摘要
数据驱动模型正在改变复合材料的结构健康监测方式。然而，过高的传感器成本以及稀缺且受噪声干扰的数据影响了模型的准确性和通用性。本研究提出了一种基于电机械阻抗的物理特征与数据驱动框架，用于在存在噪声和数据有限的情况下进行高精度损伤评估。研究使用了包含随机噪声的实验系统来模拟CFRP层合板中的七种渐进式模拟损伤状态。通过快速傅里叶变换平滑滤波器实现的自适应低通抛物线滤波，在频域中对导纳信号进行了去噪处理，其效率优于Hinkley准则，同时有效减少了因传感器漂移导致的误报。研究选择了三个输入变量：共振频率F（反映结构刚度）、共振幅度A（反映结构阻尼）以及均方根偏差指数（一种衡量光谱偏差的统计指标）。这三个变量——两个基于物理的特征和一个统计指标——作为输入送入一个三输入人工神经网络中。该融合模型在105个小型样本上的均方根误差为0.0752，决定系数为0.9807，显著优于纯数据驱动的单输入均方根偏差神经网络（均方根误差为0.1066，决定系数为0.9612）。更重要的是，Shapley加性解释分析表明，这些物理特征显著提升了模型的可解释性和预测可靠性，即使在实际数据极为有限的情况下，也能保持超过98%的模拟损伤识别精度。这为航空航天复合材料的结构健康监测提供了一种成本低、精度高且可扩展的解决方案。
