基于支持向量机与光纤传感技术的机翼蒙皮损伤识别方法

1.本发明属于光纤传感与人工智能交互技术领域，具体涉及一种基于支持向量机与光纤传感技术的机翼蒙皮损伤识别方法。


背景技术：

2.机翼蒙皮是飞机结构的重要构件，其前后位置安装有襟翼、副翼等装置，用于改善机翼的动力空气作用，保证飞机的稳定性、机动性和操纵性；机翼蒙皮下表面安装有起落架、发动机等装置保证机翼的正常飞行以及起落，并挂载外部构件，机翼结构通常是由蒙皮、横向构件、纵向构件和接头组成。
3.蒙皮用于构成和维持机翼蒙皮外形，承受局部空气动力以及扭矩和弯矩，在实际飞机飞行过程中，机翼蒙皮容易受到各种外物的冲击，如鸟、冰雹等。微小的物体能给机翼蒙皮带来巨大的影响，如产生切槽、破孔、裂缝、窝坑、划擦沟痕、变形、脱落、性能改变等直接影响，更有可能带来人员伤亡等恶性间接影响。因此，能够及时发现冲击损伤的类型以及强度，能给驾驶员提供良好的飞机健康程度，并在必要时刻及时地作出相应的应对策略。


技术实现要素：

4.针对现有技术中存在的问题，本发明提供一种基于支持向量机与光纤传感技术的机翼蒙皮损伤识别方法，效率高，成本低，自动化程度高，且能反应机翼蒙皮损伤位置以及损伤程度。
5.为解决上述技术问题，本发明提供了一种基于支持向量机与光纤传感技术的机翼蒙皮损伤识别方法，包括以下步骤：
6.s1、对所要监测的机翼蒙皮进行三维建模，使用ansys workbench进行静力学仿真，获得该模型的模态振型矩阵φ；
7.s2、对步骤s1获得的前六阶模态振型矩阵计算有效独立系数e0，通过对有效独立系数施加递减函数来粗略选择传感器布点位置；
8.s3、对步骤s2获得的传感器粗略布点位置计算模态置信度因子，通过模态置信度因子优化光纤光栅的准确布点位置；
9.s4、基于步骤s3结合实际监测模型或结构将光纤光栅贴敷于其表面，并且产生一定量的预拉伸效果，通过解调仪与上位机获得多光栅的应变数据；
10.s5、测量正常状况下以及不同位置受到不同程度的冲击下的光栅应变数据，打上对应标签并且对信号进行预处理，包括信号去噪、差分以及采样点数统一为2000。将数据组以3:1的比例分为训练集与验证集。
11.s6、对多传感器信号组进行基于支持度矩阵算法的信号融合，将信号从多维序列降到单维序列后，对融合信号进行反映信号烈度的特征提取包括均方根值，峰峰值等，以及其他方法的特征提取如奇异谱熵、功率谱熵、lcd时频空间熵等。
12.s7、对提取的特征信号进行pca特征降维。
13.s8、基于python建立ga-svm机器学习模型，获得最优的c和gamma参数，损失函数设置为软交叉熵函数和diceloss的联合函数。将分类好的特征以及标签输入到该支持向量机之中。
14.进一步，步骤s2中通过模态振型矩阵φ获得有效独立系数e0通过以下公式实现：
15.e0＝diag(φ*inv(φ'*φ)*φ')
16.[as,pos]＝sort(e0)
[0017]
其中，diag代表奇异值分解，φ代表所获得的模态振型矩阵，inv代表矩阵的逆；sort代表将e0从小到大排列，as代表对应位置的有效独立系数大小，pos代表as的对应位置。
[0018]
步骤s2中所用的模态置信度因子的计算方法，通过以下公式实现：
[0019][0020]
其中，φ1代表经过e0施加递减函数选择后的模态振型矩阵，φ
1i
φ
1j
代表第i或第j阶模态向量，k代表φ1矩阵的第k行。
[0021]
步骤s4的信号预处理方法，通过以下公式实现：
[0022]
xd＝|x(i 1)-x(i)|(i∈[1,n-1])
[0023]
s∈[index(xd》threshold)-100,index(xd》threshold) 1899]
[0024]
式中，n代表预处理前的采样点数，s代表预处理后的采样点数范围，x(i)表示第i个采样点的信号，xd表示前后信号的差分的绝对值，index(xd》threshold)表示信号中第一个xd大于设定的冲击阈值threshold所在的索引。
[0025]
步骤s6中基于python的ga-svm的双损失函数模型，通过以下公式实现：
[0026][0027]
focal_loss＝-a
t
(1-p
t
)
γ
log(p
t
)
[0028][0029][0030]
其中，ga_func为遗传算法自适应函数，m表示类别的数量，y
ic
为符号函数，当c＝i时y
ic
为1，否则为0。p
ic
表示观测样本i属于类别c的预测概率。focal_loss为svm双损失函数的第一个损失函数，其中p
t
为类别对应的概率，γ,a
t
为权重调节因子，具体的值可以通过样本比例反向推导。crossentropy_loss代表svm双损失函数的第二个损失函数，n代表类别的数量，weight(class[i])为观测样本i的类别所在的权重，可通过样本比例获得，双损失函数的合并通过python实现。
[0031]
本发明与现有技术相比，具有以下优点及有益效果：
[0032]
本发明的基于支持向量机与光纤传感技术的机翼蒙皮损伤识别方法效率高，成本低，抗电磁干扰，反应迅速，具有较高的准确率，相较于传统的人工检测方式有明显的优势。
附图说明
[0033]
图1是基于支持向量机与光纤传感技术的机翼蒙皮损伤识别方法流程图；
[0034]
图2是传感器布点流程图；
[0035]
图3是信号处理流程图；
[0036]
图4是有效独立系数排序曲线图；
[0037]
图5是模态置信度因子曲线图；
[0038]
图6是3个光纤光栅在机翼蒙皮某位置受到冲击时的响应图与信号融合图；
[0039]
图7是ga-svm的双损失函数机器学习模型构建及训练流程图。
具体实施方式
[0040]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0041]
本发明公开了一种基于支持向量机与光纤传感技术的机翼蒙皮损伤识别方法，首先利用建模软件建立相应机翼蒙皮的三维模型，对三维模型进行振动分析与模态分析后，通过有效独立法与模态因子混合算法选择传感器的布点位置，将多个带状光纤光栅传感器贴附于机翼蒙皮表面相应位置以监测机翼蒙皮结构的振动情况，通过外界模拟不同的损伤获得传感器数据集，然后利用支持度矩阵的方法对多传感器进行信息融合，之后对融合信号去噪，提取特征并进行特征降维后划分为训练集与验证集，最后通过改进的支持向量机模型进行损伤识别。本发明通过多传感器信息融合和特征提取方法大大降低了数据集的大小与维度，提高了模型准确率与效率，并且相对于传统电类传感器而言有较好的抗电磁干扰与体积优势。
[0042]
机翼蒙皮在受到外界冲击时，整体结构会产生变形，通过在光纤上刻画等光栅周期的光栅，能够反射特定波段的光，在外界环境发生变化时，光栅的反射中心波长会发生偏移，该偏移量能够反应外界物理量的变化情况，利用该种方法接收光纤光栅的中心波长，能够实时地接收结构整体的应变情况。对整体结构的多光纤光栅传感器进行信号预处理，数据级融合，特征提取并输入到支持向量机之中进行分类处理，能够迅速准确的反应出当前机翼蒙皮的状态以及收到冲击时的损伤定位。
[0043]
本发明主要包含3个部分，如图1所示，分别为：传感器布点、信号处理以及机器学习模型的建立。
[0044]
如图2所示，本发明实施例的基于光纤传感技术与支持向量机的机翼蒙皮损伤识别的光纤光栅布置流程方法，具体包括以下步骤：
[0045]
1、获得需要监测结构或者物体的具体参数，建立三维模型，通过ansys workbench进行有限元仿真获得模态振型矩阵φ，通过有效独立法获得网格参数的有效独立系数e0，获得各网格点的变化权重。
[0046]
通过对有效独立系数进行排序，图4为有效独立系数排序后的曲线，并对排序后的曲线施加递减函数，获得各网格点参数的模态置信度因子后，筛选布置点并结合实际情况布置光纤光栅。图5为模态置信度因子曲线。
[0047]
通过φ获得e0的计算方法如下，其中diag代表奇异值分解，φ代表所获得的模态振型矩阵，φ'表示转置，inv代表矩阵的逆，sort代表将e0从小到大排列，as代表对应位置的有效独立系数大小，pos代表as的对应位置。
[0048]
e0＝diag(φ*inv(φ'*φ)*φ')
[0049]
[as,pos]＝sort(e0)
[0050]
所用的模态置信度因子优化筛选网格点的计算方法，通过以下公式实现：
[0051][0052]
其中φ1代表经过e0施加递减函数选择后的模态振型矩阵，φ
1i
φ
1j
代表第i或第j阶模态向量，φ
1kj
表示φ1矩阵的第k行第j阶模态向量，k代表φ1矩阵的第k行。
[0053]
2、如图3所示，一种基于光纤传感技术与支持向量机的机翼蒙皮损伤识别的光纤光栅信号的获取、预处理、信号融合以及特征提取方法，包括以下步骤：
[0054]
布置光纤光栅，保证光纤光栅的波长区分度，将光纤光栅的一端与跳线相连接，跳线与光纤光栅解调仪的通道连接，通过pc端获得多光栅的传感数据。对机翼蒙皮划分不同的区域，利用工具产生冲击损伤信号并且打好相对应的标签(位置，冲击强度等)，通过不同的敲击位置获取不同的采样信号。
[0055]
对获得的信号进行预处理，包括归一化采样点数、去噪，并通过支持度矩阵的方法进行融合。图6为某区域产生冲击损伤时的3个光纤光栅的响应信号图及其信号融合图。对预处理值进行特征提取，并产生特征组矩阵，矩阵的最后一列代表标签类型。
[0056]
归一化信号采样点数的方法通过以下公式实现，其中n代表预处理前的采样点数，s代表预处理后的采样点数范围，xd代表的是前后信号的差分的绝对值，index(xd》threshold)代表第一个xd大于阈值threshold所在的索引。
[0057]
xd＝|x(i 1)-x(i)|，(i∈[1,n-1])
[0058]
s∈[index(xd》threshold)-100,index(xd》threshold) 1899]
[0059]
将采集到的信号以第一个跳变为标准，向前取100个采样点，向后取1899个采样点，中心波长偏移变化阈值选择为threshold，单位为pm。
[0060]
如图7所示，一种基于光纤传感技术与支持向量机的机翼蒙皮损伤识别的ga-svm双损失函数模型通过以下步骤实现：
[0061]
将获得的特征组以3:1的比例划分为训练集与验证集，将训练集输入到svm的输入层中，对训练集的最后一列进行独热编码作为输出，建立基本的svm模型，核函数选择为rbf，通过遗传算法优化模型的超参数惩罚因子c以及gamma后，将超参数值带入双损失函数的svm模型之中进行训练，将训练好的模型以验证集输入svm模型之中。具体公式通过以下方法实现：
[0062][0063]
focal_loss＝-a
t
(1-p
t
)
γ
log(p
t
)
[0064]
[0065][0066]
其中，ga_func为遗传算法自适应函数，m表示类别的数量，y
ic
为符号函数，当c＝i时y
ic
为1，否则为0。p
ic
为观测样本i属于类别c的预测概率。focal_loss为svm双损失函数的第一个损失函数，其中p
t
为类别对应的概率，γ,a
t
为权重调节因子，具体的值可以通过样本比例反向推导。crossentropy_loss代表svm双损失函数的第二个损失函数，n代表类别的数量，weight(class[i])为观测样本i的类别所在的权重，可通过样本比例获得，x表示该类别样本的集合，class同c。svm模型为基于python tensorflow框架下的svm模型，采用软交叉熵函数和diceloss的联合函数作为实验的损失函数，遗传算法的自适应函数选择为mse，双损失函数的合并通过python的jointloss函数实现。
[0067]
训练所需的实验室条件：gtx1650显卡，windows系统，python编程语言，tensorflow机器学习框架。
[0068]
数据集获取方法：具有区分度的光纤光栅若干支，2000hz光纤光栅解调仪，解调上位机软件，监测结构或者模型。
[0069]
本领域的技术人员容易理解，以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。