基于迁移学习的CFRP结构跨区域损伤量化监测

《Sensors》：Damage Quantification Monitoring of CFRP Structures Cross-Area Based on Transfer Learning

　　

鉴于碳纤维增强聚合物（CFRP）结构在航空航天和汽车制造中的广泛应用，结构健康监测（SHM）的关键作用日益凸显。传统的损伤量化方法在不同结构区域间表现出较差的迁移性和可重用性，难以适应CFRP结构复杂多样的损伤特征。为解决这一挑战，研究人员提出了一种基于迁移学习（TL）的多尺度自适应跨区域损伤量化方法（MSACADQ-TL）。首先，研究人员构建了一个多尺度特征提取框架，该框架将来自不同路径的信号分解为多个频域子信号，并分析这些信号在不同信号尺度上的动态趋势，从而提供更丰富的损伤特征信息。此外，研究人员最小化源域与目标域之间的差异，以增强特征的迁移性。进一步地，研究人员应用基于双向门控循环单元（BiGRU）模型的损伤量化方法，实现跨区域损伤量化。为验证所提方法的有效性，研究人员设计了三种不同的跨区域损伤迁移场景。实验结果表明，MSACADQ-TL模型在损伤量化任务中优于其他对比方法，对CFRP结构的损伤量化是有效的。

**论文解读：基于迁移学习的CFRP结构跨区域损伤量化监测方法研究**

**研究背景与问题**

碳纤维增强聚合物（CFRP）复合材料因其高比强度、比刚度和耐腐蚀性，在高端装备智能制造中广泛应用，尤其在航空航天领域。然而，CFRP结构在长期循环载荷和极端环境作用下，易产生纤维断裂、基体开裂、分层和界面脱粘等损伤形式。准确量化损伤尺寸对于防止损伤失控扩展和避免结构突然失效至关重要。传统的损伤量化方法，如基于超声Lamb波的检测技术，在金属结构上表现良好，但在CFRP上却面临挑战：CFRP材料具有各向异性和非均匀性，纤维取向、铺层顺序、树脂分布和制造工艺的差异导致波传播特性在不同区域存在显著差异。即使在同一CFRP面板内，局部纤维体积分数和铺层的变化也会导致波传播特性的非忽略差异，使得不同结构区域的信号分布不同。此外，不同区域可能具有不同的局部几何形状、厚度、加强筋配置和边界条件，直接影响Lamb波的传播路径、反射模式和模式转换行为。传统的机器学习方法，如人工神经网络（ANN）和卷积神经网络（CNN），在损伤监测中虽然取得进展，但高度依赖高质量标注数据。然而，在实际应用中，CFRP结构的损伤数据往往难以获取，且不同区域间的信号分布差异导致模型泛化能力不足，无法实现准确的跨区域损伤量化。迁移学习（TL）通过利用其他相似任务的数据和模型，可在数据稀缺情况下仍保持良好性能，但将其应用于CFRP跨区域损伤量化仍属空白。因此，研究人员提出一种基于TL的跨区域损伤量化方法，旨在实现不同场景下的损伤尺寸预测。

**研究内容与结论**

研究人员开展了一项针对CFRP结构跨区域损伤量化的研究，提出了一种名为MSACADQ-TL的多尺度自适应跨区域损伤量化方法。该方法结合了多尺度特征提取框架与双向门控循环单元（BiGRU）模型，通过领域自适应策略减少源域与目标域之间的分布差异，最终实现无需目标域样本重新训练即可准确预测损伤尺寸。实验在CFRP复合材料板（尺寸450 mm×450 mm×3 mm，由T700 12K碳纤维编织布六层铺层）上进行，使用9个PZT传感器构建传感网络，通过三种不同跨区域迁移场景验证方法有效性。结果表明，MSACADQ-TL模型在所有迁移场景中均优于CNN和Transformer等对比方法，平均绝对误差（MAE）和均方根误差（RMSE）显著降低，证明了其鲁棒性和泛化能力。该研究发表在《Sensors》期刊上，为CFRP结构健康监测提供了更智能、高效的解决方案。

**关键技术方法**

研究人员主要采用了以下关键技术方法：（1）多尺度特征提取框架，基于变分模式分解（VMD）将Lamb波信号分解为3个不同中心频率的子信号，再通过多尺度排列熵（MPE）分析各子信号在不同尺度下的动态变化，提取时频域多维度损伤特征；（2）领域自适应策略，通过将源域和目标域数据映射到再生核希尔伯特空间（RKHS），并优化最大均值差异（MMD）距离，最小化域间分布差异，提取可迁移特征；（3）基于双向门控循环单元（BiGRU）的损伤量化模型，利用其双向时序信息捕捉能力，在少量样本下学习损伤尺寸与特征之间的关联。样本来源为CFRP板上的8个随机位置，分为1个源域区域（含2个位置）和3个目标域区域（各含2个位置），共构建3种跨区域迁移场景。

**研究结果**

**4.1 基于MSACADQ-TL模型的损伤量化结果**
研究人员通过可视化源域和目标域在迁移学习前后的特征分布，发现迁移前，不同位置的信号概率密度分布呈尖锐、窄带宽特征，具有强位置依赖性；迁移后，所有位置的分布曲线收敛至重叠的宽分布，表明方法有效抑制了位置干扰，建立了域不变特征嵌入。在三种迁移场景下，模型经过10次独立训练，MAE和RMSE均保持较低水平：场景1中MAE最大1.98 mm、最小0.74 mm，RMSE最大2.67 mm、最小1.21 mm；场景2和3中误差也控制在小范围内，且靠近源域的目标区域误差更小，符合逻辑。

**4.2 与其他机器学习方法的对比**
研究人员将MSACADQ-TL与CNN和Transformer模型在三种迁移场景下进行对比。结果显示，CNN和Transformer的损伤量化误差显著高于所提方法，原因是它们未能有效提取对损伤传播敏感且对位置不敏感的可迁移特征。所提方法通过提取可迁移特征，显著提升了损伤量化精度。平均误差指标（表2）表明，MSACADQ-TL在三个场景中均具有更低的平均MAE和RMSE，展现出更强的鲁棒性和泛化能力。

**讨论与结论**

总结讨论部分，研究人员指出，所提方法的核心优势在于结合了人工特征提取与深度神经网络，能够在有限标注数据下有效学习损伤特征并准确量化损伤尺寸，无需新区域样本参与训练即可实现跨区域损伤量化。这对于大尺寸CFRP结构或复杂环境中的损伤量化任务尤为关键，为CFRP结构健康监测提供了更智能、高效的解决方案。

研究结论翻译如下：本文针对CFRP结构，特别是在小样本数据环境下，提出了一种先进的迁移学习损伤量化模型——MSACADQ-TL方法。该模型依赖于Lamb波损伤信号与损伤尺寸之间的相互作用，开发了一种创新的多尺度损伤特征提取框架。该框架的优势在于能够整合频域和时域的多维损伤特征，并通过特征映射技术提取可迁移的损伤特征。此外，通过将人工特征提取方法与深度神经网络相结合，该模型细化了对损伤敏感的特征，从而增强了模型对损伤特征的表达能力。该模型不仅能够使用少量标注数据有效学习损伤特征并准确量化损伤尺寸，而且无需新损伤区域样本参与模型训练即可实现跨区域损伤量化。这对于大型CFRP结构或复杂环境中的损伤量化任务尤为重要，为CFRP结构健康监测提供了更智能、高效的解决方案。