一种数字双驱动的双阶段对抗转移学习方法,用于在有限传感数据下基于羔羊波的结构损伤定位.

科学领域:

• 工程 工程师 工程师 工程师
• 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:

• 使用Lamb波的结构健康监测 (SHM) 对于检测结构损坏至关重要.
• 在SHM中获取传感器数据面临局限性,特别是在复杂的损坏条件下.
• 数字双胞胎 (DTs) 为增强的SHM提供了整合模拟和实验数据的潜力.

研究的目的:

• 提出一种新的数字双驱动方法,用于在有限的传感条件下基于Lamb波的结构损伤定位.
• 解决信号分布和跨领域优化冲突的差异,解决数字和物理领域之间的冲突.
• 为了提高损坏定位的准确性,跨域的稳定性,以及SHM的特征一致性.

主要方法:

• 开发了一种数字双驱动的双阶段对抗和转移学习方法,具有多目标优化 (DT-DSATMO).
• 实现了层次特征增强和条件生成,并对分布一致的数字域特征具有物理预先知识.
• 利用轻量级的域对抗转移网络进行自适应的跨域对齐以及基于帕雷托边界的多目标优化策略.

主要成果:

• 在有限的传感条件下,DT-DSATMO方法显著提高了损坏定位的准确性.
• 在飞机机翼箱面板上的实验验证表明了增强的跨域概括能力.
• 这种方法有效地平衡了损害定位准确性,跨域稳定性和特征一致性.

结论:

• 拟议的DT-DSATMO方法为基于Lamb波的结构损伤定位提供了可靠的解决方案,而传感器数据有限.
• 数字双胞胎,当与先进的学习技术集成时,可以克服传统SHM的局限性.
• 这项研究有助于在关键应用中更可靠,更准确的结构健康监测.