飞机复合材料结构损伤的预测方法

针对复合材料结构损伤机理的复杂性,很难准确预测结构损伤状态,本文提出一种基于动态主元分析(DPCA)和最小二乘支持向量机(LS-SVM)相结合的复合材料结构损伤演化预测新方法,并针对复合材料结构损伤特性,采用疲劳振动试验进行结构损伤预测研究。首先,采用经验模态分解(EMD)方法对多传感器采集的复合材料结构健康信息进行自适应分解,得到不同传感器下的多个本征模态分量(IMF),并通过计算各阶IMF分量的奇异熵作为各传感器的特征信息;然后采用DPCA对多传感器的奇异熵进行降维融合,得到融合后的奇异熵特征,再对其采用距离形态相似度方法定义结构健康指数;最后将结构健康指数作为建模数据,创建LS-SVM预测模型,并通过预测模型对飞机复合材料结构健康指数进行预测,其预测结果直接反映了飞机复合材料结构的健康状态。试验验证表明,该方法可有效地实现飞机复合材料结构损伤预测效能,具有很好的工程应用价值。     

加筋复合材料结构分层损伤的贝叶斯诊断及预测

针对复合材料结构疲劳损伤的在线监测和预测问题,提出了一种基于结构健康监测 (Structural health monitoring, SHM) 和贝叶斯理论的结构分层损伤诊断及结构剩余使用寿命预测方法。在贝叶斯概率理论框架下,采用指数模型描述复合材料结构疲劳分层损伤面积的先验演化规律,融合在线SHM数据对结构分层损伤状态,以及损伤面积演化模型的参数进行联合后验估计,即为损伤诊断结果。进一步通过后验估计得到的损伤状态和模型参数预测未来时刻结构分层损伤面积的演化,从而得到当前复合材料结构的剩余使用寿命预测结果。通过有限元仿真的加筋复合材料结构疲劳分层扩展对所提出的方法进行了验证。结果表明,方法可以在线准确地诊断结构分层损伤状态以及预测结构的剩余使用寿命。      

基于马氏距离累积量和EMD的结构损伤识别两步法

结构损伤识别一直是结构健康监测和安全状态评估的热点问题,损伤信息少、信噪比低等因素极大增加了结构损伤识别的难度。基于马氏距离累积量(MDC)和经验模态分解(EMD)提出一种结构损伤识别的"两步法",首先,利用健康状态监测数据作为参考样本,并利用参考样本的MDC值构造损伤识别向量,其MDC值的均值作为阈值,对待测样本进行初步损伤识别;当监测数据中损伤信息较少、信噪比低,利用直接的监测数据损伤识别困难时,则利用经验模态分解方法将监测数据分解成各阶本征模态函数(IMF),再利用各阶IMF的MDC值构造损伤识别向量,并利用统计学方法对损伤识别向量进行概率密度函数拟合,以概率密度函数95%置信区间的上限值作为阈值对结构进一步损伤识别。通过简支梁数值模拟和工字钢的模型试验验证了该方法的有效性及抗噪性。     

基于Lamb波和Hilbert变换的复合材料T型加筋损伤监测

为了监测整体成型复合材料结构的损伤,提出了一种基于Lamb波和Hilbert变换的能量损伤指数。首先,通过应用Hilbert变换提取Lamb波信号的波形包络;然后选取具有最大峰值的波包,将此波包在结构出现损伤后的能量变化值与损伤前的能量之比作为损伤指示;该方法不需要选择特定的Lamb波模式,克服了Lamb波在复合材料结构中存在的频散、多模式及模式转换给信号分析带来的困难;最后在复合材料T型加筋的损伤演化试验中,对该能量损伤指数进行了应用验证研究。研究结果表明：该能量损伤指数可以用于复合材料T型加筋的损伤监测,当能量损伤指数（EDI）值达到0.62时,所研究的复合材料T型加筋确定有损伤产生。     

基于Lamb波递归量化分析的复合材料裂纹损伤定征研究

以谐波激励下的不同损伤引起的结构非线性特性为基础,利用递归量化分析对复合材料的基体微裂纹损伤进行量化检测。以不同外载条件下产生的不同裂纹损伤的复合材料层合板为试验对象,对靠近损伤区域的路径中的Lamb波信号进行了递归图的分析绘制,在此基础上采用递归量化指数对各路信号包含的损伤信息进行了定量表征;为了达到对损伤统一表征的目的,以特征向量间的欧式距离作为损伤状态相对于无损状态的偏离程度,建立了统一损伤指数。分析结果表明该研究提出的统一损伤指数对复合材料基体微裂纹损伤具有较好的敏感性,并随损伤程度增加成良好的线性递增趋势,其为复合材料的基体微裂纹损伤定征提供了一个有效可行的方法与手段。     

无参考Lamb波相控阵结构损伤监测成像方法

超声相控阵结构健康监测中通过计算差信号获取损伤散射信号的方法易受环境和结构变化的影响,针对这一问题,提出无参考信号的相控阵结构健康监测成像定位方法。采用窗函数截取散射信号,剔除直达波和边界反射信号。基于相控阵方法,对结构损伤状态时的传感器响应信号进行处理,无需结构健康状态时传感信号作为参考。该方法在碳纤维复合材料板结构上的实验研究证明,采用无参考信号的超声相控阵方法能够精确实时地监测并清晰表征结构损伤;同时,该方法可以大大缩短监测时间,且不受环境条件变化的影响,为该方法的工程化应用奠定基础。     

基于频响函数的结构健康监测主成分分析法

摘 要：基于测试频响函数,提出一种简单而有效的结构健康监测主成分分析（PCA）新方法。以结构的频响函数作为基本数据,首先将结构健康状态下的频响函数数据作为基本训练样本,通过PCA技术提取结构健康状态特征,并获得结构健康特征变换矩阵,即协方差的特征向量矩阵;然后再对损伤结构的测试频响函数数据进行转换以提取结构相应损伤状态特征;最后在二维PCA空间比较两次提取的结构状态特征分布图即可判断结构是否发生损伤并评估其损伤程度。两个数值算例表明基于频响函数的结构健康监测主成分分析新方法正确有效。该方法基于结构振动响应,与模型无关且诊断前无需大量的训练样本、计算量小、抗噪性能好,具有良好的应用前景。     

复合材料加筋壁板损伤识别的概率成像方法

由于不需要超声导波的波速和传播时间,损伤概率成像方法特别适合于复合材料结构的损伤识别。但是其损伤概率分布函数是一种不精确的分布概率,会造成损伤定位精度的降低,从而会影响其在实际工程结构中的应用。为了提高其损伤定位精度,提出了一种改进的损伤概率成像方法。该方法通过利用损伤因子与损伤距离激励-传感通道直达路径的相对距离的关系,对损伤概率成像方法的损伤概率分布函数进行了改进。通过对复合材料加筋壁板上不同位置损伤的识别,对所提方法的有效性进行了验证。实验结果表明,该方法不仅能对复合材料加筋壁板的单损伤进行准确定位,而且能对两个损伤进行有效识别。     

复合材料连接结构健康监测技术研究进展

连接结构是大型复合材料结构的关键环节,对保证复合材料结构的完整性具有重要作用。由于复合材料连接结构存在复杂的非线性耦合因素,使得复合材料连接结构的强度和破坏模式分析十分困难,因此,必须对复合材料连接结构的健康状态进行监测、诊断、评价和预测,通过在线监测获得的信息实时掌握结构的健康状况与对外界载荷的响应,并在此基础上对未来可能发生的缺陷和故障进行预报,以便能在合适时间段内采取措施,以保证复合材料结构的安全服役并取得最大的经济效益。以飞行器复合材料连接结构为背景,首先简要分析了复合材料胶接连接、机械连接和混合连接形式的损伤和失效模式,然后重点介绍了基于波传播法、阻抗法、智能涂层监测法、真空比较监测法、光纤传感监测法和混合集成监测法的复合材料连接结构健康监测(SHM)技术的研究进展,最后讨论了飞行器复合材料连接结构健康监测技术的发展趋势和面临的挑战。      

多传感器数据融合的复杂系统退化模式挖掘

退化模式挖掘对复杂系统剩余寿命预测具有重要意义。为了解系统运行状态,掌握其退化规律,提出一种基于时间序列聚类的退化模式挖掘方法。首先,利用改进马田系统筛选并融合多传感器数据特征,构建健康指数来表征系统的退化趋势。然后,采用累积和算法将健康曲线进行分段处理,获取退化曲线,并利用基于动态时间弯曲距离度量的层次聚类算法将退化模式进行归类。最后,以相似度和退化时间为判别依据,对系统的退化模式进行有效识别。以航空发动机为对象的研究表明,该方法能够有效的挖掘和识别退化模式,为复杂系统剩余寿命预测提供依据。     

三维编织复合材料健康监测数据异常诊断研究

分析了三维编织复合材料试件结构健康监测技术现状,提出了碳纳米管在三维编织复合材料试件健康监测的应用方法.基于滑动窗口,提出了一种数据流异常检测的算法,对数据进行分析和损伤状态判定.结果说明碳纳米管应用于三维编织复合材料整体结构监控是可行的.该算法计算结果与实际损伤具有很好的吻合性.为内置碳纳米管传感器应用于复合材料制件的实时健康监测提供一种新的综合和分布式技术.     

复合材料结构损伤的属性理论综合评估

为获得一种实时判别复合材料结构损伤的方法研究了属性测度及其识别.用材料结构的应力变化和表面短裂纹群作为特征矢量对结构的状态进行离散化处理,将属性测度识别方法应用于各离散状态的识别,从而对材料结构的损伤程度进行评估.实验表明这种方法的综合识别效率优于径向基函数神经网络,为研究复合材料结构的损伤在线识别提供了一种研究方法.     

基于直接搜索方法的层合板多目标优化设计

直接多目标搜索方法(DMS)是一种不需要计算梯度信息并且能实现全局收敛的多目标优化方法。基于直接多目标搜索方法,以简支层合板铺设角度为设计变量,基频和声功率为目标函数进行层合板结构振动与声多目标优化。分别以4层、8层复合材料层合板为例,用DMS方法对其优化设计,并与传统的遗传算法(GA)对比。结果表明,对于4层复合材料层合板,DMS方法比GA方法优化速度快,且能得到全局最优解;对于8层复合材料层合板,用DMS方法比4层板优化所需时间多,但相比GA方法,DMS方法优化更快。     

基于EEMD和SVR的单自由度结构状态趋势预测

为了解决结构早期损伤难以正确识别的问题,本文结合聚类经验模式分解（EEMD）解决随机不确定性问题和支持向量机（SVM）解决预测问题这两者的优势,提出了一种基于EEMD特征提取的支持向量机回归（SVR）结构状态趋势预测方法。先对单自由度结构渐进损伤的加速度振动信号进行EEMD,再进行希尔伯特变换（HT）,计算瞬时频率,然后用回归支持向量机对反映结构健康状态的瞬时频率进行趋势预测。研究表明：对于渐变损伤该方法可以准确地、高精度地预测结构状态趋势。     

一种隔离损伤的桁架结构性态识别方法

结构损伤的准确识别是结构健康监测的重要内容,由于识别的模型需要实时修正,使得结构整体刚度矩阵的更新和分解往往占用大量时间。该文基于隔离非线性理论,提出了一种隔离损伤的桁架结构性态识别方法。该方法将截面的应变分解成弹性应变和损伤应变,从截面刚度退化角度定义材料损伤,将表征损伤的刚度矩阵从整体矩阵中隔离出来,实现模型中损伤隔离,在迭代计算时避免了结构整体刚度矩阵的实时更新和分解,只需对规模较小表征损伤的刚度矩阵进行更新和分解,提高了损伤识别的求解效率。最后,以某实际钢桁架桥为例,对其主桁弦杆的损伤识别进行了数值模拟研究,设计了两种静力荷载工况对该方法进行验证。结果表明:当桁架结构发生局部损伤时,该方法可以准确高效地识别出发生损伤的位置和程度。     

基于ARM和GPRS远程数据传输的光纤智能结构监控系统

提出并设计了一种基于Advanced RISC Machines（ARM）和General Packet Radio Service（GPRS）的远程数据传输系统,该系统用于光纤智能结构的健康监控。系统包括光源、光纤智能结构、光电检测电路、远程终端单元（RTU）、GPRS网络、Internet和监控中心服务器,其中终端单元由ARM微控制器和GPRS无线通信模块组成。RTU与监控中心之间是通过GPRS网络和Internet来进行数据交换的,在监控中心收到的数据中包含了复合材料智能结构的健康状态信息,通过对数据的处理就能判断材料结构的健康状态,从而达到对智能材料结构的健康状态进行远程监控的目的,同时还进行了相应的承载试验以及损伤定位研究。试验结果表明：该监控系统实现了对光纤智能结构的无线远程监控和损伤定位,且性能稳定可靠,为复合材料结构的健康状态监控提供了一种新方法。     

基于多维阵列和空间滤波器的损伤无波速成像定位方法

随着复合材料在航空结构中的广泛应用,基于压电传感器（PZTs）阵列和Lamb波的结构健康监测成像方法已经成为复合材料结构健康监测技术的研究热点,但是复合材料的各向异性特点导致依赖于信号传播速度的延迟-累加、相控阵等成像方法难以实现其损伤的准确监测。鉴于此,研究了一种与信号传播速度无关的空间滤波器损伤成像定位方法,该方法利用Lamb波在结构中传播时的空间-波数域特征,通过设置空间权重函数使压电传感器阵列形成波数带宽为[k_min,k_max]的空间-波数域滤波器对特定空间方位的Lamb波进行滤波,得到损伤的角度图像; 然后,利用多维线性压电传感器阵列各自针对损伤得到的角度图像进行融合,得到损伤的坐标图像,从而实现了在不依赖传播速度的情况下对损伤的成像定位。在碳纤维层合板上对该方法进行了实验验证。实验结果表明：基于多维线性压电传感器阵列和空间-波数域滤波算法的无波速成像定位方法可以对复合材料结构损伤进行不依赖信号传播速度的成像定位,定位误差在1 cm以内。     

基于多尺度形态分解谱熵的电机轴承预测特征提取及退化状态评估

由于预测特征提取与退化状态评估直接关系故障预测可信性,结合数学形态学与信息熵理论,针对电机滚动轴承,提出基于多尺度形态分解谱熵的预测特征提取方法,用灰色关联分析对退化状态进行评估。对不同损伤程度轴承振动信号进行多尺度形态分解,分别计算其在不同尺度域内的复杂性度量能谱熵、奇异谱熵,以其作为预测特征向量。建立标准退化模式矩阵,对待检测样本信号特征向量与标准模式进行灰色关联分析,据关联度大小对样本信号退化状态进行评估。并仿真与实例数据验证该方法对电机轴承退化状态评估的有效性。     

智能材料结构损伤的分形神经网络诊断方法

针对智能复合材料的损伤诊断问题提出了采用人工神经网络将材料结构表面上的裂纹与材料内部的应力变化相结合的诊断方法。光纤珐珀传感器的小体积和高精度使之很适合于埋置在复合材料内部感受材料内部应力变化。而材料结构表面的裂纹是其内部受损伤的外在表现 ,根据裂纹在结构表面上的分布特征用分形的方法把表面的裂纹量化 ,获得其分维值 ,和内部的应力变化一起作为特征值输入到神经网络 ,利用神经网络的非线性处理能力进行在线的材料损伤识别。在一块 3 5cm× 3 5cm的复合材料试件上的实验结果表明这一方法是可靠的、有效的 ,完全可以进行材料损伤的在线监测以及进一步的材料寿命预测     

融合经验模态分解与模糊熵的薄板结构损伤识别EI北大核心CSCD

针对薄板结构中损伤兰姆波信号提取及表征困难两大问题,提出了一种融合经验模态分解(empirical mode decomposition, EMD)与模糊熵(fuzzy entropy, FEn)的薄板结构损伤识别新方法。该方法首先基于EMD从复杂的兰姆波信号中提取并分离与结构损伤相关的信号;再利用提取出的损伤信号的归一化模糊熵作为损伤指数对结构损伤大小进行定量表征,从而实现薄板结构的损伤识别。设计的三组碳纤维增强复合材料板(carbon fiber reinforced polymer, CFRP)划痕损伤识别试验验证了该方法的可行性,试验结果表明:归一化后的模糊熵与CFRP板划痕损伤大小呈现较好的线性增加的关系,利用该线性关系可以对CFRP板划痕大小进行识别;与基于奇异谱-模糊熵的结构损伤识别方法相比,该研究所提方法识别效果更佳。