Page 117 - 《应用声学》2022年第4期

第 41 卷 第 4 期 邱文等： Lamb 波多特征参数的复合材料损伤程度评估方法 615

J X,Y 小，则表明X、Y 两种程度的损伤可分性越好。 经网络，最后利用未知损伤对系统进行验证。模型
2
D ({X i }, {Y j }) 如图5所示。
J X,Y = . (11)
2
2
D ({X i }, {X j }) + D ({Y i }, {Y j })
ᔰ࿻
3 损伤程度评估 н਼〻ᓖᦏՔؑਧ
3.1 基本思路 ཊᰦ仁⢩ᖱ৲ᮠᨀਆ
复合材料损伤机理十分复杂，利用固有频率、
频响函数等系统固有参数作为指标，很难找出明确 ⍻䈅ᮠᦞ 䇝㓳ᮠᦞ
的函数关系，而且对损伤的出现的时期、识别效果

等也会在众多因素影响下产生较差的效果。神经网 䇝㓳ǃ⍻䈅⾎㓿㖁㔌
络可以通过对系统提取的损伤样本进行自动的学 ᵚ⸕ᦏՔ䇴ՠ
习，能够以较高的精度去逼近由于损伤造成的非线 False
True
性映射，因此，在损伤程度评估中利用这一特性，构
䇑㇇↓⺞⦷
建损伤评估模型。BP 网络是一类多层的前馈神经
网络，由于它具有结构简单、可用于设置的参数多、 㔃ᶏ
训练算法较好及可操作性简便等特点，获得了非常
图 5 损伤程度评估模型
广泛的应用。单隐含层神经网络模型在神经网络中
Fig. 5 Damage assessment model
广泛的应用，它包括了输入层、隐含层以及输出层。
本文将神经网络与智能算法相结合，对复合材料的 4 实验验证与结果分析
不同程度损伤进行评估。
遗传算法 (Genetic algorithm, GA) 是一种借 4.1 损伤评估系统设计
鉴生物进化过程和自然选择机制而发展起来的高 本文将损伤评估的系统分为 3 个模块，分别为
度并行、自适应搜索的全局优化算法。使用遗传算 损伤信号监测、损伤信号分析与处理、损伤程度评
法对 BP 神经网络进行优化，可以实现网络参数最 估，如图 6 所示。损伤信号监测模块主要由数据采
优。这一优化包括 3 部分，分别为确定 BP 神经网络 集设备、功率放大器、电荷放大器、待测结构组成。
结构、遗传算法优化网络的权值与阈值、BP 神经网 该模块利用结构在线监测技术，针对待测结构的物
络进行损伤程度预测。
理情况，设计传感阵列，通过上位机激发 Lamb波信
3.2 损伤评估模型的建立 号。由于上位机激发信号的幅值有限，而Lamb波在
对采集到的信号进行小波多尺度分析后，分别 结构中传播信号会衰减，因此需要利用功率放大器
提取多尺度特征参数：波形特征Wf、波峰特征Wp、 对激励信号进行放大。压电传感器接收的信号幅值
能量分布Ed、能量百分比E，建立损伤信息标准库。 大约在 25 mV左右，通过电荷放大器将压电传感器
在损伤识别中，采用神经网络进行评估。将损伤样 接收到的信号进行放大、滤波。最后利用上位机将
本分为训练样本与测试样本，然后训练以及测试神 接收到的信号进行存储 [16−17] 。

ႃᕳஊܸ٨
ॠ ஝૶ ૯͞ ྲढ़ थቡ ᝫጷ ૯͞
฾ ᧔ᬷ ηՂ Ԡ஝ ૯͞ ฾ត ሮए
ፇ വڱ ఻ေ ଢԩ ηৌ ᇸፃ កͥ
౞ Ѭౢ ः Ꭺፏ ፇ౧
Ҫဋஊܸ٨
૯͞ηՂᄣ฾ ૯͞ηՂѬౢˁܫေ ૯͞ሮएកͥ

图 6 损伤程度评估系统框架
Fig. 6 Framework of damage assessment system