CN119492802A 一种基于导波的航空复合材料无基线多模态损伤检测方法 （贵州大学）

一种基于导波的航空复合材料无基线多模体涉及一种基于导波的航空复合材料无基线多损伤检测模型的GW分支和CWT分支进行特征提2步骤一，采集航空复合材料在带有若干种损伤情况步骤二，基于状态空间模型的曼巴技术和卷积神经网络，长序列数据提取时间特征，所述CWT分支通过卷积神经网络从连续小波变换的频谱图中提步骤四，采用交叉熵损失函数作为多模态损伤检测模步骤五，利用验证集调节最优超参数和网络结构寻找最佳2.根据权利要求1所述的一种基于导波的航空复合材料无基线多模态损伤检测方法，3.根据权利要求1所述的一种基于导波的航空复合材料无基线多模态损伤检测方法，3h表示t时刻的当前状态量，表示t时刻的输入控制量，表示t时刻的系统B表示控制量对状态量的影响，c表示当前状态量对系统在t=k时的状态方程如下公式所示：。4.根据权利要求3所述的一种基于导波的航空复合材料无基线多模态损伤检测方法，B得到降维特征feeR"；f"=M(f")其中，M()表f"eR"进行重塑5.根据权利要求4所述的一种基于导波的航空复合材料无基线多模态损伤检测方法，4得到降维特征feeR"；y')表示的复共轭，是缩放参数，用于控制小波的宽度，b是位移参6.根据权利要求5所述的一种基于导波的航空复合材料无基线多模态损伤检测方法，示GW特征维度大小，D:表示GWT频谱特征维度大小，Linear;()表示第i层线性层，7.根据权利要求1所述的一种基于导波的航空复合材料无基线多模态损伤检测方法，其中，表示属于某一类别的真实概率，表示输入样本属于某一类别的预测得56[0004]本发明所解决的技术问题在于提供一种基于导波的航空复合材料无基线多模态GW分支通过基于状态空间模型的曼巴技术对导波长序列数据提取时间特征，所述CWT分支通过卷积神经网络从连续小波变换的频谱图中提7在t=k时的状态方程如下公式所示：8。S2.1.4：将分组后的序列数据输入曼巴层进行特征提取其中，M()表示基于状态空间模型的曼巴模型；9[0017]其中，concat()表示连接操作B表示批量大小，表示GW特征维度大小，D:表示GWT频谱特征维度大小，Linear()表示第i层线性层，.()表示输入样本属于某一类别的预测s()表示Softmax激活函数。是使用适合局部特征提取的卷积神经网络来提取CWT频谱特征，显著增强了模型的特征提[0025]图1为本发明一种基于导波的航空复合材料无基线多模态损伤检测方法实施例的图2为本发明一种基于导波的航空复合材料无基线多模态损伤检测方法实施例的图3为本发明一种基于导波的航空复合材料无基线多模态损伤检测方法实施例的图4为本发明一种基于导波的航空复合材料无基线多模态损伤检测方法实施例中图5为本发明一种基于导波的航空复合材料无基线多模态损伤检测方法实施例中模型在航空复合材料损伤检测任务上的性能指标图6为本发明一种基于导波的航空复合材料无基线多模态损伤检测方法实施例中一种基于导波的航空复合材料无基线多模态损伤检测方法具体包括GW分支通过曼巴技术对导波长序列数据提取时间特征，所述CWT分支通过卷积神经网络从在t=k时的状态方程如下公式所示：S2.1.4：将分组后的序列数据输入曼巴层进行特征提取其中，M()表示基于状态空间模型的曼巴模型；[0038]具体通过连接操作将所述步骤二中的GW分支和CWT分支的输出特征进行融合，并[0039]其中，concat()表示连接操作B表示批量大小，表示GW特征维度大小，D:表示GWT频谱特征维度大小，Linear()表示第i层线性层，.()表示输入样本属于某一类别的预测s()表示Softmax激活函数。将质量块均匀地固定在复合板上来模拟7种损伤。数据采集的采样频率为10MHz，共有10,[0046]为了评估MMDD方法的有效性将其与多种深度学习模型进行了比较，包括LSTM、收敛更为稳定。同时，得到如图5所示模型在航空复合材料损伤检测任务上性能指标对比方法相比，MMDD模型在无基线环境和有限数据条件下的损伤检测中表现出卓越的有效性、康监测提供了一种更为高效和经济的解决方