使用测量和模拟引导波损伤的损害识别 交互系数 预测深度神经网络的ad hoc

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
• 结构健康监测 结构健康监测

背景情况:

• 薄壁结构在航空航天领域至关重要,需要强大的完整性评估.
• 以导向波为基础的结构健康监测 (SHM) 对于检测这些结构中的损伤至关重要.
• 现有的方法经常在现实场景中扎于损害特征的复杂性.

研究的目的:

• 开发一种使用深度神经网络 (DNN) 的基于引导波的SHM的新型损害识别程序.
• 利用波损害相互作用系数 (WDIC) 作为DNN训练的敏感损害特征.
• 为了证明实验数据驱动的DNN方法对准确的损害特征的有效性.

主要方法:

• 用实验数据训练深度神经网络 (DNN),以了解损伤特征和WDIC模式之间的关系.
• 从扫描激光多普勒振动仪测量表面结合的人工损伤中提取的WDIC.
• 采用角向主要组件分析,以有效地减少特征维度.

主要成果:

• 即使在有噪音的实验数据的情况下,DNN也准确地复制了WDIC模式,显示出强大的概括能力.
• 该方法在具有有限传感器的具有挑战性的条件下实现了高识别精度和出色的性能.
• 分析显示,与拟议的实验数据驱动DNN方法相比,基于模拟的方法存在局限性.

结论:

• 基于实验数据的DNN方法为基于引导波的SHM提供了一个有前途,准确和强大的解决方案.
• 这种方法可以准确地预测损伤特征,即使是不包括在培训套件中的情况.
• 该研究强调了在实验数据上训练的DNN在现实世界航空航天结构完整性的实际应用.