基于迁移学习的航空复合材料工件损伤诊断方法

1.本发明属于结构健康监测以及机器学习技术领域。


背景技术：

2.先进飞行器正在朝向大过载、复杂化、精密化和强鲁棒性等方向发展，从生产制造到服役退役全生命周期都对其结构安全性和可靠性有着极高要求。然而，先进飞行器在长期服役过程中不可避免地受到疲劳、扰动、撞击等不安全因素影响，使机体结构受到损伤破坏，严重影响了飞行器的安全性和可靠性。严重的机体结构损伤可能会引发事故，造成己方装备和人员的毁伤。随着结构健康监测理念的深入，为保障结构安全稳定运行需求，有必要对其进行智能化损伤诊断的研究。
3.目前，有许多传统机器学习方法被应用与航空工件损伤诊断上，这些方法往往利用传感器接收到的损伤信号经过傅里叶变化后作为信号分类特征，并借助一些简单的机器学习算法和神经网络模型。但先进飞行器在服役时面临着高温、高速、高载、强扰动、强腐蚀的严酷环境，飞行器铝合金关键部件在外界严酷服役条件的耦合影响下呈现出复杂多样的失效模式，这使得在飞行器构件上直接通过实验获得一个数据量充足且各类故障样本分布平衡的数据集是十分困难的，传统机器学习方法在进行飞行器结构损伤诊断时会面临缺少典型损伤样本而导致的诊断精度低，泛化性差等问题。


技术实现要素：

4.本发明的目的是利用迁移学习中的度量学习理论，从通过仿真软件获取的铝板损伤信号这一源域，迁移到仿真软件与实验获取悬臂梁损伤信号目标域中来的基于迁移学习的航空复合材料工件损伤诊断方法。
5.本发明的步骤是：s1、使用重分布方法，对接收到的信号进行处理，并采用数据融合手段，获得多个传感器所接收损伤信号在rgb图像中的时频表示；为贴近真实飞行器服役条件，对损伤信号添加高斯噪声，由其概率密度函数定义：（1）其中为期望，为标准差，为方差；模糊的时频点重新定位并清晰化，由下式定义：（2）；s2、构建卷积神经网络模型，所述模型包括特征提取器，长短期记忆机制，注意力机制；（1）特征提取器包括2个2*2和3个3*3的卷积核，5个relu层，最大池化层，池化窗口
大小为3*3；（2）双向长短期记忆网络对新样本进行嵌入，在经过嵌入函数和处理后，输出再次经过循环神经网络加强源域与被选择个体的关系，其公式为：（3）；（3）注意力机制基于新样本数据与支持集中的样本数据的嵌入表示的余弦相似度以及softmax函数，其公式为：（4）；s3、将源域与目标域按照7：2: 1的比例划分训练集、验证集和测试集，利用源域中的数据对卷积神经网络模型进行训练，得到预训练的卷积神经网络模型；s4、将采用源域知识训练完成的卷积神经网络模型迁移到目标域中，应用最近邻方法对目标域内的样本数据进行分类，得到损伤诊断结果；分类的思想是将源域内的支持集映射到一个分类器,对于给定的目标域样本,定义一个关于的概率分布即,其中被网络参数化，只需使用定义的网络来预测每个目标域样本的标签分布。
6.本发明采用重分布法对损伤信号进行数据处理，采用迁移学习方法训练模型。将航空铝合金工件损伤信号作为源域进行预训练，利用度量学习理论分析源域数据和目标域数据之间的距离关系，快速构建航空复合材料损伤诊断模型，从而应对损伤样本数量少且样本分布不平衡的实际情况，实现对航空复合材料的损伤高精度与高准确率识别。
附图说明
7.图1是本发明具体实施实现流程图；图2是复合材料悬臂梁工件图；图3是损伤信号经重分布法数据预处理流程图；图4是卷积神经网络信号特征提取器图。
具体实施方式
8.本发明所要解决的技术问题是：提供一种基于迁移学习的航空复合材料工件损伤诊断方法，利用迁移学习中的度量学习理论，从通过仿真软件获取的铝板损伤信号这一源域，迁移到仿真软件与实验获取的悬臂梁损伤信号目标域中来。该方法在面对样本数量少且样本分布不平衡的问题时，能够缓解神经网络对目标工况故障训练数据的依赖。
9.本发明为解决上述技术问题采用以下技术方案：步骤1，将仿真软件内获取的铝板的损伤信号作为源域，将仿真软件内的复合材料悬臂梁与实验内的复合材料悬臂梁的获取损伤信号作为目标域。
10.步骤2，使用重分布方法，对接收到的信号进行处理，并采用数据融合手段，获得多个传感器所接收损伤信号在rgb图像中的时频表示。
11.步骤 3，构建卷积神经网络模型，所述模型包括特征提取器，长短期记忆机制，注意力机制。
12.步骤4，将源域与目标域按照7：2: 1的比例划分训练集、验证集和测试集，利用源域中的数据对卷积神经网络模型进行训练，得到预训练的卷积神经网络模型。
13.步骤5，将采用源域知识训练完成的卷积神经网络模型迁移到目标域中，应用最近邻方法对目标域内的样本数据进行分类，得到损伤诊断结果。
14.所述步骤2中，为贴近真实飞行器服役条件，对损伤信号添加高斯噪声，由其概率密度函数定义：（1）其中为期望，为标准差，为方差。
15.所述步骤2中，使用的重分布方法能够揭示非平稳信号在时频平面中的时间和频率特性，估算局部的瞬时频率以及群延迟，使模糊的时频点重新定位并清晰化，由下式定义：（2）。
16.所述步骤2中，数据融合方法对多个完成短傅里叶变换的损伤信号分配红蓝绿三色并进行组合。
17.所述步骤3中，模型内设计的特征提取器包括2个2*2和3个3*3的卷积核，其padding深度为0，stride值为2；包括5个relu层，并且负值斜率为0.001；包括一个最大池化层，池化窗口大小为3*3，其padding深度为1，stride值为2。
18.所述步骤3中，模型内设计的双向长短期记忆网络对新样本进行嵌入，在经过嵌入函数和处理后，输出再次经过循环神经网络加强源域与被选择个体的关系，其数学公式为：（3）。
19.所述步骤3中，模型内设计的注意力机制基于新样本数据与支持集中的样本数据的嵌入表示的余弦相似度以及softmax函数，其数学公式为：（4）。
20.所述步骤5中，分类的思想是将源域内的支持集映射到一个分类器,对于给定的目标域样本,定义一个关于的概率分布即,其中被网络参数化，只需使用定义的网络来预测每个目标域样本的标签分布。
21.下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出：本发明根据迁移学习中度量学习理论，通过提取仿真软件内获取的铝合金工件损伤信号，经过重分布法-短傅里叶变换与多传感器数据融合处理后形成通过加载预训练模
型，实现对于航空复合材料的工件损伤程度的快速诊断。针对飞行器在实际服役条件下，由于外界环境与内部应力的耦合作用，难以获取全部典型损伤的数据样本，无法对传统神经网络进行训练的问题。本发明通过引入迁移学习，可以在较短的训练时间、较少的训练样本的基础上，完成对于航空复合词材料工件损伤程度的高速与高准确率诊断。
22.本发明一种基于迁移学习的航空复合材料工件损伤诊断方法流程如图1所示，本实施例中含有具体步骤如下：s1、利用仿真软件构建航空铝合金工件与复合材料悬臂梁工件，工件尺寸与实际飞行器翼型naca0012内部构件相同，铝合金采用al-2024，复合材料牌号为t300/qy9512，对应铺层顺序为[0
°
/45
°
/0
°
/45
°
/0
°
]。根据上述参数设计并制造全复合材料悬臂梁，悬臂梁尺寸与材料设置与仿真软件内相同。
[0023]
s2、在仿真软件内搭建的两个工件上设置不同程度的圆形穿孔损伤，损伤大小由1mm直径递增至5mm，形成包括健康状态在内的六种工件预置状态。将实验中搭建的复合材料悬臂梁进行损伤预处理，在与仿真软件内悬臂梁相同损伤位置上设置5mm直径圆形穿孔损伤。
[0024]
s3、实验于悬臂梁工件上传感器1处激励电压信号，激励信号为5波峰窄带正弦函数，中心频率为100khz，时间步长设置为10-8
s。 经过测试，在该频率下可以获得a0模式的导波，工件上传感器2、传感器3、传感器4负责信号的接收工作。仿真软件内信号的激励步骤与实验中相同。
[0025]
s4、利用重分布法，将接收到的在时域上的损伤信号转换到时频域，并将3个传感器所接收的信号分别分配红黄蓝三色，随后进行数据融合处理，得到损伤信号的rgb图像，图像尺寸为4101*247*3。
[0026]
s5、对预处理后的损伤信号图像按照7:2:1的比例分配为训练集、验证集和测试集。
[0027]
s6、根据matchingnetworks迁移学习网络模型，改变特征提取器网络建立航空复合材料工件损伤诊断网络模型，更新后的特征提取器网络主体由2个3*3的卷积核和3个3*3的卷积核构成，随后每个卷积核的最后增加一个池化层，并在网络结构的最后增加一个全连接层与全局平均池化层。
[0028]
s7、将源域内所有类别的损伤图片（假设有k张）和目标域内5类损伤各5张图片送入设计的特征提取器网络内获取他们的浅层变量表示，将获得的全部的k+25个浅层变量全部输入到长短期记忆网络内，获得k+25个输出，随后使用余弦距离判断前k个输出与后25个输出内每一个变量之间的相似度。根据计算出来的相似度，按照源域中的标签信息，求解目标域内的类别标签。
[0029]
本发明在仿真软件内获取的大量损伤信号数据上进行预训练，避免了因损伤样本过小导致的先验知识不足的问题，能够充分学习各类损伤程度的特征数据。
[0030]
本发明使用迁移学习方法，使用度量学习方式进行迁移学习，减少了目标域参数的需求量，有效提升了模型的准确率和泛化能力。
[0031]
为了使模型能够有效判别损伤类别，使用更深的卷积神经网络进行特征提取操作，增加了模型的感受野和加深了网络的结构层次，这使得网络对信号中的噪声特征和损伤特征具有更强的分辨能力，提高了损伤诊断的准确率。
[0032]
本发明针对损伤数据较少的复合材料工件设计，通过对大量数据的反复训练，对算法的不断优化，对为飞行器结构健康监测提供了可靠的辅助与参考工具。

技术特征：
1.一种基于迁移学习的航空复合材料工件损伤诊断方法，其特征在于：其步骤是：s1、使用重分布方法，对接收到的信号进行处理，并采用数据融合手段，获得多个传感器所接收损伤信号在rgb图像中的时频表示：（1）其中为期望，为标准差，为方差；（2）；s2、构建卷积神经网络模型，所述模型包括特征提取器，长短期记忆机制，注意力机制；（1）特征提取器包括2个2*2和3个3*3的卷积核，5个relu层，最大池化层，池化窗口大小为3*3；（2）双向长短期记忆网络对新样本进行嵌入，在经过嵌入函数和处理后，输出再次经过循环神经网络加强源域与被选择个体的关系，其公式为：（3）（3）注意力机制基于新样本数据与支持集中的样本数据的嵌入表示的余弦相似度以及softmax函数，其公式为：（4）；s3、将源域与目标域按照7：2: 1的比例划分训练集、验证集和测试集，利用源域中的数据对卷积神经网络模型进行训练，得到预训练的卷积神经网络模型；s4、将采用源域知识训练完成的卷积神经网络模型迁移到目标域中，应用最近邻方法对目标域内的样本数据进行分类，得到损伤诊断结果；分类的思想是将源域内的支持集映射到一个分类器,对于给定的目标域样本,定义一个关于的概率分布即,其中被网络参数化，只需使用定义的网络来预测每个目标域样本的标签分布。

技术总结
一种基于迁移学习的航空复合材料工件损伤诊断方法，属于结构健康监测以及机器学习技术领域。本发明的目的是利用迁移学习中的度量学习理论，从通过仿真软件获取的铝板损伤信号这一源域，迁移到仿真软件与实验获取悬臂梁损伤信号目标域中来的基于迁移学习的航空复合材料工件损伤诊断方法。本发明将仿真软件内获取的铝板的损伤信号作为源域，使用重分布方法，对接收到的信号进行处理，构建卷积神经网络模型，将采用源域知识训练完成的卷积神经网络模型迁移到目标域中，应用最近邻方法对目标域内的样本数据进行分类，得到损伤诊断结果。本发明应对损伤样本数量少且样本分布不平衡的实际情况，实现对航空复合材料的损伤高精度与高准确率识别。与高准确率识别。


技术研发人员：徐卓君 李浩 于剑博
受保护的技术使用者：吉林大学
技术研发日：2023.05.12
技术公布日：2023/8/9