基于冲击应力波和深度学习的复合材料平板结构冲击能量识别方法

本发明涉及结构健康监测领域，尤其涉及一种基于冲击应力波和深度学习的复合材料平板结构冲击能量识别方法。

背景技术：

1、复合材料具有高比强度、高比模量、优异的耐疲劳性能和耐腐蚀性能，能够有效减轻航空航天飞行器的结构质量，是目前航空航天新型材料领域的研究重点。然而，复合材料的抗冲击性能较差，其在服役过程中会不可避免地遭受外部冲击，根据冲击能量的大小可以分为高速冲击和低速冲击。高速冲击会导致结构表面产生明显的贯穿损伤，而低速冲击通常会形成分层、纤维断裂等内部损伤，不易通过肉眼直接观察，因此难以判断结构是否受到冲击以及冲击程度，若未及时发现损伤或判断有误，将严重威胁飞行器的服役安全。

2、针对上述问题，目前通常采用超声扫描、涡流、热成像等无损检测技术对冲击损伤进行定期检测。然而，这些方法耗时耗力，且只能进行离线检测，难以满足工程应用需求。冲击监测技术能够进行实时在线监测，近年来获得国内外学者广泛关注。该技术通过传感器网络获取实时的冲击响应信号，利用先进的信号处理方法和算法实现冲击位置及能量识别。冲击能量识别是其中的一项关键技术，它能够估计冲击能量大小，有利于进一步分析并判断损伤程度，为后续离线检测及维修提供依据和指导。

3、随着人工智能技术的蓬勃发展，深度学习算法在结构健康监测领域的应用愈加广泛。基于深度学习模型的冲击能量识别方法具备独立于先验知识的数据挖掘能力，可获取高维数据与目标参量的深层次映射关系。目前基于深度学习的冲击能量识别研究相对较少，因此亟需开发一种高效、可靠的深度学习方法对冲击能量大小进行准确识别。

技术实现思路

1、针对现有技术存在的问题，本发明公开了一种基于冲击应力波和深度学习的复合材料平板结构冲击能量识别方法，步骤如下：粘贴压电传感器，进行冲击实验。在复合材料结构上粘贴压电传感器，组成传感器网络。在实验件上安装四个压电传感器，在试验件上的不同位置依次进行落球冲击实验，并实时采集冲击导波信号；标注数据，建立数据库。该步骤具体包括：利用采集的冲击应力波信号与冲击位置、能量标签进行标注，建立数据库；建立深度学习网络模型，包括建立两阶段式深度学习网络识别冲击位置和能量；评价模型效果与位置识别；以及根据评价指标判别模型的效果，并识别冲击点位置坐标以及能量大小。

2、在一些实施例中，所述应力波响应信号特征是时间序列特征。

3、在一些实施例中，建立评价指标以评价所述深度学习网络模型的效果，包括以l1loss用作损失函数，计算了每个样本的预测误差的绝对值，并求取平均值。

4、在一些实施例中，利用r2分数(r-squared)衡量模型对数据方差的解释程度，用式计算，其中表示目标变量的均值。

5、在一些实施例中，评价指标判别模型的效果，并识别冲击点位置坐标以及能量大小。

6、本申请的另一些实施例提出了基于冲击应力波和深度学习的复合材料平板结构冲击能量识别方法，其包括步骤：对采集的冲击应力波信号、冲击位置和冲击能量进行标注，建立数据库；建立深度学习网络模型，包括位于第一级的时间卷积网络模块，第一卷积神经网络模块，以及位于第二级的长短时记忆(lstm)神经网络模块和第二卷积神经网络模块；所述深度学习网络模型被配置为利用时间卷积网络模块从所述冲击应力波信号中识别出应力波响应信号特征；利用所述第一卷积神经网络从所述应力波响应信号特征学习第一高维度抽象特征，以及利用第一全连接模块，以所述第一高维度抽象特征为输入，以冲击源坐标为输出从而建立所述冲击应力波信号与冲击位置坐标之间的映射关系；利用长短时记忆(lstm)神经网络模块从所述应力波响应信号特征学习所述冲击应力波信号的能量特征表示；以及利用第二卷积神经网络模块从所述能量特征表示学习所述应力波响应信号的第二高维度抽象特征；以及利用第二全连接模块基于所述第二高维度抽象特征建立所述冲击应力波信号与冲击源能量的映射关系。

7、在一些实施例中，所述应力波响应信号特征是时间序列特征。

8、在一些实施例中，建立评价指标以评价所述深度学习网络模型的效果，包括以l1loss用作损失函数，计算了每个样本的预测误差的绝对值，并求取平均值。

9、在一些实施例中，利用r2分数(r-squared)衡量模型对数据方差的解释程度，用式计算，其中表示目标变量的均值。

10、在一些实施例中，评价指标判别模型的效果，并识别冲击点位置坐标以及能量大小。

11、由于采用了上述技术方案，本发明提供的一种基于冲击应力波和深度学习的复合材料平板结构冲击能量识别方法的有益之处在于：利用深度学习技术进行冲击位置与能量识别，无需考虑冲击应力波信号的波达时间、峰值等信息，可挖掘并学习数据的深层次特征。

1.基于冲击应力波和深度学习的复合材料平板结构冲击能量识别方法，其特征在于：包括步骤：

2.根据权利要求1所述的基于冲击应力波和深度学习的复合材料平板结构冲击能量识别方法，其特征在于：所述应力波响应信号特征是时间序列特征。

3.根据权利要求1所述的基于冲击应力波和深度学习的复合材料平板结构冲击能量识别方法，其特征在于：建立评价指标以评价所述深度学习网络模型的效果，包括以l1loss用作损失函数，计算了每个样本的预测误差的绝对值，并求取平均值。

4.根据权利要求1所述的基于冲击应力波和深度学习的复合材料平板结构冲击能量识别方法，其特征在于：利用r2分数(r-squared)衡量模型对数据方差的解释程度，用式计算，其中表示目标变量的均值。

5.根据权利要求1所述的基于冲击应力波和深度学习的复合材料平板结构冲击能量识别方法，其特征在于：评价指标判别模型的效果，并识别冲击点位置坐标以及能量大小。

6.基于冲击应力波和深度学习的复合材料平板结构冲击能量识别方法，其特征在于：包括步骤：

7.根据权利要求1所述的基于冲击应力波和深度学习的复合材料平板结构冲击能量识别方法，其特征在于：所述应力波响应信号特征是时间序列特征。

8.根据权利要求1所述的基于冲击应力波和深度学习的复合材料平板结构冲击能量识别方法，其特征在于：建立评价指标以评价所述深度学习网络模型的效果，包括以l1loss用作损失函数，计算了每个样本的预测误差的绝对值，并求取平均值。

9.根据权利要求1所述的基于冲击应力波和深度学习的复合材料平板结构冲击能量识别方法，其特征在于：利用r2分数(r-squared)衡量模型对数据方差的解释程度，用式计算，其中表示目标变量的均值。

10.根据权利要求1所述的基于冲击应力波和深度学习的复合材料平板结构冲击能量识别方法，其特征在于：评价指标判别模型的效果，并识别冲击点位置坐标以及能量大小。