专利名称：一种对飞行器结构损伤状态进行多元化识别与检测的方法
技术领域：
本发明涉及一种对飞行器结构损伤状态进行多元化识别与检测的方法。
技术背景
结构参数的变化直接体现在物理参数的改变上，造成其固有频率、振型等特征参 数的变化，进而使结构的动力响应发生变化。直接基于结构振动测试信号识别结构参数变 化情况，可以避免对结构进行繁杂的模态参数求解。此类方法采用傅立叶变换、小波变换等 信号处理方法直接对结构响应信号进行分析和处理，根据信号参数的变化或统计特性，识 别结构的参数变化情况。与傅立叶变换相比，小波分析具有多尺度特性，在时域和频域都具 有表征信号局部特征的能力，可以检测到结构参数变化引起的微弱信号突变。
人工神经网络是对人脑的抽象、简化和模拟，反映人脑的基本特性，可以完成学 习、记忆、识别和推理等功能。从系统观点看，人工神经网络是由大量神经元通过极其丰富 和完善的联结形成的自适应非线性动态系统。神经元之间的连接方式不同，神经网络的结 构形态也就不同。人工神经网络具有下列特征(1)分布储存和容错性；( 大规模并行处 理；(3)自学习、自组织和自适应性；(4)表现出复杂的非线性动态系统的特征；(5)可以处 理一些环境信息复杂、知识背景不清楚和推理规则不明确的问题。
考虑到某些结构损伤的能量参数变化指标，面临样本少、不确定性大、确定性解析 预测模型难以建立等难题，这正符合灰色系统理论研究问题的特点，即序列性、少数据性、 全信息性、时间传递性、灰因果性。
当飞行器结构出现参数变化(损伤)后，结构的响应信号会相应发生变化，损伤对 各频率成份的抑制和增强作用发生变化。通常，它会明显地对某些频率成份起抑制作用，而 对另外一些频率成份起增强作用。因此，结构损伤时的响应输出与结构正常时的响应输出 相比，相同频带内信号的能量会有较大的差别，某些频带内信号能量减小，而其它一些频带 的信号能量增大。于是，在各频率成份信号的能量中，包含着丰富的结构参数变化信息，某 种或某几种频率成份能量的改变即代表了一种损伤情况。发明内容
由于飞行器系统复杂，并且结构参数变化种类也多种多样，处理的数据量较大。为 了对飞行器结构的参数变化损伤程度进行精确地量化，得到表征结构损伤的特征向量，本 发明提出了一种对飞行器结构损伤状态进行多元化识别与检测的方法。该方法是基于飞行 器结构的振动测试信号，应用小波包方法，用于识别结构损伤发生的空间位置和损伤程度， 同时提出一种小波包能量变化率指标，结合神经网络，以小波包能量指标为网络输入对结 构的损伤程度进行精确地量化分析，还采用灰色理论模型方法进行小波包能量指标预测， 进行结构损伤状态量化预测分析。本发明具有快速性、高精度及实现预测性的优点，功能多 样性，有利于发挥小波包的高频分辨率、BP神经网络的非线性映射以及灰色理论模型预测 能力相结合的优势，提高飞行器结构损伤的识别与预测能力。
本发明的一种对飞行器结构损伤状态进行多元化识别与检测的方法，其特征在于 该方法包括下列步骤
第一步对飞行器结构输出的结构位移响应信号通过小波包分解处理，得到 结构振动位移响应信号的能量分量巧M7 (简称为信号能量分量巧；2j ι (Ei ) — (Ei ) I
第二步采用能量变化率指标模型^://( =Σ m\l、m。，a为初始)a状态，b为当前时刻下的状态，对信号能量分量巧％进行处理，获得小波能量变化率指标 WEIf(t)J (简称为小波-变化率WEIf(t)p，所述的小波-变化率能够用于识别飞行器 结构损伤发生的空间位置A(x，y，z)；
第三步采用BP神经网络算法对小波-变化率TOIfwj进行处理，得到小波能 量-损伤程度WDDfw，该小波能量-损伤程度WDDfw也就是当前时刻下的小波能量-损伤 程度；
第四步采用灰色系统理论对信号能量分量巧％进行处理，获得下一时刻的信号會旨量分量五/(吟；2j ι (Ei ) — (Ei ) I
第五步采用能量变化率指标模型=Σ m)l、m] a对下一时刻的信号能量分量吟进行处理，获得下一时刻的小波-变化率WEIf(t+1)j ；
第六步采用BP神经网络算法对下一时刻的小波-变化率WEIf(t+1)j进行处理，得 到下一时刻的小波能量-损伤程度NWDDfw，该下一时刻的小波能量-损伤程度NWDDfw也 就是可能出现的小波能量-损伤程度。
本发明多元化识别与检测的方法的优点在于
①克服现有单一技术的不足，提供一种基于结构振动测试信号高效的识别结构损 伤程度，同时能够进行损伤程度预测的系统。利用小波包能量指标，精确的描述结构的损伤 状况，利用神经网络的非线性逼近能力建立损伤状态指标与损伤程度之间的映射关系，利 用灰色理论模型的序列性、少数据性、全信息性、时间传递性、灰因果性等优势，对能量参数 变化指标数据进行预测。该方法综合利用各种方法的优点，有利于发挥小波包的高频分辨 率、BP神经网络的非线性映射以及灰色理论模型预测能力相结合的优势，利用提出的小波 包总能量变化率指标，快速的进行结构损伤程度的量化分析，利用灰色理论模型对小波包 总能量变化率指标数据进行预测，实现结构损伤的预测功能。
②利用小波变换进行参数变化识别直观、简便，因而在飞行器结构在线健康监测 中得到重视。
③本发明采用“能量-损伤”进行结构参数变化模式识别，该方法不需要对结构进 行建模，而直接对飞行器结构时序响应信号进行小波包分解和各组分信号的单独重构，然 后从中提取能量参数变化指标，确定结构参数变化的位置和损伤程度。
图1是飞行器结构损伤状态识别与检测的流程图。
图2是本发明的BP神经网络训练示意图。
具体实施方式
下面将结合附图对本发明做进一步的详细说明。
本发明的一种对飞行器结构损伤状态进行多元化识别与检测的方法，该方法包括 下列步骤
第一步对飞行器结构输出的结构位移响应信号通过小波包分解处理，得到 结构振动位移响应信号的能量分量吟& (简称为信号能量分量兮；2j ι (Ei ) — (Ei ) I
第二步采用能量变化率指标模型·=Σ m)l、m “对信号能量分量兮( 进行处理，获得小波能量变化率指标WEIf(…(简称为小波-变化率WEIf(M)，所述的 小波-变化率WEIfwj能够用于识别飞行器结构损伤发生的空间位置A(x，y, ζ)；
在本发明中，信号总能量可以看作不同频带内的小波包各组分的能量之和。由 于包含较少能量的小波组分容易受到测量噪声的污染，在分析过程中要对它们进行 舍弃。对小波包分解后各组分的能量进行从大至小排序，得到能量变化率指标模型2j ι QEi ) _ QEi ) ιWEImj = Σ m^1、m “，a为初始状态，b为当前时刻下的状态，通过结构动特性参广1( Ja数变化前后的能量变化率来表明结构的健康状态。a，b对应两种状态，此指标反映了结构 物理参数变化(损伤)前后结构响应信号小波能量的相对变化程度。它不仅与结构动特性 参数变化有关，还与载荷条件有关。所以，在结构动特性参数变化识别过程中要保证结构损 伤前后的受载情况一致。
第三步采用BP神经网络算法对小波-变化率TOIfwj进行处理，得到小波能 量-损伤程度WDDfw，该小波能量-损伤程度WDDfw也就是当前时刻下的小波能量-损伤 程度；
第四步采用灰色系统理论对信号能量分量吟％进行处理，获得下一时刻的信号會旨量分量五/(吟；
在本发明中，采用灰色理论模型将飞行器结构位移响应信号提取点的不同时刻的 小波包能量指标数据进行预测，将得到的小波包能量指标输入已有的BP神经网络进行预 测分析。将已有的小波包能量变化率指标数据利用灰色理论模型处理，获得下一时刻的小 波包能量变化率指标，将下一时刻的指标输入训练好的网络，得到下一时刻的损伤量化状 态，即进行了损伤量化预测。2j ι (Ei ) — (Ei ) I
第五步采用能量变化率指标模型= Σ、m “对下一时刻的信号能量分量巧α,进行处理，获得下一时刻的小波-变化率WEIf(t+1)j ；
第六步采用BP神经网络算法对下一时刻的小波-变化率WEIf(t+1)j进行处理，得 到下一时刻的小波能量-损伤程度NWDDfw，该下一时刻的小波能量-损伤程度NWDDfw也 就是可能出现的小波能量-损伤程度。
在本发明中，整个飞行器结构损伤状态识别与检测的流程如图1所示。基于飞行 器结构的振动测试，获得结构位移响应信号，对进行小波包分解，获得信号能量分 量兮，利用信号能量分量吟采用能量变化率指标模型获得小波-变化率WEIf(…，将获 得的小波-变化率WEIfwj结合BP神经网络算法可进行小波能量-损伤程度WDDfw的识 别，同时采用灰色系统理论模型对当前时刻的信号能量分量巧( 进行处理得到下一时刻的 信号能量分量巧，再采用能量变化率指标模型获得小波-变化率WEIf(t+1”，将获得的下 一时刻的小波-变化率WEIf(t+⑴采用BP神经网络算法可得到下一时刻飞行器结构的小波 能量-损伤程度NWDDfw。
在本发明的第一步中，所述的第一步小波包分解提取结构响应信号的能量分量具 体过程为
步骤1-1 对结构振动测试所获得的位移响应信号进行· 层小波包分解，得到小波包分解后位移响应信号/ω=Σ/;ω，t为振动信号测试周期时间，j为小波包分解层i=l数，i为在j层中频率层的序号，且i = 1，2，-2J；
其中万⑴为小波包基函数Ψ )的线性组合
权利要求
1.一种对飞行器结构损伤状态进行多元化识别与检测的方法，其特征在于该方法包括 下列步骤第一步对飞行器结构输出的结构位移响应信号通过小波包分解处理，得到信号言旨量分量五第二步采用能量变化率指标模型
2.根据权利要求1所述的对飞行器结构损伤状态进行多元化识别与检测的方法，其特 征在于所述的第一步小波包分解提取结构响应信号的能量分量具体过程为步骤1-1 对结构振动测试所获得的位移响应信号进行· 层小波包分解，得到小波包分解后位移响应信号/(0 = YJ-H)，t为振动信号测试周期时间，j为小波包分解层数，i 为在j层中频率层的序号，且i = 1，2，…2j;其中Jiif)为小波包基函数的线性组合k =+ 即
3.根据权利要求1所述的对飞行器结构损伤状态进行多元化识别与检测的方法，其特 征在于BP神经网络为3层神经网络，隐含层神经元节点数为17。
全文摘要
一种对飞行器结构损伤状态进行多元化识别与检测的方法。本发明涉及一种多方法组合飞行器结构损伤状态识别与检测系统，其特征是基于飞行器结构的振动测试信号，应用小波包方法，用于识别结构损伤发生的空间位置和损伤程度，同时提出一种小波包能量变化率指标，结合神经网络，以小波包能量指标为网络输入对结构的损伤程度进行精确地量化分析，还采用灰预测方法进行小波包能量指标预测，进行结构损伤状态量化预测分析。本发明具有快速性、高精度及实现预测性的优点，功能多样性，有利于发挥小波包的高频分辨率、BP神经网络的非线性映射以及灰预测预测能力相结合的优势，提高飞行器结构损伤的识别与预测能力。
文档编号G06K9/62GK102034111SQ20101058919
公开日2011年4月27日 申请日期2010年12月15日 优先权日2010年12月15日
发明者孙伶俐, 毕司峰, 罗媛媛, 贾军, 邓忠民, 骆寰宇 申请人:北京航空航天大学