稀疏阵列下基于机器学习多模Lamb波损伤监测.pdf

引用格式：引用格式：唐令权,王强,胡伟伟,等.稀疏阵列下基于机器学习多模 Lamb 波损伤监测J.中国测试，2024,50(2):107-116.TANGLingquan,WANGQiang,HUWeiwei,etal.Multi-modeLambwavedamagemonitoringbasedonmachinelearninginsparsearrayJ.ChinaMeasurement&Test,2024,50(2):107-116.DOI:10.11857/j.issn.1674-5124.2021090034稀疏阵列下基于机器学习多模 Lamb 波损伤监测唐令权，王强，胡伟伟，鲍峤(南京邮电大学自动化学院、人工智能学院，江苏南京210023)摘要:复合材料结构损伤机理复杂，形式多样，对工程结构的安全带来潜在的风险，也使得结构健康监测研究中的损伤程度辨识存在很大的困难。针对上述问题与实际工程应用场景，研究基于稀疏阵列的多模态 Lamb 波损伤识别方法。分析多模态 Lamb 波在复合材料结构中的传播过程及损伤作用机理；设计稀疏压电阵列，提高工程应用实用性；采用 Fisher 线性判别原理，分析提取识别损伤区域下的最优监测路径；最后，基于损伤机理分析，提取 Lamb 波结构响应时域、频域、时频域多特征参数，建立基于支持向量机的损伤监测与评估模型。实验验证表明，基于稀疏阵列的多模态 Lamb 波损伤辨识技术能够识别任意区域、不同程度的损伤，识别率为 93.75%。关键词:最优路径;多模态;Lamb 波;Fisher 线性判别;支持向量机中图分类号:TB52+7;TB9;TH702文献标志码:A文章编号:16745124(2024)02010710Multi-mode Lamb wave damage monitoring based on machinelearning in sparse arrayTANGLingquan,WANGQiang,HUWeiwei,BAOQiao(CollegeofAutomation&CollegeofArtificialIntelligence,NanjingUniversityofPostsandTelecommunications,Nanjing210023,China)Abstract:Thedamagemechanismofcompositestructuresiscomplexanddiverse,whichnotonlybringspotentialriskstothesafetyofengineeringstructures,butalsomakesitdifficulttoidentifythedamagedegreein the research of structural health monitoring.Aiming at the above problems and practical engineeringapplication scenarios,the multi-mode Lamb wave damage identification method based on sparse array isstudied.Thepropagationprocessanddamagemechanismofmulti-modeLambwaveincompositestructuresare analyzed.The sparse piezoelectric array is designed to improve the practicability of engineeringapplication.TheFisherlineardiscriminantprincipleisusedtoanalyzeandextracttheoptimalmonitoringpathunder the identification of damage area.Finally,based on the damage mechanism analysis,the multi-characteristic parameters of Lamb wave structure response in time domain,frequency domain and time-frequencydomainareextracted,andthedamagemonitoringandevaluationmodelbasedonsupportvector收稿日期:2021-09-03；收到修改稿日期:2021-11-13基金项目:国家自然科学基金（12002172，52105152）；江苏省自然科学基金（BK20190738，BK20190739）；中国博士后科学基金（2021M691657）作者简介:唐令权（1998-），男，广西桂林市人，硕士研究生，专业方向为结构健康监测。通信作者:王强（1980-），男，江苏镇江市人，教授，博士，研究方向为结构健康监测以及嵌入式系统与智能仪器。第50卷第2期中国测试Vol.50No.22024年2月CHINAMEASUREMENT&TESTFebruary,2024machineisestablished.Theexperimentalresultsshowthatthemulti-modeLambwavedamageidentificationtechnology based on sparse array can identify any region and different degrees of damage,and theidentificationrateis93.75%.Keywords:optimalpath;multi-mode;Lambwave;Fisherlineardiscriminant;supportvectormachine0 引言复合材料由于重量轻、强度高和耐化学腐蚀等优点而被广泛用于制造业的各个地方，无论是航空航天工业、船舶车辆工业，还是风力发电工业，复合材料的使用范围非常广泛。然而，复合材料结构在使用过程中极易发生诸如裂纹、分层、通孔、腐蚀、等各式各样的损伤1。这些损伤不仅危害到结构本身的运用，更有可能影响到整个工程的安全，使人民生命财产遭受不可估计的损失。因此，对结构损伤的监测，判断结构的损伤程度至关重要。Lamb 波由于传播距离远，衰减小、对微弱损伤敏感等特点，在复合材料损伤辨识领域被大量使用。在对损伤的监测与辨识研究领域中，Zuo 等2利用有限元的方法构造小波单元，通过改进频率三线相交法实现对复合材料的损伤识别，不过此方法难以对早期损伤进行识别。Chaudhry 等3利用机电阻抗（electromechanicalimpedance,EMI）的高频特性对航空复合材料的结构进行监测，该研究表明，此方法对局部微小损伤非常敏感。在 EMI 中引入智能算法，并结合人工神经网络，能够对损伤进行定位和识别。但是由于复合材料的复杂损伤样本，一定程度上限制了此方法的广泛应用4。Dao 和Staszewski5提出一种从温度变化中分离损伤敏感信号特征的方法，检测出损伤的存在、损伤严重程度以及损伤的分类。HyunseongLee 等6采用基于Lamb 波和深层自动编码器（deepatomaticencoder,DAE）技术研究复合材料结构疲劳损伤自动检测与分类，通过分析 Lamb 波信号中的统计模式，利用DAE 模型自动提取损伤敏感特征，对疲劳损伤模式进行分类。由于 Lamb 具有明显的多模频散特性，此方法对损伤的诊断具有一定的限制。复合材料损伤监测与损伤程度的辨识已经成为当前迫切的研究课题，针对这一问题，首先从分析Lamb 波的损伤机理入手，为提高损伤信息，利用Lamb 波多模特性进行检测，针对复杂的损伤样本，提出建立稀疏传感阵列，通过选择最优的监测路径，更加有效地反馈损伤的发生和发展情况，抑制损伤监测的伪诊断信息的发生。最后，设计了基于支持向量机的损伤识别模型，实现了对损伤程度的辨识，并极大提高了损伤的辨识准确度。1 Lamb 波基本理论1.1 Lamb 波简介Lamb 波的产生是在无边界固体平板传播的过程中，横波和纵波耦合而成的一种特殊形式的应力波。Lamb 波在传播的同时，质点产生的振动随着板厚、激励信号的中心频率等参数的变化而变化。根据传播时板结构表面质点的振动方向相对于板的中心是否对称，可将 Lamb 波划分为对称型 Lamb波和反对称型 Lamb 波7-8。Lamb 波传播的波动方程表达式为：tan(qh)tan(ph)=(k2q2)24k2qp反对称模式tan(qh)tan(ph)=4k2qp(k2q2)2对称模式(1)p22c2lk2,q2=2c2tk2,k=cp(2)式中：h板厚度；角频率；k波数；cl和 ct纵波波速和横波波速；cpLamb 波的相速度。,根据公式(1)、(2)知，Lamb 波的波速是频率和厚度乘积的函数。求解方程组有无数个根，可得到多种传播模式，分别为对称模式(S0,S1Sn)和反对称模式(A0,A1An)。Lamb 波具有多模频散特性。在对称模式和反对称模式中，除了 A0和 S0模态外，其他所有的模态都存在着截止频率的现象，即大于该截止频率时，该模态才会产生并传播。多模态混合信号较为复杂，会增加信号分析处理的难度，可使用窄带激励，激发出单一模式的 Lamb 波9-11，用于损伤的监测。108中国测试2024年2月1.2 Lamb 波损伤监测原理依据 Lamb 波传播的机理，可以根据图 1 看出Lamb 波传播至健康结构与 Lamb 波传播至损伤结构时，Lamb 波发生的变化。当 Lamb 波经过健康状态的结构时，信号正常传播，当传播经过结构损伤位置时，其部分信号会受到损伤的阻碍，发生散射、反射、透射等现象，造成能量的变化，通过对健康信号与损伤信号进行处理与分析，即可达到对损伤监测的目的。(b)损伤结构(a)健康结构图 1 Lamb 波传播至健康结构与损伤结构对比图2 多模态 Lamb 波损伤机理分析2.1 多模态 Lamb 波激励为了抑制 Lamb 的多模特性，便于损伤信息的获取，在复合材料监测中通常采用窄带激励的方式，激励频率为 20200kHz 时，激励出的 Lamb 波只存在 A0和 S0两种模态12。由于 Lamb 波的传播受环境与材料的影响，多个模式混合使得信号处理变得复杂。传统的损伤辨识技术，通常采用单一中心频率的激励信号，激发单一模态为主的 Lamb 波，以便于对信号的处理与分析，但是，单一模态 Lamb 波信号夹带的损伤信息不足，难以实现对损伤的精确辨识。为了获取更多的损伤信息，采用双频率激励方式，激发出多模态 Lamb 波，用于损伤的监测。中心激励频率选择为 30kHz 和 60kHz，采样频率为 2MHz。采用复合材料板进行研究，分别激发出以 A0模态为主要信号的 Lamb 波和以 S0模态为主要信号的 Lamb 波，激励为 5 波峰汉宁窗调制信号，图 2 为中心频率 60kHz 的激励信号时域图。幅值/V时间/s432101234050100150200250300图 2 Lamb 波激励信号时域图（60 kHz）采集复合材料板上传播的 Lamb 波，如图 3 所示，根据图 3（a）可以明显看出，S0模态与 A0模态分离，激励出的 Lamb 波以 A0模态为主要信号。根据图 3（b）可以看出，激励出的 Lamb 波以 S0模态为主要信号。串扰串扰S0 模式直达波S0 模式直达波A0 模式直达波边界反射波边界反射波1050510幅值/V05001 0001 500(a)30 kHz 激励频率下采集到的 Lamb 波时间/s3201123幅值/V0300700100500200600400800 9001 000(b)60 kHz 激励频率下采集到的 Lamb 波时间/s图 3 不同激励频率下的 Lamb 波2.2 损伤机理分析为了研究 A0模态与 S0模态 Lamb 波对损伤的监测机理，在复合材料板结构上模拟典型分层损伤进行研究。根据 Lamb 波损伤监测机理，分别采用中心频率为 30kHz 和 60kHz 的窄带激励方式（一发一收），采集损伤信号与健康信号进行时域、频域与时频域的信息对比分析。图 4 为时域对比信号。如图 4 所示，无论是 A0模态还是 S0模态，时域健康信号与损伤信号的差异主要体现在边界反射波上面的差异，这种差异直观体现在时域信号幅值、能量与离散程度等变化上，这是由于 Lamb 波在传播至损伤位置时会发生散射、反射与透射等现象。可以通过提取反射波时域特征参数表征信号的差异，由于串扰不包含损伤信息，所以不做考虑。为了观察信号频域变化信息，对健康信号与损伤信号分别进行离散傅里叶变换，图 5 为 Lamb 波频域差异对比图。可以看出，A0模态与 S0模态在频域的差异主要体现在中心频率及其附近频率的差异，这是由于第50卷第2期唐令权，等：稀疏阵列下基于机器学习多模 Lamb 波损伤监测109分层损伤导致材料密度、强度、固有频率等物理性质发生改变。可以通过提取重心频率、频率方差、均方频率等特征表征健康信号与损伤信号的差异。为了对信号进行时频域的分析，将健康信号与损伤信号分别进行三层小波包变换，并对第三层各节点小波包系数进行重构，图 6 为 Lamb 波时频域差异对比图。其中，蓝色代表健康信号，红色代表损伤信号根据时频域信号对比，低频信号的幅值显著大于高频信号的幅值。因此，A0模态与 S0模态Lamb 波信号的能量主要集中在低频部分。分层损伤导致 Lamb 波各频段的信号产生变化，信号幅值存在着较大的波动，说明时频域存在着丰富的损伤信息，可以通过提取各个频段波形特征、各个节点的能量特征等时频域参数作为健康信号与损伤信号的特征值。3 基于稀疏阵列的最优监测路径提取3.1 稀疏阵列的设计为了实现对于结构件损伤程度的辨识，需在结构件上布置压电传感阵列，传统的损伤监测阵列多采用单一固定的监测路径对某一区域进行识别，或采用大量的传感器完成对于多区域的监测。传统压电阵列如图 7 所示。线性阵列具有结构简单，信号处理方便等优点，缺点是信号所携带的损伤信息不足。分散阵列的优点是覆盖整个监测区域，能够采集到大量的有效信息，它的缺点也很明显，就是采用的传感器过多，增加系统运行负担，信号处理难度加大，成本增加。基于上述分析，本文设计如图 8 所示稀疏阵列，用于损伤的监测。由于多模态 Lamb 波能够带来大量特征，因此，稀疏阵列只采用 4 个压电陶瓷进行信号的采集。在正方形监测区域的四个角布置 4 个压电片，4 个压电片两两组合构成 6 条监测路径，6 条监测路径将正方形监测区域划分为 A、B、C、D 共 4 个监测区域。其中，箭头左端的压电片用作激励器，右端的压电片用作接收器。由于损伤可能发生在监测的任意区域，传统监测阵列采用固定监测路径难以跟踪损伤的发生与发展情况，稀疏阵列的监测路径是有限的，因此，提出一种最优监测路径识别方法。3.2 Fisher 线性判别识别最优路径Fisher 线性判别分析是 R.A.Fisher 于 1936 年提出的方法，主要用在模式识别等分类问题上。它的主要方法就是把所有样本都投影到一个方向上，然后在这个一维的方向上确定一个分类的超平面W13。核心思想就是选择最优投影面，使投影后不同类别之间样本尽可能远离，同时相同类别样本尽可能聚集。如图 9 所示，为典型的二分类原理图，d维空间中，红色点与黑色点代表不同的两类样本，健康信号损伤信号健康信号损伤信号1050510幅值/V05001 0001 500(a)A0 模态 Lamb 波健康信号与损伤信号时域对比时间/s40224幅值/V0300700100500200600400800 9001 000(b)S0 模态 Lamb 波健康信号与损伤信号时域对比时间/s图 4 健康信号与损伤信号时域对比图健康信号损伤信号120100608040200振幅50100150(b)S0 模态 Lamb 波健康信号与损伤信号频域对比频率/kHz健康信号损伤信号1 0004002008006000振幅307010502060408090 100(a)A0 模态 Lamb 波健康信号与损伤信号频域对比频率/kHz图 5 健康信号与损伤信号频域差异对比图110中国测试2024年2月每个样本为一个 d 维向量。x1x2,xnSB在欧氏距离的基础上，假设一组共有 n 个样本,，分为 c 类，则类间距离、类内距离SW定义如下：m=1nnk=1xk(3)幅值/V时间/s0.500.50100200300400500幅值/V时间/s0.200.2150250350200300幅值/V时间/s0.020.0400.020.04150200250300350400幅值/V时间/s0.0200.02150250350200300幅值/V时间/s420240200400600800幅值/V时间/s0.200.2100300500700200400600幅值/(103 V)时间/s505650700750800850幅值/(103 V)时间/s505340320380420480360400440 460幅值/(103 V)时间/s101100300500200400600700幅值/(103 V)时间/s101310300330350380320340360 370幅值/(103 V)时间/s202340360400380420440幅值/(103 V)时间/s101300400500350450(a)A0 模态 Lamb 波健康信号与损伤信号时频域对比图(b)S0 模态 Lamb 波健康信号与损伤信号时频域对比图幅值/(103 V)时间/s202200250300350400幅值/(103 V)时间/s202150250350400200300幅值/(104 V)时间/s505200250300350400幅值/(104 V)时间/s505250350200300图 6 健康信号与损伤信号时频域差异对比图第50卷第2期唐令权，等：稀疏阵列下基于机器学习多模 Lamb 波损伤监测111mi=1ninii=1xi(4)SB=ci=1pini(mim)(mim)T(5)SW=ci=1pinij=1(xjmi)(xjmi)T(6)式中：m所有样本的均值；ni第 i 类样本数量；mi第 i 类样本均值；pi相应类别的先验概率。依据 Fisher 线性判别准则采用了使样本投影到一维后类内离散度尽可能小、类间离散度尽可能大的准则，定义如下 Fisher 距离计算公式：FisherDis=SBSW(7)采用图 8 所示稀疏阵列，当其中的一区域发生损伤时，6 条路径同时进行监测，由于 Lamb 波的传播机制，6 条路径之中采集到 6 种不同的损伤信息，因此对于同一区域损伤，存在着 6 种不同的损伤特征值。依次对不同路径下的损伤信息进行 Fisher 距离的计算，Fisher 距离值越大代表损伤越可分，定义最大 Fisher 距离值下的路径为当前监测区域的最优路径。4 损伤评估算法4.1 多域特征提取基于 2.2 节分析，对信号进行多域损伤特征提取。时域：均方根、方差、绝对值的平均值、波形因子、峰峰值差异。分别记为 T1、T2、T3、T4、T5。T1=vut1NNi=1xi2/vut1NNi=1Xi2(8)T2=1NNi=1(xi x)2/1NNi=1(XiX)2(9)T3=1NNi=1|xi|/1NNi=1|Xi|(10)T4=T1T3(11)T5=max|xi|min|xi|(12)式中：xLamb 波响应信号各个时间点的幅值；X预先采集的健康基准信号各个点的幅值；N采集的 Lamb 波响应信号的个数；xLamb 波响应信号幅值的平均值；X基准信号幅值的平均值。频域：重心频率、频率方差、均方频率差异。分别记为 F1、F2、F3。F1=Ni=1(fipi(f)/Ni=1pi(f)(13)F2=Ni=1(fi fb)pi(f)/Ni=1pi(f)(14)F3=Ni=1(fi2pi(f)/Ni=1pi(f)(15)式中：f频率；N频域信号长度；pi（f）时域信号经傅里叶变换后的频域信号；fb频域信号的重心频率。时频域：小波包三层分解时频域能量占比差异。分别记为 P1、P2、P3、P4、P5、P6、P7、P8。(a)线形阵列(b)分散阵列图 7 传统损伤监测压电阵列示意图acbd2134ACBD56图 8 稀疏阵列(a)有利于分类的投影方向(b)不利于分类的投影方向X1X1X2X2W1W2图 9 寻找有利于分类的投影方向112中国测试2024年2月Pi=1NNi=1pjl(i)2/ji=11NNi=1pjl(i)2(16)pjl其中，表示分解后 l 层上第 j 个节点的小波包系数，该系数是离散的；N 为系数的长度。由于一条路径有两种模式的 Lamb 波，对其分别进行特征提取，则一条损伤信号共得到 32 个特征值。定义如下特征向量：C=ST1,ST5,SF1SF3,SP1SP8,AT1AT5,AF1 AF3,AP1AP8。其中 S 代表 S0模式的 Lamb 波特征，A 代表A0模式 Lamb 波的特征。4.2 基于最优路径的损伤监测与评估模型支持向量机（supportvectormachine,SVM）在统计分类和回归当中有着广泛的应用。其核心思想是将向量映射到高维空间，并在此空间中建立一个具有最大间距的超平面14，如图 10 所示。yxww*xi+b*=1w*xi+b*=0w*xi+b*=12|w|图 10 支持向量机分类原理图原始的支持向量机算法是针对二分类问题所产生的，当出现了多分类样本时，则采用多分类支持向量机算法解决问题。常见的可采用多分类SVM模型为 libsvm 工具箱，该工具箱采用的是一对一的多分类 SVM 方法。采用RBF 核函数，将特征向量作为输入，得到分类标签作为输出。在复合材料板上依次布置四种状态，分为健康状态、轻微损伤、中度损伤、严重损伤。在区域 A同一位置依次布置上述 4 种状态，在同一路径下，采用多模态激励对四种状态分别进行数据采集，将采集到的数据作一组，则一组信号包含 A0与 S0两种模式下的四种状态信号，6 条路径下共采集到 6组信号。对于区域 A，6 条路径采集到的 6 组信号分别记为 A1、A2、A6。在区域 B、C、D 依次进行同样的操作，将采集到的信号分别记为 B1、B6；C1、C6；D1、D6，共 24 组信号。C16C16C16C16=1 296为了实现对于整个区域的监测，提高对于损伤程度的识别率，采用寻找出最优监测路径组合的方法。在 4 个区域采集信号中各取出一组，将取出的4 组信号组成一组组合信号，共得到组组合监测信号，每一组组合信号都代表着对整个损伤区域的一组路径监测组合。对 1296 组组合信号进行特征提取，分别计算FisherDis，提取最可分的一组作为最优监测路径组合，将最优路径组合下的损伤数据集作为支持向量机模型的输入。损伤监测与评估模型如图 11 所示。电荷放大器功率放大器待测结构数据采集模块特征提取最优路径提取支持向量机识别模型图 11 损伤监测与评估模型5 实验研究5.1 实验方案本节使用的实验对象为玻璃纤维环氧树脂复合材料板，其尺寸为 600mm600mm3mm，该材料的密度是 1960kg/m3，杨氏弹性模量为 20GPa，泊松系数比为 0.17。分层损伤是复合材料结构的一种典型损伤，本文选取其作为研究对象，采用不同大小金属质量块模拟不同程度分层损伤，其规格为30 mm20 mm4 mm、40 mm30 mm4 mm、50mm30mm4mm。在板上依次粘贴不同大小质量块，模拟四种程度分层损伤，对稀疏阵列下的 4 个区域损伤进行数据采集。激励信号由电脑控制数据采集卡发出，经过功率放大器放大后在板上传播，Lamb 波传播至接收端后，经过电荷放大器放大后被数据采集卡采集并上传至电脑。数据采集设备是由美国 NI 公司研发的 NIUSB-6366 型号数据采集板卡。考虑温度等环境影响，根据不同时间对一条路径共进行10 次数据收集，双激励模式则让采集的数据翻倍，共采集 1920（104462）组信号。图 12 为实验设备图。5.2 实验结果与分析如图 13 所示为采集端采集的典型分层损伤响应信号。可以看到 4 种程度损伤信号的差异主要集第50卷第2期唐令权，等：稀疏阵列下基于机器学习多模 Lamb 波损伤监测113中在边界反射波的幅值变化上。这种差异在时域、频域、时频域上将会携带大量表征损伤的信息。对采集的典型信号进行特征提取，归一化结果如图 14 所示。可以看到多域特征能够携带大量的损伤信息，多模态 Lamb 波更能使损伤信息加倍，且提取的特征具有明显的差异性与可分性。根据 Fisher 线性判别对最优路径进行提取，将1296 组组合路径信号进行特征提取后分别计算Fisher 距离，确定最优路径组合。依据 FisherDis 值，由大到小排序，结果如图 15 所示，提取的最优路径组合为 A5B5C5D2，即对于区域 A 最可分路径为 5，区域 B 最可分路径为 5，区域 C 最可分路径为 5；区域 D 最可分路径为 2。1050510幅值/V05001 0001 500(a)A0 模式 Lamb 波响应典型分层损伤对比图时间/s40224幅值/V0300700100500200600400800 9001 000(b)S0 模式 Lamb 波响应典型分层损伤对比图时间/s健康状态轻微损伤中度损伤严重损伤健康状态轻微损伤中度损伤严重损伤图 13 Lamb 波响应四种程度分层损伤对比图1.00.80.60.40.200.20.40.60.81.0归一化幅值T1T2T3T4T5F1F2F3P1P2P3P4P5P6P7P8特征值(a)四种程度损伤 A0 模态 Lamb 波特征对比图健康信号轻微损伤中度损伤严重损伤1.00.80.60.40.200.20.40.60.81.0归一化幅值T1T2T3T4T5F1F2F3P1P2P3P4P5P6P7P8特征值(b)四种程度损伤 S0 模态 Lamb 波特征对比图健康信号轻微损伤中度损伤严重损伤图 14 多模态 Lamb 波特征值对比图经过处理分析后，提取最优路径下的 160 组损伤信号特征向量作为模型的输入，其中 128 组用作为训练集，随机排序后，作为支持向量机模型的输入，得到了损伤的监测与评估模型，为了验证模型的泛化能力，将剩下的 32 组用作为测试集，结果如图 16 所示，其损伤识别率为 93.75%。为验证本文提出的最优路径下多模态 Lamb 波损伤监测与评估方法的有效性，对 1296 组损伤信号，分别验证其识别率。由于数量较多，对其部分平均值进行罗列，如表 1 所示，Fisher 距离越大越可分，运用多模态 Lamb 波进行监测比单一模态识别率更高。为验证稀疏阵列在复合材料板损伤程度监测的有效性，采用图 7 所示线性阵列监测稀疏阵列下的四个区域，对比实验结果如表 2 所示。由此可见，相比于传统线性阵列，稀疏阵列在稀疏阵列以及复合材料板不同尺寸金属质量块功率放大器NI USB-6366电荷放大器图 12 实验设备图114中国测试2024年2月压电陶瓷减少的情况下，能够取得较好的效果。6 结束语为了研究复合材料损伤程度辨识问题，理论分析了 Lamb 波的特性，从多模频散特性入手，从时域、频域、时频域分析了 A0模式与 S0模式对损伤的监测机理，建立稀疏阵列，采用多路径监测方式，找到最优路径组合，通过多域特征提取，更多提取损伤有效特征信息，最后建立损伤监测与评估智能识别模型。通过实验，完成了对于复合材料任意区域损伤程度的精确识别。上述研究结果表明：1）运用多模态 Lamb 波进行损伤程度的识别，相对于单一模态，能够携带更多的损伤信息，通过多域特征融合，建立损伤监测与识别模型，有效提高了损伤的识别精度。2）通过采用稀疏阵列监测方式，识别最优监测路径，能够更加有效反馈损伤信息的发生，抑制伪诊断信息。稀疏阵列本身对结构件影响很小的情况下，进一步提高损伤的识别精度，在结构健康监测领域有着很大的实用性。参考文献 马淑贤,华杰,王强,等.风机叶片结构的 Lamb 波损伤成像监测J.无损检测,2017,39(2):38-43+47.MASX,HUAJ,WANGXH,etal.LambwavedamageimagingmonitoringoffanbladestructureJ.NondestructiveTesting,2017,39(2):38-43+47.1ZUO H,YANG Z B,SUN Y et all.Wave propagation oflaminated composite plates via GPU-based wavelet finiteelement methodJ.Science China(Technological Sciences),2017,60(6):832-843.2AHMADI,ABDULLAHG.Chargecarrierandoptoelectronicpropertiesofphenylimidazo1,5-apyridine-containingsmallmolecules at molecular and solid-state bulk scalesJ.ComputationalMaterialsScience,2019,170:109179.3张玉祥,张鑫,陈家照,等.基于压电阻抗法的结构损伤检测技术进展J.无损检测,2016(1):69-74.ZHANGYX,ZHANGX,CHENJZ,etal.Developmentondetecting technique of structure damage based on EMIJ.NondestructiveTesting,2016(1):69-74.4DAOPB,STASZEWSKIWJ.CointegrationapproachfortemperatureeffectcompensationinLamb-wave-baseddamagedetectionJ.Smart Materials and Structures,2013,22(9):095002.5LEE H,LIM H J,SKINNER T,et al.Automated fatiguedamagedetectionandclassificationtechniqueforcompositestructures using Lamb waves and deep autoencoderJ.Mechanical Systems and Signal Processing,2022,163(19):108148.6王晶,黄三傲,孙加伟,等.基于对称响应的无基准 Lamb 波损伤监测J.压电与声光,2021,43(1):33-38.WANG J,HUANG S A,SUN J W,et al.Benchmark freeLamb wave damage monitoring based on symmetricalresponseJ.PiezoelectricandAcoustooptic,2021,43(1):33-38.7KIJANKA P,STASZEWSKI W J,PACKO P.Generalisedsemi analytical method for excitability curves calculationandnumericalmodalamplitudeanalysisforLambwavesJ.StructuralControl&HealthMonitoring,2018,25(7):e2172.1-e2172.17.8路径组合序列FisherDisFisherDis0.70.60.50.40.30.20.102004006008001 000 1 200 1 4000.650.600.550.500.455552 5555 3333 3331 5551 3334 3336 4333 4331 6666图 15 Fisher 线性判别提取最优路径测试样本分类标签严重损伤中度损伤轻微损伤健康状态05101520253035预测样本类别实际样本类别图 16 最优路径组合下损伤程度识别示意图表 1 各组合路径下损伤程度准确率识别表组合序列111001012009011000FisherDis0.64010.34740.25930.1347多模态93.75%87.34%82.94%75.19%A0模态87.50%77.03%75.75%69.03%S0模态78.13%71.81%65.09%61.28%表 2 稀疏阵列与线性阵列预测精度对比表%组合序列1234稀疏阵列93.7590.62590.62587.5线性阵列93.7590.62587.578.125第50卷第2期唐令权，等：稀疏阵列下基于机器学习多模 Lamb 波损伤监测115王高平,李波,徐志勇,等.基于 ABAQUS 的 Lamb 波时间反转薄板损伤研究J.压电与声光,2021,43(3):346-351.WANGGP,LIB,XUZY,etal.StudyondamageofthinplateswithLambwavetimereversalbasedonABAQUSJ.PiezoelectricandAcoustooptic,2021,43(3):346-351.9李建,张斌,马锦程,等.Lamb 波电磁超声换能器三维仿真研究J.中国测试,2020,46(9):90-95.LIJ,ZHANGB,MAJC,etal.Researchon3Dsimulationofelectromagnetic ultrasonic transducer based on LambwaveJ.ChinaMeasurement&Test,2020,46(9):90-95.10孙贺,李伟,张璐莹,等.基于模态声发射的碳纤维复合材料损伤研究J.中国测试,2021,47(5):16-23.SUNH,LIW,ZHANGLY,etal.ResearchondamageofcarbonfibercompositesbasedonmodalacousticemissionJ.ChinaMeasurement&Test,2021,47(5):16-23.11SUZ,CHAOZ,MINGH,etal.Acousto-ultrasonics-basedfatigue damage characterization:Linear versus nonlinearsignalfeaturesJ.MechanicalSystems&SignalProcessing,2014,45(1):225-239.12YANT,WANGD,ZHENGM,etal.Fishersdiscriminantratiobasedhealthindicatorforlocatinginformativefrequencybands for machine performance degradation assessmentJ.Mechanical Systems and Signal Processing,2022,162(9):108053.13SONG X,ZHENG Y,XUE W,et al.Identification of riskgenesrelatedtomyocardialinfarctionandtheconstructionofearly SVM diagnostic modelJ.International Journal ofCardiology,2020,328(1):18