Page 51 - 2023中国无损检测年度报告

2023 ࠛ௨ចय़ˮڥQGWખ౎˘ᛸˡԾࡰᤠቅ ࠛ௨ចय़ˮڥQGWખ౎˘ᛸˡԾࡰᤠቅ 2023
⚥㕂偽䰀唬崵䎃䏞䫣デ ⚥㕂偽䰀唬崵䎃䏞䫣デ

的多损伤量化技术，能够确定航空复合材料层合 进行量化。
板中的损伤数量、位置和大小，如图 8 所示。针
对多损伤大规模数据集难以获取的瓶颈问题，基
于 Born 近似原理，提出了优先选择和有序排列
的方法，仅用 48 个基本单损伤信号构建了包含
16 248 个信号的多损伤数据集。该数据集反映了
多损伤和单损伤情况下波信号之间的相互作用。
建立多分支 1D-CNN，通过同时处理损伤位置和
损伤大小两个任务，获得不同任务之间的共同特
征。分支网络可以充分利用这些共享特征使各分
支任务相互促进，减少训练时间，提高预测精度。
经过试验验证，与单任务学习相比，该模型的训 图 9 基于多任务 CNN-LSTM 和迁移学习的损伤量化
练时间减少了 23%。不管是损伤位置还是大小的 方法
识别和定量，多任务学习模型的 IOU 和 MIOU 都 3.3 基于 A-FCN-BiGRU-MLP 与迁移学习的飞
高于单任务学习模型。
机结构低速撞击识别技术

飞机在服役过程中，其外部结构经常会遇到
一些低速冲击事件，导致结构内部出现一些难以
察觉的冲击损伤。因此，冲击定位和重建对于结
构的健康监测和可靠性分析至关重要。受深度学
习算法模型卓越性能的启发，提出了一种基于特
征学习的冲击载荷定位和重建技术，如图10 所示。
本研究的试验件是飞行器机身结构切割段，在结
构表面装有多个压电传感器，这些传感器接收到
锤子敲击不同位置时会产生振幅不同的冲击响应
信号。该技术首先对冲击进行定位，然后重建冲
图 8 基于多任务学习的多损伤数据集构建和量化方法
击载荷历程。试验研究了实施迁移学习机制对冲
3.2 基于多任务 CNN-LSTM 和迁移学习的损伤 击载荷历程重建模型性能的影响。研究结果表明，
量化方法 对于任意冲击位置，该模型对低能量和高能量冲

提出了一种多任务 CNN-LSTM 和迁移学习 击进行重构得到的时间历程的平均 RMSE 都维持
相结合的损伤识别方法，利用较少的传感器和训 在 8% 以下，平均 PE 则保持在 10% 左右。同时，
练集量化监测区域内任意位置的损伤，如图 9 所 该方法能够完成从位置识别任务到载荷时间历程
示。试验样品包括三个不同的结构：两个铝板和 重构任务的知识迁移，提高了载荷时间历程重构
一个复合材料层合板。由于损伤大小的种类较少， 的精确度。
损伤大小预测通过 1D-CNN 实现。对于损伤位置
预测，建立了多任务 CNN-LSTM 网络架构，其
包括一个主干网络和两个分支网络，可分别输出
损伤在 x 方向和 y 方向上的坐标。试验证明该方
法能有效定位随机位置的损伤。为了验证该方法
的泛化能力和稳定性，第一块铝板的损伤位置预
测任务被视为源任务，利用迁移学习完成铝板 -
铝板和铝板 - 复合材料板的损伤量化。结果表明，
这种迁移方法不仅可以加速迭代，实现高效率训 图 10 基于 A-FCN-BiGRU-MLP 与迁移学习的冲击载荷
练，也保持了目标任务的学习效果，能够对损伤 识别流程图

41