减轻温度变化对超声波导向波式结构健康监测的影响,通过变化自动编码器

科学领域:

• 材料科学与工程 材料科学与工程
• 人工智能和机器学习
• 非破坏性测试和评估.

背景情况:

• 结构健康监测 (SHM) 对于结构的成本效益维护至关重要.
• 目前的SHM方法使用超声波引导波和传感器网络来检测损坏.
• 现有的数据驱动方法提高了诊断性能,但与环境和操作条件 (EOC) 斗争.

研究的目的:

• 证明机器学习在减少EOC对SHM影响方面的有效性.
• 专门解决和减轻影响超声波引导波信号的温度变化.
• 提高SHM系统中损伤诊断的可靠性和准确性.

主要方法:

• 利用生成性人工智能,特别是变化自编码器 (VAE) 和奇数值分解 (SVD).
• 训练模型学习温度对引导波传播的影响.
• 利用受过训练的模型的生成能力,在不同温度下重建信号,包括精细的"强制VAE"方法.

主要成果:

• 成功演示了生成人工智能的能力,以减轻对引导波信号的温度影响.
• 拟议的框架显示了在未见温度下信号重建精度的提高.
• 在复合板上对现实世界的测量进行验证证实了框架的有效性.

结论:

• 生成型人工智能,特别是VAE与SVD相结合,为在SHM中处理EOC提供了强大的解决方案.
• 开发的方法显著减少了温度变化的影响,提高了损伤诊断的可靠性.
• 这种概念验证为在具有挑战性的操作环境中更强大,更准确的SHM系统铺平了道路.