基于自学习特征与高斯混合模型的超声导波结构健康监测中环境变化补偿的损伤分类与定位
信号处理
2022-04-06 v1 应用物理
摘要
传统的基于超声导波的结构健康监测（GW-SHM）损伤定位算法依赖于GW信号的物理定义特征。除了需要各种GW模式与各类损伤相互作用的领域知识外，它们还因实际用例中环境及运行条件（EOCs）的变化而产生误差。尽管已有若干机器学习工具被报道用于EOC补偿，但由于其对物理定义特征提取的依赖，它们需要针对每种损伤与结构的组合进行定制设计。在本工作中，我们提出了一种基于CNN的自动特征提取框架，结合基于高斯混合模型（GMM）的EOC补偿及损伤分类与定位方法。CNN学习的特征通过GMM建模其特征概率分布，用于损伤分类与定位。这些GMM相对于相应基线GMM的Kullback-Leibler（KL）散度被用作信号差异系数（SDCs）以计算各GW传感器路径上的损伤指数（DIs），从而实现损伤定位。所提方法的有效性通过使用有限元生成的GW数据得以证明：针对带有六枚锆钛酸铅（PZT）传感器网络的铝板，在三种不同损伤（铆钉孔、附加质量、缺口）于不同温度下，并加入白噪声与粉红噪声以纳入EOC引起的误差。我们还通过使用便携式定制现场可编程门阵列（FPGA）信号转换与数据采集系统，在变化且非均匀温度分布下对铝板中缺口损伤进行表征，给出了该方法的实验验证。
引用
@article{arxiv.2111.06092,
title = {Environmental variation compensated damage classification and localization in ultrasonic guided wave SHM using self-learnt features and Gaussian mixture models},
author = {Shruti Sawant and Sheetal Patil and Jeslin Thalapil and Sauvik Banerjee and Siddharth Tallur},
journal= {arXiv preprint arXiv:2111.06092},
year = {2022}
}