Page 119 - 《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 617

时频域的均值和均方差均要大于时域和频域的均 从损伤样本信息库中选取6 种不同程度通孔损
值和均方差，说明时频域的可分性较好。图 10 显 伤样本各 80 组，然后采用遗传 BP 神经网络进行训
示了不同种程度损伤特征向量归一化后的类间距 练，将样本分为测试样本各 16 组，训练样本各 64
离统计，图 11 为不同程度损伤特征向量的可分性 组。经过训练后，BP神经网络在隐含层神经元个数
比较。从图 9∼ 图 11可以看出时频域中的特征向量 到达 30 时，训练误差和测试误差都到达最小；对于
的类间距离均小于同种程度特征向量的类内距离， GA-BP 神经网络，使用遗传算法后，无论在训练误
同时计算它们的均方差分别为 (时域 0.018、频域 差还是测试误差，都比BP神经网络要小很多。在隐
0.013、时频域 0.004)，可以发现它们之间的均方差 含层神经元数目到达30时，其训练误差和测试误差
较小，说明提取的特征向量分布比较均匀，特征之间 都达到了最小。因此，在考虑训练误差和测试误差
的差异性较大，不同种损伤的可分性较好。但对于 下，选择神经网络的结构为32-30-6。
两种不同程度的损伤特征向量进行比较，可以发现 0 mm 1.5 mm 2.5 mm
1.0 3.5 mm 4.5 mm 5.5 mm
它们的可分性判据上下波动不一，而损伤信号的波 0.8
形复杂多样，在时域上存在较多影响特征的因素，所 0.6
以仅靠时域上的波形特征向量去评估损伤程度，会 0.4
降低评估的可靠性与准确性；在频域向量上，可分性 0.2
0
波动较大，不稳定，因此可分性较差。 ௑۫ ᮠ۫ ௑ᮠ۫
为了能够保证损伤程度的可靠性与准确性，选
图 9 同种程度损伤特征向量的类内距离比较
择时频域上的损伤特征向量作为损伤程度评估的 Fig. 9 Comparison of within class distance of feature
特征参数。 vectors with the same degree of damage

0.06
௑۫ ᮠ۫ ௑ᮠ۫
0.05
0.04

0.03

0.02
0.01

0
0~1.5 0~2.5 0~3.5 0~4.5 0~5.5 1.5~2.5 1.5~3.5 1.5~4.5 1.5~5.5 2.5~3.5 2.5~4.5 2.5~5.5 3.5~4.5 3.5~5.5 4.5~5.5
图 10 不同程度损伤特征向量的类间距离比较
Fig. 10 Comparison of distance between different damage feature vectors

0.09
0.08 ௑۫ ᮠ۫ ௑ᮠ۫
0.07
0.06
0.05
0.04
0.03
0.02
0.01
0
0~2.5 0~3.5 0~4.5 0~5.5 1.5~2.5 1.5~3.5 1.5~4.5 1.5~5.5 2.5~3.5 2.5~4.5 2.5~5.5 3.5~4.5 3.5~5.5 4.5~5.5 0~1.5
图 11 不同程度损伤特征向量的可分性比较
Fig. 11 Comparision of separability of different damage feature vectors