基于導波和知識遷移的結構損傷識別方法研究

李嘉欣 呂帥帥 楊宇 張騰飛 張桂剛 李泊言

摘 要：基于導波的損傷診斷方法在航空結構健康監測領域具有較好的工程應用前景，但由于使用環境和結構形式復雜、結構損傷識別閾值依靠先驗知識確定，在提高損傷診斷準確性和可靠性方面還面臨巨大挑戰。人工智能方法可以降低對先驗知識的依賴，但是需要大量的試驗數據，實際工程中無法承受。因此，本文提出一種利用模擬物理損傷產生大量數據，再結合少量真實損傷數據進行結構損傷識別的研究思路，并以遷移學習算法為基礎架構，設計了適用于實際工程應用的結構損傷識別模型PRED_RF。試驗結果分析表明，在有限數據的情況下，PRED_RF模型的損傷識別效果明顯優于其他傳統機器學習和深度學習模型，結構損傷識別準確率達到了94.48%。

關鍵詞：導波； 損傷識別； 遷移學習； 小樣本

中圖分類號：V219 文獻標識碼：A DOI：10.19452/j.issn1007-5453.2023.05.007

航空結構中的裂紋、腐蝕、脫層以及其他損傷會造成航空結構完整性和安全性的下降，對航空結構健康狀態進行監測是確保航空結構性能安全可靠的必要手段。結構健康監測（SHM）技術[1-3]利用集成在結構中的先進傳感器網絡，能夠實時監測結構健康狀態，提高航空結構的安全性，降低維護成本。導波因其傳播距離長、對小損傷敏感和區域監測等特點，作為結構健康監測的一種手段已經存在很長一段時間。為了能夠及時準確地發現結構中的損傷，國內外對基于導波的結構損傷識別方法都開展了大量的研究[4-7]。

目前，最常見的基于導波的損傷識別分析方法是根據結構損傷出現前后的導波信號特征，計算損傷指數（damage index，DI），并與損傷閾值比較來判斷結構是否出現損傷。然而，由于受結構構型、邊界條件和環境溫度等因素的影響，由專家經驗確定的損傷閾值的可靠性較差。

人工智能[8]算法可以很好地解決上述基于導波的損傷識別方法對專家經驗嚴重依賴的問題。在缺乏準確的物理模型或出現復雜非線性現象的情況下，人工智能算法通過構建合適的模型能夠自動地從導波數據中學習得到與結構損傷相關的信息，并對結構是否存在損傷做出判斷。Lamorte等[9]提出了基于隱馬爾可夫模型的結構損傷評估方法，通過使用基于HMM的未加權移動平均趨勢估計方法來實現結構損傷的概率估計。Xu等[10]利用卷積神經網絡從導波數據的多個損傷指數中再次提取高級特征，并進行特征融合從而實現對結構裂紋的評估。Chen等[11]提出了一種基于卷積神經網絡和微分小波譜圖的結構疲勞裂紋評估框架。對基線導波信號和監測導波信號之間的差分時頻譜圖進行高斯小波變換，并將處理后的數據作為卷積神經網絡的輸入來進行網絡訓練，從而實現對結構裂紋長度的評估。Zhang等[12]提出了一種基于深度遷移學習的多任務集成健康監測方法，實現了板結構中損傷監測任務的遷移。

雖然以上研究都取得了很好的效果，但在工程應用中存在兩個關鍵性障礙：（1）數據量不足，在實際工程中很難獲得大量真實的損傷數據；（2）材料、結構分散性較強，直接訓練的模型在新試驗件上的泛化效果較差。

針對以上問題，本文提出了一種符合工程實際情況和應用需求的損傷識別模型PRED_RF，即利用遷移學習將在模擬損傷數據上學習到的損傷特征知識應用于真實結構的損傷識別。本文以典型航空金屬結構為研究對象開展試驗，通過與傳統機器學習和深度學習模型的損傷識別結果進行比較，證明了PRED_RF模型在模型結構和參數相對簡單的情況下，仍可以達到優于其他模型的準確率，驗證了其可靠性和工程適用性。

1 損傷識別模型設計

遷移學習（transfer learning，TL）[13-14]是數據科學界一種強大的研究方法，通過遷移已學到相關任務的知識來改進新任務的學習過程，特別適用于克服實際工程應用中小樣本數據集的局限性。

對基于導波數據的結構損傷識別任務來說，由于模擬損傷數據和真實損傷數據服從相似但不相同的分布，直接利用模擬損傷數據訓練人工智能模型會導致模型學習到的損傷知識與真實損傷之間有一些差別，使模型在結構的真實損傷識別上表現較差。因此，本文設計了一種適用于小樣本導波數據的基于遷移學習的結構損傷識別模型PRED_RF，具體模型框架如圖1所示。

PRED_RF模型由遷移學習模塊、特征增強模塊和損傷識別模塊三部分組成。首先利用專家知識對模擬損傷數據和真實損傷數據提取常用的損傷指數特征[15-16]，將其作為遷移學習模塊的輸入數據。

遷移學習模塊的主要作用是對真實損傷特征進行二次提取，即先利用大量的模擬損傷特征訓練遷移學習模塊，確定其參數，然后再利用該參數對真實損傷特征進行預測，獲取真實損傷的二次特征。

特征增強模塊主要是利用真實損傷的二次特征對真實損傷指數特征進行增強。最后利用增強后的真實損傷特征訓練損傷識別模塊，使損傷識別模型具有對真實結構損傷進行識別的能力。

1.1 可遷移性分析

首先，本文對模型損傷數據和真實損傷數據的可遷移性進行分析，從理論上對模型的可行性進行驗證，也為后續模型的選擇和設計提供依據。最大均值差異（maximum mean discrepancy，MMD）[17]是一種對兩個服從不同分布的數據集進行定量分析的方法。其通常在遷移學習中被用來進行源域數據和目標域數據的可遷移性分析，MMD距離越小，說明兩個數據集之間的分布相似性和可遷移性越高。MMD的計算公式如式（1）所示

為了評估模擬損傷數據與真實損傷數據之間的遷移難度，本文將模擬損傷數據作為源域數據，真實損傷數據作為目標域數據，分別計算出原始導波信號的MMD距離為4.6，利用專家知識提取的損傷指數特征的MMD距離為1.5。從MMD距離計算結果可以看出，模擬損傷特征和真實損傷特征之間的可遷移性更強。圖2為模擬損傷數據和真實損傷數據的損傷指數特征可視化圖，圖中藍色代表真實無損傷數據，紅色代表真實有損傷數據，綠色代表模擬無損傷數據，紫色代表模擬有損傷數據。從圖2可以看出，模擬有損傷特征和模擬無損傷特征以及真實有損傷特征和真實無損傷特征在特征空間可以區分開，說明模擬損傷和真實損傷存在可以遷移的共性特征。因此，本文選擇模擬損傷數據的損傷指數特征作為PRED_RF模型的源域數據，真實損傷數據的損傷指數特征作為PRED_RF模型的目標域數據。

1.2 基于遷移學習的損傷識別模型

基于特征的遷移學習算法的核心是通過構建新的編碼特征空間來糾正模擬損傷特征（源域）分布和真實損傷特征（目標域）分布之間的差異，然后在這個編碼特征空間中學習結構損傷的相關知識。通常需要利用神經網絡進行多次迭代才能構建出有效的編碼特征空間。為了滿足實際工程對結構損傷識別模型簡單、高效和可靠的要求，避免大量運算帶來的時間成本和硬件成本，本文利用PRED（feature augmentation with srconly prediction）[18]算法的基本原理，將復雜的域自適應問題轉化成簡單的監督學習，通過模擬損傷特征訓練的遷移學習模型對真實損傷特征的特征空間進行增強，并將增強后的真實損傷特征作為損傷識別模型的輸入進行模型訓練。

本文以PRED算法為基本架構，使用隨機森林（random forest，RF）[19]模型同時作為遷移學習模型和損傷識別模型的模型結構，引入特征增強方法，設計了基于知識遷移的PRED_RF模型。模型具體計算流程為：在遷移學習階段，首先利用模擬損傷特征訓練一個隨機森林模型作為遷移學習模型，然后將真實損傷特征輸入遷移學習模型中進行預測。在特征增強階段，將遷移學習階段得到的預測損傷特征變換成與真實損傷特征一致的數據格式，利用特征增強方法在特征空間對真實損傷特征和預測損傷特征進行拼接。在損傷識別階段，將增強后的真實損傷特征作為一個新的隨機森林模型的輸入進行模型訓練，訓練好的隨機森林模型作為最終的損傷識別模型并用于真實結構的損傷識別。

2 試驗設計

2.1 導波數據采集

本文開展基于導波數據的開孔板結構損傷識別的多種方法對比研究試驗。試驗件為鋁合金開孔板，長為400mm，寬為168mm，孔直徑為25mm，在試驗件表面一共粘貼12個壓電傳感器。開孔板尺寸和壓電傳感器粘貼位置及傳感器編號示意圖如圖3所示。奇數編號的傳感器作為信號激勵器，偶數編號的傳感器作為信號接收器，每個激勵傳感器與它相鄰的接收傳感器組成監測路徑，一共形成16條監測路徑。采用壓電多通道監測系統進行導波數據的采集，導波激勵信號為頻率范圍為150kHz到270kHz的五波峰正弦信號，增益為15dB，采樣頻率為24MHz，采樣點長度為4000。

在實際工程應用中，導波監測方法主要面臨兩個方面的困難：（1）由于材料分散性，即使在構型相同的試驗件上存在大小、位置均相同的損傷，其導波信號也存在較大差異，即試驗件信號的個體差異強；（2）實際工程中，很難獲取待監測對象的真實損傷信號。因此，針對以上問題，本文采用疲勞試驗和粘貼質量塊兩種方式采集了多個試驗件的真實損傷數據和模擬損傷數據。利用質量塊模擬損傷是由于其在一定程度上可以反映導波信號在單個試驗件上的信號特點，并且在工程中容易實施，為本文方法的工程應用提供基礎；采用多個試驗件的目的是增加數據數量，在考慮材料分散性的情況下，提高數據對損傷識別函數分布描述的準確性。

真實導波數據采集的具體方法為：對開孔板進行疲勞拉伸試驗。試驗開始時，設定試驗載荷大小為4.5～45kN，頻率為10Hz，在3萬次循環后，將試驗載荷大小改為4～40kN，頻率改為8Hz，直至開孔板斷裂，每次測量真實導波數據時的載荷大小為3kN。一共采集9個開孔板的真實導波數據。

模擬損傷數據采集的具體方法為：在開孔板表面未粘貼質量塊時，采集無損傷的模擬數據。由于裂紋從開孔板孔邊兩側開始萌生擴展，所以采取在開孔板孔邊兩側粘貼質量塊的方式來采集模擬損傷數據。通過改變質量塊的面積大小和在孔邊的粘貼位置，來采集不同長度裂紋的模擬損傷數據。一共采集4個開孔板的模擬損傷數據。

2.2 導波信號特征提取

基于導波的結構損傷監測主要是通過對由損傷引起的損傷散射信號進行識別來實現的。通過將每條監測路徑上的初始基準信號和過程監測信號相減得到散射信號，根據散射信號就可以判斷結構有無損傷。通過對不同頻率下的原始導波信號的穩定性進行分析，選擇頻率170kHz和190kHz下采集的導波信號。通常導波信號會受到直達波和串擾信號的干擾，本文針對每條導波信號選擇第500～ 2500的采樣點數據作為后續分析的導波信號。由于裂紋是從開孔板孔邊開始出現的，為了解決單一監測路徑對結構損傷識別可靠性不高的問題，本文選擇開孔板孔邊的4條監測路徑（5-6，5-8，7-6，7-8）組成一個樣本數據來進行損傷識別。

針對每一條導波信號，本文提取了20個損傷指數特征。最終，一條樣本數據為由開孔板孔邊4條監測路徑組成的監測網絡在頻率170kHz和190kHz下采集得到的導波信號求取20個DI特征后合并在一起的數據。一條樣本數據為長度為160的一維數據。真實導波特征和模擬導波特征的無損數據和有損數據分布見表1。

3 結果分析

本文選擇了6種常用的機器學習模型，兩種適合處理時序數據的深度學習模型，以及PRED_RF模型，利用模擬導波特征和真實導波特征進行開孔板的結構損傷識別，通過準確率、模型訓練測試時間和硬件要求多個維度對各個模型進行綜合評價。

如表2所示，機器學習模型和深度學習模型都以全部模擬導波特征作為訓練集來訓練模型，全部真實導波特征作為測試集測試模型性能。遷移學習模型則是以全部模擬導波特征作為源域數據，一個開孔板的真實導波特征作為目標域數據對模型進行訓練，剩余開孔板的真實導波特征作為測試集測試模型性能。機器學習模型和遷移學習模型都是在CPU（Intel i7-10700K）上進行模型訓練和測試，深度學習模型則是使用GPU（NVIDIA GeForce RTX 3070）進行模型訓練和測試。分別計算每個模型在測試集上的f1分數和準確率。通常，一般使用準確率來評價模型的性能效果。但由于導波特征數據集中無損傷數據要明顯少于有損傷數據，數據類別存在偏斜，而f1分數是召回率和精確度的加權平均，也適用于評價模型的效果。

如表3所示，在所有模型中，遷移學習模型PRED_RF在測試集上的效果最好，準確率達到了94.48%，f1分數達到了94.35%。在機器學習模型中，模型測試準確率最高的是K近鄰模型，達到了87.02%。模型測試f1分數最高的是邏輯回歸，達到了71.14%。在深度學習模型中，模型測試準確率和f1分數最高的均為門控循環單元網絡，準確率為92.79%，f1分數為92.59%。對機器學習模型和深度學習模型的試驗結果進行分析，可以看出，在只使用模擬導波特征訓練模型的情況下，機器學習模型和深度學習模型在真實導波特征上都可以達到一定的測試準確率，其證明了模擬損傷數據和真實損傷數據之間存在一定的相關性和可遷移性，為使用遷移學習進行結構損傷識別提供了依據和模型基礎。

同時值得注意的是，在不使用遷移學習模型的情況下，隨機森林模型在測試集上的準確率為69.71%。引入 PRED遷移模塊后，測試集的準確率提高了25%左右，說明利用大量模擬損傷數據和少量真實損傷數據訓練得到的模型在真實損傷數據測試集上具有較高的準確率，證明了遷移學習模型能夠有效提取出模擬損傷數據和真實損傷數據有關損傷的共性特征，降低環境噪聲和結構分散性的影響。

為了驗證PRED_RF模型的泛化能力，本文通過分別選擇不同開孔板的真實導波特征作為目標域數據進行模型訓練，再在其他開孔板的真實導波特征上進行測試，具體測試結果見表4。經過交叉驗證，PRED_RF模型的準確率和f1分數均接近90%，具有較好的泛化能力。試驗證明了利用遷移學習使用模擬損傷數據訓練模型并應用于真實損傷數據的損傷識別能夠達到較高的準確率和可靠性，既可以解決模型訓練需要大量真實損傷數據的問題，也可以解決由不同材料和結構件之間的差異造成模型泛化能力差的問題，是一種非常具有工程應用前景的方法。

在實際的工程應用中，運行效率也是考核模型性能的一個重要指標。表5為隨機森林模型、門控循環單元網絡和PRED_RF模型分別進行模型訓練和模型測試所花費的時間，其中PRED_RF模型的訓練時間和測試時間為交叉驗證后的平均時間。由表5可以看出，隨機森林模型的訓練時間和測試時間均是最短的。這是由于隨機森林模型相較于其他模型，模型結構最為簡單且模型參數最少。PRED_RF模型結構由兩個隨機森林模型加一個特征增強模塊構成，模型訓練時間與單個隨機森林模型訓練時間處于同一量級，模型測試時間大約為單個隨機森林模型的兩倍。但相較于門控循環單元網絡，PRED_RF模型的訓練和測試所需時間明顯較短，符合實際工程對結構損傷識別模型快速高效的要求。

4 結論

通過研究，可以得出以下結論：

（1）本文針對實際航空結構健康監測中結構損傷識別所面臨的真實損傷數據量不足，以及由于材料和結構之間的分散性強導致的模型泛化能力差等問題，提出了使用遷移學習方法實現利用大量模擬損傷數據訓練模型學習得到損傷相關知識，并將學習到的知識遷移到真實損傷數據上來進行結構損傷識別的思路，設計了適用于實際工程和小樣本導波數據的損傷識別模型PRED_RF。在本文試驗中，利用質量塊模擬損傷數據和少量真實損傷數據對PRED_RF模型進行訓練，再對模型在真實損傷數據上的測試效果進行驗證，模型的準確率達到了94.48%，證明了遷移學習在結構損傷識別應用中的可靠性和可行性。

（2）本文針對基于導波的結構損傷識別開展了多種人工智能模型的對比評估研究。從模型測試準確率、模型訓練和測試時間以及對硬件的要求三個方面，對各個模型進行了綜合評價。從準確率來看，PRED_RF模型在測試集的效果最好，達到了94.48%。從模型訓練和測試時間來看，機器學習模型和PRED_RF模型所需的時間都比較短。從硬件要求來看，機器學習模型和PRED_RF模型都只需要CPU。

（3）本文提出的結構損傷識別模型PRED_RF的算法邏輯和模型結構都比較簡單，在開孔板結構的損傷識別試驗中的準確率也優于傳統的機器學習和深度學習模型，通過交叉驗證試驗對模型的泛化能力也進行了驗證。PRED_RF模型滿足實際工程對損傷識別模型高效、可靠和簡單的要求，具有良好的工程應用前景。

參考文獻

[1]卿新林，王奕首，趙琳. 結構健康監測技術及其在航空航天領域中的應用[J]. 實驗力學， 2012，27（5）： 517-526. Qing Xinlin， Wang Yishou， Zhao Lin. Structural health monitoring technology and its application in aeronautics and astronautics[J]. Journal of Experimental Mechanicals， 2012， 27（5）： 517-526. （in Chinese）

[2]袁慎芳. 結構健康監控[M]. 北京：國防工業出版社，2007. Yuan Shenfang. Structural health monitoring and damage control[M]. Beijing： National Defense Indusry Press， 2007. （in Chinese）

[3]王彬文，肖迎春，白生寶，等. 飛機結構健康監測與管理技術研究進展和展望[J]. 航空制造技術，2022，65（3）： 30-41. Wang Binwen， Xiao Yingchun， Bai Shengbao， et al. Research progress and prospect of aircraft structural health monitoring and management technology[J]. Aeronautical Manufacturing Technology， 2022， 65（3）： 30-41. （in Chinese）

[4]Ihn J B， Chang F K. Detection and monitoring of hidden fatigue crack growth using a built-in piezoelectric sensor/ actuator network： Diagnostics[J]. Smart Material Structures， 2004， 13（3）： 609-620.

[5]邱雷. 基于壓電陣列的飛機結構監測與管理系統研究[D]. 南京：南京航空航天大學，2011. Qiu Lei. Research on the pizeoelectric sensors array based aircraft structural health monitoring and management system[D]. Nanjing： Nanjing University of Aeronautics and Astronautics， 2011. （in Chinese）

[6]楊宇，王彬文，呂帥帥，等. 一種基于深度學習的復合材料結構損傷導波監測方法[J]. 航空科學技術，2020，31（7）： 102-108. Yang Yu， Wang Binwen， Lyu Shuaishuai， et al. A deep-learningbased method for damage identification of composite laminates[J]. Aeronautical Science & Technology， 2020， 31（7）： 102-108.（in Chinese）

[7]邢博邯，蔡建，周智權，等. 航空結構中Lamb波小損傷監測能力研究[J]. 航空科學技術，2021，32（3）： 40-48. Xing Bohan， Cai Jian， Zhou Zhiquan， et al. Research on smalldamage monitoring abilities of Lamb waves in aircraft structures[J]. Aeronautical Science & Technology， 2021， 32（3）： 40-48. （in Chinese）

[8]Stuart J R， Peter N. 人工智能：一種現代的方法[M].3版.北京：清華大學出版社，2013. Stuart J R， Peter N. Artificial intelligence： a modern approach[M].3rd. Beijing： Tsinghua University Press， 2013. （in Chinese）

[9]Mei H， Yuan S， Qiu L， et al. Damage evaluation by a guided wave-hidden Markov model based method[J]. Smart Materials and Structures， 2016， 25（2）： 25021.

[10]Xu L， Yuan S， Chen J， et al. Guided wave-convolutional neural network based fatigue crack diagnosis of aircraft structures[J]. Sensors， 2019， 19（16）： 3567.

[11]Chen J， Wu W， Ren Y， et al. Fatigue crack evaluation with the guided wave-convolutional neural network ensemble and differential wavelet spectrogram[J]. Sensors， 2021， 22（1）： 307.

[12]Zhang B， Hong X， Liu Y. Multi-task deep transfer learning method for guided wave-based integrated health monitoring using piezoelectric transducers[J]. IEEE Sensors Journal， 2020， 20（23）： 14391-14400.

[13]Pan S J， Qiang Y. A survey on transfer learning[J]. IEEE Transactions on Knowledge and Data Engineering， 2010， 22（10）： 1345-1359.

[14]Li W， Huang R， Li J， et al. A perspective survey on deep transfer learning for fault diagnosis in industrial scenarios： Theories， applications and challenges[J]. Mechanical Systems and Signal Processing， 2022， 167： 108487.

[15]Torkamani S， Roy S， Barkey M E， et al. A novel damage index for damage identification using guided waves with application in laminated composites[J]. Smart Materials and Structures， 2014， 23（9）： 95015.

[16]Wu Z， Liu K， Wang Y， et al. Validation and evaluation of damage identification using probability-based diagnostic imaging on a stiffened composite panel[J]. Journal of Intelligent Material Systems and Structures， 2015， 26（16）： 2181-2195.

[17]Uguroglu S， Carbonell J. Feature selection for transfer learning[C].Machine Learning and Knowledge Discovery in Databases： European Conference， ECML PKDD 2011， 2011： 430-442.

[18]Daumé H. Frustratingly easy domain adaptation[C]//Proceed‐ings of the 45th Annual Meeting of the Association of Computa‐tional Linguistics， 2007： 256-263.

[19]Breiman L. Random forests[J]. Machine Learning， 2001， 45： 5-32.

Research on Structure Damage Identification Method Based on Guided Wave and Knowledge Transfer

Li Jiaxin1， Lyu Shuaishuai1， Yang Yu1， Zhang Tengfei2， Zhang Guigang2， Li Boyan3

1. National Key Laboratory of Strength and Structural Integrity， Aircraft Strength Research Institute， Xi’an 710065，China

2. Institute of Automation Chinese Academy of Sciences， Beijing 100190， China

3. Beijing Institute of Technology， Beijing 100089， China

Abstract： The damage diagnosis method based on guided wave has a good engineering application prospect in the field of aeronautical structural health monitoring. However， due to the complexity of structure form and the determination of the structural damage identification threshold based on expert knowledge， it still faces great challenges in improving the accuracy and reliability of damage diagnosis. Artificial intelligence method can reduce the dependence on prior knowledge， but it requires a lot of data， which cannot be borne in practical engineering. Therefore， this paper proposes an approach of using simulated physical damage to generate a large amount of data， and then combining a small amount of real damage data for structural damage identification. Based on the transfer learning algorithm， this paper design a structural damage identification model PRED_RF which is suitable for practical engineering application. The experimental result shows that， with limited amount of data， the PRED_RF model is significantly better than other traditional machine learning and deep learning models in terms of structural damage identification accuracy， and accuracy reaches 94.48% on test dataset.

Key Words： guided wave； damage identification； transfer learning； small sample