测值随机分为两组，分配给隐含状态和/>采用均匀初始化高斯混合模型聚类方法对观测概率进行初始化，然后采用Baum-Welch算法对离线导波-隐马尔可夫模型的参数进行优化，得到训练后的离线导波-隐马尔可夫模型。

(2)在线获取目标结构导波观测值，输入至训练后的离线导波-隐马尔可夫模型，通过判断训练后的离线导波-隐马尔可夫模型输出的平滑概率因子是否超过阈值来诊断结构裂纹萌生；若未超过阈值，则重复步骤(2)；若超过阈值则裂纹萌生，通过已获取的目标结构导波观测值重新训练离线导波-隐马尔可夫模型的参数，得到在线导波-隐马尔可夫模型；

其中，目标结构在服役过程中，在线获取的t时刻观测值记为o_t，则连续获取的观测值可组成长度为k的观测值序列O_t＝{o_t-k+1,o_t-k+2,…,o_t}。序列中o_t-k+1，o_t-k+2和o_t分别表示在t-k+1，t-k+2以及t时刻获取的观测值；在t时刻，平滑概率因子通过下式计算得到：

式中，γ_t为t时刻的平滑概率因子，l为滑动平均长度，λ为训练得到的导波-隐马尔可夫模型的参数向量，P(O_t-l+1|λ)，P(O_t-1|λ)，P(O_t|λ)分别为t-l+1时刻，t-1和t时刻的观测似然值；平滑概率因子γ_t越大，表示结构偏离健康状态越远；根据经验提前设定阈值γ_th，若γ_t超过阈值，认为裂纹萌生。

当诊断到裂纹萌生后，此时目标结构已获取的观测值为其中t_D为诊断到裂纹萌生的时刻，/>分别为时刻t＝1，t＝2，t＝t_D获得的观测值；

然后将中的前90％观测值随机均分为两组，其分别属于两个隐含状态，采用均匀初始化高斯混合模型聚类方法初始化观测概率，然后采用Baum-Welch算法对离线导波-隐马尔可夫模型的参数进行重新优化，得到在线导波-隐马尔可夫模型。

(3)通过同类结构在不同裂纹尺寸下获得的导波观测值对在线导波-隐马尔可夫模型的平滑概率因子标定模型进行训练；

其中，同类结构在不同裂纹尺寸下获得的导波观测值记为其中x_f为裂纹尺寸，O_f为裂纹尺寸x_f对应的长度为k的导波观测值序列；将其输入在线导波-隐马尔可夫模型中，输出平滑概率因子γ_f，获得数据集/>

然后，通过最小二乘方法对下式所示的平滑概率因子标定模型进行训练，

x＝g_υ(γ)

式中，x为裂纹尺寸，γ为平滑概率因子，g_υ(·)为平滑概率因子标定模型。

(4)在线获取目标结构导波观测值，先后输入在线导波-隐马尔可夫模型和平滑概率因子标定模型中，输出目标结构裂纹评估结果；

其中，时刻t_D后，在线获取目标结构导波观测值，首先输入在线导波-隐马尔可夫模型计算平滑概率因子γ_t，然后将其代入平滑概率因子标定模型，获得目标结构裂纹评估结果。

(5)根据所述评估结果判断裂纹是否达到设定的阈值，若未达到阈值则进入步骤(6)；若达到阈值则结束。

(6)判断是否进行无损检测，若是则进入步骤(7)，若否则返回步骤(4)。

(7)通过无损检测获取结构真实裂纹尺寸，结合已获取的目标结构导波观测值，增加在线导波-隐马尔可夫模型的隐含状态个数，即为动态状态，如图3所示。

其中，所述结构真实裂纹尺寸记为其中上标表示最近时刻/>进行的第υ次无损检测，υ＝1,2,...，下标NDT为无损检测(Non-Destructive Testing，NDT)。

增加在线导波-隐马尔可夫模型的隐含状态，即更新模型隐含状态集合为{S₁,S₂,..,S_2+υ}，其中S₁和S₂表示结构的健康状态，S₂以后的状态表示结构的损伤状态，S_2+υ为最新增加的损伤状态；对于状态下标i＞j且i＞2的状态S_i和S_j，状态S_i向状态S_j转移的概率为0，表示疲劳裂纹演化是不可逆的过程。

(8)采用已获取的目标结构导波观测值，对增加隐含状态后的在线导波-隐马尔可夫模型进行重新训练；

其中，所述步骤(8)中已获取的目标结构导波观测值包括：时刻t_D之前获取的导波观测值，其属于结构健康状态S₁和S₂，其中时刻t_D表示诊断到目标结构裂纹萌生的时刻；时刻t_D和之间获取的导波观测值，属于结构的损伤状态S₃，/>为第一次无损检测的时刻；时刻/>和/>之间获取的导波观测值(υ＞1)属于损伤状态S_υ+2，其中/>和/>分别为第υ-1次和第υ次无损检测的时刻。

其中，所述步骤(8)中对增加隐含状态后的在线导波-隐马尔可夫模型进行重新训练具体为：将属于结构健康状态S₁和S₂的导波观测值前90％随机均分为两类，分别赋予健康状态S₁和S₂；将时刻t_D和之间获取的导波观测值赋予损伤状态S₃，将/>和/>之间获取的导波观测值(υ＞1)，分别赋予对应的损伤状态S_2+υ；

初始化在线导波-隐马尔可夫模型中隐含状态的先验概率，设置为π₁＝1，以及π_i＝0，i＞1，其中π₁为状态S₁的先验概率，π_i为状态S_i的先验概率；

初始化在线导波-隐马尔可夫模型的先验状态转移概率，对于序号i＞j以及i＞2的状态，其先验状态转移概率初始化为a_i,j＝0，其中a_i,j表示状态S_i转移到S_j的概率；对于状态序号i＜j，其先验状态转移概率初始化为a_i,j＝0.1；对于状态序号i＝j，其先验状态转移概率初始化为1-∑a_i,j,i≠j；对于状态序号i＝2,j＝1，其先验状态转移概率初始化为a_2,1＝0.1；

采用均匀初始化高斯混合模型聚类方法初始化在线导波-隐马尔可夫模型的观测概率分布，通过Baum-Welch算法对在线导波-隐马尔可夫模型的参数进行优化。

其中，所述步骤(8)中同类结构在不同裂纹尺寸下的导波观测值为其中x_f为裂纹，O_f为裂纹x_f对应的导波观测值，F为数据个数；从数据集/>中按照的准则，挑选出新的数据集/>其中x_κ为裂纹，O_κ为裂纹x_f对应的导波观测值，T_υ表示挑选出数据的个数。

其中，所述步骤(8)中对平滑概率因子标定模型进行重新训练和修正具体为：

将挑选的数据集输入在线导波-隐马尔可夫模型中，输出平滑概率因子/>获得数据集/>通过最小二乘方法拟合该数据集得到平滑概率因子标定模型：

x＝g_υ(γ)

式中，x为裂纹，γ为平滑概率因子，g_υ(·)为平滑概率因子标定模型；

采用无损检测获得的结构真实裂纹尺寸计算误差修正项ε_υ如下：

式中，为第υ次NDT时最后获取的导波观测值对应的平滑概率因子；

通过该误差修正项ε_υ，得到修正后的平滑概率因子标定模型如下：

x'＝g_υ(γ)+ε_υ

式中，x'为评估得到的裂纹。

(9)采用同类结构在不同裂纹尺寸下的导波观测值对平滑概率因子标定模型进行重新训练，然后修正平滑概率因子标定模型。

(10)重复上述(4)-(9)，实现结构疲劳裂纹在线评估，直到裂纹评估结果达到阈值。

本实施例以耳片结构的疲劳裂纹在线评估为例，说明本发明的具体实施过程；耳片结构是一种重要的飞机结构元件，通常用作飞机机翼和机身等关键部件的互连件。本实施例采用的耳片结构如图4所示，其厚度为5mm，材料为LY12铝合金；在耳片结构的孔边应力集中区域加工2mm的切口。

预先开展三个耳片结构编号为FT-1、FT-2、FT-3的疲劳试验，采用疲劳试验机对耳片结构进行拉伸疲劳加载，使得切口处裂纹萌生并扩展。图5所示为耳片结构FT-1到FT-3的疲劳裂纹扩展情况。通过布置在结构表面的压电传感器激励和采集导波信号，记为第一压电传感器和第二压电传感器。在疲劳试验中，通过第一压电传感器在结构中激励导波信号，通过第二压电传感器采集在结构中传播的导波信号，并计算该导波信号的损伤因子向量o_t＝[DI_1,t,DI_2t,]，其中DI_1,t为第一损伤因子，DI_2,t为第二损伤因子，连续获得的30个损伤因子向量组成导波观测值O_t。

如步骤(1)(2)所示，首先通过同类结构FT-1、FT-2、FT-3在健康状态下采集的导波观测值训练离线导波-隐马尔可夫模型。开展新的耳片结构试件FT-4的疲劳试验，在线获取其导波观测值，输入离线导波-隐马尔可夫模型中诊断裂纹萌生。如图6所示，在时刻t＝170诊断到耳片结构FT-4的疲劳裂纹萌生。然后通过已获取的结构FT-4导波观测值重新训练模型参数，得到在线导波-隐马尔可夫模型。

如步骤(3)所示，通过同类结构FT-1、FT-2、FT-3在不同裂纹尺寸下获得的导波观测值训练平滑概率因子标定模型。

如步骤(4)、(5)、(6)、(7)、(8)、(9)所示，对于FT-4耳片结构，每当获得新的导波观测值，输入在线导波-隐马尔可夫模型和平滑概率因子标定模型中，得到结构裂纹尺寸评估结果。当裂纹尺寸为6mm时和11mm时，开展无损检测。结合无损检测数据对在线导波-隐马尔可夫模型和平滑概率因子标定模型进行重新训练和修正，其中在线导波-隐马尔可夫模型的状态分布变化如图7，图8和图9所示。最后得到的FT-4耳片结构裂纹诊断结果如图10所示。裂纹尺寸的最大评估误差约为1.1mm，表明该方法能够准确地评估结构疲劳裂纹尺寸。

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 (5)

1.一种基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法，其特征在于，步骤如下：

(1)通过同类结构在健康状态下采集的导波观测值训练离线导波-隐马尔可夫模型；

(2)在线获取目标结构导波观测值，输入至训练后的离线导波-隐马尔可夫模型，通过判断训练后的离线导波-隐马尔可夫模型输出的平滑概率因子是否超过阈值来诊断结构裂纹萌生；若未超过阈值，则重复步骤(2)；若超过阈值则裂纹萌生，通过已获取的目标结构导波观测值重新训练离线导波-隐马尔可夫模型的参数，得到在线导波-隐马尔可夫模型；

(3)通过同类结构在不同裂纹尺寸下获得的导波观测值对在线导波-隐马尔可夫模型的平滑概率因子标定模型进行训练；

(4)在线获取目标结构导波观测值，先后输入在线导波-隐马尔可夫模型和平滑概率因子标定模型中，输出目标结构裂纹评估结果；

(5)根据所述评估结果判断裂纹是否达到设定的阈值，若未达到阈值则进入步骤(6)；若达到阈值则结束；

(6)判断是否进行无损检测，若是则进入步骤(7)，若否则返回步骤(4)；

(7)获取结构真实裂纹尺寸，结合已获取的目标结构导波观测值，增加在线导波-隐马尔可夫模型的隐含状态个数，即为动态状态；

(8)采用已获取的目标结构导波观测值，对增加隐含状态后的在线导波-隐马尔可夫模型进行重新训练；

(9)采用同类结构在不同裂纹尺寸下的导波观测值对平滑概率因子标定模型进行重新训练，然后修正平滑概率因子标定模型；

(10)重复上述(4)-(9)，实现结构疲劳裂纹在线评估，直到裂纹评估结果达到阈值；

所述步骤(1)中的离线导波-隐马尔可夫模型和步骤(2)中在线导波-隐马尔可夫模型具有相同的结构，都包括2个隐含状态，其均表征结构健康状态并且可相互转移；

目标结构在服役过程中，在线获取的t时刻观测值记为o_t，则连续获取的观测值可组成长度为k的观测值序列O_t＝{o_t-k+1,o_t-k+2,…,o_t}；序列中o_t-k+1，o_t-k+2和o_t分别表示在t-k+1，t-k+2以及t时刻获取的观测值；在t时刻，平滑概率因子通过下式计算得到：

式中，γ_t为t时刻的平滑概率因子，l为滑动平均长度，λ为训练得到的导波-隐马尔可夫模型的参数向量，P(O_t-l+1|λ)，P(O_t-1|λ)，P(O_t|λ)分别为t-l+1时刻，t-1和t时刻的观测似然值；平滑概率因子γ_t越大，表示结构偏离健康状态越远；根据经验提前设定阈值γ_th，若γ_t超过阈值，认为裂纹萌生；

所述步骤(8)中已获取的目标结构导波观测值包括：时刻t_D之前获取的导波观测值，其属于结构健康状态S₁和S₂，其中时刻t_D表示诊断到目标结构裂纹萌生的时刻；时刻t_D和之间获取的导波观测值，属于结构的损伤状态S₃，/>为第一次无损检测的时刻；时刻/>和/>之间获取的导波观测值属于损伤状态S_υ+2，其中/>和/>分别为第υ-1次和第υ次无损检测的时刻；

所述步骤(8)中对增加隐含状态后的在线导波-隐马尔可夫模型进行重新训练具体为：将属于结构健康状态S₁和S₂的导波观测值前90％随机均分为两类，分别赋予健康状态S₁和S₂；将时刻t_D和之间获取的导波观测值赋予损伤状态S₃，将/>和/>之间获取的导波观测值，分别赋予对应的损伤状态S_2+υ；

初始化在线导波-隐马尔可夫模型中隐含状态的先验概率，设置为π₁＝1，以及π_i＝0，i＞1，其中π₁为状态S₁的先验概率，π_i为状态S_i的先验概率；

初始化在线导波-隐马尔可夫模型的先验状态转移概率，对于序号i＞j以及i＞2的状态，其先验状态转移概率初始化为a_i,j＝0，其中a_i,j表示状态S_i转移到S_j的概率；对于状态序号i＜j，其先验状态转移概率初始化为a_i,j＝0.1；对于状态序号i＝j，其先验状态转移概率初始化为1-∑a_i,j,i≠j；对于状态序号i＝2,j＝1，其先验状态转移概率初始化为a_2,1＝0.1；

采用均匀初始化高斯混合模型聚类方法初始化在线导波-隐马尔可夫模型的观测概率分布，通过Baum-Welch算法对在线导波-隐马尔可夫模型的参数进行优化。

2.根据权利要求1所述的基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法，其特征在于，所述步骤(7)中的结构真实裂纹尺寸记为其中上标表示最近时刻/>进行的第υ次无损检测，υ＝1,2,...，下标NDT为无损检测。

3.根据权利要求1所述的基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法，其特征在于，所述步骤(7)中增加在线导波-隐马尔可夫模型的隐含状态，即更新模型隐含状态集合为{S₁,S₂,..,S_2+υ}，其中S₁和S₂表示结构的健康状态，S₂以后的状态表示结构的损伤状态，S_2+υ为最新增加的损伤状态；对于状态下标i＞j且i＞2的状态S_i和S_j，状态S_i向状态S_j转移的概率为0，表示疲劳裂纹演化是不可逆的过程。

4.根据权利要求1所述的基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法，其特征在于，所述步骤(9)中同类结构在不同裂纹尺寸下的导波观测值为其中x_f为裂纹，O_f为裂纹x_f对应的导波观测值，F为数据个数；从数据集/>中按照的准则，挑选出新的数据集/>其中x_κ为裂纹，O_κ为裂纹x_f对应的导波观测值，T_υ表示挑选出数据的个数。

5.根据权利要求1所述的基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法，其特征在于，所述步骤(9)中对平滑概率因子标定模型进行重新训练和修正具体为：

将挑选的数据集输入在线导波-隐马尔可夫模型中，输出平滑概率因子获得数据集/>通过最小二乘方法拟合该数据集得到平滑概率因子标定模型：

x＝g_υ(γ)

式中，x为裂纹，γ为平滑概率因子，g_υ(·)为平滑概率因子标定模型；

采用无损检测获得的结构真实裂纹尺寸计算误差修正项ε_υ如下：

式中，为第υ次NDT时最后获取的导波观测值对应的平滑概率因子；

通过该误差修正项ε_υ，得到修正后的平滑概率因子标定模型如下：

x'＝g_υ(γ)+ε_υ

式中，x'为评估得到的裂纹。