一种基于分布式应变监测的全机疲劳损伤智能识别方法

本发明属于民用飞行器结构健康监测与疲劳损伤识别，具体涉及一种基于分布式应变监测的全机疲劳损伤智能识别方法。

背景技术：

1、飞机结构在服役过程中长期承受复杂的循环载荷作用，这些载荷通常包括起落循环、操纵载荷、气动载荷以及其他随机外部载荷的叠加。长期循环作用容易引起疲劳损伤，尤其在结构薄弱或应力集中的部位更易发生裂纹。疲劳裂纹的萌生与扩展是影响飞机结构安全性和服役寿命的关键因素。一旦裂纹未能被及时发现并处理，可能导致结构刚度下降、承载能力降低，甚至引发严重的结构失效事故。这不仅会威胁飞行安全，还可能导致维修成本增加和运营中断。因此，对飞机结构疲劳裂纹进行有效监测，对于保障飞行安全、延长飞机服役寿命以及优化维护策略具有重要工程意义，同时也是现代航空器结构健康管理的核心技术需求之一。

2、目前，工程中常用的裂纹监测方法主要包括目视检查、声发射检测、涡流检测及其他局部无损检测方法。这些方法在局部裂纹检测方面已经较为成熟，具备一定可靠性，但存在显著局限性。首先，这些方法大多依赖人工定期检测或现场操作，难以实现对飞机整体结构的连续实时监控。其次，检测结果容易受到结构可达性、环境条件、操作人员经验以及检测设备状态的影响，存在一定的不确定性。尤其在复杂结构或隐蔽部位，裂纹可能难以被发现，导致潜在的安全风险。再次，这类方法难以实现对飞机全机结构的同步监测，难以获取全面的载荷和损伤演化信息，因此在实时性、连续性和全局性方面无法满足现代飞机长期服役状态监控和主动维护的需求。

3、因此，本发明提出一种基于分布式应变监测的全机疲劳损伤智能识别方法，在减少冗余应变信息的同时提高损伤识别精度与稳定性，可为飞行器结构健康监测提供技术支持。

技术实现思路

1、要解决的技术问题：

2、为了避免现有技术的不足之处，本发明提供一种基于分布式应变监测的全机疲劳损伤智能识别方法，通过实现连续、实时和全机范围的疲劳裂纹监测，可为飞机结构健康管理提供可靠的数据支持和技术保障，提升结构维护的主动性和智能化水平，降低潜在事故风险，同时优化维修策略和运营成本。

3、本发明的技术方案是：一种基于分布式应变监测的全机疲劳损伤智能识别方法，具体步骤如下：

4、s1：布置分布式应变片，采集多通道应变时序数据；

5、s2：根据飞行器结构部件对分布式应变片进行分组，并建立各应变片组与对应结构部件之间的映射关系，从而形成基于结构部件的多通道应变数据组织方式；

6、s3：确定各应变片组的关键应变片：对同一应变片组内各应变片对应的应变时序数据进行特征统计，并基于类间方差与类内方差之比构建fisher比指标，选取fisher比较大的应变片作为关键应变片；

7、s4：将关键应变片的时序数据构建为多变量时间序列数据，作为裂纹状态识别模型的输入数据；

8、s5：将所述多变量时间序列数据输入预先构建的裂纹识别模型中，进行特征提取与模式识别，通过裂纹识别模型对多变量时序应变数据中的变化特征进行分析，得到裂纹识别结果；

9、s6：基于所述裂纹识别结果输出裂纹存在状态，实现飞行器疲劳损伤的智能识别。

10、本发明的进一步技术方案是：所述s1的具体操作如下：

11、s11：在飞行器待检测结构的关键受力区域布置分布式应变片，形成分布式应变监测网络；所述关键受力区域根据飞行器结构的受力特性及疲劳敏感定义，包括机翼、机身、连接接头及其他关键受力结构区域；

12、s12：通过多通道数据采集系统对各应变片进行同步采样，在飞行器加载试验或运行过程中实时采集各监测点的多通道应变信号；

13、s13：将采集得到的各应变片应变信号按照时间顺序进行记录与存储，形成多通道应变时序数据集。

14、本发明的进一步技术方案是：所述对分布式应变片进行分组的规则为，依据飞行器结构的部件划分，将s1中布置的、位于同一结构部件或相邻受力区域内的应变片归为同一应变片组。

15、本发明的进一步技术方案是：所述s3中确定各应变片组的关键应变片包括：

16、s31: 同一应变片组内第个应变片的fisher比定义为：

17、

18、其中，和分别表示该应变片在裂纹状态与无裂纹状态下的应变均值；和为对应状态下的应变标准差；

19、s32:通过计算该应变片组内所有测点的值，并按照判别能力由高到低进行排序，选取前个测点构成关键应变片集合：

20、

21、其中，为该应变片组内原始应变片总数，为筛选得到的关键应变片集合；

22、以保留对结构状态变化最敏感的应变信息并减少冗余监测点。

23、本发明的进一步技术方案是：所述s4中构建多变量时间序列数据的方法为，提取s3中筛选得到的关键应变片对应的应变时序数据，并按照时间顺序进行统一对齐处理；在每一时刻将各关键应变片的应变值进行组合，构建由多个应变通道组成的多变量时间序列数据。

24、本发明的进一步技术方案是：所述s5中，将多变量时间序列数据输入预先构建的裂纹识别模型中，所述裂纹识别模型包括带非线性激活的全连接层、双向lstm网络、注意力机制、多层全连接分类器，裂纹识别过程包括：

25、s51：将所述多变量时间序列数据表示为张量，其中为批次大小，为序列长度，为关键应变片数量；

26、在时间步时刻，将所有关键应变片的标准化数据输入带非线性激活的全连接层，进行线性映射并通过tanh激活函数进行非线性变换：

27、

28、其中，为输入投影权重矩阵，为偏置，为隐藏层维度；

29、s52：将线性映射和tanh激活函数处理后的序列数据输入双向lstm网络，其中正向lstm处理序列的时间顺序，反向lstm处理序列的逆序，使裂纹识别模型能够同时捕捉前后时间步的依赖关系，输出所有时间步的双向隐藏状态序列；每个lstm单元通过输入门、遗忘门和输出门对序列数据的长期依赖进行建模，以提取疲劳裂纹发展过程中的复杂时序特征；

30、s53：在双向lstm输出的基础上引入注意力机制；

31、对所有时间步的双向隐藏状态序列进行非线性映射：

32、

33、其中，、、为可学习参数，为非线性映射结果；

34、计算时间步重要性得分：通过softmax函数归一化得到注意力权重：

35、

36、其中，

k为序列内的向量序号；

37、随后对所有时间步的双向隐藏状态序列进行加权求和，生成上下文向量：

38、

39、s54：将所述上下文向量输入多层全连接分类器进行裂纹状态判定，得到裂纹识别结果。

40、本发明的进一步技术方案是：所述双向lstm网络在裂纹识别模型训练前进行初始化设置，其中lstm偏置参数初始化为0，且遗忘门对应偏置初始化为1，以提高网络在训练初期对历史信息的保持能力；当双向lstm网络层数大于1时，相邻lstm层之间引入dropout机制，以降低过拟合风险并提高模型泛化能力。

41、本发明的进一步技术方案是：所述多层全连接分类器包括第一dropout层、第一全连接层、relu激活层、批归一化层、第二dropout层及第二全连接层，进行裂纹状态判定的过程包括：

42、s541：将所述上下文向量输入第一dropout层，对特征进行随机失活处理，得到降维前的特征向量，以降低过拟合风险；

43、s542：将所述特征向量输入第一全连接层，将特征维度由映射至，得到中间特征，并通过relu激活函数进行非线性变换，增强特征表达能力；

44、s543：将激活处理后的特征输入批归一化层，对特征分布进行标准化处理，得到归一化特征，以提升训练稳定性与收敛速度；

45、s544：将所述归一化特征输入第二dropout层进行再次随机失活处理，得到特征向量，进一步抑制模型过拟合；

46、s545：将所述特征向量输入第二全连接层，将特征由维映射至类别空间，得到分类得分向量，其中，表示类别空间维度，二分类任务下，分别对应裂纹状态与无裂纹状态；

47、s546：对分类得分向量进行判定，选取得分最大的类别作为最终预测结果，当裂纹类别对应得分高于无裂纹类别时，判定为存在裂纹，否则判定为无裂纹；

48、本发明的进一步技术方案是：所述多层全连接分类器中的线性层权重采用xavier均匀初始化，其初始化规则为：

49、其中，为权重矩阵元素，和分别为输入与输出神经元数量。

50、一种用于全机疲劳损伤智能识别的裂纹识别模型训练方法，具体步骤如下：

51、获取多变量时间序列数据作为样本数据集，将样本数据集划分为训练集和测试集；

52、构建裂纹识别模型，包括带非线性激活的全连接层、双向lstm网络、注意力机制、多层全连接分类器；

53、设计裂纹识别模型的损失函数为带标签平滑的交叉熵损失函数，表达式如下：

54、

55、其中，预测概率表示模型对第个输入样本属于第类的判定结果，定义为：

56、

57、标签平滑后的目标分布表示第个样本的真实类别信息在各类别上的分布情况，定义为：

58、其中：为损失函数值；为训练样本数量；为类别空间维度，分别对应裂纹状态与无裂纹状态；为第个样本索引，；为类别索引，；为模型对第个样本在第类上的输出得分；为第个样本的真实类别标签；为标签平滑系数；

59、采用训练集对所述裂纹识别模型进行训练，迭代更新模型参数；在模型训练过程中，通过前向传播计算预测输出并基于损失函数计算损失值，再经反向传播更新参数；其中，引入梯度裁剪、dropout随机失活及批次归一化机制，以抑制过拟合、稳定训练过程并提升模型泛化能力；

60、采用测试集对训练完成的裂纹识别模型进行测试，得到满足要求的裂纹识别模型；能够完成对飞行器结构疲劳损伤的自动识别与状态监测，为结构健康评估与维护决策提供依据。

61、有益效果

62、本发明的有益效果在于：

63、1、相比于常规无损检测方法或单测点人工判读方式，本发明基于分布式应变监测获取飞行器关键受力区域的多通道时序数据，无需复杂人工排查，有利于实现疲劳损伤的连续监测与自动识别；

64、2、相比于直接使用全部测点数据进行分析的方法，本发明采用基于fisher比的关键应变片筛选方法，能够保留对裂纹状态更敏感的测点信息，减少冗余数据和噪声干扰，从而提高识别效率与准确性；

65、3、相比于传统静态特征方法或普通单向时序模型，本发明采用双向lstm结合注意力机制，能够更有效提取裂纹演化过程中的时序依赖关系及关键时间步特征，从而提高裂纹识别精度；其中，双向lstm通过同时建模前向与后向时序信息，使模型能够综合利用应变响应的历史与未来变化趋势，获得更完整的时序特征表示，而注意力机制在此基础上对不同时间步赋予自适应权重，突出裂纹敏感阶段的特征响应，抑制非关键阶段的干扰信息。上述二者的结合并非简单叠加，而是对于疲劳裂纹演化过程中“关键阶段不均匀、时序特征非平稳”的特点进行的针对性设计，实现了时序依赖建模与特征选择的协同优化，能够显著提升对微弱裂纹特征的识别能力；

66、4、本发明通过xavier均匀初始化、dropout及批归一化等处理，提高了模型训练稳定性和泛化能力；其中，xavier均匀初始化通过控制各层输入输出方差在合理范围内，避免训练初期出现梯度消失或梯度爆炸问题，从而提升模型收敛稳定性；dropout通过在训练过程中随机失活部分神经元，降低特征间的共适应性，减少过拟合现象；批归一化通过对中间特征分布进行标准化处理，减小内部协变量偏移，加快模型收敛速度并提高训练过程的稳定性。基于上述机制，模型能够在复杂工况下保持良好的泛化性能，较好反映飞行器结构疲劳损伤状态，为结构健康评估和维修决策提供依据。