一种用于航空结构的损害识别方法,集成Lamb波和深度学习与多维特征融合

科学领域:

• 航空航天工程 航空航天工程
• 材料科学 材料科学 材料科学
• 人工智能的人工智能

背景情况:

• 航空航天行业需要对复杂的航空结构进行先进的结构健康监测 (SHM).
• 现有的方法难以从传感信号中提取多维损伤信息.

研究的目的:

• 开发一种有效的方法来识别航空结构中的损害.
• 通过使用Lamb波和深度学习来改善损害的本地化和量化.

主要方法:

• 从飞机结构收集羊羔波信号.
• 信号被处理成1D (损伤指数) 和2D (格拉米安角场) 特性.
• 开发了一个具有多维特征融合 (1D和2D分支与Inception-v1,BiLSTM) 的深度学习模型.

主要成果:

• 该方法成功地定位和量化了单源抵消和多源累积损害.
• 转移学习能够在不同的传感器阵列中准确识别损坏,而数据和时间减少.

结论:

• 拟议的多维特征融合方法增强了空间和时间损伤表示.
• 该方法在航空结构损坏识别方面表现出显著的准确性和稳定性.