航空航天结构结构健康监测中冲击区域分类精度可重复性评估流程

《Instruments》：A Procedure for Performing Reproducibility Assessment of the Accuracy of Impact Area Classification for Structural Health Monitoring in Aerospace Structures

　　

本研究的主要目标是开发一套优化流程，以保障不同应用与实验室间结果的可重复性，从而促进航空航天结构结构健康监测(SHM)方法在潜在现场应用中的落地。研究聚焦利用原位换能器与机器学习(ML)技术，在平板结构上准确检测并定位冲击区域。研究人员以铝板为对象，采用不同质量金属球自固定高度跌落产生冲击，由粘贴于表面的锆钛酸铅(PZT)传感器采集兰姆波信号。研究实现并比较了多种数据处理与特征提取算法，用以提取飞行时间差(ΔToF)，并将所得特征用于训练ML分类模型。随后，研究人员评估了信号采集与数据处理中多类参数对结果的影响及结果可重复性，为此开展了实验室间比对，将训练模型应用于不同条件下采集的数据。实验结果表明，对冲击区域分类影响最大的因素为ΔToF估计算法、ML模型训练点数量、分类模型类型、冲击点在构件上的分布及其在分类区域内的平衡性。上述证据指出了缓解两类问题的途径，从而提升结果可重复性。

研究背景方面，航空航天结构完整性保障依赖无损检测(NDT)与结构健康监测(SHM)。SHM通过传感器网络与算法实现损伤检测、诊断与预后，其中被动诊断结合兰姆波(Lamb waves)分析可用于薄板外来物冲击识别。既有研究多针对特定案例应用信号处理与机器学习(ML)，但缺乏跨实验室可重复性论证，而可重复性是现场迁移的前提。为此，研究人员在《Instruments》报道了这项面向冲击区域分类精度可重复性评估的流程化研究。

关键技术方法上，研究人员搭建1000 mm×1000 mm×1.5 mm铝合金板试验台，四枚直径10 mm PIC255型PZT传感器置于边长500 mm正方形四角；采用8.3 g不锈钢球与3.6 g铅球自330 mm高度跌落生成冲击，21×21网格共437个冲击点每点重复两次，示波器5 MHz采样；以兰姆波A0模态40 kHz成分为对象，分别用互相关(CC)、连续小波变换(CWT)与短时傅里叶变换(STFT)估计传感器对间飞行时间差(ΔToF)；将6个ΔToF作为特征，按3×3划分9个平衡区域，训练集成子空间K近邻、增强树集成、加权KNN等分类器，并以实验室间独立采集167条信号验证可重复性。

研究结果部分，2.1节实验装置与测量链表明四角布设PZT可延迟边缘反射、提升首波纯净度。2.2节数据处理显示A0模态主导到达时间，CC经带通滤波与findchangepts定位、CWT用Morse小波尺度峰值、STFT用Hamming窗findpeaks提取首峰，三者均输出六传感器对ΔToF。2.3节机器学习模型中，区域几何均分避免类别不平衡；边界点剔除、训练点减半、采样率降至500 kHz的参量实验被用于评估鲁棒性。3.1节ΔToF估计方法差异指出CWT平均变异最低(约0.008 ms)、重复性差(0.002 ms)，CC受回响污染、STFT受时频分辨率限制。3.2节分类模型中CWT+增强树集成测试精度98%，错分多邻域；剔除边界点后各类模型验证与测试精度上升；训练点减半无显著影响；采样率降至1 MHz或500 kHz精度几乎不变。3.2.4节可重复性评估中，跨实验室数据下CWT模型仍达约95%精度，CC对训练点减少敏感，STFT跨设置泛化弱。

讨论与结论翻译：论文结论指出，CWT估计ΔToF变异最小，作特征可使优化分类器测试精度达98%；跨实验室不同采集系统、频率、操作者与冲击体下模型精度仍约95%，证明流程具备现场迁移潜力。影响分类精度的主要因素为ΔToF估计算法、训练点数、分类模型类型、冲击点分布与区域平衡性，采集频率影响可忽略。该可重复性基准为数据驱动SHM提供量化依据，下一步将结合解析模型拓展至复合材料与加筋构件。