王育鵬，呂帥帥，楊宇，李嘉欣，王葉子

1. 西北工業(yè)大學(xué) 航空學(xué)院，西安 710072 2. 中國(guó)飛機(jī)強(qiáng)度研究所，西安 710065

近年來(lái)，碳纖維增強(qiáng)復(fù)合材料(Carbon Fibre Reinforced Plastics, CFRP)由于具有比強(qiáng)度/比剛度高、性能可設(shè)計(jì)和易于整體成型等優(yōu)點(diǎn)，被廣泛應(yīng)用于飛機(jī)主承力部件。但是，CFRP對(duì)外來(lái)物沖擊敏感，跑道碎片、維護(hù)工具、保障車輛的撞擊，都可能造成表面目視基本不可見、內(nèi)部大面積分層的損傷，使得結(jié)構(gòu)壓縮強(qiáng)度有時(shí)下降40%以上，給飛行安全帶來(lái)隱患。目前，為了保障復(fù)合材料結(jié)構(gòu)的使用安全，需要將設(shè)計(jì)許用值設(shè)定低于結(jié)構(gòu)含表面勉強(qiáng)目視可見損傷(Barely Visible Inspected Damage, BVID)的剩余強(qiáng)度值，但是不利于發(fā)揮CFRP結(jié)構(gòu)減重的優(yōu)勢(shì)。

能夠?qū)崟r(shí)監(jiān)測(cè)結(jié)構(gòu)狀態(tài)的結(jié)構(gòu)健康監(jiān)測(cè)(Structural Health Monitoring, SHM)技術(shù)為解決上述問題提供了一條潛在的解決途徑。導(dǎo)波(Guided Wave)能夠在結(jié)構(gòu)中傳播較長(zhǎng)距離，并且對(duì)分層、脫粘和裂紋等損傷敏感，已經(jīng)被開發(fā)成為一種結(jié)構(gòu)損傷監(jiān)測(cè)方法。然而，其在航空工程領(lǐng)域的表現(xiàn)一直無(wú)法令人滿意。這是由于導(dǎo)波對(duì)結(jié)構(gòu)構(gòu)型、損傷形式、使用環(huán)境等因素非常敏感，損傷診斷的準(zhǔn)確性和可靠性很大程度取決于專家水平以及專家對(duì)監(jiān)測(cè)對(duì)象的先驗(yàn)知識(shí)。

研究人員利用深度學(xué)習(xí)開展了基于導(dǎo)波的結(jié)構(gòu)損傷識(shí)別、定位和定量研究。Shen等利用深度學(xué)習(xí)技術(shù)開展了加筋壁板的脫粘識(shí)別研究，對(duì)有限元仿真得到的導(dǎo)波信號(hào)進(jìn)行小波變換預(yù)處理后以灰度圖的形式輸入卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)進(jìn)行識(shí)別，其準(zhǔn)確率接近99%。Cui等將深度學(xué)習(xí)技術(shù)應(yīng)用于加筋復(fù)合材料測(cè)試板關(guān)鍵區(qū)域的損傷成像，其設(shè)計(jì)的一維CNN算法在蒙皮、縱梁翼緣和縱梁帽區(qū)域展現(xiàn)出較好的損傷診斷能力。Khan等提出了一種基于結(jié)構(gòu)振動(dòng)的、用于復(fù)合材料層合板分層損傷評(píng)價(jià)的深度學(xué)習(xí)框架，對(duì)模擬損傷位置、大小的預(yù)測(cè)準(zhǔn)確率達(dá)到94.5%. Zhang等利用遷移學(xué)習(xí)技術(shù)，開發(fā)了一個(gè)可在損傷定位和損傷定量間進(jìn)行知識(shí)遷移的深度學(xué)習(xí)框架，效果明顯優(yōu)于對(duì)兩類任務(wù)進(jìn)行直接訓(xùn)練。

研究結(jié)果表明深度學(xué)習(xí)方法能夠有效處理材料、結(jié)構(gòu)、環(huán)境等因素變化引起的不確定性，減輕對(duì)專家經(jīng)驗(yàn)和先驗(yàn)知識(shí)的依賴。但是，有效的深度學(xué)習(xí)方法是以大量的損傷數(shù)據(jù)樣本為基礎(chǔ)的。航空結(jié)構(gòu)試驗(yàn)昂貴，無(wú)法滿足海量損傷數(shù)據(jù)的需求。虛擬損傷(通過數(shù)值模型或者在結(jié)構(gòu)表面粘貼質(zhì)量塊來(lái)模擬損傷)雖然能夠產(chǎn)生大量數(shù)據(jù)，但與真實(shí)損傷存在一定的差別，不能直接替代。因此，建立從虛擬損傷到真實(shí)損傷的遷移識(shí)別能力，對(duì)實(shí)現(xiàn)基于導(dǎo)波的結(jié)構(gòu)損傷監(jiān)測(cè)具有重要的工程意義。

本文提出一種基于域自適應(yīng)的深度學(xué)習(xí)導(dǎo)波損傷診斷方法。該方法以典型航空復(fù)合材料結(jié)構(gòu)為研究對(duì)象，通過提取物理模擬損傷和真實(shí)損傷的共有信號(hào)特征，在無(wú)需對(duì)真實(shí)損傷信號(hào)進(jìn)行標(biāo)注的情況下，即可實(shí)現(xiàn)對(duì)損傷的準(zhǔn)確監(jiān)測(cè)。

1 基于域自適應(yīng)的深度學(xué)習(xí)模型

首先，在被監(jiān)測(cè)結(jié)構(gòu)上通過粘貼質(zhì)量塊的方式模擬結(jié)構(gòu)損傷，并收集大量的導(dǎo)波監(jiān)測(cè)數(shù)據(jù)作為源域，設(shè)計(jì)并訓(xùn)練深度學(xué)習(xí)損傷識(shí)別模型；然后，通過多次落錘沖擊試驗(yàn)在被監(jiān)測(cè)結(jié)構(gòu)上引入一定數(shù)量的物理?yè)p傷，獲取相應(yīng)的導(dǎo)波監(jiān)測(cè)數(shù)據(jù)，作為目標(biāo)域；接著，設(shè)計(jì)域自適應(yīng)模塊，對(duì)深度學(xué)習(xí)模型的參數(shù)進(jìn)行微調(diào)，使源域(模擬損傷)和目標(biāo)域(真實(shí)損傷)的數(shù)據(jù)樣本在特征空間內(nèi)滿足相同的分布規(guī)律，進(jìn)而提高深度學(xué)習(xí)模型對(duì)真實(shí)損傷的識(shí)別準(zhǔn)確率；最后，通過在結(jié)構(gòu)服役過程中持續(xù)獲取損傷監(jiān)測(cè)數(shù)據(jù)，使深度學(xué)習(xí)模型的可靠性不斷得到提升。

應(yīng)用該方法，能夠?qū)崿F(xiàn)在待檢測(cè)結(jié)構(gòu)上直接收集模擬損傷信號(hào)又不對(duì)結(jié)構(gòu)本身產(chǎn)生性能干擾，訓(xùn)練得到的模型通過參數(shù)在線更新，可直接用于真實(shí)損傷的監(jiān)測(cè)，無(wú)需等待真實(shí)損傷積累至一定數(shù)量再將模型投入使用，具有較好的經(jīng)濟(jì)性和工程應(yīng)用價(jià)值。

1.1 整體架構(gòu)

采用的深度學(xué)習(xí)模型(以下簡(jiǎn)稱模型)主要包含特征提取和目標(biāo)分類。在結(jié)構(gòu)上布置的監(jiān)測(cè)網(wǎng)絡(luò)中，2個(gè)傳感器構(gòu)成1條監(jiān)測(cè)路徑。模型首先對(duì)每條監(jiān)測(cè)路徑上的導(dǎo)波信號(hào)提取特征，再將所有監(jiān)測(cè)路徑的信號(hào)進(jìn)行特征拼接，最后利用域自適應(yīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)分類，輸出損傷識(shí)別及定位結(jié)果，其數(shù)據(jù)處理流程如圖1所示。

圖1 損傷識(shí)別模型框架Fig.1 Framework of damage identification model

1.1.1 特征提取

由于導(dǎo)波監(jiān)測(cè)信號(hào)具有較強(qiáng)的時(shí)序特征，因此采用處理時(shí)序文本的長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory, LSTM)作為特征提取網(wǎng)絡(luò)的主體結(jié)構(gòu)。導(dǎo)波信號(hào)的特征提取分為信號(hào)拆分、信號(hào)編碼、時(shí)序特征提取3個(gè)步驟。信號(hào)拆分是將包含4 000個(gè)采樣點(diǎn)的導(dǎo)波信號(hào)拆分為 10個(gè) 400個(gè)采樣點(diǎn)的信號(hào)單元；信號(hào)編碼是將每個(gè)信號(hào)單元按照一定的規(guī)則編寫為有利于時(shí)序分析的語(yǔ)義信號(hào)；時(shí)序特征提取則是利用LSTM挖掘10個(gè)信號(hào)單元間的時(shí)序關(guān)聯(lián)特征。

使用一個(gè)3層卷積神經(jīng)網(wǎng)絡(luò)對(duì)信號(hào)單元進(jìn)行編碼，并與LSTM構(gòu)成了混合神經(jīng)網(wǎng)絡(luò)模型，更有利于深層損傷特征的提取。編碼網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示，其中卷積層參數(shù)(lx, ly, lz)中的lx、ly表示卷積核尺寸，lz表示卷積核數(shù)量；池化層參數(shù)(cx, cy)表示池化窗口尺寸。

圖2 編碼網(wǎng)絡(luò)架構(gòu)Fig.2 Architecture of coding network

編碼后的每個(gè)信號(hào)單元均轉(zhuǎn)換為一個(gè)120維向量，10個(gè)信號(hào)單元的向量按照導(dǎo)波信號(hào)采樣的時(shí)間順序依次進(jìn)入LSTM網(wǎng)絡(luò)，以提取時(shí)序特征。LSTM網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示，其中表示一條導(dǎo)波信號(hào)中第個(gè)信號(hào)單元的120維向量，為模型從前個(gè)信號(hào)單元中提取的時(shí)序特征向量，()為L(zhǎng)STM模型處理完第個(gè)信號(hào)單元后的模型狀態(tài)，虛線表示LSTM模型的時(shí)間更迭，時(shí)刻的模型輸出、模型狀態(tài)作為下一時(shí)刻的歷史數(shù)值重新輸入。

圖3 LSTM網(wǎng)絡(luò)架構(gòu)Fig.3 Network architecture of LSTM

LSTM模型的輸入包括、-1和(-1)，主體結(jié)構(gòu)包括遺忘門、輸入門和輸出門。其中遺忘門的功能是從上一時(shí)刻的模型狀態(tài)中過濾掉需要丟棄的信息，它包含一個(gè)維隱層神經(jīng)網(wǎng)絡(luò)。

、-1經(jīng)過遺忘門后輸出一個(gè)維向量，具體可以表述為

=(+-1)

(1)

式中：為sigmoid函數(shù)；、分別為、-1與隱層神經(jīng)網(wǎng)絡(luò)的連接權(quán)值。

中的元素處于[0,1]內(nèi)，0表示(-1)中的對(duì)應(yīng)元素需要完全遺忘，1表示完全保留。通過遺忘門可以剔除掉LSTM狀態(tài)中與損傷特征無(wú)關(guān)的時(shí)序信息。

輸入門的功能則是從新輸入的信號(hào)單元中提取出有效的損傷信息，并利用該信息更新模型狀態(tài)。輸入門包括2個(gè)單層維神經(jīng)網(wǎng)絡(luò)，其作用分別為創(chuàng)建一個(gè)新的候選向量和訓(xùn)練出該向量的權(quán)值，具體可表示為

=tanh(+-1)

(2)

=(+-1)

(3)

式中：tanh為正切函數(shù)；、分別為與2個(gè)神經(jīng)網(wǎng)絡(luò)的連接權(quán)值；、分別為-1與2個(gè)神經(jīng)網(wǎng)絡(luò)的連接權(quán)值。

遺忘門的和輸入門的、共同決定了LSTM在時(shí)刻的狀態(tài)：

()=(-1)+

(4)

輸出門的作用是基于模型狀態(tài)()輸出前序信號(hào)單元的時(shí)序特征，它包含一個(gè)單層維神經(jīng)網(wǎng)絡(luò)，具體可表示為

=(+-1)

(5)

=tanh(()

(6)

式中：、分別為、-1與輸出門神經(jīng)網(wǎng)絡(luò)的連接權(quán)值。

將LSTM隱層神經(jīng)網(wǎng)絡(luò)的維度設(shè)置為28，一條導(dǎo)波信號(hào)經(jīng)過10次迭代得到一個(gè)28維時(shí)序特征向量。

1.1.2 目標(biāo)分類

24條導(dǎo)波路徑的特征向量拼接后形成一個(gè)24×28維的向量，模型通過單層全連接神經(jīng)網(wǎng)絡(luò)將其映射至一個(gè)128維特征空間(見圖1)。如果源域和目標(biāo)域的數(shù)據(jù)在128維空間內(nèi)符合相同的分布規(guī)律，那么以源域數(shù)據(jù)精準(zhǔn)分類為目標(biāo)優(yōu)化得到的深度學(xué)習(xí)模型，將能夠同時(shí)適用于無(wú)標(biāo)簽的目標(biāo)域數(shù)據(jù)。為達(dá)到這一目標(biāo)，在分類網(wǎng)絡(luò)中設(shè)計(jì)了域自適應(yīng)模塊。

1.2 域自適應(yīng)模塊

域自適應(yīng)模塊的輸入數(shù)據(jù)包括大量的、對(duì)(模擬)損傷有無(wú)進(jìn)行了標(biāo)記的源域數(shù)據(jù)和少量的、未對(duì)(真實(shí))損傷進(jìn)行標(biāo)記的目標(biāo)域數(shù)據(jù)，其作用是提高兩類數(shù)據(jù)在特征空間內(nèi)的分布相似性。使用最大均值差異(Maximum Mean Discrepancy, MMD)來(lái)衡量源域和目標(biāo)域數(shù)據(jù)特征分布的相似性，它能夠度量在再生希爾伯特空間(Reproducing Kernel Hilbert Space, RKHS)中兩個(gè)分布的距離，具體表達(dá)式為

(7)

式中：、分別表示源域、目標(biāo)域數(shù)據(jù)的特征向量；、分別表示源域和目標(biāo)域的樣本個(gè)數(shù)；(·)表示映射函數(shù)，用于把原變量映射至RKHS, MMD的實(shí)質(zhì)是求兩類數(shù)據(jù)在RKHS中的均值距離。

域自適應(yīng)模塊的添加主要更改了模型的損失函數(shù)，在原有的分類損失的基礎(chǔ)上增加MMD損失。通過最小化MMD，減小源域和目標(biāo)域數(shù)據(jù)分布的差異；同時(shí)最小化源域數(shù)據(jù)的分類損失，使目標(biāo)域數(shù)據(jù)通過分類網(wǎng)絡(luò)后能夠準(zhǔn)確預(yù)測(cè)損傷。該模型的損失函數(shù)為

=(,)+MMD(,)

(8)

式中：表示分類損失；、分別表示的真值和預(yù)測(cè)值；表示兩類損失的權(quán)重參數(shù)，為超參數(shù)。

模型在訓(xùn)練過程中對(duì)MMD和分類誤差進(jìn)行同步優(yōu)化，最終達(dá)到兩類數(shù)據(jù)同分布和源域數(shù)據(jù)的高準(zhǔn)確率分類。

2 實(shí)驗(yàn)設(shè)計(jì)與模型訓(xùn)練

2.1 實(shí)驗(yàn)設(shè)計(jì)

使用導(dǎo)波監(jiān)測(cè)網(wǎng)絡(luò)開展復(fù)合材料加筋壁板的分層損傷識(shí)別和定位研究。加筋壁板采用CCF300/BA9916碳纖維增強(qiáng)復(fù)合材料，其結(jié)構(gòu)如圖4(a)所示，長(zhǎng)700 mm，寬450 mm，包含3條長(zhǎng)桁，中心區(qū)域長(zhǎng)桁間距150 mm。在加筋板的中心區(qū)域，布置①～⑨共9個(gè)壓電傳感器，形成含24條監(jiān)測(cè)路徑的網(wǎng)絡(luò)，覆蓋蒙皮與長(zhǎng)桁，并劃分為A、B、C和D共4個(gè)區(qū)域，如圖4(b)所示。根據(jù)監(jiān)測(cè)信號(hào)與基線信號(hào)的差異識(shí)別損傷，樣本為一個(gè)24×4 000 的矩陣，其中24表示24條路徑，4 000表示每條路徑上導(dǎo)波信號(hào)的采樣點(diǎn)個(gè)數(shù)。使用在試驗(yàn)件表面粘貼專用質(zhì)量塊的方法來(lái)模擬損傷，獲取源域數(shù)據(jù)，如圖5(a)所示；通過沖擊試驗(yàn)制造真實(shí)損傷，獲取目標(biāo)域數(shù)據(jù)，如圖5(b)所示。

圖4 試驗(yàn)件Fig.4 Test piece

圖5 模擬和沖擊試驗(yàn)示意圖Fig.5 Schematic diagram of simulation and impact test

深度學(xué)習(xí)模型在目標(biāo)域表現(xiàn)良好的基礎(chǔ)是其對(duì)源域數(shù)據(jù)具有較好的識(shí)別準(zhǔn)確率和召回率。因此，使用4件(A1～A4)相同的復(fù)合材料加筋壁板獲取大量的模擬損傷數(shù)據(jù)，包含不同試驗(yàn)件之間材料、結(jié)構(gòu)的差異性，使獲取的數(shù)據(jù)能夠表征源域數(shù)據(jù)的分布規(guī)律。質(zhì)量塊的粘貼面積在8 mm×8 mm～13 mm×13 mm范圍內(nèi)隨機(jī)變化。每個(gè)試驗(yàn)件的數(shù)據(jù)采集間隔2天時(shí)間，以引入環(huán)境變化(溫度、傳感器狀態(tài)等)對(duì)監(jiān)測(cè)信號(hào)的影響，豐富樣本的多樣性。模擬損傷數(shù)據(jù)的具體采集方法為：

1) 在試驗(yàn)件的區(qū)域A內(nèi)粘貼質(zhì)量塊，采集監(jiān)測(cè)信號(hào)并將其作為損傷信號(hào)，后隨機(jī)更改粘貼位置和質(zhì)量塊尺寸，并重復(fù)以上操作；每采集10條損傷信號(hào)后采集一次無(wú)損傷(即不粘貼質(zhì)量塊)的基線信號(hào)。

2) 針對(duì)區(qū)域B、C、D重復(fù)操作。

3) 針對(duì)每一個(gè)試驗(yàn)件，分別隨機(jī)抽取一條損傷信號(hào)和一條基線信號(hào)，兩者相減得到的散射信號(hào)即為一個(gè)損傷樣本，并根據(jù)其所在區(qū)域，標(biāo)記為A、B、C或D。

4) 針對(duì)每一個(gè)試驗(yàn)件，隨機(jī)抽取兩條基線信號(hào)，兩者相減得到的即為無(wú)損傷樣本，標(biāo)記為0。

A1～A4上共收集損傷信號(hào)1 710條，基線信號(hào)170條，每條路徑的采樣頻率均為120 Hz，采樣點(diǎn)個(gè)數(shù)為4 500個(gè)，其中0～500為電磁串?dāng)_，不參與數(shù)據(jù)分析。數(shù)據(jù)收集過程歷時(shí)15天，最大溫度變化為4 ℃。通過隨機(jī)匹配、相減的方法生成源域樣本4 100個(gè)，其中標(biāo)簽為0、A、B、C和D的樣本分別有900、1 070、520、1 120和390個(gè)。

為驗(yàn)證模型是否受材料分散性影響，添加另外2塊相同的試驗(yàn)件(A5和A6)進(jìn)行沖擊試驗(yàn)，能量分為5 J、10 J和15 J，共沖擊233次，通過無(wú)損檢測(cè)確定產(chǎn)生沖擊損傷183處。每次沖擊后采集2次導(dǎo)波數(shù)據(jù)，其間間隔10分鐘。若沖擊產(chǎn)生損傷，則使用沖擊前、后的數(shù)據(jù)生成一個(gè)損傷樣本，使用2次沖擊后數(shù)據(jù)產(chǎn)生一個(gè)無(wú)損傷樣本；若沖擊未發(fā)生損傷，則使用沖擊前、后數(shù)據(jù)生成一個(gè)無(wú)損傷樣本。沖擊損傷的數(shù)量、標(biāo)簽統(tǒng)計(jì)如表1所示，其中標(biāo)簽為B、D的樣本數(shù)量明顯少于標(biāo)簽為A、C的樣本。造成該現(xiàn)象的原因是區(qū)域B、D處為長(zhǎng)桁，且壓電傳感器粘貼于試驗(yàn)件內(nèi)表面，由于導(dǎo)波在結(jié)構(gòu)表面?zhèn)鞑ィ虼酥挥挟?dāng)沖擊損傷使長(zhǎng)桁產(chǎn)生脫粘時(shí)，導(dǎo)波信號(hào)才會(huì)發(fā)生明顯變化，若只有試驗(yàn)件外表面發(fā)生損傷，壓電傳感器則難以監(jiān)測(cè)到結(jié)構(gòu)變化。標(biāo)簽為0、A、B、C和D的樣本分別有78、46、18、38和3個(gè)。

2.2 模型訓(xùn)練及結(jié)果分析

域自適應(yīng)深度學(xué)習(xí)模型的損失函數(shù)分為分類損失和域自適應(yīng)損失兩部分，訓(xùn)練過程不易收斂。因此，使用遷移的思想對(duì)模型進(jìn)行訓(xùn)練，即首先訓(xùn)練一個(gè)針對(duì)源域數(shù)據(jù)的分類網(wǎng)絡(luò)，再以該網(wǎng)絡(luò)的最優(yōu)參數(shù)作為初始值，對(duì)域自適應(yīng)深度學(xué)習(xí)模型進(jìn)行訓(xùn)練。針對(duì)源域數(shù)據(jù)進(jìn)行訓(xùn)練時(shí)，訓(xùn)練集、驗(yàn)證集和測(cè)試集的樣本數(shù)量分別為3 100、500、500個(gè)，經(jīng)過72次迭代模型收斂；訓(xùn)練域自適應(yīng)模型時(shí)，源域數(shù)據(jù)的分配保持不變，目標(biāo)域的183條未標(biāo)記樣本均作為訓(xùn)練集，經(jīng)過45次迭代模型收斂。應(yīng)用該模型分別對(duì)源域測(cè)試集和目標(biāo)域數(shù)據(jù)集進(jìn)行分類，兩類數(shù)據(jù)的精確率分別為86.2%和85.7%，召回率分別為89.6%和87.9%，目標(biāo)域數(shù)據(jù)達(dá)到了和源域數(shù)據(jù)相近的識(shí)別結(jié)果，其中目標(biāo)域數(shù)據(jù)的混淆矩陣如表1所示。此外，使用的處理器為Nvidia GTX 1050，每秒鐘可以完成25個(gè)數(shù)據(jù)樣本的分類任務(wù)。

如表1可知，103個(gè)有損傷樣本中，有10個(gè)被預(yù)測(cè)為無(wú)損傷、2個(gè)位置預(yù)測(cè)錯(cuò)誤，損傷檢出概率為88.3%；在109個(gè)預(yù)測(cè)為有損傷的樣本中，14個(gè)為無(wú)損傷、2個(gè)位置錯(cuò)誤，虛警率為14.6%。 此外，為研究域自適應(yīng)技術(shù)對(duì)損傷識(shí)別準(zhǔn)確率的影響，使用基于源域(模擬損傷)數(shù)據(jù)訓(xùn)練的深度學(xué)習(xí)模型直接對(duì)目標(biāo)域(沖擊損傷)數(shù)據(jù)進(jìn)行檢測(cè)，其混淆矩陣如表2所示，模型的識(shí)別精確率、召回率、損傷檢出概率和虛警率分別為76.9%、83%、78.6%和30.2%. 相比之下，域自適應(yīng)模型的各向指標(biāo)分別提升了8.8%、4.9%、9.7%和15.6%，說(shuō)明域自適應(yīng)技術(shù)可以在數(shù)據(jù)未標(biāo)記的狀態(tài)下，根據(jù)實(shí)時(shí)采集數(shù)據(jù)自動(dòng)修正模型參數(shù)，進(jìn)而提升新采集數(shù)據(jù)的損傷識(shí)別準(zhǔn)確率。

為進(jìn)一步說(shuō)明域自適應(yīng)模塊對(duì)真實(shí)損傷的特征分布和分類準(zhǔn)確率的影響，首先計(jì)算了添加域自適應(yīng)模塊前、后，真實(shí)損傷與模擬損傷在128維特征空間內(nèi)的MMD，其值分別為4.12和0.89，說(shuō)明域自適應(yīng)模塊減小了兩類數(shù)據(jù)特征分布的差異；然后使用主成分分析法將128維的特征向量降至2維并顯示，如圖6所示。其中圖6(a)和圖6(b)分別為添加域自適應(yīng)模塊前后，模擬和真實(shí)損傷數(shù)據(jù)的特征分布，小圓、大圓分別表示源域和目標(biāo)域數(shù)據(jù)，紅、藍(lán)、綠、黑、黃分別表示樣本無(wú)損傷、損傷位于A、B、C、D區(qū)域。由圖6可知，域自適應(yīng)模塊添加前后，模擬損傷的5類數(shù)據(jù)均能較好的分離、界限明顯；在添加域自適應(yīng)模型塊前，真實(shí)損傷5個(gè)類別的數(shù)據(jù)均分布于模擬損傷對(duì)應(yīng)類別的附近，但處于模擬損傷數(shù)據(jù)簇的外側(cè)，各類別間存在數(shù)據(jù)疊加；而在添加域自適應(yīng)模塊后，模擬損傷和真實(shí)損傷的數(shù)據(jù)明顯更加集中，兩者集合為同一個(gè)簇，進(jìn)而模擬損傷的類別界限同樣可以適用于真實(shí)損傷。例如：針對(duì)紅色(無(wú)損傷)和綠色(損傷位于區(qū)域B)數(shù)據(jù)，在應(yīng)用域自適應(yīng)技術(shù)前，兩者的分類線可能位于直線、間任一位置，進(jìn)而將紅色小圓和綠色小圓(即模擬損傷)完全分開，但是若直接用該分類線對(duì)紅色大圓和綠色大圓(即真實(shí)損傷)分類，則會(huì)有多個(gè)紅色大圓被歸類到綠色類別；添加域自適應(yīng)模塊后，通過小圓分類優(yōu)化得到的分類線位于直線′、′間，而′、′間只有2個(gè)綠色大圓、沒有紅色大圓，因此，分類錯(cuò)誤個(gè)數(shù)會(huì)明顯減少，進(jìn)而表現(xiàn)為在無(wú)標(biāo)簽的情況下，模型對(duì)真實(shí)損傷的預(yù)測(cè)準(zhǔn)確率明顯提升。該結(jié)論可通過表1和表2間的數(shù)據(jù)對(duì)比得到證實(shí)。在表2中，無(wú)損傷樣本有6個(gè)被誤判為損傷位于區(qū)域B，而在表1中，沒有無(wú)損傷樣本被誤判為損傷位于區(qū)域B。

表1 基于域自適應(yīng)模塊對(duì)沖擊損傷識(shí)別的混淆矩陣Table 1 Confusion matrix for shock damage identification based on domain adaptive module

表2 未使用自適應(yīng)模塊對(duì)沖擊損傷識(shí)別的混淆矩陣Table 2 Confusion matrix for shock damage identification without domain adaptive module

圖6 數(shù)據(jù)特征分布Fig.6 Distribution of data features

3 結(jié) 論

1) 提出一種基于域自適應(yīng)的深度學(xué)習(xí)導(dǎo)波損傷診斷方法，利用物理模擬損傷產(chǎn)生大量與真實(shí)損傷相近的導(dǎo)波監(jiān)測(cè)數(shù)據(jù)，并設(shè)計(jì)、訓(xùn)練深度學(xué)習(xí)損傷識(shí)別模型；再通過域自適應(yīng)技術(shù)將該模型遷移至少量、無(wú)標(biāo)簽的沖擊損傷監(jiān)測(cè)數(shù)據(jù)，使其對(duì)真實(shí)損傷也具備與模擬損傷相近的識(shí)別準(zhǔn)確率。

2) 使用該方法，能夠在待檢測(cè)結(jié)構(gòu)上直接收集模擬損傷數(shù)據(jù)又不對(duì)結(jié)構(gòu)本身產(chǎn)生性能干擾，物理模擬損傷和域自適應(yīng)技術(shù)可以較好的解決工程實(shí)際中無(wú)法事先采集監(jiān)測(cè)對(duì)象的損傷信號(hào)、制定損傷判據(jù)的問題。

3) 域自適應(yīng)深度學(xué)習(xí)模型在導(dǎo)波損傷診斷中表現(xiàn)良好的一個(gè)重要因素是物理模擬損傷和真實(shí)損傷的數(shù)據(jù)分布規(guī)律近似，然后通過域自適應(yīng)模塊調(diào)整模型參數(shù)，使模擬損傷與真實(shí)損傷符合同一種分類規(guī)則。

在全機(jī)疲勞試驗(yàn)等復(fù)雜應(yīng)用場(chǎng)景下，多類干擾因素耦合、信號(hào)機(jī)理分析困難，域自適應(yīng)深度學(xué)習(xí)模型為其損傷監(jiān)測(cè)提供了一條新的思路，面向工程實(shí)際的域自適應(yīng)技術(shù)應(yīng)用是本文的后續(xù)研究方向。