本发明属于材料结构健康监测，具体提供一种基于深度学习的陶瓷基复合材料实时损伤程度预测方法。
背景技术：
1、面对飞机结构日益增长的高温和轻量化要求，陶瓷基复合材料因具有密度低、比强度高、耐温能力强的优良特性，在航空航天领域中备受关注。然而，其固有的分散性和脆性严重限制了其在结构部件中的大规模应用，例如雷达罩、涡轮叶片和热防护结构。因此陶瓷基复合材料分散性和脆性的本征特点应被深入研究以推广其大规模应用。
2、复合材料的力学性能取决于其组分性能、纤维体积分数、编织结构和加载条件。即使在相同的编织结构、原材料和工艺条件下，陶瓷基复合材料在同一服役环境中仍表现出显著的性能分散性。为探明分散性的影响因素，人们从不同的角度对陶瓷基复合材料的性能分散性开展了研究。研究人员通过构建代表性体积元模型，并结合威布尔分布、神经网络和蒙特卡罗模拟的方法，探讨了陶瓷基复合材料的组分性能分布及制造缺陷不确定性对其性能分散性的影响。这些研究主要是探究组分性能、编织结构和微观缺陷的改变对力学性能的影响规律，缺少研究对特定陶瓷基复合材料结构损伤状态的量化评估。此外，大量通过缺陷变化探讨材料变异性影响的研究，都侧重于使用含简单形状缺陷的代表性体积元对材料进行模拟。这取得了一定效果，但持续的挑战是将真实的复杂缺陷引入并量化其对陶瓷基复合材料损伤状态的影响。
3、纤维的增强和增韧作用一定程度上改善了陶瓷基复合材料的脆性，但其仍然存在破坏之前没有明显特征的问题，这为实时监测带来了挑战。为了确保陶瓷基复合材料结构的实时完整性，许多学者开发了连续状态监测技术，特别是基于声发射的技术。声发射信号包含损伤起始和演化的信息，基于声发射信号分析对不同损伤源进行准确识别和分离，已成为复合材料损伤模式识别的发展趋势。现有的研究通常选取幅度和频率作为声发射信号的聚类指标，对陶瓷基复合材料损伤机制进行实时识别。这表明在损伤诊断领域，利用声发射信号特征来识别复合材料的损伤模式已取得了显著的研究进展。然而，基于深度学习方法对复合材料损伤量化评估的研究仍然十分有限，使得实时健康状况评估面临瓶颈。
4、脆性和分散性是阻碍有效监测陶瓷基复合材料损伤程度的重要因素，因此需要进一步探索如何在服役过程中对损伤进行实时定量评估。深度学习在陶瓷基复合材料的性能预测领域取得较大的进展，对于强度和寿命预测均有应用，但针对陶瓷基复合材料实时实时损伤程度的预测还鲜有报道；另一方面，面向多种监测手段的多源融合方法还未建立，深度学习模型强大的数据融合能力为动态提取并量化材料在不同载荷条件下的损伤累积和演化过程提供了新思路。
5、此外，为提升深度学习模型的可解释性和物理一致性，以物理信息和数据信息双向驱动的深度学习模型也需要大力发展。
技术实现思路
1、为了解决上述技术问题，本发明提供一种基于深度学习的陶瓷基复合材料实时损伤程度预测方法。
2、本发明是这样实现的，提供一种基于深度学习的陶瓷基复合材料实时损伤程度预测方法，包括如下步骤：
3、s1：采用x射线计算机断层扫描方法对陶瓷基复合材料进行结构重构，基于图像分割方法对陶瓷基复合材料的初始缺陷进行分割，实现缺陷空间特征的识别，提取的含缺陷图像用于建立初始损伤数据集；
4、s2：基于u型神经网络构建初始损伤模型，结合物理约束条件进行驱动，向初始损伤模型输入初始损伤数据集，输出初始损伤因子，预测材料的初始损伤程度；
5、s3：基于声发射方法获取陶瓷基复合材料在服役过程中的损伤信号，提取损伤信号的时域特征参数和频域特征参数，表征缺陷特征随时间的演化，得到缺陷时间特征，构建过程损伤数据集；
6、s4：建立噪声滤波模型，对过程损伤数据集进行无噪化和归一化处理；
7、s5：采用改进的k-means无监督学习算法，从s4处理后的过程损伤数据集中提取损伤模式，而后利用人工神经网络建立损伤模式与材料过程损伤程度的非线性映射，构建过程损伤模型，过程损伤模型的输出为过程损伤因子，得到陶瓷基复合材料的过程损伤程度；
8、s6：基于损伤累积理论，耦合初始损伤模型与过程损伤模型，构建缺陷空间特征、缺陷时间特征与陶瓷基复合材料实时损伤程度之间的映射模型，并采用最小二乘法和非线性优化对模型参数进行拟合，得到最优映射模型；
9、s7：利用训练完成的最优映射模型，对陶瓷基复合材料的实时损伤程度进行预测。
10、优选的，步骤s1具体包括以下步骤：
11、s1.1：通过x射线计算机断层扫描方法获取陶瓷基复合材料的高分辨率三维图像，形成陶瓷基复合材料内部结构的重构数据集；
12、s1.2：基于三维图像的灰度值差异，采用interactive thresholding方法对陶瓷基复合材料中的初始缺陷进行初步分割，确定初始损伤区域；
13、s1.3：对于由于灰度值重叠导致难以准确分割的区域，采用interactive top-hat方法，通过形态学运算增强微小结构特征的对比度，进一步提取初始缺陷特征；
14、s1.4：综合interactive thresholding与interactive top-hat两种方法的结果，通过算法融合的方式，优化三维图像的分割结果，确保陶瓷基复合材料中所有初始缺陷空间特征得到准确识别；
15、s1.5：采用最近邻插值法对s1.4优化后的三维图像分割结果进行缩放，变换至统一的标准尺寸，以匹配不同陶瓷基复合材料试样的扫描尺寸，在尺寸调整完成后，以试样标距段的含缺陷截面建立初始损伤数据集，确保不同试样之间的数据具有可比性。
16、进一步优选，步骤s1.4中，初始缺陷空间特征包括微裂纹、孔隙和基体空洞的形状、大小、位置参数。
17、进一步优选，步骤s2中，所述物理约束条件包括孔隙率、表面邻近大缺陷及缺陷分布均匀性，所述初始损伤模型通过损失函数调整对这三个物理约束条件的学习重视度，对u型神经网络进行优化训练，得到最优初始损伤模型。
18、进一步优选，步骤s3中，所述损伤信号的时域特征参数包括幅度、持续时间、上升时间、振铃计数、上升计数、能量、有效值电压和平均信号电平；频域特征参数通过傅里叶变换提取，包括质心频率和峰值频率。
19、进一步优选，步骤s4中，采用马氏距离方法结合噪声样本的特征参数，通过设定阈值的解析方法建立噪声滤波模型，具体包括以下步骤：
20、马氏距离的数学定义如下：
21、 （1）
22、其中， d m ( n)是马氏距离， n是数据样本的特征向量， μ是数据分布的均值向量， s是数据的协方差矩阵；
23、定义噪声样本的分布特性：
24、 （2）
25、 （3）
26、其中， n是噪声样本数，是第 i个样本的特征向量，和是噪声样本的均值向量和协防差矩阵；
27、使用马氏距离公式定义阈值：
28、 （4）
29、其中 α是置信度系数，通常取1；
30、通过计算在加载阶段记录的过程损伤数据集与噪声滤波模型中心的马氏距离来判断其是否为噪声：
31、 （5）
32、若满足上述条件，则样本被视为噪声，否则视为有效数据；
33、对于经过噪声滤波模型筛选的非噪声信号，采用z-score标准化方法进行归一化处理，具体公式为：
34、 （6）
35、其中， x和 z代表归一化前后的滤波后的信号样本， μ x和 σ分别为样本的均值和标准偏差。
36、进一步优选，步骤s5具体包括以下步骤：
37、s5.1：确定损伤模式的数量，通过肘部法和轮廓系数法确定过程损伤数据集的最佳聚类数目 h，肘部法计算每种可能的聚类数目 k对应的总内部方差，选择方差减小速度显著降低的点 k作为最佳聚类数目，具体计算方式如下：
38、 （7）
39、其中，是总内部方差， k是考虑的聚类数目，是第 i个聚类中的样本集合， m是聚类中的单个样本，是第 i个聚类的质心；
40、轮廓系数法衡量数据点在其所属簇内的紧密度和与其他簇的分离度，聚类效果的好坏通过轮廓系数的大小来评估，具体计算公式如下：
41、 （8）
42、其中，其中，是样本 i到其所在聚类中其他样本的平均距离，是样本 i到最近聚类中所有样本的平均距离， g是簇的数量；
43、s5.2：优化k-means无监督学习算法，通过基于样本与已选质心的距离概率选择新质心，优化聚类的初始条件和结果的全局最优性，使用自动变量加权方法优化聚类特征权重，权重调整使用以下公式：
44、 （9）
45、其中，是第 i个特征的权重，是第 i个特征在第 j个聚类中的方差；
46、s5.3：利用步骤s5.1和s5.2中的结果，使用人工神经网络学习不同损伤模式与材料过程损伤程度之间的非线性关系，输入层接收从改进的k-means无监督学习算法中得到的聚类结果，输出层为预测材料的过程损伤因子，建立过程损伤模型，用过程损伤因子代表不同损伤模式对陶瓷基复合材料的过程损伤程度；
47、s5.4：物理约束优化模型，结合皮尔森相关性分析，建立损失函数以确保过程损伤因子与损伤信号幅值之间的正相关性，通过迭代训练系统地调整网络权重和偏置，得到最优的过程损伤模型。
48、进一步优选，步骤s6中，基于损伤累积理论，线性叠加以耦合初始损伤模型与过程损伤模型，具体为：
49、 （10）
50、其中， x为初始损伤因子， y为过程损伤因子， a和 b是拟合参数；
51、采用最小二乘法和非线性优化对映射模型参数进行拟合，得到最优映射模型。
52、与现有技术相比，本发明的优点在于：
53、本发明提出了一种基于深度学习的陶瓷基复合材料实时损伤程度预测方法，集成了x-ct技术获取的高分辨率三维图像数据和声发射技术采集的损伤信号，实现了对材料初始缺陷特征的精准提取及服役过程中的损伤行为建模。通过结合u型神经网络、马氏距离噪声滤波和改进的k-means聚类算法，该方法能够在多种损伤模式、复杂载荷条件及不同缺陷分布下，实现实时且高精度的损伤程度预测。与传统缺陷特征-性能关联模型相比，本发明具备实时、动态量化损伤对实时损伤程度影响的能力，显著提升了对材料健康状态的监测精度。模型具有较强的鲁棒性，能够应对实际工况中的各类异常情况，为健康监测领域提供了可靠的技术支持。该模型适用于多种复杂条件下的陶瓷基复合材料实时损伤程度预测，具备广泛的应用潜力。
1.基于深度学习的陶瓷基复合材料实时损伤程度预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度学习的陶瓷基复合材料实时损伤程度预测方法，其特征在于，步骤s1具体包括以下步骤：
3.根据权利要求2所述的基于深度学习的陶瓷基复合材料实时损伤程度预测方法，其特征在于，步骤s1.4中，初始缺陷空间特征包括微裂纹、孔隙和基体空洞的形状、大小、位置参数。
4.根据权利要求1所述的基于深度学习的陶瓷基复合材料实时损伤程度预测方法，其特征在于，步骤s2中，所述物理约束条件包括孔隙率、表面邻近大缺陷及缺陷分布均匀性，所述初始损伤模型通过损失函数调整对这三个物理约束条件的学习重视度，对u型神经网络进行优化训练，得到最优初始损伤模型。
5.根据权利要求1所述的基于深度学习的陶瓷基复合材料实时损伤程度预测方法，其特征在于，步骤s3中，所述损伤信号的时域特征参数包括幅度、持续时间、上升时间、振铃计数、上升计数、能量、有效值电压和平均信号电平；频域特征参数通过傅里叶变换提取，包括质心频率和峰值频率。
6.根据权利要求1所述的基于深度学习的陶瓷基复合材料实时损伤程度预测方法，其特征在于，步骤s4中，采用马氏距离方法结合噪声样本的特征参数，通过设定阈值的解析方法建立噪声滤波模型，具体包括以下步骤：
7.根据权利要求1所述的基于深度学习的陶瓷基复合材料实时损伤程度预测方法，其特征在于，步骤s5具体包括以下步骤：
8.根据权利要求1所述的基于深度学习的陶瓷基复合材料实时损伤程度预测方法，其特征在于，步骤s6中，基于损伤累积理论，线性叠加以耦合初始损伤模型与过程损伤模型，具体为：
