技术领域
[0001] 本
发明属于结构健康监测技术领域，涉及一种基于多
传感器数据融合的裂纹扩展监测方法。
背景技术
[0002] 疲劳损伤断裂是金属结构失效的主要形式，金属结构在使用过程中受到交变
载荷的作用，不可避免地出现疲劳损伤，在应
力集中部位极易产生疲劳裂纹，裂纹的萌生和扩展会造成结构的破坏，因此对裂纹进行在线监测是十分必要的。近年来，对疲劳裂纹扩展的研究是结构健康监测的热点之一，结构健康监测的方法从
信号的来源上可以分为主动监测和被动监测。主动监测通过对结构施加
激励信号，分析传感器所接收到的结构响应信号实现结构健康监测。主动Lamb波技术的设备相对简单，可以实现板类结构远距离大面积检测。虽然主动监测方法在裂纹扩展监测方面有很多的应用，但是很难进行连续监测。被动方法是指随着裂纹增长而连续监测结构的某些参数的方法，这些参数包括声发射信号，应变，
热能等。其中结构的应变受到裂纹扩展的影响，比较容易监测，并且可以实现连续监测。由于结构裂纹扩展的情况比较复杂，在状态监测和故障诊断时采用单一传感器难以准确获取故障的特征，可靠性较低。
发明内容
[0003] 本发明的目的是提供一种基于多传感器数据融合的裂纹扩展监测方法，解决了
现有技术中存在的结构裂纹扩展的情况比较复杂，在状态监测和故障诊断时采用单一传感器难以准确获取故障的特征，可靠性较低的问题。
[0004] 本发明所采用的技术方案是，一种基于多传感器数据融合的裂纹扩展监测方法，具体包括如下步骤：
[0005] 步骤1、采用
压电传感器和应变传感器对裂纹扩展进行综合监测，在进行多次循环加载后，观察裂纹长度，并通过示波器进行压电传感器产生的Lamb波的
数据采集，动态应变测试仪对应变传感器产生的数据进行连续采集；
[0006] 步骤2、对步骤1中动态应变测试仪所采集到的数据求取上下包络线，并提取上下包络线的平均值，以此消除加载过程中产生的弹性
变形；提取步骤1中示波器所采集到的Lamb波信号S0模式的波达时间和幅值作为损伤特征参数；
[0007] 步骤3、采用
随机森林算法对步骤2中提取的应变传感器和压电传感器的数据分别进行
模式识别并分别得出模式识别结果；
[0008] 步骤4、采用基于D-S证据理论的数据融合方法，融合步骤3中两种监测方法的模式识别结果，对裂纹扩展进行综合判别。
[0009] 本发明的特点还在于：
[0010] 步骤1中的内容具体如下：
[0011] 对表面贴有压电传感器和应变传感器两种传感器的试件在疲劳试验机上进行裂纹扩展的综合监测，在进行多次循环加载后，停止疲劳试验机，通过放大镜观察裂纹长度，并通过PICO4824示波器进行压电传感器产生的Lamb波的数据采集，TST3828E动态应变测试仪对应变传感器产生的数据进行连续采集，重复进行循环加载-观察裂纹长度-数据采集的步骤，直至试件在疲劳试验机上完全断裂。
[0012] 步骤2中的内容具体如下：
[0013] 对步骤1中动态应变测试仪所采集到的数据进行上下包络线提取，并求取上下包络线平均值，以此消除循环加载过程中产生的弹性变形，对监测的每个试件的各个应变传感器采集的数据分别作此处理，得到应变随循环次数的变化曲线；提取步骤1中示波器所采集到的Lamb波信号S0模式的波达时间和幅值作为损伤特征参数。
[0014] 步骤3中的内容具体如下：
[0015] 步骤3.1、将步骤2中提取的应变传感器和压电传感器的数据组成的数据集通过自助法重
采样技术划分训练集和测试集，从训练集中有放回的重复随机
抽取样本生成训练样本集，然后利用Bagging方法从训练样本集中随机选取特定数目的特征值；
[0016] 步骤3.2、将步骤3.1中得到的特征值采用C4.5算法来选择分裂属性，构造
决策树；
[0017] 步骤3.3、依次重复步骤3.2若干次，即生成相应棵数的决策树，这若干颗决策树即形成随机森林模型；
[0018] 步骤3.4、将测试集中的测试数据代入到步骤3.3中生成的随机森林模型中，数据经过每棵决策树进行决策，最终利用众数投票方式选出投票数量最多的值，即为初步识别结果，并计算得出每个裂纹长度对应的正确投票率。
[0019] 步骤3.4中计算每个裂纹长度对应的正确投票率的公式如下：
[0020] 随机森林由k棵决策树组成，设分类器hk(X)未抽取的数据集为Ok，则输入随机向量X在Ok中投票的分类类别Y的比例，即随机森林的投票率Q(X,Yj)为：
[0021]
[0022] 其中，Yj表示投票的每个分类类别，I(x)表示随机变量的信息。
[0023] 步骤4中的内容具体如下：
[0024] 采用基于D-S证据理论的数据融合方法，根据下式可以得到步骤3中两种监测方法的模式识别结果融合之后的基本概率分配函数，对裂纹扩展进行综合判别：
[0025]
[0026] 其中，Ai为压电传感器数据中得到的每个裂纹长度对应的投票数，m1(Ai)为压电传感器数据中得出的每个裂纹长度对应的正确投票率,Bj为应变传感器数据中得到的每个裂纹长度对应的投票数,m2(Bj)为应变传感器数据中得出的每个裂纹长度对应的正确投票率，φ代表空集，A＝φ代表A是空集，A不等于φ代表A不是空集。
[0027] 本发明的有益效果是：本发明基于应变和压电两种传感器从主动和被动两种监测方法的
角度对疲劳裂纹扩展进行综合监测，以达到对裂纹扩展程度进行高效准确的监测和识别，采用随机森林算法分别对疲劳裂纹扩展过程中的两种监测方法获得的数据进行模式识别，并采用基于D-S证据理论的数据融合方法，融合两种监测方法的识别结果，对裂纹扩展进行综合判别，从而达到高
精度的裂纹扩展识别效果。
附图说明
[0028] 图1是本发明一种基于多传感器数据融合的裂纹扩展监测方法的监测系统结构示意图；
[0029] 图2是本发明一种基于多传感器数据融合的裂纹扩展监测方法中的压电传感器的裂纹扩展监测结果图；
[0030] 图3是本发明一种基于多传感器数据融合的裂纹扩展监测方法的5个试件的裂纹扩展图；
[0031] 图4是本发明一种基于多传感器数据融合的裂纹扩展监测方法的试件的应变数据图；
[0032] 图5是本发明一种基于多传感器数据融合的裂纹扩展监测方法的波达时间示意图；
[0033] 图6是本发明一种基于多传感器数据融合的裂纹扩展监测方法的试件的S0模式幅值图；
[0034] 图7是本发明一种基于多传感器数据融合的裂纹扩展监测方法的300KHz
频率时试件的S0模式幅值图；
[0035] 图8是本发明一种基于多传感器数据融合的裂纹扩展监测方法的300KHz频率时3个试件的S0模式波达时间图；
[0036] 图9是本发明一种基于多传感器数据融合的裂纹扩展监测方法中的随机森林算法
流程图。
[0037] 图中，1.疲劳试验机，2.试件，3.应变传感器，41.压电传感器一，42.压电传感器二，5.信号发生器，6.动态应变测试仪，7.宽带射频接收器，8.示波器。
具体实施方式
[0038] 下面结合附图和具体实施方式对本发明进行详细说明。
[0039] 本发明是一种基于多传感器数据融合的裂纹扩展监测方法，具体包括如下步骤：
[0040] 步骤1、采用压电传感器和应变传感器3对裂纹扩展进行综合监测，在进行多次循环加载后，观察裂纹长度，并通过示波器8进行压电传感器产生的Lamb波的数据采集，动态应变测试仪6对应变传感器3产生的数据进行连续采集；
[0041] 步骤2、对步骤1中动态应变测试仪6所采集到的数据求取上下包络线，并提取上下包络线的平均值，以此消除循环加载过程中产生的弹性变形；提取步骤1中示波器8所采集到的Lamb波信号S0模式的波达时间和幅值作为损伤特征参数；
[0042] 步骤3、采用随机森林算法对步骤2中提取的应变传感器3和压电传感器的数据分别进行模式识别并分别得出模式识别结果；
[0043] 步骤4、采用基于D-S证据理论的数据融合方法，融合步骤3中两种监测方法的模式识别结果，对裂纹扩展进行综合判别。
[0044] 步骤1中的内容具体如下：
[0045] 对表面贴有压电传感器和应变传感器3两种传感器的试件2在疲劳试验机1上进行裂纹扩展的综合监测，在进行多次循环加载后，停止疲劳试验机1，通过放大镜观察裂纹长度，并通过PICO4824示波器进行压电传感器产生的Lamb波的数据采集，TST3828E动态应变测试仪对应变传感器3产生的数据进行连续采集，重复进行循环加载-观察裂纹长度-数据采集的步骤，直至试件在疲劳试验机上完全断裂。
[0046] 步骤2中的内容具体如下：
[0047] 对步骤1中动态应变测试仪6所采集到的数据进行上下包络线提取，并求取上下包络线平均值，以此消除加载过程中产生的弹性变形，对监测的每个试件的各个应变传感器采集的数据分别作此处理，得到应变随循环次数的变化曲线；提取步骤1中示波器8所采集到的Lamb波信号S0模式的波达时间和幅值作为损伤特征参数。
[0048] 步骤3中的内容具体如下：
[0049] 步骤3.1、将步骤2中提取的应变传感器6和压电传感器的数据组成的数据集通过自助法重采样技术划分训练集和测试集，从训练集中有放回的重复随机抽取样本生成训练样本集，然后利用Bagging方法从训练样本集中随机选取特定数目的特征值；
[0050] 步骤3.2、将步骤3.1中得到的特征值采用C4.5算法来选择分裂属性，构造决策树；
[0051] 步骤3.3、依次重复步骤3.2若干次，即生成相应棵数的决策树，这若干颗决策树即形成随机森林模型；
[0052] 步骤3.4、将测试集中的测试数据代入到步骤3.3中生成的随机森林模型中，数据经过每棵决策树进行决策，最终利用众数投票方式选出投票数量最多的值，即为初步识别结果，并计算得出每个裂纹长度对应的正确投票率。
[0053] 步骤3.4中计算每个裂纹长度对应的正确投票率的公式如下：
[0054] 随机森林由k棵决策树组成，设分类器hk(X)未抽取的数据集为Ok，则输入随机向量X在Ok中投票的分类类别Y的比例，即随机森林的投票率Q(X,Yj)为：
[0055]
[0056] 其中，Yj表示投票的每个分类类别，I(x)表示随机变量的信息。
[0057] 步骤4中的内容具体如下：
[0058] 采用基于D-S证据理论的数据融合方法，根据下式可以得到步骤3中两种监测方法的模式识别结果融合之后的基本概率分配函数，对裂纹扩展进行综合判别：
[0059]
[0060] 其中，Ai为压电传感器数据中得到的每个裂纹长度对应的投票数，m1(Ai)为压电传感器数据中得出的每个裂纹长度对应的正确投票率,Bj为应变传感器数据中得到的每个裂纹长度对应的投票数,m2(Bj)为应变传感器数据中得出的每个裂纹长度对应的正确投票率，φ代表空集，A＝φ代表A是空集，A不等于φ代表A不是空集。
[0062] 本发明是一种基于多传感器数据融合的裂纹扩展监测方法，具体包括如下步骤：
[0063] 步骤1、对表面贴有压电传感器一41、压电传感器二42和应变传感器3的试件2在疲劳试验机1上进行裂纹扩展的综合监测，如图1所示，在试件2上贴有压电传感器一41、压电传感器二42和三个应变传感器3，其中压电传感器一41连接信号发生器5，作为激励器在结构中传播Lamb波，使用PA-100疲劳试验机1对试件施加频率为f＝10Hz、最大疲劳载荷Fmax＝8.5kN、
应力比R＝0.1的正弦信号载荷谱，当结构出现裂纹时，在结构上传播的Lamb波将与损伤相互作用并引起反射和散射，并且Lamb波的传播路径会发生改变；压电传感器二42连接宽带射频接收器7，接收带有损伤信息的Lamb波响应信号；采用压电传感器和应变传感器
3对裂纹扩展进行综合监测，在进行多次循环加载后，停止疲劳试验机1，通过放大镜观察裂纹长度，并通过PICO4824示波器进行压电传感器产生的Lamb波的数据采集，在相同的裂纹长度下进行间隔为50KHz范围为250KHz至400KHz的频率扫描，如图2所示是激励信号中心频率为300KHz时接收的Lamb波的
波形；TST3828E动态应变测试仪对应变传感器3产生的数据进行连续采集，应变传感器3的监测结果如图3和4所示。
[0064] 步骤2、对步骤1中动态应变测试仪6所采集到的数据进行上下包络线提取，并求取上下包络线平均值，以此消除循环加载过程中产生的弹性变形，对监测的每个试件的各个应变传感器采集的数据分别作此处理，得到应变随循环次数的变化曲线；如图5所示表明了波达时间的选取方法，提取步骤1中示波器8所采集到的Lamb波信号S0模式的波达时间和幅值作为损伤特征参数，结果如图6、7和8所示表明了Lamb波S0模式的幅值随着裂纹长度的增加逐渐减小，波达时间逐渐增加。
[0065] 如图9所示，步骤3中的内容具体如下：
[0066] 步骤3.1、将步骤2中提取的应变传感器6和压电传感器二42的数据组成的数据集通过自助法重采样技术划分训练集和测试集，从训练集中有放回的重复随机抽取样本生成训练样本集，然后利用Bagging方法从训练样本集中随机选取特定数目的特征值；
[0067] 步骤3.2、将步骤3.1中得到的特征值采用C4.5算法来选择分裂属性，构造决策树；
[0068] 步骤3.3、依次重复步骤3.2若干次，即生成相应棵数的决策树，这若干颗决策树即形成随机森林模型；
[0069] 步骤3.4、将测试集中的测试数据代入到步骤3.3中生成的随机森林模型中，数据经过每棵决策树进行决策，最终利用众数投票方式选出投票数量最多的值，即为初步识别结果，并计算得出每个裂纹长度对应的正确投票率。
[0070] 步骤3.4中计算每个裂纹长度对应的正确投票率的公式如下：
[0071] 随机森林由k棵决策树组成，设分类器hk(X)未抽取的数据集为Ok，则输入随机向量X在Ok中投票的分类类别Y的比例，即随机森林的投票率Q(X,Yj)为：
[0072]
[0073] 其中，Yj表示投票的每个分类类别，I(x)表示随机变量的信息。
[0074] 裂纹长度的不断增加代表结构的剩余有效寿命逐渐减少，因此建立裂纹长度模式，通过模式识别就可以实现对其剩余寿命的定量分析，从图3中可以看出，裂纹长度为11mm-20mm的阶段下的裂纹增长较为缓慢，是线性增长区，之后便进入了裂纹快速增长期。
将研究区域共分为10种模式，每增加1mm，将其视为一种新的模式。
[0075] 如下表1所示，表1(a)是使用随机森林算法对一组压电传感器数据进行模式识别的结果，第一列表格中的数据前四个为幅值数据，后四个为波达时间数据，可以看出，该组识别结果中有一种模式识别错误，识别准确率为90％，表1(b)是一组应变传感器数据的模式识别结果，该组识别结果中有一种模式识别错误，识别正确率为90％。将获得的压电传感器和应变传感器数据分别进行交叉验证，得到模式识别平均正确率为86.7％和90％。从识别结果来看，随机森林算法可以比较准确的对裂纹扩展过程中的裂纹长度进行模式识别。
[0076] 表1模式识别结果
[0077] (a)压电传感器模式识别结果
[0078]
[0079] (b)应变传感器模式识别结果
[0080]
[0081] 步骤4中的内容具体如下：
[0082] 采用基于D-S证据理论的数据融合方法，根据下式可以得到步骤3中两种监测方法的模式识别结果融合之后的基本概率分配函数，对裂纹扩展进行综合判别：
[0083]
[0084] 其中，Ai为压电传感器数据中得到的每个裂纹长度对应的投票数，m1(Ai)为压电传感器数据中得出的每个裂纹长度对应的正确投票率,Bj为应变传感器数据中得到的每个裂纹长度对应的投票数,m2(Bj)为应变传感器数据中得出的每个裂纹长度对应的正确投票率，φ代表空集，A＝φ代表A是空集，A不等于φ代表A不是空集。
[0085] 表2数据融合结果
[0086] (a)模式4识别结果及基本概率分配
[0087]
[0088] (b)一组模式识别结果
[0089]
[0090] 将裂纹长度模式2的识别结果在表2(a)中列出，在数据融合时，基于随机森林算法的压电传感器和应变传感器数据的基本概率由决策树的投票率给出。可以从表2(a)中看出，基于应变数据对裂纹长度模式2的识别是错误的，经过数据融合后，模式识别的结果则为正确的，因此，基于D-S证据理论的数据融合方法可以提高裂纹扩展的模式识别正确率。表2(b)中列出了数据融合后所有10种模式的识别结果，可以看出，在数据融合后，表中的一组模式识别准确率达到了100％，与数据融合之前的模式识别率进行比较，显然，使用D-S数据融合方法可以显著提高裂纹扩展的裂纹长度模式识别准确率。
[0091] 本发明一种基于多传感器数据融合的裂纹扩展监测方法，其优点在于：本发明基于应变和压电两种传感器从主动和被动两种监测方法的角度对疲劳裂纹扩展进行综合监测，以达到对裂纹扩展程度进行高效准确的监测和识别，采用随机森林算法分别对疲劳裂纹扩展过程中的两种监测方法获得的数据进行模式识别，并采用基于D-S证据理论的数据融合方法，融合两种监测方法的识别结果，对裂纹扩展进行综合判别，从而达到高精度的裂纹扩展识别效果。
