[发明专利]一种基于导波信号稀疏分解及损伤定位的两阶段损伤位置识别方法

权利要求书

1.一种基于导波信号稀疏分解及损伤定位的两阶段损伤位置识别方法，其特征在于，包括以下两个阶段：

第一阶段：

步骤一：在待检测波导中激励形成具有两种模态的超声导波信号，在待检测波导上设置多个采集点、并采集每个采集点处的超声导波信号；

步骤二：根据超声导波信号的采样频率确定每一采样时刻下每种模态的超声导波信号所传播的距离；

步骤三：根据步骤二获得的距离，利用考虑模态转换的导波传播模型分别预测每一采样时刻下超声导波信号传播距离x后的波包信号，将预测的所有采样时刻下的波包信号共同组成完备字典矩阵，并对该完备字典矩阵中的每一列向量进行2范数归一化处理；

步骤四：利用步骤三2范数归一化后的完备字典矩阵对步骤一采集的每个超声导波信号进行稀疏分解，获得每个超声导波信号的系数向量，利用稀疏贝叶斯学习算法求解每个系数向量在稀疏约束条件下的后验概率分布；

步骤五：分别对步骤四获得的每个后验概率分布的均值和协方差进行N次多元高斯采样，将每个样本中最大权重值所对应的传播距离作为相应超声导波信号的一个传播距离，每个超声导波信号共获得N个传播距离，N为正整数，

将所有超声导波信号中的第i个传播距离组成一个距离向量，则有N个距离向量，其中i＝1,2,...,N；

第二阶段：

步骤六：利用待检测波导表面每一个估计损伤位置到所有采集点的距离构成字典矩阵，对该字典矩阵中的每一列向量进行2范数归一化处理；

步骤七：利用步骤六中2范数归一化后的字典矩阵分别对步骤五获得的每个距离向量进行稀疏分析，获得N个关于估计损伤位置的系数向量，利用稀疏贝叶斯学习算法求解每个系数向量在稀疏约束条件下的后验概率分布，对每个后验概率分布的均值和协方差进行一次多元高斯采样，将一次多元高斯采样中最大样本值对应的位置坐标作为一个估计损伤位置坐标，共获得N个估计损伤位置坐标，将其中重复率最高的估计损伤位置坐标所在位置作为识别的损伤位置。

2.根据权利要求1所述的一种基于导波信号稀疏分解及损伤定位的两阶段损伤位置识别方法，其特征在于，步骤一中激励形成的超声导波信号为具有S₀和A₀模态的Lamb波，则步骤三中导波传播模型为：

上式中，u(x,t)表示采样时刻t、传播距离x的波包信号，F(ω)表示激励波形的傅里叶变换，ω表示角频率，j表示虚数，和分别表示S₀和A₀模态的波数，和分别表示S₀和A₀模态的超声导波信号传播距离，

3.根据权利要求2所述的一种基于导波信号稀疏分解及损伤定位的两阶段损伤位置识别方法，其特征在于，步骤二中，超声导波信号所传播的距离包括S₀和A₀模态传播的距离，两种模态传播的距离表达式分别为：

其中，和分别为S₀和A₀模态传播的距离，和分别为S₀和A₀模态的群速度，f_s为采样频率，H为接收信号中采样点的个数，H₀为激励波包的长度。

4.根据权利要求1、2或3所述的一种基于导波信号稀疏分解及损伤定位的两阶段损伤位置识别方法，其特征在于，步骤四中稀疏分解的表达式为：

y＝Φc+ε

上式中，y为被分解的信号，Φ为完备字典矩阵，c为每个超声导波信号的系数向量，ε为残余项。

5.根据权利要求3所述的一种基于导波信号稀疏分解及损伤定位的两阶段损伤位置识别方法，其特征在于，步骤三中，对完备字典矩阵中的每一列向量进行2范数归一化处理后，完备字典矩阵的维数为H×[(H-H₀)×(H-H₀)/2]。

6.根据权利要求3所述的一种基于导波信号稀疏分解及损伤定位的两阶段损伤位置识别方法，其特征在于，步骤五中，第i个距离向量表示为：

其中，M为待检测波导上采集点的个数。