【技术实现步骤摘要】
本专利技术涉及太赫兹无损检测领域，更具体地说是指基于域对齐的复合材料重叠损伤太赫兹表征方法及装置。
技术介绍
1、太赫兹波的频率处于100ghz至10thz之间，波长在0.03mm至3mm之间，由于其具有窄脉冲、高穿透性以及强安全性等特点，已在无损检测领域展现了巨大的应用潜力，目前被美国航天局列为航天器损伤检测的关键技术之一。复合材料，作为航空航天领域关键结构轻量化材料，其结构完整性评估对保障飞行器运行安全性和服役可靠性至关重要。太赫兹无损检测技术可作为一种高精度的评估手段用于复合材料结构完整性准确评估。但是，由于复合材料具有多界面特性和界面失效过程的复杂性，太赫兹波很容易受到色散、衰减、多次反射等干扰的影响，导致响应信号变得非常复杂。高效、可靠地实现复杂太赫兹信号特征的准确解耦仍然是一个具有挑战性的难题。
2、目前，太赫兹信号的特征提取方法主要包括物理驱动方法和数据驱动方法。物理驱动方法通过对太赫兹信号进行变换和分析，提取信号的有效特征，但这种方法受到专家经验和人工操作的限制。数据驱动方法则是一种端到端的方法，能够利用智能模型自动地提取信号中的有效损伤特征，并根据特征之间的差异进行自动分类，已成为损伤识别领域的重要技术。然而，对于复合材料太赫兹检测过程，目前的模型主要用于单一损伤形式的识别，而对于复杂的重叠损伤形式，模型的适用性受到极大的限制。此外，由于环境、参数、设备、噪声等因素的变化，不同测试条件下太赫兹信号的分布存在差异，即域偏移问题，这极大地降低了模型的泛化性能，导致损伤定位和识别精度较差。
3
技术实现思路
1、本专利技术的目的在于克服现有技术的问题，提供基于域对齐的复合材料重叠损伤太赫兹表征方法及装置。
2、为实现上述目的，本专利技术采用以下技术方案：基于域对齐的复合材料重叠损伤太赫兹表征方法，包括：
3、获取源域和目标域复合材料重叠损伤样本太赫兹信号，构建源域和多个目标域数据集；
4、分析源域和不同目标域信号差异，建立多干扰下太赫兹波传输模型；
5、根据建立的太赫兹波传输模型，建立一种物理-数据融合的太赫兹多标签域对抗深度学习网络模型，其中，物理-数据融合的太赫兹多标签域对抗深度学习用于不同域数据的对齐和重叠损伤的识别；
6、采用分阶段训练策略，最小化模型损失，输出目标域预测多标签向量；
7、将目标域成像数据集输入训练好的模型，根据预测多标签向量进行损伤成像，输出损伤量化结果。
8、其进一步技术方案为：所述物理-数据融合的太赫兹多标签域对抗深度学习网络模型包括数据对齐模块、特征对齐模块以及多标签分类模块；所述数据对齐模块，根据太赫兹信号物理先验，将源域和目标域中不同的太赫兹信号在数据维度上进行对齐。
9、其进一步技术方案为：所述特征对齐模块，包括采用域共享策略的全局对抗域适应网络以及局部对抗域适应网络，用于将不同域太赫兹信号在特征维度上进行对齐；所述全局对抗域适应网络包括域共享全局cnn以及域鉴别器；所述域鉴别器包括三个全连接层。
10、其进一步技术方案为：所述局部对抗域适应网络包括域共享全局cnn、mace模块、多个域鉴别器以及多通道融合层。
11、其进一步技术方案为：所述不同测试条件下太赫兹波传输模型为e(ω)和e0(ω)分别为干扰前后太赫兹响应信号的频谱；r为振幅系数；为第k个干扰引起的相位因子。
12、其进一步技术方案为：所述采用分阶段训练策略，最小化模型损失，输出目标域预测多标签向量，包括：
13、利用源域数据集对源域特征提取器和多标签分类模块进行训练；
14、利用源域数据和部分目标域数据进行对抗学习，训练目标域特征提取器和多个域鉴别器；
15、最小化模型损失，获得最优模型参数，输出目标域预测多标签向量。
16、其进一步技术方案为：所述利用源域数据集对源域特征提取器和多标签分类模块进行训练，包括：
17、利用源域数据集通过最小化m个二值分类器的平均交叉熵损失来训练多标签分类模块，获得最优的源域特征提取器；
18、采用训练良好的源域特征提取器参数初始化目标域特征提取器。
19、其进一步技术方案为：所述利用源域数据和部分目标域数据进行对抗学习，训练目标域特征提取器和多个域鉴别器，包括：
20、通过最小化全局对抗损失和局部对抗损失，协同训练目标域特征提取器和多个域鉴别器，以获得最优参数。
21、其进一步技术方案为：所述最小化模型损失，获得最优模型参数，输出目标域预测多标签向量，包括：
22、采用分阶段训练策略，通过最小化多类分类损失和对抗损失，获得最优模型参数，利用目标域测试集进行测试，输出目标域预测多标签向量。
23、本专利技术还提供了基于域对齐的复合材料重叠损伤太赫兹表征装置，包括：
24、数据单元，用于获取源域和目标域复合材料重叠损伤样本太赫兹信号，构建源域和多个目标域数据集；
25、分析单元，用于分析源域和不同目标域信号差异，建立多干扰下太赫兹波传输模型；
26、模型单元，用于根据建立的太赫兹波传输模型，建立一种物理-数据融合的太赫兹多标签域对抗深度学习网络模型，其中，物理-数据融合的太赫兹多标签域对抗深度学习用于不同域数据的对齐和重叠损伤的识别；
27、训练单元，用于采用分阶段训练策略，最小化模型损失，输出目标域预测多标签向量；
28、量化单元，用于将目标域成像数据集输入训练好的模型，根据预测多标签向量进行损伤成像，输出损伤量化结果。
29、本专利技术与现有技术相比的有益效果是：本专利技术通过考虑太赫兹信号的物理先验特性，建立物理-数据融合的太赫兹多标签域对抗深度学习网络模型，旨在解决现有太赫兹特征提取方法在复合材料重叠损伤识别方面存在的模型适用性和泛化性能较差的问题，实现不同太赫兹测试条件下复合材料重叠损伤的自动、准确、智能化表征。其中，数据对齐和特征对齐模块能够解决不同测试条件下太赫兹信号的域偏移问题，有效提升了模型的泛化性能。多标签分类模块能够识别重叠损伤的数量和深度信息，有效提升了模型对复合材料重叠损伤的适用性。
30、下面结合附图和具体实施例对本专利技术作进一步描述。
本文档来自技高网...【技术保护点】
1.基于域对齐的复合材料重叠损伤太赫兹表征方法，其特征在于，包括：
2.根据权利要求1所述的基于域对齐的复合材料重叠损伤太赫兹表征方法，其特征在于，所述物理-数据融合的太赫兹多标签域对抗深度学习网络模型包括数据对齐模块、特征对齐模块以及多标签分类模块；所述数据对齐模块，根据太赫兹信号物理先验，将源域和目标域中不同的太赫兹信号在数据维度上进行对齐。
3.根据权利要求1所述的基于域对齐的复合材料重叠损伤太赫兹表征方法，其特征在于，所述特征对齐模块，包括采用域共享策略的全局对抗域适应网络以及局部对抗域适应网络，用于将不同域太赫兹信号在特征维度上进行对齐；所述全局对抗域适应网络包括域共享全局CNN以及域鉴别器；所述域鉴别器包括三个全连接层。
4.根据权利要求1所述的基于域对齐的复合材料重叠损伤太赫兹表征方法，其特征在于，所述局部对抗域适应网络包括域共享全局CNN、MACE模块、多个域鉴别器以及多通道融合层。
5.根据权利要求1所述的基于域对齐的复合材料重叠损伤太赫兹表征方法，其特征在于，所述不同测试条件下太赫兹波传输模型为E(ω)和E0(ω
6.根据权利要求1所述的基于域对齐的复合材料重叠损伤太赫兹表征方法，其特征在于，所述采用分阶段训练策略，最小化模型损失，输出目标域预测多标签向量，包括：
7.根据权利要求6任一项所述的基于域对齐的复合材料重叠损伤太赫兹表征方法，其特征在于，所述利用源域数据集对源域特征提取器和多标签分类模块进行训练，包括：
8.根据权利要求6所述的基于域对齐的复合材料重叠损伤太赫兹表征方法，其特征在于，所述利用源域数据和部分目标域数据进行对抗学习，训练目标域特征提取器和多个域鉴别器，包括：
9.根据权利要求7所述的基于域对齐的复合材料重叠损伤太赫兹表征方法，其特征在于，所述最小化模型损失，获得最优模型参数，输出目标域预测多标签向量，包括：
10.基于域对齐的复合材料重叠损伤太赫兹表征装置，其特征在于，包括：
...【技术特征摘要】
1.基于域对齐的复合材料重叠损伤太赫兹表征方法，其特征在于，包括：
2.根据权利要求1所述的基于域对齐的复合材料重叠损伤太赫兹表征方法，其特征在于，所述物理-数据融合的太赫兹多标签域对抗深度学习网络模型包括数据对齐模块、特征对齐模块以及多标签分类模块；所述数据对齐模块，根据太赫兹信号物理先验，将源域和目标域中不同的太赫兹信号在数据维度上进行对齐。
3.根据权利要求1所述的基于域对齐的复合材料重叠损伤太赫兹表征方法，其特征在于，所述特征对齐模块，包括采用域共享策略的全局对抗域适应网络以及局部对抗域适应网络，用于将不同域太赫兹信号在特征维度上进行对齐；所述全局对抗域适应网络包括域共享全局cnn以及域鉴别器；所述域鉴别器包括三个全连接层。
4.根据权利要求1所述的基于域对齐的复合材料重叠损伤太赫兹表征方法，其特征在于，所述局部对抗域适应网络包括域共享全局cnn、mace模块、多个域鉴别器以及多通道融合层。
5.根据权利要求1所述的基于域对齐的复合材料重叠损伤太赫兹...
【专利技术属性】
技术研发人员：徐亚飞，张留洋，刘大同，崔玉清，王星雨，彭喜元，
申请(专利权)人：哈工大郑州研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。