[发明专利]基于迁移学习的航空复合材料工件损伤诊断方法

说明书

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。

技术领域

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

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。

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。

发明内容

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。