三維編織復合材料健康監測系統連續數據的實時分析和處理方法

萬振凱，羅先武

（1.天津工業大學信息化中心，天津 300387；2.天津工業大學計算機科學與軟件學院，天津 300387）

三維編織復合材料健康監測系統連續數據的實時分析和處理方法

萬振凱1，羅先武2

（1.天津工業大學信息化中心，天津 300387；2.天津工業大學計算機科學與軟件學院，天津 300387）

基于從三維編織復合材料健康監測系統，建立了一套基于數據流的滑動窗口技術的模型，處理分析三維編織復合材料健康監測系統的連續數據.該模型能夠及時地處理和判斷傳感器實時采集到的數據，并能對異常數據進行保存和分析，進而做出相應的提示.實驗結果表明該模型的計算結果與實際數據具有很好的吻合性.該模型大大減少了三維編織復合材料健康監測系統數據處理的難度，同時也很大程度上提高了數據處理的效率.

三維編織復合材料；結構健康監測；連續數據；實時分析；數據流；滑動窗口；數據處理

三維編織復合材料是一種新型的由立體編織技術與現代復合材料相結合出的復合材料，它主要是由三維編織預制件來增強其功能的.通過三維編織預制件的增強使它具有很好的強度，同時還能保證較低的密度，并且還具有好的抵抗形變的能力以及不易膨脹等性能.在現代工業中，是被廣泛關注的一種高溫承載結構材料，已經被應用在醫療、交通、化工、體育、航空、航天等各個領域［1］.

由于材料本身的結構十分復雜，當它作為承載材料時，由于腐蝕、較高的溫度或者壓強、材料自身的變質以及高空環境中等各種狀況的影響，可能會出現各種的損傷，應該有一套完善的健康監測系統來為損傷監測提供準確的信息，以免由于構件的損傷而產生巨大的損失［2］.

三維編織復合材料健康監測（structural health monitoring，SHM）系統主要是利用事先嵌入在三維編織復合材料制件結構內部的微觀傳感器對壓電容效應［3］、諧振頻移特性［4］、電阻效應［5］、壓阻的變化［6］、光學性能變化特征［7］等原理進行的監測結構制件外部環境或自身狀態的變化，然后及時地運用沒有損耗的傳感方法，利用相關算法計算出材料的系統性質，從而判斷出是否出現損傷或者需要替換［8］.結構制件的健康狀況都是通過測量到的實時數據來做出判斷的，因此，對于嵌入在結構體內部的傳感器來說必須具有能夠長期的進行正常的監測工作的能力.近年來，由于三維編織技術的發展以及碳納米管技術的出現，碳納米管傳感器已經成為了三維編織復合材料健康監測系統不可或缺的組成部分［9］.隨著立體編織技術以及現代復合材料的飛速發展，三維編織復合材料的使用必定會越來越廣泛，從而使三維編織復合材料健康監測系統也會變得越來越重要.而健康監測系統數據處理量非常大，為了準確地找出損傷的位置，需要更加高效的數據處理和分析的方法.本文利用了傳感器、數據流的相關知識，結合滑動窗口的相關算法，建立以一套基于數據流的三維編織復合材料健康監測系統連續數據的實時分析和處理方法.

1 數據流技術

1.1 跟蹤信號的時間變化

要想達到不間斷監測的目的，必須有配套的不間斷的、自動的數據處理和分析的方法.而且所提出的方法必須要能夠適用任何變化信號的特征.為了能夠適應這種變化的信號，最有效的方法是使用運行窗口，如圖1所示.

圖1 分析窗口和運行窗口Fig.1 Analysis window and running widow

窗口本質上都是加權函數，強調最近的數據，而逐漸淡化過去的數據.運行窗口能確保任何由測量數據計算出來的屬性都和當前結構的狀態相關.

滑動矩形窗口和指數衰減窗口是2個被廣泛使用的窗口［10］.滑動矩形窗口只考慮有限的具有同樣權重的過去的數據點，定義如下：

式中：ω（t，i）為加權函數；L為窗口長度和存儲器的時間常數.使用矩形窗口很重要的一點是一定要有一定長度的連續窗口重疊，目的是為了使分析數據不間斷.

指數衰減窗口定義為：

式中：λ被稱為遺忘因子，這個窗口適用于過去的數據點的權重呈指數型衰減.

使用窗口必須定義一些采樣點是假設在該采樣點結構的特性保持不變，本文設定存儲器的時間常數為No，它可以近似為：

這個方程為λ選擇了一個簡單的標準，通常，λ的取值范圍為［0.900，0.999］.大部分情況下，矩形窗口的選擇是根據時間來做出決定的.

1.2 數據獲取

在SHM系統中，實時數據流中的數據量是無窮盡的，為了實時處理數據，數據流是通過使用2個單獨的矩形窗口來進行的分割：一個較大的運行窗口跟蹤時間的變化，一個較小的分析窗口用來平均降低噪音，運行窗口的內部運行一個分析窗口（見圖1）.運行窗口中數據的分析是通過分析每一個分析窗口中的數據源，然后平均得出來結果.分析窗口按照一個預定義的重疊率在運行窗口內移動.完成對一個正在運行的窗口的分析后，按照一個預定義的時間重疊來重復上面的過程.在運行窗口內使用分析窗口的原因是可以通過平均的方法減少噪聲的影響（見圖1）.

增加重疊率就增加了連續運行窗口的數量，越多的分析窗口就可以更好地減少誤差，提高數據的精度.然而，這也會使計算量變大，從而增加整個數據處理所需的時間.計算所需的時間應該比較小，這樣才能達到數據分析的實時性.所以，應該調整算法的每一個參數使計算的結果的準確性足夠好，同時也要保證實時的分析.

分析窗口的長度根據具體的結構決定，它取決于結構本身的特性，特別是結構周期的最長值，建議長度是模態結構周期最長值的10倍.運行窗口的長度.另一方面，它取決于記錄中信號和噪聲的比例（SIGNALNOISE RATIO，SNR），長度應該是有足夠長的時間來允許足夠數量的分析窗口在里面運行，用來平均地減少噪聲.最佳的運行窗口長度沒有唯一的解，建議對一組結構的數據的分析應該用不同的窗口長度和不同的重疊率來進行.計算最佳窗口長度是一個特別的操作，每個結構都應該分別進行.

1.3 數據處理

一般情況下，以原始的形式（從一種結構獲得的原始數據）記錄的數據應該不會直接用于結構的損傷識別.原始數據通常包括環境噪聲、傳感器的缺陷以及數據記錄的錯誤.此外，還有一些低頻率的值和孤立的值（誤差均勻的孤立的峰值）.

為了盡量減少這些不好的結果，首先應該做的就是要處理所收集到的數據：數據處理可能涉及均值的去除，去除線性趨勢（基線校正）、窗口化、平滑化、儀器校正、抽取和帶通濾波.

在SHM系統中，數據流的數據是連續不斷的、實時的，所以數據的處理和分析也應該連續不斷的、實時的完成，而在數據處理要做的第一步工作就是找出和刪除掉平均值.數據記錄的平均值表示的是一個靜態分量，也稱為結構響應的直流偏移，通常情況下，記錄的平均值應該為0.然后在實時檢測中，由于噪聲的影響，平均值會圍繞著0波動.

數據處理的第2步就是要從記錄中刪除線性趨勢和低頻分量（長周期）.前者又稱為退勢或基線校正.對于SHM的數據，利用最好的直線擬合方法處理退勢是足夠好的，而且退勢應該對每段數據分別進行.

用高通濾波器去除掉可能監測到的低頻誤差.高通濾波器能消除所有頻率低于篩選器中設定的截止頻率的分量信號，從理論上來講，高通濾波器值消除信號中的直流分量.然后，在處理結構響應的數據時，高通濾波器的截止頻率是選擇相應穩定的數據，高通濾波器消除所有非常低的頻率分量的信號，其中包括線性趨勢，因此，實際上，高通濾波器消除了線性趨勢.再次，對于實時數據，消除趨勢和高通濾波器應該是適用于運行窗口和連續重復窗口定義的數據段.

數據處理的另外一個步驟是過濾.過濾可以刪除數據中不需要的頻率分量，通常情況下，不需要的分量是由于噪聲造成的過高或者過低頻譜的信號，它們可以用帶通濾波器來清除.占主導地位的噪聲的頻譜可以通過繪制原始信號的雙對數傅里葉振幅譜來被識別，如圖2所示.

開始的直線部分在低、高頻頻譜的兩端定義了帶通濾波器的角頻率，非常重要的一點是，過濾器過濾的時候不能改變信號相應的內容，必須使用2次非零相位的Butterworth過濾器.另外，這種過濾并不能消除或者減少信號中的噪聲，它只是消除了占主導地方的噪聲，頻段的噪聲依然存在，保持與原信號相同，但是，頻帶信號的振幅要比那些噪聲大.

圖2 傅里葉振幅頻譜記錄Fig.2 Fourier amplitude frequency spectrum

對于實時數據，情況稍有不同.在實時數據中，信噪比一般情況下是非常低的，傅里葉振幅頻譜記錄可能不會有圖2（a）所示那樣大幅度的角度.這種情況如圖2（b）所示.這時不能使用帶通濾波器，因此開發更加先進的過濾技術是必要的.盡管它們是低振幅和高噪聲，但實際上環境噪聲是固定的，可以被認為是沒變化的，這其實是一種優勢，因為它允許使用統計濾波技術來處理.

本文用最優濾波來統計濾波的形式：最優濾波的目的是為了去除噪聲.由于無噪聲的信號表示結構的實際的動態響應，它可以被假設為具有不同的主導頻率（周期/正弦分量的總和），而噪聲信號并沒有表現出任何主導頻率（頻譜幾乎在整個頻帶都是平的）.

1.4 實時數據的光譜分析

1.4.1 分割法和平均法

分析結構數據的最常用方法是傅里葉光譜分析，就SHM數據來說，光譜分析存在的主要問題是記錄中的噪音和對實時分析的需求.實時分析這一部分可以如先前討論的一樣通過運行窗口和分析窗口來解決.噪音則改變了傅里葉光譜的振幅和頻率，并且會出現一些假象的諧振峰值［11］.

提高SNR的簡單方法是分割法和平均法.這個過程包括將數據劃分成為等長的片段，然后計算出這些片段的光譜特性的平均值.假定記錄中的噪音是罕見的白噪聲過程，即表示隨著片段數量的增加，平均傅里葉系數已經收斂到無噪聲信號.同樣也表示，噪聲信號的傅里葉系數的變化與信號的長度成反比.這表明，片段分割的越短，傅里葉光譜變化就越大，同時結果的誤差就更大.

1.4.2 傅里葉光譜的最小二乘估計法

給定一個信號長度和采樣間隔，傅里葉信號展開中所有正弦和余弦的條件都是已知的，而這些條件的系數（傅里葉系數）是未知的.與其用標準的快速傅里葉變換來決定這些系數，不如通過最小化無噪聲信號（也可以表達為所有帶未知系數的正弦和余弦條件）和記錄信號之間的誤差來確定這些系數.最小化導致的是無噪聲信號的未知系數的一組線性方程，可以通過矩陣求逆解決［12］.

1.4.3 最優滑動窗口的選擇

在傅里葉光譜中最廣泛使用的降低噪聲影響的方法是采用滑動窗口，目前而言沒有明確規定選定滑動窗口的規則.過短的滑動窗口或許不能有效地減少噪聲，然而太長的滑動窗口又會消除真正的峰值.用遞增的窗口長度來繪制方形的傅里葉振幅譜下的區域，這一區域表示曲線下降，窗口長度增加.最優窗口長度的選擇如圖3所示.

圖3 最優窗口長度的選擇Fig.3 Selection of optimum windowing length

由圖3可見，曲線最初下降很快，隨著窗口長度的增加曲線下降的越來越慢.假設無噪聲的傅里葉振幅譜是一個平滑的功能頻率，這就表示曲線下降率由快到低的窗口長度符合最優窗口長度.這可以從圖3中的曲線中看出.

1.5 統計信號處理

統計信號處理解釋了記錄中噪聲的隨意性，并且試圖運用信號的統計特性來消除它.來自SHM系統的數據大部分是穩定的，也就是說它是現有的，并且頻率特征不隨時間的變化而產生巨大的變化.SHM的信號通常都是一直與低SNR并存的，這些特性使得統計信號處理工具成為分析SHM數據最合適的工具.

1.5.1 自相關函數

自相關函數為統計信號處理提供了其中一個簡單的方法.一個信號的自相關函數R（τ），x（t）定義如下：

τ所在的地方就是時間延遲的地方.對于穩定的信號來說，比如電流，決定自相關函數的只有時間滯差τ，可以看出自相關函數并不會改變原始信號的頻率含量.此外，自相關函數擴大了數據里任何周期成分的振幅（任何時候只要當τ相當于這個周期的一倍），正是這個原因，穩定信號的自相關函數比原始信號具有更良好的SNR.

因此，在計算傅里葉光譜的數據時，使用記錄的自相關函數比使用原始記錄更有利，傅里葉光譜的自相關函數也就是眾所周知的功率譜密度函數.

1.5.2 自相關矩陣的特征值

另一組用來譜估計的有利工具，同樣也是將信號從噪聲中分離出的方法，是基于特征值和自相關矩陣的特征向量發展起來的.自相關矩陣Q，是通過以下方程計算：

當Q是（M+1）的時候，（M+1）二維矩陣有（M+1）個特征值和特征向量.一個穩定的信號可以由它自身的自相關矩陣的特征向量代表.也就是

公式（6）表示總記錄的反應可以表達為它自身自相關矩陣的結構模態響應的總和.同樣也可以表示特征值與記錄中的相關部分相對應的值要比那些特征值與記錄中不相關部分對應的值要大的多.因此，特征值和相關矩陣的特征向量可以用來將信號從噪聲中分離出來，只利用這些條件計算的無噪聲譜符合更高的特征值.

需要在最優濾波中選擇出的一個關鍵參量和特征值是濾波器階數M，濾波器的M值過小不能準確代表信號，然而濾波器M值過大或許會同時代表信號和噪聲.有幾種可用篩選M的標準.本文提出一個更簡單直觀的篩選M值的方法，通過繪制變化和M值，e（t）就是原始信號和通過公式（6）得出的信號的誤差，這個數值典型地表明了隨著M增值的急劇下降，水平會降低.M值在總和開始趨于平穩狀態時，可以被當做是最優濾波器.

2 系統模型

試驗中使用信號采集電路如圖4所示.

圖4 三維編織復合材料制件健康監測信號采集電路Fig.4 Signal acquisition circuit of SHM for three-dimensional braided composite based carbon-nano thread sensor

在該結構系統中，由多路惠斯通電橋讀取傳感陣列的應變數據，該系統可通過傳感特性實現對三維編織復合材料制件應力和應變監測和實時測量［13］.

獲取數據以后，在數據的分析上，由于這個系統是實時采集應變信號，因此運用了數據流的相應技術，建立了一套使用滑動窗口的數據處理以及儲存模型，如圖5所示.

圖5 基于滑動窗口的數據處理及存儲模型Fig.5 Data and storage model based on sliding window

數據流是來自于每一個傳感器的數據，來自傳感器的實時監測數據下一步是輸入到數據緩沖區，然后對收集到的數據進行分類，分類標準是傳感器位置的不同.再利用滑動窗口來處理緩沖區中的數據，根據設置的參數值找出可疑的數據，如果出現可疑的數據，將可疑的數據存儲到特定的數據庫中，按照損傷模型來判斷出是否為損傷［14］.

滑動窗口的滑動周期是根據實際情況設定的，當一個完整周期結束時，這一個周期內的數據已經被處理完成，在每個周期計算完成后，更新當前的配置文件數據結構，匯總數據存儲在數據庫中，同時清除了上一個周期的數據.

數據的查詢有2種類型：精確查詢和近似查詢.精確查詢可以查詢到一個滑動周期內的詳細數據；近似查詢可以查詢到一個時間段內的大致數據.

數據儲存是以s為單位儲存的.假定傳感器的數量為m，傳感器監測周期為τ1，靜態監測周期為τ2，一個數據流在一個監測周期的異常數據量為s1，一天的存儲量為W.存儲所有監測數據量為：

本模型的監測數據量為：

式（9）中：W的值取決于τ2和s1.在現實測量中，一般情況下，τ2?τ1，而s1的取值應該比較小.

3 結果分析

運用三維編織復合材料健康監測系統模型對三維編織復合材料進行健康監測，圖6為三維編織復合材料橫向傳感器檢測數據情況，圖7為三維編織復合材料縱向傳感器檢測數據情況.

圖6 三維編織復合材料橫向傳感器檢測數據Fig.6 Abnormal data of sensor collecting for composite in horizontal

圖7 三維編織復合材料縱向傳感器檢測數據Fig.7 Abnormal data of sensor collecting for composite in vertical

由圖6可以看出，異常數據的突變比較集中，這說明該材料的內部損傷不是很分散；圖7異常數據的突變比較分散，說明在制件縱向的損傷是連續的.圖8為三維編織復合材料制件內部圖，可以看出，在該材料內部縱向有很明顯的損傷出現，這表明損傷的情況和本文計算的結果很接近.

圖8 三維編織復合材料制件內部圖Fig.8 Internal scan image of composite

4 結論

針對三維編織復合材料健康監測中的大量數據處理困難問題，本文提出了一種處理模型，該模型的處理方法基于數據流的滑動窗口技術.實驗結果表明：該模型在實際應用中對于損傷的監測是可靠的，能夠及時處理和判斷傳感器實時采集到的數據，并能對異常數據進行保存和分析，進而做出相應的提示并做出損傷定位.根據滑動窗口的大小在數據流中計算出一段時間內的主要數據，然后將該主要數據存儲在其他的數據庫中以便后期的計算，這就大大降低了數據處理的難度，同時也提高了數據處理的效率.

［1］LI W，HAMMAD M，EL-SHIEKH A.Structural analysis of 3-D braided preforms for composites part I：The four-step preforms［J］.Journal of the Textile Institute，1990，81（4）：491-514.

［2］萬振凱.三維編織復合材料拉伸與彎曲聲發射特征分析［J］.紡織學報，2007，28（4）：52-55. WAN Z K.Acoustic emission analysis of the flexural and tensile properties of 3-D braided composite materials［J］.Journal of Textile Research，2007，28（4）：52-55（in Chinese）.

［3］ZHU Y，CHAO C，CHENG C H，et al.A novel ionic-liquid strain sensor for large-strain applications［J］.Electron Device Letters IEEE，2009，30（4）：337-339.

［4］LI C Y，CHOU T W.Strain and pressure sensing using singlewalled carbon nanotubes［J］.Nanotechnology，2004，15（11）：1493-1496.

［5］KON S，HOROWITZ R.A high-resolution MEMS piezoelectric strain sensor for structural vibration detection［J］.Sensors Journal IEEE，2008，8（12）：2027-2035.

［6］CHU L L，QUE L，GIANCHANDANI Y B.Measurements of material properties using differential capacitive strain sensors［J］.Journal of Microelectromechanical Systems，2002，11（5）：489-498.

［7］CHEN L，LI Jia lu，LI Xue ming.Analysis of the yarn movement in 3D braids［J］.Acta Materiae Compositae Sinica，2002，19（2）：71-74.

［8］RAWN C J，BARSOUM M W，EL-RAGHY T，et al.Structure of Ti4AlN3—a layered Mn+1AXn nitride［J］.Materials Research Bulletin，2000，35（11）：1785-1796.

［9］DANIEL I M，CHO J M，WERNER B T，et al.Characterization and constitutive modeling of composite materials under static and dynamic loading［J］.Aiaa Journal，2012，49（8）：1658-1664.

［10］LJUNG L，SODERSTROM T.Theory and Practice of Recursive Identification［M］.Boston：MIT Press，1983.

［11］MOON T K，STIRLING W C.Mathematical Methods and Algorithms for Signal Processing［M］.Upper Saddle River：Prentice Hall，2000.

［12］SAFAK E，CAKTI E，KAYA Y.Recent developments in structural health monitoring and data analysis［J］.Earthquake Engineering in Europe，2009，17：331-355.

［13］李靜東，李嘉祿，萬振凱.基于碳納米管的三維編織復合材料健康監測技術［J］.材料導報，2012，26：109-113. LI J D，LI J L，WAN Z K.Research of health monitoring for three-dimensional braided composite material using carbon nanotube thread［J］.Materials Review，2012，26：109-113（in Chinese）.

［14］王家偉，汪仁紅，羅憲，等.基于數據流的橋梁健康監測海量數據處理［J］.計算機系統應用，2011，20（12）：158-161. WANG J W，WANG R H，LUO X，et al.Processing of massive data based on data stream and bridge health monitoring［J］. Computer Systems&Applications，2011，20（12）：158-161（in Chinese）.

Real-time analysis and interpretation of continuous data of three-dimensional braided composite material based on structural health monitoring system

WAN Zhen-kai1，LUO Xian-wu2
（1.Information Center，Tianjin Polytechnic University，Tianjin 300387，China；2.School of Computer Science and Software Engineering，Tianjin Polytechnic University，Tianjin 300387，China）

According to the status quo of the three-dimensional braided composite material，a sliding window model based on data stream was establised to analyze the data processing of the structural health monitoring of threedimensional braided composite material.The model can estimate and dispose real-time data gathered from sensor，and then prompt hints by saving and analyzing abnormal data.The experimental results indicate that computation from the model has high agreement with actual data.The model has greatly reduced the difficulty of data processing in structural health monitoring of three-dimensional braided composite material，and meanwhile improved the efficiency of data processing.

three-dimensional braided composite material；structural health monitoring；continuous data；real-time analysis；data stream；sliding window；data processing

TS101.8

A

1671-024X（2016）05-0053-06

10.3969/j.issn.1671-024x.2016.05.010

2015-10-16 基金項目：教育部博士點基金資助項目（200800580004）

萬振凱（1964—），男，教授，博士生導師，主要研究方向為計算機應用技術、計算機網絡及復合材料無損檢測技術. E-mail：wanzhenkai@tjpu.edu.cn