基于兰姆波的跨域损伤识别技术，用于碳纤维增强塑料（CFRP）复合结构，采用模块化深度学习框架实现

《Mechanical Systems and Signal Processing》：Lamb wave-based cross-domain damage identification for CFRP composite structures using a modular deep learning framework

本文提出基于模块化深度学习的跨域损伤识别方法，通过多通道信号融合、连续小波卷积特征提取和联合分布对齐的域适应回归模块，解决不同监测区域分布差异问题。实验验证其在未知损伤定位精度（较现有方法降低15%-30%）和跨材料结构泛化能力上的优势。

　　

陈刚|邵伟涵|朱东林|刘启健|刘志全|孙虎

厦门大学航空航天工程学院，中国厦门361005

摘要

基于兰姆波的损伤识别中的机器学习技术由于其在处理大量监测数据时出色的特征提取能力，显著推动了诊断技术的发展。然而，现有方法在识别训练数据未覆盖的损伤位置时仍存在显著局限性，这严重阻碍了其在实际工程应用中的效果。为了解决这个问题，本研究提出了一种基于模块化深度学习框架的碳纤维增强塑料（CFRP）复合结构跨域损伤识别方法。该框架架构整合了三个核心模块：多通道信号融合模块、特征提取模块和域适应回归模块。多通道信号融合模块通过整合来自多个传感路径的兰姆波损伤散射信号来增强损伤特征的表征能力。特征提取模块利用连续小波卷积层实现自适应提取，并提高兰姆波信号的敏感特征的可解释性。域适应回归模块引入了一种新颖的联合分布适应方法，显著提升了模型对未见损伤位置的泛化性能。实验结果表明，与现有的最先进损伤定位方法相比，所提出的框架在识别未见损伤位置时具有更低的定位误差。同时，该框架在损伤大小、材料和结构发生变化的情景下仍保持了出色的跨域泛化能力。

引言

由于长期暴露在疲劳载荷、冲击事件和环境腐蚀下，飞机结构容易逐渐积累潜在损伤（包括内部和外部损伤）。未能及时监测和评估这些损伤可能导致结构完整性下降，进而可能引发危及飞行安全的灾难性故障。因此，监测结构响应、收集状态信息、评估运行条件以及识别损伤对于确保飞机结构的安全稳定运行至关重要。结构健康监测（SHM）技术作为一种强大的解决方案，利用其在数据采集和信号处理方面的先进能力，已成为确保结构完整性和优化维护成本的有效手段[1]、[2]、[3]。

基于兰姆波的SHM技术通过最小化传感器部署实现了大面积损伤检测的巨大应用潜力。这种方法有效减少了结构重量、系统复杂性和实施成本。一般来说，基于兰姆波的SHM损伤识别方法可以分为模型驱动方法和数据驱动方法[4]。前者采用经过传感器数据校准的有限元模型（FEM）和优化算法来分析结构损伤，而后者则直接利用传感器数据来检测结构损伤[5]。相比之下，数据驱动方法通过直接从原始传感器测量数据中提取损伤敏感特征，展示了更大的通用性。因此，基于机器学习（ML）的数据驱动方法在基于兰姆波的SHM应用中取得了显著成功，近年来已成为研究重点[6]。

从算法角度来看，传统的数据驱动方法由于其固有的黑箱性质而存在特征解释性有限的问题，这在SHM领域尤为突出。另一方面，基于兰姆波的数据驱动损伤识别模型通常依赖于两个关键假设来确保训练模型的鲁棒性和泛化能力。首先，准确的损伤评估需要大量的标记兰姆波损伤数据作为基础前提。此外，无论是无监督、半监督还是有监督的方法，都是基于训练数据和测试数据来自相同分布的假设进行开发的。这一假设本质上限制了ML技术的通用性，通常将其优化范围限制在特定结构、应用场景和损伤模式上。在实际应用中，由于各种影响因素的存在，这两个假设很难完全满足。首先，传感器、粘合层和其他组件的微小差异难以精确控制。在高频条件下，兰姆波的传播特性会放大这些微小变化的影响，从而使得训练数据和测试数据集之间的分布一致性成为问题，限制了损伤识别模型在数据分布与训练集相同的结构中的适用性。此外，如果数据不满足独立同分布的假设，模型的泛化能力将受到限制，进而影响其准确性。其次，在航空航天领域，严格的安全标准和隐私考虑给获取结构损伤数据带来了重大挑战。值得注意的是，实际监测过程中收集的大部分数据反映了结构的健康状态，而与结构损伤相关的标记数据非常稀缺。这种稀缺性限制了可用于训练损伤识别模型的标注数据量，从而降低了其准确性和泛化性能。

为了解决这些挑战，本研究提出了一种用于CFRP复合结构跨域损伤识别的模块化深度学习框架。该框架主要由三个关键组件组成：多通道信号融合模块、特征提取模块和域适应回归模块。多通道信号融合模块通过有效利用来自多个传感路径的兰姆波损伤散射信号的互补信息，提供了显著优势。这种能力使得在不同传播条件下能够全面捕捉损伤的多维散射特征，从而显著增强了损伤特征的显著性。特征提取模块创新性地结合了卷积层的特征表示能力和连续小波变换（CWT）的时频分析优势。开发了一种可微分的、可解释的连续小波卷积（CWConv）层，将关键信号处理超参数作为可训练变量嵌入神经网络中，实现了端到端的优化。这种方法促进了兰姆波信号特征提取中的物理可解释性与深度学习提供的自适应优化能力之间的深度融合。域适应回归模块引入了一种基于域适应回归的创新联合分布适应方法，通过调整逆格拉姆矩阵（DARE-GRAM）和条件算子差异（COD）来实现。该方法采用分阶段对齐策略，同步不同监测区域的多通道兰姆波损伤散射信号的边际分布和条件分布。所提出的框架显著提升了模型对未见结构位置损伤的泛化能力。为了评估所提出框架的跨域损伤定位性能，本研究设计了两个逐步实验：（1）在同一结构内的跨域损伤定位。该实验在复合加固面板上进行，旨在验证框架在不同损伤大小（相同、微小变化和较大变化）下的定位鲁棒性。（2）跨不同材料和结构的跨域损伤定位。设计了一个从复合加固面板到铝板的跨域定位任务，以评估框架在材料和结构同时变化的更具挑战性场景下的泛化能力。此外，还将所提出框架的性能与两种基于信号处理的损伤定位方法、三种基于ML的定位方法和四种无监督域适应（UDA）方法进行了比较。实验结果表明，该框架在不同损伤大小、材料和结构下实现了高精度的跨域损伤定位。与其他方法相比，所提出的框架在跨域损伤定位方面表现出更高的准确性和更强的泛化能力。该方法没有建立涵盖任意损伤大小的通用物理模型，而是解决了由损伤大小和空间分布的适度变化引起的域偏移问题。通过采用域适应，它学习了对有限损伤大小变化具有鲁棒性的特征表示，从而实现了在相似损伤大小范围内未见损伤位置的跨域识别。此外，其基于物理的模块化设计使模型能够理解潜在的损伤物理机制，超越了单纯黑箱预测的局限性。所提出框架的概述如图1所示。本研究的主要贡献如下：(1)

提出了一种跨域损伤识别框架，用于监测数据分布差异，从而能够精确识别CFRP复合结构目标监测区域中的未见损伤位置。

(2)

开发了一种基于CWConv层的特征提取模块，其中CWT的超参数作为可训练参数集成在网络架构中。该模块实现了从多通道兰姆波损伤散射信号中自适应提取和物理可解释的损伤特征表示。

(3)

通过DARE-GRAM和COD联合对齐源域和目标域之间的边际分布和条件分布，减少了从兰姆波中提取的损伤特征的域偏移。

本文的其余部分组织如下。第2节回顾了SHM领域的相关工作。第3节详细描述了所提出的模块化深度学习框架。第4节介绍了实验验证和结果讨论，包括实验数据收集、评估指标和实施细节、与现有方法的比较、消融研究以及参数敏感性分析。此外，还进一步讨论了CWConv层的可解释性。最后，第5节总结了整个工作。

章节片段

相关工作

本节主要回顾了基于兰姆波的SHM领域中信号处理算法、机器学习和迁移学习的最新研究成果。

方法论

所提出的CFRP复合结构跨域损伤识别方法的总体实现框架如图2所示，主要包括多通道信号融合模块、特征提取模块和域适应回归模块。首先，从多个传感路径智能融合兰姆波损伤散射信号，以利用不同传播路径之间的互补信息。

实验数据收集

在本研究中，兰姆波损伤散射信号主要通过超声导波损伤诊断系统、计算机、多通道开关、PZT传感器和CFRP复合加固面板结构获得，如图3（a）所示。该复合加固面板的尺寸为600毫米×600毫米×2.0毫米，采用T300碳纤维预浸料制造。层压板由8层组成，层压顺序为[0°/90°/45°/-45°]。设置了四个方形监测区域，每个区域的尺寸为

结论

本研究提出了一种用于CFRP复合加固面板结构跨域损伤识别的新型模块化深度学习框架。该框架通过三个核心模块的协同集成，解决了跨域监测中特征分布偏移的问题：多通道信号融合模块、结合物理先验的特征提取模块和联合域适应回归模块。

CRediT作者贡献声明

陈刚：撰写——审稿与编辑、撰写——初稿、可视化、验证、软件、方法论、形式分析、数据整理、概念化。邵伟涵：撰写——初稿、方法论、数据整理、概念化。朱东林：撰写——审稿与编辑、撰写——初稿、方法论。刘启健：撰写——审稿与编辑、撰写——初稿、数据整理。刘志全：撰写——审稿与编辑、撰写——初稿。孙虎：撰写——

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本工作部分得到了中国国家重点研发计划（项目编号2024YFB3409500）、国家自然科学基金（项目编号12272331）、航空科学基金（项目编号20200033068001）和中央高校基本科研业务费（项目编号20720250131）的支持。