【技术实现步骤摘要】
本专利技术属于结构健康监测以及机器学习领域。
技术介绍
1、复合材料是由两种或两种以上不同的材料组合而成的材料，具有轻质、高强度、耐腐蚀等特点，因此在航天、汽车、船舶、建筑等领域得到广泛应用。然而，由于其复杂的结构和成分，复合材料在使用过程中容易受到各种损伤，如裂纹、疲劳、冲击等，这些损伤会影响其性能和可靠性，甚至导致严重事故的发生。因此，及时准确地诊断复合材料的损伤状态对确保其安全可靠运行具有重要意义。
2、为了实现复合材料的损伤诊断，研究人员提出了多种技术和方法。其中，非破坏性检测技术是其中一种重要手段，包括热红外成像、超声波检测、激光散斑成像等，这些技术能够在不破坏材料的前提下探测出隐蔽的损伤并定量评估其严重程度。此外，x射线射线衍射、电子显微镜等分析技术也被广泛应用于复合材料损伤诊断中，可用于分析材料微观结构的变化和损伤形态的演化。另外，基于机器学习和人工智能的智能诊断技术也逐渐成为研究热点，通过建立大量数据样本和模型，实现对复合材料损伤的自动识别和评估，提高了诊断的准确性和效率。然而受数据集样本数量影响，传统机器学习方法在进行飞行器结构损伤诊断时会面临缺少典型损伤样本而导致的诊断精度低，泛化性差等问题。
技术实现思路
1、本专利技术的目的是基于迁移学习中的优化学习理论，从通过仿真软件获取的铝板损伤信号这一源域，迁移到仿真软件与实验获取的悬臂梁损伤信号目标域中来的基于迁移学习的复合材料工件分层损伤诊断方法。
2、本专利技术的步骤是：
3、
4、自动适应时频信号分析的要求由下式定义：
5、
6、其中，a为小波变换的尺度，b为小波变换的平移量，t为时间，x(t)为给定信号，ψ(·)函数为小波函数的复共轭，尺度a控制小波函数的伸缩，平移量b控制小波函数的平移，尺度对应于频率(反比)，平移量b对应于时间；
7、s2、将采用源域知识训练完成的卷积神经网络模型迁移到目标域中，应用基于优化学习的思想对损伤诊断模型进行优化，随后对目标域内的样本数据进行分类，得到损伤诊断结果；
8、s21、模型通过少量的数据寻找一个合适的初始值范围，从而改变梯度下降的方向，找到对任务更加敏感的初始参数；
9、s22、模型为典型的双层优化结构，内层从任务中随机采样，学习器目标函数取最小值，外层在内层完成优化后，通过外层目标函数，即所有任务上验证集损失和进行更新；
10、s23、模型内设计的注意力机制基于新样本数据与支持集中的样本数据的嵌入表示的余弦相似度以及softmax函数：
11、
12、其中，k为一次判别内所选用的支持集内样本数据量，j为当前判别批次内第一个数据样本，c(·)函数表示测试样本与训练样本嵌入函数的余弦相似度，ec(·)表示使用指数函数对余弦相似度进行处理，该处理方式可以更好地捕捉数据的分布特性，同时优化数据大小，减少网络处理信息量，f(·)函数和g(·)函数表示施加在测试样本与训练样本上的嵌入函数，为新样本数据的特征表示，xi为支持集中样本数据的特征表示；
13、s24、模型执行了两次梯度下降，分别作用在内部学习器和外部学习器上，梯度下降的方向为多个不同任务在下降方向上的平均值。
14、本专利技术在面对样本数量少且样本分布不平衡的问题时，能够缓解神经网络对目标工况故障训练数据的依赖。本专利技术采用连续小波变换方法对损伤信号进行数据处理，采用迁移学习方法训练模型。将从仿真软件内获取的复合材料工件损伤信号作为源域进行预训练，利用优化学习理论设计双层优化结构，提升模型精度和泛化能力，避免模型载小样本情况下的过拟合问题，快速构建复合材料损伤诊断模型，从而应对损伤样本数量少且样本分布不平衡的实际情况，实现对复合材料的分层损伤高精度与高准确率识别。
本文档来自技高网...【技术保护点】
1.一种基于迁移学习的复合材料工件分层损伤诊断方法，其特征在于：其步骤是：
【技术特征摘要】
1.一种基于迁移学习的复合材料工件分层...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。