基于光纤布拉格光栅传感器的碳纤维复合材料损伤识别系统外文翻译资料

 2022-03-12 03:03

英语原文共 7 页,剩余内容已隐藏,支付完成后下载完整资料


基于光纤布拉格光栅传感器的碳纤维复合材料损伤识别系统

摘要:碳纤维增强塑料(CFRP)结构对冲击损伤非常敏感,因此早期的结构损伤识别是避免主要结构失效所必需的。本文研究了基于光纤布拉格光栅(FBG)的结构损伤识别系统以及CFRP结构损伤识别算法。包含了损伤信息的结构动态响应信号是由主动激励的方法产生的,由FBG传感器检测。损伤特征采用傅里叶变换和主要成分分析(PCA)方法获得。之后根据损伤特点,使用一类支持向量机(SVM)法来探测损伤,并使用C-支持向量法(S-SVC)识别损伤区域并评估损伤程度。最后,建立损伤识别系统并在CFPR板上进行验证。在160mm*160mm*2mm的实验范围内,识别的准确度达到了90%。本文提供了一种可靠的CFPR结构损伤识别方法。

关键词:CFPR损伤识别;光纤布拉格光栅传感器;主成分分析;一类支持向量机;多类C支持向量分类

1.引言

碳纤维增强塑料(CFRP)以其重量轻、强度高等优点在航空航天领域得到了广泛的应用。然而,CFPR结构对冲击损伤非常敏感,即使低强度损伤也能够导致严重的事故。此外,这种细微的损伤很难被发现并且损伤的程度难以评估。因此,对用以确保CFPR结构安全的CFPR损伤识别系统的需求是非常迫切的。一般来说,结构损伤识别包括以下几种级别:损伤探测、损伤区域识别和损伤程度评估。结构损伤局部结构刚度下降并且改变结构动态响应信号。因此,可通过分析由主动激励法产生的结构动态响应信号实现对结构损伤的识别,并采用适当的识别运算方法。传统的动态响应信号检测方法中,压电传感器得到了广泛的使用。Peacute;rez等人在复合材料上黏贴了三个应变测量仪用以检测损伤并得到了很好的结果。但是,压电传感器存在电磁干扰、难以建立传感网络以及安装复杂等缺点,这些问题限制了其在如航空等特殊领域的应用范围。近年来,光纤布拉格光栅(FBG)传感器被期望成为克服这些问题的另一种选择方案。Frieden等人进行了详细的研究,提出了一种基于逆数值实验优化法和FBG传感器的损伤识别方法,在他们的研究中,FBG传感器被用来测量动态响应。通过分析不同损伤状态下的模态频率,发现它们之间存在一定的关系。因此,基于固有频率的变化并引入误差函数反映数值数据和实验数据之间的误差,通过求解最小欧式范数误差函数最优值即可识别损伤状态。如果我们把数值损伤数据看作是特定的损伤模式,那么如何求解误差函数最优值得问题就可以看做是如何基于实验数据匹配最优损伤模式的问题。也就是说,结构损伤识别的本质是模式识别问题,因此,一些优秀的模式识别算法就可以应用在这一方面。罗等人使用神经网络算法来实现结构损伤识别以及确定结构损伤位置和大小,然而,神经网络算法存在样本量大和仅有局部优化的问题,在实际航空应用中获得大量损伤损伤样本是很困难的,这些缺点限制了损伤识别的准确性。相比于神经网络支持向量机(SVM)可以克服上述缺点并且即使只有很少的样本也可以有更优秀的模式识别能力。Loutas等人使用FBG传感器和SVM法对结构损伤识别进行了研究,结果表明,SVM是一种很有效且有前途的结构诊断模式识别方法。总之,结构损伤识别问题引起了诸多学者的广泛研究并取得了许多成果,但为了取得更好的应用性能,仍需对其进行更深入的研究和改进工作。

本文在前人研究的基础上进一步深入研究,目的是开发出一种易于实现的检测系统,用以检测并评估CFPR结构损伤。结构动态响应信号由FBG传感器进行监测,使用主成分分析(PCA)法提取损伤特征。然后,分别用一类SVM和多类C支持向量分类(C-SVC)法检测结构损伤,识别损伤区域并评估损伤级别。最后建立损伤识别系统并在CFPR板上进行验证,实验结果为CFPR结构损伤识别提供了一种可靠的方法。

2.实验计划

2.1FBG传感器的基本原理

FBG是一种光学波长调制型无源器件。基于光纤光栅的传感过程是由外部参数对布拉格中心波长lambda;B的调制来获得传感信息,公式如下:

(1)

式中:Lambda;为光纤光栅周期,n为光纤光栅有效折射率,温度和应变会引起光纤光栅波长的变化。只考虑应变,光纤光栅与波长的关系式如下:

(2)

式中,Delta;lambda;为FBG波长变化量,Pe为有效弹光函数,ε为应变。(2)式表明FBG波长变化与应变之间存在线性关系。当目标遭受结构冲击,就会产生结构应变,结构的动态响应信号就会使得粘贴在结构表面上的FBG的波长发生变化,FBG从而可以检测到应变。因此,FBG可以作为传感器来监测结构的动态响应信号。

2.2损伤识别系统

损伤识别系统由1个光纤解调仪、1台计算机、1个CFPR板,和4个FBG传感器组成。实验系统及示意图如图1、图2所示CFPR板式样尺寸为500mm*500mm*2mm,并且其四条边被固定在实验台上。在CFPR板上选出160mm*160mm*2mm的区域作为实验区,之后将实验区划分为16块,长宽均为40mm。

图1 CFPR损伤识别系统

图2 CFPR损伤识别系统示意图

本文提出了一种基于主动激励的损伤识别方法,这种方法首先要对结构进行激励,然后对其动态响应进行测量。激励是非破坏性的并通过25g钢球以自由落体的形式冲击结构的方式进行。为了确保每个实验的激励保持不变,主动冲击高度为250mm,激励的位置为16区。为了检测动态响应,4个传感器以传感器网络的形式粘贴在结构表面。每个FBG传感器的波长和位置见表1。他们的波长变化由光纤解调仪捕获,型号为sm130(MOI,USA),取样频率为1KHz。

表1 各FBG传感器的波长和位置

2.3实验损伤状态

结构振动方程如下:

(3)

M为质量矩阵,C为阻尼矩阵,K为刚度矩阵。K为外部补充函数,X为位移矢量。假设输入为其相应的响应为,将其带入式(3),消去

Expiomega;t,可得频率响应函数如下:

(4)

式中,omega;为频率。

结构损伤使得刚度下降,对质量几乎没有影响,因此的值变大;如果刚度保持不变,增加质量,则的值仍然变大。也就是说,实际结构损伤产生的动态响应与质量增长产生的效果相同。因此,本文中结构损伤被计算为在15个区域结构中增加不同的集中质量,如图2所示。其相应的损伤状态定义如下:

  1. 损伤检测:无损CFPR板被定义为状态0,只要出现结构损伤,则损伤状态为状态1;
  2. 损伤区域识别:在CFPR板15个不同区域损伤的状态被分别定义为状态01-15;
  3. 损伤级别评估:CFPR板无损状态等于125g,损伤状态等于220g被分别定义为状态1和2。

因此,最终损伤状态被定义为“检测” “区域” “级别”。如,损伤状态1012表示有结构损伤,损伤区域为01损伤级别为220g。

3.损伤特征提取

3.1特征提取

结构动态响应信号由钢球冲击区域16板产生,由FBG传感器检测。1号FBG传感器响应如图3所示。

由图3可以看出,动态响应信号由1号FBG传感器准确检测。也就是说,FBG传感器可以应用于CFPR结构损伤识别,然而,同样可以看出仅通过时域信号识别损伤状态是很困难的。为了提取损伤特征,使用傅里叶变换计算了动态响应信号的频谱,结果如图4所示。

首先比较图4(a)和(c),可以看出当结构被破坏后,其频率响应特征发生了变化。如,0状态下26Hz处的振幅为0.0017nm,显著的大于在1012状态下的0.0001nm。其次,比较图4(b)和(d),可以看出当损伤区域不同时,频率响应特征也是不同的。如,状态1011下86Hz处的振幅为0.001nm,远小于状态1031下的0.0007nm。第三,比较图4(b)和(c),可以看出当损伤等级不同时,频率响应特征也不同。如,状态1011下336Hz处的振幅为0.0007nm,远大于状态1012下的0.0002nm。总之,结构损伤状态不同,其频率响应特征也不同。因此,频率响应特征可以被作为损伤特征提取。

3.2特征简化

冗余信息和无效信息的存在使得提取的损伤特征维度十分庞大,使得损伤识别算法的性能降低。因此,简化损伤特征数据是十分必要的。主要成分分析(PCA)应用非常广泛,使用PCA对特征维度简化的过程如下:

设频率响应特征为,m为样本数量,特征维度为n。首先协方差矩阵C的计算如下:

(5)

为样本数量均值,特征值lambda;及对应的特征向量U计算公式如下:

(6)

I为单元矩阵。使,他们相应的特征值为U1,U2,...,Um。因此,变换矩阵U1,U2,...,Um如下:

(7)

最后,PCA变换可以基于W计算:

(8)

Y为变换数据。一般的,Y首行包含最有用的信息,因此,我们可以只提取前r列来实现特征数量的简化,r由下式取得:

(9)

如此,n维特征被简化为r维特征。

比如,在损伤区域是被实验中,状态1011的原始损伤特征维度为2048,如图5所示。在PCA过程之后,维度被简化为63维。为了判断简化后的损伤特征是否可以表示原始损伤特征,使用该63个主要成分进行重建,结果如图所示,可以看出重建的损伤特征几乎与原始损伤相同,也就是说,PCA技术可以有效的简化损伤特征维度。

图3 FBG传感器在不同损伤状态下的响应 (a)0(b)1011(c)1012(d)1031

图4 傅里叶变换结果 (a)0(b)1011(c)1012(d)1031

图5 状态1011的原始及重建损伤特征

4.损伤识别公式

4.1损伤检测

损伤检测的目的是仅根据预采集的无损伤数据及时检测损伤,本文中使用一类SVM技术。模型建立过程如下:

设样本为,xl为提取的损伤特征,l为样本数量,r为特征维度。对于损伤检测,一类SVM解决了如下凸优化问题:

(10)

0<vle;1为控制样本数量外部评估支持的超参数,Phi;为非线性函数,将输入间隔映射入更高的间隔,w为一般向量,rho;为临界值,xi;i为松弛变量。由拉格朗日,式10的对偶数化问题如下:

(11)

alpha;为拉格朗日乘数。值得注意的是所有的phi;都是以内积形式出现的,我们不需要定义执行Mercer条件的内核函数来准确计算非线性映射:

(12)

本文中使用了径向基函数(RBF)核函数,表达式如下:

(13)

gamma;为核宽度。通过使用核函数解决对偶问题,最终一类SVM模型如下式:

(14)

式14为所建立的损伤检测模型。如果式14值为正,那么损伤状态被识别为状态0,反之,损伤状态被识别为状态1。

4.2损伤区域识别

损伤区域识别问题可以被视为是模式识别问题。本文使用了C类支持向量(C-SVC)。然而,C-SVC是一种二元分类器,而损伤区域远多于两块。因此,基于有向非循环图(DAG)的C-SVC被用来解决这一问题。损伤区域识别模型的建立过程如下:

DAG法的实质是由几个二进制C-SVC的分类器组合实现多分类。假设损伤区域数量为k,那么需要k(k-1)/2二进制C-SVC分类器。本文中,k等于15和105的二进制C-SVC分类器分类建立,每个二进制C-SVC分类器的建立过程是相似的。我们使用可以识别损伤区域01和02的二进制C-SVC分类器作为例子来解释建立过程。

设样本为,xi为提取的损伤特征,p为样本数量,yi为损伤区域标志,如果yi=1那么其代表损伤区域为01。如果其值为-1,代表损伤区域为02。对于损伤区域检测,C-SVC解决如下优化问题:

(15)

w为正常化权向量,b为偏置项,c为惩罚因子,xi;i为松弛变量,Phi;为非线性函数,将输入间隔映射入更高的间隔。将拉格朗日乘数alpha;i带入式15,优化问题转换为下式:

(16)

为核函数,本文中使用了径向基函数(RBF)核函数,表达式如下:

(17)

gamma;为核宽度。因此,C-SVC分类如下式:

(18)

式18为可识别区域01、02损伤的二进制C-SVC分类器分类模型。

基于上述建立过程,所有105个二进制c-svc分类器都可以被建立。之后,多类基于DAG的C-SVC模型得以建立如图6。为了识别损伤区域,起始于可检测区域01和区域15的二进制C-SVC损伤分类器,在此节点的损伤就可以被识别出来,如果损伤识别结果为区域15,之后节点从左边界退出。如果损伤识别结果为区域01,之后损伤节点从右边界退出。下一个二进制C-SVC分类器节点的识别过程与之前的相同。基于上述过程,在14个识别过程后,最终的损伤区域会被识别出来,因此,基于多类C-SVC模型的损伤区域

全文共6691字,剩余内容已隐藏,支付完成后下载完整资料


资料编号:[16528],资料为PDF文档或Word文档,PDF文档可免费转换为Word

原文和译文剩余内容已隐藏,您需要先支付 30元 才能查看原文和译文全部内容!立即支付

以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。