本發(fā)明涉及結(jié)構(gòu)健康監(jiān)測領(lǐng)域，尤其涉及一種基于多模態(tài)數(shù)據(jù)融合及集成學(xué)習(xí)的沖擊損傷識別方法。

背景技術(shù)：

1、復(fù)合材料因其比強(qiáng)度高、比模量大等優(yōu)點被廣泛應(yīng)用于航空航天、軌道交通及海洋工程等工程結(jié)構(gòu)當(dāng)中。但復(fù)合材料結(jié)構(gòu)在制造與服役期間，不可避免會出現(xiàn)因工具跌落、砂石撞擊、冰雹沖擊等意外狀況而造成的沖擊損傷，顯著降低復(fù)合材料結(jié)構(gòu)的完整性和安全性。因此，對工程復(fù)合材料結(jié)構(gòu)進(jìn)行實時在線的沖擊損傷監(jiān)測，對維護(hù)結(jié)構(gòu)的健康安全具有重要意義。

2、隨著計算機(jī)技術(shù)的飛躍及人工智能的興起，機(jī)器學(xué)習(xí)方法因其能夠解決各種復(fù)雜問題的超強(qiáng)能力成為了各學(xué)科領(lǐng)域的研究熱點，近年來涌現(xiàn)出了許多基于機(jī)器學(xué)習(xí)的沖擊損傷識別方法。常用的機(jī)器學(xué)習(xí)模型包括人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、極限學(xué)習(xí)機(jī)、卷積神經(jīng)網(wǎng)絡(luò)、長短期記憶網(wǎng)絡(luò)以及深度置信網(wǎng)絡(luò)等。然而，對于現(xiàn)有的基于機(jī)器學(xué)習(xí)的沖擊損傷識別方法存在以下問題：在數(shù)據(jù)樣本集的選擇方面，研究人員基本采用單一類型的數(shù)據(jù)(離散的沖擊損傷特征、時域沖擊信號序列或沖擊信號的時頻圖像)作為模型的輸入，對豐富的沖擊損傷信息利用不充分；在模型選擇方面，研究人員基本采用單一機(jī)器學(xué)習(xí)模型對沖擊損傷進(jìn)行識別，存在欠擬合和過擬合的風(fēng)險，且沒有考慮到利用不同機(jī)器學(xué)習(xí)模型進(jìn)行沖擊損傷識別的不確定性問題。

技術(shù)實現(xiàn)思路

1、本申請的目的在于解決現(xiàn)有技術(shù)存在的問題，提高沖擊損傷識別的準(zhǔn)確性和可靠性，提出一種基于數(shù)據(jù)融合及集成學(xué)習(xí)的沖擊損傷識別方法。

2、為此，本申請的一些實施例提出了一種基于多模態(tài)數(shù)據(jù)融合及集成學(xué)習(xí)的沖擊損傷識別方法，其包括步驟1：采集待測結(jié)構(gòu)的多個無損及不同損傷程度的沖擊應(yīng)力波信號并根據(jù)超聲掃描的檢測結(jié)果對所述沖擊應(yīng)力波信號的標(biāo)簽進(jìn)行標(biāo)注；步驟2：獲取所述沖擊應(yīng)力波信號的多個類別的多模態(tài)數(shù)據(jù)及并對所述多模態(tài)數(shù)據(jù)進(jìn)行樣本集劃分為訓(xùn)練集和測試集；步驟3：建立針對所述各類別的多模態(tài)數(shù)據(jù)的不同類型的機(jī)器學(xué)習(xí)模型；步驟4：訓(xùn)練所述各類型的機(jī)器學(xué)習(xí)模型并用各類多模態(tài)數(shù)據(jù)樣本的訓(xùn)練集的訓(xùn)練結(jié)果的相對準(zhǔn)確率指標(biāo)作為各機(jī)器學(xué)習(xí)模型權(quán)重，并依據(jù)所述各機(jī)器學(xué)習(xí)模型權(quán)重對所述三個機(jī)器學(xué)習(xí)模型進(jìn)行集成得到集成學(xué)習(xí)模型；步驟5：將測試集輸入到所述集成學(xué)習(xí)模型，通過融合至少兩種距離衡量所述權(quán)重平均集成預(yù)測結(jié)果與實際標(biāo)簽的差異來進(jìn)行損傷分類。；對得到的所述距離進(jìn)行乘積融合得到融合距離，所述融合距離最小的一類即為所述集成學(xué)習(xí)模型的沖擊損傷識別結(jié)果。

3、在一些實施例中，步驟1中沖擊應(yīng)力波信號采集及標(biāo)注具體包括在待測結(jié)構(gòu)上布置稀疏壓電傳感器網(wǎng)絡(luò)，采集多個無損及不同損傷程度的沖擊應(yīng)力波信號。

4、在一些實施例中，所述步驟2中獲取多模態(tài)數(shù)據(jù)具體包括：所述多模態(tài)數(shù)據(jù)包括離散的沖擊損傷特征數(shù)據(jù)、時域沖擊信號序列特征數(shù)據(jù)或沖擊信號的時頻圖像特征數(shù)據(jù)。

5、在一些實施例中，按照7：3的比例分別對各類多模態(tài)數(shù)據(jù)樣本劃分訓(xùn)練集和測試集。

6、在一些實施例中，所述步驟3中建立多個不同類型的機(jī)器學(xué)習(xí)模型具體包括建立離散的沖擊損傷特征作為輸入的人工神經(jīng)網(wǎng)絡(luò)，時域沖擊信號序列作為輸入的長短期記憶網(wǎng)絡(luò)以及沖擊信號時頻圖像作為輸入的卷積神經(jīng)網(wǎng)絡(luò)。

7、在一些實施例中，所述步驟4中機(jī)器學(xué)習(xí)模型訓(xùn)練及權(quán)重平均集成具體包括利用訓(xùn)練集和貝葉斯優(yōu)化算法不同的機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練結(jié)果的錯誤率對機(jī)器學(xué)習(xí)模型進(jìn)行權(quán)重平均集成。

8、在一些實施例中，所述步驟5中多距離測量及損傷分類具體包括將測試集輸入到集成學(xué)習(xí)模型，通過融合余弦距離、曼哈頓距離和歐氏距離三種距離衡量集成預(yù)測結(jié)果與實際標(biāo)簽的差異來進(jìn)行損傷分類。

9、由于采用了上述技術(shù)方案，本發(fā)明提供的基于數(shù)據(jù)融合及集成學(xué)習(xí)的沖擊損傷識別方法所帶來的有益技術(shù)效果包括：

10、第一、本發(fā)明的一些實施例采用多模態(tài)數(shù)據(jù)進(jìn)行沖擊損傷識別，充分挖掘了沖擊應(yīng)力波信號中所包含的沖擊損傷信息。

11、第二、第二，本發(fā)明的一些實施例將多個機(jī)器學(xué)習(xí)模型加權(quán)平均集成進(jìn)行沖擊損傷識別，降低了單個模型欠擬合和過擬合的風(fēng)險，準(zhǔn)確度高。

12、第三、第三，本發(fā)明的一些實施例綜合余弦距離、曼哈頓距離與歐氏距離三種距離測量對最后的沖擊損傷結(jié)果進(jìn)行歸類，融合這些距離來提高模型的分類性能。

技術(shù)特征：

1.一種基于多模態(tài)數(shù)據(jù)融合及集成學(xué)習(xí)的沖擊損傷識別方法，其特征在于：包括

2.根據(jù)權(quán)利要求1所述的基于多模態(tài)數(shù)據(jù)融合及集成學(xué)習(xí)的沖擊損傷識別方法，其特征在于：步驟1中沖擊應(yīng)力波信號采集及標(biāo)注具體包括在待測結(jié)構(gòu)上布置稀疏壓電傳感器網(wǎng)絡(luò)，采集多個無損及不同損傷程度的沖擊應(yīng)力波信號。

3.根據(jù)權(quán)利要求1所述的基于多模態(tài)數(shù)據(jù)融合及集成學(xué)習(xí)的沖擊損傷識別方法，其特征在于：所述步驟2中獲取多模態(tài)數(shù)據(jù)具體包括：所述多模態(tài)數(shù)據(jù)包括離散的沖擊損傷特征數(shù)據(jù)、時域沖擊信號序列特征數(shù)據(jù)或沖擊信號的時頻圖像特征數(shù)據(jù)。

4.根據(jù)權(quán)利要求1所述的基于多模態(tài)數(shù)據(jù)融合及集成學(xué)習(xí)的沖擊損傷識別方法，其特征在于：按照7：3的比例分別對各類多模態(tài)數(shù)據(jù)樣本劃分訓(xùn)練集和測試集。

5.根據(jù)權(quán)利要求1所述的基于多模態(tài)數(shù)據(jù)融合及集成學(xué)習(xí)的沖擊損傷識別方法，其特征在于：所述步驟3中建立多個不同類型的機(jī)器學(xué)習(xí)模型具體包括建立離散的沖擊損傷特征作為輸入的人工神經(jīng)網(wǎng)絡(luò)，時域沖擊信號序列作為輸入的長短期記憶網(wǎng)絡(luò)以及沖擊信號時頻圖像作為輸入的卷積神經(jīng)網(wǎng)絡(luò)。

6.根據(jù)權(quán)利要求1所述的基于多模態(tài)數(shù)據(jù)融合及集成學(xué)習(xí)的沖擊損傷識別方法，其特征在于：所述步驟4中機(jī)器學(xué)習(xí)模型訓(xùn)練及權(quán)重平均集成具體包括利用訓(xùn)練集和貝葉斯優(yōu)化算法不同的機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練，根據(jù)訓(xùn)練結(jié)果的錯誤率對機(jī)器學(xué)習(xí)模型進(jìn)行權(quán)重平均集成。

7.根據(jù)權(quán)利要求1所述的基于多模態(tài)數(shù)據(jù)融合及集成學(xué)習(xí)的沖擊損傷識別方法，其特征在于：所述步驟5中多距離測量及損傷分類具體包括將測試集輸入到集成學(xué)習(xí)模型，通過融合余弦距離、曼哈頓距離和歐氏距離三種距離衡量集成預(yù)測結(jié)果與實際標(biāo)簽的差異來進(jìn)行損傷分類。

技術(shù)總結(jié)
為了提高基于機(jī)器學(xué)習(xí)沖擊損傷識別的準(zhǔn)確性和可靠性，發(fā)明了一種基于多模態(tài)數(shù)據(jù)融合及集成學(xué)習(xí)的沖擊損傷識別。該方法采用包括離散的沖擊損傷特征、時域沖擊信號序列及沖擊信號的時頻圖像在內(nèi)的多模態(tài)數(shù)據(jù)作為機(jī)器模型的輸入，充分挖掘了沖擊應(yīng)力波信號中所包含的沖擊損傷信息，還利用權(quán)重平均技術(shù)對人工神經(jīng)網(wǎng)絡(luò)、長短期記憶網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行集成，融合余弦距離、曼哈頓距離以及歐氏距離三種距離對沖擊損傷進(jìn)行識別。在400mm×400mm復(fù)合材料板狀結(jié)構(gòu)上對方法進(jìn)行了驗證，結(jié)果表明該方法在使用少量傳感器的情況下能夠?qū)Y(jié)構(gòu)內(nèi)部的沖擊損傷進(jìn)行高精度識別。

技術(shù)研發(fā)人員：武湛君,鄧德雙,楊雷,曾旭,楊紅娟,楊正巖,楊宇,馬書義
受保護(hù)的技術(shù)使用者：大連理工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19