时变环境下结构损伤的高斯混合模型-路径累积成像方法技术

本发明专利技术提出了一种时变环境下结构损伤的高斯混合模型‑路径累积成像方法，属于航空结构健康监测技术领域。本方法首先采用高斯混合模型抑制时变因素的影响，得到时变无关的信号特征参数以可靠表征结构压电传感器网络中各个激励‑传感路径受损伤影响的程度；再采用路径成像算法融合网络中所有路径的时变无关的信号特征参数，实现损伤成像；最后通过在监测过程中不断更新高斯混合模型并成像，获得一系列损伤信息不断累积、损伤在图像中不断凸显的成像结果，从而最终实现损伤定位。本发明专利技术解决了常规损伤成像方法在时变因素影响下难以进行准确损伤定位的问题，有效提高了航空结构在时变环境下损伤诊断的可靠性。

Gauss mixture model path cumulation imaging method for structural damage in time-varying environment

The invention provides a Gauss mixture model for structural damage in time-varying environment, and a path accumulation imaging method, which belongs to the technical field of aviation structural health monitoring. This method first uses the Gauss hybrid model to suppress the influence of the time-varying factor, and obtains the time-varying signal characteristic parameters to reliably characterize the damage effect of the sensor paths of the various excitation sensors in the structure of the piezoelectric sensor network, and then the path imaging algorithm is used to fuse the time-dependent signal characteristic parameters of all the paths in the network. In the end, the Gauss hybrid model and imaging are constantly updated during the monitoring process, and a series of damage information accumulating and damaging the imaging results which are constantly highlighted in the image are obtained, and the damage location is finally realized. The invention solves the problem that the conventional damage imaging method is difficult to accurately locate the damage under the influence of time-varying factors, and effectively improves the reliability of the damage diagnosis in the time-varying environment of the aeronautical structure.

【技术实现步骤摘要】
时变环境下结构损伤的高斯混合模型-路径累积成像方法
本专利技术涉及一种时变环境下结构损伤的高斯混合模型-路径累积成像方法，属于航空结构健康监测

技术介绍
航空结构在服役过程中可能会出现金属裂纹、复合材料结构的脱层、纤维断裂等损伤形式，导致其机械性能的大幅下降，对结构的整体破坏和失效形成潜在的威胁。因此迫切需要开展航空结构的健康监测应用。基于压电传感器网络和导波的成像方法具有监测范围大、对小损伤敏感、损伤定位精度高以及鲁棒性强等优点，被认为是一种很有应用前景的航空结构健康监测技术。这种方法一般是在稳定的实验室环境下，通过评估损伤对结构中导波信号的影响程度来实现损伤成像定位的。但是，航空结构的服役环境通常十分复杂，存在多种随时间变化的不确定性因素，例如环境温度变化、结构边界条件变化以及随机动态载荷等。这些时变环境因素会造成导波传播特性的不确定性变化，使得导波基准信号和监测信号发生改变，造成比结构损伤所带来的影响更加强烈的变化，导致从导波信号中提取出的信号特征无法反应结构的真实损伤状态。传统基于压电传感器网络和导波的成像方法基本没有考虑上述时变问题，因此难以在时变服役条件下实现航空结构准确、可靠的损伤成像定位。因此，如何在利用基于压电传感器网络和导波的成像方法的同时，抑制航空结构服役时变环境的影响，提高损伤诊断的可靠性已成为限制这种方法在航空工程中实际应用的一个关键技术瓶颈。由于航空结构的时变服役环境对导波的影响体现出很强的不确定性和非线性，并且对时变因素的直接测量非常困难，因此常规的环境因素影响补偿方法很难有效应用。高斯混合模型是一种有限混合概率模型，可在无先验知识的前提下通过多个高斯分量的加权组合逼近复杂随机变量的概率分布，为研究导波时变损伤诊断问题提供了一条可行的途径。近年来，国内外一些学者逐渐将高斯混合模型这种典型的概率混合模型引入基于导波的结构健康监测技术的研究中，并证明了模型的有效性。但目前该方法还处于初步研究阶段，研究中仅针对单个独立的导波激励-传感路径的信号，监测范围有限，也没有考虑同基于压电传感器网络和导波的成像方法相结合。
技术实现思路
本专利技术为克服传统基于压电传感器网络和导波的成像方法在航空结构的时变服役环境下无法可靠进行成像定位的问题，提出了一种时变环境下结构损伤的高斯混合模型-路径累积成像方法，实现了航空结构在时变服役环境下的可靠损伤诊断。本专利技术为解决其技术问题采用如下技术方案：一种时变环境下结构损伤的高斯混合模型-路径累积成像方法，包括如下几个步骤：(1)当结构处于时变环境及健康状态下时，连续采集R次结构上布置的压电传感器网络中各激励-传感路径的导波信号，R为大于等于1的自然数，对于其中的每一个路径，从其R次信号中提取R组二维特征参数，构建包含R个样本的基准二维特征参数样本集，在此基础上建立基准高斯混合模型来表征基准二维特征参数样本集受时变条件影响产生的不确定性分布；(2)当结构处于时变环境及监测状态下时，采集一次各激励-传感路径的导波信号，对于其中的每一个路径，分别提取一组二维特征参数并用于更新该路径的基准二维特征参数样本集，得到更新后的监测二维特征样本集，进而建立监测高斯混合模型；(3)对于压电传感器网络中的每一个激励-传感路径，采用基于概率分量最小匹配KL距离的概率分布迁移距离计算方法来量化更新后的监测高斯混合模型和基准高斯混合模型之间的迁移程度，将度量结果作为时变无关信号特征参数，以在时变条件下可靠表征该路径受损伤的影响程度；(4)基于压电传感器网络中各路径的时变无关信号特征参数，采用路径成像算法融合网络中所有路径的时变无关信号特征参数进行成像，生成整个网络监测范围内的损伤成像结果；(5)重复步骤(2)至步骤(4)N次，N为大于等于1的自然数，即每采集1次各激励-传感路径的导波信号后，就更新各路径的监测二维特征参数样本集、监测高斯混合模型、计算时变无关信号特征参数并进行成像，从而获得按时间先后顺序累积的N幅损伤成像图像；(6)通过判别累积的N幅损伤成像图像中损伤逐渐凸显的位置实现损伤定位。步骤(1)和(2)中所述的二维特征参数样本集记为X，表达式如下：X＝{x1,...,xr,...xR}其中：为对应于第r个信号的一组二维信号特征参数，r＝1,2,…,R，DIr1和DIr2分别为对应于第r个信号的互相关损伤因子DI1和频谱幅度差损伤因子DI2，表达式分别如下：其中，b(t)和m(t)分别代表计算损伤因子时的基准信号和监测信号；t0和t1分别代表计算损伤因子时选取的信号段的起始、截止时间；ω0和ω1分别为选取的信号频谱段的起始频率和截止频率。步骤(1)和(2)中所述的高斯混合模型表达式如下：其中，表示高斯混合模型表征的xr的概率密度函数，表示的分布参数，G为高斯混合模型中高斯分量的个数，πg和θg分别为第g个高斯分量ξg的混合权值和分布参数，g＝1,2,…,G，ξg的概率密度函数表达如下：其中，μg和Σg分别为ξg的均值向量和协方差矩阵，d为xr的维度。步骤(3)中所述的基于概率分量最小匹配KL距离的时变无关信号特征参数计算方法如下：第一步：假设当前更新次数为n，n＝1,2,…,N，对于某一个激励-传感路径，其基准高斯混合模型和当前监测高斯混合模型分别为ξ(0)和ξ(n)，首先计算ξ(0)中任意一个高斯分量ξg(0)和ξ(n)中任意一个高斯分量ξs(n)的KL距离KLπ(ξg(0)||ξs(n))，其中s＝1,2,…,G，计算公式表达如下：其中：μg(0)为基准高斯混合模型中第g个高斯分量的均值，μs(n)为当前监测高斯混合模型中第s个高斯分量的均值，πg为基准高斯混合模型中第g个高斯分量的混合权值，πs为当前监测高斯混合模型中第s个高斯分量的混合权值，∑g(0)为基准高斯混合模型中第g个高斯分量的协方差矩阵，∑s(n)为当前监测高斯混合模型中第s个高斯分量的协方差矩阵，tr为矩阵的迹，det为矩阵的行列式值；第二步：分别计算ξg(0)和ξ(n)中各个高斯分量的KLπ值，如果ξg(0)和ξs(n)之间的的KLπ值最小，则将ξs(n)看作ξg(0)的最佳匹配高斯分量，表达如下：第三步：在计算出ξ(0)中各个高斯分量在ξ(n)中的最佳匹配高斯分量后，可进一步度量ξ(0)和ξ(n)之间的概率分布迁移，即时变无关信号特征参数TP(n)，表达如下：步骤(2)和步骤(5)中所述的更新二维特征参数样本集的方法为去除当前样本集中的第一个样本，加入新提取的二维特征参数作为最后一个样本，从而获得更新后的二维特征参数样本集，并保持样本集中的样本个数始终为R。步骤(4)中所述的路径成像算法的具体实施过程如下：第一步：设当前更新次数为n，压电传感器网络中总共有M个激励-传感路径，M为大于等于1的自然数，第m个路径的时变无关信号特征参数为TPm(n)，m＝1,2,…,M；基于TPm(n)，构建第m个路径的概率椭圆。对于待成像图中的任意一个点(x,y)，其损伤发生概率Pm(x,y)表达如下：其中B为预设的尺寸参数，控制激励-传感路径上损伤因子影响区域的大小，Qm(x,y)为像素点(x,y)到第m个路径的激励器和传感器的距离之和与该路径长度的比值，其表达式如下：其中：xa为激励-传感路径中本文档来自技高网...

【技术保护点】
1.一种时变环境下结构损伤的高斯混合模型‑路径累积成像方法，其特征在于，包括如下几个步骤：(1)当结构处于时变环境及健康状态下时，连续采集R次结构上布置的压电传感器网络中各激励‑传感路径的导波信号，R为大于等于1的自然数，对于其中的每一个路径，从其R次信号中提取R组二维特征参数，构建包含R个样本的基准二维特征参数样本集，在此基础上建立基准高斯混合模型来表征基准二维特征参数样本集受时变条件影响产生的不确定性分布；(2)当结构处于时变环境及监测状态下时，采集一次各激励‑传感路径的导波信号，对于其中的每一个路径，分别提取一组二维特征参数并用于更新该路径的基准二维特征参数样本集，得到更新后的监测二维特征样本集，进而建立监测高斯混合模型；(3)对于压电传感器网络中的每一个激励‑传感路径，采用基于概率分量最小匹配KL距离的概率分布迁移距离计算方法来量化更新后的监测高斯混合模型和基准高斯混合模型之间的迁移程度，将度量结果作为时变无关信号特征参数，以在时变条件下可靠表征该路径受损伤的影响程度；(4)基于压电传感器网络中各路径的时变无关信号特征参数，采用路径成像算法融合网络中所有路径的时变无关信号特征参数进行成像，生成整个网络监测范围内的损伤成像结果；(5)重复步骤(2)至步骤(4)N次，N为大于等于1的自然数，即每采集1次各激励‑传感路径的导波信号后，就更新各路径的监测二维特征参数样本集、监测高斯混合模型、计算时变无关信号特征参数并进行成像，从而获得按时间先后顺序累积的N幅损伤成像图像；(6)通过判别累积的N幅损伤成像图像中损伤逐渐凸显的位置实现损伤定位。...

【技术特征摘要】
1.一种时变环境下结构损伤的高斯混合模型-路径累积成像方法，其特征在于，包括如下几个步骤：(1)当结构处于时变环境及健康状态下时，连续采集R次结构上布置的压电传感器网络中各激励-传感路径的导波信号，R为大于等于1的自然数，对于其中的每一个路径，从其R次信号中提取R组二维特征参数，构建包含R个样本的基准二维特征参数样本集，在此基础上建立基准高斯混合模型来表征基准二维特征参数样本集受时变条件影响产生的不确定性分布；(2)当结构处于时变环境及监测状态下时，采集一次各激励-传感路径的导波信号，对于其中的每一个路径，分别提取一组二维特征参数并用于更新该路径的基准二维特征参数样本集，得到更新后的监测二维特征样本集，进而建立监测高斯混合模型；(3)对于压电传感器网络中的每一个激励-传感路径，采用基于概率分量最小匹配KL距离的概率分布迁移距离计算方法来量化更新后的监测高斯混合模型和基准高斯混合模型之间的迁移程度，将度量结果作为时变无关信号特征参数，以在时变条件下可靠表征该路径受损伤的影响程度；(4)基于压电传感器网络中各路径的时变无关信号特征参数，采用路径成像算法融合网络中所有路径的时变无关信号特征参数进行成像，生成整个网络监测范围内的损伤成像结果；(5)重复步骤(2)至步骤(4)N次，N为大于等于1的自然数，即每采集1次各激励-传感路径的导波信号后，就更新各路径的监测二维特征参数样本集、监测高斯混合模型、计算时变无关信号特征参数并进行成像，从而获得按时间先后顺序累积的N幅损伤成像图像；(6)通过判别累积的N幅损伤成像图像中损伤逐渐凸显的位置实现损伤定位。2.根据权利要求1所述的时变环境下结构损伤的高斯混合模型-路径累积成像方法，其特征在于，步骤(1)和(2)中所述的二维特征参数样本集记为X，表达式如下：X＝{x1,...,xr,...xR}其中：为对应于第r个信号的一组二维信号特征参数，r＝1,2,…,R，DIr1和DIr2分别为对应于第r个信号的互相关损伤因子DI1和频谱幅度差损伤因子DI2，表达式分别如下：其中，b(t)和m(t)分别代表计算损伤因子时的基准信号和监测信号；t0和t1分别代表计算损伤因子时选取的信号段的起始、截止时间；ω0和ω1分别为选取的信号频谱段的起始频率和截止频率。3.根据权利要求1所述的时变环境下结构损伤的高斯混合模型-路径累积成像方法，其特征在于，步骤(1)和(2)中所述的高斯混合模型表达式如下：其中，表示高斯混合模型表征的xr的概率密度函数，表示的分布参数，G为高斯混合模型中高斯分量的个数，πg和θg分别为第g个高斯分量ξg的混合权值和分布参数，g＝1,2,…,G，ξg的概率密度函数表达如下：其中，μg和Σg分别为ξg的均值向量和协方差矩阵，d为xr的维度。4.根据权利要求1所述的时变环境下结构损伤的高斯混合模型-路径累积成像方法，其特征在于，...

【专利技术属性】
技术研发人员：邱雷，袁慎芳，任元强，房芳，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32