基于能量图谱和孪生网络的导波损伤诊断方法

由于导波损伤诊断方法在碳纤维增强复合材料(carbon fiber reinforced polymer,简称CFRP)损伤监测领域的结构不确定性和专家经验缺乏,提出了一种基于能量图谱和孪生卷积神经网络(convolutional neural networks,简称CNN)的导波损伤识别和定位方法。以导波监测网络的能量图谱作为模型的学习样本,消除样本标签质量对专家水平的严重依赖,同时为深度学习模型提供丰富的有效信息。设计了权值共享的孪生网络以避免模型参数过多导致的过拟合现象,并利用CNN和长短记忆网络自动挖掘导波信号的高层特征。此外,对深度学习模型提取的特征进行可视化分析并讨论其物理意义,为解释神经网络的工作原理提供基础。实验结果表明,该方法在考虑结构不确定性的情况下,损伤识别和损伤定位的准确率分别达到88%和85%,相较于基于专家经验的传统方法优势明显。