[发明专利]一种基于超声导波的复杂结构损伤协同识别方法

摘要

本发明涉及一种基于超声导波的复杂结构损伤协同识别方法，该方法包括初步识别机制和反馈决策机制。其中初步识别机制用于实现各类复杂结构损伤类型的初步判别，反馈决策机制用于实现损伤识别结果的优化，有效提高识别率。在初步识别机制中，采用了面向超声导波特性的特征量提取方法，从信号的时域、频域、细节特征综合分析损伤信号以获取相应的特征量；并构建了3层“输入单元层——序参量层——输出单元层”的损伤协同识别网络模型。在对复杂结构损伤初步识别的基础上引入了反馈决策机制，采用了基于类内类间平均距离的特征量评估，选取出了最适合于协同训练的损伤特征量；并利用信息叠加方法进行了原型特征向量重构，有效降低了误识别率。

主权项

1.一种基于超声导波的复杂结构损伤协同识别方法，其特征在于，包括初步识别机制和反馈决策机制，其中，所述初步识别机制采用面向超声导波特性的特征量提取方法，并建立了损伤协同识别网络模型，用于实现各类复杂结构损伤类型的初步判别；所述反馈决策机制采用特征量评估和原型特征向量重构，用于实现损伤识别结果的优化；其中，所述特征量提取具体包括下列步骤:S31、时域提取：选取超声导波接收信号的时域峰值以及波峰系数分别作为第一、第二类的特征量v1,v2；选取均方根值和方差作为第三、第四类的特征量v3,v4；S32、频域提取：对超声导波接收端信号做频谱分析，选取频谱曲线峰值和频域峰值系数作为第五、第六类特征量v5,v6；S33、变换域提取：用db8小波基对接收端信号做三层小波分解，取小波系数能量和小波系数均方差作为第七至第十四类特征量(v7—v14)；S34、采用EMD经验模态分解方法分解信号样本，选取所占总能量比例最大、集中了信号最显著信息的IMF能量作为第十五类特征量v15；S34、将上述特征量构造出特征向量：Vi＝(v1,v2,...,v15)；其中，所述特征量评估具体包括下列步骤：S41、确定结构的损伤状态数量M；S42、采集各类损伤状态下的s组超声导波信号样本；S43、提取每一组所述超声导波信号样本特征值；S44、通过对所述超声导波信号样本特征值求平均计算出同一样本中的不同损伤类别下的样本特征平均距离，首先按照公式(1)计算出同一个损伤类别中样本特征值的平均值，其中，Tm,n(u)表示第n类第u个样本中提取出的第m个特征值，之后，按照公式(2)计算出不同损伤类别下的样本特征平均距离，S45、按照公式(3)和公式(4)计算出不同样本中的同一特征值在各种损伤状态之间的平均距离，S46、按照公式(5)计算出损伤特征量的评估因子:计算得出的所述评估因子Fm值越大则表明其所对应的特征值越敏感，即对复杂结构的损伤状态可以进行更好地分类；S47、计算出所提取各个特征的识别评估因子Fm后，将Fm，m＝1,2,...,N按照由小到大的顺序排列并逐一剔除；其中，所述原型特征向量重构具体包括下列步骤：S51、确定误识别的原型特征向量Vi；S52、确定修正力度参数r，其代表原型模式和待识别向量之间的差异，可通过实验数据不断比较r取值对结果的优化效果；S53、将某一时刻采集信号的被测特征向量q输入协同识别模型，若出现错误，则将其作为反馈量通过公式(6)对所述原型特征向量Vi进行修正重构，Vi′＝Vi×(1‑r)+q×r,r∈(0,1)  (6)；S54、将上述修正重构后的Vi′输入到所述损伤协同识别网络模型中重新训练；S55、利用所述反馈决策机制逐一将误识别的样本个体进行修正。