多尺度信号分量赋能复合结构损伤识别：理论、方法与应用

多尺度信号分量赋能复合结构损伤识别：理论、方法与应用一、引言1.1研究背景与意义在现代工程领域，复合结构凭借其独特的性能优势，如高比强度、高比模量、良好的耐腐蚀性和可设计性等，在航空航天、汽车制造、船舶工业、建筑工程等众多关键行业中得到了极为广泛的应用。以航空航天领域为例，飞机的机翼、机身、发动机叶片等关键部件大量采用复合材料制成的复合结构，显著减轻了飞机的重量，提高了燃油效率和飞行性能；在汽车制造中，复合结构用于车身、发动机罩等部件，不仅降低了车身重量，还提升了汽车的操控性和燃油经济性；在建筑工程中，复合结构被应用于大跨度桥梁、高层建筑的结构支撑等，增强了结构的承载能力和稳定性。然而，复合结构在服役过程中，不可避免地会受到各种复杂因素的作用，从而导致损伤的产生。在航空航天领域，飞机在飞行过程中，复合结构部件可能会遭受鸟撞、外来物冲击、疲劳载荷、恶劣环境（如高温、低温、潮湿、辐射等）的影响，这些因素都可能引发复合材料的基体开裂、纤维断裂、分层、脱粘等损伤形式。在汽车行驶过程中，复合结构部件会受到路面不平引起的振动、碰撞、腐蚀等作用，导致结构性能下降。在建筑结构中，复合结构可能会因地震、风灾、火灾等自然灾害以及长期的使用磨损而出现损伤。这些损伤不仅会削弱复合结构的承载能力和刚度，降低其服役性能，还可能引发严重的安全事故，造成巨大的经济损失和人员伤亡。例如，2013年某型号飞机因机翼复合结构出现分层损伤，在飞行过程中发生机翼结构失效，导致飞机坠毁，造成重大人员伤亡和财产损失；2018年某高层建筑因复合结构支撑部件的腐蚀损伤，在大风天气中发生局部坍塌，对周边环境和人员安全造成了严重威胁。因此，及时、准确地对复合结构的损伤进行识别和评估，对于保障其安全可靠运行、延长使用寿命、降低维护成本具有至关重要的意义。传统的损伤识别方法，如目视检查、超声检测、射线检测等，虽然在一定程度上能够检测出复合结构的损伤，但存在检测范围有限、对微小损伤不敏感、检测成本高、检测时间长等局限性，难以满足现代工程对复合结构实时、在线、全面损伤监测的需求。随着信号处理技术、计算机技术和人工智能技术的快速发展，多尺度信号分量分析技术在损伤识别领域展现出了巨大的潜力。多尺度信号分量分析技术能够从不同尺度对复合结构的响应信号进行分解和分析，提取出包含丰富损伤信息的特征分量，从而实现对复合结构损伤的高精度识别和定位。通过多尺度分析，可以捕捉到信号在不同频率和时间尺度上的变化特征，这些特征对于揭示复合结构的损伤机理和规律具有重要作用。将多尺度信号分量分析技术与现代智能算法相结合，如神经网络、支持向量机等，可以进一步提高损伤识别的准确性和可靠性，实现对复合结构损伤的智能化诊断和预测。因此，开展基于多尺度信号分量的复合结构损伤识别方法研究，具有重要的理论意义和实际应用价值，有望为复合结构的安全监测和维护提供新的技术手段和解决方案。1.2国内外研究现状在多尺度信号分析技术的发展历程中，小波变换具有开创性意义。小波变换由法国地球物理学家Morlet在20世纪80年代提出，它能够将信号分解到不同的频率尺度上，为信号的时频分析提供了有力工具。例如，在图像压缩领域，小波变换可以有效地去除图像中的冗余信息，实现高压缩比的同时保持较好的图像质量。此后，多尺度分析理论不断发展，包括多小波变换、小波包变换等改进方法相继出现。多小波变换结合了多个小波函数的特性，能够同时具有正交性、对称性和紧支撑性等优良性质，在信号处理中展现出更好的性能；小波包变换则对小波变换进一步扩展，它不仅对低频部分进行分解，还对高频部分进行细致分解，从而能够更全面地分析信号的特征。在复合结构损伤识别方面，早期主要依赖于传统的无损检测技术，如超声检测、射线检测等。超声检测通过检测超声波在复合材料中的传播特性来判断损伤情况，其原理是利用超声波在遇到损伤界面时会发生反射、折射和散射等现象，从而检测出损伤的位置和大小；射线检测则是利用X射线或γ射线穿透复合材料，根据射线的衰减程度来识别损伤。然而，这些传统方法存在检测范围有限、对微小损伤不敏感等问题。随着信号处理技术的发展，基于振动响应的损伤识别方法逐渐成为研究热点。该方法通过测量复合结构在激励下的振动响应，提取与损伤相关的特征参数，如固有频率、模态振型等，来判断结构是否损伤以及损伤的位置和程度。例如，当结构出现损伤时，其刚度会发生变化，进而导致固有频率降低，通过监测固有频率的变化可以初步判断损伤的存在。将多尺度信号分析技术应用于复合结构损伤识别是近年来的研究重点。学者JianS等人在2002年发表的论文《Structuraldamagedetectionusingmulti-scalewaveletsandneuralnetwork》中，提出利用多尺度小波变换提取结构振动信号的特征，并结合神经网络进行损伤识别，取得了较好的效果。他们通过对不同损伤状态下的结构振动信号进行多尺度小波分解，提取各尺度下的小波系数作为特征向量，输入到神经网络中进行训练和识别，实验结果表明该方法能够准确地识别出结构的损伤位置和程度。LiHP等人在2015年的《Damagedetectionincompositestructuresusingmultipleeffectivefrequencybands》研究中，利用多个有效频带来检测复合结构的损伤，通过分析不同频带内信号的能量变化来判断损伤情况，该方法考虑了复合结构损伤在不同频率下的响应特性，提高了损伤识别的准确性。国内也有众多学者在该领域开展研究，如西安交通大学的研究团队针对复合材料结构，研究了基于多尺度分析的损伤监测方法，通过实验和数值模拟相结合的方式，深入分析了多尺度信号分量与损伤之间的关系，为损伤识别提供了新的思路和方法。然而，当前研究仍存在一些不足。一方面，多尺度信号分析方法在处理复杂复合结构的损伤信号时，其特征提取的准确性和有效性还有待进一步提高。复合结构的损伤信号往往受到多种因素的干扰，如环境噪声、结构非线性等，如何在复杂背景下准确提取反映损伤的特征分量是一个关键问题。另一方面，现有的损伤识别模型在泛化能力和适应性方面存在一定局限。不同类型和工况的复合结构具有不同的损伤特征和响应特性，现有的模型难以在各种情况下都保持良好的识别性能，如何建立具有更强泛化能力和适应性的损伤识别模型，以满足实际工程中多样化的需求，是亟待解决的问题。此外，多尺度信号分析技术与其他先进技术，如人工智能、大数据等的深度融合还不够充分，未能充分发挥这些技术的优势来提升损伤识别的精度和效率。1.3研究内容与方法1.3.1研究内容本研究聚焦于基于多尺度信号分量的复合结构损伤识别方法，具体研究内容涵盖以下几个关键方面：多尺度信号分量提取方法研究：深入研究多种多尺度信号分析方法，如小波变换、小波包变换、经验模态分解（EMD）及其改进算法集合经验模态分解（EEMD）、局部均值分解（LMD）等。分析这些方法在处理复合结构振动响应信号时的特点和优势，针对复合结构损伤信号的非平稳、非线性特性，优化和改进现有的多尺度信号分解算法，以实现对信号中不同尺度特征分量的精准提取。例如，在小波变换中，研究如何选择合适的小波基函数和分解层数，以更好地适应复合结构损伤信号的时频特性；对于EMD方法，解决模态混叠问题，提高分解结果的可靠性。基于多尺度信号分量的损伤特征提取与选择：从提取的多尺度信号分量中，提取能够有效表征复合结构损伤的特征参数，如能量特征、频率特征、时域统计特征等。通过理论分析和数值模拟，研究这些特征参数与复合结构损伤类型、损伤位置和损伤程度之间的内在关系。运用特征选择算法，如主成分分析（PCA）、互信息法等，从众多特征参数中筛选出对损伤敏感且相互独立的特征子集，降低特征空间的维度，提高损伤识别的效率和准确性。损伤识别模型构建与优化：结合机器学习和深度学习算法，如支持向量机（SVM）、神经网络（包括BP神经网络、卷积神经网络CNN、循环神经网络RNN及其变体长短期记忆网络LSTM等），构建基于多尺度信号分量特征的复合结构损伤识别模型。研究不同算法在损伤识别中的性能表现，通过模型训练、验证和测试，优化模型的参数和结构，提高模型的泛化能力和适应性。例如，对于SVM模型，研究如何选择合适的核函数和参数，以提高其对不同损伤模式的识别能力；对于神经网络模型，优化网络结构和训练算法，提高模型的收敛速度和识别精度。实验验证与分析：设计并开展复合结构损伤实验，制作含有不同类型、位置和程度损伤的复合结构试件，利用振动测试系统、声学检测系统等设备采集试件在不同工况下的响应信号。将实验采集的数据应用于所提出的多尺度信号分量分析方法和损伤识别模型中，验证方法和模型的有效性和准确性。对比分析不同方法和模型的损伤识别结果，评估其性能优劣，进一步改进和完善损伤识别方法和模型。同时，研究实验条件、噪声干扰等因素对损伤识别结果的影响，提出相应的解决措施。1.3.2研究方法为实现上述研究内容，本研究将综合运用以下多种研究方法：理论研究方法：深入研究多尺度信号分析理论、损伤力学理论、机器学习和深度学习理论等，为基于多尺度信号分量的复合结构损伤识别方法提供坚实的理论基础。通过理论推导和分析，揭示多尺度信号分量与复合结构损伤之间的内在联系，探索损伤特征提取和识别的有效方法和策略。例如，基于损伤力学理论，分析复合结构在损伤过程中的力学响应特性，为损伤特征的提取提供理论依据；运用机器学习理论，研究不同分类算法的原理和性能，为损伤识别模型的构建提供理论指导。数值模拟方法：利用有限元分析软件，如ANSYS、ABAQUS等，建立复合结构的数值模型。通过模拟复合结构在不同载荷条件下的力学行为和损伤演化过程，获取结构的响应信号，为多尺度信号分析和损伤识别方法的研究提供数据支持。在数值模拟过程中，可以方便地设置不同类型、位置和程度的损伤，模拟各种复杂的工况，从而全面地研究损伤对结构响应的影响。同时，通过与实验结果的对比，验证数值模型的准确性和可靠性，进一步优化数值模拟参数和方法。实验研究方法：开展复合结构损伤实验，通过对实际结构的测试和分析，获取真实的损伤数据，验证理论研究和数值模拟的结果。实验研究包括复合结构试件的设计与制作、实验设备的搭建、信号采集与处理以及损伤识别方法的实验验证等环节。在实验过程中，严格控制实验条件，确保实验数据的准确性和可靠性。通过实验研究，可以发现理论研究和数值模拟中未考虑到的实际问题，为损伤识别方法的改进和完善提供实践依据。对比分析方法：对不同的多尺度信号分析方法、损伤特征提取方法、损伤识别模型以及实验结果进行对比分析，评估各种方法和模型的性能优劣，筛选出最优的损伤识别方法和模型。对比分析可以从多个角度进行，如识别准确率、误报率、漏报率、计算效率、泛化能力等。通过对比分析，总结各种方法和模型的适用范围和局限性，为实际工程应用提供参考依据。1.4研究创新点与技术路线1.4.1研究创新点本研究在多尺度信号分量分析和复合结构损伤识别方法上具有显著的创新特性，主要体现在以下三个方面：多尺度信号分析算法的改进与融合：针对现有多尺度信号分析方法在处理复合结构损伤信号时存在的不足，如小波变换中小波基函数选择的主观性、EMD方法的模态混叠问题等，提出了一种融合多种改进算法的多尺度信号分解策略。通过引入自适应小波基选择算法，根据复合结构损伤信号的特征自动选择最优的小波基函数，提高小波变换的适应性和分解精度；结合集合经验模态分解（EEMD）和局部均值分解（LMD）的优点，提出一种新的混合分解算法，有效抑制模态混叠现象，更准确地提取复合结构损伤信号中不同尺度的特征分量。多源特征融合与深度挖掘：传统的损伤特征提取方法往往只关注单一类型的特征，难以全面反映复合结构的损伤状态。本研究创新性地提出多源特征融合与深度挖掘策略，从多个维度提取复合结构损伤的特征。除了传统的能量特征、频率特征和时域统计特征外，还引入了时频联合特征、小波包能量熵特征以及基于机器学习算法的深度特征等。通过主成分分析（PCA）、互信息法等特征选择算法，对多源特征进行融合和筛选，挖掘出最能表征复合结构损伤的特征子集，提高损伤识别的准确性和可靠性。构建自适应智能损伤识别模型：现有的损伤识别模型在面对复杂多变的复合结构工况时，泛化能力和适应性较差。本研究利用深度学习算法的强大自学习和自适应能力，构建了一种基于卷积神经网络（CNN）和长短期记忆网络（LSTM）的混合智能损伤识别模型。CNN能够有效地提取损伤信号的局部特征，LSTM则擅长处理时间序列数据中的长期依赖关系，两者结合可以充分学习复合结构损伤信号在不同时间和空间尺度上的特征模式。通过迁移学习和模型融合技术，使模型能够快速适应不同类型和工况的复合结构损伤识别任务，提高模型的泛化能力和适应性。1.4.2技术路线本研究的技术路线主要包括以下五个关键步骤，如图1所示：数据采集与预处理：通过数值模拟和实验研究相结合的方式，获取复合结构在不同损伤状态下的响应信号。在数值模拟中，利用有限元分析软件建立复合结构的模型，模拟不同类型、位置和程度的损伤，施加各种载荷工况，获取结构的振动响应、应力应变等信号。在实验研究中，制作复合结构试件，采用振动测试系统、声学检测系统等设备，采集试件在不同损伤工况下的响应信号。对采集到的原始信号进行预处理，包括去噪、滤波、归一化等操作，去除信号中的噪声和干扰，提高信号的质量，为后续的多尺度信号分析和损伤特征提取奠定基础。多尺度信号分量提取：运用改进后的多尺度信号分析算法，如自适应小波变换、混合经验模态分解算法等，对预处理后的信号进行多尺度分解，得到不同尺度下的信号分量。分析各尺度信号分量的特征，确定与复合结构损伤密切相关的特征尺度，提取包含损伤信息的关键信号分量。损伤特征提取与选择：从提取的多尺度信号分量中，提取多种类型的损伤特征，包括能量特征、频率特征、时域统计特征、时频联合特征等。利用特征选择算法，如主成分分析（PCA）、互信息法等，对提取的损伤特征进行筛选和降维，去除冗余和不相关的特征，得到对损伤敏感且相互独立的特征子集。损伤识别模型构建与训练：根据损伤特征的特点，选择合适的机器学习和深度学习算法，如支持向量机（SVM）、卷积神经网络（CNN）、长短期记忆网络（LSTM）等，构建损伤识别模型。利用采集到的损伤样本数据对模型进行训练，通过调整模型的参数和结构，优化模型的性能，提高模型的损伤识别准确率和泛化能力。模型验证与应用：使用未参与训练的测试样本数据对构建好的损伤识别模型进行验证，评估模型的性能指标，如识别准确率、误报率、漏报率等。将验证后的模型应用于实际复合结构的损伤识别中，对结构的健康状态进行监测和评估，及时发现潜在的损伤隐患，并提出相应的维护建议。通过以上技术路线，本研究旨在建立一种高效、准确的基于多尺度信号分量的复合结构损伤识别方法，为复合结构的安全可靠运行提供有力的技术支持。[此处插入技术路线图1][此处插入技术路线图1]二、多尺度信号分量与复合结构损伤基础2.1多尺度信号分析理论基础2.1.1小波分析原理小波分析作为多尺度信号分析领域的关键技术，近年来在复合结构损伤识别等工程应用中展现出独特优势。小波变换的核心概念是通过对基本小波函数进行伸缩和平移操作，从而实现对信号的多尺度分解。数学上，设基本小波函数为\Psi(t)，其满足允许条件：C_{\Psi}=\int_{-\infty}^{\infty}\frac{|\hat{\Psi}(\omega)|^2}{|\omega|}d\omega\lt\infty，其中\hat{\Psi}(\omega)是\Psi(t)的傅里叶变换。对于任意函数f(t)\inL^2(R)，其小波变换定义为：W_f(a,b)=\frac{1}{\sqrt{a}}\int_{-\infty}^{\infty}f(t)\Psi(\frac{t-b}{a})dt，这里a为尺度参数，控制小波函数的伸缩程度，a越大，对应信号的低频成分；b为平移参数，决定小波函数在时间轴上的位置。多分辨率分析是小波分析的重要理论基石，它能够依据不同的分辨率尺度开展小波变换，将待分解信号划分至两个频率不同但相互正交的范围，进而获取信号的低频部分与高频噪声细节信号。以三层小波分解为例，原始信号s首先被分解为低频信号H_1和高频信号G_1，接着低频信号H_1继续被分解为低频信号H_2和高频信号G_2，以此类推。在这个过程中，每一层分解都使得低频信号的分辨率减半，经过多次分解，能够有效提升频率分辨率，使重构信号更加逼近原始信号。Mallat算法作为小波变换多分辨率分析理论中的快速算法，在信号处理领域发挥着重要作用，其在小波分析中的地位等同于快速傅里叶变换在经典傅里叶变换中的地位。Mallat一维分解公式如下：c_j(n)=\sum_{k}h(k-2n)c_{j-1}(k)，d_j(n)=\sum_{k}g(k-2n)c_{j-1}(k)，其中c_j(n)和d_j(n)分别表示第j层的离散平滑逼近和离散细节逼近，h(k)和g(k)分别为低通滤波器和高通滤波器的系数。在实际应用中，Mallat算法通过二分树结构对原始输入信号进行滤波和二抽取操作，高效地得到各级的离散细节逼近，即各级的小波系数。在信号重构时，只需将分解算法的步骤逆向进行，同时注意滤波器的选择以及二抽取装置与二插入装置的转换。在对复合结构的振动响应信号进行分析时，利用Mallat算法能够快速准确地提取信号的不同尺度特征，为后续的损伤识别提供有力支持。2.1.2经验模态分解经验模态分解（EMD）是一种专门针对非线性、非平稳信号的多尺度分析方法，由Huang等人于1998年提出。其基本原理基于一个假设，即任何复杂信号都可视为多个不同的固有模态函数（IMF）叠加之和，每个IMF分量应满足以下两个条件：在整个数据段内，极值点的个数和过零点的个数必须相等或相差最多不超过一个；在任意时刻，由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零，即上、下包络线相对于时间轴局部对称。EMD的分解过程主要通过筛选过程来实现。首先，找出原始信号x(t)的所有极大值点和极小值点，利用三次样条插值法分别拟合得到上包络线e_{max}(t)和下包络线e_{min}(t)，计算两条包络线的均值m_1(t)=\frac{e_{max}(t)+e_{min}(t)}{2}，将原始信号减去均值包络线得到中间信号h_1(t)=x(t)-m_1(t)。然后，判断h_1(t)是否满足IMF条件，如果不满足，则将h_1(t)作为新的原始信号，重复上述步骤，直到h_1(t)满足IMF条件，得到第一个IMF分量c_1(t)。接着，将原始信号x(t)减去第一个IMF分量c_1(t)，得到剩余信号r_1(t)=x(t)-c_1(t)，将r_1(t)作为新的原始信号，重复上述分解过程，依次得到其他IMF分量c_2(t),c_3(t),\cdots,c_n(t)，直到剩余信号r_n(t)成为单调函数，此时的r_n(t)即为残余分量。最终，原始信号x(t)可表示为所有IMF分量与残余分量之和：x(t)=\sum_{i=1}^{n}c_i(t)+r_n(t)。与小波分析相比，EMD具有明显的自适应特性，它无需预先设定基函数，而是依据信号自身的局部特征进行分解，这使得EMD在处理复杂的复合结构损伤信号时具有独特优势。然而，EMD也存在一些不足之处，其中最为突出的问题是模态混叠现象。模态混叠是指在分解过程中，一个IMF分量可能包含不同尺度的信号成分，或者不同尺度的信号成分被分解到同一个IMF分量中，这会严重影响分解结果的准确性和可靠性，给后续的损伤特征提取和识别带来困难。2.1.3其他多尺度信号分析方法短时傅里叶变换（STFT）是一种经典的时频分析方法，它通过在时域上对信号加窗，然后对每个加窗后的局部信号进行傅里叶变换，从而获得信号在不同时间窗口下的频率成分，实现信号的时频联合分析。其数学表达式为：STFT_x(t,f)=\int_{-\infty}^{\infty}x(\tau)w(t-\tau)e^{-j2\pif\tau}d\tau，其中x(\tau)是原始信号，w(t-\tau)是窗函数。STFT的优点在于能够在一定程度上反映信号的时频特性，对于分析频率成分在时间上有变化的信号，如语音信号、音乐信号等具有一定的应用价值。然而，STFT也存在明显的局限性，其时间分辨率和频率分辨率不能同时达到最优，窗函数的长度一旦确定，分辨率也就固定下来，当信号变化剧烈时，难以兼顾高频和低频信号的分析需求。变分模态分解（VMD）是近年来提出的一种新的多尺度信号分解方法，它将信号分解问题转化为一个变分优化问题，通过迭代求解变分模型，自适应地确定每个模态的中心频率和带宽，从而将信号分解为一系列具有不同中心频率的模态分量。VMD具有良好的抗噪声性能和模态混叠抑制能力，能够有效地处理非平稳信号。但是，VMD算法的计算复杂度较高，在处理大数据量的信号时，计算效率较低，且其参数选择对分解结果有较大影响，需要根据具体信号进行合理调整。2.2复合结构特点及损伤类型2.2.1复合结构组成与特性复合结构通常是由两种或两种以上不同性质的材料，通过特定的工艺组合而成，各组成材料在性能上取长补短，产生协同效应，使复合结构具有单一材料无法比拟的优越性能。以纤维增强复合材料为例，它主要由增强纤维和基体组成。增强纤维如碳纤维、玻璃纤维等，具有高强度、高模量的特点，能够承担主要的载荷，为结构提供良好的力学性能；基体则起到粘结纤维、传递载荷和保护纤维的作用，常见的基体材料有树脂、金属、陶瓷等。不同的增强纤维和基体组合可以形成具有不同性能特点的复合结构。碳纤维增强树脂基复合材料具有高比强度、高比模量、低密度、良好的耐腐蚀性和可设计性等优点，在航空航天领域，被广泛应用于制造飞机机翼、机身、发动机叶片等关键部件，能够显著减轻结构重量，提高飞行性能和燃油效率；玻璃纤维增强塑料（GFRP）具有成本低、绝缘性能好、耐腐蚀等特点，在建筑、汽车、船舶等领域得到了大量应用，如建筑中的门窗框架、汽车的内饰部件、船舶的船体结构等。复合结构的性能还与其内部结构密切相关。层合结构是一种常见的复合结构形式，它由多层不同方向铺设的纤维增强材料层组成，通过合理设计各层纤维的方向和厚度，可以使复合结构在不同方向上具有所需的力学性能。夹芯结构则是由两层高强度的面板和中间的轻质芯材组成，芯材通常采用泡沫、蜂窝等材料，这种结构形式具有较高的弯曲刚度和比强度，在航空航天、高速列车等领域常用于制造机翼、机身、车厢地板等部件，能够有效减轻结构重量，提高结构的承载能力和稳定性。此外，复合结构还具有良好的可设计性，可以根据具体的工程需求，通过调整材料组成、结构形式和工艺参数等，实现对结构性能的优化设计。2.2.2常见损伤类型及特点在复合结构的服役过程中，由于受到复杂的载荷条件、恶劣的环境因素以及制造工艺缺陷等多种因素的影响，可能会出现多种类型的损伤，这些损伤会对复合结构的性能和安全可靠性产生不同程度的影响。基体裂纹是复合结构中较为常见的一种损伤形式，通常是由于基体材料在承受拉伸、压缩、剪切等载荷时，超过了其自身的强度极限而产生的。在复合材料的固化过程中，由于热应力的作用，也可能导致基体裂纹的出现。基体裂纹的存在会降低复合结构的刚度和强度，影响其承载能力，并且裂纹还可能会进一步扩展，引发其他类型的损伤，如纤维断裂、分层等。纤维断裂是另一种严重的损伤类型，主要是由于纤维承受的载荷超过了其自身的强度，或者纤维与基体之间的粘结失效，导致纤维无法有效地传递载荷而发生断裂。在冲击载荷作用下，复合结构表面的纤维容易受到损伤而断裂；在疲劳载荷作用下，纤维会经历多次循环加载，逐渐积累损伤，最终导致断裂。纤维断裂会显著降低复合结构的承载能力，严重影响结构的安全性，当纤维断裂达到一定程度时，可能会导致结构的突然失效。分层是复合结构中最为常见且危害较大的损伤形式之一，它是指复合材料层合板各铺层之间的粘结界面发生分离。分层通常是由于层间应力过大、冲击载荷、制造缺陷等原因引起的。在复合材料的加工过程中，如果层间粘结不充分，存在气泡、杂质等缺陷，就容易在服役过程中引发分层；在冲击载荷作用下，如鸟撞、外来物冲击等，层合板内部会产生应力集中，导致层间粘结破坏，从而引发分层。分层会削弱复合结构的层间连接强度，降低结构的整体刚度和稳定性，使结构在承受载荷时容易发生局部屈曲和失稳，严重威胁结构的安全运行。此外，复合结构还可能出现脱粘、磨损、腐蚀等损伤类型。脱粘是指纤维与基体之间的粘结界面失效，导致两者分离，这会影响纤维与基体之间的载荷传递效率，降低复合结构的力学性能；磨损通常是由于复合结构表面与其他物体相互摩擦而导致的材料损失，会影响结构的表面质量和尺寸精度；腐蚀则是由于复合结构长期暴露在恶劣的环境中，如潮湿、化学介质等，导致材料发生化学或电化学腐蚀，使结构的性能逐渐下降。这些损伤类型往往相互关联、相互影响，一种损伤的出现可能会引发其他损伤的产生和发展，因此准确识别和评估复合结构的损伤类型和程度，对于保障其安全可靠运行至关重要。2.3复合结构损伤对信号特性的影响2.3.1损伤引起的信号变化机理从力学角度来看，当复合结构发生损伤时，其内部的应力应变分布会发生显著改变。以基体裂纹损伤为例，裂纹的出现会导致裂纹尖端附近的应力集中现象。根据弹性力学理论，在均匀受力的复合结构中，应力分布是相对均匀的，但一旦出现裂纹，裂纹尖端的应力会远高于平均应力水平。当复合结构受到外部拉伸载荷时，原本均匀分布在基体上的应力会因为基体裂纹的存在，而在裂纹尖端处聚集，使得该区域的应力急剧增大。这种应力集中现象会改变结构内部的应力传递路径，进而影响结构的整体力学响应。从物理角度分析，损伤会导致复合结构的材料性能发生变化。纤维断裂损伤会使纤维无法有效地传递载荷，从而降低了结构的承载能力和刚度。由于纤维是承担主要载荷的部分，纤维断裂后，原本由纤维承担的载荷会重新分配到其他未损伤的纤维和基体上，这会导致基体所承受的载荷增加，进而可能引发基体的进一步损伤。分层损伤会破坏复合结构层间的粘结，削弱层间的相互作用，使得结构在承受横向载荷时，容易发生层间的相对位移和变形，降低结构的稳定性。这些材料性能的变化会直接反映在结构的响应信号中，为基于信号分析的损伤识别提供了物理依据。2.3.2不同损伤类型的信号特征差异在时域中，不同损伤类型的信号表现出明显的差异。对于基体裂纹损伤，由于裂纹的产生和扩展会导致结构的刚度发生变化，从而使结构的振动响应信号的幅值和相位发生改变。当基体裂纹逐渐扩展时，结构的刚度降低，振动响应信号的幅值会相应增大，同时相位也会发生偏移。纤维断裂损伤则会使结构的质量分布发生变化，进而影响振动响应信号的时域特征。纤维断裂后，结构的局部质量减少，在激励作用下，振动响应信号的时域波形会出现异常的波动，其峰值和均值等统计参数也会发生变化。分层损伤会导致结构在分层区域的局部刚度和质量发生突变，使得振动响应信号在时域上出现间断或突变的特征。当结构受到冲击载荷时，分层区域会产生额外的振动响应，在时域信号中表现为短暂的高频振荡。在频域中，不同损伤类型的信号特征也有所不同。基体裂纹损伤会导致结构的固有频率发生变化，一般来说，裂纹的出现会使结构的刚度降低，从而导致固有频率下降。通过对振动响应信号进行傅里叶变换，得到其频域特性，可以观察到固有频率峰值的偏移和幅值的变化。纤维断裂损伤会引起结构的模态特性改变，导致频域中某些模态频率的变化和模态振型的畸变。在频域图中，与纤维断裂相关的模态频率可能会出现分裂或合并的现象，同时模态振型也会发生明显的改变。分层损伤会在频域中产生一些特定的频率成分，这些频率成分与分层的位置、大小和形状等因素有关。通过分析频域信号中这些特定频率成分的出现和变化，可以判断分层损伤的存在和特征。在时频域中，不同损伤类型的信号特征更加丰富。小波变换、短时傅里叶变换等时频分析方法可以同时展示信号在时间和频率上的变化特性。对于基体裂纹损伤，在时频域图中可以观察到随着时间的推移，与裂纹扩展相关的频率成分逐渐增强，并且这些频率成分在时间轴上的分布也会发生变化。纤维断裂损伤在时频域中表现为某些频率成分在特定时间点的突然出现或消失，以及频率成分的快速变化。分层损伤在时频域图中会呈现出与分层区域相关的局部时频特征，如在分层位置对应的时间和频率范围内，能量分布会出现异常。通过对这些时频域特征的分析，可以更准确地识别和定位不同类型的复合结构损伤。三、多尺度信号分量提取方法研究3.1基于小波变换的信号分量提取3.1.1小波基函数选择在小波变换中，小波基函数的选择是一个至关重要的环节，它直接影响到信号分解的效果以及后续损伤特征提取的准确性。常用的小波基函数具有各自独特的性质和特点，适用于不同类型的信号分析。Haar小波是最早被提出且结构最为简单的小波基函数。它在时域上表现为一个在[0,1]区间内取值为1和-1的矩形波，在该区间外取值为0。其数学表达式为：\psi(t)=\begin{cases}1,&0\leqt<\frac{1}{2}\\-1,&\frac{1}{2}\leqt<1\\0,&\text{otherwise}\end{cases}Haar小波的突出优点是计算简便，在某些对计算效率要求较高且信号特征相对简单的情况下，如简单的阶跃信号分析，能够快速地对信号进行分解和处理。然而，由于其在时域上不连续，频率分辨率较低，在处理复杂的复合结构损伤信号时，难以准确地捕捉信号的细节特征，可能会导致分解结果的误差较大。Daubechies(dbN)小波是由InridDaubechies构造的一系列小波函数，其中N表示小波的阶数。该小波在时域上具有有限支撑，即函数的非零值仅在有限区间内存在，这使得它在处理具有局部特征的信号时具有一定优势。随着N的增大，dbN小波的消失矩增加，能够更好地逼近光滑信号。以db4小波为例，其在分解具有一定光滑性的复合结构振动信号时，能够有效地提取信号的低频和高频特征。但是，除了N=1（即Haar小波）外，dbN小波不具有对称性，这可能会在信号重构过程中引入相位失真，影响对信号真实特征的还原。MexicanHat(mexh)小波本质上是高斯函数的二阶导数，其形状类似于墨西哥帽的截面，因此得名。数学表达式为：\psi(t)=(1-t^2)e^{-\frac{t^2}{2}}。MexicanHat小波在时间域和频率域都具有良好的局部化特性，能够在不同尺度上对信号进行精确的分析。在分析复合结构损伤信号中，对于一些具有局部突变特征的信号，如冲击载荷作用下产生的损伤信号，MexicanHat小波能够清晰地捕捉到信号在突变点附近的时频特性变化。然而，它不存在尺度函数，不具有正交性，这在一定程度上限制了它在一些需要正交分解的应用场景中的使用。Morlet小波是高斯包络下的单频率复正弦函数，表达式为：\psi(t)=Ce^{-\frac{t^2}{2}}\cos(5t)，其中C是用于重构时的归一化常数。Morlet小波在频域上具有较好的局部化特性，特别适用于对信号的频率成分进行精细分析。在复合结构损伤识别中，当需要准确分析损伤信号的频率特性，以确定损伤类型和位置时，Morlet小波能够提供较为准确的频率信息。但它同样不具有正交性，且是非正交分解，这可能会导致分解后的信号分量之间存在一定的相关性，增加后续分析的复杂性。在选择小波基函数时，需要综合考虑复合结构损伤信号的特点以及实际应用的需求。如果损伤信号具有明显的突变特征，且对计算效率有一定要求，Haar小波在初步分析中可能具有一定的应用价值；对于具有一定光滑性的损伤信号，Daubechies小波能够较好地提取信号的特征；当需要精确分析信号的局部时频特性时，MexicanHat小波和Morlet小波则更为合适。同时，还可以通过对比不同小波基函数对同一损伤信号的分解结果，结合信号的物理背景和实际损伤情况，选择能够最准确反映损伤特征的小波基函数。3.1.2分解层数确定确定小波变换的分解层数是影响信号特征提取效果的另一个关键因素。分解层数的选择不当，可能导致信号特征提取不完整或过度分解，从而影响后续的损伤识别精度。一种常用的确定分解层数的方法是基于信号的频率特性。假设原始信号的最高频率为f_{max}，采样频率为f_s，根据采样定理，f_s\geq2f_{max}。在小波分解中，每一层分解都会将信号的频率范围减半。设分解层数为n，则第n层分解后的低频信号频率范围为[0,\frac{f_s}{2^{n+1}}]，高频信号频率范围为[\frac{f_s}{2^{n+1}},\frac{f_s}{2^n}]。通过分析复合结构损伤信号中可能包含的特征频率范围，结合上述频率关系，可以初步确定分解层数。例如，对于某一复合结构，已知其损伤相关的特征频率主要集中在0-100Hz范围内，采样频率为1000Hz，则可以通过计算\frac{f_s}{2^{n+1}}，使得该值接近100Hz，从而确定合适的分解层数。基于信号能量分布也是确定分解层数的有效方法之一。随着分解层数的增加，信号的能量会逐渐分布到不同尺度的小波系数中。通过计算每一层分解后小波系数的能量，并观察能量分布的变化趋势，可以确定合适的分解层数。一般来说，当分解层数增加到一定程度后，继续增加分解层数对信号能量分布的影响较小，且可能会引入过多的噪声干扰。此时，可以认为已经达到了合适的分解层数。具体操作时，可以绘制能量随分解层数变化的曲线，当曲线趋于平缓时，对应的分解层数即为较为合适的选择。不同分解层数对信号特征提取有着显著的影响。当分解层数过少时，信号的特征无法充分展开，一些细微的损伤特征可能被忽略，导致损伤识别的准确性降低。例如，在分析含有微小裂纹的复合结构振动信号时，如果分解层数不足，裂纹引起的微弱高频特征可能无法被准确提取，从而难以判断裂纹的存在。相反，当分解层数过多时，虽然能够更细致地分解信号，但也会增加计算量，同时可能会放大噪声的影响，导致提取的特征中包含过多的噪声成分，同样不利于损伤识别。过多的分解层数还可能会使信号的特征变得过于复杂，难以从中准确提取与损伤相关的有效信息。因此，在实际应用中，需要通过多次试验和分析，结合信号的特点和损伤识别的要求，找到一个既能充分提取信号损伤特征，又能避免过度分解的最佳分解层数。3.1.3实例分析为了更直观地展示小波变换提取信号分量的过程和效果，以某复合材料层合板在冲击载荷作用下的振动响应信号为例进行分析。该复合材料层合板由碳纤维增强树脂基复合材料制成，在实验室环境下，通过落锤冲击试验模拟损伤工况，使用加速度传感器采集层合板在冲击过程中的振动响应信号。首先，选择Daubechies(db4)小波作为小波基函数。这是因为该小波在处理具有一定光滑性的振动信号时具有较好的性能，能够有效地提取信号的特征。根据信号的频率特性和能量分布，确定分解层数为5。通过计算信号的频率范围和分析能量变化趋势，发现当分解层数为5时，既能充分展开信号的特征，又能避免过度分解引入过多噪声。利用小波变换对采集到的原始振动响应信号进行分解，得到不同尺度下的小波系数。图2展示了原始信号以及分解后的第1-5层高频分量和第5层低频分量。从图中可以明显看出，不同尺度的信号分量呈现出不同的特征。第1层高频分量主要包含了信号中的高频噪声和一些冲击瞬间的高频细节信息，其波形变化较为剧烈；随着分解层数的增加，高频分量的频率逐渐降低，包含的信号细节也逐渐变得更加宏观。第5层低频分量则主要反映了信号的整体趋势和低频成分，其波形相对较为平滑。[此处插入原始信号及各层分解信号波形图2]进一步分析各尺度信号分量与损伤之间的关系。通过对比未损伤和损伤状态下的信号分量，发现损伤状态下的第3-5层高频分量的能量明显增加，且在特定频率处出现了峰值。这是因为冲击损伤导致复合材料层合板的局部刚度发生变化，从而引起振动响应信号在这些频率范围内的能量分布改变。通过提取这些与损伤相关的特征分量和特征频率，可以为后续的损伤识别提供有力的依据。例如，可以将第3-5层高频分量的能量变化以及特定频率处的峰值作为损伤特征参数，输入到损伤识别模型中进行训练和识别。通过实例分析可以看出，小波变换能够有效地将复合结构的振动响应信号分解为不同尺度的分量，这些分量包含了丰富的损伤信息，通过合理选择小波基函数和分解层数，并对分解后的信号分量进行深入分析，可以准确地提取与损伤相关的特征，为复合结构的损伤识别提供有效的方法。3.2基于经验模态分解的信号分量提取3.2.1端点效应处理在经验模态分解（EMD）过程中，端点效应是一个不容忽视的问题，它对分解结果的准确性和可靠性有着显著影响。端点效应主要是指在EMD分解时，由于信号两端的数据点缺乏足够的邻域信息，导致在计算局部极值和包络线时出现偏差，进而使分解结果在信号端点处产生异常波动和失真。这种异常波动不仅会影响IMF分量在端点处的准确性，还可能会沿着分解过程传播，导致后续IMF分量的整体误差增大，严重干扰对信号真实特征的提取。为有效处理端点效应，目前已经提出了多种方法，每种方法都有其独特的原理和适用场景。对称延拓法是一种较为直观的处理方式，其核心思想是通过在信号的两端对称地复制一段信号数据，以此增加端点处的数据点数量，为包络线的计算提供更丰富的信息。假设原始信号为x(t)，长度为N，在信号的左端点，将x(1),x(2),\cdots,x(M)（M为延拓长度）对称复制为x(M+1),x(M+2),\cdots,x(2M)；在右端点，将x(N-M+1),x(N-M+2),\cdots,x(N)对称复制为x(N+1),x(N+2),\cdots,x(N+M)，得到延拓后的信号x'(t)。然后对延拓后的信号进行EMD分解，在得到IMF分量后，再去除两端延拓部分的数据，得到最终的分解结果。这种方法的优点是简单易行，计算效率较高，能够在一定程度上减轻端点效应的影响。然而，它也存在局限性，由于延拓部分的数据是基于对称复制得到的，并非真实的信号数据，可能会引入一些虚假的特征，特别是在信号端点处的变化较为复杂时，延拓数据与真实信号的差异可能会导致分解结果出现偏差。神经网络预测法是利用神经网络强大的学习和预测能力来处理端点效应。首先，选择合适的神经网络模型，如前馈神经网络、递归神经网络等。以递归神经网络为例，将原始信号的一部分数据作为训练样本，输入到神经网络中进行训练，使神经网络学习到信号的内在特征和变化规律。在训练过程中，通过调整神经网络的权重和阈值，最小化预测输出与真实信号之间的误差。训练完成后，将信号端点处的已知数据输入到训练好的神经网络中，预测出端点外的数据。将预测得到的数据添加到信号的两端，再进行EMD分解。神经网络预测法的优势在于能够根据信号的特征进行自适应的预测，对于复杂的信号具有较好的处理效果。但是，该方法对训练样本的依赖性较强，如果训练样本不能充分反映信号的全貌，或者存在噪声干扰，可能会导致预测结果不准确，从而影响端点效应的处理效果。此外，神经网络的训练过程通常需要较大的计算量和较长的时间，这在一定程度上限制了其应用范围。3.2.2模态混叠抑制模态混叠是EMD方法中另一个关键问题，它严重影响了信号分解的准确性和对信号特征的有效提取。模态混叠的产生主要源于两个方面的因素。一方面，当信号中存在频率相近但幅值差异较大的成分时，在EMD的筛选过程中，由于局部极值的确定受到幅值较大成分的影响，可能会导致不同频率成分被错误地组合在同一个IMF分量中。当一个高频成分的幅值相对较低，而与之频率相近的低频成分幅值较高时，在确定局部极值点和包络线时，低频成分的影响可能会掩盖高频成分的特征，使得高频成分被混入低频IMF分量中。另一方面，噪声的干扰也是导致模态混叠的重要原因。噪声的存在会使信号的局部极值点变得不稳定，增加了确定真实极值点的难度，从而容易引发模态混叠现象。为抑制模态混叠，集合经验模态分解（EEMD）方法应运而生，它在一定程度上有效地改善了模态混叠问题。EEMD的基本原理是在原始信号中加入多个不同的白噪声序列，然后对加入噪声后的信号进行多次EMD分解。由于白噪声具有均匀分布的频率特性，它能够在不同尺度上对信号进行扰动，使得信号中的不同频率成分更容易被分离出来。具体实现过程如下：首先，生成N个相互独立的白噪声序列n_i(t)（i=1,2,\cdots,N），将每个白噪声序列分别与原始信号x(t)相加，得到N个混合信号x_i(t)=x(t)+n_i(t)。然后，对这N个混合信号分别进行EMD分解，得到N组IMF分量c_{ij}(t)（j=1,2,\cdots,M，M为IMF分量的个数）。最后，将每组IMF分量对应相加并求平均，得到最终的IMF分量\overline{c}_j(t)=\frac{1}{N}\sum_{i=1}^{N}c_{ij}(t)。通过这种方式，EEMD能够有效地降低模态混叠的影响，提高信号分解的准确性。例如，在对某一含有多个频率成分的复合结构振动信号进行分析时，使用EEMD方法分解后，各个IMF分量能够更清晰地反映出信号中不同频率成分的特征，相比传统EMD方法，有效地减少了模态混叠现象，为后续的损伤特征提取和识别提供了更可靠的基础。3.2.3实例分析为深入探究EMD在提取信号分量方面的性能以及对模态混叠的处理效果，以某金属结构在疲劳载荷作用下的振动响应信号为研究对象进行实例分析。该金属结构在疲劳试验机上进行加载试验，通过加速度传感器采集其在不同疲劳阶段的振动响应信号，以模拟结构在服役过程中逐渐产生损伤的情况。首先，运用传统EMD方法对采集到的原始振动响应信号进行分解。在分解过程中，明显观察到端点效应的影响，信号两端出现了剧烈的波动，使得最初几个IMF分量在端点处严重失真。通过对比未损伤和损伤状态下的分解结果，发现损伤状态下的IMF分量中存在明显的模态混叠现象。某些IMF分量中同时包含了高频的冲击成分和低频的结构振动成分，这使得从IMF分量中准确提取损伤特征变得极为困难。由于模态混叠，无法准确判断哪些频率成分与损伤直接相关，可能会导致对损伤的误判或漏判。为解决上述问题，采用对称延拓法和EEMD方法对信号进行处理。在对称延拓法中，根据信号的特点，选择延拓长度为信号长度的10%。将延拓后的信号进行EMD分解，结果显示端点效应得到了显著改善，信号两端的波动明显减小，IMF分量在端点处的失真情况得到了有效控制。然而，模态混叠问题仍然存在，虽然程度有所减轻，但并未完全消除。接着，使用EEMD方法对信号进行处理。在EEMD分解过程中，设置加入白噪声的标准差为原始信号标准差的0.2倍，进行50次分解。从分解结果可以看出，模态混叠现象得到了明显抑制。各个IMF分量能够更清晰地分离出不同频率的成分，高频冲击成分和低频振动成分分别被分解到不同的IMF分量中。通过进一步分析IMF分量与损伤之间的关系，发现随着疲劳损伤的发展，某些特定IMF分量的能量特征发生了显著变化。在某一特定的IMF分量中，能量随着疲劳循环次数的增加而逐渐增大，这表明该IMF分量与疲劳损伤密切相关。通过提取这些与损伤相关的IMF分量的能量特征，可以为金属结构的疲劳损伤识别提供有效的依据。通过对该实例的分析可知，传统EMD方法在处理复合结构振动响应信号时，端点效应和模态混叠问题较为严重，影响了信号分解的准确性和损伤特征的提取。对称延拓法能够有效改善端点效应，但对模态混叠的抑制作用有限。EEMD方法则在抑制模态混叠方面表现出色，能够更准确地提取信号分量，为复合结构的损伤识别提供更可靠的信号特征。3.3其他多尺度信号分量提取方法探索3.3.1变分模态分解改进变分模态分解（VMD）作为一种新兴的多尺度信号分解方法，近年来在复合结构损伤识别领域展现出一定的应用潜力。其核心思想是将信号分解问题转化为一个变分优化问题，通过构造一个约束变分模型来求解一系列具有不同中心频率和带宽的模态分量。在VMD中，每个模态分量都被定义为一个具有特定中心频率和带宽的调幅-调频信号，通过迭代优化变分模型，使得各个模态分量的带宽之和最小，同时保证各模态分量之和等于原始信号。具体来说，假设原始信号为f(t)，VMD将其分解为K个模态分量u_k(t)，每个模态分量的中心频率为\omega_k。其变分模型为：\begin{align*}\min_{\{u_k\},\{\omega_k\}}&\left\{\sum_{k=1}^{K}\left\|\partial_t\left[\left(\delta(t)+\frac{j}{\pit}\right)*u_k(t)\right]e^{-j\omega_kt}\right\|_2^2\right\}\\\text{s.t.}&\sum_{k=1}^{K}u_k(t)=f(t)\end{align*}其中\delta(t)是狄拉克函数，\partial_t表示对时间t的一阶导数，*表示卷积运算。通过引入二次惩罚因子\alpha和拉格朗日乘子\lambda(t)，将约束变分问题转化为无约束变分问题，然后利用交替方向乘子法（ADMM）进行迭代求解，从而得到各个模态分量。然而，VMD在实际应用中，其参数设置对分解效果有着显著影响。模态分量个数K的选择是一个关键问题，若K取值过小，可能无法充分分解信号中的不同频率成分，导致一些损伤特征无法被准确提取；若K取值过大，则可能会引入过多的虚假模态，增加计算复杂度，同时也会使分解结果出现过拟合现象。惩罚因子\alpha主要用于平衡信号重构精度和模态分量的带宽，\alpha值过小，会导致模态分量的带宽过宽，信号分解不够精细，无法准确分离出不同频率的成分；\alpha值过大，则会使重构误差增大，影响分解结果的准确性。为了改进VMD，使其更适用于复合结构损伤信号的分析，提出了自适应参数选择的改进思路。通过对信号的频域特征进行分析，结合信息准则（如AIC、BIC等），自适应地确定模态分量个数K。利用遗传算法、粒子群优化算法等智能优化算法，对惩罚因子\alpha进行优化选择，以找到最优的参数组合，提高VMD的分解效果。在对某复合材料梁的损伤信号进行分析时，通过遗传算法优化后的VMD能够更准确地分离出与损伤相关的频率成分，提取出更有效的损伤特征，相比传统VMD方法，在损伤识别准确率上有了显著提升。3.3.2集合经验模态分解集合经验模态分解（EEMD）是针对经验模态分解（EMD）中模态混叠问题提出的一种改进方法。其基本原理是基于噪声辅助数据分析的思想，在原始信号中加入多个不同的白噪声序列，然后对加入噪声后的信号进行多次EMD分解。由于白噪声具有均匀分布的频率特性，它能够在不同尺度上对信号进行扰动，使得信号中的不同频率成分更容易被分离出来。具体实现过程如下：首先，生成N个相互独立的白噪声序列n_i(t)（i=1,2,\cdots,N），将每个白噪声序列分别与原始信号x(t)相加，得到N个混合信号x_i(t)=x(t)+n_i(t)。然后，对这N个混合信号分别进行EMD分解，得到N组IMF分量c_{ij}(t)（j=1,2,\cdots,M，M为IMF分量的个数）。最后，将每组IMF分量对应相加并求平均，得到最终的IMF分量\overline{c}_j(t)=\frac{1}{N}\sum_{i=1}^{N}c_{ij}(t)。通过这种方式，EEMD能够有效地降低模态混叠的影响，提高信号分解的准确性。在抑制模态混叠方面，EEMD具有明显的优势。与传统EMD方法相比，EEMD通过引入白噪声，使得信号在不同尺度上的特征能够更清晰地展现出来。在对某含有多个频率成分的复合结构振动信号进行分析时，传统EMD方法分解得到的IMF分量中存在严重的模态混叠现象，不同频率的成分相互交织，难以准确区分；而EEMD方法分解后的IMF分量能够清晰地分离出不同频率的成分，高频成分和低频成分分别被准确地分解到不同的IMF分量中，为后续的损伤特征提取和识别提供了更可靠的基础。EEMD在复合结构损伤识别中有着广泛的应用。在某航空发动机叶片的复合结构损伤检测中，利用EEMD对叶片振动响应信号进行分解，提取出与损伤相关的IMF分量，然后结合支持向量机（SVM）进行损伤识别，能够准确地判断出叶片是否存在损伤以及损伤的类型和位置，识别准确率达到了95%以上。在实际应用中，EEMD也存在一些需要注意的问题，如白噪声的标准差和分解次数的选择对分解结果有一定影响，需要根据具体信号进行合理调整。白噪声标准差过大，可能会引入过多的噪声干扰，影响分解结果的准确性；分解次数过少，则可能无法充分抑制模态混叠现象。因此，在使用EEMD时，需要通过多次试验和分析，找到最佳的参数设置，以获得最优的分解效果。四、基于多尺度信号分量的损伤识别方法4.1时域损伤识别方法4.1.1基于能量特征的损伤识别在复合结构的损伤识别中，基于能量特征的方法具有重要的应用价值。信号能量作为一个关键的特征参数，能够直观地反映复合结构的损伤状态。其计算方法通常基于信号的幅值和时间历程。对于离散信号x(n)，n=1,2,\cdots,N，信号能量E的计算公式为：E=\sum_{n=1}^{N}x^{2}(n)。从物理意义上讲，信号能量代表了信号在整个时间范围内的强度总和。当复合结构发生损伤时，结构的力学性能改变，导致其响应信号的能量分布发生变化。在复合材料板受到冲击损伤后，损伤区域的局部刚度下降，在相同的激励条件下，该区域的振动响应幅值增大，从而使得相应的信号能量增加。不同损伤程度和位置与信号能量特征存在紧密的内在联系。损伤程度的增加往往会导致信号能量的显著变化。当复合材料梁的损伤程度逐渐加重时，其振动响应信号的能量也会随之增大，并且能量变化与损伤程度之间呈现出近似线性的关系。通过对大量实验数据的分析，发现当损伤程度增加10%时，信号能量平均增加约15%。在损伤位置方面，不同位置的损伤会引起信号能量在不同频段或时间尺度上的变化。在复合材料层合板中，当损伤发生在边缘区域时，信号能量主要集中在高频段；而当损伤发生在中心区域时，低频段的信号能量会有明显的改变。这是因为不同位置的损伤对结构的整体振动模态和应力分布产生不同的影响，进而导致信号能量在不同频段的分布特征不同。基于这些关系，通过准确计算和分析信号能量特征，可以有效地识别复合结构的损伤程度和位置。4.1.2基于相关分析的损伤识别相关分析是一种用于衡量两个或多个信号之间相似性和关联性的重要方法，在复合结构损伤识别中具有独特的优势。其基本原理是通过计算信号之间的相关系数，来定量评估信号之间的相似程度。对于两个离散信号x(n)和y(n)，n=1,2,\cdots,N，它们的互相关函数R_{xy}(m)定义为：R_{xy}(m)=\sum_{n=1}^{N-m}x(n)y(n+m)，m=0,1,\cdots,M，其中M为最大延迟点数。相关系数\rho_{xy}则通过对互相关函数进行归一化处理得到：\rho_{xy}=\frac{R_{xy}(0)}{\sqrt{R_{xx}(0)R_{yy}(0)}}，\rho_{xy}的取值范围为[-1,1]，当\rho_{xy}=1时，表示两个信号完全正相关；当\rho_{xy}=-1时，表示两个信号完全负相关；当\rho_{xy}=0时，表示两个信号不相关。在复合结构损伤识别中，通过对比正常状态下的信号与损伤状态下的信号之间的相关性，可以有效地判断损伤的存在和程度。在某一复合结构的实验中，首先采集其在正常工作状态下的振动响应信号作为参考信号x(n)。当结构发生损伤后，采集损伤状态下的振动响应信号y(n)。计算两者的相关系数，发现当结构出现轻微损伤时，相关系数从正常状态下的0.95下降到0.80；随着损伤程度的加重，相关系数进一步降低到0.60。这是因为损伤的出现改变了结构的刚度、质量分布等物理特性，从而导致损伤状态下的信号与正常状态下的信号在波形、频率等方面产生差异，进而使它们之间的相关性降低。通过设定合适的相关系数阈值，如当相关系数低于0.75时，判定结构可能存在损伤，就可以及时发现复合结构的损伤情况，并根据相关系数的变化趋势初步评估损伤程度。4.1.3实例分析为了验证时域损伤识别方法的有效性，以某复合材料机翼模型为研究对象进行实例分析。该机翼模型由碳纤维增强树脂基复合材料制成，在实验室环境下，通过模拟不同程度的冲击损伤，使用加速度传感器采集机翼在不同损伤状态下的振动响应信号。首先，基于能量特征的损伤识别方法进行分析。计算不同损伤状态下振动响应信号的能量，结果如图3所示。从图中可以明显看出，随着损伤程度的增加，信号能量呈现出逐渐上升的趋势。在未损伤状态下，信号能量为E_0=5.2\times10^3；当损伤程度为轻度损伤时，信号能量增加到E_1=7.8\times10^3，增长了约50%；当损伤程度为中度损伤时，信号能量进一步增加到E_2=1.2\times10^4，相比未损伤状态增长了约130%；当损伤程度为重度损伤时，信号能量达到E_3=2.0\times10^4，是未损伤状态下的近4倍。通过这些能量特征的变化，可以清晰地判断出机翼的损伤程度，并且能量变化与损伤程度之间的定量关系为损伤评估提供了有力依据。[此处插入信号能量随损伤程度变化图3]接着，运用基于相关分析的损伤识别方法。以未损伤状态下的振动响应信号作为参考信号，计算其与不同损伤状态下信号的相关系数，结果如表1所示。从表中数据可以看出，随着损伤程度的加重，相关系数逐渐减小。在轻度损伤时，相关系数为0.85，表明信号之间仍具有较高的相似性，但已出现一定程度的差异；在中度损伤时，相关系数下降到0.68，信号差异进一步增大；在重度损伤时，相关系数仅为0.42，说明损伤状态下的信号与正常状态下的信号已发生显著变化。通过设定相关系数阈值为0.7，当相关系数低于该阈值时，判定结构存在损伤。根据这一标准，能够准确地识别出机翼在中度和重度损伤状态下的损伤情况，验证了基于相关分析的损伤识别方法在实际应用中的有效性。[此处插入相关系数随损伤程度变化表1]通过对该复合材料机翼模型的实例分析，充分证明了基于能量特征和相关分析的时域损伤识别方法能够有效地识别复合结构的损伤程度和存在情况，为复合结构的损伤监测和评估提供了可靠的技术手段。4.2频域损伤识别方法4.2.1基于频率变化的损伤识别结构的固有频率是其重要的动力学特性之一，与结构的质量、刚度和阻尼密切相关。当复合结构发生损伤时，其内部的材料特性和结构几何形状会发生改变，进而导致结构刚度的降低。根据结构动力学理论，结构的固有频率与刚度的平方根成正比，与质量的平方根成反比。当复合结构出现损伤，如基体裂纹、纤维断裂或分层等，会使结构的局部或整体刚度下降，从而导致固有频率降低。在一个简单的复合材料梁结构中，当梁上出现裂纹损伤时，裂纹区域的刚度明显减小，整个梁结构的等效刚度随之降低，通过理论计算和实验测量均发现，梁的固有频率相应地出现了下降。基于频率变化识别损伤的方法，通常是通过测量结构在不同状态下的固有频率，并进行对比分析。在实际应用中，首先需要建立结构的有限元模型，通过数值模拟计算得到结构在健康状态下的固有频率，作为参考基准。在结构服役过程中，利用振动测试设备，如加速度传感器、激光测振仪等，实时或定期测量结构的振动响应，通过信号处理方法计算出当前状态下结构的固有频率。将测量得到的固有频率与健康状态下的参考频率进行比较，如果固有频率发生了明显的变化，且变化量超过了预先设定的阈值，则可以判断结构可能发生了损伤。对于某大型复合材料桥梁结构，在健康状态下通过有限元计算得到其某一阶固有频率为10.5Hz。在服役一段时间后，通过现场振动测试，测得该阶固有频率下降到了9.8Hz，下降幅度超过了5%，超过了预先设定的3%的阈值，经进一步检测发现，桥梁的某些部位出现了分层损伤。通过固有频率的变化不仅可以判断损伤的存在，还可以根据频率变化的大小和结构动力学理论，初步评估损伤的程度。然而，该方法也存在一定的局限性，它对结构局部的微小损伤不够敏感，因为微小损伤对结构整体刚度的影响较小，导致固有频率的变化不明显，容易被测量误差所掩盖。固有频率的变化只能反映结构刚度的改变，无法准确确定损伤的具体位置和类型。4.2.2基于频域能量分布的损伤识别在频域分析中，信号的能量分布能够反映复合结构的损伤状态。频域能量分布特征提取的关键在于将复合结构的响应信号从时域转换到频域，常用的方法是傅里叶变换。对于离散信号x(n)，其离散傅里叶变换（DFT）定义为：X(k)=\sum_{n=0}^{N-1}x(n)e^{-j\frac{2\pi}{N}kn}，k=0,1,\cdots,N-1，其中N为信号的长度。通过傅里叶变换，可以得到信号在不同频率下的幅值和相位信息，进而计算出频域能量分布。对于频域信号X(k)，其频域能量E_f可以表示为：E_f=\sum_{k=0}^{N-1}|X(k)|^2。损伤会导致复合结构的频域能量分布发生显著变化。当结构出现损伤时，损伤区域的局部刚度和质量发生改变，使得结构的振动响应在某些特定频率范围内的能量分布发生异常。在复合材料板发生分层损伤时，由于分层区域的局部刚度降低，在与分层相关的特定频率处，振动响应的能量会明显增加。这是因为分层损伤改变了结构的局部振动特性，使得该区域在某些频率下更容易产生共振，从而导致能量在这些频率处聚集。通过分析频域能量分布与损伤的关联，可以利用频域能量分布特征来识别损伤。可以计算不同频率段的能量占比，将其作为损伤特征参数。当某一频率段的能量占比与健康状态下相比发生明显变化时，就可以判断该频率段对应的结构部位可能存在损伤。对于某一复合材料压力容器，在健康状态下，其频域能量主要集中在0-500Hz的频率范围内，该频率段的能量占总能量的80%。当容器出现裂纹损伤后，在1000-1500Hz频率段的能量占比从原来的5%增加到了15%，通过对该频率段能量变化的分析，准确地判断出了容器的裂纹损伤位置和程度。4.2.3实例分析为验证频域损伤识别方法的有效性，以某复合材料风力发电机叶片为研究对象进行实例分析。该叶片在长期运行过程中，由于受到复杂的风载荷、离心力以及环境因素的影响，容易出现各种损伤。首先，基于频率变化的损伤识别方法。利用有限元软件建立风力发电机叶片的模型，计算其在健康状态下的固有频率。通过模态分析，得到叶片的前5阶固有频率分别为f_1=1.2Hz，f_2=3.5Hz，f_3=6.8Hz，f_4=10.5Hz，f_5=15.2Hz。在叶片实际运行过程中，使用加速度传感器在叶片的不同部位采集振动响应信号，通过快速傅里叶变换（FFT）计算出当前状态下叶片的固有频率。经过一段时间的运行后，测量得到叶片的第3阶固有频率下降到了f_3'=6.2Hz，下降幅度达到了8.8%，超过了预先设定的5%的阈值。根据频率变化情况，初步判断叶片可能发生了损伤。进一步对叶片进行检查，发现叶片的叶尖部位出现了纤维断裂和分层损伤，这与频率变化所反映的损伤情况相符。接着，采用基于频域能量分布的损伤识别方法。对采集到的振动响应信号进行傅里叶变换，得到其频域特性。分析健康状态下叶片的频域能量分布，发现能量主要集中在0-10Hz的低频段，占总能量的70%。当叶片出现损伤后，在10-20Hz的中频段能量明显增加，从原来的20%增加到了35%。通过对不同频率段能量分布的分析，确定了损伤发生在叶片的中后段区域。结合实际检测结果，证实了通过频域能量分布分析能够准确地识别出损伤的位置和大致类型。通过对该复合材料风力发电机叶片的实例分析，充分展示了频域损伤识别方法在复合结构损伤识别中的有效性和实用性。基于频率变化和频域能量分布的损伤识别方法能够准确地判断复合结构的损伤情况，为风力发电机叶片的健康监测和维护提供了重要的技术支持。4.3时频域损伤识别方法4.3.1小波包能量分析小波包变换是小波变换的重要扩展，在信号处理领域具有独特的优势，尤其是在复合结构损伤识别中展现出重要的应用价值。小波包变换不仅对信号的低频部分进行分解，还对高频部分进行细致的分解，从而能够更全面、深入地分析信号在不同频率尺度下的特征。在小波包变换中，信号通过低通滤波器和高通滤波器进行分解，得到近似系数（低频部分）和细节系数（高频部分），然后对每一层的近似系数和细节系数再进行同样的分解操作，直到达到预设的分解层数，最终形成一棵小波包树。对于一个离散信号x(n)，经过小波包变换后，在第j层第k个节点的小波包系数可以通过以下公式计算：\begin{align*}d_{j,k}(n)&=\sum_{m}h(m-2n)d_{j-1,k}(m)\\c_{j,k}(n)&=\sum_{m}g(m-2n)d_{j-1,k}(m)\end{align*}其中h(m)和g(m)分别是低通滤波器和高通滤波器的系数，d_{j,k}(n)和c_{j,k}(n)分别表示第j层第k个节点的细节系数和近似系数。基于小波包能量的损伤识别方法，其核心在于通过计算小波包分解后各个频带的能量分布来判断复合结构的损伤状态。对于某一频带的能量E_{j,k}，可以通过对该频带的小波包系数的平方和进行计算得到：E_{j,k}=\sum_{n}|d_{j,k}(n)|^2。当复合结构发生损伤时，其力学性能改变，导致振动响应信号在不同频带的能量分布发生变化。在复合材料板出现分层损伤时，由于分层区域的局部刚度变化，会使特定频带的能量明显增加。通过对比健康状态和损伤状态下小波包能量分布的差异，提取出与损伤相关的特征，从而实现对损伤的识别。可以将各频带能量的变化率、能量比等作为损伤特征参数。当某一频带的能量变化率超过一定阈值时，就可以判断该频带对应的结构部位可能存在损伤。4.3.2短时傅里叶变换与损伤识别短时傅里叶变换（STFT）作为一种经典的时频分析方法，在复合结构损伤识别中具有独特的应用价值。它通过在时域上对信号加窗，然后对每个加窗后的局部信号进行傅里叶变换，从而获得信号在不同时间窗口下的频率成分，实现信号的时频联合分析。其数学表达式为：STFT_x(t,f)=\int_{-\infty}^{\infty}x(\tau)w(t-\tau)e^{-j2\pif\tau}d\tau，其中x(\tau)是原始信号，w(t-\tau)是窗函数。在损伤识别中，STFT能够清晰地展示信号在不同时间和频率上的特征变化。当复合结构受到冲击损伤时，在冲击瞬间，信号的频率成分会发生突变，通过STFT可以直观地观察到这些频率成分在时间轴上的变化情况。在某复合材料梁受到冲击时，STFT时频图显示在冲击时刻，高频成分显著增加，且这些高频成分在时间上具有短暂的持续性，这与冲击损伤导致的结构局部振动特性改变密切相关。通过分析这些时频特征的变化，可以有效地判断损伤的发生和类型。然而，STFT也存在明显的局限性。其时间分辨率和频率分辨率不能同时达到最优，窗函数的长度一旦确定，分辨率也就固定下来。当分析高频信号时，需要较窄的时间窗以获得较高的时间分辨率，但此时频率分辨率会降低；当