【数据驱动】【航空航天结构的高效损伤检测技术】一种数据驱动的结构健康监测（SHM）方法，用于进行原位评估结构健康状态，即损伤位置和程度，在其中利用了选定位置的引导式兰姆波响应（Matlab代码实现）

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

💥1 概述

摘要：本文提出了一种数据驱动的结构健康监测（SHM）方法，用于进行原位评估结构健康状态，即损伤位置和程度，在其中利用了选定位置的引导式兰姆波响应。该方法由离线和在线两个阶段组成。离线阶段的目标是进行数据维度降低，并建立传感器数据与损伤状态之间的映射关系。首先，通过高保真有限元方法（ABAQUS软件）进行模拟，建立了全面的数据库，以确定在各种预先确定的结构损伤条件下的引导式兰姆波响应（例如，位移和加速度）。然后，应用适当正交分解（POD）方法从每个模拟情况下提取关键特征。最后，开发了基于神经网络的代理模型，以将损伤状态与POD的模态系数相关联。在线阶段的目标是利用有限的传感器测量量来量化损伤位置和程度。采用间隙适当正交分解（GPOD）来基于有限的传感器数据重建全场信息。随后，利用离线阶段开发的代理模型推导出相关的损伤程度和位置。提出的数据驱动型SHM方法利用从梁和板示例中获取的模拟数据进行了全面验证。评估值与实际损伤值之间的最大误差在10%以内。还进行了参数研究，以探究使用不同传感器布置和传感器类型进行损伤检测的效果。总之，提出的方法可能成为航空航天结构的高效损伤检测技术。

关键词：结构健康监测（SHM）引导式兰姆波 适当正交分解（POD）间隙POD 神经网络 损伤估计

不同的结构已经被广泛应用于航空航天、汽车、民用以及机械领域。航空航天结构展现出多种多样的结构类型，包括梁、板、壳体等。它们受到动态载荷的作用，这会导致内部缺陷在某一点生长并合并。这可能导致系统级的灾难性失败。此外，撞击事件也会对航空航天结构造成损伤。这些损伤模式随着撞击条件而变化。它们会改变结构的材料或几何属性，并影响系统的整体性能。通常，损伤以裂纹、孔洞、分层或连接处的不连续形式存在。在许多情况下，视觉检查无法在其初始阶段检测到小的损伤。因此，需要结构健康监测（SHM）技术来检测损伤、评估健康状态并预测航空航天结构的寿命周期。本次努力的新颖之处包括：（1）将POD、传感器布置优化、神经网络和GPOD技术应用于具有大数据量的时间相关信号中，整个时间域内的动态数据作为损伤检测和识别的整体特征。这与之前的工作形成鲜明对比，之前的工作绕过了逆向损伤问题（即，损伤定位和严重程度检测），而是利用静态测量数据，例如静态应变（Mainini和Willcox 2015）作为推断指标；以及（2）采用引导式兰姆波响应来进行有效的损伤检测，使用数据驱动建模方法，而不是传统的损伤三角定位方法。如前所述，传统的基于波的SHM方法广泛用于根据飞行时间（TOF）和波速计算进行实时工程应用中的损伤检测。因此，选择这些波响应来展示所提出的用于原位损伤检测的数据驱动方法。

编辑

本文开发了一种基于数据驱动的结构健康监测（SHM）新方法，利用导波（Lamb波）响应实现。该方法分为离线和在线两个阶段。在离线阶段，通过高保真有限元仿真生成梁和板结构中的导波响应（即位移和加速度），以构建全面的数据库。基于POD（Proper Orthogonal Decomposition，正交分解）的代理模型被开发出来，用于在低维度中表示大量的波传播数据。只需要少数几个主要的POD模态即可准确重构波传播响应。在梁结构中，共提取了101个POD模态，其中只有前18个模态被保留用于准确的数据重构。类似地，在板结构中，只有11个POD模态被用于数据重构。相应地，开发了神经网络代理模型，以关联这些POD模态系数与梁和板结构中的损伤位置和程度。

在在线阶段，利用稀疏传感器数据通过GPOD方法重构全场测量数据。最终，通过应用离线阶段开发的代理模型，并结合添加了10%噪声的仿真响应，我们能够推断损伤的位置和程度。推断值与实际值之间的最大误差在10%以内。总之，所提出的基于数据驱动的SHM方法展示了在航空航天结构中实现实时损伤检测的潜力。

一、技术原理：数据驱动的SHM系统与兰姆波损伤检测机制

1. SHM系统核心组成

数据驱动的SHM系统通过传感器网络实时采集结构响应信号（如振动、应变、位移），结合特征提取与模式识别评估结构健康状态。核心模块包括：

• 数据采集：加速度计、应变片、光纤传感器、压电换能器（PZT）等。
• 数据传输：有线/无线方式传输海量数据至监测中心。
  
  编辑
• 数据处理：包括数据清洗、特征提取、模式识别（如小波变换、压缩感知）及健康评估。
  
  编辑
• 评估决策：基于诊断结果发布预警并提供维护策略。

2. 兰姆波在损伤检测中的独特优势

兰姆波（Lamb Wave）是板状结构中传播的弹性导波，适用于航空航天薄壁结构（如机翼、蒙皮），其优势包括：

• 长距离传播与低衰减：单次激励可覆盖大面积结构。
• 对微小损伤敏感：可检测裂纹、分层、腐蚀等缺陷。
  
  编辑
• 穿透性：可穿透涂层和绝缘层，检测内部损伤。
  
  编辑
• 多模态特性：对称模式（S0）和反对称模式（A0）分别对厚度变化和表面损伤敏感。

3. 损伤检测机制

当兰姆波在结构中传播时，损伤区域会散射/反射波信号，导致以下变化：

• 传播时间延迟：损伤散射波到达传感器的时间晚于直接波。
• 幅值与相位变化：损伤导致能量衰减或波形畸变。
• 模式转换：损伤可能激发新的波模式（如S0→A0）。
  通过分析这些变化，可定位损伤并量化程度。

二、核心技术：引导式兰姆波响应的实现方法

1. 传感器布局优化

• 阵列设计：采用压电换能器（PZT）阵列，通过对称布置或稀疏阵列减少传感器数量。
• 热点区域聚焦：基于损伤容限分析预测易损位置，针对性部署传感器。
• 路径规划：设计波传播路径覆盖关键区域（如铆钉孔、焊缝）。
  
  编辑

2. 信号激励与单模控制

为减少多模态叠加导致的信号复杂性：

• 频率调谐：选择特定频率激发单一模式（如S0模式）。
• 激励器配置：优化PZT尺寸和形状（如矩形薄片）抑制A0模式。
• 信号调制：使用窄带脉冲或编码激励增强信噪比。

3. 信号处理与特征提取

4. 数据驱动的损伤量化模型

• 离线建模阶段：

• 通过 有限元模拟（如ABAQUS） 构建不同损伤场景的兰姆波响应数据库。
• 使用 适当正交分解（POD） 提取关键特征模态。
• 训练神经网络代理模型，关联损伤参数（位置、程度）与POD模态系数。

• 在线监测阶段：

• 利用 间隙POD（GPOD） 根据有限传感器数据重建全场响应。
• 调用代理模型实时输出损伤位置与程度，误差可控制在10%以内。

三、航空航天应用的特殊挑战与解决方案

1. 核心挑战

• 材料复杂性：复合材料各向异性导致损伤模式多样（如分层、微裂纹）。
• 结构尺度大：飞机外壳等大型部件需高效全覆盖检测。
• 环境干扰：极端温度、振动噪声影响信号稳定性。
• 实时性要求：飞行中需快速识别损伤以调整任务规划。

2. 针对性解决方案

3. 前沿技术融合

• 数字孪生：结合物理模型与实时数据动态预测损伤演化。
• 多传感器融合：集成光纤传感器与PZT阵列，提升监测维度。
• 人工智能：

• 轻量化CNN处理原始波形数据，直接输出损伤图像。
• 强化学习优化传感器布局与诊断策略。

四、总结与展望

基于引导式兰姆波的数据驱动SHM技术，通过优化传感器布局、单模激励控制、先进信号处理及AI模型，实现了航空航天结构损伤的原位高精度检测（误差≤10%）。未来发展方向包括：

1. 多功能集成：将SHM系统嵌入结构本体，形成“自感知”智能结构。
2. 跨尺度监测：从微裂纹到宏观损伤的多尺度关联模型。
3. 标准化挑战：制定统一的兰姆波检测协议与损伤量化标准。

此技术不仅显著提升飞行安全性与维护效率，还可推广至风电叶片、桥梁等大型基础设施的健康监测。

📚2 运行结果

编辑

编辑

编辑

编辑

编辑

部分代码：

% EXPERIMENT INFORMATION

fl = 3;             % 1: one 0.5cm hole

                   % 2: one 0.75cm hole

                   % 3: two 0.75cm holes

% SWA INFORMATION

fn  = 20:1:800;     % Frequencies

k   = (2:2:1000).'; % Wavenumbers for dispersion curves

sns = 1:1:17;       % Sensors to use (1:17 is the largest range)

% LOCALIZATION INFORMATION

W  = 0.75;          % Window size around defect

Nx = 400;           % Number of pixels in x direction

Ny = 400;           % Number of pixels in y direction

% WINDOWING INFORMATION

vwin = 2000;        % Velcoity (in m/s) for velocity window

c    = 5110.83;     % Velocity for delay and sum

             

%%

% ---------------------------------------------

% GET DATA

% ---------------------------------------------

% DETERMINE THE DATA

basename = 'data_20121029_localize_baseline';

if fl == 1,     dataname = 'data_20121029_localize_hole_05cmC';

elseif fl == 2, dataname = 'data_20121029_localize_hole_075cmC';

elseif fl == 3, dataname = 'data_20121029_localize_2holes_075cmC';

end

% GET DATA (BUILD A MAT FILE IF NOT AVAILABLE)

if exist([basename '.mat'],'file')

   load([basename '.mat']);

else

   [metab, cfgb] = extract_data(str2func(basename), 1:34);

   save([basename '.mat'], 'metab', 'cfgb');

end

if exist([dataname '.mat'],'file')

   load([dataname '.mat']);

else

   [metas, cfgs] = extract_data(str2func(dataname), 1:34);

   save([dataname '.mat'], 'metas', 'cfgs');

end

metab = filter_tn(filter_rn(metab, sns), sns);

metas = filter_tn(filter_rn(metas, sns), sns);

%%

% ---------------------------------------------

% GET DISPERSION CURVES

% ---------------------------------------------

% COMPUTE DISTANCES BETWEEN SENSORS

Sx = metas.Sx;  % Hole location

Tx = arrayfun(@(ii) (metab.Tx{ii}.'*ones(1,size(metab.Rx{ii},1))).', 1:numel(metab.Rx), 'UniformOutput', false);  % Transmitter locations

d = diag(dist(cell2mat(metab.Rx), cell2mat(Tx.').'));  % Distance between each reciever and transmitter

% PRE-PROCESS SIGNALS

xb = cell2mat(metab.x.');              % Baseline signal

xb = xb - mean(xb,2);                  % Remove means

xb(1:110,:) = 0;                       % Remove cross-talk

xb = velwindow(xb, d, vwin/metab.Fs);  % Velocity-based window

Xb = fft(xb);                          % Fourier transform

xs = cell2mat(metas.x.');              % Signal with target

xs = xs - mean(xs,2);                  % Remove means

xs(1:110,:) = 0;                       % Remove cross-talk

xs = velwindow(xs, d, vwin/metab.Fs);  % Velocity-based window

Xs = fft(xs);                          % Fourier transform

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，