一种复合材料结构的欠采样信号冲击定位处理方法和系统的利记博彩app
【技术领域】
[0001] 本发明设及复合材料的冲击定位技术领域，尤其设及一种复合材料结构的欠采样 信号冲击定位处理方法和系统。
【背景技术】
[0002] 大型飞机的研制和发展水平是一个国家工业基础、科技水平和综合实力的集中体 现。作为飞机的重要组成部分，飞机的结构是影响飞行安全性、可靠性和承载能力的核屯、因 素;而为追求轻质量高强度，大型飞机结构中对复合材料的使用越来越普遍。
[0003] 复合材料在加工和使用过程中不可避免的会产生损伤，因而有必要对复合材料结 构进行结构健康监测（S歷，Struc化ral化alth Monitoring)。由于冲击载荷易造成结构损 伤，因而是结构健康监测所关注的一个焦点。飞机、轮船等大型结构，特别是表面蒙皮在服 役过程中不可避免地会遭受不同物体的冲击，如冰富、飞鸟、鱼群或者在安装维护过程中的 工具撞击。运些冲击载荷会导致原本健康完好的材料产生劣化，而本身含有固有缺陷的材 料发生缺陷的扩展。复合材料结构受到冲击载荷后可能产生分层、基质裂化、纤维断裂等损 伤。
[0004] 复合材料结构受到的冲击根据其能量级别分为高速冲击和低速冲击两类，所谓低 速冲击载荷是指材料受到该冲击后不会在表面产生目视可见损伤的冲击载荷。材料受到低 速冲击后，虽然表面难W察觉，但在材料内部却可能产生脱胶、分层等损伤。在运种情况下， 由于冲击载荷不易被肉眼直接察觉，因此很难对材料是否受到冲击及冲击位置情况进行判 另IJ，从而影响材料的及时维修。
[000日]光纤布拉格光栅(FBG，門ber Bragg Grating)是一种光纤传感器，可W通过波分 复用的形式，在一条光纤上串接多个传感器，大大减少了传感器接线的复杂性。FBG传感器 具有灵敏度高、体积小、重量轻、抗电磁干扰、耐腐蚀等特点，可方便地编织到复合材料中； 因此，FBG传感器在复合材料中的应用前景非常广泛。目前，FBG传感器阵列作为敏感元件监 测结构应力/应变和冲击载荷，已经在一些飞机的智能蒙皮中得到应用，用于结构的意外撞 击监测、模态分析和载荷谱分析等。但是，由于受到信号调制解调仪带宽的限制，FBG传感器 的频带比较低，采集冲击信号会丢失信息，而一些时空域的信号处理方法包括:应变幅值定 位算法、时差定位算法等需要较高的时间分辨能力，因此不适用于基于FBG的冲击载荷定 位。
【发明内容】
[0006] 为解决现有存在的技术问题，本发明实施例期望提供一种复合材料结构的欠采样 信号冲击定位处理方法和系统。
[0007] 本发明实施例提供了一种复合材料结构的欠采样信号冲击定位处理方法，所述方 法包括：
[000引复合材料结构上冲击操作遍历结构各个区域，获取各冲击区域低频传感器阵列的 信号样本集，对样本集提取信号特征训练神经网络，对样本集进行字典训练获得字典集，建 立定位系统的数据库；
[0009] 复合材料结构上实时激励产生冲击信号，低频传感器阵列采集获得欠采样信号；
[0010] 依据所述欠采样信号应用神经网络理论，在训练神经网络基础上进行粗定位；
[0011] 在粗定位基础上，应用稀疏表示分类算法，在训练样本集获得字典集基础上进行 细定位。
[0012] 上述方案中，所述复合材料结构上冲击操作遍历结构各个区域，获取各冲击区域 低频传感器阵列的信号样本集;包括：
[0013] 对所述复合材料结构上的低频传感器阵列，对每个冲击区域，进行多次冲击操作， 获得传感器阵列采集的信号集，建立每个结构区域的欠采样冲击信号样本集；
[0014] 遍历结构上每个区域，重复上述操作，建立所有结构区域的欠采样冲击信号数据 库。
[0015] 上述方案中，所述获取的各冲击区域低频传感器阵列的信号样本集包括：
[0016] 将复合材料结构划分为Q个区域(Q = WXV，即W行V列），每个区域采集同一能量下 的冲击样本数据个数M，即Μ个数据集，结构中布置了K个低频采样传感器，将每个区域的数 据划分为一组，共获得Q组、QK个传感器的冲击数据；
[0017] 冲击载荷特征数据库中第q区域，第k个低频采样传感器采集的数据为xqk[n]，数据 样本集为xqki[n]，i表示第i个样本，其中，给定监测数据长度为N，则1含η含N，q为复合材料 结构小区域编号，则1 < q < Q，k为低频采样传感器编号，则1非卽，1 y < M。
[0018] 上述方案中，所述欠采样信号应用神经网络理论，在训练神经网络基础上进行粗 定位，包括：
[0019] 将采集的样本集求取数据平均值，q区域的同一冲击对应K个传感器的样本集的数 据均值组合成向量防gu[对:，Xg:2:J·对，…，Xq扔[打]]，得到BP神经网络输入aqi，共Μ个 样本集，对应于输出为冲击位置q，遍历结构Q个位置，重复对Q组数据集进行同样操作，训练 神经网络net,保存训练结果；
[0020] 获取实时冲击信号，将K个传感器获得的信号求取均值组成向量，作为神经网络的 输入，获得冲击粗定位结果为j区域。
[0021] 上述方案中，所述在粗定位基础上，应用稀疏表示分类算法，在训练样本集获得字 典集基础上进行细定位，包括：
[0022] 对q区域的K个传感器的各Μ个样本集用K-SVD算法进行字典训练获得过完备字典， 重复对Q个区域的数据集进行同样操作，保存字典数据库Dqk，1含q含Q，1含k < Κ;
[0023] 在粗定位结果j的基础上，将第k个传感器获得的j近邻区域字典组成字典集，即 [...，D(j-v-i)k，D(j-v)k，D(j-i)k，Djk，D(j+i)k，D(j+v)k，D(j+v+i)k，...]，把第k个传感器得到的监测数 据在上述字典集上通过正交匹配追踪算法进行稀疏表示，再进行重构，重构误差最小的字 典对应该传感器确定的冲击区域。
[0024] 在一次冲击过程中，重复上述过程对所有K个传感器采集的数据进行细定位判定， 对多传感器细定位结果进行表决，选择定位结果重复率最高的为最终确定定位结果，即"少 数服从多数"的决策融合方法。
[0025] 本发明实施例还提供了一种复合材料结构的欠采样信号冲击定位处理系统，所述 系统包括：
[0026] 数据库建立单元，遍历各冲击区域，低频传感器阵列采集得到各冲击区域的信号 样本集，对样本集提取信号特征训练神经网络，对样本集进行字典训练获得字典集，建立定 位系统的数据库；
[0027] 冲击定位单元，基于建立的所述数据库，在复合材料结构上实时产生冲击信号，低 频传感器阵列采集获得欠采样信号;依据所述欠采样信号，应用神经网络理论，在训练神经 网络基础上进行粗定位;在粗定位基础上，应用稀疏表示分类算法，在训练样本集获得字典 集基础上进行细定位。
[00%]上述方案中，所述数据库建立单元用于：
[0029] 对所述复合材料结构上的低频传感器阵列，遍历各冲击区域，存储冲击信号样本 集；
[0030] 基于所述样本集，提取样本特征，将q区域的同一冲击对应K个传感器的样本集的 数据均值组合成向重.Xql￡_n._ , 八，···*. ，得到BP神经网络输入aqi,共Μ 个样本集，对应于输出为冲击位置q，遍历结构Q个位置，重复对Q组数据集进行同样操作，训 练神经网络，保存训练结果；
[0031] 对q区域的K个传感器的各Μ个样本的集合用K-SVD算法进行字典训练，重复对Q个 区域的数据集进行同样操作，保存字典数据库Dqk，1含q含Q，1含k < Κ。
[0032] 上述方案中，所述述冲击定位单元用于：
[0033] 获取实时冲击信号，将K个低频传感器阵列获得的信号求取均值组成向量 Λ/??时，y_/2![打]，…，尤作[对1，作为神经网络的输入，获得神经网络输出即冲击粗定 位结果为j。
[0034] 上述方案中，所述冲击定位单元进一步用于：
[0035] 将第k个传感器采集到的j近邻区域的字典组成字典集，即[...，Du-v-i)k，Du-v)k， D(j-l)k,Djk,D(j+l)k,D(j+V)k,D(j+V+l)k,...],把束k个传感器得到的监测数据在上述字典集上通 过正交匹配追踪算法进行稀疏表示，再进行重构，重构误差最小的字典对应该传感器确定 的冲击区域。
[0036] 上述方案中，所述冲击定位单元进一步用于：
[0037] 在一次冲击过程中，重复上述过程对所有K个传感器采集的数据进行细定位判定， 对多传感器细定位结果进行表决，选择定位结果重复率最高的为最终确定定位结果