机械工程学报

作者：丁梦珂, 高东岳, 顾海洋, 王博睿, 周国泰, 武湛君

单位：1. 江南大学纤维工程与装备技术学院 无锡 214122;2. 哈尔滨玻璃钢研究院有限公司 哈尔滨 150000

关键词：结构健康监测,疲劳损伤,机器学习,卷积神经网络,贝叶斯优化；

基金：国家自然科学基金面上(12372134);江苏省研究生科研与实践创新计划(SJCX24_1356)资助项目。

监测复合材料疲劳损伤对保障复合材料结构安全具有重要意义。为此，提出基于超声导波与机器学习模型相结合的复合材料疲劳损伤监测方法，旨在提高损伤识别的准确性。该方法首先筛选出受疲劳损伤影响较大的超声导波信号特征，再进行共线性分析降低特征矩阵冗余性，进行预处理后组成样本库；然后以信号特征矩阵为输入，以损伤特征为输出构建出卷积神经网络(Convolutional neural network，CNN)损伤预测模型，结合贝叶斯优化(Bayesian optimization，BO)调整模型超参数，最后将样本库按照8∶1∶1的比例随机分成训练集、验证集和测试集，利用验证集进行超参数选择，测试集进行模型评估。试验结果表明：构建的BO-CNN损伤预测模型相对于CNN损伤预测模型具有更好的损伤诊断能力，量化精度从0.94提高至0.98，且损伤回归预测任务中表现出更高的可靠性。

来源：2025年第24期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2025年第24期