【技术实现步骤摘要】
本专利技术属于复合材料声发射信号处理与识别领域，具体涉及利用声发射信号进行基于复合材料损伤物理机制导向的损伤识别方法。
技术介绍
1、复合材料因其轻质、高强度和多功能性，在现代工程中占有重要地位。这些材料的特殊结构导致其在承受外力时，可能会同时出现多种类型的损伤，如纤维的断裂、基体的开裂以及界面的剥离等，这些不同的损伤类型相互交织，共同构成了一个高度复杂的损伤演化过程。
2、声发射技术作为一种基于物理原理的非破坏性检测方法，能够通过捕捉材料受载时产生的弹性波来探测其内部状态和损伤演化。该技术通过分析损伤时产生的声发射信号，能够揭示复合材料损伤的详细特征，包括不同损伤类型的相互作用。这一深入分析有助于全面理解复合材料损伤的复杂机理，从而提高损伤监测的准确性和效率。
3、传统的声发射信号识别方法主要包括阈值法、时间域分析和频域分析。阈值法基于设定的振幅或能量阈值识别损伤事件，但在噪声环境下确定阈值困难。时间域分析关注事件的时域特性，如持续时间和振幅，而频域分析通过频谱特征区分损伤类型。尽管这些方法提供了不同分析维度，但均依赖高质量的信号处理，限制了它们在复杂环境中的应用效果。
4、近年来，机器学习中的聚类方法被广泛应用于声发射信号的识别，特别是在识别复杂的复合材料损伤情况。研究主要集中于三种聚类方法：第一种是基于特征的聚类，利用预先提取的声发射特征(如振幅、持续时间、频率等)进行传统聚类算法处理，例如k-均值聚类算法或模糊c均值聚类算法；第二种是基于支持向量机(svm)或神经网络的有监督或半监督聚
5、尽管聚类技术在声发射信号的识别方面表现出色，但由于复合材料失效过程的复杂性，传统聚类模型通常忽略底层的物理过程。这不仅影响了聚类性能，还使得难以全面理解和分析损伤机制。注意到在受载荷作用的复合材料层合板的损伤演化历程中，除了初始阶段损伤是以基体开裂为主外，后续阶段均是不同损伤相互叠加和相互作用的过程。基于此，本文提出了一种复合材料物理机制导向的声发射信号识别方法，以更准确地识别和分析复合材料中的各种损伤类型。
技术实现思路
1、为了解决复合材料失效过程的复杂导致传统聚类技术无法充分考虑底层的物理机制这一问题，本专利技术融合复合材料层合板的损伤演化历程，提出了利用声发射信号进行基于复合材料损伤物理机制导向的损伤识别方法。
2、为实现上述目的，本专利技术所提供的技术解决方案是：
3、利用声发射信号进行基于复合材料损伤物理机制导向的损伤识别方法，包括以下步骤：
4、步骤1：将声发射探头粘黏在受载的复合材料试件上，当试件发生损伤，会有弹性波产生，声发射采集仪获取这些数据信号，即为材料受损产生的数据信号；
5、将声发射数据按照损伤类型进行分段，第一阶段为基体开裂损伤，第二阶段为基体开裂损伤+开裂耦合-界面脱胶损伤，第三阶段为基体开裂损伤+开裂耦合-界面脱胶损伤+分层损伤，第四阶段-为基体开裂损伤+开裂耦合-界面脱胶损伤+分层损伤+纤维断裂损伤；
6、步骤2：建立物理损伤导向的半监督分类模型，包括以下子步骤：
7、步骤2.1：假设第一阶段中的声发射数据均与基体损伤相关，打上基体损伤标签0，作为半监督的学习源，建立第一阶段的半监督引导的深度神经网络分类模型；
8、步骤2.2：基于第一阶段的半监督引导的深度神经网络分类模型预测第二段声发射数据中的基体损伤数据，打上基体损伤标签0；
9、步骤2.3：设置置信度阈值，针对第二阶段未被第一阶段的半监督引导的深度神经网络分类模型明确标记的数据应用k均值聚类算法；
10、步骤2.4：结合第一阶段的半监督引导的深度神经网络分类模型的分类结果与聚类结果进行数据标记，并通过分类-聚类的交互使用优化和更新分类模型；
11、步骤3：重复步骤2，将分类和聚类结果用作下一阶段的输入，通过迭代地调整分类模型来增强模型的跨阶段学习能力，从而形成半监督引导的深度神经网络分类模型；
12、步骤4：更新全部声发射数据标签，提供全面的损伤识别。
13、进一步的，所述步骤1中，如何区分包括以下子步骤：
14、步骤1.1：对得到的复合材料受载损伤过程中的声发射数据，删除峰值频率为0的无效数据行，统计复合材料受载损伤过程中的声发射能量值；
15、步骤1.2：采用滑动窗口技术，计算窗口内声发射能量的异常值，将异常值作为分段点；然后移动这些小块来进行分段检测；
16、步骤1.3：结合渗透检测试验，对复合材料中的声发射数据进行分段，区分出基体开裂、裂纹耦合-界面脱胶、分层、纤维断裂等损伤模式发生、发展的时间段。
17、进一步的，所述步骤1.2中，分段检测具体内容为：定义滑动窗口的大小、定义异常值的阈值、滑动窗口计算数据的标准差、计算窗口内声发射能量数据与均值的差值是否超过阈值来判断基体开裂、裂纹耦合-界面脱胶、分层、纤维断裂分段时间点；
18、进一步的，所述步骤2.1中，包括以下子步骤：
19、步骤2.1.1:定义第一阶段中基体损伤数据组成数据集合为{x1,x2,…,xn}，从集合中选择一个样本xi，通过欧氏距离计算xi的最近样本xnn，合成新的样本xnew＝xi+λ×(xnn-xi)，其中λ是一个在0和1之间的随机数；
20、步骤2.1.2:建立全连接神经网络，所述网络的网络结构包括：输入层、2个隐藏层和输出层；其中，输入层为第一阶段中标记的基体损伤数据；
21、步骤2.1.3:添加批量归一化层对神经网络中的中间层输出进行归一化，假定给定层的输入是x＝{x1,x2,…,xm}，其中m是该输入的大小；
22、计算该输入的均值和方差
23、通过计算出的均值和方差对输入进行归一化：其中∈为10-5，避免分母为0；γ和β为模型的学习参数；
24、步骤2.1.4:在两个隐藏层中使用l2正则化，假设原始损失函数为l(θ)，其中θ表示神经网络的权重；正则化后的损失函数为其中用于简化求导过程；
25、步骤2.1.5:选择优化器自适应调整学习率，初始学习率设置为0.01；
26、步骤2.1.6:划分训练集与测试集，20％的数据被用作测试集，剩余80％用训练集；
27、步骤2.1.7:采用5折交叉验证评估深度神经网络分类模型稳定性和准确性；
28、步骤2.1.8:输出平均精确率、召回率和f1分数，综合评估预测结果：平均精确率表达式为其中tp为正确预测为正类的样本数，fp为错误预测为正类的样本数；召回率其中fn为错误预本文档来自技高网...
【技术保护点】
1.利用声发射信号进行基于复合材料损伤物理机制导向的损伤识别方法，其特征在于，包括以下步骤：
2.如权利要求1所述的利用声发射信号进行基于复合材料损伤物理机制导向的损伤识别方法，其特征在于，所述步骤1中，如何区分包括以下子步骤：
3.如权利要求1所述的利用声发射信号进行基于复合材料损伤物理机制导向的损伤识别方法，其特征在于，所述步骤1.2中，分段检测具体内容为：定义滑动窗口的大小、定义异常值的阈值、滑动窗口计算数据的标准差、计算窗口内声发射能量数据与均值的差值是否超过阈值来判断基体开裂、裂纹耦合-界面脱胶、分层、纤维断裂分段时间点。
4.如权利要求1所述的利用声发射信号进行基于复合材料损伤物理机制导向的损伤识别方法，其特征在于，所述步骤2.1中，包括以下子步骤：
5.如权利要求1所述的利用声发射信号进行基于复合材料损伤物理机制导向的损伤识别方法，其特征在于，所述步骤2.3中，包括以下子步骤：
6.如权利要求1所述的利用声发射信号进行基于复合材料损伤物理机制导向的损伤识别方法，其特征在于，所述步骤2.4中，包括以下子步骤：
7.如权利要求1所述的利用声发射信号进行基于复合材料损伤物理机制导向的损伤识别方法，其特征在于，所述步骤3中，包括以下子步骤：
...【技术特征摘要】
1.利用声发射信号进行基于复合材料损伤物理机制导向的损伤识别方法，其特征在于，包括以下步骤：
2.如权利要求1所述的利用声发射信号进行基于复合材料损伤物理机制导向的损伤识别方法，其特征在于，所述步骤1中，如何区分包括以下子步骤：
3.如权利要求1所述的利用声发射信号进行基于复合材料损伤物理机制导向的损伤识别方法，其特征在于，所述步骤1.2中，分段检测具体内容为：定义滑动窗口的大小、定义异常值的阈值、滑动窗口计算数据的标准差、计算窗口内声发射能量数据与均值的差值是否超过阈值来判断基体开裂、裂纹耦合-界面脱胶、分层、纤维断裂分段时间点。
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。