您當前的位置：檢測資訊 > 科研開發
嘉峪檢測網 2024-08-28 09:24
摘要
結構健康監測（SHM）是確保飛行器復合材料結構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測量高密度的應變分布為復合材料損傷監測提供數據支持。然而，結構應變分布特征和損傷的映射關系較為復雜，無法直接根據應變分布準確判定損傷的定量信息。另外，分布式光纖傳感器數據量大，通過人為分析應變數據識別損傷較為耗時且準確性偏低。為了應對這一挑戰，提出了一種基于分布式光纖傳感數據與U-Net神經網絡的智能損傷識別方法，旨在自動精確識別復合材料中常見的分層損傷。首先，通過有限元仿真構建U-Net神經網絡的訓練集與驗證集；隨后進行含分層損傷復合材料板的懸臂加載試驗，通過分布式光纖傳感器采集結構應變分布數據作為測試集。損傷識別結果表明，U-Net神經網絡可以對分層損傷的位置、尺寸與形狀進行較為精確的定量識別。
正文
復合材料因高比強度和比剛度廣泛應用于各種航空航天結構[1]。然而航空航天結構的服役環境嚴苛，在結構服役過程中容易產生結構損傷，威脅結構的安全運行。分層損傷是復合材料結構中最常見的損傷形式之一[2]，損傷發生在結構內部，會給損傷檢測帶來困難。結構健康監測（Structural health monitoring，SHM）基于先進傳感器網絡，在損傷在線識別、結構狀態感知與安全評估等領域發揮至關重要的作用。光纖傳感器具有體積小、質量輕、抗電磁干擾和耐久性強等諸多優點，因此廣泛應用于各類航空航天結構的健康監測任務中[1，3]。而分布式光纖傳感器（Distributed fiber optic sensor，DFOS）測點密度高，在結構應變分布監測及損傷定量識別方面具有較強的應用前景。單一男[4]通過分布式光纖傳感器組成應變監測網絡對絕熱泡沫膠接鋁合金板的脫粘和翼梢小翼的接縫凹坑進行了損傷監測，驗證了利用高密度應變信息識別結構損傷方法的有效性。鐘照振等[5]構建了基于高空間分辨率分布式光纖傳感器的沖擊監測系統，將監測到的復合材料層合板結構應變響應幅值作為特征量實現了沖擊位置辨識，得到了約8.44mm的平均定位誤差。孫曉明等[6]開發了一套基于光纖傳感探測的直升機修理異常振動源定位系統，通過直升機的振動源動態監控，識別了直升機的主要振動源。Klute等[7]將分布式光纖傳感器網絡埋入到碳纖維復合材料壓力容器中，測量不同壓力水平下的層間應變水平，通過沖擊造成的殘余應變識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得的應變數據對三維變形薄壁金屬平板試件進行了屈曲檢測和三維變形重建。
近年來，在傳感器技術、數據處理和高性能計算的共同推動下，SHM從傳統基于模型的方法逐步發展到數據驅動的方法。通過適當的訓練和優化技術，深度學習可以從大量的數據中自動提取與結構損傷相關的特征[9–10]。將光纖傳感技術與人工智能（Artificial intelligence，AI）技術結合，基于結構的應變信息識別結構中存在的損傷是目前SHM領域的研究熱點。Loutas等[11–12]使用4根光纖布拉格光柵（Fiber Bragg gratting，FBG）傳感器來采集碳纖維復合材料加筋板結構動態應變數據，通過在結構不同區域改變質量模擬結構損傷，并使用支持向量機（Support vector machine，SVM）模式識別方法和人工神經網絡（Artificial neuralnetwork，ANN）識別到了損傷位置。Karypidis等[13]采用深度自編碼器（Deep autoencoder，DAE）構建了一個異常檢測系統，用于監測鋼筋混凝土結構的健康狀態，研究中采用了分布式光纖傳感器，通過應變測量檢測結構裂紋，并結合深度自編碼器算法DAE分析數據；該試驗表明，DAE能夠成功量化由橫向裂紋導致的損傷，為早期檢測裂紋位置、鋼筋腐蝕及其他類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結構微裂紋的深度學習方法，網絡架構由21層的卷積神經網絡構成，使用一根15m長的含人工缺陷寬翼緣鋼梁進行方法驗證，結果表明該方法能夠從應變分布中提取出微裂紋特征，并能從噪聲中區分裂紋誘發的局部峰值，能夠檢測到小至23μm的裂紋。與傳統支持向量機和多層感知器（Multi layer perceptron，MLP）相比，這種基于深度學習的方法表現出更優越的性能。Zhuang等[15]在頭盔中嵌入光纖布拉格光柵傳感器來捕捉撞擊時頭盔的變形和受力情況，使用了5種獨立的機器學習（Machine learning，ML）模型及2種集成ML模型，包括支持向量機、高斯過程回歸（Gaussian process regression，GPR）、隨機森林（Random forest，RF）、基于K近鄰實例的學習器（Instance-based K，IBK）、彈性網絡回歸（Elastic net regression，ENR）、投票（Voting）和加性回歸隨機森林（Additive regression-random forest，AR-RF）；基于FBG傳感器監測到的應變變化，經過訓練的ML模型能夠準確預測沖擊類型，以及沖擊力的大小和方向。Liu等[16]開發了一個使用分布式光纖傳感器和深度學習技術監測結構中裂縫的方法，使用改進的YOLO模型識別和定位到了空間分布裂縫。
現有基于光纖信號的機器學習方法，大多僅能識別結構損傷的位置、類型等信息，關于進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網絡融合并擴展了FCN和Segnet在全卷積網絡方面的創新，將跳躍連接貫穿整個網絡結構，通過其獨特的結構優化了圖像分割的性能。U-Net網絡最初由Ronneberger等[17]在2015年提出，初衷是為了解決醫學圖像分割的問題，因其網絡結構酷似“U”形而得名。
鑒于U-Net神經網絡在醫學圖像處理領域中表現出的優異性能，本文將其與分布式光纖傳感技術相結合用于碳纖維層合板分層損傷的定量識別。首先，本文基于有限元模擬的應變數據訓練U-Net網絡，隨后通過使用密集布設的分布式光纖傳感器測量得到碳纖維復材板的表面應變數據，將測得的應變數據輸入到訓練后的U-Net網絡中，具有像素級識別精度的U-Net神經網絡對每個數據點進行分類，進而實現對復合材料分層損傷的定量識別。
1、 分布式光纖傳感與U-Net神經網絡
1.1 基于背向瑞利散射的分布式光纖應變傳感原理
分布式光纖傳感器能夠把沿光纖長度上的任何點當作測點進行物理場變化的監測，具有連續高密度測量的優點。本文使用的是基于背向瑞利散射的分布式光纖傳感器。對于每根光纖，都有與之對應的背向瑞利散射光信號作為其固有信息，這種信號在光纖狀態不變時保持穩定。當光纖在某位置經歷變形或溫度發生改變時，該處的背向瑞利散射光信號的波長會相應地出現變化。通過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改變的位置[4]。
在光纖測量起始階段首先需要保存一個基準狀態的瑞利散射信號，因為光纖局部應變和溫度的變化會造成背向瑞利散射光反射光譜的局部漂移，用應變ε和溫度T的函數來表示光譜的漂移，可以測量出光纖局部的應變或溫度變化，得到
式中，λ為平均光波波長；ν為頻率；Δλ為波長偏移量；Δν為頻率變化量；KT和Kε分別是溫度和應變的常數系數。
如果忽略溫度變化，應變可以寫為
式中，c為光在真空狀態下的傳播速度；
為光纖解調儀掃描時的中心波長。從式（2）可以看出，通過對比當前測量時的光纖與基準狀態時的光譜偏移，就可以得出應變的測量值。
1.2 U-Net網絡模型
最初的網絡是基于512×512大小的圖像[17]，本文中輸入的是160×80的應變場數值矩陣，通過對矩陣進行填充，確保經過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實現。若采用上述方法，在特征提取部分和上采樣對應部分的特征矩陣大小完全一致，在做特征融合時較為便利。本文所采用的U-Net網絡結構如圖1所示。該網絡由捕捉圖像特征的收縮路徑和提供定位的對稱擴展路徑組成。該結構共5層，每層包含一對收縮（下采樣）路徑和擴展（上采樣）路徑。在收縮路徑中，每層使用零填充執行兩個3×3卷積運算，保持矩陣的原始大小不變。每個卷積運算后面都有一個校正線性單元ReLU。在第一層中，卷積運算將3通道的二維數值矩陣生成64個特征通道；在其余層中，特征通道的數量是上一層的兩倍。從上一層到下一層，通過2×2最大池化操作以2的步長對特征通道進行下采樣。在最后一步中，總共有1024個10×5大小的特征二維矩陣。在擴展路徑中，每一層特征矩陣的大小都會加倍，同時使用2×2反卷積運算，反卷積層通過設置stride=2參數放大特征矩陣，放大后的特征矩陣大小為原來的2倍，同時將特征通道數量減半。在每層上采樣的開始，來自收縮路徑的輸出特征通道與對應相同層的擴展路徑的特征通道疊加。疊加之后使用零填充執行兩個3×3卷積運算以保持原始矩陣大小。在最后一層，使用1×1卷積運算將64個特征通道映射到期望數量的類，與論文中最后輸出的通道為2不同，由于處理的是3分類問題，所以模型最后輸出的通道為3，每個通道對應一個類別的預測分數（Logits）。
圖1
2、 數據集獲取
本文所使用的神經網絡架構U-Net是從計算機視覺圖像分割領域引入的，一般用于圖像數據的語義分割，在圖像分割領域，研究人員為了獲得更大的數據集通常采用對現有圖像數據進行平移、旋轉、翻轉、裁剪等數據增強策略。考慮到結構損傷會引起應變重分布，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變變化，不僅表現為圖片上的位置平移和尺寸的放大縮小，應變場的變化也會更為復雜，在本文中不采用圖像學中的數據擴充方式，而是通過有限元模擬來獲取大量數據。以有限元仿真模擬得到的應變數據作為U-Net網絡模型的訓練集和驗證集，再利用分布式光纖傳感器測得的真實試件的應變數據作為U-Net網絡的測試集。
2.1碳纖維復材板分層損傷有限元模擬
利用ABAQUS有限元軟件，在復合材料板表面提取與光纖測量路徑相對應的應變分布。通過參數化腳本，自動完成模型創建、損傷設置及光纖路徑應變提取。針對100個不同分層損傷形狀的模型施加10種載荷，總共得到了1000組數據。
復合材料板尺寸為100mm×200mm，單層厚度為0.1mm，共30層，應用實體單元建模。復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）。分層損傷通過復制節點的方式引入，即在同一個空間位置處存在2個節點，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層之間設置損傷。損傷形狀為隨機四邊形，圖2所示為100個損傷形狀里隨機抽取的損傷形狀，損傷大小設置在400~410mm2范圍內，加載方式設置為懸臂彎曲。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
針對圖2中的損傷，有限元模擬的應變分布結果如圖3所示，可以看到分層損傷位置的應變分布發生一定擾動，但應變分布特征與損傷區域并不存在精確對應的關系。
將從ABAQUS導出的光纖路徑上的表面節點應變εsim通過插值擬合的方式得到80×160的全場應變，
處理過程如圖4所示，然后把應變場數據
復制成80×160×3的三維數值矩陣作為模型的訓練數據集。
圖2
圖3
圖4
2.2基于密集布設分布式光纖傳感網絡的碳纖維復材板應變數據采集
2.2.1 預埋分層損傷的碳纖維復材板試件制作
試驗試件大小為200mm×100mm，厚度為12層，采用T700單向預浸料進行正交鋪設，通過在2~3層碳纖維之間添加20mm×20mm的正方形脫模布設置分層損傷，損傷位置如圖5所示。碳纖維復材板試驗件固化工藝流程為：首先將試件加熱至100℃并保溫1h，完成預固化處理；隨后將溫度升至130℃固化2h；最后將溫度升至160℃固化2h。整個固化過程中試件在抽真空條件下施加壓力，以確保樹脂的充分滲透和空氣的排除。
圖5
2.2.2 高密度光纖布設
為了得到準確可靠的復材板表面應變場，將分布式光纖傳感器進行高密度布設。考慮到試驗過程中夾具和光纖彎折對測量信號的影響，只對試件的局部區域進行光纖布設，光纖監測范圍為80mm×80mm區間，光纖相鄰間隔為5mm，采用螺旋方式布設光纖。光纖布設路徑設計如圖6（a）所示，共17條光纖測量段，其中有5條（第2、4、6、8、10測量段）通過損傷區域：3條（第4、6、8測量段）通過損傷區域的內部，2條（第2、10測量段）位于損傷區域的邊界。光纖布設完成后的復材板試件如圖6（b）所示。
需要指出的是，圖6中采用光纖的二維致密布設，讓光纖盡可能覆蓋結構表面，這使得光纖在垂直測量路徑方向也需要采用高密度布設，可能帶來工程適用性的問題。實際應用中，需要根據檢測損傷大小（如分層尺寸、裂紋長度等）設定布設密度。另外，實際工程中可以在需要重點監測的關鍵局部區域（如應力集中區域、螺孔周邊等）進行二維致密布設，而在非關鍵區域采用稀疏布設，只測量一維高密度應變。
圖6
2.2.3 應變采集
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行加載，如圖7所示。試驗所采用的應變采集裝置是LUNA公司的ODISI分布式光纖采集系統，測量時光纖路徑上的應變測點間距設置為1mm，傳感器標距為7mm。設備連接調試好后在無載荷狀態下采集光纖基準信號，試驗包含4個載荷等級：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 光纖應變數據分析處理
鑒于試驗所測得的4個載荷步的應變數據呈線性變化，文中只給出最大載荷下的應變曲線，如圖8所示，為20N載荷下光纖實測的復材板表面應變數據εmeasured曲線，可以明顯看出應變數據呈循環變化的趨勢，這與光纖的環繞布設方式相符。應變曲線中極小值點的應變數值小于0，原因是該位置對應光纖彎折路徑區域中點。由于懸臂加載下復材板表面單向受拉，橫向根據泊松關系收縮，故存在應變負值。此外，光纖彎折處的應變分布較復雜，容易帶來誤差，因此在應變分析時忽略此區域。在監測區域的應變數據中可以看出由于分層損傷造成的應變擾動現象，通過試驗測得的分層損傷應變特征與有限元模擬基本一致。在損傷邊界處的應變擾動特征不如損傷內部明顯。
將光纖采集到的一維應變數據εmeasured根據光纖布設路徑映射到二維平面中對應位置，同時采用插值擬合的方式將應變數據插值為1mm間隔的80×80的應變場數值矩陣
，處理過程如圖9所示，然后把應變場數據
復制成3×80×80的三維數值矩陣保存為.npy文件作為模型的輸入數據。
圖7
圖8
圖9
2.2.5 U-Net網絡的訓練和驗證試驗
為了評估本文所提方法的有效性，搭建了神經網絡訓練平臺訓練U-Net網絡并進行驗證。
（1）U-Net網絡訓練平臺搭建。
碳纖維復材板分層損傷識別U-Net網絡訓練平臺主要硬件配置為：CPU，AMD Ryzen Threadripper PRO 3955WX 16–Cores；GPU，NVIDIA GeForce RTX 3090；內存為32G。
相比傳統算法，神經網絡模型結構更復雜，為了高效、便捷、靈活地實現網絡模型搭建，需要借助高質量的深度學習框架，Pytorch和Tensor?ow是目前最主流的兩個現代化深度學習框架，極大地提高了神經網絡搭建的效率。本文所使用的軟件環境如表2所示。
表2
（2）損失函數。
U-Net網絡模型為輸入數據的每個數據點輸出一個相應的Logits向量，向量的長度為總類別數C，向量中的每個元素代表該數據點屬于各個類別的原始分數。本文采用經典的交叉熵損失函數CrossEntropyLoss，其計算過程為：首先自動對每個數據點對應的Logits向量應用Softmax函數，將每個數據點的預測（模型輸出的每一行）Logits轉換為概率分布，其中每個元素的值在0~1之間，且所有元素的和等于1；然后計算每個數據點的真實類別標簽對應的預測概率的負對數，得到單個數據點的交叉熵損失；最后取所有損失的平均值作為損失函數CrossEntropyLoss最終的計算結果。
單個數據點的交叉熵損失計算公式為
式中，pc為通過Softmax函數計算的第c個類別的概率；C是類別的總數；s_j是模型輸出中j個類別的Logit；s_c是真實類別c對應的Logit。
（3）評價指標。
為了評估復合材料分層損傷識別的U-Net網絡模型的訓練結果，需要對模型的數據點級識別結果給出評價指標。IoU（Intersection over union）交并比定義如圖10所示，用于測量模型的預測區域與實際目標之間的重疊程度，是計算機視覺中一種廣泛用于評估神經網絡模型識別準確性的指標。本文通過計算IoU值對分層損傷識別結果進行定量分析。
IoU的計算公式為
式中，真陽性TP（True positives）為網絡預測損傷與真實損傷的重合部分；假陽性FP（False positives）為非損傷區域網絡錯誤判斷為損傷的部分；假陰性FN（False negatives）為真實損傷區域網絡未檢測出的部分。
把有限元模擬得到的數據集按照9：1劃分為訓練集和驗證集，放入U-Net網絡進行訓練和模型評估，采用Adam優化算法，學習率（Learning rate）設置為0.0005，迭代的批量大小（Batchsize）設置為16，網絡訓練對樣本集的學習次數（Epoch）設置為500。
圖10
3、 U-Net網絡分層損傷識別結果
訓練集的損失曲線和驗證集的損失曲線如圖11和12所示。可以看出，損失不斷降低并最終趨于平緩，模型訓練表現良好。接下來，使用光纖傳感器測得的真實復材板的表面應變數據，測試模型對分層損傷的識別效果，網絡模型的預測結果如圖13所示。圖13為U-Net網絡對4個加載等級下復材板試驗件分層損傷的識別結果，紅色框為設計的分層損傷所在位置，黃色和藍綠色區域為網絡模型的預測結果；根據網絡模型的測試結果可知，本文所提出的深度學習損傷識別方法識別到了應變數據中存在的損傷特征，對分層損傷的位置和形狀有良好的識別準確性，但因為試驗中存在一些誤差，例如復材板切割尺寸不精準、脫模布裁剪與粘貼偏移、光纖布設路徑偏移、光纖標定不夠精確、噪聲等都會對損傷最終的識別準確性有所影響，造成對部分點的誤判，出現損傷邊界位置處識別準確度較低的問題。
U-Net網絡對4種加載等級下的碳纖維層合板分層損傷的IoU計算結果為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。
為了更進一步定量描述損傷識別精度，將預測損傷的面積大小和形心位置作為損傷結果定量表征的判定標準，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的損傷識別結果對比
為了驗證U-Net網絡相比于其他深度學習模型的優越性，采用另外一種圖像分割網絡FCN進行了分層損傷識別，網絡結構如圖14所示。該網絡結構中包含卷積層、池化層與反卷積層，在反卷積過程中將p5層的輸出進行2倍的上采樣后與p4層的輸出進行逐像素相加，之后進行2倍的上采樣與p3層的輸出再次進行逐像素相加，最后將通過加法獲得的特征矩陣進行4倍的上采樣，獲得與輸入同尺寸的輸出。FCN網絡數據訓練時采用與U-Net完全相同的數據集，所采用的學習率、迭代批量大小、學習次數都保持一致。
50N加載下的損傷識別對比結果如圖15所示，可以看到，FCN網絡對復合材料分層的識別精度明顯低于U-Net網絡，分割結果不夠精細，并且在無損區域存在錯誤的損傷預報。其原因是FCN網絡結構跳躍連接主要出現在網絡的后半部分，并不像U-Net在整個網絡中系統地應用；此外，與FCN的矩陣加法不同，U-Net網絡通過其獨特的對稱結構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層級的特征進行通道融合；通過這種方式，系統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在需要精確邊緣細節的分割任務中表現出更優異的性能。
圖14
圖15
3、 結論
本文通過有限元仿真獲取U-Net神經網絡訓練所需的大量數據，降低了通過試驗來獲取數據的成本，將分布式光纖傳感器測得的含分層損傷復合材料層合板的表面應變數據作為U-Net網絡的測試集，通過計算每次U-Net網絡輸出結果的IoU來描述U-Net網絡對復材板分層損傷識別的準確性，并且引入了損傷預測區域的形心位置和面積大小進一步評估U-Net網絡對損傷識別的精確性，通過綜合表征手段評價分層損傷的識別效果。
自主編寫的參數化建模腳本高效地實現了模型的前后處理和損傷設置，通過有限元模擬得到的含損結構應變分布特征與真實復合材料板的應變分布特征基本一致。U-Net神經網絡模型訓練過程中，訓練集的損失曲線和驗證集的損傷曲線都很好地收斂，訓練后的模型準確識別到了光纖監測數據的分層損傷。在測試集中，損傷識別結果為平均IoU得分0.6469，平均定位誤差為1.9mm，平均面積誤差為1.5mm2。結果表明，U-Net神經網絡可以對分層損傷的位置、尺寸與形狀進行較為精確的定量識別。
本文基于仿真構建的數據集解決了試驗數據的稀缺性問題。但仿真模型在鋪層、固化工藝、損傷特征等方面與實際結構存在差異，可能導致樣本庫的不適用問題。針對這個問題，可以采取少量試驗數據加大量仿真數據的形式構建數據集，并結合數據擴充、引入噪音等方式，加強U-Net網絡的模型泛化能力。此外，分布式光纖損傷識別的本質是捕捉（損傷造成的）材料局部不連續帶來的應變奇異性，與損傷大小、嚴重程度、載荷大小和光纖標距等多種因素相關。未來將開展精細的理論與試驗研究，對損傷敏感性、魯棒性等做深入分析，并結合機器學習方法對損傷發生具體鋪層位置等關鍵信息進行定量識別。
參考文獻
[1] 龔煜廉 , 張建國 , 李文博 . 光纖傳感在航天復材結構健康監測中的應用 [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 . 復合材料分層損傷疲勞擴展監測與預測研究 [D]. 南京 : 南京航空航天大學 , 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構狀態監測研究 [D]. 大連 : 大連理工大 學, 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 . 復合材料層板 OFDR 分布式光纖沖擊判位方法研究 [J]. 振動、測試與診斷 , 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 光纖傳感探測的直升機修理異常振動源定位 研究 [J]. 裝備環境工程 , 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.
來源：Internet
