Page 49 - 2024中国无损检测年度报告
P. 49
合损伤与单损伤的串扰与非线性评估难题，引入 法无需模型微调即可实现高精度定位。首先，通
了一种基于 SSA 优化 RF-GRNN 联合算法的高 过三种异质性投票原则剔除无关的 Lamb 波信
鲁棒性螺栓连接复杂损伤监测技术，其总体架构 号，提取并重构信号中的关键子信号；其次，引
如图 11 所示。该技术秉承“先分类后回归的多 入双迁移域自适应损伤特征提取方法，实现自适
任务架构”核心理念，实现了损失评估任务的拆 应损伤映射；最后，提出自适应增强损伤定位方法，
解与调控，提升了机器学习模型的损伤适配性且 构建性能更优的强学习器，以实现多场景下损伤
降低了模型的非线性复杂程度。明晰了特征选取 的精确定位。对所提出的方法进行了试验验证。
及其组合方式对模型预测性能的影响规律，完成
3.5 基于迁移特征映射的自适应损伤监测方法
了模型预测性能与特征分布规律间内在联系的桥
提出了一种基于迁移特征映射的自适应损伤
接，探究了 0 ～ 10% 噪声干扰下基于阻抗、导
监测方法。在特征迁移层面，提出了一种多层次
波和损伤监测算法的泛化性、鲁棒性以及预测精
特征映射算法，构建目标特征进行跨结构转换，
度。结果显示，该技术实现了对结构无损伤、裂纹、
使源域和目标域数据集在特征空间上的分布规律
松动以及裂纹 - 松动复合损伤 4 种结构状态的有
相似，实现源域和目标域的自适应特征映射。在
效辨识与高精度量化。
实例特征样本层面上提出了一种自适应损伤样本
微调方法，进一步对数据模型进行修剪，剔除影
响模型精度的无效样本。对于判别 CFRP 结构是
否产生微小损伤，识别微小损伤类型，评估损伤
扩展等进行了验证。
3.6 基于变分自动编码器和时空融合迁移模型的
复合材料损伤量化方法
提出了一种基于变分自动编码器（VAE）
和时空融合迁移模型的复合材料损伤量化方法。
首先，建立 VAE 模型，对试验获得的 Lamb 波
信号进行重构和扩展，解决基于 Lamb 波和机
图 11 基于 SSA 优化 RF-GRNN 算法的高鲁棒性螺栓连
器学习的结构健康监测中数据匮乏的问题。其
接结构复杂损伤监测技术
次，设计 1DCNN 和多分支 ConvBiLSTM (MB-
3.3 基于双多尺度卷积神经网络的复杂复合材料
ConvBiLSTM) 时空融合网络，分别量化损伤的
结构损伤诊断方法
大小和位置。最后，将监控区域划分为四个象限。
提出了一种基于双多尺度卷积神经网络的损 将第一象限中训练好的模型分别转移到其他象限
伤诊断方法。其核心是采用多尺度滤波器结合采 并比较样本不足条件下模型的学习能力。结果表
样技术获取散射信号的多尺度损伤特征，并在卷 明，迁移学习后的模型能更快地获取损伤信息，
积神经网络架构中创新性地设计了多尺度卷积核， 并能在 32 个小样本上实现高精度的损伤量化，
以深度挖掘输入信号的多尺度损伤特征。通过在 证明了迁移学习理论在结构健康监测中的有效性
数据输入层和卷积神经网络模型两个维度构建多 和可靠性。
尺度特征学习模块，实现了对输入信号损伤特征
3.7 变工况下基于超声导波的风机齿轮箱结构健
的深度提取，从而实现复杂复合材料结构的损伤
康监测及故障诊断方法
定位与量化评估。测试结果验证了方法的可行性。
提出了一种结合超声导波与迁移学习优化的
3.4 基于异构决策投票的迁移域自适应损伤定位
极限学习机模型（FAA-ELM），用于风机齿轮箱
方法
的健康监测与故障诊断，其总体架构如图 12 所示。
提出了一种新型迁移学习策略――基于异构 实时采集五种工况下不同健康状态（正常、齿面
决策投票的迁移域自适应损伤定位方法，以解决 磨损、齿根裂纹）的超声导波信号，并提取损伤
样本稀缺条件下单一诊断模型存在学习能力不足、 因子。针对工况变化导致损伤因子空间分布不一
迁移复用性差以及损伤定位精度低等问题。该方 致的问题，引入迁移学习进行特征自适应对齐，
41
