本發(fā)明涉及一種lamb波監(jiān)測(cè)信號(hào)統(tǒng)計(jì)參數(shù)的損傷識(shí)別方法，具體涉及一種板殼類工程結(jié)構(gòu)中多個(gè)統(tǒng)計(jì)特征參數(shù)的lamb波監(jiān)測(cè)損傷識(shí)別方法，屬于結(jié)構(gòu)損傷識(shí)別技術(shù)領(lǐng)域。

背景技術(shù)：

工程結(jié)構(gòu)在使用過(guò)程中易發(fā)生各種各樣的損傷，現(xiàn)有的結(jié)構(gòu)損傷監(jiān)測(cè)技術(shù)有聲發(fā)射技術(shù)、錯(cuò)位散斑干涉技術(shù)、超聲波技術(shù)等，但聲發(fā)射技術(shù)存在信號(hào)較弱、衰減快，還要克服噪聲等問(wèn)題；錯(cuò)位散斑干涉技術(shù)受到剪切量、激勵(lì)時(shí)間、激勵(lì)方式等因素的影響，在損傷的定量方面尚未形成統(tǒng)一標(biāo)準(zhǔn)；超聲波技術(shù)能夠檢測(cè)結(jié)構(gòu)表面及淺距離涂層下的缺陷，僅要求被測(cè)結(jié)構(gòu)能夠傳導(dǎo)超聲波且需要傳導(dǎo)介質(zhì)，因此應(yīng)用較為廣泛，超聲波技術(shù)中l(wèi)amb波監(jiān)測(cè)技術(shù)應(yīng)用較為廣泛。

近年來(lái)，lamb波結(jié)構(gòu)健康監(jiān)測(cè)技術(shù)的應(yīng)用已經(jīng)從航空航天領(lǐng)域擴(kuò)展到船舶、鐵路、土木工程以及自動(dòng)化工業(yè)等領(lǐng)域，對(duì)減少人員和財(cái)產(chǎn)損失及保證結(jié)構(gòu)健康安全等方面發(fā)揮著舉足輕重的作用。lamb波具有衰減慢、傳播距離遠(yuǎn)的特點(diǎn)，且對(duì)結(jié)構(gòu)的微小損傷非常敏感。lamb波是自由邊界固體板中，橫波和縱波耦合而成的特殊形式的應(yīng)力波，它存在頻散特性及多模式現(xiàn)象。在多模式情況下，根據(jù)不同模式對(duì)不同缺陷反映出不同特征的機(jī)理，提取出lamb波結(jié)構(gòu)響應(yīng)信號(hào)的多個(gè)統(tǒng)計(jì)特征參數(shù)，反映不同模式對(duì)不同損傷的響應(yīng)情況。根據(jù)響應(yīng)情況，從而識(shí)別出損傷。因此，需要提出一種可以有效地對(duì)損傷類型進(jìn)行判斷的損傷識(shí)別方法。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問(wèn)題是：提供一種lamb波監(jiān)測(cè)信號(hào)統(tǒng)計(jì)參數(shù)的損傷識(shí)別方法，根據(jù)不同損傷的lamb波機(jī)理的差異，提取出多個(gè)統(tǒng)計(jì)特征參數(shù)，根據(jù)不同損傷的不同lamb波結(jié)構(gòu)響應(yīng)信號(hào)特征，使用辨識(shí)模型進(jìn)行損傷識(shí)別，實(shí)現(xiàn)對(duì)未知損傷類型識(shí)別評(píng)估的目的。

本發(fā)明為解決上述技術(shù)問(wèn)題采用以下技術(shù)方案：

一種lamb波監(jiān)測(cè)信號(hào)統(tǒng)計(jì)參數(shù)的損傷識(shí)別方法，包括如下步驟：

步驟1，在待測(cè)結(jié)構(gòu)上，根據(jù)檢測(cè)區(qū)域的大小，布置多個(gè)壓力傳感器組成激勵(lì)/傳感線型陣列；在激勵(lì)/傳感線型陣列中選擇一個(gè)傳感器作為激勵(lì)，另一個(gè)傳感器作為傳感，組建檢測(cè)通道，采集結(jié)構(gòu)健康狀態(tài)下所有檢測(cè)通道的lamb波響應(yīng)信號(hào)；

步驟2，在步驟1組建的檢測(cè)通道上布置不同類型的損傷，針對(duì)各損傷類型，采集該損傷類型對(duì)應(yīng)的檢測(cè)通道的lamb波響應(yīng)信號(hào)；

步驟3，對(duì)步驟1和步驟2得到的lamb波響應(yīng)信號(hào)分別進(jìn)行統(tǒng)計(jì)特征參數(shù)提取，提取出六個(gè)統(tǒng)計(jì)特性參數(shù)，包括：均方根、方差、偏斜度、峰度系數(shù)、峰峰值及k因子，得到健康狀態(tài)下的特征數(shù)據(jù)集及各損傷類型對(duì)應(yīng)的特征數(shù)據(jù)集；

步驟4，利用主成分分析方法對(duì)健康狀態(tài)下的特征數(shù)據(jù)集及各損傷類型對(duì)應(yīng)的特征數(shù)據(jù)集均進(jìn)行降維處理，得到健康狀態(tài)下的新特征數(shù)據(jù)集及各損傷類型對(duì)應(yīng)的新特征數(shù)據(jù)集；

步驟5，將健康狀態(tài)下的新特征數(shù)據(jù)集根據(jù)損傷類型進(jìn)行分類，得到各損傷類型對(duì)應(yīng)的健康狀態(tài)的特征樣本，利用em算法分別訓(xùn)練各損傷類型對(duì)應(yīng)的健康狀態(tài)的特征樣本，得到各損傷類型健康狀態(tài)的高斯混合模型參數(shù)；

步驟6，針對(duì)各損傷類型，將各損傷類型的新特征數(shù)據(jù)集分為訓(xùn)練樣本和測(cè)試樣本，利用em算法從訓(xùn)練樣本中訓(xùn)練出該損傷類型高斯混合模型混合參數(shù)，從而得到各損傷類型的高斯混合模型；其中，em算法的初始參數(shù)為該損傷類型健康狀態(tài)的高斯混合模型參數(shù)；

步驟7，將測(cè)試樣本分別輸入各損傷類型的高斯混合模型中，計(jì)算模型的似然函數(shù)值，并比較各模型的似然函數(shù)值大小，將測(cè)試樣本歸類于模型似然函數(shù)值最大的損傷類型中。

作為本發(fā)明的一種優(yōu)選方案，步驟3所述均方根表達(dá)式為：

其中，rms為均方根，xi為第i個(gè)lamb波響應(yīng)信號(hào)，n為所有l(wèi)amb波響應(yīng)信號(hào)的個(gè)數(shù)。

作為本發(fā)明的一種優(yōu)選方案，步驟3所述方差表達(dá)式為：

其中，variance為方差，xi為第i個(gè)lamb波響應(yīng)信號(hào)，n為所有l(wèi)amb波響應(yīng)信號(hào)的個(gè)數(shù)，為xi的平均值。

作為本發(fā)明的一種優(yōu)選方案，步驟3所述偏斜度表達(dá)式為：

其中，skewness為偏斜度，xi為第i個(gè)lamb波響應(yīng)信號(hào)，n為所有l(wèi)amb波響應(yīng)信號(hào)的個(gè)數(shù)，為xi的平均值。

作為本發(fā)明的一種優(yōu)選方案，步驟3所述峰度系數(shù)表達(dá)式為：

其中，kurtosis為峰度系數(shù)，xi為第i個(gè)lamb波響應(yīng)信號(hào)，n為所有l(wèi)amb波響應(yīng)信號(hào)的個(gè)數(shù)，為xi的平均值。

作為本發(fā)明的一種優(yōu)選方案，步驟3所述峰峰值表達(dá)式為：

ppk＝max(xi)-min(xi)

其中，ppk為峰峰值，max(xi)、min(xi)分別為xi的最大、最小值，xi為第i個(gè)lamb波響應(yīng)信號(hào)。

作為本發(fā)明的一種優(yōu)選方案，步驟3所述k因子表達(dá)式為：

k-factor＝max(xi)×rms

其中，k-factor為k因子，max(xi)為xi的最大值，xi為第i個(gè)lamb波響應(yīng)信號(hào)，rms為均方根。

作為本發(fā)明的一種優(yōu)選方案，所述步驟4具體過(guò)程為：以健康狀態(tài)下的特征數(shù)據(jù)集為例：

(41)計(jì)算健康狀態(tài)下的d×p特征數(shù)據(jù)集的相關(guān)系數(shù)矩陣：

其中，d為采集lamb波響應(yīng)信號(hào)的次數(shù)，p為所有統(tǒng)計(jì)特征參數(shù)的個(gè)數(shù)，r為實(shí)對(duì)稱矩陣，rab＝rba，a,b＝1,2,…,p，rab為xa與xb之間的相關(guān)系數(shù)，xa,xb為特征數(shù)據(jù)集的任一列，表達(dá)式如下：

其中，為xa的平均值，為xb的平均值，xca為xa的第c個(gè)元素，xcb為xb的第c個(gè)元素；

(42)計(jì)算相關(guān)系數(shù)矩陣r的特征值λa，并按照從大到小的順序進(jìn)行排列；

(43)計(jì)算排序后的各特征值對(duì)應(yīng)的特征向量；

(44)計(jì)算排序后的各特征值對(duì)應(yīng)的主成分za的累積貢獻(xiàn)率：

(45)選取累積貢獻(xiàn)率超過(guò)85％特征值對(duì)應(yīng)的特征向量構(gòu)建新特征數(shù)據(jù)集：

a′＝a×ml×m

其中，a′表示新特征數(shù)據(jù)集，a表示特征數(shù)據(jù)集，ml×m表示累計(jì)貢獻(xiàn)率超過(guò)85％的特征值所對(duì)應(yīng)的特征向量構(gòu)成的矩陣，m表示累計(jì)貢獻(xiàn)率超過(guò)85％的特征值的個(gè)數(shù)，l為特征向量的行數(shù)。

本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：

1、本發(fā)明lamb波在結(jié)構(gòu)的傳播過(guò)程中遍布結(jié)構(gòu)的每個(gè)點(diǎn)，具有傳播距離較遠(yuǎn)、衰減較慢、對(duì)微小損傷較敏感等優(yōu)點(diǎn)。lamb波具有頻散效應(yīng)和多模式現(xiàn)象。根據(jù)不同的模式下，不同缺陷的反映特征不一樣的機(jī)理，通過(guò)提取lamb波信號(hào)的多個(gè)統(tǒng)計(jì)特征參量，反映出不同模式對(duì)不同損傷的響應(yīng)情況。根據(jù)響應(yīng)情況，識(shí)別出損傷。

2、本發(fā)明可以有效地對(duì)結(jié)構(gòu)損傷類型進(jìn)行識(shí)別，根據(jù)不同損傷的多個(gè)統(tǒng)計(jì)特征量，訓(xùn)練得出各類損傷的辨識(shí)模型，其反映的信息能夠直觀地識(shí)別出損傷的類型，有利于工程結(jié)構(gòu)后期的維護(hù)與修復(fù)。

附圖說(shuō)明

圖1是本發(fā)明實(shí)施例中試件結(jié)構(gòu)以及傳感/激勵(lì)陣列的布局示意圖。

圖2是本發(fā)明損傷識(shí)別方法的流程圖。

圖3(a)是結(jié)構(gòu)健康狀態(tài)的rms、variance、skewness三個(gè)特征因子。

圖3(b)是結(jié)構(gòu)健康狀態(tài)的kurtosis、ppk、k-factor三個(gè)特征因子。

圖3(c)是結(jié)構(gòu)圓孔損傷的rms、variance、skewness三個(gè)特征因子。

圖3(d)是結(jié)構(gòu)圓孔損傷的kurtosis、ppk、k-factor三個(gè)特征因子。

圖3(e)是結(jié)構(gòu)腐蝕損傷的rms、variance、skewness三個(gè)特征因子。

圖3(f)是結(jié)構(gòu)腐蝕損傷的kurtosis、ppk、k-factor三個(gè)特征因子。

圖4是本發(fā)明使用的高斯混合模型的結(jié)構(gòu)示意圖。

圖5(a)是圓孔測(cè)試樣本輸入不同損傷高斯混合模型的似然函數(shù)值大小。

圖5(b)是腐蝕測(cè)試樣本輸入不同損傷高斯混合模型的似然函數(shù)值大小。

具體實(shí)施方式

下面詳細(xì)描述本發(fā)明的實(shí)施方式，所述實(shí)施方式的示例在附圖中示出。下面通過(guò)參考附圖描述的實(shí)施方式是示例性的，僅用于解釋本發(fā)明，而不能解釋為對(duì)本發(fā)明的限制。

本發(fā)明提供一種lamb波監(jiān)測(cè)信號(hào)統(tǒng)計(jì)參數(shù)的損傷識(shí)別方法，其基本原理是：利用主動(dòng)lamb波監(jiān)測(cè)技術(shù)采集lamb波結(jié)構(gòu)響應(yīng)信號(hào)，提取出結(jié)構(gòu)響應(yīng)信號(hào)的多個(gè)統(tǒng)計(jì)特征參量。由于統(tǒng)計(jì)特征參數(shù)的維數(shù)眾多，采用主成分分析方法對(duì)樣本特征集進(jìn)行降維處理。構(gòu)建不同損傷的辨識(shí)模型，完成損傷識(shí)別。本實(shí)施例中，辨識(shí)模型采用高斯混合模型，可以根據(jù)高斯混合模型的似然度值判斷損傷所屬類型，實(shí)現(xiàn)損傷類型識(shí)別的目的。

本發(fā)明一種lamb波監(jiān)測(cè)信號(hào)統(tǒng)計(jì)參數(shù)的損傷識(shí)別方法，具體步驟如下：

(1)在待測(cè)結(jié)構(gòu)上，根據(jù)檢測(cè)區(qū)域大小，布置多組壓電傳感器組成激勵(lì)/傳感線型陣列；

(2)在一組激勵(lì)/傳感陣列中,選擇一個(gè)壓電傳感器作為激勵(lì)器，另一個(gè)壓電傳感器作為傳感器，組建檢測(cè)通道，采集結(jié)構(gòu)當(dāng)前狀態(tài)下所有激勵(lì)/傳感通道的lamb波響應(yīng)信號(hào)；

(3)對(duì)采集的lamb波結(jié)構(gòu)響應(yīng)信號(hào)進(jìn)行統(tǒng)計(jì)特征參數(shù)提取，提取出六個(gè)時(shí)域統(tǒng)計(jì)特征因子：rms、variance、skewness、kurtosis、ppk以及k-factor；skewness描述了采集信號(hào)的分布對(duì)稱性狀況，kurtosis描述了采集信號(hào)構(gòu)成的分布峰值是否突?；蚱教?；

(4)采用主成分分析方法對(duì)特征樣本進(jìn)行降維處理，得到特征樣本集；

(5)將不同損傷類型的訓(xùn)練樣本分別訓(xùn)練出各損傷的辨識(shí)模型參數(shù)，得到各類損傷的辨識(shí)模型；

(6)將測(cè)試樣本數(shù)據(jù)輸入辨識(shí)模型中，計(jì)算模型的輸出值，比較各類損傷模型的輸出值大小，值越大，則說(shuō)明測(cè)試樣本屬于該類別的概率越大，判斷出損傷的類型。

其中，主成分分析方法是能夠?qū)⒍鄠€(gè)原始數(shù)據(jù)通過(guò)線性變換選取出少數(shù)幾個(gè)綜合指標(biāo)的多元統(tǒng)計(jì)分析方法，其詳細(xì)步驟為：

(1)計(jì)算d×p特征樣本集的相關(guān)系數(shù)矩陣，表達(dá)式如下：

其中，r為實(shí)對(duì)稱矩陣(即rab＝rba)，a,b＝1,2,…,p，p為所有統(tǒng)計(jì)特征參數(shù)的個(gè)數(shù)，本發(fā)明中p＝6，rab為xa與xb之間的相關(guān)系數(shù)，表達(dá)式如下：

(42)計(jì)算相關(guān)系數(shù)矩陣r的特征值λa，通常采用雅可比法(jacobi)解特征方程|λi-r|＝0，求出特征值λa，并且按照從大到小的順序排列，即λ1≥λ2≥…≥λp≥0；

(43)計(jì)算排序后的各特征值對(duì)應(yīng)的特征向量，分別求出特征值λa對(duì)應(yīng)的特征向量ea，這里要求||ea||＝1，即其中eab表示向量ea的第b個(gè)分量；

(44)主成分貢獻(xiàn)率及累積貢獻(xiàn)率的表達(dá)式如下：

主成分za的貢獻(xiàn)率為：

累積貢獻(xiàn)率為：

通常情況下，選取累計(jì)貢獻(xiàn)率超過(guò)85％的特征值λ1,λ2,…,λm所對(duì)應(yīng)的第一、第二、…、第m(m≤p)個(gè)主成分。

(45)選取累積貢獻(xiàn)率超過(guò)85％特征值對(duì)應(yīng)的特征向量構(gòu)建新特征數(shù)據(jù)集：

a′＝a×ml×m

其中，a′表示新特征數(shù)據(jù)集，a表示特征數(shù)據(jù)集，ml×m表示累計(jì)貢獻(xiàn)率超過(guò)85％的特征值所對(duì)應(yīng)的特征向量構(gòu)成的矩陣，m表示累計(jì)貢獻(xiàn)率超過(guò)85％的特征值的個(gè)數(shù)，l為特征向量的行數(shù)。

高斯混合模型(gmm)用來(lái)描述混合密度的分布，它的概率密度函數(shù)如下式所示：

其中，x是采集信號(hào)的特征樣本，k是高斯混合模型混合元的維數(shù)，d是特征樣本的維數(shù)，αq、μq和σq分別代表gmm中每個(gè)高斯混合元的混合權(quán)重、均值向量和協(xié)方差矩陣。

高斯混合模型的訓(xùn)練過(guò)程實(shí)際上是參數(shù)估計(jì)的過(guò)程。訓(xùn)練使用em算法前需要有初始參數(shù)，k-means算法在計(jì)算簡(jiǎn)單方便的前提下能夠保證初始化后的參數(shù)值能更好為em算法的執(zhí)行做準(zhǔn)備，初始參數(shù)的選取使用k-means算法。設(shè)結(jié)構(gòu)健康狀態(tài)下更新得到的高斯混合模型的混合權(quán)重，均值向量，協(xié)方差矩陣分別為αq(0)、μq(0)、σq(0)；在結(jié)構(gòu)損傷狀態(tài)下的特征樣本集訓(xùn)練過(guò)程中，使用混合權(quán)重αq(0)、均值向量μq(0)、協(xié)方差矩陣σq(0)作為em算法的初始參數(shù)；更新后的損傷概率模型的各高斯分量的混合權(quán)重、均值向量、協(xié)方差矩陣分別表示為αq(w)、μq(w)、σq(w)，w為≥1的正整數(shù)。

高斯概率模型的em參數(shù)估計(jì)算法分為e步與m步：

e步用于獲取完整似然函數(shù)的期望：

其中，θ＝(μ1，μ2，…，μk，σ1，σ2，…，σk)，是高斯混合分布參數(shù)。θ表示更新后的值，θ^t-1表示當(dāng)前參數(shù)估計(jì)值。

m步求得當(dāng)q＝(θ,θ^t-1)為極大值時(shí)各參數(shù)的表達(dá)式：

混合權(quán)重的重估公式：

均值向量的重估公式：

協(xié)方差矩陣的重估公式：

以下將結(jié)合附圖及具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明：

(1)本發(fā)明所采用的一個(gè)實(shí)施例的試件為環(huán)氧樹脂結(jié)構(gòu)復(fù)合材料板，其尺寸為1000mm×500mm×3mm，如圖1所示，其中空心圓孔模擬實(shí)際工程結(jié)構(gòu)中的裝配孔。將28枚壓電傳感器按照每隔150mm的間距均勻布置，垂直方向布置4枚，共計(jì)7小組。圖1中陰影圓孔與陰影不規(guī)則圖形分別代表圓孔損傷與腐蝕損傷。按照從左到右的順序，第一組與第二組壓電傳感器水平方向有4組圓孔損傷；第三組與第四組壓電傳感器水平方向有4組腐蝕損傷；第一組到第五組的第三、第四枚壓電傳感器之間共有5組圓孔損傷；第六組與第七組的第三、第四枚壓電傳感器之間有2組腐蝕損傷，第一、第二枚壓電傳感器之間有2組腐蝕損傷；第四組的第一、第二枚壓電傳感器之間有1組腐蝕損傷。共計(jì)9組圓孔損傷，9組腐蝕損傷。

(2)本發(fā)明的流程圖如圖2所示，首先進(jìn)行結(jié)構(gòu)健康狀態(tài)與結(jié)構(gòu)損傷狀態(tài)的數(shù)據(jù)采集。

第一步：采集結(jié)構(gòu)健康狀態(tài)的響應(yīng)信號(hào)。

①在傳感/激勵(lì)線型陣列中選擇一個(gè)傳感器作為激勵(lì)器，另一個(gè)傳感器作為傳感器并采集結(jié)構(gòu)響應(yīng)信號(hào)。

在圖1所示的18組損傷的路徑中依次重復(fù)步驟①四次，獲取144組結(jié)構(gòu)健康響應(yīng)信號(hào)(每組路徑獲取2組結(jié)構(gòu)響應(yīng)信號(hào))。

第二步：分別采集結(jié)構(gòu)中圓孔損傷及腐蝕損傷的結(jié)構(gòu)響應(yīng)信號(hào)。

②按照從左到右的順序，第一組與第二組壓電傳感器水平方向的4組路徑，第一組到第五組的第三、第四枚壓電傳感器之間的5組路徑依次重復(fù)步驟①四次，獲取72組圓孔損傷的結(jié)構(gòu)響應(yīng)信號(hào)。

③按照從左到右的順序，第三組與第四組壓電傳感器水平方向的4組路徑，第六組與第七組的第三、第四枚壓電傳感器之間以及第一、第二枚壓電傳感器之間共計(jì)4組路徑，第四組的第一、第二枚壓電傳感器之間的1組路徑依次重復(fù)步驟①四次，獲取72組腐蝕損傷的結(jié)構(gòu)響應(yīng)信號(hào)。

第三步：對(duì)采集到的結(jié)構(gòu)響應(yīng)信號(hào)進(jìn)行多個(gè)統(tǒng)計(jì)特征參數(shù)的提取，所提取的統(tǒng)計(jì)特征因子分別為rms、variance、skewness、kurtosis、ppk以及k-factor。提取的統(tǒng)計(jì)特征因子如圖3所示。圖3(a)至圖3(f)分別為結(jié)構(gòu)健康狀態(tài)、結(jié)構(gòu)圓孔損傷、結(jié)構(gòu)腐蝕損傷時(shí)的統(tǒng)計(jì)特征因子。對(duì)特征樣本集進(jìn)行主成分分析，降維至三維數(shù)據(jù)。

第四步：將不同損傷的特征樣本集分為訓(xùn)練樣本和測(cè)試樣本，本實(shí)施例中圓孔和腐蝕損傷的訓(xùn)練樣本和測(cè)試樣本分別為36組。結(jié)構(gòu)健康狀態(tài)的特征樣本集依次對(duì)應(yīng)同一路徑的損傷樣本集。

第五步：本實(shí)施例中選用的辨識(shí)模型是高斯混合模型，其結(jié)構(gòu)示意圖如圖4所示，x為輸入，即采集信號(hào)的特征樣本；p(x|θ)為輸出，即似然函數(shù)值。高斯混合模型的訓(xùn)練過(guò)程實(shí)際上是參數(shù)估計(jì)的過(guò)程，這里使用em算法對(duì)模型參數(shù)進(jìn)行估計(jì)。使用em算法分別訓(xùn)練圓孔與腐蝕對(duì)應(yīng)的健康狀態(tài)的特征樣本，em算法使用前的初始參數(shù)使用k-means算法，其中高斯分量的個(gè)數(shù)k設(shè)為2。得到圓孔的健康狀態(tài)高斯混合模型參數(shù)αq(0)圓孔、μq(0)圓孔、σq(0)圓孔；腐蝕的健康狀態(tài)高斯混合模型參數(shù)αq(0)腐蝕、μq(0)腐蝕、σq(0)腐蝕。

第六步：分別使用em算法訓(xùn)練圓孔損傷和腐蝕損傷訓(xùn)練樣本的高斯混合模型混合參數(shù)，高斯分量的個(gè)數(shù)k設(shè)為2，其中em算法使用前的初始參數(shù)為損傷對(duì)應(yīng)的健康狀態(tài)高斯混合模型參數(shù)。得出圓孔損傷與腐蝕損傷的高斯混合模型。

第七步：將測(cè)試樣本數(shù)據(jù)分別輸入圓孔損傷與腐蝕損傷高斯混合模型中，計(jì)算模型的似然函數(shù)值，比較各類損傷模型的似然函數(shù)值大小，值越大，則說(shuō)明測(cè)試樣本屬于該類別的概率越大，判斷出損傷的類型。該實(shí)施例中的似然函數(shù)值大小比較如圖5所示。圖5(a)為圓孔測(cè)試樣本輸入不同損傷高斯混合模型的似然函數(shù)值大小，圖5(b)為腐蝕測(cè)試樣本輸入不同損傷高斯混合模型的似然函數(shù)值大小。下表為分類結(jié)果比較，結(jié)果表明提取出的多個(gè)特征量用于結(jié)構(gòu)損傷識(shí)別具有較好的分類效果。

以上實(shí)施例僅為說(shuō)明本發(fā)明的技術(shù)思想，不能以此限定本發(fā)明的保護(hù)范圍，凡是按照本發(fā)明提出的技術(shù)思想，在技術(shù)方案基礎(chǔ)上所做的任何改動(dòng)，均落入本發(fā)明保護(hù)范圍之內(nèi)。