一种融合多头马氏距离与CRATE骨干网络的FBG传感网络撞击定位方法

本发明涉及一种基于神经网络算法的fbg传感网络撞击定位方法，属于复杂结构健康监测。

背景技术：

1、随着人类航天活动的日益频繁，近地轨道空间环境正经历着前所未有的变化。根据最新统计，地球轨道上尺寸大于1mm的微流星体与轨道碎片(mmod)数量已超过1.3亿个。这些碎片通常以7～15km/s超高速相对速度运行，即便是一枚微小的油漆碎片，其撞击动能也足以穿透航天器的多层防护结构，导致蒙皮穿孔、密封舱失压、热控涂层剥落甚至结构解体等灾难性后果。因此，建立一套全天候、实时响应且具有高精度的撞击感知与定位系统，对于保障航天员生命安全、航天器在轨寿命、评估任务风险及指导在轨维修决策具有不可替代的战略意义。

2、光纤布拉格光栅(fbg)传感技术凭借其抗电磁干扰、耐腐蚀、轻量化及优异的复用组网能力，已超越传统离散电测手段，成为构建新一代航天器“智能蒙皮”与结构健康监测系统的首选方案。在基于光纤光栅传感器的撞击定位领域，早期的撞击定位研究多基于lamb波传播机理与几何解析模型，国内外研究已呈现出从机理驱动向数据驱动演进的显著趋势。而纯数据驱动方法虽能拟合复杂的非线性映射，却往往因缺乏明确的物理约束与可解释性证据链，难以满足航空航天领域对高安全等级系统审计与认证的严苛要求。此外，在复杂的实际结构中，导波在传播过程中不可避免地会产生多模态频散与强烈的边界反射现象，严重干扰信号特征的提取，导致传统的解析定位方法难以保证高精度的损伤定位。

3、发明的目的在于提供一种能准确、稳定、高鲁棒性地进行撞击定位监测的方法，解决传统的撞击定位算法在处理非线性、多模波导响应时，常受限于单一欧氏距离度量的不足，且缺乏对复杂应变波场多模态特征的捕捉能力的问题。本发明以fbg传感器光谱数据为输入，以撞击点的坐标为输出；通过引入多头度量学习机制，在撞击点位置与波长信息中构建多个相互正交的马氏距离空间，自动提取波长信号在不同物理模式下的特征差异，增加对复杂应变波场多模态特征的捕捉能力；进而结合具有白盒可解释性的crate网络，将几何距离特征映射为高维稀疏表示，实现端到端的撞击坐标回归；得益于mh-lmd的空间校正以及基于crate的稀疏收缩所带来的去噪效果，该模型还展现出强大的鲁棒性，为撞击定位监测提供了一种高精度、强鲁棒且具有物理可解释性的新方法。

技术实现思路

1、技术方案为：针对现有数据驱动方法在物理约束与可解释性上的双重缺失，本文提出一种融合多头度量学习与白盒transformer的端到端定位方法。首先，受transformer多头注意力机制启发，将多头思想迁移至度量学习层，提出多头可学习马氏距离(mh-lmd)，通过并行学习k个独立的度量矩阵，将单通道标量距离扩展为多子空间距离张量，以解耦异性介质中多模态导波混叠带来的复杂特征；其次，引入头间正交正则化约束，强制不同度量头关注互补的特征子空间，抑制特征坍缩并最大化信息增益；最后，采用基于稀疏率降低理论的crate白盒网络替代传统黑盒mlp，将深度网络的层级变换重构为可追溯的优化迭代步骤，从而在数学上赋予特征提取过程明确的几何意义。

2、所述的一种基于神经网络算法的fbg传感网络撞击定位方法，其特征在于：将传统单一马氏度量升级为多头可学习马氏距离(mh-lmd)，让模型同时学习多个度量头，在不同子空间里并行地衡量信号差异，从而有效解耦复合材料结构中多模态导波混叠带来的复杂特征。通过正交正则化约束，各头之间保持特征的正交性，从而将低维空间中的非线性偏差映射为高维空间中的可分离特征。

3、所述的一种基于神经网络算法的fbg传感网络撞击定位方法，其特征在于：通过连续的压缩和稀疏化，将数据转换为低维子空间的规范配置，重复堆叠这些块并通过反向传播训练模型参数，可以得到一个强大且可解释的数据表示。引入基于稀疏率降低理论的crate作为骨干网络，将“距离特征”到“坐标回归”的深度推理过程约束为可解释的迭代优化，从而兼顾精度、鲁棒性与工程可追溯性。

4、所述的一种基于神经网络算法的fbg传感网络撞击定位方法，其特征在于：预先构建由参考点位置及其应变值组成的集合，并以样本与参考点之间的度量关系作为后续定位推理的输入特征。在每一个撞击点上依次施加恒定力模拟mmod碰撞时，会得到应变引起的fbg传感器波长的变化。但不再依赖“马氏距离与真实几何距离线性相关”等强假设，而是将距离度量本身设计为可学习的统计几何编码，并交由白盒transformer网络完成非线性回归。

5、所述的一种基于神经网络算法的fbg传感网络撞击定位方法，其特征在于：原始fbg波长信号首先经过预处理：(1)对数变换，使用log(1+|x|)线性化指数衰减的波长变化信号，以压缩信号的动态范围，突出微弱的尾波特征；(2)鲁棒标准化，利用分位数统计特性消除异常值和量纲差异；(3)l2范数归一化，将每个样本的特征向量缩放到单位球面上，消除冲击能量大小对波形幅值的直接影响，突出波形结构特征。为了防止过拟合，在预处理阶段，利用k近邻算法寻找每个样本在物理坐标上的最近邻样本，并在它们之间按线性插值生成虚拟样本。这一策略严格遵循物理空间的连续性规律，有效填充了采样点间的空隙。最终，处理后的信号被转换为相对于参考点的局部马氏距离特征向量，作为后续神经网络的输入数据。

6、fbg撞击监测实验平台的搭建：实验对象为一块为500mm×500mm×2mm的复合材料板，用于验证模型在各向异性材料上的基准性能。板材四个角上有四个铜制道具，通过夹具固定，模拟航天器蒙皮的边界约束。测试板的正面是受mmod影响的一侧。测试板的背面是安装fbg传感器的一侧，以避免损坏传感器。传感器网络由4个fbg传感器组成，光纤光栅的栅区长度均为10mm。信号解调仪采用基于可调谐激光器技术的高速光纤光栅解调仪，能够完整捕捉撞击诱发的瞬态应变波形。冲击激励通过放置钢制圆柱体的静态压力模拟微流星体撞击。所有通道采用统一时钟触发并完成温度补偿，保证跨实验可比性。

7、基于融合多头马氏距离与crate骨干网络的fbg传感网络撞击定位方法的性能评估：为了验证所提出方法的有效性，采用了三种不同的神经网络模型对实验获得的波长变化数据进行处理。第一种是标准的transformer模型，第二种是不包含多头机制的单头crate模型，第三种就是所提出的mh-lmd-crate方法。为了直观地得到误差分布，将探测区域划分为36个正方形，每个正方形的误差被认为是每个网格内测试点的平均定位误差，其计算方法是预测位置与实际撞击位置之间的欧几里得距离。

8、基于融合多头马氏距离与crate骨干网络的fbg传感网络撞击定位方法的性能测试：评估所构建方法的平均定位误差、最大定位误差以及中位数误差，其计算方法是预测位置与实际撞击位置之间的欧几里得距离；对mh-lmd与crate模块分别进行消融实验分析；设计了两组鲁棒性实验，分别为抗噪性能分析以及传感器失效分析；从空间误差分布、距离度量相关性以及特征解耦机制三个维度对mh-lmd-crate模型内部机理进行分析。

9、本发明的制备原理为：在航天器中常用的复合材料构件上布设fbg传感器网络，将撞击引起的瞬态应变响应转换为可观测的波长漂移信号，并进一步构建从多通道观测到撞击坐标的端到端推理链路，即“fbg网络→马氏距离→神经网络回归”，通过多个传感器组成的网络化观测系统来形成对撞击源的几何约束与统计判别信息。

10、为达到以上目的，采取以下技术方案实现：一种基于神经网络算法的fbg传感网络撞击定位方法，其特征在于：该方法的构建流程包含以下六个核心步骤：(1)实验平台与传感器布局；(2)撞击数据采集；(3)数据集构建与预处理；(4)多头马氏距离计算；(5)神经网络模型训练；(6)碰撞数据预测。

11、本发明提出的基于融合多头马氏距离与crate骨干网络的fbg传感网络撞击定位方法表现出优异的鲁棒性，这得益于模型前端物理度量与后端白盒推理的双重机制协同：一方面，前端的mh-lmd层将单一原始波长信号转换为统计几何空间中的多维距离张量，使得模型能够并行捕获多模态导波混叠带来的复杂特征，有效校正了由板材边界反射和结构各向异性引起的应变分布不均匀性；另一方面，后端的crate骨干网络利用ista模块的稀疏收缩机制等效于执行非线性去噪算子，将受到高斯白噪声扰动的高维特征拉回至低维真实子空间中，从而实现了在强噪声干扰下依然稳定、高精度的坐标回归。

12、本发明提出的多头马氏度量与物理距离展现出卓越的线性映射机制：为验证多头马氏距离层提取物理特征的有效性，提取模型多头融合后的输出预测距离，并将其与真实的物理欧氏距离进行线性回归分析。优化后的多头马氏距离散点紧密、均匀地分布于拟合回归直线两侧，未见明显的非线性畸变。成功学习并构建出了一个理想的统计度量空间；在该空间内，复杂结构中多模态导波混叠带来的复杂特征被有效解耦，从而将高度非线性的冲击响应信号转换为了与物理距离严格呈线性比例的高阶特征。

13、本发明提出的多头机制展现出优秀的的特征解耦效果：不同“头”的响应激活区域及对角线能量分布呈现出显著的差异性，正交惩罚项成功抑制了多头坍缩现象，迫使各个“头”自主关注互不重叠的物理子空间，网络在执行坐标回归推理时，并非盲目拟合全域特征，而是动态地将高注意力权重集中分配给了与真实撞击落点物理距离最近的3～4个参考原型，使得整个坐标解算过程具备了理论可追踪性。