摘要

 

結(jié)構(gòu)健康監(jiān)測(cè)（SHM）是確保飛行器復(fù)合材料結(jié)構(gòu)安全性和完整性的重要手段。基于背向瑞利散射的分布式光纖傳感器可以通過(guò)測(cè)量高密度的應(yīng)變分布為復(fù)合材料損傷監(jiān)測(cè)提供數(shù)據(jù)支持。然而，結(jié)構(gòu)應(yīng)變分布特征和損傷的映射關(guān)系較為復(fù)雜，無(wú)法直接根據(jù)應(yīng)變分布準(zhǔn)確判定損傷的定量信息。另外，分布式光纖傳感器數(shù)據(jù)量大，通過(guò)人為分析應(yīng)變數(shù)據(jù)識(shí)別損傷較為耗時(shí)且準(zhǔn)確性偏低。為了應(yīng)對(duì)這一挑戰(zhàn)，提出了一種基于分布式光纖傳感數(shù)據(jù)與U-Net神經(jīng)網(wǎng)絡(luò)的智能損傷識(shí)別方法，旨在自動(dòng)精確識(shí)別復(fù)合材料中常見(jiàn)的分層損傷。首先，通過(guò)有限元仿真構(gòu)建U-Net神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集與驗(yàn)證集；隨后進(jìn)行含分層損傷復(fù)合材料板的懸臂加載試驗(yàn)，通過(guò)分布式光纖傳感器采集結(jié)構(gòu)應(yīng)變分布數(shù)據(jù)作為測(cè)試集。損傷識(shí)別結(jié)果表明，U-Net神經(jīng)網(wǎng)絡(luò)可以對(duì)分層損傷的位置、尺寸與形狀進(jìn)行較為精確的定量識(shí)別。

 

正文

 

復(fù)合材料因高比強(qiáng)度和比剛度廣泛應(yīng)用于各種航空航天結(jié)構(gòu)[1]。然而航空航天結(jié)構(gòu)的服役環(huán)境嚴(yán)苛，在結(jié)構(gòu)服役過(guò)程中容易產(chǎn)生結(jié)構(gòu)損傷，威脅結(jié)構(gòu)的安全運(yùn)行。分層損傷是復(fù)合材料結(jié)構(gòu)中最常見(jiàn)的損傷形式之一[2]，損傷發(fā)生在結(jié)構(gòu)內(nèi)部，會(huì)給損傷檢測(cè)帶來(lái)困難。結(jié)構(gòu)健康監(jiān)測(cè)（Structural health monitoring，SHM）基于先進(jìn)傳感器網(wǎng)絡(luò)，在損傷在線(xiàn)識(shí)別、結(jié)構(gòu)狀態(tài)感知與安全評(píng)估等領(lǐng)域發(fā)揮至關(guān)重要的作用。光纖傳感器具有體積小、質(zhì)量輕、抗電磁干擾和耐久性強(qiáng)等諸多優(yōu)點(diǎn)，因此廣泛應(yīng)用于各類(lèi)航空航天結(jié)構(gòu)的健康監(jiān)測(cè)任務(wù)中[1，3]。而分布式光纖傳感器（Distributed fiber optic sensor，DFOS）測(cè)點(diǎn)密度高，在結(jié)構(gòu)應(yīng)變分布監(jiān)測(cè)及損傷定量識(shí)別方面具有較強(qiáng)的應(yīng)用前景。單一男[4]通過(guò)分布式光纖傳感器組成應(yīng)變監(jiān)測(cè)網(wǎng)絡(luò)對(duì)絕熱泡沫膠接鋁合金板的脫粘和翼梢小翼的接縫凹坑進(jìn)行了損傷監(jiān)測(cè)，驗(yàn)證了利用高密度應(yīng)變信息識(shí)別結(jié)構(gòu)損傷方法的有效性。鐘照振等[5]構(gòu)建了基于高空間分辨率分布式光纖傳感器的沖擊監(jiān)測(cè)系統(tǒng)，將監(jiān)測(cè)到的復(fù)合材料層合板結(jié)構(gòu)應(yīng)變響應(yīng)幅值作為特征量實(shí)現(xiàn)了沖擊位置辨識(shí)，得到了約8.44mm的平均定位誤差。孫曉明等[6]開(kāi)發(fā)了一套基于光纖傳感探測(cè)的直升機(jī)修理異常振動(dòng)源定位系統(tǒng)，通過(guò)直升機(jī)的振動(dòng)源動(dòng)態(tài)監(jiān)控，識(shí)別了直升機(jī)的主要振動(dòng)源。Klute等[7]將分布式光纖傳感器網(wǎng)絡(luò)埋入到碳纖維復(fù)合材料壓力容器中，測(cè)量不同壓力水平下的層間應(yīng)變水平，通過(guò)沖擊造成的殘余應(yīng)變識(shí)別出損傷缺陷的大致位置。Tan等[8]利用分布式光纖傳感器測(cè)得的應(yīng)變數(shù)據(jù)對(duì)三維變形薄壁金屬平板試件進(jìn)行了屈曲檢測(cè)和三維變形重建。

 

近年來(lái)，在傳感器技術(shù)、數(shù)據(jù)處理和高性能計(jì)算的共同推動(dòng)下，SHM從傳統(tǒng)基于模型的方法逐步發(fā)展到數(shù)據(jù)驅(qū)動(dòng)的方法。通過(guò)適當(dāng)?shù)挠?xùn)練和優(yōu)化技術(shù)，深度學(xué)習(xí)可以從大量的數(shù)據(jù)中自動(dòng)提取與結(jié)構(gòu)損傷相關(guān)的特征[9–10]。將光纖傳感技術(shù)與人工智能（Artificial intelligence，AI）技術(shù)結(jié)合，基于結(jié)構(gòu)的應(yīng)變信息識(shí)別結(jié)構(gòu)中存在的損傷是目前SHM領(lǐng)域的研究熱點(diǎn)。Loutas等[11–12]使用4根光纖布拉格光柵（Fiber Bragg gratting，F(xiàn)BG）傳感器來(lái)采集碳纖維復(fù)合材料加筋板結(jié)構(gòu)動(dòng)態(tài)應(yīng)變數(shù)據(jù)，通過(guò)在結(jié)構(gòu)不同區(qū)域改變質(zhì)量模擬結(jié)構(gòu)損傷，并使用支持向量機(jī)（Support  vector machine，SVM）模式識(shí)別方法和人工神經(jīng)網(wǎng)絡(luò)（Artificial neuralnetwork，ANN）識(shí)別到了損傷位置。Karypidis等[13]采用深度自編碼器（Deep autoencoder，DAE）構(gòu)建了一個(gè)異常檢測(cè)系統(tǒng)，用于監(jiān)測(cè)鋼筋混凝土結(jié)構(gòu)的健康狀態(tài)，研究中采用了分布式光纖傳感器，通過(guò)應(yīng)變測(cè)量檢測(cè)結(jié)構(gòu)裂紋，并結(jié)合深度自編碼器算法DAE分析數(shù)據(jù)；該試驗(yàn)表明，DAE能夠成功量化由橫向裂紋導(dǎo)致的損傷，為早期檢測(cè)裂紋位置、鋼筋腐蝕及其他類(lèi)型損傷提供了新途徑。Song等[14]提出了一種基于布里淵散射的分布式光纖傳感器檢測(cè)結(jié)構(gòu)微裂紋的深度學(xué)習(xí)方法，網(wǎng)絡(luò)架構(gòu)由21層的卷積神經(jīng)網(wǎng)絡(luò)構(gòu)成，使用一根15m長(zhǎng)的含人工缺陷寬翼緣鋼梁進(jìn)行方法驗(yàn)證，結(jié)果表明該方法能夠從應(yīng)變分布中提取出微裂紋特征，并能從噪聲中區(qū)分裂紋誘發(fā)的局部峰值，能夠檢測(cè)到小至23μm的裂紋。與傳統(tǒng)支持向量機(jī)和多層感知器（Multi layer perceptron，MLP）相比，這種基于深度學(xué)習(xí)的方法表現(xiàn)出更優(yōu)越的性能。Zhuang等[15]在頭盔中嵌入光纖布拉格光柵傳感器來(lái)捕捉撞擊時(shí)頭盔的變形和受力情況，使用了5種獨(dú)立的機(jī)器學(xué)習(xí)（Machine learning，ML）模型及2種集成ML模型，包括支持向量機(jī)、高斯過(guò)程回歸（Gaussian process  regression，GPR）、隨機(jī)森林（Random   forest，RF）、基于K近鄰實(shí)例的學(xué)習(xí)器（Instance-based K，IBK）、彈性網(wǎng)絡(luò)回歸（Elastic net regression，ENR）、投票（Voting）和加性回歸隨機(jī)森林（Additive regression-random forest，AR-RF）；基于FBG傳感器監(jiān)測(cè)到的應(yīng)變變化，經(jīng)過(guò)訓(xùn)練的ML模型能夠準(zhǔn)確預(yù)測(cè)沖擊類(lèi)型，以及沖擊力的大小和方向。Liu等[16]開(kāi)發(fā)了一個(gè)使用分布式光纖傳感器和深度學(xué)習(xí)技術(shù)監(jiān)測(cè)結(jié)構(gòu)中裂縫的方法，使用改進(jìn)的YOLO模型識(shí)別和定位到了空間分布裂縫。

 

現(xiàn)有基于光纖信號(hào)的機(jī)器學(xué)習(xí)方法，大多僅能識(shí)別結(jié)構(gòu)損傷的位置、類(lèi)型等信息，關(guān)于進(jìn)一步獲取損傷的二維尺寸、形狀等定量信息的研究較少。圖像分割方法為損傷定量信息識(shí)別提供了新的思路。目前較為常用的圖像分割模型包括FCN、Segnet、U-Net等，其中，U-Net網(wǎng)絡(luò)融合并擴(kuò)展了FCN和Segnet在全卷積網(wǎng)絡(luò)方面的創(chuàng)新，將跳躍連接貫穿整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)，通過(guò)其獨(dú)特的結(jié)構(gòu)優(yōu)化了圖像分割的性能。U-Net網(wǎng)絡(luò)最初由Ronneberger等[17]在2015年提出，初衷是為了解決醫(yī)學(xué)圖像分割的問(wèn)題，因其網(wǎng)絡(luò)結(jié)構(gòu)酷似“U”形而得名。

 

鑒于U-Net神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)圖像處理領(lǐng)域中表現(xiàn)出的優(yōu)異性能，本文將其與分布式光纖傳感技術(shù)相結(jié)合用于碳纖維層合板分層損傷的定量識(shí)別。首先，本文基于有限元模擬的應(yīng)變數(shù)據(jù)訓(xùn)練U-Net網(wǎng)絡(luò)，隨后通過(guò)使用密集布設(shè)的分布式光纖傳感器測(cè)量得到碳纖維復(fù)材板的表面應(yīng)變數(shù)據(jù)，將測(cè)得的應(yīng)變數(shù)據(jù)輸入到訓(xùn)練后的U-Net網(wǎng)絡(luò)中，具有像素級(jí)識(shí)別精度的U-Net神經(jīng)網(wǎng)絡(luò)對(duì)每個(gè)數(shù)據(jù)點(diǎn)進(jìn)行分類(lèi)，進(jìn)而實(shí)現(xiàn)對(duì)復(fù)合材料分層損傷的定量識(shí)別。

 

1、 分布式光纖傳感與U-Net神經(jīng)網(wǎng)絡(luò)

 

1.1 基于背向瑞利散射的分布式光纖應(yīng)變傳感原理

 

分布式光纖傳感器能夠把沿光纖長(zhǎng)度上的任何點(diǎn)當(dāng)作測(cè)點(diǎn)進(jìn)行物理場(chǎng)變化的監(jiān)測(cè)，具有連續(xù)高密度測(cè)量的優(yōu)點(diǎn)。本文使用的是基于背向瑞利散射的分布式光纖傳感器。對(duì)于每根光纖，都有與之對(duì)應(yīng)的背向瑞利散射光信號(hào)作為其固有信息，這種信號(hào)在光纖狀態(tài)不變時(shí)保持穩(wěn)定。當(dāng)光纖在某位置經(jīng)歷變形或溫度發(fā)生改變時(shí)，該處的背向瑞利散射光信號(hào)的波長(zhǎng)會(huì)相應(yīng)地出現(xiàn)變化。通過(guò)比較光纖改變前后的背向瑞利散射光信息，就能夠定位到光纖狀態(tài)改變的位置[4]。

 

在光纖測(cè)量起始階段首先需要保存一個(gè)基準(zhǔn)狀態(tài)的瑞利散射信號(hào)，因?yàn)楣饫w局部應(yīng)變和溫度的變化會(huì)造成背向瑞利散射光反射光譜的局部漂移，用應(yīng)變ε和溫度T的函數(shù)來(lái)表示光譜的漂移，可以測(cè)量出光纖局部的應(yīng)變或溫度變化，得到

 

式中，λ為平均光波波長(zhǎng)；ν為頻率；Δλ為波長(zhǎng)偏移量；Δν為頻率變化量；KT和Kε分別是溫度和應(yīng)變的常數(shù)系數(shù)。

 

如果忽略溫度變化，應(yīng)變可以寫(xiě)為

 

 

式中，c為光在真空狀態(tài)下的傳播速度；

 

為光纖解調(diào)儀掃描時(shí)的中心波長(zhǎng)。從式（2）可以看出，通過(guò)對(duì)比當(dāng)前測(cè)量時(shí)的光纖與基準(zhǔn)狀態(tài)時(shí)的光譜偏移，就可以得出應(yīng)變的測(cè)量值。

 

1.2 U-Net網(wǎng)絡(luò)模型

 

最初的網(wǎng)絡(luò)是基于512×512大小的圖像[17]，本文中輸入的是160×80的應(yīng)變場(chǎng)數(shù)值矩陣，通過(guò)對(duì)矩陣進(jìn)行填充，確保經(jīng)過(guò)卷積層后特征矩陣的大小不變，模型中特征矩陣的縮小使用池化層來(lái)實(shí)現(xiàn)。若采用上述方法，在特征提取部分和上采樣對(duì)應(yīng)部分的特征矩陣大小完全一致，在做特征融合時(shí)較為便利。本文所采用的U-Net網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。該網(wǎng)絡(luò)由捕捉圖像特征的收縮路徑和提供定位的對(duì)稱(chēng)擴(kuò)展路徑組成。該結(jié)構(gòu)共5層，每層包含一對(duì)收縮（下采樣）路徑和擴(kuò)展（上采樣）路徑。在收縮路徑中，每層使用零填充執(zhí)行兩個(gè)3×3卷積運(yùn)算，保持矩陣的原始大小不變。每個(gè)卷積運(yùn)算后面都有一個(gè)校正線(xiàn)性單元ReLU。在第一層中，卷積運(yùn)算將3通道的二維數(shù)值矩陣生成64個(gè)特征通道；在其余層中，特征通道的數(shù)量是上一層的兩倍。從上一層到下一層，通過(guò)2×2最大池化操作以2的步長(zhǎng)對(duì)特征通道進(jìn)行下采樣。在最后一步中，總共有1024個(gè)10×5大小的特征二維矩陣。在擴(kuò)展路徑中，每一層特征矩陣的大小都會(huì)加倍，同時(shí)使用2×2反卷積運(yùn)算，反卷積層通過(guò)設(shè)置stride=2參數(shù)放大特征矩陣，放大后的特征矩陣大小為原來(lái)的2倍，同時(shí)將特征通道數(shù)量減半。在每層上采樣的開(kāi)始，來(lái)自收縮路徑的輸出特征通道與對(duì)應(yīng)相同層的擴(kuò)展路徑的特征通道疊加。疊加之后使用零填充執(zhí)行兩個(gè)3×3卷積運(yùn)算以保持原始矩陣大小。在最后一層，使用1×1卷積運(yùn)算將64個(gè)特征通道映射到期望數(shù)量的類(lèi)，與論文中最后輸出的通道為2不同，由于處理的是3分類(lèi)問(wèn)題，所以模型最后輸出的通道為3，每個(gè)通道對(duì)應(yīng)一個(gè)類(lèi)別的預(yù)測(cè)分?jǐn)?shù)（Logits）。

 

圖1

 

2、 數(shù)據(jù)集獲取

 

本文所使用的神經(jīng)網(wǎng)絡(luò)架構(gòu)U-Net是從計(jì)算機(jī)視覺(jué)圖像分割領(lǐng)域引入的，一般用于圖像數(shù)據(jù)的語(yǔ)義分割，在圖像分割領(lǐng)域，研究人員為了獲得更大的數(shù)據(jù)集通常采用對(duì)現(xiàn)有圖像數(shù)據(jù)進(jìn)行平移、旋轉(zhuǎn)、翻轉(zhuǎn)、裁剪等數(shù)據(jù)增強(qiáng)策略。考慮到結(jié)構(gòu)損傷會(huì)引起應(yīng)變重分布，不同大小的分層損傷在碳纖維層合板中不同位置引起的應(yīng)變變化，不僅表現(xiàn)為圖片上的位置平移和尺寸的放大縮小，應(yīng)變場(chǎng)的變化也會(huì)更為復(fù)雜，在本文中不采用圖像學(xué)中的數(shù)據(jù)擴(kuò)充方式，而是通過(guò)有限元模擬來(lái)獲取大量數(shù)據(jù)。以有限元仿真模擬得到的應(yīng)變數(shù)據(jù)作為U-Net網(wǎng)絡(luò)模型的訓(xùn)練集和驗(yàn)證集，再利用分布式光纖傳感器測(cè)得的真實(shí)試件的應(yīng)變數(shù)據(jù)作為U-Net網(wǎng)絡(luò)的測(cè)試集。

 

2.1碳纖維復(fù)材板分層損傷有限元模擬

 

利用ABAQUS有限元軟件，在復(fù)合材料板表面提取與光纖測(cè)量路徑相對(duì)應(yīng)的應(yīng)變分布。通過(guò)參數(shù)化腳本，自動(dòng)完成模型創(chuàng)建、損傷設(shè)置及光纖路徑應(yīng)變提取。針對(duì)100個(gè)不同分層損傷形狀的模型施加10種載荷，總共得到了1000組數(shù)據(jù)。

 

復(fù)合材料板尺寸為100mm×200mm，單層厚度為0.1mm，共30層，應(yīng)用實(shí)體單元建模。復(fù)合材料采用正交鋪層，屬性如表1所示（E為不同方向的彈性模量；μ為泊松比；G為剪切模量）。分層損傷通過(guò)復(fù)制節(jié)點(diǎn)的方式引入，即在同一個(gè)空間位置處存在2個(gè)節(jié)點(diǎn)，分別隸屬于上下兩層單元。分層位置在距離上表面0.2mm與0.3mm處，即在2~3層或3~4層之間設(shè)置損傷。損傷形狀為隨機(jī)四邊形，圖2所示為100個(gè)損傷形狀里隨機(jī)抽取的損傷形狀，損傷大小設(shè)置在400~410mm2范圍內(nèi)，加載方式設(shè)置為懸臂彎曲。板左端固支，右端采用面外位移加載，最小為5mm，最大為50mm，間隔5mm。

 

表1

 

針對(duì)圖2中的損傷，有限元模擬的應(yīng)變分布結(jié)果如圖3所示，可以看到分層損傷位置的應(yīng)變分布發(fā)生一定擾動(dòng)，但應(yīng)變分布特征與損傷區(qū)域并不存在精確對(duì)應(yīng)的關(guān)系。

 

將從ABAQUS導(dǎo)出的光纖路徑上的表面節(jié)點(diǎn)應(yīng)變εsim通過(guò)插值擬合的方式得到80×160的全場(chǎng)應(yīng)變，

 

處理過(guò)程如圖4所示，然后把應(yīng)變場(chǎng)數(shù)據(jù)

 

復(fù)制成80×160×3的三維數(shù)值矩陣作為模型的訓(xùn)練數(shù)據(jù)集。

 

圖2

 

圖3

 

圖4

 

2.2基于密集布設(shè)分布式光纖傳感網(wǎng)絡(luò)的碳纖維復(fù)材板應(yīng)變數(shù)據(jù)采集

 

2.2.1 預(yù)埋分層損傷的碳纖維復(fù)材板試件制作

 

試驗(yàn)試件大小為200mm×100mm，厚度為12層，采用T700單向預(yù)浸料進(jìn)行正交鋪設(shè)，通過(guò)在2~3層碳纖維之間添加20mm×20mm的正方形脫模布設(shè)置分層損傷，損傷位置如圖5所示。碳纖維復(fù)材板試驗(yàn)件固化工藝流程為：首先將試件加熱至100℃并保溫1h，完成預(yù)固化處理；隨后將溫度升至130℃固化2h；最后將溫度升至160℃固化2h。整個(gè)固化過(guò)程中試件在抽真空條件下施加壓力，以確保樹(shù)脂的充分滲透和空氣的排除。

 

圖5

 

2.2.2 高密度光纖布設(shè)

 

為了得到準(zhǔn)確可靠的復(fù)材板表面應(yīng)變場(chǎng)，將分布式光纖傳感器進(jìn)行高密度布設(shè)。考慮到試驗(yàn)過(guò)程中夾具和光纖彎折對(duì)測(cè)量信號(hào)的影響，只對(duì)試件的局部區(qū)域進(jìn)行光纖布設(shè)，光纖監(jiān)測(cè)范圍為80mm×80mm區(qū)間，光纖相鄰間隔為5mm，采用螺旋方式布設(shè)光纖。光纖布設(shè)路徑設(shè)計(jì)如圖6（a）所示，共17條光纖測(cè)量段，其中有5條（第2、4、6、8、10測(cè)量段）通過(guò)損傷區(qū)域：3條（第4、6、8測(cè)量段）通過(guò)損傷區(qū)域的內(nèi)部，2條（第2、10測(cè)量段）位于損傷區(qū)域的邊界。光纖布設(shè)完成后的復(fù)材板試件如圖6（b）所示。

 

需要指出的是，圖6中采用光纖的二維致密布設(shè)，讓光纖盡可能覆蓋結(jié)構(gòu)表面，這使得光纖在垂直測(cè)量路徑方向也需要采用高密度布設(shè)，可能帶來(lái)工程適用性的問(wèn)題。實(shí)際應(yīng)用中，需要根據(jù)檢測(cè)損傷大小（如分層尺寸、裂紋長(zhǎng)度等）設(shè)定布設(shè)密度。另外，實(shí)際工程中可以在需要重點(diǎn)監(jiān)測(cè)的關(guān)鍵局部區(qū)域（如應(yīng)力集中區(qū)域、螺孔周邊等）進(jìn)行二維致密布設(shè)，而在非關(guān)鍵區(qū)域采用稀疏布設(shè)，只測(cè)量一維高密度應(yīng)變。

 

圖6

 

2.2.3 應(yīng)變采集

 

采用懸臂彎曲加載，試件一端固支，另一端采用懸掛砝碼的方式進(jìn)行加載，如圖7所示。試驗(yàn)所采用的應(yīng)變采集裝置是LUNA公司的ODISI分布式光纖采集系統(tǒng)，測(cè)量時(shí)光纖路徑上的應(yīng)變測(cè)點(diǎn)間距設(shè)置為1mm，傳感器標(biāo)距為7mm。設(shè)備連接調(diào)試好后在無(wú)載荷狀態(tài)下采集光纖基準(zhǔn)信號(hào)，試驗(yàn)包含4個(gè)載荷等級(jí)：載荷步1，載荷大小5N；載荷步2，載荷大小10N；載荷步3，載荷大小15N；載荷步4，載荷大小20N。

 

2.2.4 光纖應(yīng)變數(shù)據(jù)分析處理

 

鑒于試驗(yàn)所測(cè)得的4個(gè)載荷步的應(yīng)變數(shù)據(jù)呈線(xiàn)性變化，文中只給出最大載荷下的應(yīng)變曲線(xiàn)，如圖8所示，為20N載荷下光纖實(shí)測(cè)的復(fù)材板表面應(yīng)變數(shù)據(jù)εmeasured曲線(xiàn)，可以明顯看出應(yīng)變數(shù)據(jù)呈循環(huán)變化的趨勢(shì)，這與光纖的環(huán)繞布設(shè)方式相符。應(yīng)變曲線(xiàn)中極小值點(diǎn)的應(yīng)變數(shù)值小于0，原因是該位置對(duì)應(yīng)光纖彎折路徑區(qū)域中點(diǎn)。由于懸臂加載下復(fù)材板表面單向受拉，橫向根據(jù)泊松關(guān)系收縮，故存在應(yīng)變負(fù)值。此外，光纖彎折處的應(yīng)變分布較復(fù)雜，容易帶來(lái)誤差，因此在應(yīng)變分析時(shí)忽略此區(qū)域。在監(jiān)測(cè)區(qū)域的應(yīng)變數(shù)據(jù)中可以看出由于分層損傷造成的應(yīng)變擾動(dòng)現(xiàn)象，通過(guò)試驗(yàn)測(cè)得的分層損傷應(yīng)變特征與有限元模擬基本一致。在損傷邊界處的應(yīng)變擾動(dòng)特征不如損傷內(nèi)部明顯。

 

將光纖采集到的一維應(yīng)變數(shù)據(jù)εmeasured根據(jù)光纖布設(shè)路徑映射到二維平面中對(duì)應(yīng)位置，同時(shí)采用插值擬合的方式將應(yīng)變數(shù)據(jù)插值為1mm間隔的80×80的應(yīng)變場(chǎng)數(shù)值矩陣

 

，處理過(guò)程如圖9所示，然后把應(yīng)變場(chǎng)數(shù)據(jù)

 

復(fù)制成3×80×80的三維數(shù)值矩陣保存為.npy文件作為模型的輸入數(shù)據(jù)。

 

圖7

 

圖8

 

圖9

 

2.2.5 U-Net網(wǎng)絡(luò)的訓(xùn)練和驗(yàn)證試驗(yàn)

 

為了評(píng)估本文所提方法的有效性，搭建了神經(jīng)網(wǎng)絡(luò)訓(xùn)練平臺(tái)訓(xùn)練U-Net網(wǎng)絡(luò)并進(jìn)行驗(yàn)證。

 

（1）U-Net網(wǎng)絡(luò)訓(xùn)練平臺(tái)搭建。

 

碳纖維復(fù)材板分層損傷識(shí)別U-Net網(wǎng)絡(luò)訓(xùn)練平臺(tái)主要硬件配置為：CPU，AMD Ryzen Threadripper PRO 3955WX 16–Cores；GPU，NVIDIA GeForce RTX 3090；內(nèi)存為32G。

 

相比傳統(tǒng)算法，神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)更復(fù)雜，為了高效、便捷、靈活地實(shí)現(xiàn)網(wǎng)絡(luò)模型搭建，需要借助高質(zhì)量的深度學(xué)習(xí)框架，Pytorch和Tensor?ow是目前最主流的兩個(gè)現(xiàn)代化深度學(xué)習(xí)框架，極大地提高了神經(jīng)網(wǎng)絡(luò)搭建的效率。本文所使用的軟件環(huán)境如表2所示。

 

表2

 

（2）損失函數(shù)。

 

U-Net網(wǎng)絡(luò)模型為輸入數(shù)據(jù)的每個(gè)數(shù)據(jù)點(diǎn)輸出一個(gè)相應(yīng)的Logits向量，向量的長(zhǎng)度為總類(lèi)別數(shù)C，向量中的每個(gè)元素代表該數(shù)據(jù)點(diǎn)屬于各個(gè)類(lèi)別的原始分?jǐn)?shù)。本文采用經(jīng)典的交叉熵?fù)p失函數(shù)CrossEntropyLoss，其計(jì)算過(guò)程為：首先自動(dòng)對(duì)每個(gè)數(shù)據(jù)點(diǎn)對(duì)應(yīng)的Logits向量應(yīng)用Softmax函數(shù)，將每個(gè)數(shù)據(jù)點(diǎn)的預(yù)測(cè)（模型輸出的每一行）Logits轉(zhuǎn)換為概率分布，其中每個(gè)元素的值在0~1之間，且所有元素的和等于1；然后計(jì)算每個(gè)數(shù)據(jù)點(diǎn)的真實(shí)類(lèi)別標(biāo)簽對(duì)應(yīng)的預(yù)測(cè)概率的負(fù)對(duì)數(shù)，得到單個(gè)數(shù)據(jù)點(diǎn)的交叉熵?fù)p失；最后取所有損失的平均值作為損失函數(shù)CrossEntropyLoss最終的計(jì)算結(jié)果。

 

單個(gè)數(shù)據(jù)點(diǎn)的交叉熵?fù)p失計(jì)算公式為

 

式中，pc為通過(guò)Softmax函數(shù)計(jì)算的第c個(gè)類(lèi)別的概率；C是類(lèi)別的總數(shù)；s_j是模型輸出中j個(gè)類(lèi)別的Logit；s_c是真實(shí)類(lèi)別c對(duì)應(yīng)的Logit。

 

（3）評(píng)價(jià)指標(biāo)。

 

為了評(píng)估復(fù)合材料分層損傷識(shí)別的U-Net網(wǎng)絡(luò)模型的訓(xùn)練結(jié)果，需要對(duì)模型的數(shù)據(jù)點(diǎn)級(jí)識(shí)別結(jié)果給出評(píng)價(jià)指標(biāo)。IoU（Intersection over union）交并比定義如圖10所示，用于測(cè)量模型的預(yù)測(cè)區(qū)域與實(shí)際目標(biāo)之間的重疊程度，是計(jì)算機(jī)視覺(jué)中一種廣泛用于評(píng)估神經(jīng)網(wǎng)絡(luò)模型識(shí)別準(zhǔn)確性的指標(biāo)。本文通過(guò)計(jì)算IoU值對(duì)分層損傷識(shí)別結(jié)果進(jìn)行定量分析。

 

IoU的計(jì)算公式為

 

式中，真陽(yáng)性TP（True positives）為網(wǎng)絡(luò)預(yù)測(cè)損傷與真實(shí)損傷的重合部分；假陽(yáng)性FP（False positives）為非損傷區(qū)域網(wǎng)絡(luò)錯(cuò)誤判斷為損傷的部分；假陰性FN（False negatives）為真實(shí)損傷區(qū)域網(wǎng)絡(luò)未檢測(cè)出的部分。

 

把有限元模擬得到的數(shù)據(jù)集按照9：1劃分為訓(xùn)練集和驗(yàn)證集，放入U(xiǎn)-Net網(wǎng)絡(luò)進(jìn)行訓(xùn)練和模型評(píng)估，采用Adam優(yōu)化算法，學(xué)習(xí)率（Learning rate）設(shè)置為0.0005，迭代的批量大小（Batchsize）設(shè)置為16，網(wǎng)絡(luò)訓(xùn)練對(duì)樣本集的學(xué)習(xí)次數(shù)（Epoch）設(shè)置為500。

 

圖10

 

3、 U-Net網(wǎng)絡(luò)分層損傷識(shí)別結(jié)果

 

訓(xùn)練集的損失曲線(xiàn)和驗(yàn)證集的損失曲線(xiàn)如圖11和12所示。可以看出，損失不斷降低并最終趨于平緩，模型訓(xùn)練表現(xiàn)良好。接下來(lái)，使用光纖傳感器測(cè)得的真實(shí)復(fù)材板的表面應(yīng)變數(shù)據(jù)，測(cè)試模型對(duì)分層損傷的識(shí)別效果，網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果如圖13所示。圖13為U-Net網(wǎng)絡(luò)對(duì)4個(gè)加載等級(jí)下復(fù)材板試驗(yàn)件分層損傷的識(shí)別結(jié)果，紅色框?yàn)樵O(shè)計(jì)的分層損傷所在位置，黃色和藍(lán)綠色區(qū)域?yàn)榫W(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果；根據(jù)網(wǎng)絡(luò)模型的測(cè)試結(jié)果可知，本文所提出的深度學(xué)習(xí)損傷識(shí)別方法識(shí)別到了應(yīng)變數(shù)據(jù)中存在的損傷特征，對(duì)分層損傷的位置和形狀有良好的識(shí)別準(zhǔn)確性，但因?yàn)樵囼?yàn)中存在一些誤差，例如復(fù)材板切割尺寸不精準(zhǔn)、脫模布裁剪與粘貼偏移、光纖布設(shè)路徑偏移、光纖標(biāo)定不夠精確、噪聲等都會(huì)對(duì)損傷最終的識(shí)別準(zhǔn)確性有所影響，造成對(duì)部分點(diǎn)的誤判，出現(xiàn)損傷邊界位置處識(shí)別準(zhǔn)確度較低的問(wèn)題。

 

U-Net網(wǎng)絡(luò)對(duì)4種加載等級(jí)下的碳纖維層合板分層損傷的IoU計(jì)算結(jié)果為0.6374、0.6523、0.6523和0.6457，其中最大為0.6523，最小為0.6374，平均IoU得分為0.6469。

 

為了更進(jìn)一步定量描述損傷識(shí)別精度，將預(yù)測(cè)損傷的面積大小和形心位置作為損傷結(jié)果定量表征的判定標(biāo)準(zhǔn)，得到如表3所示的誤差分析，最大定位誤差為2.0mm，最大面積誤差為5.0mm2，平均定位誤差為1.9mm，平均面積誤差為1.5mm2。

 

圖11

 

圖12

 

圖13

 

表3

 

4、 U-Net與FCN的損傷識(shí)別結(jié)果對(duì)比

 

為了驗(yàn)證U-Net網(wǎng)絡(luò)相比于其他深度學(xué)習(xí)模型的優(yōu)越性，采用另外一種圖像分割網(wǎng)絡(luò)FCN進(jìn)行了分層損傷識(shí)別，網(wǎng)絡(luò)結(jié)構(gòu)如圖14所示。該網(wǎng)絡(luò)結(jié)構(gòu)中包含卷積層、池化層與反卷積層，在反卷積過(guò)程中將p5層的輸出進(jìn)行2倍的上采樣后與p4層的輸出進(jìn)行逐像素相加，之后進(jìn)行2倍的上采樣與p3層的輸出再次進(jìn)行逐像素相加，最后將通過(guò)加法獲得的特征矩陣進(jìn)行4倍的上采樣，獲得與輸入同尺寸的輸出。FCN網(wǎng)絡(luò)數(shù)據(jù)訓(xùn)練時(shí)采用與U-Net完全相同的數(shù)據(jù)集，所采用的學(xué)習(xí)率、迭代批量大小、學(xué)習(xí)次數(shù)都保持一致。

 

50N加載下的損傷識(shí)別對(duì)比結(jié)果如圖15所示，可以看到，F(xiàn)CN網(wǎng)絡(luò)對(duì)復(fù)合材料分層的識(shí)別精度明顯低于U-Net網(wǎng)絡(luò)，分割結(jié)果不夠精細(xì)，并且在無(wú)損區(qū)域存在錯(cuò)誤的損傷預(yù)報(bào)。其原因是FCN網(wǎng)絡(luò)結(jié)構(gòu)跳躍連接主要出現(xiàn)在網(wǎng)絡(luò)的后半部分，并不像U-Net在整個(gè)網(wǎng)絡(luò)中系統(tǒng)地應(yīng)用；此外，與FCN的矩陣加法不同，U-Net網(wǎng)絡(luò)通過(guò)其獨(dú)特的對(duì)稱(chēng)結(jié)構(gòu)和跳躍連接將下采樣路徑中的每一層輸出與上采樣路徑中相應(yīng)層級(jí)的特征進(jìn)行通道融合；通過(guò)這種方式，系統(tǒng)性地融合不同層次的特征，在圖像分割中保持空間信息的完整性。這使得U-Net在需要精確邊緣細(xì)節(jié)的分割任務(wù)中表現(xiàn)出更優(yōu)異的性能。

 

圖14

 

圖15

 

3、 結(jié)論

 

本文通過(guò)有限元仿真獲取U-Net神經(jīng)網(wǎng)絡(luò)訓(xùn)練所需的大量數(shù)據(jù)，降低了通過(guò)試驗(yàn)來(lái)獲取數(shù)據(jù)的成本，將分布式光纖傳感器測(cè)得的含分層損傷復(fù)合材料層合板的表面應(yīng)變數(shù)據(jù)作為U-Net網(wǎng)絡(luò)的測(cè)試集，通過(guò)計(jì)算每次U-Net網(wǎng)絡(luò)輸出結(jié)果的IoU來(lái)描述U-Net網(wǎng)絡(luò)對(duì)復(fù)材板分層損傷識(shí)別的準(zhǔn)確性，并且引入了損傷預(yù)測(cè)區(qū)域的形心位置和面積大小進(jìn)一步評(píng)估U-Net網(wǎng)絡(luò)對(duì)損傷識(shí)別的精確性，通過(guò)綜合表征手段評(píng)價(jià)分層損傷的識(shí)別效果。

 

自主編寫(xiě)的參數(shù)化建模腳本高效地實(shí)現(xiàn)了模型的前后處理和損傷設(shè)置，通過(guò)有限元模擬得到的含損結(jié)構(gòu)應(yīng)變分布特征與真實(shí)復(fù)合材料板的應(yīng)變分布特征基本一致。U-Net神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過(guò)程中，訓(xùn)練集的損失曲線(xiàn)和驗(yàn)證集的損傷曲線(xiàn)都很好地收斂，訓(xùn)練后的模型準(zhǔn)確識(shí)別到了光纖監(jiān)測(cè)數(shù)據(jù)的分層損傷。在測(cè)試集中，損傷識(shí)別結(jié)果為平均IoU得分0.6469，平均定位誤差為1.9mm，平均面積誤差為1.5mm2。結(jié)果表明，U-Net神經(jīng)網(wǎng)絡(luò)可以對(duì)分層損傷的位置、尺寸與形狀進(jìn)行較為精確的定量識(shí)別。

 

本文基于仿真構(gòu)建的數(shù)據(jù)集解決了試驗(yàn)數(shù)據(jù)的稀缺性問(wèn)題。但仿真模型在鋪層、固化工藝、損傷特征等方面與實(shí)際結(jié)構(gòu)存在差異，可能導(dǎo)致樣本庫(kù)的不適用問(wèn)題。針對(duì)這個(gè)問(wèn)題，可以采取少量試驗(yàn)數(shù)據(jù)加大量仿真數(shù)據(jù)的形式構(gòu)建數(shù)據(jù)集，并結(jié)合數(shù)據(jù)擴(kuò)充、引入噪音等方式，加強(qiáng)U-Net網(wǎng)絡(luò)的模型泛化能力。此外，分布式光纖損傷識(shí)別的本質(zhì)是捕捉（損傷造成的）材料局部不連續(xù)帶來(lái)的應(yīng)變奇異性，與損傷大小、嚴(yán)重程度、載荷大小和光纖標(biāo)距等多種因素相關(guān)。未來(lái)將開(kāi)展精細(xì)的理論與試驗(yàn)研究，對(duì)損傷敏感性、魯棒性等做深入分析，并結(jié)合機(jī)器學(xué)習(xí)方法對(duì)損傷發(fā)生具體鋪層位置等關(guān)鍵信息進(jìn)行定量識(shí)別。

 

參考文獻(xiàn)

 

[1] 龔煜廉 ,  張建國(guó) , 李文博 . 光纖傳感在航天復(fù)材結(jié)構(gòu)健康監(jiān)測(cè)中的應(yīng)用 [J]. 航天器工程 , 2022, 31(5): 60–66.

 

GONG Yulian,  ZHANG  Jianguo,  LI Wenbo. Application of optical fiber sensing in health monitoring of aerospace composite structure[J] . Spacecraft Engineering, 2022, 31(5): 60–66.

 

[2] 王梓堯 . 復(fù)合材料分層損傷疲勞擴(kuò)展監(jiān)測(cè)與預(yù)測(cè)研究 [D]. 南京 : 南京航空航天大學(xué) , 2021.

 

WANG Ziyao . Research on monitoring and  prediction  of delamination  damage fatigue extension of composite materials[D] . Nanjing: Nanjing University of Aeronautics and Astronautics, 2021.

 

[3] DI S R. Fibre  optic  sensors  for structural health monitoring of aircraft composite structures: Recent advances and applications[J]. Sensors, 2015, 15(8): 18666–18713.

 

[4] 單一男 . 基于分布式光纖傳感的典型結(jié)構(gòu)狀態(tài)監(jiān)測(cè)研究 [D]. 大連 : 大連理工大 學(xué), 2020.

 

SHAN Yinan. Study of structural states monitoring method for typical structures based on distributed optical ?ber sensing[D]. Dalian: Dalian University of Technology, 2020.

 

[5] 鐘照振 ,  曾捷 ,  李艷芬 , 等 .  復(fù)合材料層板 OFDR 分布式光纖沖擊判位方法研究 [J]. 振動(dòng)、測(cè)試與診斷 , 2023, 43(5): 1005– 1010, 1044.

 

ZHONG Zhaozhen, ZENG Jie, LI Yanfen,

 

et al. OFDR distributed optical fiber impact localization method of composite laminate[J]. Journal of Vibration, Measurement & Diagnosis, 2023, 43(5): 1005–1010, 1044.

 

[6] 孫曉明 , 蘇世偉 , 尹華光 , 等 . 基于 光纖傳感探測(cè)的直升機(jī)修理異常振動(dòng)源定位 研究 [J]. 裝備環(huán)境工程 , 2023, 20(5): 128–137.

 

SUN  Xiaoming,  SU  Shiwei,  YIN Huaguang, et al. Location of abnormal vibration source in helicopter repair based on optical ?ber sensing detection[J]. Equipment Environmental Engineering, 2023, 20(5): 128–137.

 

[7] KLUTE S M, METREY D R, GARG N, et al. In-situ structural health monitoring of composite-overwrapped pressure vessels[J] . Sampe Journal, 2016, 52(2): 7–17.

 

[8] TAN X, GUO P W, ZOU X X, et al. Buckling detection and shape reconstruction using strain distributions measured from a distributed fiber optic sensor[J]. Measurement, 2022, 200: 111625.

 

[9] AZAD M M, KIM S, BIN CHEON Y, et al. Intelligent structural health monitoring of composite structures using machine learning,

 

deep learning, and transfer learning: A review[J]. Advanced Composite Materials, 2024, 33(2): 162–188.

 

[10] AZIMI  M,  E SLAMLOU A D, PEKCAN G. Data-driven structural health monitoring and damage detection through deep learning: State-of-the-art review[J] . Sensors, 2020, 20(10): 2778.

 

[11] LOUTAS T H, PANOPOULOU A, ROULIAS D, et al. Intelligent health monitoring of aerospace composite structures based on dynamic strain measurements[J]. Expert Systems With Applications, 2012, 39(9): 8412–8422.

 

[12] PANOPOULOU A, ROULIAS D, LOUTAS T H, et al. Health monitoring of aerospace structures using ?bre Bragg gratings combined with advanced signal processing and pattern recognition techniques[J]. Strain, 2012, 48(3): 267–277.

 

[13] KARYPIDIS D F, BERROCALC G, REMPLING  R,  et  al.  Structural  health monitoring  of RC  structures  using  optic fiber strain measurements: A deep learning approach[C]//Proceedings of IABSE Congress.

 

New York, 2019.

 

[14] SONG Q S, ZHANG C, TANG GW, et al. Deep learning method for detection of structural microcracks by Brillouin scattering based distributed optical ?ber sensors[J]. Smart Materials and Structures, 2020, 29(7): 075008.

 

[15] ZHUANG Y Y, YANG Q B, HAN T H, et al. Fiber optic sensor embedded smart helmet  for real-time  impact  sensing  and analysis through machine learning[J]. Journal of Neuroscience Methods, 2021, 351: 109073.

 

[16] LIU  Y M,  BAO Y.  Intelligent monitoring of spatially-distributed cracks using distributed ?ber optic sensors assisted by deep learning[J]. Measurement, 2023, 220: 113418.

 

[17] RONNEBERGER O, FISCHER P, BROX T. U-Net: Convolutional networks for biomedical image segmentation[C]//Proceedings of International Conference on Medical Image Computing and Computer-Assisted Intervention. Cham: Springer, 2015.