楊宇 王彬文 呂帥帥 周雨熙 王莉 劉國(guó)強(qiáng)

摘要：碳纖維增強(qiáng)復(fù)合材料層壓板已經(jīng)廣泛應(yīng)用于飛機(jī)的主承力結(jié)構(gòu)。然而，層間分層作為一種最常見(jiàn)的損傷形式，嚴(yán)重影響層壓板的力學(xué)性能和結(jié)構(gòu)安全。人們利用導(dǎo)波在層壓板中的傳播特性開(kāi)展結(jié)構(gòu)損傷監(jiān)測(cè)，其核心是對(duì)比分析損傷前后導(dǎo)波信號(hào)，根據(jù)信號(hào)變化特征量化計(jì)算損傷指數(shù)，并將其與損傷閾值進(jìn)行比較，從而進(jìn)行損傷判定。該方法對(duì)專家經(jīng)驗(yàn)依賴嚴(yán)重，并且泛化能力較弱。本文利用深度學(xué)習(xí)理論，提出了一種基于分布式時(shí)序卷積神經(jīng)網(wǎng)絡(luò)的損傷識(shí)別模型。該模型能夠較好地解決深度學(xué)習(xí)方法在處理結(jié)構(gòu)健康監(jiān)測(cè)問(wèn)題所面臨的困難，包括數(shù)據(jù)樣本量不足、數(shù)據(jù)偏斜嚴(yán)重以及數(shù)據(jù)長(zhǎng)度不一致等。另外，該方法創(chuàng)新性地應(yīng)用LSTM模塊，對(duì)監(jiān)測(cè)數(shù)據(jù)中各個(gè)數(shù)據(jù)片段特征進(jìn)行關(guān)聯(lián)。該深度學(xué)習(xí)模型增強(qiáng)了從原始導(dǎo)波信號(hào)進(jìn)行損傷特征提取的能力，從而減輕對(duì)專家經(jīng)驗(yàn)的過(guò)度依賴，并通過(guò)測(cè)試表明具有較高的損傷識(shí)別精度。

關(guān)鍵詞：復(fù)合材料；損傷識(shí)別；導(dǎo)波；卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：V219文獻(xiàn)標(biāo)識(shí)碼：ADOI：10.19452/j.issn1007-5453.2020.07.014

由于具有比強(qiáng)度/比剛度高、性能可設(shè)計(jì)和易于整體成形等諸多優(yōu)異性能，近年來(lái)碳纖維增強(qiáng)復(fù)合材料層壓板（CFRP）已經(jīng)被用于飛機(jī)主承力結(jié)構(gòu)[1]。然而，由于缺陷或沖擊造成的分層是CFRP最主要的一種損傷形式[2-3]，嚴(yán)重削弱其力學(xué)性能，影響結(jié)構(gòu)安全，為了在飛機(jī)結(jié)構(gòu)中能夠及時(shí)發(fā)現(xiàn)損傷，人們開(kāi)發(fā)了一種基于導(dǎo)波[4-6]的結(jié)構(gòu)損傷監(jiān)測(cè)方法。導(dǎo)波是橫波和縱波在薄壁結(jié)構(gòu)中經(jīng)上下表面不斷反射相互耦合后形成的一種彈性波[7-8]，基于導(dǎo)波的結(jié)構(gòu)損傷監(jiān)測(cè)原理為：導(dǎo)波在結(jié)構(gòu)中傳播時(shí)，當(dāng)其遇到結(jié)構(gòu)邊界或損傷（如內(nèi)部分層、界面脫黏等）時(shí)，其會(huì)產(chǎn)生邊界反射信號(hào)或損傷散射信號(hào)。通過(guò)采用合適的信號(hào)分析方法[9]，提取出由疑似損傷引起的損傷散射信號(hào)，并對(duì)其進(jìn)行時(shí)域、頻域等[10-11]分析處理，最終獲得損傷有無(wú)、位置和程度等信息，從而達(dá)到對(duì)結(jié)構(gòu)損傷進(jìn)行監(jiān)測(cè)的目的。

基于導(dǎo)波的結(jié)構(gòu)損傷監(jiān)測(cè)，目前廣泛采用的做法是對(duì)比分析損傷前后的導(dǎo)波信號(hào)特征，采用相應(yīng)算法計(jì)算損傷指數(shù)，并根據(jù)損傷閾值判別[12-13]損傷。例如，現(xiàn)在比較通用的有12種損傷指數(shù)計(jì)算公式[10-11]，每種公式都是導(dǎo)波信號(hào)部分特征（如幅值、能量等）組合的數(shù)學(xué)表達(dá)式。然而，運(yùn)用損傷指數(shù)來(lái)進(jìn)行損傷識(shí)別，通常會(huì)遇到如下困難：眾多的底層信號(hào)特征（如幅值、能量）受各種環(huán)境因素（如溫度、載荷等）影響大，很難建立起個(gè)別底層信號(hào)特征與損傷的明確對(duì)應(yīng)關(guān)系；由多個(gè)底層特征組合起來(lái)形成高層的抽象特征（如損傷指數(shù)），從而建立與結(jié)構(gòu)損傷的對(duì)應(yīng)關(guān)系，對(duì)專家經(jīng)驗(yàn)依賴嚴(yán)重；針對(duì)情況A設(shè)定的損傷指數(shù)門(mén)檻值（閾值）在情況B下常常不適用，即專家經(jīng)驗(yàn)的遷移和泛化能力較弱[14]。

機(jī)器學(xué)習(xí)是解決此類問(wèn)題一個(gè)強(qiáng)有力的工具，很多研究人員利用機(jī)器學(xué)習(xí)手段開(kāi)展了基于導(dǎo)波的結(jié)構(gòu)損傷識(shí)別[15-17]與定位研究[18-20]。特別是近年來(lái)在神經(jīng)網(wǎng)絡(luò)研究領(lǐng)域取得的突破性進(jìn)展，推動(dòng)深度學(xué)習(xí)技術(shù)正在成為一種潛力巨大的解決方案而備受關(guān)注。但是，在結(jié)構(gòu)健康監(jiān)測(cè)領(lǐng)域使用深度學(xué)習(xí)方法，會(huì)面臨諸多的限制和挑戰(zhàn)：（1）供神經(jīng)網(wǎng)絡(luò)訓(xùn)練的樣本數(shù)量嚴(yán)重不足。開(kāi)展健康監(jiān)測(cè)的結(jié)構(gòu)通常都是重要而且昂貴的大型結(jié)構(gòu)，樣本數(shù)量極其有限。目前的一種解決方式是通過(guò)數(shù)值仿真產(chǎn)生大量的虛擬數(shù)據(jù)樣本[14]，但是這對(duì)模型的仿真程度提出了很高的要求，而且產(chǎn)生的樣本數(shù)量依然有限。例如[15]，通過(guò)有限元模型參數(shù)化建模的方式，在250mm×350mm的準(zhǔn)各向同性復(fù)合材料層壓板生成了516條虛擬數(shù)據(jù)。（2）數(shù)據(jù)偏斜情況嚴(yán)重。結(jié)構(gòu)無(wú)損傷狀態(tài)的數(shù)據(jù)量通常遠(yuǎn)大于損傷狀態(tài)的數(shù)據(jù)量，使得神經(jīng)網(wǎng)絡(luò)容易偏向于對(duì)無(wú)損傷狀態(tài)的判定。（3）在實(shí)際工程應(yīng)用中，監(jiān)測(cè)數(shù)據(jù)采樣點(diǎn)數(shù)（數(shù)據(jù)長(zhǎng)度）沒(méi)有統(tǒng)一標(biāo)準(zhǔn)，而卷積神經(jīng)網(wǎng)絡(luò)（CNN）等深度學(xué)習(xí)模型要求輸入數(shù)據(jù)長(zhǎng)度一致。目前常用的處理方法包括填充技術(shù)和序列縮短技術(shù)，但是對(duì)深度學(xué)習(xí)模型的影響較大。例如，填充技術(shù)會(huì)導(dǎo)致吞吐量降低、訓(xùn)練期間收斂速度減慢[21]和過(guò)長(zhǎng)數(shù)據(jù)導(dǎo)致的梯度消失[22]等問(wèn)題；序列縮短技術(shù)對(duì)離散信號(hào)進(jìn)行裁剪或者降低連續(xù)信號(hào)中的采樣率，可能會(huì)導(dǎo)致樣本中重要信息的丟失[22-23]；而分組處理技術(shù)不改變?cè)夹盘?hào)，因而不會(huì)對(duì)其信息造成任何損失或失真，但是，由于記錄長(zhǎng)度的分布極不均勻，一個(gè)組可能只包含一個(gè)或兩個(gè)記錄，導(dǎo)致批量大小的變化很大，且深度學(xué)習(xí)模型在接收到長(zhǎng)度未知的記錄時(shí)，其分類預(yù)測(cè)存在一定的不確定性[21]。

針對(duì)以上問(wèn)題，本文以復(fù)合材料結(jié)構(gòu)沖擊損傷識(shí)別為目標(biāo)，提出了基于偏斜感知的數(shù)據(jù)增強(qiáng)方法，構(gòu)建了分布式時(shí)序神經(jīng)網(wǎng)絡(luò)模型（temporal distributed convolutional neural network， TDCNN）[24]。其中，數(shù)據(jù)增強(qiáng)的作用是在考慮數(shù)據(jù)偏斜影響因素的情況下，增加數(shù)據(jù)樣本數(shù)量，并統(tǒng)一數(shù)據(jù)長(zhǎng)度；TDCNN則是針對(duì)導(dǎo)波信號(hào)的特點(diǎn)，綜合考慮監(jiān)測(cè)數(shù)據(jù)的整體趨勢(shì)特征和其中各個(gè)數(shù)據(jù)片段的局部特征，從而提升結(jié)構(gòu)損傷識(shí)別準(zhǔn)確率。

1物理試驗(yàn)

1.1基于導(dǎo)波的結(jié)構(gòu)損傷監(jiān)測(cè)原理

基于導(dǎo)波的結(jié)構(gòu)損傷監(jiān)測(cè)主要是通過(guò)對(duì)由損傷引起的損傷散射信號(hào)識(shí)別來(lái)實(shí)現(xiàn)的。在結(jié)構(gòu)上布置壓電片網(wǎng)絡(luò)，如圖1（a）所示。由于其壓電效應(yīng)，壓電片既可以作為信號(hào)激發(fā)器，也可以作為信號(hào)接收器。當(dāng)作為激發(fā)器時(shí)，在電信號(hào)激勵(lì)下，壓電片振動(dòng)激發(fā)導(dǎo)波在結(jié)構(gòu)中傳播；當(dāng)作為接收器時(shí)，將接收到的導(dǎo)波信號(hào)轉(zhuǎn)換為電信號(hào)以供存儲(chǔ)分析。任意兩個(gè)壓電片構(gòu)成一條監(jiān)測(cè)路徑。通過(guò)輪換每個(gè)壓電片的信號(hào)激發(fā)和接收功能，使結(jié)構(gòu)上所有壓電片構(gòu)成一個(gè)監(jiān)測(cè)網(wǎng)絡(luò)，如圖1（b）所示。通過(guò)對(duì)比分析每條路徑上的初始基準(zhǔn)信號(hào)（baseline signal）和過(guò)程監(jiān)測(cè)信號(hào)（monitoring signal），實(shí)現(xiàn)損傷識(shí)別功能。

1.2碳纖維增強(qiáng)復(fù)合材料加筋板沖擊損傷模擬試驗(yàn)

該加筋板采用CCF300/BA9916碳纖維增強(qiáng)復(fù)合材料，其幾何尺寸和壓電傳感器網(wǎng)絡(luò)布置如圖2所示。根據(jù)此網(wǎng)絡(luò)，共形成28條監(jiān)測(cè)路徑。由于此加筋板只有一件，無(wú)法滿足成千上萬(wàn)次的沖擊試驗(yàn)要求，因此在試驗(yàn)件表面粘貼M16的鋼制螺栓來(lái)模擬損傷[11]的方法。通過(guò)在不同位置粘貼螺栓，并且采集粘貼前后的信號(hào)分別作為初始基準(zhǔn)信號(hào)和監(jiān)測(cè)信號(hào)。另外，也對(duì)未粘貼螺栓的加筋板進(jìn)行了信號(hào)采集，為“無(wú)損傷”事件提供監(jiān)測(cè)信號(hào)特征。

在深度學(xué)習(xí)方法中，需要對(duì)每一條監(jiān)測(cè)數(shù)據(jù)進(jìn)行損傷狀態(tài)（有損傷/無(wú)損傷）標(biāo)記，作為深度學(xué)習(xí)模型訓(xùn)練和測(cè)試的依據(jù)。這里使用損傷指數(shù)閾值（damage index，DI）為數(shù)據(jù)作標(biāo)記。目前，比較常用的損傷指數(shù)有12種[10-11]。根據(jù)多次采集得到的加筋板“無(wú)損傷”事件（即沒(méi)有黏結(jié)螺栓，跟損傷完全無(wú)關(guān)）的監(jiān)測(cè)信號(hào)，計(jì)算其SDCC值，求平均值并乘以4，作為損傷指數(shù)閾值。在“有損傷”事件（即黏結(jié)了螺栓）中，凡是其監(jiān)測(cè)信號(hào)SDCC值大于該閾值的，標(biāo)記為“有損傷”；對(duì)于剩下的監(jiān)測(cè)信號(hào)和所有“無(wú)損傷”事件的監(jiān)測(cè)信號(hào)，全部標(biāo)記為“無(wú)損傷”。使用該方法，供收集到對(duì)793條監(jiān)測(cè)數(shù)據(jù)進(jìn)行了分類，其具體構(gòu)成形式見(jiàn)表1。監(jiān)測(cè)數(shù)據(jù)的SDCC值分部如圖3所示?？梢钥匆?jiàn)有三個(gè)監(jiān)測(cè)數(shù)據(jù)的SDCC值偏高。如果將其隱藏，則得到如圖4所示的監(jiān)測(cè)數(shù)據(jù)SDCC分布情況。可以看見(jiàn)，“有損傷”與“無(wú)損傷”標(biāo)記的數(shù)據(jù)之間，有比較清晰的界限。

2深度學(xué)習(xí)模型

2.1基于偏斜感知的數(shù)據(jù)增強(qiáng)

使用基于人工神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法來(lái)處理從實(shí)際應(yīng)用中采集的導(dǎo)波監(jiān)測(cè)數(shù)據(jù)，通常會(huì)遇到如下問(wèn)題。

（1）樣本數(shù)量嚴(yán)重不足

在本文中，利用螺栓粘貼的方式模擬損傷，在加筋板上產(chǎn)生監(jiān)測(cè)數(shù)據(jù)793條。距離深度學(xué)習(xí)通常所需的樣本數(shù)量差距甚遠(yuǎn)。因此，需要通過(guò)其他手段來(lái)減輕樣本數(shù)量不足所帶來(lái)的負(fù)面影響。

（2）數(shù)據(jù)偏斜情況嚴(yán)重

在真實(shí)的工程應(yīng)用中，與損傷相關(guān)的監(jiān)測(cè)數(shù)據(jù)量遠(yuǎn)遠(yuǎn)小于無(wú)損傷監(jiān)測(cè)數(shù)據(jù)量。在本文中，雖然產(chǎn)生的793條監(jiān)測(cè)數(shù)據(jù)都與損傷相關(guān)，但是為了提高損傷識(shí)別的準(zhǔn)確率，降低監(jiān)測(cè)誤報(bào)率，也必須定義監(jiān)測(cè)路徑與沖擊損傷中心點(diǎn)非?？拷谋O(jiān)測(cè)數(shù)據(jù)為含損傷的監(jiān)測(cè)數(shù)據(jù)。在這種情況下，訓(xùn)練后的深度學(xué)習(xí)模型容易產(chǎn)生偏向于對(duì)無(wú)損傷狀態(tài)的判定。

（3）數(shù)據(jù)長(zhǎng)度不一致

在實(shí)際工程應(yīng)用中，對(duì)監(jiān)測(cè)數(shù)據(jù)采樣點(diǎn)數(shù)（數(shù)據(jù)長(zhǎng)度）沒(méi)有統(tǒng)一標(biāo)準(zhǔn)。由于卷積神經(jīng)網(wǎng)絡(luò)（CNN）等深度學(xué)習(xí)模型要求輸入數(shù)據(jù)長(zhǎng)度一致，因此需要設(shè)計(jì)模塊，對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)處理。

綜合以上問(wèn)題，本文設(shè)計(jì)了基于偏斜感知的數(shù)據(jù)增強(qiáng)模塊，其數(shù)據(jù)處理方式如下：

（1）對(duì)于數(shù)據(jù)長(zhǎng)度（采樣點(diǎn)個(gè)數(shù)）少于標(biāo)準(zhǔn)長(zhǎng)度（在本文中，標(biāo)準(zhǔn)長(zhǎng)度設(shè)為3000個(gè)采樣點(diǎn)）的數(shù)據(jù)，通過(guò)補(bǔ)充一些無(wú)意義的量使其采樣點(diǎn)數(shù)量達(dá)到標(biāo)準(zhǔn)值。

2.2分布時(shí)序卷積神經(jīng)網(wǎng)絡(luò)

在本文中，構(gòu)建了分布時(shí)序卷積神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)基本架構(gòu)如圖6中虛線框所示?！胺植肌敝傅氖菍⒁粭l數(shù)據(jù)段分割成10個(gè)數(shù)據(jù)片段，然后分別使用CNN模型通過(guò)共享權(quán)值的方式來(lái)提取局部特征；“時(shí)序”指的是在基于“分布”式特征提取之后，創(chuàng)新性地使用RNN中的LSTM模塊，將這10個(gè)片段上提取到的局部特征進(jìn)行拼接成特征矢量，從而進(jìn)行時(shí)序趨勢(shì)特征的提取。

具體來(lái)講，該網(wǎng)絡(luò)包含一個(gè)6層卷積神經(jīng)網(wǎng)絡(luò)，它以每個(gè)數(shù)據(jù)的短分片作為輸入。每個(gè)卷積層有128個(gè)長(zhǎng)度為32的過(guò)濾器。另外，在每個(gè)卷積層之前采用批量化預(yù)激活模塊來(lái)設(shè)計(jì)和修正線性激活函數(shù)，并在卷積層之間使用Dropout技術(shù)[25]和Adam技術(shù)[26]分別用來(lái)避免過(guò)度擬合以及優(yōu)化神經(jīng)網(wǎng)絡(luò)，從而提高模型的泛化能力。然后，使用雙向的長(zhǎng)短期記憶網(wǎng)絡(luò)（BI-LSTM）來(lái)將每個(gè)數(shù)據(jù)短分片中提取出的局部特征整合成整體趨勢(shì)特征，并連接一個(gè)全連接層和Softmax層作為神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出。

最后，在經(jīng)過(guò)TDCNN模型得到針對(duì)每個(gè)數(shù)據(jù)段的損傷識(shí)別結(jié)果后，通過(guò)投票的方式，來(lái)得到這一條完整數(shù)據(jù)的損傷識(shí)別結(jié)果。在本文中，投票方式采用了簡(jiǎn)單的票數(shù)計(jì)票方式，而沒(méi)有對(duì)票賦予不同的權(quán)值。

3測(cè)試結(jié)果分析

在原有信號(hào)的基礎(chǔ)上疊加模擬信號(hào)，其疊加幅值不超過(guò)原有信號(hào)幅值的30%，從而產(chǎn)生用于測(cè)試的信號(hào)。本文一共產(chǎn)生了330條測(cè)試數(shù)據(jù)。模型效果的評(píng)估方面采用機(jī)器學(xué)習(xí)領(lǐng)域常用的三個(gè)模型性能評(píng)價(jià)指標(biāo)（準(zhǔn)確率、召回率和F1值）進(jìn)行評(píng)估，如圖7所示。

A表示模型將實(shí)際標(biāo)簽為無(wú)損傷的數(shù)據(jù)識(shí)別為無(wú)損傷的實(shí)例，B表示模型將實(shí)際標(biāo)簽為無(wú)損傷的數(shù)據(jù)識(shí)別為有損傷的實(shí)例，C表示模型將實(shí)際標(biāo)簽為有損傷的數(shù)據(jù)識(shí)別為無(wú)損傷的實(shí)例，D表示模型將實(shí)際標(biāo)簽為有損傷的數(shù)據(jù)識(shí)別為有損傷的實(shí)例，所以對(duì)實(shí)際標(biāo)簽為無(wú)損傷的數(shù)據(jù)實(shí)例來(lái)說(shuō)準(zhǔn)確率（查準(zhǔn)率）為A/（A+B），召回率（查全率）為A/（A+C），F(xiàn)1值為準(zhǔn)確率和召回率的加權(quán)平均值。準(zhǔn)確率和召回率是相互影響的，一般情況下模型準(zhǔn)確率高了召回率就會(huì)變低，召回率高準(zhǔn)確率就低。但是通常希望模型不僅能識(shí)別準(zhǔn)確，還應(yīng)該每類的所有實(shí)例都不要有識(shí)別遺漏（即查全率高），所以用F1值來(lái)衡量模型的性能。其值越高，性能越好。

本文同時(shí)采用了多種基于特征工程的機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法來(lái)進(jìn)行對(duì)比分析。它們分別是最近鄰（knearest neighbor， KNN）[27]、支撐向量機(jī)（support vector machine， SVM）[28]、高斯處理過(guò)程（gaussian process， GP）、決策樹(shù)（decision tree， CvDTree）[29]、神經(jīng)網(wǎng)絡(luò)（neural networks， NN）[14]、高斯樸素貝葉斯（gaussian naive bayes， GNB）[18]、二次判別分析（quadratic discriminant analysis， QDA）[30]、卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network， CNN）[31]、循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network， RNN）[32]，采用分布式時(shí)序卷積神經(jīng)網(wǎng)絡(luò)方法的召回率、準(zhǔn)確率、F1值三方面評(píng)價(jià)指標(biāo)均有大幅提升。該算法能夠正確識(shí)別出測(cè)試集中所有有損傷的數(shù)據(jù)，召回率提高到100%，識(shí)別準(zhǔn)確率為90.12%，總體F1指標(biāo)達(dá)到86.21%（見(jiàn)表2）。

試驗(yàn)驗(yàn)證結(jié)果表明，基于深度學(xué)習(xí)的模型性能普遍優(yōu)于基于特征工程的機(jī)器學(xué)習(xí)模型，這主要是由于壓電數(shù)據(jù)中噪聲的存在與損傷指數(shù)計(jì)算提取中的若干限制，使得在利用傳統(tǒng)的損傷指數(shù)分析方法對(duì)損傷特征進(jìn)行提取時(shí)，不可避免地存在損傷特征維度缺失的現(xiàn)象。深度學(xué)習(xí)方法能夠避免基于特征工程的機(jī)器學(xué)習(xí)方法所需的人工特征提取過(guò)程所帶來(lái)的上述諸多弊端。

與其他多種深度學(xué)習(xí)方法相比，TDCNN的召回率、準(zhǔn)確率、F1值三方面評(píng)價(jià)指標(biāo)均有大幅提升。這主要得益于TDCNN能夠自動(dòng)集成和提取多視角的局部頻域特征和整體時(shí)序趨勢(shì)特征，從而對(duì)壓電波形數(shù)據(jù)的頻域特征和時(shí)域特征進(jìn)行有效建模處理。這種組合型架構(gòu)不僅可以對(duì)源源不斷產(chǎn)生的超長(zhǎng)時(shí)序數(shù)據(jù)進(jìn)行學(xué)習(xí)，而且對(duì)數(shù)據(jù)的長(zhǎng)度也不會(huì)進(jìn)行限制，能夠有效處理變長(zhǎng)的壓電數(shù)據(jù)。

但是，由于目前提供的數(shù)據(jù)量還不能滿足深度學(xué)習(xí)模型的數(shù)據(jù)量要求，因此，雖然目前模型的準(zhǔn)確率較高，但模型過(guò)擬合程度也同樣較高，模型的泛化能力較差。需要進(jìn)一步獲取更多的訓(xùn)練數(shù)據(jù)，為工程化應(yīng)用提供可靠的決策支持。

4結(jié)論

通過(guò)分析，可以得出以下結(jié)論：

（1）基于導(dǎo)波的復(fù)合材料結(jié)構(gòu)損傷識(shí)別，本文提出了一種TDCNN模型。該模型能夠較好地解決深度學(xué)習(xí)方法在處理結(jié)構(gòu)健康監(jiān)測(cè)問(wèn)題所面臨的困難，包括數(shù)據(jù)樣本量不足、數(shù)據(jù)偏斜嚴(yán)重以及數(shù)據(jù)長(zhǎng)度不一致等。另外，該模型創(chuàng)新性的應(yīng)用LSTM模塊，對(duì)監(jiān)測(cè)數(shù)據(jù)中各個(gè)數(shù)據(jù)片段特征進(jìn)行關(guān)聯(lián)。

（2）TDCNN能夠自動(dòng)集成和提取導(dǎo)波監(jiān)測(cè)信號(hào)的局部頻域特征和反映整體趨勢(shì)的時(shí)序特征，從而有效地對(duì)變長(zhǎng)的流式數(shù)據(jù)進(jìn)行建模處理并能有效預(yù)測(cè)其長(zhǎng)期趨勢(shì)，增強(qiáng)了從原始導(dǎo)波信號(hào)進(jìn)行損傷特征提取的能力，從而減輕對(duì)專家經(jīng)驗(yàn)的過(guò)度依賴。

（3）通過(guò)在復(fù)合材料結(jié)構(gòu)進(jìn)行了損傷監(jiān)測(cè)的驗(yàn)證試驗(yàn)，驗(yàn)證結(jié)果表明，TDCNN能夠正確識(shí)別出測(cè)試集中所有“有損傷”的數(shù)據(jù)，召回率提高到100%，識(shí)別準(zhǔn)確率為90.12%，總體F1指標(biāo)達(dá)到86.21%。但是，由于樣本數(shù)量有限，存在過(guò)擬合現(xiàn)象，泛化能力較差。需要進(jìn)一步獲取更多的訓(xùn)練數(shù)據(jù)，來(lái)提高模型的工程化應(yīng)用價(jià)值。

參考文獻(xiàn)

[1]杜善義.先進(jìn)復(fù)合材料與航空航天[J].復(fù)合材料學(xué)報(bào)， 2007， 24（1）： 1-12. Du Shanyi. Advanced composite materials and aerospace engineering[J]. Acta Materiae Compositae Sinica， 2007， 24（1）： 1-12.（in Chinese）

[2]Talrejia R，Singh C V. Damage and failure of composite materials [M]. Cambridge：Cambridge University Press，2012.

[3]Ip K H，Mai Y W. Delamination detection in smart composite beams using Lamb waves [J]. Smart Materials & Structures，2004，13（3）：544.

[4]Osmont D L，Dupont M，Lemistre M B，et al. Damage and damaging impact monitoring by PZT sensor-based HUMS[C]// Proceedings of Spie the International Society for Optical，2000.

[5]郭永躍.基于壓電晶片陣列的復(fù)合材料層合板損傷檢測(cè)研究[D].哈爾濱；哈爾濱工業(yè)大學(xué)， 2016. Guo Yongyue. Research on damage identification for composite laminates with piezoelectric wafer active sensors array[D]. Harbin： Harbin Institute of Technology， 2016.（in Chinese）

[6]王利恒.復(fù)合材料飛機(jī)結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)的若干問(wèn)題探討[J].航空科學(xué)技術(shù)， 2011（5）： 63-66. Wang Liheng. Discussion on composite structural health monitoring system[J]. Aeronautical Science & Technology， 2011（5）： 63-66.（in Chinese）

[7]袁慎芳.結(jié)構(gòu)健康監(jiān)測(cè)[M].北京：國(guó)防工業(yè)出版社， 2007. Yuan Shenfang. Structural health monitoring[M]. Beijing： National Defense Industry Press， 2007.（in Chinese）

[8]Maierhofer C，Reinhardt H W，Dobmann G. Non-destructive testing methods Volume 2：Non-Destructive Evaluation of Reinforced Concrete Structures[M]. Woodhead Publishing Series in Civil and Structural Engineering，2010.

[9]王強(qiáng). Lamb波時(shí)間反轉(zhuǎn)方法及其在結(jié)構(gòu)健康監(jiān)測(cè)中的應(yīng)用研究[D].南京：南京航空航天大學(xué)， 2009. Wang Qiang. Research on lamb wave time reversal technique and its applications in structural health monitoring[D]. Nanjing： Nanjing University of Aeronautics and Astronautics， 2009.（in Chinese）

[10]Torkamani S，Roy S，Barkey M E，et al. A novel damage index for damage identification using guided waves with application in laminated composites [J]. Smart Materials & Structures，2014，23（9）：95015.

[11]Zhanjun W，Kehai L，Yishou W，et al. Validation and evaluation of damage identification using probability-based diagnostic imaging on a stiffened composite panel [J]. Journal of Intelligent Material Systems and Structures，2015，26（16）：2181-2195.

[12]Yao P，Zheng B，Dawood M，et al. Real time monitoring of spot-welded joints under service load using lead zirconate titanate（PZT）transducers [J]. Smart Materials & Structures，2017，26（3）：35-59.

[13]劉國(guó)強(qiáng)，孫俠生，肖迎春.基于Lamb波和Hilbert變換的復(fù)合材料T型加筋損傷監(jiān)測(cè)[J].復(fù)合材料學(xué)報(bào)， 2014， 31（3）： 818-823. Liu Guoqiang， Sun Xiasheng， Xiao Yingchun. Damage monitoring of composite T-joint using lamb wave and Hilbert transform[J]. Acta Materiae Compositae Sinica， 2014， 31（3）： 818-823.（in Chinese）

[14]Dworakowski Z，Ambrozinski L，Packo P，et al. Application of artificial neural networks for compounding multiple damage indices in Lamb-wave-based damage detection [J]. Structural Control & Health Monitoring，2015，22（1）：50-61.

[15]Sbarufatti C，Manson G，Worden K. A numerically-enhanced machine learning approach to damage diagnosis using a Lamb wave sensing network [J]. Journal of Sound & Vibration，2014，333（19）：4499-4525.

[16]Worden K，Manson G. The application of machine learning to structural health monitoring [J]. Philosophical Transactions， 2007，365（1851）：515-537.

[17]Atashipour S A，Mirdamadi H R，Hemasian M H，et al. An effective damage identification approach in thick steel beams based on guided ultrasonic waves for structural health monitoring applications [J]. Journal of Intelligent Material Systems and Structures，SACE，2012.

[18]Yan G. A Bayesian approach for damage localization in platelike structure using Lamb waves [J]. Smart Materials & Structures，2013，22（3）：035012.

[19]Su Z，Lin Y. Lamb wave-based quantitative identification of delamination in CF/EP composite structures using artificial neural algorithm [J]. Composite Structures，2004，66（1-4）：627-637.

[20]Agarwal S，Mitra M. Lamb wave based automatic damage detection using matching pursuit and machine learning [J]. Smart Materials & Structures，2014，23（8）：085012.

[21]Liu Y，He R，Wang K. Automatic detection of ECG abnormalities by using an ensemble of deep residual networks with attention [M]. Springer，2019.

[22]Yan J，Qi Y，Rao Q. LSTM-Based Hierarchical denoising network for android malware detection [Z]. Security & Communication Networks，2018.

[23]Ratadiya P，Mishra D. An attention ensemble based approach formultilabelprofanitydetection[C]//2019International Conference on Data Mining Workshops（ICDMW）. IEEE，2019：544-550.

[24]Kant N A，Dar M R，Khanday F，et al. Analog implementation of TDCNN single-cell architecture using sinh-domain companding technique[C]// IEEE International Conference on Recent Trends in Electronics Information Communication Technology.IEEE，2016.

[25]任沙.基于深度學(xué)習(xí)的手寫(xiě)數(shù)字集特征提取算法[D].長(zhǎng)沙：湖南師范大學(xué)， 2016. Ren Sha. A feature extraction algorithm for handwritten digits basedondeeplearning[D].Changsha：HunanNormal University， 2016.（in Chinese）

[26]Kingma D，Adam B J. A method for stochastic optimization[C]// Computer Science，2014.

[27]Yunjun G，Baihua Z. Continuous obstructed nearest neighbor queries in spatial databases[C]//Acm Sigmod International Conference on Management of Data.ACM，2009.

[28]Bornn L，F(xiàn)arrar C R，Park G，et al. Structural health monitoring with autoregressive support vector machines [J]. Journal of Vibration andAcoustics，2009，131（2）：40-48.

[29]Kilundu B，Dehombreux P，Letot C. Early detection of bearing damage by means of decision trees [J]. Journal of Automation，Mobile Robotics & Intelligent Systems，2009，3（3）：70-74.

[30]TharwatA.Linearvsquadraticdiscriminantanalysis classifier：a tutorial [J]. International Journal of Applied Pattern Recognition，2016，3（2）：145.

[31]Schmidhuber J. Deep learning in neural networks：an overview [J]. Neural Networks，2015，61：85-117.

[32]Srivastava N，Mansimov E，Salakhutdinov R. Unsupervised learning of video representations using lstms[C]// International Conference on Machine Learning，2015.

（責(zé)任編輯王為）

作者簡(jiǎn)介

楊宇（1980-）男，博士，高級(jí)工程師。主要研究方向：智能結(jié)構(gòu)及損傷健康監(jiān)測(cè)。

Tel：029-88268013E-mail：yangyu@cae.ac.cn

王彬文（1974-）男，博士，研究員。主要研究方向：飛機(jī)強(qiáng)度研究。

Tel：029-88268868E-mail：asriwbw@sina.com

呂帥帥（1987-）女，碩士，工程師。主要研究方向：結(jié)構(gòu)健康監(jiān)測(cè)。

Tel：029-88268713E-mail：647817545@qq.com

A Deep-Learning-Based Method For Damage Identification of Composite Laminates

Yang Yu1，Wang Binwen1，Lyu Shuaishuai1，Zhou Yuxi2，Wang Li1，Liu Guoqiang1

1. Aircraft Strength Research Institute of China，Xian 710065，China

2. Peking University，Beijing 100871，China

Abstract： Carbon fiber reinforced Plastic （CFRP） laminates have been widely used in aircraft primary structures. However， delamination， one most common damaging pattern in CFRP， could deteriorate its mechanical properties considerably. Guided wave is employed for damage detection，and the core challenge is to quantify the damage index through comparing baseline and monitoring signals. This process is highly expertise-dependent，and the threshold of damage index varies from case to case. Therefore， a deep learning method called temporal distributed convolutional neural network （TDCNN） is proposed，which partly addresses the issue of deep-learning application in structural health monitoring，such as inadequate data samples， severe class skewness， and non-uniform data length. Moreover， LSTM module is innovatively used in this model to relate signal features over a chain of data fragments. TDCNN could dig damage features more effectively from original signals， and is less expertise-dependent. Through validation， this method proves to be efficient with a high accuracy.

Key Words： composite laminate； damage detection； guided waves； convolutional neural network