[发明专利]基于动态数据流复合铺层材料试样剩余承载能力预测方法

说明书

本发明涉及复合材料无损检测与健康监测研究领域，旨在提供一种基于动态数据流复合铺层材料试样剩余承载能力预测方法。包括：收集声发射信号数据并进行整理；针对信号的传统时频特征和累计特征进行重要性评价；建立并训练卷积神经网络模型，利用该模型预测复合铺层材料试样剩余承载能力。本发明建立了基于特征评价和卷积神经网络的端部缺口FRP层合板剩余承载能力预测模型，根据试样产生的声发射数据流实现了试样剩余承载能力的预测。与常规非累积特征相比，本发明利用累积特征能更加准确地定性描述ENF试样的损伤过程。本发明能够基于NCA算法不断修正模型保证预测的准确性，使其逐渐趋于实际值。

技术领域

本发明涉及复合材料无损检测与健康监测研究领域，尤其涉及一种基于动态数据流的复合铺层材料试样剩余承载能力预测方法。

背景技术

随着社会的持续进步和科技的不断发展，单一材料愈来愈难以满足先进技术对材料强度、刚度、密度、耐久性等多方面的严苛要求。因此，由两种或多种具有不同特性的材料组合而成的复合材料发挥着越来越重要的作用，其中以纤维增强聚合物复合材料(Fiber-Reinforced Polvmer，FPR)应用最为广泛。

恶劣的服役环境和复杂的载荷工况给复合材料结构的长期稳定服役带来了巨大的挑战，故有必要发展非破坏性损伤探测技术和结构健康监测技术，其中声发射技术就具有这方面的发展潜力。基于声发射技术的复合材料损伤诊断与预测大多依赖于复杂的信号处理。与基于声发射信号的损伤诊断相比，基于声发射信号的损伤评估是一个新兴领域，相关研究成果报道相对有限。损伤评估是指根据现有的声发射数据流大致判断复合材料结构的实时健康状况，并预测其未来状态。具体而言，损伤评估的主要目标包括损伤容限估计、剩余使用寿命预测、剩余强度预测、剩余承载能力预测和结构健康状况评估等。目标的达成均需要依赖一定的数学方法，常用方法包括回归分析、人工神经网络等。

尽管人工神经网络和支持向量回归模型为复合材料结构的损伤评估提供了较为有效的方法，但它并不擅长捕捉声发射数据流中的序列信息。相较于损伤模式识别和奇异信号检测，如何根据实时获取的动态声发射数据流定量估计复合材料当前的损伤程度仍是一大挑战，其中的关键是要揭示试样中产生的声发射信号与试样力学性能之间隐藏的相关性。

目前，基于声发射数据流和深度学习方法的损伤预测研究仍然较少，模型的适用性和影响因素尚不明晰；对损伤过程敏感的且具有一定物理意义的特征提取研究仍相对匮乏。因此，有必要发展基于声发射数据流的复合材料剩余承载能力预测技术。

发明内容

本发明要解决的技术问题是，克服现有技术中的不足，提供一种基于动态数据流复合材料铺层试样剩余承载能力预测方法。

为解决技术问题，本发明的解决方案是：

提供一种基于动态数据流复合铺层材料试样剩余承载能力预测方法，包括：收集声发射信号数据并进行整理；针对信号的传统时频特征和累计特征进行重要性评价；建立并训练卷积神经网络模型，利用该模型预测复合铺层材料试样剩余承载能力。

作为本发明的优选方案，所述收集声发射信号数据并进行整理，具体包括以下步骤：

(1)开展端部缺口的复合材料铺层试样进行三点弯载荷下的声发射试验，收集声发射信号数据；

(2)使用多视角学习技术增加数据集的数量，利用来自不同传感器的声发射数据表征试样损伤持续过程。

作为本发明的优选方案，所述针对信号的传统时频特征和累计特征进行重要性评价，具体包括以下步骤：

(1)从收集到的声发射信号波形中提取多个传统时频特征，另增加多个物理意义具有可解释性的累积特征，作为重要性评价对象；

(2)利用RReliefF算法对传统时频特征和累计特征进行权重评估，然后利用NCA算法进行交叉验证以最小化均方误差，将权重相对更高的特征用于试样损伤程度预测。