一種基于深度學習的復合材料結構損傷導波監(jiān)測方法

楊宇 王彬文 呂帥帥 周雨熙 王莉 劉國強

摘要：碳纖維增強復合材料層壓板已經廣泛應用于飛機的主承力結構。然而，層間分層作為一種最常見的損傷形式，嚴重影響層壓板的力學性能和結構安全。人們利用導波在層壓板中的傳播特性開展結構損傷監(jiān)測，其核心是對比分析損傷前后導波信號，根據信號變化特征量化計算損傷指數，并將其與損傷閾值進行比較，從而進行損傷判定。該方法對專家經驗依賴嚴重，并且泛化能力較弱。本文利用深度學習理論，提出了一種基于分布式時序卷積神經網絡的損傷識別模型。該模型能夠較好地解決深度學習方法在處理結構健康監(jiān)測問題所面臨的困難，包括數據樣本量不足、數據偏斜嚴重以及數據長度不一致等。另外，該方法創(chuàng)新性地應用LSTM模塊，對監(jiān)測數據中各個數據片段特征進行關聯。該深度學習模型增強了從原始導波信號進行損傷特征提取的能力，從而減輕對專家經驗的過度依賴，并通過測試表明具有較高的損傷識別精度。

關鍵詞：復合材料；損傷識別；導波；卷積神經網絡

中圖分類號：V219文獻標識碼：ADOI：10.19452/j.issn1007-5453.2020.07.014

由于具有比強度/比剛度高、性能可設計和易于整體成形等諸多優(yōu)異性能，近年來碳纖維增強復合材料層壓板（CFRP）已經被用于飛機主承力結構[1]。然而，由于缺陷或沖擊造成的分層是CFRP最主要的一種損傷形式[2-3]，嚴重削弱其力學性能，影響結構安全，為了在飛機結構中能夠及時發(fā)現損傷，人們開發(fā)了一種基于導波[4-6]的結構損傷監(jiān)測方法。導波是橫波和縱波在薄壁結構中經上下表面不斷反射相互耦合后形成的一種彈性波[7-8]，基于導波的結構損傷監(jiān)測原理為：導波在結構中傳播時，當其遇到結構邊界或損傷（如內部分層、界面脫黏等）時，其會產生邊界反射信號或損傷散射信號。通過采用合適的信號分析方法[9]，提取出由疑似損傷引起的損傷散射信號，并對其進行時域、頻域等[10-11]分析處理，最終獲得損傷有無、位置和程度等信息，從而達到對結構損傷進行監(jiān)測的目的。

基于導波的結構損傷監(jiān)測，目前廣泛采用的做法是對比分析損傷前后的導波信號特征，采用相應算法計算損傷指數，并根據損傷閾值判別[12-13]損傷。例如，現在比較通用的有12種損傷指數計算公式[10-11]，每種公式都是導波信號部分特征（如幅值、能量等）組合的數學表達式。然而，運用損傷指數來進行損傷識別，通常會遇到如下困難：眾多的底層信號特征（如幅值、能量）受各種環(huán)境因素（如溫度、載荷等）影響大，很難建立起個別底層信號特征與損傷的明確對應關系；由多個底層特征組合起來形成高層的抽象特征（如損傷指數），從而建立與結構損傷的對應關系，對專家經驗依賴嚴重；針對情況A設定的損傷指數門檻值（閾值）在情況B下常常不適用，即專家經驗的遷移和泛化能力較弱[14]。

機器學習是解決此類問題一個強有力的工具，很多研究人員利用機器學習手段開展了基于導波的結構損傷識別[15-17]與定位研究[18-20]。特別是近年來在神經網絡研究領域取得的突破性進展，推動深度學習技術正在成為一種潛力巨大的解決方案而備受關注。但是，在結構健康監(jiān)測領域使用深度學習方法，會面臨諸多的限制和挑戰(zhàn)：（1）供神經網絡訓練的樣本數量嚴重不足。開展健康監(jiān)測的結構通常都是重要而且昂貴的大型結構，樣本數量極其有限。目前的一種解決方式是通過數值仿真產生大量的虛擬數據樣本[14]，但是這對模型的仿真程度提出了很高的要求，而且產生的樣本數量依然有限。例如[15]，通過有限元模型參數化建模的方式，在250mm×350mm的準各向同性復合材料層壓板生成了516條虛擬數據。（2）數據偏斜情況嚴重。結構無損傷狀態(tài)的數據量通常遠大于損傷狀態(tài)的數據量，使得神經網絡容易偏向于對無損傷狀態(tài)的判定。（3）在實際工程應用中，監(jiān)測數據采樣點數（數據長度）沒有統(tǒng)一標準，而卷積神經網絡（CNN）等深度學習模型要求輸入數據長度一致。目前常用的處理方法包括填充技術和序列縮短技術，但是對深度學習模型的影響較大。例如，填充技術會導致吞吐量降低、訓練期間收斂速度減慢[21]和過長數據導致的梯度消失[22]等問題；序列縮短技術對離散信號進行裁剪或者降低連續(xù)信號中的采樣率，可能會導致樣本中重要信息的丟失[22-23]；而分組處理技術不改變原始信號，因而不會對其信息造成任何損失或失真，但是，由于記錄長度的分布極不均勻，一個組可能只包含一個或兩個記錄，導致批量大小的變化很大，且深度學習模型在接收到長度未知的記錄時，其分類預測存在一定的不確定性[21]。

針對以上問題，本文以復合材料結構沖擊損傷識別為目標，提出了基于偏斜感知的數據增強方法，構建了分布式時序神經網絡模型（temporal distributed convolutional neural network， TDCNN）[24]。其中，數據增強的作用是在考慮數據偏斜影響因素的情況下，增加數據樣本數量，并統(tǒng)一數據長度；TDCNN則是針對導波信號的特點，綜合考慮監(jiān)測數據的整體趨勢特征和其中各個數據片段的局部特征，從而提升結構損傷識別準確率。

1物理試驗

1.1基于導波的結構損傷監(jiān)測原理

基于導波的結構損傷監(jiān)測主要是通過對由損傷引起的損傷散射信號識別來實現的。在結構上布置壓電片網絡，如圖1（a）所示。由于其壓電效應，壓電片既可以作為信號激發(fā)器，也可以作為信號接收器。當作為激發(fā)器時，在電信號激勵下，壓電片振動激發(fā)導波在結構中傳播；當作為接收器時，將接收到的導波信號轉換為電信號以供存儲分析。任意兩個壓電片構成一條監(jiān)測路徑。通過輪換每個壓電片的信號激發(fā)和接收功能，使結構上所有壓電片構成一個監(jiān)測網絡，如圖1（b）所示。通過對比分析每條路徑上的初始基準信號（baseline signal）和過程監(jiān)測信號（monitoring signal），實現損傷識別功能。

1.2碳纖維增強復合材料加筋板沖擊損傷模擬試驗

該加筋板采用CCF300/BA9916碳纖維增強復合材料，其幾何尺寸和壓電傳感器網絡布置如圖2所示。根據此網絡，共形成28條監(jiān)測路徑。由于此加筋板只有一件，無法滿足成千上萬次的沖擊試驗要求，因此在試驗件表面粘貼M16的鋼制螺栓來模擬損傷[11]的方法。通過在不同位置粘貼螺栓，并且采集粘貼前后的信號分別作為初始基準信號和監(jiān)測信號。另外，也對未粘貼螺栓的加筋板進行了信號采集，為“無損傷”事件提供監(jiān)測信號特征。

在深度學習方法中，需要對每一條監(jiān)測數據進行損傷狀態(tài)（有損傷/無損傷）標記，作為深度學習模型訓練和測試的依據。這里使用損傷指數閾值（damage index，DI）為數據作標記。目前，比較常用的損傷指數有12種[10-11]。根據多次采集得到的加筋板“無損傷”事件（即沒有黏結螺栓，跟損傷完全無關）的監(jiān)測信號，計算其SDCC值，求平均值并乘以4，作為損傷指數閾值。在“有損傷”事件（即黏結了螺栓）中，凡是其監(jiān)測信號SDCC值大于該閾值的，標記為“有損傷”；對于剩下的監(jiān)測信號和所有“無損傷”事件的監(jiān)測信號，全部標記為“無損傷”。使用該方法，供收集到對793條監(jiān)測數據進行了分類，其具體構成形式見表1。監(jiān)測數據的SDCC值分部如圖3所示?？梢钥匆娪腥齻€監(jiān)測數據的SDCC值偏高。如果將其隱藏，則得到如圖4所示的監(jiān)測數據SDCC分布情況?？梢钥匆姡坝袚p傷”與“無損傷”標記的數據之間，有比較清晰的界限。

2深度學習模型

2.1基于偏斜感知的數據增強

使用基于人工神經網絡的深度學習方法來處理從實際應用中采集的導波監(jiān)測數據，通常會遇到如下問題。

（1）樣本數量嚴重不足

在本文中，利用螺栓粘貼的方式模擬損傷，在加筋板上產生監(jiān)測數據793條。距離深度學習通常所需的樣本數量差距甚遠。因此，需要通過其他手段來減輕樣本數量不足所帶來的負面影響。

（2）數據偏斜情況嚴重

在真實的工程應用中，與損傷相關的監(jiān)測數據量遠遠小于無損傷監(jiān)測數據量。在本文中，雖然產生的793條監(jiān)測數據都與損傷相關，但是為了提高損傷識別的準確率，降低監(jiān)測誤報率，也必須定義監(jiān)測路徑與沖擊損傷中心點非?？拷谋O(jiān)測數據為含損傷的監(jiān)測數據。在這種情況下，訓練后的深度學習模型容易產生偏向于對無損傷狀態(tài)的判定。

（3）數據長度不一致

在實際工程應用中，對監(jiān)測數據采樣點數（數據長度）沒有統(tǒng)一標準。由于卷積神經網絡（CNN）等深度學習模型要求輸入數據長度一致，因此需要設計模塊，對監(jiān)測數據進行預處理。

綜合以上問題，本文設計了基于偏斜感知的數據增強模塊，其數據處理方式如下：

（1）對于數據長度（采樣點個數）少于標準長度（在本文中，標準長度設為3000個采樣點）的數據，通過補充一些無意義的量使其采樣點數量達到標準值。

2.2分布時序卷積神經網絡

在本文中，構建了分布時序卷積神經網絡，其網絡基本架構如圖6中虛線框所示?！胺植肌敝傅氖菍⒁粭l數據段分割成10個數據片段，然后分別使用CNN模型通過共享權值的方式來提取局部特征；“時序”指的是在基于“分布”式特征提取之后，創(chuàng)新性地使用RNN中的LSTM模塊，將這10個片段上提取到的局部特征進行拼接成特征矢量，從而進行時序趨勢特征的提取。

具體來講，該網絡包含一個6層卷積神經網絡，它以每個數據的短分片作為輸入。每個卷積層有128個長度為32的過濾器。另外，在每個卷積層之前采用批量化預激活模塊來設計和修正線性激活函數，并在卷積層之間使用Dropout技術[25]和Adam技術[26]分別用來避免過度擬合以及優(yōu)化神經網絡，從而提高模型的泛化能力。然后，使用雙向的長短期記憶網絡（BI-LSTM）來將每個數據短分片中提取出的局部特征整合成整體趨勢特征，并連接一個全連接層和Softmax層作為神經網絡的預測輸出。

最后，在經過TDCNN模型得到針對每個數據段的損傷識別結果后，通過投票的方式，來得到這一條完整數據的損傷識別結果。在本文中，投票方式采用了簡單的票數計票方式，而沒有對票賦予不同的權值。

3測試結果分析

在原有信號的基礎上疊加模擬信號，其疊加幅值不超過原有信號幅值的30%，從而產生用于測試的信號。本文一共產生了330條測試數據。模型效果的評估方面采用機器學習領域常用的三個模型性能評價指標（準確率、召回率和F1值）進行評估，如圖7所示。

A表示模型將實際標簽為無損傷的數據識別為無損傷的實例，B表示模型將實際標簽為無損傷的數據識別為有損傷的實例，C表示模型將實際標簽為有損傷的數據識別為無損傷的實例，D表示模型將實際標簽為有損傷的數據識別為有損傷的實例，所以對實際標簽為無損傷的數據實例來說準確率（查準率）為A/（A+B），召回率（查全率）為A/（A+C），F1值為準確率和召回率的加權平均值。準確率和召回率是相互影響的，一般情況下模型準確率高了召回率就會變低，召回率高準確率就低。但是通常希望模型不僅能識別準確，還應該每類的所有實例都不要有識別遺漏（即查全率高），所以用F1值來衡量模型的性能。其值越高，性能越好。

本文同時采用了多種基于特征工程的機器學習方法和深度學習方法來進行對比分析。它們分別是最近鄰（knearest neighbor， KNN）[27]、支撐向量機（support vector machine， SVM）[28]、高斯處理過程（gaussian process， GP）、決策樹（decision tree， CvDTree）[29]、神經網絡（neural networks， NN）[14]、高斯樸素貝葉斯（gaussian naive bayes， GNB）[18]、二次判別分析（quadratic discriminant analysis， QDA）[30]、卷積神經網絡（convolutional neural network， CNN）[31]、循環(huán)神經網絡（recurrent neural network， RNN）[32]，采用分布式時序卷積神經網絡方法的召回率、準確率、F1值三方面評價指標均有大幅提升。該算法能夠正確識別出測試集中所有有損傷的數據，召回率提高到100%，識別準確率為90.12%，總體F1指標達到86.21%（見表2）。

試驗驗證結果表明，基于深度學習的模型性能普遍優(yōu)于基于特征工程的機器學習模型，這主要是由于壓電數據中噪聲的存在與損傷指數計算提取中的若干限制，使得在利用傳統(tǒng)的損傷指數分析方法對損傷特征進行提取時，不可避免地存在損傷特征維度缺失的現象。深度學習方法能夠避免基于特征工程的機器學習方法所需的人工特征提取過程所帶來的上述諸多弊端。

與其他多種深度學習方法相比，TDCNN的召回率、準確率、F1值三方面評價指標均有大幅提升。這主要得益于TDCNN能夠自動集成和提取多視角的局部頻域特征和整體時序趨勢特征，從而對壓電波形數據的頻域特征和時域特征進行有效建模處理。這種組合型架構不僅可以對源源不斷產生的超長時序數據進行學習，而且對數據的長度也不會進行限制，能夠有效處理變長的壓電數據。

但是，由于目前提供的數據量還不能滿足深度學習模型的數據量要求，因此，雖然目前模型的準確率較高，但模型過擬合程度也同樣較高，模型的泛化能力較差。需要進一步獲取更多的訓練數據，為工程化應用提供可靠的決策支持。

4結論

通過分析，可以得出以下結論：

（1）基于導波的復合材料結構損傷識別，本文提出了一種TDCNN模型。該模型能夠較好地解決深度學習方法在處理結構健康監(jiān)測問題所面臨的困難，包括數據樣本量不足、數據偏斜嚴重以及數據長度不一致等。另外，該模型創(chuàng)新性的應用LSTM模塊，對監(jiān)測數據中各個數據片段特征進行關聯。

（2）TDCNN能夠自動集成和提取導波監(jiān)測信號的局部頻域特征和反映整體趨勢的時序特征，從而有效地對變長的流式數據進行建模處理并能有效預測其長期趨勢，增強了從原始導波信號進行損傷特征提取的能力，從而減輕對專家經驗的過度依賴。

（3）通過在復合材料結構進行了損傷監(jiān)測的驗證試驗，驗證結果表明，TDCNN能夠正確識別出測試集中所有“有損傷”的數據，召回率提高到100%，識別準確率為90.12%，總體F1指標達到86.21%。但是，由于樣本數量有限，存在過擬合現象，泛化能力較差。需要進一步獲取更多的訓練數據，來提高模型的工程化應用價值。

參考文獻

[1]杜善義.先進復合材料與航空航天[J].復合材料學報， 2007， 24（1）： 1-12. Du Shanyi. Advanced composite materials and aerospace engineering[J]. Acta Materiae Compositae Sinica， 2007， 24（1）： 1-12.（in Chinese）

[2]Talrejia R，Singh C V. Damage and failure of composite materials [M]. Cambridge：Cambridge University Press，2012.

[3]Ip K H，Mai Y W. Delamination detection in smart composite beams using Lamb waves [J]. Smart Materials & Structures，2004，13（3）：544.

[4]Osmont D L，Dupont M，Lemistre M B，et al. Damage and damaging impact monitoring by PZT sensor-based HUMS[C]// Proceedings of Spie the International Society for Optical，2000.

[5]郭永躍.基于壓電晶片陣列的復合材料層合板損傷檢測研究[D].哈爾濱；哈爾濱工業(yè)大學， 2016. Guo Yongyue. Research on damage identification for composite laminates with piezoelectric wafer active sensors array[D]. Harbin： Harbin Institute of Technology， 2016.（in Chinese）

[6]王利恒.復合材料飛機結構健康監(jiān)測系統(tǒng)的若干問題探討[J].航空科學技術， 2011（5）： 63-66. Wang Liheng. Discussion on composite structural health monitoring system[J]. Aeronautical Science & Technology， 2011（5）： 63-66.（in Chinese）

[7]袁慎芳.結構健康監(jiān)測[M].北京：國防工業(yè)出版社， 2007. Yuan Shenfang. Structural health monitoring[M]. Beijing： National Defense Industry Press， 2007.（in Chinese）

[8]Maierhofer C，Reinhardt H W，Dobmann G. Non-destructive testing methods Volume 2：Non-Destructive Evaluation of Reinforced Concrete Structures[M]. Woodhead Publishing Series in Civil and Structural Engineering，2010.

[9]王強. Lamb波時間反轉方法及其在結構健康監(jiān)測中的應用研究[D].南京：南京航空航天大學， 2009. Wang Qiang. Research on lamb wave time reversal technique and its applications in structural health monitoring[D]. Nanjing： Nanjing University of Aeronautics and Astronautics， 2009.（in Chinese）

[10]Torkamani S，Roy S，Barkey M E，et al. A novel damage index for damage identification using guided waves with application in laminated composites [J]. Smart Materials & Structures，2014，23（9）：95015.

[11]Zhanjun W，Kehai L，Yishou W，et al. Validation and evaluation of damage identification using probability-based diagnostic imaging on a stiffened composite panel [J]. Journal of Intelligent Material Systems and Structures，2015，26（16）：2181-2195.

[12]Yao P，Zheng B，Dawood M，et al. Real time monitoring of spot-welded joints under service load using lead zirconate titanate（PZT）transducers [J]. Smart Materials & Structures，2017，26（3）：35-59.

[13]劉國強，孫俠生，肖迎春.基于Lamb波和Hilbert變換的復合材料T型加筋損傷監(jiān)測[J].復合材料學報， 2014， 31（3）： 818-823. Liu Guoqiang， Sun Xiasheng， Xiao Yingchun. Damage monitoring of composite T-joint using lamb wave and Hilbert transform[J]. Acta Materiae Compositae Sinica， 2014， 31（3）： 818-823.（in Chinese）

[14]Dworakowski Z，Ambrozinski L，Packo P，et al. Application of artificial neural networks for compounding multiple damage indices in Lamb-wave-based damage detection [J]. Structural Control & Health Monitoring，2015，22（1）：50-61.

[15]Sbarufatti C，Manson G，Worden K. A numerically-enhanced machine learning approach to damage diagnosis using a Lamb wave sensing network [J]. Journal of Sound & Vibration，2014，333（19）：4499-4525.

[16]Worden K，Manson G. The application of machine learning to structural health monitoring [J]. Philosophical Transactions， 2007，365（1851）：515-537.

[17]Atashipour S A，Mirdamadi H R，Hemasian M H，et al. An effective damage identification approach in thick steel beams based on guided ultrasonic waves for structural health monitoring applications [J]. Journal of Intelligent Material Systems and Structures，SACE，2012.

[18]Yan G. A Bayesian approach for damage localization in platelike structure using Lamb waves [J]. Smart Materials & Structures，2013，22（3）：035012.

[19]Su Z，Lin Y. Lamb wave-based quantitative identification of delamination in CF/EP composite structures using artificial neural algorithm [J]. Composite Structures，2004，66（1-4）：627-637.

[20]Agarwal S，Mitra M. Lamb wave based automatic damage detection using matching pursuit and machine learning [J]. Smart Materials & Structures，2014，23（8）：085012.

[21]Liu Y，He R，Wang K. Automatic detection of ECG abnormalities by using an ensemble of deep residual networks with attention [M]. Springer，2019.

[22]Yan J，Qi Y，Rao Q. LSTM-Based Hierarchical denoising network for android malware detection [Z]. Security & Communication Networks，2018.

[23]Ratadiya P，Mishra D. An attention ensemble based approach formultilabelprofanitydetection[C]//2019International Conference on Data Mining Workshops（ICDMW）. IEEE，2019：544-550.

[24]Kant N A，Dar M R，Khanday F，et al. Analog implementation of TDCNN single-cell architecture using sinh-domain companding technique[C]// IEEE International Conference on Recent Trends in Electronics Information Communication Technology.IEEE，2016.

[25]任沙.基于深度學習的手寫數字集特征提取算法[D].長沙：湖南師范大學， 2016. Ren Sha. A feature extraction algorithm for handwritten digits basedondeeplearning[D].Changsha：HunanNormal University， 2016.（in Chinese）

[26]Kingma D，Adam B J. A method for stochastic optimization[C]// Computer Science，2014.

[27]Yunjun G，Baihua Z. Continuous obstructed nearest neighbor queries in spatial databases[C]//Acm Sigmod International Conference on Management of Data.ACM，2009.

[28]Bornn L，Farrar C R，Park G，et al. Structural health monitoring with autoregressive support vector machines [J]. Journal of Vibration andAcoustics，2009，131（2）：40-48.

[29]Kilundu B，Dehombreux P，Letot C. Early detection of bearing damage by means of decision trees [J]. Journal of Automation，Mobile Robotics & Intelligent Systems，2009，3（3）：70-74.

[30]TharwatA.Linearvsquadraticdiscriminantanalysis classifier：a tutorial [J]. International Journal of Applied Pattern Recognition，2016，3（2）：145.

[31]Schmidhuber J. Deep learning in neural networks：an overview [J]. Neural Networks，2015，61：85-117.

[32]Srivastava N，Mansimov E，Salakhutdinov R. Unsupervised learning of video representations using lstms[C]// International Conference on Machine Learning，2015.

（責任編輯王為）

作者簡介

楊宇（1980-）男，博士，高級工程師。主要研究方向：智能結構及損傷健康監(jiān)測。

Tel：029-88268013E-mail：yangyu@cae.ac.cn

王彬文（1974-）男，博士，研究員。主要研究方向：飛機強度研究。

Tel：029-88268868E-mail：asriwbw@sina.com

呂帥帥（1987-）女，碩士，工程師。主要研究方向：結構健康監(jiān)測。

Tel：029-88268713E-mail：647817545@qq.com

A Deep-Learning-Based Method For Damage Identification of Composite Laminates

Yang Yu1，Wang Binwen1，Lyu Shuaishuai1，Zhou Yuxi2，Wang Li1，Liu Guoqiang1

1. Aircraft Strength Research Institute of China，Xian 710065，China

2. Peking University，Beijing 100871，China

Abstract： Carbon fiber reinforced Plastic （CFRP） laminates have been widely used in aircraft primary structures. However， delamination， one most common damaging pattern in CFRP， could deteriorate its mechanical properties considerably. Guided wave is employed for damage detection，and the core challenge is to quantify the damage index through comparing baseline and monitoring signals. This process is highly expertise-dependent，and the threshold of damage index varies from case to case. Therefore， a deep learning method called temporal distributed convolutional neural network （TDCNN） is proposed，which partly addresses the issue of deep-learning application in structural health monitoring，such as inadequate data samples， severe class skewness， and non-uniform data length. Moreover， LSTM module is innovatively used in this model to relate signal features over a chain of data fragments. TDCNN could dig damage features more effectively from original signals， and is less expertise-dependent. Through validation， this method proves to be efficient with a high accuracy.

Key Words： composite laminate； damage detection； guided waves； convolutional neural network