（论文速读）多任务深度学习框架下基于Lamb波的多损伤数据集构建与量化算法

论文题目：A novel Lamb wave-based multidamage dataset construction and quantification algorithm under the framework ofmulti-task deep learning（多任务深度学习框架下基于Lamb波的多损伤数据集构建与量化算法）

期刊：Structural Health Monitoring（工程技术 中科院2区）

摘要：基于Lamb波的大型复合材料损伤量化一直是飞机结构健康监测中关注和棘手的问题之一。近年来，利用机器学习(ML)算法深入探索Lamb波信号的损伤特征，旨在提高损伤量化的精度和准确性。然而，由于机器学习算法严重依赖于数据集，多损伤量化成为瓶颈问题之一。本文提出了一种基于Born近似原理的多损伤数据集的优先选择和有序排列方法，该方法显示了多损伤和单损伤条件下波信号之间的相互作用。基于多损伤数据集，提出了一种多任务深度学习算法来识别复合材料层合板的多损伤，包括损伤数量、损伤位置和损伤大小。在算法中，建立了包含主干网络和分支网络的多分支一维卷积神经网络框架，探索Lamb波散射信号的损伤特征。与单任务模型相比，它具有学习多任务共享特征的能力，有效地提高了任务结果。结果表明，与单任务学习方法相比，多任务学习方法节省了23.03%的训练时间。在复合材料层合板的多重损伤量化任务中，MTL方法对构建的测试集和实测测试集的结果都很好，特别是在损伤尺寸的量化方面，显示了该方法的可行性和可靠性。

---

基于Lamb波和多任务深度学习的复合材料多损伤智能检测技术

引言

在航空航天领域，碳纤维复合材料因其高比强度、高比刚度等优异性能被广泛应用于飞机主承力结构。然而，复合材料的层间性能较弱，在冲击载荷、疲劳载荷等作用下，内部容易产生难以目视检测的损伤，如脱层、脱粘等。这些损伤如果不及时发现，会迅速扩展并严重影响结构的力学性能，威胁飞行安全。

结构健康监测（SHM）技术 为解决这一问题提供了新思路。其中，基于Lamb波的SHM技术因其传播距离远、对多种损伤类型敏感等优点，被认为是最有前途的大型复合材料损伤检测技术。

但是，当结构中同时存在多个损伤 时，检测难度大幅增加。传统的成像方法依赖人工提取Lamb波特征，精度有限；而基于机器学习的方法又面临多损伤数据集难以获取的瓶颈问题。

今天，我将为大家详细介绍厦门大学航空航天学院发表在《Structural Health Monitoring》期刊上的一篇最新研究成果，该研究提出了一种创新的多损伤数据集构建方法和多任务深度学习算法，成功实现了复合材料结构中多损伤的数量、位置和大小的准确量化。

---

一、研究背景：多损伤检测面临的三大挑战

挑战1：数据集构建困难

要训练一个能够识别多损伤的深度学习模型，需要大量的多损伤样本数据。理论上，如果有：

• 16个可能的损伤位置
• 3种损伤尺寸
• 考虑双损伤和三损伤情况

那么可能的组合数量将达到：

• 双损伤：C₁₆² × C₁₃³ = 1,080种
• 三损伤：C₁₆³ × C₁₃³ × C₁₃³ = 15,120种

如果通过实验或仿真逐一获取这些信号，将耗费大量时间和成本！

挑战2：传统方法精度受限

传统的多损伤成像方法主要有两类问题：

1. 基于信号特征的方法：

   • 依赖Lamb波的幅值、飞行时间等信息
   • Lamb波的多模态和频散特性导致人工识别能力有限
   • 精度难以进一步提升

2. 基于密集路径的方法：

   • 需要大量的激励-接收路径
   • 在大型飞机结构工程中难以实现

挑战3：训练效率低下

传统机器学习方法采用单任务学习模式：

• 为损伤位置识别训练一个独立网络
• 为损伤大小识别再训练另一个独立网络
• 训练时间长，无法利用任务间的相关信息

---

二、创新方法：PSOPM + 多任务深度学习

本研究提出了两大核心创新：

创新1：PSOPM数据集构建方法

核心思想 ：基于Born近似原理，多损伤的散射场可以近似为各单损伤散射场的叠加。

Born近似原理简述： 当散射较弱时，多个损伤产生的Lamb波散射场可以表示为：

其中，U(i)是入射波，U(x)是散射场，M()是源分布。在多损伤情况下，虽然Lamb波通过每个损伤时会产生二次散射，但由于散射较弱可以忽略。因此，多损伤情况下的散射场是单损伤散射场的叠加。

PSOPM方法步骤：

1. 获取基本数据：

   • 实验采集48个单损伤信号（16位置 × 3尺寸）

2. 优先选择和有序排列：

   • 按位置顺序选择损伤
   • 第二个损伤只能在第一个损伤之后的位置选择
   • 确保同一位置不会有多个损伤

3. 信号叠加：

   • 按PSOPM规则将单损伤信号叠加生成多损伤信号

4. 标签设计：

   • 位置标签：16位二进制，每位表示一个子区域是否有损伤
   • 大小标签：9位，每3位表示一个损伤的尺寸（2cm/3cm/4cm）

结果：

• 仅用48个单损伤信号
• 生成16,248个多损伤训练样本
  • 48个单损伤
  • 1,080个双损伤
  • 15,120个三损伤

数据验证： 为验证PSOPM的有效性，作者对比了构建信号和实测信号的均方误差（MSE）：

• 训练集 vs 构建测试集：MSE = 1.157×10⁻⁵
• 训练集 vs 实测测试集：MSE = 8.718×10⁻⁵

虽有差异但整体相似，证明了方法的可行性。

创新2：多分支1D-CNN架构

网络结构：

1. 主干网络（Trunk Network）

• 作用：学习不同任务之间的共享特征
• 结构 ：
  • 第1层：1D卷积层（卷积核=3，通道数=16）
  • 第2层：1D卷积层（卷积核=3，通道数=16）
  • 第3层：最大池化层（池化核=3）

2. 分支1 - 损伤位置识别

• 结构 ：
  • 第4层：1D卷积层（卷积核=3，通道数=64）
  • 第5层：1D卷积层（卷积核=3，通道数=64）
  • 第6层：最大池化层（池化核=3）
  • 第7层：Dropout层（dropout率=0.2）
  • 第8层：Flatten层
  • 第9层：全连接层（16个神经元）

3. 分支2 - 损伤大小识别

• 结构 ：
  • 第4层：Dropout层（dropout率=0.2）
  • 第5层：Flatten层
  • 第6层：全连接层（9个神经元）

设计亮点：

1. 使用小卷积核：

   • 采用两个连续的3×3卷积核代替一个5×5卷积核
   • 灵感来自VGG网络
   • 优点：增加网络深度，学习更复杂模式，参数更少

2. 不对称分支设计：

   • 损伤大小类别少，直接使用共享特征
   • 损伤位置类别多，需要更深的网络进一步提取特征

3. 共享学习机制：

   • 主干网络学习共享特征
   • 各分支利用共享特征并互相促进
   • 提高泛化性能，减少过拟合

输入输出：

• 输入：24,000×1的一维时间序列（3个传感器的信号拼接）
• 输出1：16维向量（损伤位置）
• 输出2：9维向量（损伤大小）

---

三、实验设置

3.1 实验装置

测试样本：

• 材料：碳纤维复合材料层合板
• 尺寸：400mm × 400mm × 1.2mm
• 铺层：[±45/0]ₛ（6层，每层0.2mm）

传感器布置：

• 4个PZT压电陶瓷传感器
• 方形布置，边长180mm
• PZT-1作为激励器，PZT-2/3/4作为传感器

损伤模拟：

• 使用定位贴带模拟脱层/脱粘等面积型损伤
• 16个可能位置（L1-L16），每个位置40mm×40mm
• 3种尺寸：2cm、3cm、4cm方形胶带
• 用500g砝码压实，确保均匀接触

3.2 信号采集

激励信号：

• 5周期Hanning窗调制窄带信号
• 中心频率：125 kHz（此时A0波波长约8.243mm）
• 采样频率：24 MHz
• 采样点数：8,000点

数据处理：

• 采集健康状态基线信号
• 采集损伤状态信号
• 相减得到损伤散射信号（作为网络输入）

3.3 数据集划分

数据集	数量	单损伤	双损伤	三损伤	用途
训练集	16,248	48	1,080	15,120	PSOPM构建，用于训练
构建测试集	1,625	6	119	1,500	PSOPM构建，验证泛化性
实测测试集	20	0	10	10	直接粘贴多损伤，验证可靠性

---

四、实验结果与分析

4.1 训练效率对比

学习方式	位置识别	大小识别	总时间	提升
单任务学习	126.392 min	54.711 min	180.963 min	-
多任务学习	-	-	139.292 min	↓ 23.03%

结论：多任务学习通过共享计算，显著提高了训练效率。

4.2 构建测试集结果

（1）损伤数量预测

损伤类型	单任务IOU	多任务IOU
单损伤	1.0	1.0
双损伤	0.9917	0.9993
三损伤	0.9917	0.9993

结论：两种方法在损伤数量预测上都表现优异，多任务略优。

（2）损伤位置预测

损伤类型	单任务MIOU	多任务MIOU
双损伤	1.0	1.0
三损伤	1.0	0.9998

结论：位置预测几乎完全准确。

（3）损伤大小预测

双损伤大小预测：

大小	单任务IOU	多任务IOU	提升
2cm	0.7792	0.8553	↑ 9.8%
3cm	0.8280	0.8495	↑ 2.6%
4cm	0.7789	0.8736	↑ 12.2%
MIOU	0.7954	0.8595	↑ 8.1%

三损伤大小预测：

大小	单任务IOU	多任务IOU	提升
2cm	0.8808	0.9469	↑ 7.5%
3cm	0.8938	0.9159	↑ 2.5%
4cm	0.8765	0.9069	↑ 3.5%
MIOU	0.8837	0.9232	↑ 4.5%

结论：多任务学习在损伤大小预测上明显优于单任务学习，尤其是对小尺寸和大尺寸损伤。

4.3 实测测试集结果

实测测试集直接在样本上粘贴不同数量、位置和大小的固体胶带，更贴近实际应用。

（1）损伤数量预测

• 准确率：95%（20个样本中19个正确）
• 单任务和多任务都有1个三损伤被误判为双损伤

（2）损伤位置预测

损伤类型	单任务MIOU	多任务MIOU
双损伤	0.9091	0.9688
三损伤	0.9688	0.9688

结论：位置预测表现优秀。

（3）损伤大小预测（重点）

双损伤大小预测：

大小	单任务IOU	多任务IOU	提升
2cm	0.4444	0.7143	↑ 60.7%
3cm	0.4545	0.6000	↑ 32.0%
4cm	0.2222	0.7143	↑ 221.4%
MIOU	0.3737	0.6762	↑ 80.9%

三损伤大小预测：

大小	单任务IOU	多任务IOU	提升
2cm	0.8462	0.9167	↑ 8.3%
3cm	0.6154	0.6667	↑ 8.3%
4cm	0.7500	0.7778	↑ 3.7%
MIOU	0.7372	0.7871	↑ 6.8%

关键发现：

1. 多任务学习显著更优：在实测数据上，MTL的大小预测MIOU比单任务学习高80.9%（双损伤）和6.8%（三损伤）

2. 无跨级别误判：

   • 单任务学习有时会将2cm误判为4cm（或反之）
   • 多任务学习只会在相邻级别间误判（如2cm↔3cm或3cm↔4cm）

3. 稳定性更好：

   • 单任务学习有时会同时错误预测多个损伤的大小
   • 多任务学习最多只有一个损伤的大小预测错误

4.4 加筋板验证

为验证方法的泛化能力，作者在更复杂的飞机蒙皮加筋结构上进行了测试。

结果：

任务	双损伤MIOU	三损伤MIOU
损伤数量	1.0	1.0
损伤位置	1.0	1.0
损伤大小	0.7738	0.7367

结论：该方法在加筋板等复杂结构上仍表现优异，证明了良好的泛化能力。

---

五、方法优势总结

5.1 与传统方法对比

维度	传统成像方法	本文方法
特征提取	人工提取（幅值、飞行时间）	自动学习
数据需求	密集路径，难以实现	仅需少量单损伤信号
处理能力	多模态和频散限制精度	端到端处理完整信号
训练效率	N/A	比单任务快23%

5.2 技术创新点

1. 数据效率极高：

   • 48个单损伤信号 → 16,248个训练样本
   • 数据利用率提升338倍

2. 理论基础扎实：

   • Born近似原理支撑
   • 实验验证了近似的有效性

3. 网络设计巧妙：

   • 多任务共享学习
   • 任务间互相促进
   • VGG启发的小卷积核设计

4. 实际应用价值高：

   • 适用于大型复合材料结构
   • 对加筋板等复杂结构有良好泛化能力
   • 无需信号预处理

5.3 性能指标

指标	数值
训练效率提升	23.03%
构建测试集MIOU（三损伤大小）	0.9232
实测测试集MIOU（双损伤大小）	0.6762
实测测试集MIOU（三损伤大小）	0.7871
数据利用率	338×

---

六、局限性与未来展望

6.1 当前局限

1. 需要基线信号：

   • 必须在健康状态下采集基线
   • 与有参考信号方法类似

2. 损伤类型特异性：

   • 为脱层/脱粘训练的模型不一定适用于裂纹
   • 不同损伤类型需要重新构建数据集

3. 环境影响：

   • 温度等环境因素会影响检测精度
   • 需要环境补偿策略

6.2 未来研究方向

1. 迁移学习：

   • 将方法推广到其他结构和系统
   • 减少新结构的训练成本

2. 环境自适应：

   • 开发自动消除环境影响的AI算法
   • 最优基线选择算法

3. 更复杂损伤：

   • 扩展到更多损伤类型
   • 处理损伤相互作用

4. 在线监测：

   • 实现实时损伤检测
   • 与飞机健康管理系统集成

---

七、技术细节与实现

7.1 为什么选择1D-CNN？

对比2D-CNN：

维度	1D-CNN	2D-CNN
输入	时间序列	频谱图像
预处理	无需	需要时频变换
计算量	小	大
相位信息	保留	可能丢失
训练时间	短	长

对比1D-DNN：

作者还对比了1D-DNN（全连接网络）和1D-CNN的性能：

指标	1D-DNN	1D-CNN
训练时间	126.842 min	139.292 min
构建测试集MIOU	0.8981	0.9232
实测测试集MIOU	较低	更高
跨级别误判	有	无

结论：虽然1D-DNN训练稍快，但1D-CNN性能更优，是效率和精度的最佳平衡。

7.2 网络参数选择

卷积核数量：

• 主干网络：16（学习共享特征）
• 位置分支：64（提取细粒度特征）

Dropout率：

• 0.2（防止过拟合）

池化核大小：

• 3（减少参数，不影响性能）

---

八、实际应用建议

1. 数据采集阶段：

   • 在结构健康状态下采集基线信号
   • 在关键位置粘贴不同尺寸的模拟损伤
   • 采集足够的单损伤信号（建议至少48个）

2. 模型训练阶段：

   • 使用PSOPM生成多损伤训练集
   • 训练多分支1D-CNN模型
   • 在验证集上调优超参数

3. 在线监测阶段：

   • 定期采集Lamb波信号
   • 与基线信号相减得到散射信号
   • 输入模型进行实时损伤检测

总结

本研究提出的基于PSOPM和多任务深度学习的多损伤量化方法，是Lamb波结构健康监测领域的重要创新。主要贡献包括：

核心创新

1. PSOPM数据集构建方法

   • 基于Born近似理论
   • 48个信号生成16,248个样本
   • 数据效率提升338倍

2. 多分支1D-CNN架构

   • 主干网络学习共享特征
   • 分支网络互相促进
   • 训练效率提升23%

3. 端到端损伤量化

   • 无需人工特征提取
   • 自动识别数量、位置和大小
   • 泛化能力强

性能优势

• ✅ 训练效率高（比单任务快23%）
• ✅ 检测精度高（MIOU > 0.92）
• ✅ 稳定性好（无跨级别误判）
• ✅ 泛化能力强（适用于加筋板）

应用价值

该方法已在复合材料层合板和加筋板上验证有效，为航空航天领域的结构健康监测提供了新的技术手段。特别是在大型飞机结构的多损伤实时监测方面，具有广阔的应用前景。

---

如果您对这项研究感兴趣，欢迎阅读原文获取更多技术细节。如有任何问题或建议，欢迎在评论区讨论交流！