本文分析了航空航天结构部件碰撞检测技术的最新进展，并研究了将典型金属航空航天结构部件上的偶然碰撞事件定位为试件的两种有前途的方法的组合。在航空场景中，使用寿命期间可能发生的一些典型破坏事件是跑道鸟撞、工具掉落和碎片撞击。最后两种情况通常会产生高频振动，这通常可以通过超声波技术很好地预测。另一方面，鸟类的撞击会在较低或模态频率范围内产生振动。目前的工作主要集中在两种方法的可能组合上：第一种方法是基于神经网络实现的，与冲击诱发低频振动相关；第二种方法是基于声源定位方法，与冲击诱发高频应力波相关。数值分析和实验分析均在同一各向同性铝平板上进行，本文将讨论实验传感器布置的可能组合。结果证实了神经网络的积极性能，为更广泛的实验活动打开了大门，主要面向系统精度的定义、数据处理中可能的故障重构和优化以及计算工作量的减少。另一方面，声发射公式的主要优点是它不需要了解面板中的波速分布。各向同性板的导波速度与信号频率以及各向异性板的波传播方向的关系是板中声源定位的两个主要障碍。后一种表述避免了这两个障碍。
对于按照损伤容限方法设计的结构件，在初始状态下检测结构损伤是航空工业的一个重要目标。在设计阶段，必须保证结构的完整性，增加其安全性，减少不必要的检查和维修成本，并减轻飞机部件的重量。许多结构评估是通过无损检测（NDT）技术完成的。自20世纪60年代初以来，无损检测技术一直与基于理论模型和模拟的其他方法相结合。目前最常用的方法有超声波检查[1,2]、热成像[3,4]、目视检查、x射线透视、渗透液、磁镜和涡流技术。基于超声波的检查使用波现象分析（衰减、反射、耗散、衍射、谐波产生和其他[5-8]）。涡流技术检测由材料缺陷引起的电磁阻抗变化。类似地，其他技术检测由于缺陷引起的温度、磁场、液体渗透等的变化。理想情况下，根据Beard等人[9]，用于结构损伤识别的完整健康监测系统应包括多个工具，并集成到结构中。因此，SHM（Structural Health Monitoring，结构健康监测）是广泛工具的统称，这些工具使用永久连接的传感器网络来实现对结构可靠性的连续检查。理想情况下，主要好处是通过降低检查和维修成本来节约成本，从设计阶段开始减轻重量的可能性，以及减少不必要的维护任务。
“智能”系统设定的目标之一肯定是将影响本地化。在飞行过程中，与空中物体的碰撞对飞机构成威胁。据报道，大约90%的民航影响发生在机场内部或附近，尤其是在起飞和着陆期间。碎屑或工具掉落的冲击通常会诱发高频振动，这可以通过超声波技术预测。另一方面，鸟类的撞击会在模态频率范围内引起结构激励，并在低频范围内激发模态振动。本论文的重点是结合不同的技术来检测这两种类型的影响的可能性，从而覆盖较宽的频带。采用人工神经网络（ANN）算法确定低频范围内的碰撞位置。在这种分析中，该结构可以被视为一个“系统”，本质上由一个能够识别自身状态变化和事件的人工智能网络控制。参考文献对人工神经网络的高级信号处理进行了许多研究。[10–15]；这些研究特别涉及碰撞损伤的检测。Worden和Staszewski[16]使用人工神经网络根据附着在表面的传感器记录的结构响应确定冲击力和位置。他们的方法成功地找到了撞击位置，但未能检测到撞击力的大小。无法建立预测性ANN的原因可能是低强度冲击。Haywood等人[17]也有同样的目标；他们建立了一个人工神经网络，通过信号的几个特征（包括频谱和包络）进行训练。通过对起始时间和首次超调量的信号处理，该网络可以高精度地预测碰撞位置。Markmiller和Chang[18]对由2710个壳单元组成的复合材料加筋板的有限元模型施加了多个力，并在传感器位置记录了应变，训练了一个基于线性有限差分的模型，名为ARX（具有外部输入的自回归）。Ghajari等人[19]使用有限元方法模拟了小质量和中等质量撞击装有PZT传感器的复合材料加筋板。结果已用于训练和验证两个人工神经网络，以检测碰撞位置和碰撞力大小。LeClerc等人[20]指出，基于人工神经网络的碰撞检测概念适用于具有复杂几何形状和材料特性的大型结构。他们建议通过在较小数量的控制（即分类问题）中细分整个系统来解决定位问题。
利用结构中应变波传播的特征，可以在复杂结构中定位冲击。在当前环境中，使用金属平板作为测试用例。基于结构的有限元表示，为了在低模态频率范围内检测碰撞，建立了一个神经网络：对神经系统进行训练，以预测碰撞的几何坐标。使用有限元方法和软件模拟对结构面板的冲击。在计算网格的特定点处计算的分析输出（包括记录的应变频率响应）用于训练步骤。然后，该方法的焦点概念基于这样一个想法：神经网络工具一旦经过训练，将能够识别事件的真实几何坐标。然后通过实验研究验证了该方法的鲁棒性，将激光测振仪在面板表面测量的几个频谱函数插入神经网络。另一方面，为了检测高频范围内的撞击，采用了一种基于瞬态导波研究的方法，该方法具有与材料类型无关的特点。导超声波（GUW），如Lamb[21]在1926年首次描述的那样，其特征是具有不同传播速度和衰减因子值的无限多个传播模式。由于这些波模式是频散的，或者换句话说，它们的速度和衰减因子随频率变化[22]，因此通常不可能获得与频率无关的速度剖面。对于使用GUW的声学事件检测应用，通常将大量传感器组织成网络，并适当地集成到结构中[23–26]。因此，声学事件定位的准确性取决于传感器的网格特征，即网络大小和/或传感器间距。因此，为了保证事件检测方法的良好可靠性，必须使用大量传感器并处理大量数据。
在本文中，Kundu等人[27,28]开发的一种不需要材料特性的方法已在基于ANN的方法考虑的同一块板上复制，目的是在不知道波方向和频率相关速度剖面的情况下定位实验声源。利用锆钛酸铅传感器（PZT）作为接收器和波源，通过数值和实验将声事件定位在金属板上。在这种情况下，用于模拟的数值方法也是有限元方法，即使为了提高计算效率，选择了在瞬态冲击软件中实现的显式解算器。研究了碰撞位置预测误差与碰撞产生的机械激励频率含量之间的关系。
本文的主要目的是演示如何将人工神经网络和基于导波的方法相结合，作为一种SHM工具，用于定位具有不同能量和不同激励频率内容的碰撞。这两种方法的完全结合不在本文的范围内，但考虑了一种常见的试品并进行了传感（PZT贴片用于高频范围的应变波采集，而激光测振仪用于低频振动传感）；两种方法中考虑的传感器阵列可以很容易地组合和/或统一在单一类型中（例如PZT贴片），以满足两种情况下充分信号采集的要求。最后，在低模态频率范围内，采用隐式有限元模型进行数值模拟，而在高频范围内，首选显式公式；对于模拟，原则上可以在软件环境中开发单个有限元模型，允许在频域和时域中采用隐式和显式算法解决问题。
声源A和三个传感器显示在板上，b）板上有三组声传感器[27]
基于ANN未知碰撞点的预测
a）影响本地化表示（最佳事件）；b）所有事件的影响定位结果在目前的工作中，通过结合ANN和GUW技术，提出了一种在宽频率范围内进行碰撞检测的方法的有效性。本研究的目的是调查碰撞检测系统的技术可行性，该系统可以通过实施数值和实验数据来定位一般碰撞。这些信息的可用性对于建立更复杂的SHM系统以及稳健的预测模型非常重要。
第一种研究方法是基于使用结构模态数据训练的人工神经网络的开发。该方法的关键概念是基于这样的想法，即一旦经过训练，ANN工具应该能够识别未知影响的真实路径并定位事件本身。该方法产生的初步结果证实了所提出方法的积极性能，使人们对更广泛的实验活动产生了兴趣，主要针对系统精度的定义、可能的故障重建和数据处理中的优化以及减少计算工作量。基于有限元的算法对于低频应用非常有用且快速。低频事件通常是由不可忽略的质量实体（鸟击、工具掉落等）的影响引起的。检测此事件位置的一种有效方法是使用粗略的传感网络来识别影响区域，而不一定是可能详尽的精确影响点。在目前的应用程序中，只有6%的可用点被用于获取动态数据（81个点中只有5个点）。考虑到这么少的点，本研究中发现的错误百分比被发现是可以接受的。提高高频性能需要更密集的网格和更高的计算成本。在更高的频率下，实施不同的技术更为有利。
第二种方法是一种新的公式，用于使用六个声接收器传感器预测大型各向同性板中的声源点。该公式的主要优点是不需要了解板中与频率相关的波速剖面。波速对导波传播方向和信号频率的依赖性是平板声源定位的主要障碍。在这个公式中，所有这些障碍都被完全绕过了。该方法也不依赖于主应变方向必须与波传播方向一致的约束条件，因此即使对于各向异性板，也可以在任何类型的板中定位声源。碰撞检测技术已成功应用于高频事件（20–60 kHz）各向同性板的数值和实验。实验分析表明，碰撞检测精度依赖于时延测量精度，特别是从采集采样频率和碰撞频谱内容。相反，对于基于GUW的技术，发现波长较长的低频内容事件（低于3–5 kHz）的定位不太可靠。这些情况表明，基于集成方法ANN-GUWs的系统如何能够检测更广泛的事件，如不同材料和尺寸物体的撞击。
下一步将是在更复杂的结构上验证这一合理过程的精度水平，并使用可评估冲击力大小的特征完成拟议算法。
原文链接：https://doi.org/10.1016/j.paerosci.2021.100789
