基于正交解缠的多传感器应变融合方法，用于不同条件下的铝合金加强板损伤识别

《Measurement》：Orthogonal disentanglement-based multi-sensor strain fusion for damage identification in aluminum alloy stiffened plates under varying conditions

　　•提出了一种用于数据融合中特征分离的正交解耦机制。•开发了一种用于条件不变损伤测量的新型数据融合框架。•该框架在多条件传感器数据集上进行了验证，以检验其计量稳健性。•设计了一种利用空间相关性进行精确映射的损伤定位方法。

引言
铝合金加劲板广泛应用于高性能结构中，长期承受复杂的机械载荷、振动以及环境因素的影响，因此容易出现裂纹、腐蚀和疲劳等渐进性损伤。尤其是薄壁加劲结构，更容易受到微小的冲击缺陷的影响，这些缺陷会逐渐损害结构的完整性，若不能及早发现，将带来严重危险。因此，通过先进的传感器测量实现可靠的损伤检测，依然是结构健康监测领域的重要课题。

尽管已有大量研究，但由于多传感器数据处理在不同工作条件下的稳健性和泛化能力有限，损伤识别技术的实际应用仍面临阻碍。工程实践表明，传统方法在条件发生变化时，尤其是在损伤初期，性能往往会显著下降，误报和漏检现象更为常见。在薄壁加劲板中，这一问题尤为突出，因为多传感器动态应变测量对工作条件的耦合变化极为敏感，这会掩盖与损伤相关的真实信息，增加数据融合与分析中的计量不确定性。

现有的结构损伤识别方法大致可分为基于模型的方法和数据驱动的方法[1]。基于模型的方法依赖于物理建模和力学分析，能够为损伤机制提供清晰的物理解释和洞察。例如，李等人结合逆有限元方法和虚拟激励技术，从动态应变测量数据中重建振动位移，用于损伤评估[2]。也有研究将重构的缺陷几何形状纳入损伤评估的物理导向框架中[3]。此外，贝叶斯推断与波形有限元替代模型相结合，也实现了高效的定量损伤评估[4]。不过，这些方法高度依赖精确的先验模型和准确的仪器知识，因此在传感器不确定性可能影响数据处理的复杂系统中应用受限。

相比之下，数据驱动方法无需显式建模，可直接处理测量的传感器数据，适用于复杂场景[5]、[6]。参数化数据驱动方法利用频率和阻尼等模态参数来推断损伤，但它们对噪声和测量误差较为敏感[7]、[8]、[9]。非参数化方法则直接利用时域或频域响应，虽然提高了计算效率，但由于特征设计依赖人工干预，且在复杂工作条件下的稳健性较差。Hmida等人提出了一种多窗口谐波小波包变换方法，在轴承复合故障测试中实现了高精度故障诊断[10]。Chun等人将统计方法应用于损伤识别，将其视为模式识别问题[11]。Cardoso等人则采用K均值聚类算法对公路桥梁的损伤进行识别[12]。Mei等人将梅尔频率倒谱系数方法与主成分分析相结合，从桥梁振动数据中提取损伤特征[13]。Pan等人则利用小波特征作为输入，通过支持向量机对数值斜拉桥模型进行损伤识别[14]。

深度学习的最新进展通过实现从大规模传感器数据中自动提取特征，提升了损伤识别的性能。卷积神经网络及其变体相比传统方法具有更高的准确性和效率[15]、[16]、[17]、[18]。Avci等人提出了一种一维卷积神经网络模型，可直接从原始加速度信号中提取与损伤相关的特征[19]。Lin等人基于数值模拟的单跨简支梁设计了卷积神经网络架构，实现了94.57%的检测准确率[20]。Abdeljaber等人将卷积神经网络应用于钢框架中螺栓松动的识别，为每个测量点训练独立的模型，再将输出结果融合，从而获得较高的最终准确率[21]、[22]。Zou等人则利用铝合金加劲板的傅里叶变换信号，通过卷积神经网络进行损伤位置和严重程度的预测[23]。

更近期的研究进一步发展了基于深度学习的结构损伤识别技术，引入了多尺度特征提取、循环建模、注意力机制以及多源信息融合。Pei等人将卷积神经网络、双向长短期记忆网络和注意力机制相结合，用于多阶频率数据分析，结果表明，时间依赖性建模和基于注意力的特征加权可以提高对结构状态变化的敏感度[24]。Chen等人提出了一种多尺度特征嵌入辅助的多任务神经网络，用于基于桥梁响应的损伤识别，研究表明，全局和局部响应特征可以协同使用，以提高在噪声测量条件下的稳健性[25]。这些研究表明，多尺度和时间特征学习能够提升深度模型的表征能力。然而，这些方法大多仍侧重于提高分类或回归的准确率，而并未明确区分由局部损伤引起的扰动与整体工况变化之间的物理差异。

不过，大多数深度学习方法假设工况稳定，导致传感器数据中的损伤相关特征与工况相关信息相互混杂。因此，跨域分布偏移成为一个关键问题，无监督深度迁移学习被广泛用于解决这一挑战[26]。此外，具有注意力机制的多尺度卷积神经网络在不同工况下提取更具区分度的特征方面展现出巨大潜力[27]、[28]。Wu等人引入双向长短期记忆网络，以捕捉振动信号中的双向时间依赖性[29]。对抗性域适应技术也被用于减轻跨域分布偏移的影响[30]。

近期研究还强调了在实际结构健康监测应用中数据质量、不确定性抑制以及域稳健性的重要性。Chen等人开发了一种多指标融合与核范数正则化策略，用于稀疏损伤识别，研究表明，将互补的损伤指标与正则化方法结合，可提高在测量噪声条件下的稳健性[31]。Zhu等人提出了一种分层知识传递模型，用于重建海上平台缺失的结构响应，表明在复杂工况下，传感器数据丢失和环境干扰会显著影响结构状况的评估[32]。此外，最近的对抗性域适应方法试图减少源域和目标域之间的分布差异，以用于损伤识别[33]。然而，传统的域适应方法主要强制实现全局特征对齐，无法保证对齐后的特征真正具有损伤辨识能力。当与损伤相关的信息和与工况相关的信息仍然存在于同一潜在表示中时，环境干扰仍可能污染所学到的决策边界。

多传感器和多源数据融合为提高损伤识别的可靠性提供了另一条重要途径。Kang等人将变分模态分解与加速度和应变信号的特征级融合相结合，证明了融合分解后的多源信号可以提高桥梁损伤识别的稳健性[34]。Xu等人进一步开发了多传感器数据融合与多模态神经网络框架，强调了互补的传感信息在结构损伤评估中的价值[35]。此外，基于图的方法也被用于建模分布式传感器之间的空间相关性。Wijethunga等人提出了一种双图神经网络，整合了传感器拓扑结构和特征相关性，用于损伤检测和定位[36]，而Del Priore和Lampani则将航空航天结构上的应变测量点视为图节点，用于实时损伤检测和定位[37]。这些研究表明，空间传感器相关性对于以定位为导向的结构健康监测具有重要价值。然而，大多数融合和基于图的方法主要是通过架构设计来提升表征能力，而如何明确分离与损伤相关的表征和与工况相关的表征，这一问题尚未得到充分解决。

基于以上观察，本文提出了一种基于正交解耦的多传感器应变融合框架，旨在从动态应变测量数据中实现具有损伤辨识能力和条件不变性的表征学习。该框架旨在降低局部损伤引起的响应与整体工况变化之间的耦合，从而在不同的工作条件下提高损伤识别和定位的准确性。主要贡献如下：
1. 提出了一种基于物理原理的损伤-工况表征学习框架，用于多传感器动态应变响应分析。该框架设计了双尺度特征感知策略，用于捕捉局部高频的损伤引起的扰动和全局低频的工况相关响应趋势；同时，通过基于注意力的特征重构机制，在特征解耦之前自适应地增强与损伤相关的成分。
2. 开发了一种正交的损伤-工况解耦及条件不变性学习机制。该机制将混合应变表示投影到与损伤相关的子空间和与工况相关的子空间中，并施加明确的正交约束，以减少两者之间的信息泄漏。此外，还在与损伤相关的特征空间中引入了域对抗学习，以抑制工况干扰，提高仿真数据与实验数据之间的可迁移性。
3. 建立了一种基于概率的多传感器融合策略，用于损伤指示和空间定位。该策略将各测量点专用子网络的逐点分类输出进行统计聚合，得到损伤概率值，再通过空间加权进行融合，从而构建出二维损伤概率场。所提出的方法在多种损伤场景以及不同的工作条件、测量条件和结构条件下进行了全面验证，结果表明其在识别准确性、稳健性、泛化能力以及定位可靠性方面均有提升。

方法部分摘录
从铝合金加劲板测得的动态应变响应中，既包含局部损伤引起的扰动，也包含整体工况变化的影响。局部损伤会改变结构的刚度，在损伤区域附近产生应变集中，而激励条件的变化或环境干扰则会影响整个板的动态响应。当这两类信息在混合特征空间中被直接学习时，与工况相关的变化可能会影响损伤特征的提取。

数据采集
为评估所提模型的性能，本研究同时进行了实验测量和仿真分析。实验中使用的铝合金加劲板如图7所示，相关的几何参数和材料参数列于表1中。实验测量采用了高精度的电阻式应变传感器，这些传感器通过氰基丙烯酸乙酯粘合在指定位置。数据采集则使用VTI Instruments公司的应变测量设备完成。

结论
本文提出了一种基于正交解耦的多传感器应变融合框架，用于在不同的工作条件和测量条件下，对铝合金加劲板中的损伤进行识别和定位。该框架整合了双尺度应变特征构建、基于注意力的特征重构、正交的损伤-工况解耦、域对抗适应以及基于概率的空间融合等多种技术。这些组件共同提升了损伤辨识的能力。

作者贡献声明
Ning Yu：写作——审稿与编辑，资金获取。Liangsong Wang：写作——初稿撰写，验证，方法论设计。Renjian Feng：写作——审稿与编辑，项目管理。Yinfeng Wu：写作——审稿与编辑，指导监督。

利益冲突声明
作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。

Ning Yu | Liangsong Wang | Renjian Feng | Yinfeng Wu