检测结构损坏检测损坏部位预测剩余寿命.docx

1、目的：检测结构损坏，检测损坏部位（bay托架OrStringer纵梁），预测剩余寿命（文中简介提到，但本文并未有此部分）实验结构：平板上有4条纵梁，纵梁间有托架，共3托架（铝材料）Stringer数据获取传感器监测（各向应力数据,共20各数据采集点集中分布于纵梁上）；补充数据获取：有限元模拟应用的主要理论方法：GA-SVM检测，ANN预测寿命（估计是作者后续工作，本文未展开）GA目的：优化svm参数，如RBF核参数，svm软边界参数C待定问题：（.个人理解本文的创新处，其他多为方法应用）上述提到损坏与损坏部位，即有以下情况：1 .无损坏，2.损坏在托架，34员坏在纵梁，4.均损坏（实际概率较小

2、毕竟单一损坏已是偶发事件，文中未讨论）本文的解决策略：分策略1与策略2策略12 .先用SVM区分损坏与无损坏；3 .另建SVM区分产生损坏是托架还是纵梁策略21 .先用SVM区分纵梁是否损坏2 .纵梁若无损坏则检测托架是否损坏TnMkBestAccuracy(on3foldscrossvalidation)BestAccuracy(onthreefold*cro*vjlidatin)PreviousStudy:ANNhiernrchiesFirstApproachDamage/NoDamage99.92%80.02%DamageonBayDamageonStrincer99.97%79.53

3、Second.ApproachDamageonStringer/NoDamage93.40%84.86%DamageonBay/NoDamage99.73%93.05%个人思考：1 .Svm多分类能否应用此问题？.不过本文最后给的结果精度实在高的离谱.均在99.9%以上，没有再优化价值.2 .很明显识别策略的不同对结果有很大影响，为以后同类问题提供思路参考文献：F.Archetti,G.Arosio,A.Candelieri,I.GiordaniandR.Sormani,Smartdatadrivenmaintenance:Improvingdamagedetectionandassessmentonaerospacestructures,2014IEEEMetrologyforAerospace(MetroAeroSpace),Benevento1Italy,2014,pp.101-106,doi:10.1109MetroAeroSpace.2014.6865902.