李嘉欣 呂帥帥 楊宇 張騰飛 張桂剛 李泊言

摘 要：基于導(dǎo)波的損傷診斷方法在航空結(jié)構(gòu)健康監(jiān)測(cè)領(lǐng)域具有較好的工程應(yīng)用前景，但由于使用環(huán)境和結(jié)構(gòu)形式復(fù)雜、結(jié)構(gòu)損傷識(shí)別閾值依靠先驗(yàn)知識(shí)確定，在提高損傷診斷準(zhǔn)確性和可靠性方面還面臨巨大挑戰(zhàn)。人工智能方法可以降低對(duì)先驗(yàn)知識(shí)的依賴(lài)，但是需要大量的試驗(yàn)數(shù)據(jù)，實(shí)際工程中無(wú)法承受。因此，本文提出一種利用模擬物理?yè)p傷產(chǎn)生大量數(shù)據(jù)，再結(jié)合少量真實(shí)損傷數(shù)據(jù)進(jìn)行結(jié)構(gòu)損傷識(shí)別的研究思路，并以遷移學(xué)習(xí)算法為基礎(chǔ)架構(gòu)，設(shè)計(jì)了適用于實(shí)際工程應(yīng)用的結(jié)構(gòu)損傷識(shí)別模型PRED_RF。試驗(yàn)結(jié)果分析表明，在有限數(shù)據(jù)的情況下，PRED_RF模型的損傷識(shí)別效果明顯優(yōu)于其他傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型，結(jié)構(gòu)損傷識(shí)別準(zhǔn)確率達(dá)到了94.48%。

關(guān)鍵詞：導(dǎo)波； 損傷識(shí)別； 遷移學(xué)習(xí)； 小樣本

中圖分類(lèi)號(hào)：V219 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.19452/j.issn1007-5453.2023.05.007

航空結(jié)構(gòu)中的裂紋、腐蝕、脫層以及其他損傷會(huì)造成航空結(jié)構(gòu)完整性和安全性的下降，對(duì)航空結(jié)構(gòu)健康狀態(tài)進(jìn)行監(jiān)測(cè)是確保航空結(jié)構(gòu)性能安全可靠的必要手段。結(jié)構(gòu)健康監(jiān)測(cè)（SHM）技術(shù)[1-3]利用集成在結(jié)構(gòu)中的先進(jìn)傳感器網(wǎng)絡(luò)，能夠?qū)崟r(shí)監(jiān)測(cè)結(jié)構(gòu)健康狀態(tài)，提高航空結(jié)構(gòu)的安全性，降低維護(hù)成本。導(dǎo)波因其傳播距離長(zhǎng)、對(duì)小損傷敏感和區(qū)域監(jiān)測(cè)等特點(diǎn)，作為結(jié)構(gòu)健康監(jiān)測(cè)的一種手段已經(jīng)存在很長(zhǎng)一段時(shí)間。為了能夠及時(shí)準(zhǔn)確地發(fā)現(xiàn)結(jié)構(gòu)中的損傷，國(guó)內(nèi)外對(duì)基于導(dǎo)波的結(jié)構(gòu)損傷識(shí)別方法都開(kāi)展了大量的研究[4-7]。

目前，最常見(jiàn)的基于導(dǎo)波的損傷識(shí)別分析方法是根據(jù)結(jié)構(gòu)損傷出現(xiàn)前后的導(dǎo)波信號(hào)特征，計(jì)算損傷指數(shù)（damage index，DI），并與損傷閾值比較來(lái)判斷結(jié)構(gòu)是否出現(xiàn)損傷。然而，由于受結(jié)構(gòu)構(gòu)型、邊界條件和環(huán)境溫度等因素的影響，由專(zhuān)家經(jīng)驗(yàn)確定的損傷閾值的可靠性較差。

人工智能[8]算法可以很好地解決上述基于導(dǎo)波的損傷識(shí)別方法對(duì)專(zhuān)家經(jīng)驗(yàn)嚴(yán)重依賴(lài)的問(wèn)題。在缺乏準(zhǔn)確的物理模型或出現(xiàn)復(fù)雜非線性現(xiàn)象的情況下，人工智能算法通過(guò)構(gòu)建合適的模型能夠自動(dòng)地從導(dǎo)波數(shù)據(jù)中學(xué)習(xí)得到與結(jié)構(gòu)損傷相關(guān)的信息，并對(duì)結(jié)構(gòu)是否存在損傷做出判斷。Lamorte等[9]提出了基于隱馬爾可夫模型的結(jié)構(gòu)損傷評(píng)估方法，通過(guò)使用基于HMM的未加權(quán)移動(dòng)平均趨勢(shì)估計(jì)方法來(lái)實(shí)現(xiàn)結(jié)構(gòu)損傷的概率估計(jì)。Xu等[10]利用卷積神經(jīng)網(wǎng)絡(luò)從導(dǎo)波數(shù)據(jù)的多個(gè)損傷指數(shù)中再次提取高級(jí)特征，并進(jìn)行特征融合從而實(shí)現(xiàn)對(duì)結(jié)構(gòu)裂紋的評(píng)估。Chen等[11]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)和微分小波譜圖的結(jié)構(gòu)疲勞裂紋評(píng)估框架。對(duì)基線導(dǎo)波信號(hào)和監(jiān)測(cè)導(dǎo)波信號(hào)之間的差分時(shí)頻譜圖進(jìn)行高斯小波變換，并將處理后的數(shù)據(jù)作為卷積神經(jīng)網(wǎng)絡(luò)的輸入來(lái)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，從而實(shí)現(xiàn)對(duì)結(jié)構(gòu)裂紋長(zhǎng)度的評(píng)估。Zhang等[12]提出了一種基于深度遷移學(xué)習(xí)的多任務(wù)集成健康監(jiān)測(cè)方法，實(shí)現(xiàn)了板結(jié)構(gòu)中損傷監(jiān)測(cè)任務(wù)的遷移。

雖然以上研究都取得了很好的效果，但在工程應(yīng)用中存在兩個(gè)關(guān)鍵性障礙：（1）數(shù)據(jù)量不足，在實(shí)際工程中很難獲得大量真實(shí)的損傷數(shù)據(jù)；（2）材料、結(jié)構(gòu)分散性較強(qiáng)，直接訓(xùn)練的模型在新試驗(yàn)件上的泛化效果較差。

針對(duì)以上問(wèn)題，本文提出了一種符合工程實(shí)際情況和應(yīng)用需求的損傷識(shí)別模型PRED_RF，即利用遷移學(xué)習(xí)將在模擬損傷數(shù)據(jù)上學(xué)習(xí)到的損傷特征知識(shí)應(yīng)用于真實(shí)結(jié)構(gòu)的損傷識(shí)別。本文以典型航空金屬結(jié)構(gòu)為研究對(duì)象開(kāi)展試驗(yàn)，通過(guò)與傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型的損傷識(shí)別結(jié)果進(jìn)行比較，證明了PRED_RF模型在模型結(jié)構(gòu)和參數(shù)相對(duì)簡(jiǎn)單的情況下，仍可以達(dá)到優(yōu)于其他模型的準(zhǔn)確率，驗(yàn)證了其可靠性和工程適用性。

1 損傷識(shí)別模型設(shè)計(jì)

遷移學(xué)習(xí)（transfer learning，TL）[13-14]是數(shù)據(jù)科學(xué)界一種強(qiáng)大的研究方法，通過(guò)遷移已學(xué)到相關(guān)任務(wù)的知識(shí)來(lái)改進(jìn)新任務(wù)的學(xué)習(xí)過(guò)程，特別適用于克服實(shí)際工程應(yīng)用中小樣本數(shù)據(jù)集的局限性。

對(duì)基于導(dǎo)波數(shù)據(jù)的結(jié)構(gòu)損傷識(shí)別任務(wù)來(lái)說(shuō)，由于模擬損傷數(shù)據(jù)和真實(shí)損傷數(shù)據(jù)服從相似但不相同的分布，直接利用模擬損傷數(shù)據(jù)訓(xùn)練人工智能模型會(huì)導(dǎo)致模型學(xué)習(xí)到的損傷知識(shí)與真實(shí)損傷之間有一些差別，使模型在結(jié)構(gòu)的真實(shí)損傷識(shí)別上表現(xiàn)較差。因此，本文設(shè)計(jì)了一種適用于小樣本導(dǎo)波數(shù)據(jù)的基于遷移學(xué)習(xí)的結(jié)構(gòu)損傷識(shí)別模型PRED_RF，具體模型框架如圖1所示。

PRED_RF模型由遷移學(xué)習(xí)模塊、特征增強(qiáng)模塊和損傷識(shí)別模塊三部分組成。首先利用專(zhuān)家知識(shí)對(duì)模擬損傷數(shù)據(jù)和真實(shí)損傷數(shù)據(jù)提取常用的損傷指數(shù)特征[15-16]，將其作為遷移學(xué)習(xí)模塊的輸入數(shù)據(jù)。

遷移學(xué)習(xí)模塊的主要作用是對(duì)真實(shí)損傷特征進(jìn)行二次提取，即先利用大量的模擬損傷特征訓(xùn)練遷移學(xué)習(xí)模塊，確定其參數(shù)，然后再利用該參數(shù)對(duì)真實(shí)損傷特征進(jìn)行預(yù)測(cè)，獲取真實(shí)損傷的二次特征。

特征增強(qiáng)模塊主要是利用真實(shí)損傷的二次特征對(duì)真實(shí)損傷指數(shù)特征進(jìn)行增強(qiáng)。最后利用增強(qiáng)后的真實(shí)損傷特征訓(xùn)練損傷識(shí)別模塊，使損傷識(shí)別模型具有對(duì)真實(shí)結(jié)構(gòu)損傷進(jìn)行識(shí)別的能力。

1.1 可遷移性分析

首先，本文對(duì)模型損傷數(shù)據(jù)和真實(shí)損傷數(shù)據(jù)的可遷移性進(jìn)行分析，從理論上對(duì)模型的可行性進(jìn)行驗(yàn)證，也為后續(xù)模型的選擇和設(shè)計(jì)提供依據(jù)。最大均值差異（maximum mean discrepancy，MMD）[17]是一種對(duì)兩個(gè)服從不同分布的數(shù)據(jù)集進(jìn)行定量分析的方法。其通常在遷移學(xué)習(xí)中被用來(lái)進(jìn)行源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)的可遷移性分析，MMD距離越小，說(shuō)明兩個(gè)數(shù)據(jù)集之間的分布相似性和可遷移性越高。MMD的計(jì)算公式如式（1）所示

為了評(píng)估模擬損傷數(shù)據(jù)與真實(shí)損傷數(shù)據(jù)之間的遷移難度，本文將模擬損傷數(shù)據(jù)作為源域數(shù)據(jù)，真實(shí)損傷數(shù)據(jù)作為目標(biāo)域數(shù)據(jù)，分別計(jì)算出原始導(dǎo)波信號(hào)的MMD距離為4.6，利用專(zhuān)家知識(shí)提取的損傷指數(shù)特征的MMD距離為1.5。從MMD距離計(jì)算結(jié)果可以看出，模擬損傷特征和真實(shí)損傷特征之間的可遷移性更強(qiáng)。圖2為模擬損傷數(shù)據(jù)和真實(shí)損傷數(shù)據(jù)的損傷指數(shù)特征可視化圖，圖中藍(lán)色代表真實(shí)無(wú)損傷數(shù)據(jù)，紅色代表真實(shí)有損傷數(shù)據(jù)，綠色代表模擬無(wú)損傷數(shù)據(jù)，紫色代表模擬有損傷數(shù)據(jù)。從圖2可以看出，模擬有損傷特征和模擬無(wú)損傷特征以及真實(shí)有損傷特征和真實(shí)無(wú)損傷特征在特征空間可以區(qū)分開(kāi)，說(shuō)明模擬損傷和真實(shí)損傷存在可以遷移的共性特征。因此，本文選擇模擬損傷數(shù)據(jù)的損傷指數(shù)特征作為PRED_RF模型的源域數(shù)據(jù)，真實(shí)損傷數(shù)據(jù)的損傷指數(shù)特征作為PRED_RF模型的目標(biāo)域數(shù)據(jù)。

1.2 基于遷移學(xué)習(xí)的損傷識(shí)別模型

基于特征的遷移學(xué)習(xí)算法的核心是通過(guò)構(gòu)建新的編碼特征空間來(lái)糾正模擬損傷特征（源域）分布和真實(shí)損傷特征（目標(biāo)域）分布之間的差異，然后在這個(gè)編碼特征空間中學(xué)習(xí)結(jié)構(gòu)損傷的相關(guān)知識(shí)。通常需要利用神經(jīng)網(wǎng)絡(luò)進(jìn)行多次迭代才能構(gòu)建出有效的編碼特征空間。為了滿足實(shí)際工程對(duì)結(jié)構(gòu)損傷識(shí)別模型簡(jiǎn)單、高效和可靠的要求，避免大量運(yùn)算帶來(lái)的時(shí)間成本和硬件成本，本文利用PRED（feature augmentation with srconly prediction）[18]算法的基本原理，將復(fù)雜的域自適應(yīng)問(wèn)題轉(zhuǎn)化成簡(jiǎn)單的監(jiān)督學(xué)習(xí)，通過(guò)模擬損傷特征訓(xùn)練的遷移學(xué)習(xí)模型對(duì)真實(shí)損傷特征的特征空間進(jìn)行增強(qiáng)，并將增強(qiáng)后的真實(shí)損傷特征作為損傷識(shí)別模型的輸入進(jìn)行模型訓(xùn)練。

本文以PRED算法為基本架構(gòu)，使用隨機(jī)森林（random forest，RF）[19]模型同時(shí)作為遷移學(xué)習(xí)模型和損傷識(shí)別模型的模型結(jié)構(gòu)，引入特征增強(qiáng)方法，設(shè)計(jì)了基于知識(shí)遷移的PRED_RF模型。模型具體計(jì)算流程為：在遷移學(xué)習(xí)階段，首先利用模擬損傷特征訓(xùn)練一個(gè)隨機(jī)森林模型作為遷移學(xué)習(xí)模型，然后將真實(shí)損傷特征輸入遷移學(xué)習(xí)模型中進(jìn)行預(yù)測(cè)。在特征增強(qiáng)階段，將遷移學(xué)習(xí)階段得到的預(yù)測(cè)損傷特征變換成與真實(shí)損傷特征一致的數(shù)據(jù)格式，利用特征增強(qiáng)方法在特征空間對(duì)真實(shí)損傷特征和預(yù)測(cè)損傷特征進(jìn)行拼接。在損傷識(shí)別階段，將增強(qiáng)后的真實(shí)損傷特征作為一個(gè)新的隨機(jī)森林模型的輸入進(jìn)行模型訓(xùn)練，訓(xùn)練好的隨機(jī)森林模型作為最終的損傷識(shí)別模型并用于真實(shí)結(jié)構(gòu)的損傷識(shí)別。

2 試驗(yàn)設(shè)計(jì)

2.1 導(dǎo)波數(shù)據(jù)采集

本文開(kāi)展基于導(dǎo)波數(shù)據(jù)的開(kāi)孔板結(jié)構(gòu)損傷識(shí)別的多種方法對(duì)比研究試驗(yàn)。試驗(yàn)件為鋁合金開(kāi)孔板，長(zhǎng)為400mm，寬為168mm，孔直徑為25mm，在試驗(yàn)件表面一共粘貼12個(gè)壓電傳感器。開(kāi)孔板尺寸和壓電傳感器粘貼位置及傳感器編號(hào)示意圖如圖3所示。奇數(shù)編號(hào)的傳感器作為信號(hào)激勵(lì)器，偶數(shù)編號(hào)的傳感器作為信號(hào)接收器，每個(gè)激勵(lì)傳感器與它相鄰的接收傳感器組成監(jiān)測(cè)路徑，一共形成16條監(jiān)測(cè)路徑。采用壓電多通道監(jiān)測(cè)系統(tǒng)進(jìn)行導(dǎo)波數(shù)據(jù)的采集，導(dǎo)波激勵(lì)信號(hào)為頻率范圍為150kHz到270kHz的五波峰正弦信號(hào)，增益為15dB，采樣頻率為24MHz，采樣點(diǎn)長(zhǎng)度為4000。

在實(shí)際工程應(yīng)用中，導(dǎo)波監(jiān)測(cè)方法主要面臨兩個(gè)方面的困難：（1）由于材料分散性，即使在構(gòu)型相同的試驗(yàn)件上存在大小、位置均相同的損傷，其導(dǎo)波信號(hào)也存在較大差異，即試驗(yàn)件信號(hào)的個(gè)體差異強(qiáng)；（2）實(shí)際工程中，很難獲取待監(jiān)測(cè)對(duì)象的真實(shí)損傷信號(hào)。因此，針對(duì)以上問(wèn)題，本文采用疲勞試驗(yàn)和粘貼質(zhì)量塊兩種方式采集了多個(gè)試驗(yàn)件的真實(shí)損傷數(shù)據(jù)和模擬損傷數(shù)據(jù)。利用質(zhì)量塊模擬損傷是由于其在一定程度上可以反映導(dǎo)波信號(hào)在單個(gè)試驗(yàn)件上的信號(hào)特點(diǎn)，并且在工程中容易實(shí)施，為本文方法的工程應(yīng)用提供基礎(chǔ)；采用多個(gè)試驗(yàn)件的目的是增加數(shù)據(jù)數(shù)量，在考慮材料分散性的情況下，提高數(shù)據(jù)對(duì)損傷識(shí)別函數(shù)分布描述的準(zhǔn)確性。

真實(shí)導(dǎo)波數(shù)據(jù)采集的具體方法為：對(duì)開(kāi)孔板進(jìn)行疲勞拉伸試驗(yàn)。試驗(yàn)開(kāi)始時(shí)，設(shè)定試驗(yàn)載荷大小為4.5～45kN，頻率為10Hz，在3萬(wàn)次循環(huán)后，將試驗(yàn)載荷大小改為4～40kN，頻率改為8Hz，直至開(kāi)孔板斷裂，每次測(cè)量真實(shí)導(dǎo)波數(shù)據(jù)時(shí)的載荷大小為3kN。一共采集9個(gè)開(kāi)孔板的真實(shí)導(dǎo)波數(shù)據(jù)。

模擬損傷數(shù)據(jù)采集的具體方法為：在開(kāi)孔板表面未粘貼質(zhì)量塊時(shí)，采集無(wú)損傷的模擬數(shù)據(jù)。由于裂紋從開(kāi)孔板孔邊兩側(cè)開(kāi)始萌生擴(kuò)展，所以采取在開(kāi)孔板孔邊兩側(cè)粘貼質(zhì)量塊的方式來(lái)采集模擬損傷數(shù)據(jù)。通過(guò)改變質(zhì)量塊的面積大小和在孔邊的粘貼位置，來(lái)采集不同長(zhǎng)度裂紋的模擬損傷數(shù)據(jù)。一共采集4個(gè)開(kāi)孔板的模擬損傷數(shù)據(jù)。

2.2 導(dǎo)波信號(hào)特征提取

基于導(dǎo)波的結(jié)構(gòu)損傷監(jiān)測(cè)主要是通過(guò)對(duì)由損傷引起的損傷散射信號(hào)進(jìn)行識(shí)別來(lái)實(shí)現(xiàn)的。通過(guò)將每條監(jiān)測(cè)路徑上的初始基準(zhǔn)信號(hào)和過(guò)程監(jiān)測(cè)信號(hào)相減得到散射信號(hào)，根據(jù)散射信號(hào)就可以判斷結(jié)構(gòu)有無(wú)損傷。通過(guò)對(duì)不同頻率下的原始導(dǎo)波信號(hào)的穩(wěn)定性進(jìn)行分析，選擇頻率170kHz和190kHz下采集的導(dǎo)波信號(hào)。通常導(dǎo)波信號(hào)會(huì)受到直達(dá)波和串?dāng)_信號(hào)的干擾，本文針對(duì)每條導(dǎo)波信號(hào)選擇第500～ 2500的采樣點(diǎn)數(shù)據(jù)作為后續(xù)分析的導(dǎo)波信號(hào)。由于裂紋是從開(kāi)孔板孔邊開(kāi)始出現(xiàn)的，為了解決單一監(jiān)測(cè)路徑對(duì)結(jié)構(gòu)損傷識(shí)別可靠性不高的問(wèn)題，本文選擇開(kāi)孔板孔邊的4條監(jiān)測(cè)路徑（5-6，5-8，7-6，7-8）組成一個(gè)樣本數(shù)據(jù)來(lái)進(jìn)行損傷識(shí)別。

針對(duì)每一條導(dǎo)波信號(hào)，本文提取了20個(gè)損傷指數(shù)特征。最終，一條樣本數(shù)據(jù)為由開(kāi)孔板孔邊4條監(jiān)測(cè)路徑組成的監(jiān)測(cè)網(wǎng)絡(luò)在頻率170kHz和190kHz下采集得到的導(dǎo)波信號(hào)求取20個(gè)DI特征后合并在一起的數(shù)據(jù)。一條樣本數(shù)據(jù)為長(zhǎng)度為160的一維數(shù)據(jù)。真實(shí)導(dǎo)波特征和模擬導(dǎo)波特征的無(wú)損數(shù)據(jù)和有損數(shù)據(jù)分布見(jiàn)表1。

3 結(jié)果分析

本文選擇了6種常用的機(jī)器學(xué)習(xí)模型，兩種適合處理時(shí)序數(shù)據(jù)的深度學(xué)習(xí)模型，以及PRED_RF模型，利用模擬導(dǎo)波特征和真實(shí)導(dǎo)波特征進(jìn)行開(kāi)孔板的結(jié)構(gòu)損傷識(shí)別，通過(guò)準(zhǔn)確率、模型訓(xùn)練測(cè)試時(shí)間和硬件要求多個(gè)維度對(duì)各個(gè)模型進(jìn)行綜合評(píng)價(jià)。

如表2所示，機(jī)器學(xué)習(xí)模型和深度學(xué)習(xí)模型都以全部模擬導(dǎo)波特征作為訓(xùn)練集來(lái)訓(xùn)練模型，全部真實(shí)導(dǎo)波特征作為測(cè)試集測(cè)試模型性能。遷移學(xué)習(xí)模型則是以全部模擬導(dǎo)波特征作為源域數(shù)據(jù)，一個(gè)開(kāi)孔板的真實(shí)導(dǎo)波特征作為目標(biāo)域數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，剩余開(kāi)孔板的真實(shí)導(dǎo)波特征作為測(cè)試集測(cè)試模型性能。機(jī)器學(xué)習(xí)模型和遷移學(xué)習(xí)模型都是在CPU（Intel i7-10700K）上進(jìn)行模型訓(xùn)練和測(cè)試，深度學(xué)習(xí)模型則是使用GPU（NVIDIA GeForce RTX 3070）進(jìn)行模型訓(xùn)練和測(cè)試。分別計(jì)算每個(gè)模型在測(cè)試集上的f1分?jǐn)?shù)和準(zhǔn)確率。通常，一般使用準(zhǔn)確率來(lái)評(píng)價(jià)模型的性能效果。但由于導(dǎo)波特征數(shù)據(jù)集中無(wú)損傷數(shù)據(jù)要明顯少于有損傷數(shù)據(jù)，數(shù)據(jù)類(lèi)別存在偏斜，而f1分?jǐn)?shù)是召回率和精確度的加權(quán)平均，也適用于評(píng)價(jià)模型的效果。

如表3所示，在所有模型中，遷移學(xué)習(xí)模型PRED_RF在測(cè)試集上的效果最好，準(zhǔn)確率達(dá)到了94.48%，f1分?jǐn)?shù)達(dá)到了94.35%。在機(jī)器學(xué)習(xí)模型中，模型測(cè)試準(zhǔn)確率最高的是K近鄰模型，達(dá)到了87.02%。模型測(cè)試f1分?jǐn)?shù)最高的是邏輯回歸，達(dá)到了71.14%。在深度學(xué)習(xí)模型中，模型測(cè)試準(zhǔn)確率和f1分?jǐn)?shù)最高的均為門(mén)控循環(huán)單元網(wǎng)絡(luò)，準(zhǔn)確率為92.79%，f1分?jǐn)?shù)為92.59%。對(duì)機(jī)器學(xué)習(xí)模型和深度學(xué)習(xí)模型的試驗(yàn)結(jié)果進(jìn)行分析，可以看出，在只使用模擬導(dǎo)波特征訓(xùn)練模型的情況下，機(jī)器學(xué)習(xí)模型和深度學(xué)習(xí)模型在真實(shí)導(dǎo)波特征上都可以達(dá)到一定的測(cè)試準(zhǔn)確率，其證明了模擬損傷數(shù)據(jù)和真實(shí)損傷數(shù)據(jù)之間存在一定的相關(guān)性和可遷移性，為使用遷移學(xué)習(xí)進(jìn)行結(jié)構(gòu)損傷識(shí)別提供了依據(jù)和模型基礎(chǔ)。

同時(shí)值得注意的是，在不使用遷移學(xué)習(xí)模型的情況下，隨機(jī)森林模型在測(cè)試集上的準(zhǔn)確率為69.71%。引入 PRED遷移模塊后，測(cè)試集的準(zhǔn)確率提高了25%左右，說(shuō)明利用大量模擬損傷數(shù)據(jù)和少量真實(shí)損傷數(shù)據(jù)訓(xùn)練得到的模型在真實(shí)損傷數(shù)據(jù)測(cè)試集上具有較高的準(zhǔn)確率，證明了遷移學(xué)習(xí)模型能夠有效提取出模擬損傷數(shù)據(jù)和真實(shí)損傷數(shù)據(jù)有關(guān)損傷的共性特征，降低環(huán)境噪聲和結(jié)構(gòu)分散性的影響。

為了驗(yàn)證PRED_RF模型的泛化能力，本文通過(guò)分別選擇不同開(kāi)孔板的真實(shí)導(dǎo)波特征作為目標(biāo)域數(shù)據(jù)進(jìn)行模型訓(xùn)練，再在其他開(kāi)孔板的真實(shí)導(dǎo)波特征上進(jìn)行測(cè)試，具體測(cè)試結(jié)果見(jiàn)表4。經(jīng)過(guò)交叉驗(yàn)證，PRED_RF模型的準(zhǔn)確率和f1分?jǐn)?shù)均接近90%，具有較好的泛化能力。試驗(yàn)證明了利用遷移學(xué)習(xí)使用模擬損傷數(shù)據(jù)訓(xùn)練模型并應(yīng)用于真實(shí)損傷數(shù)據(jù)的損傷識(shí)別能夠達(dá)到較高的準(zhǔn)確率和可靠性，既可以解決模型訓(xùn)練需要大量真實(shí)損傷數(shù)據(jù)的問(wèn)題，也可以解決由不同材料和結(jié)構(gòu)件之間的差異造成模型泛化能力差的問(wèn)題，是一種非常具有工程應(yīng)用前景的方法。

在實(shí)際的工程應(yīng)用中，運(yùn)行效率也是考核模型性能的一個(gè)重要指標(biāo)。表5為隨機(jī)森林模型、門(mén)控循環(huán)單元網(wǎng)絡(luò)和PRED_RF模型分別進(jìn)行模型訓(xùn)練和模型測(cè)試所花費(fèi)的時(shí)間，其中PRED_RF模型的訓(xùn)練時(shí)間和測(cè)試時(shí)間為交叉驗(yàn)證后的平均時(shí)間。由表5可以看出，隨機(jī)森林模型的訓(xùn)練時(shí)間和測(cè)試時(shí)間均是最短的。這是由于隨機(jī)森林模型相較于其他模型，模型結(jié)構(gòu)最為簡(jiǎn)單且模型參數(shù)最少。PRED_RF模型結(jié)構(gòu)由兩個(gè)隨機(jī)森林模型加一個(gè)特征增強(qiáng)模塊構(gòu)成，模型訓(xùn)練時(shí)間與單個(gè)隨機(jī)森林模型訓(xùn)練時(shí)間處于同一量級(jí)，模型測(cè)試時(shí)間大約為單個(gè)隨機(jī)森林模型的兩倍。但相較于門(mén)控循環(huán)單元網(wǎng)絡(luò)，PRED_RF模型的訓(xùn)練和測(cè)試所需時(shí)間明顯較短，符合實(shí)際工程對(duì)結(jié)構(gòu)損傷識(shí)別模型快速高效的要求。

4 結(jié)論

通過(guò)研究，可以得出以下結(jié)論：

（1）本文針對(duì)實(shí)際航空結(jié)構(gòu)健康監(jiān)測(cè)中結(jié)構(gòu)損傷識(shí)別所面臨的真實(shí)損傷數(shù)據(jù)量不足，以及由于材料和結(jié)構(gòu)之間的分散性強(qiáng)導(dǎo)致的模型泛化能力差等問(wèn)題，提出了使用遷移學(xué)習(xí)方法實(shí)現(xiàn)利用大量模擬損傷數(shù)據(jù)訓(xùn)練模型學(xué)習(xí)得到損傷相關(guān)知識(shí)，并將學(xué)習(xí)到的知識(shí)遷移到真實(shí)損傷數(shù)據(jù)上來(lái)進(jìn)行結(jié)構(gòu)損傷識(shí)別的思路，設(shè)計(jì)了適用于實(shí)際工程和小樣本導(dǎo)波數(shù)據(jù)的損傷識(shí)別模型PRED_RF。在本文試驗(yàn)中，利用質(zhì)量塊模擬損傷數(shù)據(jù)和少量真實(shí)損傷數(shù)據(jù)對(duì)PRED_RF模型進(jìn)行訓(xùn)練，再對(duì)模型在真實(shí)損傷數(shù)據(jù)上的測(cè)試效果進(jìn)行驗(yàn)證，模型的準(zhǔn)確率達(dá)到了94.48%，證明了遷移學(xué)習(xí)在結(jié)構(gòu)損傷識(shí)別應(yīng)用中的可靠性和可行性。

（2）本文針對(duì)基于導(dǎo)波的結(jié)構(gòu)損傷識(shí)別開(kāi)展了多種人工智能模型的對(duì)比評(píng)估研究。從模型測(cè)試準(zhǔn)確率、模型訓(xùn)練和測(cè)試時(shí)間以及對(duì)硬件的要求三個(gè)方面，對(duì)各個(gè)模型進(jìn)行了綜合評(píng)價(jià)。從準(zhǔn)確率來(lái)看，PRED_RF模型在測(cè)試集的效果最好，達(dá)到了94.48%。從模型訓(xùn)練和測(cè)試時(shí)間來(lái)看，機(jī)器學(xué)習(xí)模型和PRED_RF模型所需的時(shí)間都比較短。從硬件要求來(lái)看，機(jī)器學(xué)習(xí)模型和PRED_RF模型都只需要CPU。

（3）本文提出的結(jié)構(gòu)損傷識(shí)別模型PRED_RF的算法邏輯和模型結(jié)構(gòu)都比較簡(jiǎn)單，在開(kāi)孔板結(jié)構(gòu)的損傷識(shí)別試驗(yàn)中的準(zhǔn)確率也優(yōu)于傳統(tǒng)的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型，通過(guò)交叉驗(yàn)證試驗(yàn)對(duì)模型的泛化能力也進(jìn)行了驗(yàn)證。PRED_RF模型滿足實(shí)際工程對(duì)損傷識(shí)別模型高效、可靠和簡(jiǎn)單的要求，具有良好的工程應(yīng)用前景。

參考文獻(xiàn)

[1]卿新林，王奕首，趙琳. 結(jié)構(gòu)健康監(jiān)測(cè)技術(shù)及其在航空航天領(lǐng)域中的應(yīng)用[J]. 實(shí)驗(yàn)力學(xué)， 2012，27（5）： 517-526. Qing Xinlin， Wang Yishou， Zhao Lin. Structural health monitoring technology and its application in aeronautics and astronautics[J]. Journal of Experimental Mechanicals， 2012， 27（5）： 517-526. （in Chinese）

[2]袁慎芳. 結(jié)構(gòu)健康監(jiān)控[M]. 北京：國(guó)防工業(yè)出版社，2007. Yuan Shenfang. Structural health monitoring and damage control[M]. Beijing： National Defense Indusry Press， 2007. （in Chinese）

[3]王彬文，肖迎春，白生寶，等. 飛機(jī)結(jié)構(gòu)健康監(jiān)測(cè)與管理技術(shù)研究進(jìn)展和展望[J]. 航空制造技術(shù)，2022，65（3）： 30-41. Wang Binwen， Xiao Yingchun， Bai Shengbao， et al. Research progress and prospect of aircraft structural health monitoring and management technology[J]. Aeronautical Manufacturing Technology， 2022， 65（3）： 30-41. （in Chinese）

[4]Ihn J B， Chang F K. Detection and monitoring of hidden fatigue crack growth using a built-in piezoelectric sensor/ actuator network： Diagnostics[J]. Smart Material Structures， 2004， 13（3）： 609-620.

[5]邱雷. 基于壓電陣列的飛機(jī)結(jié)構(gòu)監(jiān)測(cè)與管理系統(tǒng)研究[D]. 南京：南京航空航天大學(xué)，2011. Qiu Lei. Research on the pizeoelectric sensors array based aircraft structural health monitoring and management system[D]. Nanjing： Nanjing University of Aeronautics and Astronautics， 2011. （in Chinese）

[6]楊宇，王彬文，呂帥帥，等. 一種基于深度學(xué)習(xí)的復(fù)合材料結(jié)構(gòu)損傷導(dǎo)波監(jiān)測(cè)方法[J]. 航空科學(xué)技術(shù)，2020，31（7）： 102-108. Yang Yu， Wang Binwen， Lyu Shuaishuai， et al. A deep-learningbased method for damage identification of composite laminates[J]. Aeronautical Science & Technology， 2020， 31（7）： 102-108.（in Chinese）

[7]邢博邯，蔡建，周智權(quán)，等. 航空結(jié)構(gòu)中Lamb波小損傷監(jiān)測(cè)能力研究[J]. 航空科學(xué)技術(shù)，2021，32（3）： 40-48. Xing Bohan， Cai Jian， Zhou Zhiquan， et al. Research on smalldamage monitoring abilities of Lamb waves in aircraft structures[J]. Aeronautical Science & Technology， 2021， 32（3）： 40-48. （in Chinese）

[8]Stuart J R， Peter N. 人工智能：一種現(xiàn)代的方法[M].3版.北京：清華大學(xué)出版社，2013. Stuart J R， Peter N. Artificial intelligence： a modern approach[M].3rd. Beijing： Tsinghua University Press， 2013. （in Chinese）

[9]Mei H， Yuan S， Qiu L， et al. Damage evaluation by a guided wave-hidden Markov model based method[J]. Smart Materials and Structures， 2016， 25（2）： 25021.

[10]Xu L， Yuan S， Chen J， et al. Guided wave-convolutional neural network based fatigue crack diagnosis of aircraft structures[J]. Sensors， 2019， 19（16）： 3567.

[11]Chen J， Wu W， Ren Y， et al. Fatigue crack evaluation with the guided wave-convolutional neural network ensemble and differential wavelet spectrogram[J]. Sensors， 2021， 22（1）： 307.

[12]Zhang B， Hong X， Liu Y. Multi-task deep transfer learning method for guided wave-based integrated health monitoring using piezoelectric transducers[J]. IEEE Sensors Journal， 2020， 20（23）： 14391-14400.

[13]Pan S J， Qiang Y. A survey on transfer learning[J]. IEEE Transactions on Knowledge and Data Engineering， 2010， 22（10）： 1345-1359.

[14]Li W， Huang R， Li J， et al. A perspective survey on deep transfer learning for fault diagnosis in industrial scenarios： Theories， applications and challenges[J]. Mechanical Systems and Signal Processing， 2022， 167： 108487.

[15]Torkamani S， Roy S， Barkey M E， et al. A novel damage index for damage identification using guided waves with application in laminated composites[J]. Smart Materials and Structures， 2014， 23（9）： 95015.

[16]Wu Z， Liu K， Wang Y， et al. Validation and evaluation of damage identification using probability-based diagnostic imaging on a stiffened composite panel[J]. Journal of Intelligent Material Systems and Structures， 2015， 26（16）： 2181-2195.

[17]Uguroglu S， Carbonell J. Feature selection for transfer learning[C].Machine Learning and Knowledge Discovery in Databases： European Conference， ECML PKDD 2011， 2011： 430-442.

[18]Daumé H. Frustratingly easy domain adaptation[C]//Proceed‐ings of the 45th Annual Meeting of the Association of Computa‐tional Linguistics， 2007： 256-263.

[19]Breiman L. Random forests[J]. Machine Learning， 2001， 45： 5-32.

Research on Structure Damage Identification Method Based on Guided Wave and Knowledge Transfer

Li Jiaxin1， Lyu Shuaishuai1， Yang Yu1， Zhang Tengfei2， Zhang Guigang2， Li Boyan3

1. National Key Laboratory of Strength and Structural Integrity， Aircraft Strength Research Institute， Xi’an 710065，China

2. Institute of Automation Chinese Academy of Sciences， Beijing 100190， China

3. Beijing Institute of Technology， Beijing 100089， China

Abstract： The damage diagnosis method based on guided wave has a good engineering application prospect in the field of aeronautical structural health monitoring. However， due to the complexity of structure form and the determination of the structural damage identification threshold based on expert knowledge， it still faces great challenges in improving the accuracy and reliability of damage diagnosis. Artificial intelligence method can reduce the dependence on prior knowledge， but it requires a lot of data， which cannot be borne in practical engineering. Therefore， this paper proposes an approach of using simulated physical damage to generate a large amount of data， and then combining a small amount of real damage data for structural damage identification. Based on the transfer learning algorithm， this paper design a structural damage identification model PRED_RF which is suitable for practical engineering application. The experimental result shows that， with limited amount of data， the PRED_RF model is significantly better than other traditional machine learning and deep learning models in terms of structural damage identification accuracy， and accuracy reaches 94.48% on test dataset.

Key Words： guided wave； damage identification； transfer learning； small sample