面向复合扰动下导波检测薄壁金属结构损伤的多源域动态对抗自适应网络
《Ultrasonics》:Multi-source domain dynamic adversarial adaptation network for thin-walled metal structures damage detection using guided wave under compound perturbations
【字体:
大
中
小
】
时间:2026年10月01日
来源:Ultrasonics 4.8
编辑推荐:
**摘要**
超声导波已被公认为一种有前景的薄壁金属结构损伤检测技术。然而,此类结构长期处于动态环境中,由此产生的复合扰动(如温度变化和结构变形)会扭曲信号特征并降低检测精度。为应对这一挑战,本文提出了一种多源域动态对抗自适应网络(MS-DDAAN),以增强复合扰动下的损伤
**摘要**
超声导波已被公认为一种有前景的薄壁金属结构损伤检测技术。然而,此类结构长期处于动态环境中,由此产生的复合扰动(如温度变化和结构变形)会扭曲信号特征并降低检测精度。为应对这一挑战,本文提出了一种多源域动态对抗自适应网络(MS-DDAAN),以增强复合扰动下的损伤检测性能。首先,通过宽带chirp激励、频率反卷积、滤波和归一化等一系列过程获得单频信号。同时,将不同工况下采集的信号划分为多个源域和一个目标域。随后,设计了一种双层特征提取架构,集成动态卷积和自注意力机制,以适应信号分布偏移并提取域不变损伤特征。此外,引入了一种对抗自适应网络,包含全域域判别器和局部域判别器,以实现不同域之间的分布对齐和特征对齐。最后,采用标签分类器将损伤特征映射到状态标签,并引入动态谐波因子在训练过程中平衡标签对齐与域对齐。所提方法在温度变化和结构变形的12种复合工况下对薄壁金属板进行了验证。实验结果表明,MS-DDAAN在所有测试条件下的损伤识别准确率均超过95%,且性能优于其他对比的迁移学习方法。
**引言**
薄壁金属结构具有轻质高强的特点[1],[2],被广泛应用于航空航天、船舶和轨道交通等关键工程领域[3]。其结构完整性直接影响设备的运行安全性和使用寿命。由于长期暴露在动态环境中,这些结构容易受到疲劳载荷、振动冲击和环境波动的影响[4],导致结构变形并产生裂纹或空洞[5],[6]。若未能及时检测此类损伤,将导致严重的安全事故。超声导波(UGW)技术[7],[8],[9],[10]作为结构健康监测(SHM)的关键方法,具有检测范围广、穿透能力强和灵敏度高等优势。它能有效捕捉内部和表面结构的损伤信息,是薄壁金属结构损伤检测极具前景的方法。
当前关于薄壁金属结构UGW损伤检测的研究已取得显著进展[11],[12],[13]。Wen[14]采用压电-激光UGW技术解决了定向能量沉积增材制造生产的薄壁结构的制造缺陷检测问题。Cheng[15]开发了激光-EMAT剪切波方法,用于检测航空发动机高温薄壁结构的缺陷。Wang[16]将Lamb波与相控阵超声技术相结合,提出了时反转改进延迟叠加方法用于相控阵Lamb超分辨成像,以检测大型金属板中的多缺陷。然而,这些研究未能考虑实际服役条件下的环境变化和结构变形,这些因素会导致UGW信号出现频散失真、相位偏移和能量衰减。这使得从干扰中分离损伤特征变得困难,严重限制了在复杂运行工况下的检测精度和适用性。
学者们对环境变化和结构变形对UGW检测的影响进行了研究[17],[18]。Yang[19]提供了来自长期户外结构监测实验的公开数据集,分析了规则环境变化和规则外变化对UGW信号的影响。Lu[20]研究了复杂环境条件下复合材料结构检测中的超声损伤识别和不确定性量化技术。Yan[21]研究了温度变化对压电导波传播特性的影响。Liu[22]提出了一种基于改进最优基线选择、Hilbert变换和负指数振幅衰减的温度补偿算法,以增强UGW监测信号的稳定性。Ziaja[23]研究了UGW在曲线钢悬臂梁中的传播规律,分析了不同载荷条件下应变场变化对波传播的影响。Lu[24]研究了复杂环境条件下结构健康监测中损伤敏感特征评估和不确定性分析。这些研究进一步表明,环境变异性可能显著影响检测结果的可信度。
近期研究表明,深度学习已成为导波信号处理和损伤识别的重要方法。Shang[25]提出了一种CNN-LSTM混合模型用于金属管道损伤检测,能够准确分类不同类型的缺陷。Zhang[26]开发了一种深度学习框架,结合条件生成对抗网络和注意力增强的一维CNN,用于识别CFRP加固钢板中的裂纹扩展。Prajapati[27]提出了一种半监督生成对抗网络,用于有限标注样本条件下复合材料板的损伤检测。Flores Cuenca[28]开发了一种优化的Transformer神经网络,用于碳钢管的缺陷检测。Zhang[29]进一步提出了一种结合交叉注意力和由损伤指标引导的自注意力的Transformer模型,用于管道损伤定位,改进了特征融合和全局损伤信息提取。然而,大多数现有方法依赖于相对静态的特征提取方案,主要设计用于单任务或单工况场景,在应对由外部扰动引起的信号分布偏移和特征干扰时能力不足。
此外,作为跨域知识复用方法,迁移学习在数据稀缺[30],[31]和工况变化的场景中表现出显著的应用优势,在结构健康监测领域逐渐获得关注[32],[33],[34],[35]。Zhang[36]开发了孪生数据驱动深度自适应网络,通过集成仿真模型、导波机理模型和深度网络,实现了高压电缆铝护套腐蚀损伤的高精度智能检测。Yang[37],[38]通过提出域对抗自适应胶囊网络和异构空间自适应迁移学习方法,解决了振动条件影响 stranded wire健康监测的挑战。类似地,Jiang[39]提出了一种域分离胶囊网络,用于振动环境下2024铝合金的检测,增强了其在不同振动条件下的鲁棒性。Shruti[40]引入了一种卷积自编码器迁移学习方法,用于UGW结构健康监测系统中的温度补偿损伤识别和定位。Huang[41]研究了一种基于激光能量映射深度迁移学习的新型能量映射传输网络检测方法,提高了热弹性激励下铝板内部损伤的检测能力。然而,在实际环境中,多个因素往往相互交互和耦合,会对UGW的传播产生更复杂的影响。大多数现有研究关注单一变量,关于复合扰动耦合效应下检测的研究较少。
综上所述,基于迁移学习的UGW损伤检测是一个有前景的研究方向。然而,它在各种扰动场景中仍面临局限性:(1) 现有方法主要针对单扰动因子设计,无法适应复杂环境。UGW信号的不规则变化显著增加了特征提取的难度。(2) 大多数现有方法的特征提取器缺乏动态自适应能力,无法在复合扰动影响下捕获域不变特征并对齐域。(3) 为了对齐不同条件下的信号分布,需要实现全域域对齐和局部特征对齐,并通过动态改变权重比例来增强训练效果。因此,迫切需要开发一种能够在复合扰动下动态适应信号分布、提取特征并保持动态权重调整的跨域损伤检测方法。
为解决复合扰动下薄壁金属结构UGW损伤检测的挑战,本文提出了一种多源域动态对抗自适应网络(MS-DDAAN)。所提方法通过双层特征提取、全域和局部域对齐以及动态谐波因子实现了精确的损伤识别。需要说明的是,本研究聚焦于薄壁铝板,所有理论分析和实验验证均针对这种各向同性金属材料进行。本文其余部分组织如下。第二节介绍方法理论。第三节描述方法的实验验证。第四节讨论实验结果。最后,第五节总结研究工作。
**方法片段:多源域动态对抗自适应网络(MS-DDAAN)**
针对复合扰动下UGW损伤识别的问题,本文开发了一种名为MS-DDAAN的鲁棒迁移学习模型。通过将信号映射到高维特征空间,基于域对抗学习的思想,动态优化源域与目标域之间的特征分布差异。因此,环境干扰特征被隔离,而高度敏感于损伤状态的核心信息得以保留。
**实验与结果**
鉴于外部干扰的复杂性、多样性和不可控性,实验中选择了温度变化和结构变形作为人工可控的复合扰动条件。以铝板作为测试对象,在装有陶瓷压电传感器的实验平台上验证了所提方法的有效性。
**讨论**
本研究结果表明,不同的跨域迁移学习方法在复合扰动下提取损伤特征的能力存在差异。虽然五个对比模型展现了某些能力,但其性能往往不及MS-DDAAN。虽然这些方法能够将损伤特征与环境干扰分离,但在不同复合扰动条件下的特征对齐和损伤识别方面存在困难,凸显了必要性的需求。
**结论与未来工作**
本研究针对复合扰动下薄壁金属结构的UGW损伤检测提出了一种多源域动态对抗自适应网络(MS-DDAAN)。核心贡献和结论总结如下:
设计了一种双层动态特征提取架构,集成动态卷积、多头自注意力和双向LSTM,以适应信号分布偏移并实现损伤特征与环境干扰的深度解耦。
**CRediT作者贡献声明**
Yunyun Deng:撰写——审稿与编辑,撰写——原始稿件,可视化,验证,软件,方法学,调查,正式分析,数据管理,概念化。Xiaobin Hong:撰写——审稿与编辑,监督,项目管理,获取资金,概念化。Jiangbo Chen:撰写——审稿与编辑,监督,概念化。Dingmin Yang:可视化,验证,软件。Yifan Cai:可视化,验证,软件。
**利益冲突声明**
作者声明他们不存在已知的可能影响本文所述工作的竞争性经济利益或个人关系。
**致谢**
本工作得到广东省重点领域研发计划资助(项目编号:2025B0101120001)。
Yunyun Deng | Xiaobin Hong | Jiangbo Chen | Dingmin Yang | Yifan Cai
华南理工大学机械与汽车工程学院,中国广州510641
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号