基于域自適應的復合材料結(jié)構(gòu)損傷識別方法

王育鵬，呂帥帥，楊宇，李嘉欣，王葉子

1. 西北工業(yè)大學 航空學院，西安 710072 2. 中國飛機強度研究所，西安 710065

近年來，碳纖維增強復合材料(Carbon Fibre Reinforced Plastics, CFRP)由于具有比強度/比剛度高、性能可設計和易于整體成型等優(yōu)點，被廣泛應用于飛機主承力部件。但是，CFRP對外來物沖擊敏感，跑道碎片、維護工具、保障車輛的撞擊，都可能造成表面目視基本不可見、內(nèi)部大面積分層的損傷，使得結(jié)構(gòu)壓縮強度有時下降40%以上，給飛行安全帶來隱患。目前，為了保障復合材料結(jié)構(gòu)的使用安全，需要將設計許用值設定低于結(jié)構(gòu)含表面勉強目視可見損傷(Barely Visible Inspected Damage, BVID)的剩余強度值，但是不利于發(fā)揮CFRP結(jié)構(gòu)減重的優(yōu)勢。

能夠?qū)崟r監(jiān)測結(jié)構(gòu)狀態(tài)的結(jié)構(gòu)健康監(jiān)測(Structural Health Monitoring, SHM)技術(shù)為解決上述問題提供了一條潛在的解決途徑。導波(Guided Wave)能夠在結(jié)構(gòu)中傳播較長距離，并且對分層、脫粘和裂紋等損傷敏感，已經(jīng)被開發(fā)成為一種結(jié)構(gòu)損傷監(jiān)測方法。然而，其在航空工程領(lǐng)域的表現(xiàn)一直無法令人滿意。這是由于導波對結(jié)構(gòu)構(gòu)型、損傷形式、使用環(huán)境等因素非常敏感，損傷診斷的準確性和可靠性很大程度取決于專家水平以及專家對監(jiān)測對象的先驗知識。

研究人員利用深度學習開展了基于導波的結(jié)構(gòu)損傷識別、定位和定量研究。Shen等利用深度學習技術(shù)開展了加筋壁板的脫粘識別研究，對有限元仿真得到的導波信號進行小波變換預處理后以灰度圖的形式輸入卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network, CNN)進行識別，其準確率接近99%。Cui等將深度學習技術(shù)應用于加筋復合材料測試板關(guān)鍵區(qū)域的損傷成像，其設計的一維CNN算法在蒙皮、縱梁翼緣和縱梁帽區(qū)域展現(xiàn)出較好的損傷診斷能力。Khan等提出了一種基于結(jié)構(gòu)振動的、用于復合材料層合板分層損傷評價的深度學習框架，對模擬損傷位置、大小的預測準確率達到94.5%. Zhang等利用遷移學習技術(shù)，開發(fā)了一個可在損傷定位和損傷定量間進行知識遷移的深度學習框架，效果明顯優(yōu)于對兩類任務進行直接訓練。

研究結(jié)果表明深度學習方法能夠有效處理材料、結(jié)構(gòu)、環(huán)境等因素變化引起的不確定性，減輕對專家經(jīng)驗和先驗知識的依賴。但是，有效的深度學習方法是以大量的損傷數(shù)據(jù)樣本為基礎(chǔ)的。航空結(jié)構(gòu)試驗昂貴，無法滿足海量損傷數(shù)據(jù)的需求。虛擬損傷(通過數(shù)值模型或者在結(jié)構(gòu)表面粘貼質(zhì)量塊來模擬損傷)雖然能夠產(chǎn)生大量數(shù)據(jù)，但與真實損傷存在一定的差別，不能直接替代。因此，建立從虛擬損傷到真實損傷的遷移識別能力，對實現(xiàn)基于導波的結(jié)構(gòu)損傷監(jiān)測具有重要的工程意義。

本文提出一種基于域自適應的深度學習導波損傷診斷方法。該方法以典型航空復合材料結(jié)構(gòu)為研究對象，通過提取物理模擬損傷和真實損傷的共有信號特征，在無需對真實損傷信號進行標注的情況下，即可實現(xiàn)對損傷的準確監(jiān)測。

1 基于域自適應的深度學習模型

首先，在被監(jiān)測結(jié)構(gòu)上通過粘貼質(zhì)量塊的方式模擬結(jié)構(gòu)損傷，并收集大量的導波監(jiān)測數(shù)據(jù)作為源域，設計并訓練深度學習損傷識別模型；然后，通過多次落錘沖擊試驗在被監(jiān)測結(jié)構(gòu)上引入一定數(shù)量的物理損傷，獲取相應的導波監(jiān)測數(shù)據(jù)，作為目標域；接著，設計域自適應模塊，對深度學習模型的參數(shù)進行微調(diào)，使源域(模擬損傷)和目標域(真實損傷)的數(shù)據(jù)樣本在特征空間內(nèi)滿足相同的分布規(guī)律，進而提高深度學習模型對真實損傷的識別準確率；最后，通過在結(jié)構(gòu)服役過程中持續(xù)獲取損傷監(jiān)測數(shù)據(jù)，使深度學習模型的可靠性不斷得到提升。

應用該方法，能夠?qū)崿F(xiàn)在待檢測結(jié)構(gòu)上直接收集模擬損傷信號又不對結(jié)構(gòu)本身產(chǎn)生性能干擾，訓練得到的模型通過參數(shù)在線更新，可直接用于真實損傷的監(jiān)測，無需等待真實損傷積累至一定數(shù)量再將模型投入使用，具有較好的經(jīng)濟性和工程應用價值。

1.1 整體架構(gòu)

采用的深度學習模型(以下簡稱模型)主要包含特征提取和目標分類。在結(jié)構(gòu)上布置的監(jiān)測網(wǎng)絡中，2個傳感器構(gòu)成1條監(jiān)測路徑。模型首先對每條監(jiān)測路徑上的導波信號提取特征，再將所有監(jiān)測路徑的信號進行特征拼接，最后利用域自適應網(wǎng)絡進行目標分類，輸出損傷識別及定位結(jié)果，其數(shù)據(jù)處理流程如圖1所示。

圖1 損傷識別模型框架Fig.1 Framework of damage identification model

1.1.1 特征提取

由于導波監(jiān)測信號具有較強的時序特征，因此采用處理時序文本的長短期記憶網(wǎng)絡(Long Short-Term Memory, LSTM)作為特征提取網(wǎng)絡的主體結(jié)構(gòu)。導波信號的特征提取分為信號拆分、信號編碼、時序特征提取3個步驟。信號拆分是將包含4 000個采樣點的導波信號拆分為 10個 400個采樣點的信號單元；信號編碼是將每個信號單元按照一定的規(guī)則編寫為有利于時序分析的語義信號；時序特征提取則是利用LSTM挖掘10個信號單元間的時序關(guān)聯(lián)特征。

使用一個3層卷積神經(jīng)網(wǎng)絡對信號單元進行編碼，并與LSTM構(gòu)成了混合神經(jīng)網(wǎng)絡模型，更有利于深層損傷特征的提取。編碼網(wǎng)絡的結(jié)構(gòu)如圖2所示，其中卷積層參數(shù)(lx, ly, lz)中的lx、ly表示卷積核尺寸，lz表示卷積核數(shù)量；池化層參數(shù)(cx, cy)表示池化窗口尺寸。

圖2 編碼網(wǎng)絡架構(gòu)Fig.2 Architecture of coding network

編碼后的每個信號單元均轉(zhuǎn)換為一個120維向量，10個信號單元的向量按照導波信號采樣的時間順序依次進入LSTM網(wǎng)絡，以提取時序特征。LSTM網(wǎng)絡的結(jié)構(gòu)如圖3所示，其中表示一條導波信號中第個信號單元的120維向量，為模型從前個信號單元中提取的時序特征向量，()為LSTM模型處理完第個信號單元后的模型狀態(tài)，虛線表示LSTM模型的時間更迭，時刻的模型輸出、模型狀態(tài)作為下一時刻的歷史數(shù)值重新輸入。

圖3 LSTM網(wǎng)絡架構(gòu)Fig.3 Network architecture of LSTM

LSTM模型的輸入包括、-1和(-1)，主體結(jié)構(gòu)包括遺忘門、輸入門和輸出門。其中遺忘門的功能是從上一時刻的模型狀態(tài)中過濾掉需要丟棄的信息，它包含一個維隱層神經(jīng)網(wǎng)絡。

、-1經(jīng)過遺忘門后輸出一個維向量，具體可以表述為

=(+-1)

(1)

式中：為sigmoid函數(shù)；、分別為、-1與隱層神經(jīng)網(wǎng)絡的連接權(quán)值。

中的元素處于[0,1]內(nèi)，0表示(-1)中的對應元素需要完全遺忘，1表示完全保留。通過遺忘門可以剔除掉LSTM狀態(tài)中與損傷特征無關(guān)的時序信息。

輸入門的功能則是從新輸入的信號單元中提取出有效的損傷信息，并利用該信息更新模型狀態(tài)。輸入門包括2個單層維神經(jīng)網(wǎng)絡，其作用分別為創(chuàng)建一個新的候選向量和訓練出該向量的權(quán)值，具體可表示為

=tanh(+-1)

(2)

=(+-1)

(3)

式中：tanh為正切函數(shù)；、分別為與2個神經(jīng)網(wǎng)絡的連接權(quán)值；、分別為-1與2個神經(jīng)網(wǎng)絡的連接權(quán)值。

遺忘門的和輸入門的、共同決定了LSTM在時刻的狀態(tài)：

()=(-1)+

(4)

輸出門的作用是基于模型狀態(tài)()輸出前序信號單元的時序特征，它包含一個單層維神經(jīng)網(wǎng)絡，具體可表示為

=(+-1)

(5)

=tanh(()

(6)

式中：、分別為、-1與輸出門神經(jīng)網(wǎng)絡的連接權(quán)值。

將LSTM隱層神經(jīng)網(wǎng)絡的維度設置為28，一條導波信號經(jīng)過10次迭代得到一個28維時序特征向量。

1.1.2 目標分類

24條導波路徑的特征向量拼接后形成一個24×28維的向量，模型通過單層全連接神經(jīng)網(wǎng)絡將其映射至一個128維特征空間(見圖1)。如果源域和目標域的數(shù)據(jù)在128維空間內(nèi)符合相同的分布規(guī)律，那么以源域數(shù)據(jù)精準分類為目標優(yōu)化得到的深度學習模型，將能夠同時適用于無標簽的目標域數(shù)據(jù)。為達到這一目標，在分類網(wǎng)絡中設計了域自適應模塊。

1.2 域自適應模塊

域自適應模塊的輸入數(shù)據(jù)包括大量的、對(模擬)損傷有無進行了標記的源域數(shù)據(jù)和少量的、未對(真實)損傷進行標記的目標域數(shù)據(jù)，其作用是提高兩類數(shù)據(jù)在特征空間內(nèi)的分布相似性。使用最大均值差異(Maximum Mean Discrepancy, MMD)來衡量源域和目標域數(shù)據(jù)特征分布的相似性，它能夠度量在再生希爾伯特空間(Reproducing Kernel Hilbert Space, RKHS)中兩個分布的距離，具體表達式為

(7)

式中：、分別表示源域、目標域數(shù)據(jù)的特征向量；、分別表示源域和目標域的樣本個數(shù)；(·)表示映射函數(shù)，用于把原變量映射至RKHS, MMD的實質(zhì)是求兩類數(shù)據(jù)在RKHS中的均值距離。

域自適應模塊的添加主要更改了模型的損失函數(shù)，在原有的分類損失的基礎(chǔ)上增加MMD損失。通過最小化MMD，減小源域和目標域數(shù)據(jù)分布的差異；同時最小化源域數(shù)據(jù)的分類損失，使目標域數(shù)據(jù)通過分類網(wǎng)絡后能夠準確預測損傷。該模型的損失函數(shù)為

=(,)+MMD(,)

(8)

式中：表示分類損失；、分別表示的真值和預測值；表示兩類損失的權(quán)重參數(shù)，為超參數(shù)。

模型在訓練過程中對MMD和分類誤差進行同步優(yōu)化，最終達到兩類數(shù)據(jù)同分布和源域數(shù)據(jù)的高準確率分類。

2 實驗設計與模型訓練

2.1 實驗設計

使用導波監(jiān)測網(wǎng)絡開展復合材料加筋壁板的分層損傷識別和定位研究。加筋壁板采用CCF300/BA9916碳纖維增強復合材料，其結(jié)構(gòu)如圖4(a)所示，長700 mm，寬450 mm，包含3條長桁，中心區(qū)域長桁間距150 mm。在加筋板的中心區(qū)域，布置①～⑨共9個壓電傳感器，形成含24條監(jiān)測路徑的網(wǎng)絡，覆蓋蒙皮與長桁，并劃分為A、B、C和D共4個區(qū)域，如圖4(b)所示。根據(jù)監(jiān)測信號與基線信號的差異識別損傷，樣本為一個24×4 000 的矩陣，其中24表示24條路徑，4 000表示每條路徑上導波信號的采樣點個數(shù)。使用在試驗件表面粘貼專用質(zhì)量塊的方法來模擬損傷，獲取源域數(shù)據(jù)，如圖5(a)所示；通過沖擊試驗制造真實損傷，獲取目標域數(shù)據(jù)，如圖5(b)所示。

圖4 試驗件Fig.4 Test piece

圖5 模擬和沖擊試驗示意圖Fig.5 Schematic diagram of simulation and impact test

深度學習模型在目標域表現(xiàn)良好的基礎(chǔ)是其對源域數(shù)據(jù)具有較好的識別準確率和召回率。因此，使用4件(A1～A4)相同的復合材料加筋壁板獲取大量的模擬損傷數(shù)據(jù)，包含不同試驗件之間材料、結(jié)構(gòu)的差異性，使獲取的數(shù)據(jù)能夠表征源域數(shù)據(jù)的分布規(guī)律。質(zhì)量塊的粘貼面積在8 mm×8 mm～13 mm×13 mm范圍內(nèi)隨機變化。每個試驗件的數(shù)據(jù)采集間隔2天時間，以引入環(huán)境變化(溫度、傳感器狀態(tài)等)對監(jiān)測信號的影響，豐富樣本的多樣性。模擬損傷數(shù)據(jù)的具體采集方法為：

1) 在試驗件的區(qū)域A內(nèi)粘貼質(zhì)量塊，采集監(jiān)測信號并將其作為損傷信號，后隨機更改粘貼位置和質(zhì)量塊尺寸，并重復以上操作；每采集10條損傷信號后采集一次無損傷(即不粘貼質(zhì)量塊)的基線信號。

2) 針對區(qū)域B、C、D重復操作。

3) 針對每一個試驗件，分別隨機抽取一條損傷信號和一條基線信號，兩者相減得到的散射信號即為一個損傷樣本，并根據(jù)其所在區(qū)域，標記為A、B、C或D。

4) 針對每一個試驗件，隨機抽取兩條基線信號，兩者相減得到的即為無損傷樣本，標記為0。

A1～A4上共收集損傷信號1 710條，基線信號170條，每條路徑的采樣頻率均為120 Hz，采樣點個數(shù)為4 500個，其中0～500為電磁串擾，不參與數(shù)據(jù)分析。數(shù)據(jù)收集過程歷時15天，最大溫度變化為4 ℃。通過隨機匹配、相減的方法生成源域樣本4 100個，其中標簽為0、A、B、C和D的樣本分別有900、1 070、520、1 120和390個。

為驗證模型是否受材料分散性影響，添加另外2塊相同的試驗件(A5和A6)進行沖擊試驗，能量分為5 J、10 J和15 J，共沖擊233次，通過無損檢測確定產(chǎn)生沖擊損傷183處。每次沖擊后采集2次導波數(shù)據(jù)，其間間隔10分鐘。若沖擊產(chǎn)生損傷，則使用沖擊前、后的數(shù)據(jù)生成一個損傷樣本，使用2次沖擊后數(shù)據(jù)產(chǎn)生一個無損傷樣本；若沖擊未發(fā)生損傷，則使用沖擊前、后數(shù)據(jù)生成一個無損傷樣本。沖擊損傷的數(shù)量、標簽統(tǒng)計如表1所示，其中標簽為B、D的樣本數(shù)量明顯少于標簽為A、C的樣本。造成該現(xiàn)象的原因是區(qū)域B、D處為長桁，且壓電傳感器粘貼于試驗件內(nèi)表面，由于導波在結(jié)構(gòu)表面?zhèn)鞑?，因此只有當沖擊損傷使長桁產(chǎn)生脫粘時，導波信號才會發(fā)生明顯變化，若只有試驗件外表面發(fā)生損傷，壓電傳感器則難以監(jiān)測到結(jié)構(gòu)變化。標簽為0、A、B、C和D的樣本分別有78、46、18、38和3個。

2.2 模型訓練及結(jié)果分析

域自適應深度學習模型的損失函數(shù)分為分類損失和域自適應損失兩部分，訓練過程不易收斂。因此，使用遷移的思想對模型進行訓練，即首先訓練一個針對源域數(shù)據(jù)的分類網(wǎng)絡，再以該網(wǎng)絡的最優(yōu)參數(shù)作為初始值，對域自適應深度學習模型進行訓練。針對源域數(shù)據(jù)進行訓練時，訓練集、驗證集和測試集的樣本數(shù)量分別為3 100、500、500個，經(jīng)過72次迭代模型收斂；訓練域自適應模型時，源域數(shù)據(jù)的分配保持不變，目標域的183條未標記樣本均作為訓練集，經(jīng)過45次迭代模型收斂。應用該模型分別對源域測試集和目標域數(shù)據(jù)集進行分類，兩類數(shù)據(jù)的精確率分別為86.2%和85.7%，召回率分別為89.6%和87.9%，目標域數(shù)據(jù)達到了和源域數(shù)據(jù)相近的識別結(jié)果，其中目標域數(shù)據(jù)的混淆矩陣如表1所示。此外，使用的處理器為Nvidia GTX 1050，每秒鐘可以完成25個數(shù)據(jù)樣本的分類任務。

如表1可知，103個有損傷樣本中，有10個被預測為無損傷、2個位置預測錯誤，損傷檢出概率為88.3%；在109個預測為有損傷的樣本中，14個為無損傷、2個位置錯誤，虛警率為14.6%。 此外，為研究域自適應技術(shù)對損傷識別準確率的影響，使用基于源域(模擬損傷)數(shù)據(jù)訓練的深度學習模型直接對目標域(沖擊損傷)數(shù)據(jù)進行檢測，其混淆矩陣如表2所示，模型的識別精確率、召回率、損傷檢出概率和虛警率分別為76.9%、83%、78.6%和30.2%. 相比之下，域自適應模型的各向指標分別提升了8.8%、4.9%、9.7%和15.6%，說明域自適應技術(shù)可以在數(shù)據(jù)未標記的狀態(tài)下，根據(jù)實時采集數(shù)據(jù)自動修正模型參數(shù)，進而提升新采集數(shù)據(jù)的損傷識別準確率。

為進一步說明域自適應模塊對真實損傷的特征分布和分類準確率的影響，首先計算了添加域自適應模塊前、后，真實損傷與模擬損傷在128維特征空間內(nèi)的MMD，其值分別為4.12和0.89，說明域自適應模塊減小了兩類數(shù)據(jù)特征分布的差異；然后使用主成分分析法將128維的特征向量降至2維并顯示，如圖6所示。其中圖6(a)和圖6(b)分別為添加域自適應模塊前后，模擬和真實損傷數(shù)據(jù)的特征分布，小圓、大圓分別表示源域和目標域數(shù)據(jù)，紅、藍、綠、黑、黃分別表示樣本無損傷、損傷位于A、B、C、D區(qū)域。由圖6可知，域自適應模塊添加前后，模擬損傷的5類數(shù)據(jù)均能較好的分離、界限明顯；在添加域自適應模型塊前，真實損傷5個類別的數(shù)據(jù)均分布于模擬損傷對應類別的附近，但處于模擬損傷數(shù)據(jù)簇的外側(cè)，各類別間存在數(shù)據(jù)疊加；而在添加域自適應模塊后，模擬損傷和真實損傷的數(shù)據(jù)明顯更加集中，兩者集合為同一個簇，進而模擬損傷的類別界限同樣可以適用于真實損傷。例如：針對紅色(無損傷)和綠色(損傷位于區(qū)域B)數(shù)據(jù)，在應用域自適應技術(shù)前，兩者的分類線可能位于直線、間任一位置，進而將紅色小圓和綠色小圓(即模擬損傷)完全分開，但是若直接用該分類線對紅色大圓和綠色大圓(即真實損傷)分類，則會有多個紅色大圓被歸類到綠色類別；添加域自適應模塊后，通過小圓分類優(yōu)化得到的分類線位于直線′、′間，而′、′間只有2個綠色大圓、沒有紅色大圓，因此，分類錯誤個數(shù)會明顯減少，進而表現(xiàn)為在無標簽的情況下，模型對真實損傷的預測準確率明顯提升。該結(jié)論可通過表1和表2間的數(shù)據(jù)對比得到證實。在表2中，無損傷樣本有6個被誤判為損傷位于區(qū)域B，而在表1中，沒有無損傷樣本被誤判為損傷位于區(qū)域B。

表1 基于域自適應模塊對沖擊損傷識別的混淆矩陣Table 1 Confusion matrix for shock damage identification based on domain adaptive module

表2 未使用自適應模塊對沖擊損傷識別的混淆矩陣Table 2 Confusion matrix for shock damage identification without domain adaptive module

圖6 數(shù)據(jù)特征分布Fig.6 Distribution of data features

3 結(jié) 論

1) 提出一種基于域自適應的深度學習導波損傷診斷方法，利用物理模擬損傷產(chǎn)生大量與真實損傷相近的導波監(jiān)測數(shù)據(jù)，并設計、訓練深度學習損傷識別模型；再通過域自適應技術(shù)將該模型遷移至少量、無標簽的沖擊損傷監(jiān)測數(shù)據(jù)，使其對真實損傷也具備與模擬損傷相近的識別準確率。

2) 使用該方法，能夠在待檢測結(jié)構(gòu)上直接收集模擬損傷數(shù)據(jù)又不對結(jié)構(gòu)本身產(chǎn)生性能干擾，物理模擬損傷和域自適應技術(shù)可以較好的解決工程實際中無法事先采集監(jiān)測對象的損傷信號、制定損傷判據(jù)的問題。

3) 域自適應深度學習模型在導波損傷診斷中表現(xiàn)良好的一個重要因素是物理模擬損傷和真實損傷的數(shù)據(jù)分布規(guī)律近似，然后通過域自適應模塊調(diào)整模型參數(shù)，使模擬損傷與真實損傷符合同一種分類規(guī)則。

在全機疲勞試驗等復雜應用場景下，多類干擾因素耦合、信號機理分析困難，域自適應深度學習模型為其損傷監(jiān)測提供了一條新的思路，面向工程實際的域自適應技術(shù)應用是本文的后續(xù)研究方向。